AI-modellen voorspellen onderhoudsbehoeften van vliegtuigen

AI-modellen kunnen worden ingezet voor het maken van gezondheidsvoorspellingen van vliegtuigsystemen. Dit maakt het mogelijk het onderhoudsproces op deze voorspellingen af te stemmen en maakt onderhoud zo efficiënter.

Dit blijkt uit een groot onderzoek van meerdere universiteiten en industriën onder de naam ReMAP. TU Delft is projectleider. De Nederlandse universiteit noemt het onderzoek en de ontwikkelde AI-modellen een belangrijke stap in de modernisering van vliegtuigonderhoud.

Integrated Fleet Health Management

ReMAP is een door Horizon 2020 gefinancierd project. Het project is op 1 juni 2018 gestart en loopt eind deze maand ten einde. ReMAP moet bijdragen aan de leidende positie van Europa op het gebied van luchtvaart door de ontwikkeling van een open source-oplossing voor vliegtuigonderhoud. Dit systeem wordt ook wel het Integrated Fleet Health Management (IFHM) systeem genoemd. Het systeem vervangt onderhoud op vaste periodieke momenten met een adaptief onderhoudsmodel. Bij dit model wordt onderhoud uitgevoerd op het moment dat dit daadwerkelijk nodig is.

De volgende partijen zijn bij ReMAP betrokken:

• Technische Universiteit Delft (NL)
• ATOS Spain S.A. (SP)
• Cedrat Technologies (FR)
• Collins Aerospace (IE)
• École National Supérieure d’Arts et Métiers (FR)
• Embraer Portugal S.A. (PT)
• Instituto Pedro Nunes (PT)
• KLM Royal Dutch Airlines (NL)
• Office National D’Etudes et de Recherches Aerospatiales – ONERA (FR)
• Optimal Solutions (PT)
• Smartec SA (CH)
• University of Coimbra (PT)
• University of Patras (GR)

Van vaste onderhoudsmomenten naar continue gezondheidsmonitoring

Projectleider Bruno Santos, Assistant Professor Airline Operations, zegt in een nieuwsbericht: “We zijn erin geslaagd het complete onderhoudsproces van verschillende vliegtuigvloten te modelleren. Hiermee wordt het in de toekomst mogelijk om het huidige vliegtuigonderhoud op basis van vaste tijdsintervallen, en onderhoud als gevolg van defecten, te transformeren naar continue gezondheidsmonitoring van systemen. Systemen worden dan vervangen precies wanneer dat nodig is, wat verspilling tegengaat. Daarnaast heeft het team het complexe proces van onderhoudsplanning gemodelleerd, iets wat momenteel grotendeels met de hand gebeurt. Hierin wordt ook rekening gehouden met veranderingen en verstoringen, zodat het de praktijk beter benadert dan de bestaande statische modellen. Onderhoud kan hierdoor verder vooruit worden gepland.”

De potentiële besparing op vliegtuigonderhoud is groot. Alleen al in Europa kan de besparing naar verwachting oplopen tot 700 miljoen euro op jaarbasis, schat de adviesraad voor Luchtvaartonderzoek in Europa (ACARE).

Maanden vooruit plannen

Paul Chün, Vice President Technology Hub KLM Engineering & Maintenance: “We kunnen met dit concept overwegen om de huidige handmatige onderhoudsplanning, van hooguit enkele weken vooruit, te vervangen door dit automatisch planningsproces waarmee we enkele maanden vooruit kunnen plannen. Het voordeel voor reizigers is duidelijk: minder ongepland onderhoud resulteert in minder vertraging en annulering van vluchten.”

Santos: “Met onze geïntegreerde ReMAP-aanpak hebben we een belangrijke bijdrage geleverd om conditie-gestuurd onderhoud optimaal toe te kunnen passen in de commerciële luchtvaartindustrie. Verder hebben we een open IT-platform ontwikkeld waarmee AI-ontwikkelaars hun prognoses of planningsalgoritmen met een paar klikken kunnen laten draaien op basis van werkelijke operationele gegevens. Dit bevordert de ontwikkeling van innovatieve oplossingen van derden, om van onderhoud met vaste tijdsintervallen snel te gaan naar een echt adaptieve, conditie-gebaseerde onderhoudsbenadering in het gereguleerde luchtvaartdomein.”

Schade aan composiet vliegtuigstructuren opsporen

Naast het onderzoek naar AI-modellen maken ook andere onderzoeken deel uit van ReMAP. Een van deze onderzoeken richt zich op mogelijkheden voor het gebruik van diagnose- en prognose-modellen voor composiet vliegtuigstructuren. Handmatige inspecties van deze structuren is tijdrovend. Zo is schade aan composiet vliegtuigstructuren vaak niet zichtbaar aan het oppervlak. Dit bemoeilijkt het opsporen van beschadigingen.

Binnen het ReMAP-project zijn diagnose- en prognosesystemen ontwikkeld die AI gebruiken voor het in kaart brengen van schade, lokaliseren van schade en bepalen van de ernst van schade. Dit model is twee jaar lang getest door de Faculteit voor Luchtvaart- en Ruimtevaarttechniek van de TU Delft en de Universiteit van Patras (GR). Op basis van deze testperiode is een publieke kennisbank opgezet.

Auteur: Wouter Hoeffnagel
Foto: Free-Photos via Pixabay