@PhDThesis{Castilho:2024:AbHíAp,
author = "Castilho, Henrique Mendes",
title = "Abordagem h{\'{\i}}brida de aprendizado de m{\'a}quina para
avalia{\c{c}}{\~a}o de estado de degrada{\c{c}}{\~a}o de uma
v{\'a}lvula pneum{\'a}tica aeron{\'a}utica",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2024",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2024-04-01",
keywords = "progn{\'o}stico, an{\'a}lise de falhas, aprendizado de
m{\'a}quina, modelo computacional, prognostic, failure analysis,
machine learning, computational model.",
abstract = "Na avia{\c{c}}{\~a}o comercial, os eventos de
manuten{\c{c}}{\~a}o n{\~a}o-planejados representam uma
eleva{\c{c}}{\~a}o dos custos de manuten{\c{c}}{\~a}o,
al{\'e}m 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 impe{\c{c}}a a decolagem ocorra
em um aeroporto despreparado para receber a{\c{c}}{\~o}es de
manuten{\c{c}}{\~a}o de determinada aeronave ou linha
a{\'e}rea. No entanto, caso se possua uma estimativa do estado de
degrada{\c{c}}{\~a}o para alguns equipamentos chaves, que
possuem grandes cargas de trabalho podem estar sujeitos a maiores
taxas de falha, {\'e} poss{\'{\i}}vel planejar
a{\c{c}}{\~o}es de manuten{\c{c}}{\~a}o essenciais que sejam
acomodadas no cronograma de opera{\c{c}}{\~a}o da aeronave,
evitando assim a{\c{c}}{\~o}es corretivas inesperadas. Para
tanto, {\'e} poss{\'{\i}}vel utilizar algoritmos de aprendizado
de m{\'a}quina em conjunto com an{\'a}lise de modelos, dados de
sensores e t{\'e}cnicas de filtragem para estimar de forma mais
precisa o estado de degrada{\c{c}}{\~a}o de um equipamento. Este
trabalho utilizou dados de campo de uma frota de aeronaves,
coletando informa{\c{c}}{\~o}es de sensores e de registros de
manuten{\c{c}}{\~a}o para a cria{\c{c}}{\~a}o de uma base de
dados de {\'{\i}}ndices de degrada{\c{c}}{\~a}o, que passaram
por diversas t{\'e}cnicas de filtragem, desde as cl{\'a}ssicas,
como a m{\'e}dia m{\'o}vel, at{\'e} mais complexas, como o
filtro de Kalman. Com os dados de frota, diversos algoritmos de
aprendizado de m{\'a}quina de complexidades diferentes foram
treinados e seu desempenhos registrados frente {\`a} resposta
esperada. O trabalho ent{\~a}o utilizou um modelo matem{\'a}tico
computacional do equipamento, que ap{\'o}s a
valida{\c{c}}{\~a}o com dados de campo, foi utilizado para
prover uma base de voos sint{\'e}ticos com evolu{\c{c}}{\~a}o
de degrada{\c{c}}{\~a}o conhecida. Estes voos ent{\~a}o foram
ent{\~a}o utilizados para enriquecer a base de dados de voos de
campo, permitindo que os algoritmos de aprendizado de m{\'a}quina
gerassem resultados mais precisos ap{\'o}s um novo treinamento.
Esta an{\'a}lise h{\'{\i}}- brida, que alia dados de campo a
dados de modelo computacional, se mostrou efetiva no aumento de
desempenho da solu{\c{c}}{\~a}o 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.",
committee = "Stephany, Stephan (presidente) and Santos, Rafael Duarte Coelho
dos (orientador) and Turcio, Wallace Hessler Leal (orientador) and
Vianna, Wlamir Olivares Loesch and Santos, Luis Carlos de Castro",
englishtitle = "Hybrid machine learning approach for assessment of the degradation
state of an aircraft pneumatic valve",
language = "pt",
pages = "128",
ibi = "8JMKD3MGP3W34T/4B4ST48",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/4B4ST48",
targetfile = "publicacao.pdf",
urlaccessdate = "2024, July 27"
}