Health monitoring para manutenção preditiva em sistemas de ar em aeronaves
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UNSP_8fcaf1e876e6c24752ccfe2d7c21c3b3 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/214144 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Health monitoring para manutenção preditiva em sistemas de ar em aeronavesHealth monitoring for predictive maintenance in aircraft air systemsManutenção PreditivaIndústria aeroespacialCusto de ManutençãoAeronaves - ManutençãoIndústria AeroespacialInteligência artificialMachine LearningData ScienceData MiningPredictive MaintenanceMachine LearningAerospace IndustryMaintenance CostNas 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.In the last decades, the aviation industry grew rapidly worldwide, connecting different countries, cultures, and peoples. A major challenge faced by this industry is improving its efficiency and profits in spite of the operational costs and the resulting low profit margin. Among the most significant costs for airlines, one can highlight those associated with fuel, maintenance, depreciation and crew payroll. Maintenance expenses are possible to be managed by applying strategies and technologies for inventory control, logistics, scheduling and, more recently, failure prediction. There are three main types of maintenance: corrective, preventive, and predictive. The latter consists in monitoring a system or specific component using the parameters recorded by sensors to detect a failure pattern, thus enabling predictions. This procedure can lower maintenance costs by optimizing parts management, enhancing decision-making, preventing unexpected failures, and reducing AOG time. This paper presents the results of monitoring the recorded data from the pressure regulating and shut off valve of the air conditioning system of multiple aircraft for predictive maintenance, using statistical prediction and artificial intelligence techniques. The data for the study was collected from real aircraft and then anonymized and treated to maintain the real case system behavior while guaranteeing its confidentiality at the same time. The computational procedures related to data treatment, data mining and machine learning were developed using Python 3 programming language. The results of applying predictive maintenance in this study showed a 12,8% reduction of the cost per flight hour, which may increase up to 63,8% considering the estimated costs for valve replacement and flight cancellation.Não recebi financiamentoUniversidade Estadual Paulista (Unesp)Canettieri, Eliana Vieira [UNESP]Ferreirós, AlanUniversidade Estadual Paulista (Unesp)Cruz, Filipe Henrique da Costa2021-08-23T18:47:06Z2021-08-23T18:47:06Z2021-02-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttp://hdl.handle.net/11449/214144porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-01-09T06:31:04Zoai:repositorio.unesp.br:11449/214144Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T22:34:18.355637Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Health monitoring para manutenção preditiva em sistemas de ar em aeronaves Health monitoring for predictive maintenance in aircraft air systems |
title |
Health monitoring para manutenção preditiva em sistemas de ar em aeronaves |
spellingShingle |
Health monitoring para manutenção preditiva em sistemas de ar em aeronaves Cruz, Filipe Henrique da Costa 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 |
title_short |
Health monitoring para manutenção preditiva em sistemas de ar em aeronaves |
title_full |
Health monitoring para manutenção preditiva em sistemas de ar em aeronaves |
title_fullStr |
Health monitoring para manutenção preditiva em sistemas de ar em aeronaves |
title_full_unstemmed |
Health monitoring para manutenção preditiva em sistemas de ar em aeronaves |
title_sort |
Health monitoring para manutenção preditiva em sistemas de ar em aeronaves |
author |
Cruz, Filipe Henrique da Costa |
author_facet |
Cruz, Filipe Henrique da Costa |
author_role |
author |
dc.contributor.none.fl_str_mv |
Canettieri, Eliana Vieira [UNESP] Ferreirós, Alan Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Cruz, Filipe Henrique da Costa |
dc.subject.por.fl_str_mv |
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 |
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 |
description |
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. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-08-23T18:47:06Z 2021-08-23T18:47:06Z 2021-02-22 |
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 |
http://hdl.handle.net/11449/214144 |
url |
http://hdl.handle.net/11449/214144 |
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 |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1808129438406148096 |