<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m21d.sid.inpe.br 808</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP3W34T/4B4ST48</identifier>
		<repository>sid.inpe.br/mtc-m21d/2024/04.10.17.25</repository>
		<lastupdate>2024:07.04.18.09.16 urlib.net/www/2021/06.04.03.40 simone</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21d/2024/04.10.17.25.49</metadatarepository>
		<metadatalastupdate>2024:07.09.05.39.45 sid.inpe.br/bibdigital@80/2006/04.07.15.50 administrator</metadatalastupdate>
		<secondarykey>INPE-18836-TDI/3426</secondarykey>
		<citationkey>Castilho:2024:AbHíAp</citationkey>
		<title>Abordagem híbrida de aprendizado de máquina para avaliação de estado de degradação de uma válvula pneumática aeronáutica</title>
		<alternatetitle>Hybrid machine learning approach for assessment of the degradation state of an aircraft pneumatic valve</alternatetitle>
		<course>CAP-COMP-DIPGR-INPE-MCTI-GOV-BR</course>
		<year>2024</year>
		<date>2024-04-01</date>
		<thesistype>Tese (Doutorado em Computação Aplicada)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>128</numberofpages>
		<numberoffiles>2</numberoffiles>
		<size>12553 KiB</size>
		<author>Castilho, Henrique Mendes,</author>
		<committee>Stephany, Stephan (presidente),</committee>
		<committee>Santos, Rafael Duarte Coelho dos (orientador),</committee>
		<committee>Turcio, Wallace Hessler Leal (orientador),</committee>
		<committee>Vianna, Wlamir Olivares Loesch,</committee>
		<committee>Santos, Luis Carlos de Castro,</committee>
		<e-mailaddress>castilho.eng@gmail.com</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>prognóstico, análise de falhas, aprendizado de máquina, modelo computacional, prognostic, failure analysis, machine learning, computational model.</keywords>
		<abstract>Na aviação comercial, os eventos de manutenção não-planejados representam uma elevação dos custos de manutenção, além de exigir maior tempo de aeronave em solo, impactando os custos operacionais e a imagem da empresa. Estes impactos podem ser agravados caso uma falha que impeça a decolagem ocorra em um aeroporto despreparado para receber ações de manutenção de determinada aeronave ou linha aérea. No entanto, caso se possua uma estimativa do estado de degradação para alguns equipamentos chaves, que possuem grandes cargas de trabalho podem estar sujeitos a maiores taxas de falha, é possível planejar ações de manutenção essenciais que sejam acomodadas no cronograma de operação da aeronave, evitando assim ações corretivas inesperadas. Para tanto, é possível utilizar algoritmos de aprendizado de máquina em conjunto com análise de modelos, dados de sensores e técnicas de filtragem para estimar de forma mais precisa o estado de degradação de um equipamento. Este trabalho utilizou dados de campo de uma frota de aeronaves, coletando informações de sensores e de registros de manutenção para a criação de uma base de dados de índices de degradação, que passaram por diversas técnicas de filtragem, desde as clássicas, como a média móvel, até mais complexas, como o filtro de Kalman. Com os dados de frota, diversos algoritmos de aprendizado de máquina de complexidades diferentes foram treinados e seu desempenhos registrados frente à resposta esperada. O trabalho então utilizou um modelo matemático computacional do equipamento, que após a validação com dados de campo, foi utilizado para prover uma base de voos sintéticos com evolução de degradação conhecida. Estes voos então foram então utilizados para enriquecer a base de dados de voos de campo, permitindo que os algoritmos de aprendizado de máquina gerassem resultados mais precisos após um novo treinamento. Esta análise hí- brida, que alia dados de campo a dados de modelo computacional, se mostrou efetiva no aumento de desempenho da solução proposta. ABSTRACT: In commercial aviation, unplanned maintenance events represent an increase in maintenance costs, as well as requiring a longer aircraft downtime, impacting operating costs and the companys image. These impacts can be more noticeable if a failure that causes a non-dispatch situation occurs at an airport that is unprepared to receive maintenance actions for a particular aircraft or airline. However, if there is an estimate of the state of degradation for some key equipment, which have high workloads and may be subject to higher failure rates, it is possible to plan essential maintenance actions that are accommodated in the aircrafts operating schedule, thus avoiding unexpected corrective actions. To this end, it is possible to use machine learning algorithms in conjunction with model analysis, sensor data and filtering techniques to more accurately estimate the state of degradation of a piece of equipment. This work used field data from a fleet of aircraft, collecting information from sensors and maintenance records to create a database of degradation indices, which were subjected to various filtering techniques, from classic ones such as the moving average, to more complex ones, such as the Kalman filter. With the fleet data, various machine learning algorithms of varying complexity were trained and their performance recorded against the expected response. The work then used a computational mathematical model of the equipment, which after validation with field data, was used to construct a database of synthetic flights with known degradation evolution. These flights were then used to enrich the field flight database, allowing the machine learning algorithms to generate more accurate results after further training. This hybrid analysis, which combines field data with computer model data, proved to be effective in increasing the performance of the proposed solution.</abstract>
		<area>COMP</area>
		<language>pt</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>castilho.eng@gmail.com</usergroup>
		<usergroup>pubtc@inpe.br</usergroup>
		<usergroup>simone</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<rightsholder>originalauthor yes</rightsholder>
		<readpermission>allow from all</readpermission>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>urlib.net/www/2021/06.04.03.40.25</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F2PHGS</nexthigherunit>
		<nexthigherunit>8JMKD3MGPCW/46KUES5</nexthigherunit>
		<citingitemlist>sid.inpe.br/bibdigital/2013/10.12.22.16 3</citingitemlist>
		<hostcollection>urlib.net/www/2021/06.04.03.40</hostcollection>
		<agreement>autorizacao.pdf .htaccess .htaccess2</agreement>
		<lasthostcollection>urlib.net/www/2021/06.04.03.40</lasthostcollection>
		<supervisor>Turcio, Wallace Hessler Leal,</supervisor>
		<supervisor>Santos, Rafael Duarte Coelho dos,</supervisor>
		<url>http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2024/04.10.17.25</url>
	</metadata>
</metadatalist>