Diagnosis and Prognosis of Aircraft Systems State

Abstract

With the evolution of technology there is a need to improve the world, taking advantage of it. And the aviation industry is no exception. As time went by, the need arose to extend the useful life of a system or component, through an analysis based on its health state (CBM). With the implementation of this type of methodologies it is also possible to predict when it will fail, calculating the life left until this event. This is one of the approaches that needs to be improved, once the timely detection of this type of anomalies allows airlines to save money, as well as an adequate maintenance management by the teams responsible for them.In order to respond to these needs, the literature explains some approaches made in this regard, highlighting the PHM methodologies. Through these, an analysis is made of the behavior of the sensors, thus reflecting the health status of the respective systems, as well as the corresponding degradation, making it possible to predict the occurrence of a failure. In this way, most of the approaches found analyze the data of the sensors present in the system, through the application of Machine Learning algorithms, Kalman Filters, among others, which allow observing their behavior showing a possible degradation of the system.The work done throughout this investigation resulted in the adoption of two different approaches, benefiting from the data for the two phases of this work. For the diagnostic phase, a methodology based on supervised Machine Learning algorithms was developed and, for the prognosis phase, a method was developed based on the interpretation of the behavior of the sensor signals.Both approaches were applied, as proof of concept, for the systems Air Bleed and CACTCS that belong to Boeing 747 and Boeing 787, respectively. Despite they belong to different aircraft, the purpose of them is equivalent - extract the air from the outside of the airplane and take it to the places where it is needed.The obtained results, for these systems, are promising. Regardless exist some differences between the systems, they, in general, predict with some security the health of the systems and the occurrence of a failure. This way, these results could have a huge impact because they permit to extend the life of a system, helping the schedule in the maintenance team. However, these results need to be validated by the airline companies involved in the ReMAP project.

Com a evolução da tecnologia existe uma necessidade de melhorar o mundo, tirando partido dela. E a indústria aeronáutica não é exceção. Com o evoluir dos tempos, surgiu a necessidade de estender o tempo de vida útil de um sistema ou componente, através de uma análise baseada no estado de saúde da mesma (CBM). Com a implementação deste tipo de metodologias é possível também prever quando é que o mesmo irá falhar, calculando o tempo de vida restante até este acontecimento. Esta é uma das abordagens que é necessário melhorar, uma vez que a deteção atempada deste tipo de anomalias permite poupar dinheiro às companhias aéreas, bem como uma gestão adequada de manutenções por parte das equipas responsáveis pelas mesmas.Com o intuito de dar resposta a estas necessidades, a literatura explica algumas abordagens feitas nesse sentido, destacando-se as metodologias PHM. Através destas é feita uma análise ao comportamento dos sensores refletindo, assim, o estado de saúde dos respetivos sistemas, bem como a correspondente degradação, possibilitando a previsão da ocorrência de uma falha. Deste modo, a maioria das abordagens encontradas analisam os dados dos sensores presentes no sistema, através da aplicação de algoritmos de Machine Learning, Filtros de Kalman, entre outros, que permitem observar o seu comportamento evidenciando uma possível degradação do sistema.O trabalho realizado ao longo desta investigação resultou na adoção de duas abordagens distintas, beneficiando dos dados para as duas fases deste trabalho. Para a fase de diagnóstico, foi desenvolvida uma metodologia baseada em algoritmos de Machine Learning supervisionados e, para a fase de prognóstico, foi desenvolvido um método baseado na interpretação do comportamento dos sinais dos sensoresAmbas as abordagens foram aplicadas, como prova de conceito, nos sistemas Air Bleed e CACTCS, que pertencem ao Boeing 747 e ao Boeing 787, respetivamente. Apesar de os sistemas fazerem parte de aviões diferentes, o objetivo de ambos é o mesmo - extrair o ar do exterior e conduzi-lo adequadamente até aos locais onde ele é necessário.Os resultados obtidos para estes sistemas são promissores. Apesar de existirem algumas diferenças entre os sistemas, em geral, é prevista com alguma segurança o estado de saúde dos mesmos e a respetiva ocorrências de falhas. Deste modo, estes resultados poderão ter um enorme impacto, pois através da antecipação de possíveis falhas, poderão ser evitados acidentes ou despesas avultadas para resolver os problemas, permitindo prever o estado dos componentes e dos sistemas de forma a promover processos eficazes de manutenção. No entanto, estes resultados necessitam de ser validados pelas companhias aéreas envolvidas no projeto ReMAP.