Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos

Detalhes bibliográficos
Autor(a) principal: Coelho, Marcelly Homem
Data de Publicação: 2020
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/218423
Resumo: TCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação.
id UFSC_03487e6338ac559122c7fbbce04aa1d0
oai_identifier_str oai:repositorio.ufsc.br:123456789/218423
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticosPrognóstico de FalhasAprendizado de MáquinaMineração de DadosManutenção PreditivaTCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação.No setor de transporte aéreo, a manutenção preditiva de sistemas é um importante campo de estudo para reduzir os custos operacionais causados por eventos não programados e aumentar a disponibilidade das aeronaves. Estes fatores motivam pesquisas relacionadas ao monitoramento da condição para promover diagnósticos e prognósticos de falhas. Neste contexto, este trabalho propõe um método para promover prognóstico de falhas em componentes aeronáuticos por meio da abordagem orientada a dados. Para tanto, foram utilizadas técnicas de mineração de dados e aprendizado de máquina em um conjunto de dados históricos referentes ao sistema de indicação de motores e alerta de tripulação, mensagens de manutenção, dados de sensores e reportes de remoções de componentes. Os conjuntos de dados foram obtidos por meio de parâmetros registrados pelo sistema de bordo da aeronave. O trabalho descreve o desenvolvimento de um sistema computacional, cuja finalidade é avaliar o potencial de modelos de aprendizado de máquina na estimativa de vida útil remanescente de componentes do sistema pneumático. A contribuição deste trabalho consiste na comparação de diferentes casos orientados a dados. O modelo de Gradient Boosting foi capaz de avaliar a condição de degradação de um modo de falha com uma taxa de acerto média de 64,65% com desvio padrão de 5,89%. Os resultados experimentais obtidos demonstram que o método proposto possui potencial na previsão da vida útil remanescente dos componentes do sistema pneumático, mais especificamente, do subsistema de controle ambiental. A principal observação do estudo foi que a implementação de prognóstico de falhas combinando recursos de mensagens do sistema de bordo e dados de sensores apresentou a melhor probabilidade de detecção de falha e menor taxa de falso alarme entre as situações avaliadas. Por fim, destaca-se que o método pode ser estendido a outros sistemas de aeronaves, desde que os dados de voo e os registros de manutenção sejam disponibilizadosIn the air transport sector, predictive systems maintenance is an important field of study to decrease the operational costs caused by unforeseen events and increase aircraft availability. These factors motivate studies on condition monitoring in order to promote failure diagnosis and prognosis. In this context, this work proposes a method to promote failure prediction in aeronautical components through a data-oriented approach. For this purpose, data mining and machine learning techniques were used on a set of historical data referring to the engine indicating and crew alerting system, maintenance messages, sensor data and component removal reports. The data set was obtained using parameters recorded by the aircraft’s on-board system. The work describes the development of a computational system, which purpose is to evaluate the potential of machine learning models in estimating the remaining functional lifespan of pneumatic system components. The contribution of this work consists in the comparison of different data-oriented cases. The Gradient Boosting model was able to assess the degradation condition of a failure mode with an average success rate of 64.65% and a standard deviation of 5.89%. The obtained experimental results show that the proposed method indeed has the potential to predict the remaining useful lifespan of the pneumatic system components, more specifically, of the environmental control subsystem. The main observation of the study was that the implementation of failure prognosis combining on-board messaging resources and sensor data showed the best probability of failure detection and the lowest false positive rate among the evaluated situations. Finally, it should be noted that the method can be extended to other aircraft systems, as long as flight data and maintenance records are available.Araranguá, SCPerez, Anderson Luiz FernandesHirschmann, Roberto SmidtUniversidade Federal de Santa CatarinaCoelho, Marcelly Homem2020-12-15T00:37:12Z2020-12-15T00:37:12Z2020-12-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis79application/pdfhttps://repositorio.ufsc.br/handle/123456789/218423info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2022-09-16T18:25:55Zoai:repositorio.ufsc.br:123456789/218423Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732022-09-16T18:25:55Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos
title Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos
spellingShingle Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos
Coelho, Marcelly Homem
Prognóstico de Falhas
Aprendizado de Máquina
Mineração de Dados
Manutenção Preditiva
title_short Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos
title_full Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos
title_fullStr Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos
title_full_unstemmed Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos
title_sort Mineração de dados e aprendizado de máquina aplicados ao prognóstico de falhas em componentes aeronáuticos
author Coelho, Marcelly Homem
author_facet Coelho, Marcelly Homem
author_role author
dc.contributor.none.fl_str_mv Perez, Anderson Luiz Fernandes
Hirschmann, Roberto Smidt
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Coelho, Marcelly Homem
dc.subject.por.fl_str_mv Prognóstico de Falhas
Aprendizado de Máquina
Mineração de Dados
Manutenção Preditiva
topic Prognóstico de Falhas
Aprendizado de Máquina
Mineração de Dados
Manutenção Preditiva
description TCC(graduação) - Universidade Federal de Santa Catarina. Campus Araranguá. Engenharia da Computação.
publishDate 2020
dc.date.none.fl_str_mv 2020-12-15T00:37:12Z
2020-12-15T00:37:12Z
2020-12-03
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/218423
url https://repositorio.ufsc.br/handle/123456789/218423
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 79
application/pdf
dc.publisher.none.fl_str_mv Araranguá, SC
publisher.none.fl_str_mv Araranguá, SC
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652056498536448