Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/87984
Title: Condition-Based Maintenance for Diagnosis and Prognosis in Aircraft Systems - Application in the Air Bleed System of Boeing 747
Other Titles: Manutenção baseada no Estado de Condição para Diagnóstico e Prognóstico em Sistemas de Aviação - Aplicação no Sistema de Ar de Purga do Boeing 747
Authors: Azevedo, Daniel Romário Gomes
Orientador: Cardoso, Alberto Jorge Lebre
Keywords: Manutenção em Aviões; Manutenção baseada no Estado de Condição; Indicador de Estado de Condição; Prognóstico e Gestão do Estado de Condição; Vida Útil Remanescente; Aircraft Maintenance; Condition Based Maintenance; Health Indicator; Prognostics and Health Management; Remaining Useful Life
Issue Date: 11-Sep-2019
Serial title, monograph or event: Condition-Based Maintenance for Diagnosis and Prognosis in Aircraft Systems - Application in the Air Bleed System of Boeing 747
Place of publication or event: DEI-FCTUC
Abstract: A manutenção de aviões é um tema importante no campo aeronáutico e, à medida que mais informação útil é recolhida e processada, melhoramentos nesta área são valiosos para a indústria da aviação. Neste tópico em particular, CBM pode ser útil, já que pode ajudar a prever quando é que uma falha vai ocorrer baseando-se na condição de saúde dos componentes de avião. Usando CBM, uma abordagem PHM pode ser elaborada com o objetivo de identificar o comportamento de degradação de um componente do avião, e antecipar a ocorrência de falhas através da previsão da futura degradação das peças.Deste modo, este trabalho pretende desenvolver uma metodologia PHM que, com base nos dados de sensores, consiga diagnosticar a condição de saúde de um sistema de avião, refletido no valor de HI, e prever o seu comportamento futuro, resultando na computação da RUL. A abordagem PHM é aplicada distintamente em 3 sistemas de avião diferentes, dependendo das características dos respetivos dados, diferentes técnicas de Machine Learning são aplicadas. Trabalho exploratório é realizado em 2 dos sistemas, o sistema do motor do Turbofan e o sistema de Travões, com o objetivo de testar diferentes técnicas para o diagnóstico e prognóstico da condição de saúde dos sistemas.A principal contribuição desta Tese resulta do trabalho aplicado sobre o sistema Air Bleed do Boeing 747, que possui uma complexidade significativa. Neste sistema em particular, uma nova técnica para a computação do HI é proposta, baseando-se na análise de features no domínio do tempo (média e o desvio padrão) dos dados em bruto dos sensores do Air Bleed.O âmbito e objetivo do desenvolvimento do sistema PHM insere-se no âmbito do projeto ReMAP H2020. Como tal, os dados de certos sistemas de avião, nomeadamente dos Travões e do Air Bleed, foram disponibilizados no contexto do ReMAP.Relativamente aos resultados obtidos, em particular no sistema Air Bleed, estes são interessantes e promissores. A formulação utilizada para a computação do HI foi recebida positivamente pelos engenheiros de aviação envolvidos no ReMAP, devido ao seu teor inovativo. É expectável que esta abordagem possa ser aplicada noutros sistemas de avião e que, no futuro, possa ser aplicada em cenários reais, como um contributo válido para a execução e planeamento das tarefas de manutenção em aviões.
Aircraft maintenance is an important subject matter in the aircraft field and, as more useful information is gathered and processed, improvement in this area is valuable to the aircraft industry. In this particular topic, Condition-Based Maintenance (CBM) can be useful, as it can help predict when a failure will occur based on the component's condition. Using CBM, a Prognostics and Health Management (PHM) approach can be built with the objective of identifying the degradation behavior of the aircraft equipment, and anticipating possible system failures by predicting the future degradation evolution.Therefore, this work aims to develop a PHM methodology that, based on the sensors data, is capable of diagnosing the health condition of an aircraft system, reflected by the Health Indicator (HI) value, and predict its future behavior, resulting in the computation of the Remaining Useful Life (RUL). The PHM approach is applied distinctively to three different aircraft systems, depending on the system data characteristics, different machine learning techniques are applied. An exploratory work is performed on two systems, the Turbofan engine system and the Brakes system, with the goal of testing different techniques for the diagnosis and prognosis of the systems condition.The main contribution of this Thesis results from the work applied in the Air Bleed system of Boeing 747, which contains a significant complexity embedded. In this particular system, a new data driven technique for the HI computation is proposed, which is based on the analysis of time domain features, namely the mean and standard deviation, of the raw sensors data.The scope and aim of the PHM development fits within the scope of the H2020 ReMAP project. Furthermore, some of the systems sensors data, namely the Brakes and the Air Bleed data were provided by the ReMAP project.Regarding the obtained results, particularly in the Air Bleed system, these are interesting and very promising. The formulation used for the computation of the HI was positively received by the airlines' engineers involved in ReMAP, due to its innovative content. Furthermore, it is expected that this approach can be applied to other aircraft systems and, in a near future, be integrated in the maintenance plan, as a valid contribution for the execution and planning of aircraft maintenance routines.
Description: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/87984
Rights: embargoedAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat Login
MScthesis_DanielAzevedo.pdf14.63 MBAdobe PDFEmbargo Access    Request a copy
Show full item record

Page view(s)

148
checked on Oct 21, 2021

Download(s)

48
checked on Oct 21, 2021

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons