Health monitoring para manutenção preditiva em sistemas de ar em aeronaves

• Autor(a) principal: Cruz, Filipe Henrique da Costa
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/214144
• topic: Manutenção Preditiva; Indústria aeroespacial; Custo de Manutenção; Aeronaves - Manutenção; Indústria Aeroespacial; Inteligência artificial; Machine Learning; Data Science; Data Mining; Predictive Maintenance; Machine Learning; Aerospace Industry; Maintenance Cost

Nas últimas décadas, a indústria da aviação cresceu aceleradamente em âmbito mundial, conectando países, culturas e pessoas. Um grande desafio enfrentado pelo setor é manter-se eficiente e rentável frente aos custos de operação e consequente margem de lucro reduzida. Dentre os custos mais significativos para as linhas aéreas, destacam-se os associados a combustível, manutenção, depreciação e a folha de pagamento da tripulação. O gasto com manutenção é um dos que se pode controlar com a aplicação de estratégias e tecnologias para controle de estoque, logística, agendamento e, mais recentemente, previsão de falhas. Existem três tipos principais de manutenção: corretiva, preventiva e preditiva. A última consiste no monitoramento de um sistema ou componente específico através de parâmetros gravados por sensores, a fim de detectar um padrão de falha, possibilitando a previsão. Esta prática pode reduzir os custos de manutenção pela otimização do controle logístico de peças e maior disponibilidade de informação para tomada de decisão, evitando falhas inesperadas e diminuindo o tempo de AOG (Aircraft On Ground). Este trabalho apresenta o monitoramento da válvula de corte e reguladora de pressão do sistema de ar condicionado aeronáutico com dados descaracterizados para aplicação de manutenção preditiva, utilizando técnicas de predição estatística e inteligência artificial. Os dados foram obtidos a partir da descaracterização de dados reais a fim de manter a verossimilhança com o caso real, porém garantindo a confidencialidade da informação original. Os procedimentos computacionais relativos ao tratamento dos dados, data mining e machine learning foram desenvolvidos com o uso da linguagem Python 3. Os resultados obtidos demonstram a redução de 12,8% no custo por hora de voo a partir da aplicação da manutenção preditiva, com possibilidade de expansão até 63,8% considerando os valores estimados de custo de troca e cancelamento de voos.