Fleet Learning applied to Aircraft Maintenance

Abstract

Aircraft systems are complex machines susceptible to equipment deterioration. When systems can no longer perform tasks they were design to do, they reach a failure state. If this happens unexpectedly, a failure in an aircraft system can cause potential danger to passengers or lead to flight delays. As a consequence, airlines are also affected financially.Hence, Aircraft Maintenance (AM) is of major importance in the aircraft industry, ensuring actions and procedures are taken so that the functionality and safety are guaranteed. In this field of work, Prognostics and Health Management (PHM) can be of extreme relevance, helping in the detection of the precursors of a system’s failure and predicting its health.Aircrafts are equipped with sensors that are constantly generating data during their many flying routes. These data can be extremely valuable as it contains information which can be used in a PHM system in order to predict future failures. However, since airplanes generate gigabytes of data per flight, sending this information to a central server becomes an almost infeasible task due to the size of the available bandwidth. In addition, there are security constraints in transferring data through unsecured channels.In order to attenuate these problems, this work proposes a PHM approach using a Fleet Learning methodology. Fleet Learning uses shared knowledge of all the parties in a fleet, which can help creating more powerful models. In a recent approach defined as FederatedLearning (FL), a single model is shared between a server and the clients. When applyingFL in a Fleet Learning setting, it can reduce the amount of data transferred and attenuate the privacy concerns since each model is computed locally by their respective client and only the model is shared, instead of the data itself.Federated Learning is still a recent technology and, as such, much research is yet to be done. This work presents three main contributions, which, to the best of our knowledge are new to this research field: 1) application of FL to PHM, 2) proposal and implementation of two federated learning algorithms, namely, Federated Congruent Directional Learning(FedCong) and Federated Momentum (FedMom) and comparison with state of the art,3) development of a tool (Fleet Learning Emulation Tool (FLET)) which emulates the behaviour of commercial aircraft systems and predicts their health

Os aviões são máquinas complexas suscetíveis à deterioração dos seus componentes. Quando estes deixam de ser capazes de executar as suas tarefas, os aviões atingem um estado de falha. Situações de falhas inesperadas num sistema de um avião podem ter consequências que afetam a segurança dos passageiros e originar atrasos nos voos. Como consequência, companhias aéreas são bastante afetadas em termos financeiros.Portanto, Manutenção de Aviões (AM) é de extrema importância na indústria aeronáutica, garantindo que ações e procedimentos são tomados para garantir a funcionalidade e segurança. Nesta área, Prognostics and Health Management (PHM) poderá ajudar na detecção de precursores de falhas e previsão da vida de um sistema.Os aviões estão equipados com sensores que estão constantemente a gerar dados durante as suas rotas aéreas. Estes dados são extremamente valiosos pois contêm informação que pode ser usada em sistemas de PHM para prever futuras falhas. No entanto, como os aviões podem gerar vários gigabytes de dados por voo, enviar esses dados para um servidor central torna-se uma tarefa quase inviável devido ao tamanho da largura de banda disponível.Existem também restrições de segurança no envio de dados por canais não seguros.Para atenuar estes problemas, este trabalho propõe uma abordagem PHM usando uma metodologia Fleet Learning. Fleet Learning usa conhecimento compartilhado de todas as partes de uma frota, o que pode ajudar a criar modelos mais eficazes. Numa abordagem recente definida como Federated Learning (FL), um único modelo é compartilhado entre um servidor e os seus clientes. Ao aplicar os conceitos de FL em Fleet Learning, este pode reduzir a quantidade de dados transferidos e atenuar as preocupações com a privacidade, pois cada modelo é gerado localmente pelo respectivo cliente e apenas o modelo é compartilhado, em vez dos próprios dados.Federated Learning ainda é uma tecnologia recente e, como tal, a sua investigação ainda está nos seus primórdios. Este trabalho apresenta três contribuições principais que, até onde sabemos, são novas neste campo de investigação: 1) aplicação de FL a PHM, 2)proposta e desenvolvimento de dois novos algoritmos de Federated Learning e comparação com o estado da arte: Federated Congruent Directional Learning (FedCong) e FederatedMomentum (FedMom), 3) desenvolvimento de uma ferramenta intitulada Fleet LearningEmulation Tool (FLET) que simula o comportamento dos sistemas de aviões comerciais e prevê a sua vida.