Lợi nhuận:
- Khả năng phân biệt phân tích xu hướng, bất thường và tiên lượng (RUL) và sử dụng trí tuệ nhân tạo làm điểm đánh dấu mẫu trong dữ liệu cảm biến
- Khả năng phân biệt bằng xác nhận vật lý xem sự bất thường có phải do chuỗi đo lường (cảm biến/cáp/hiệu chuẩn) hoặc thành phần gây ra hay không
- Khả năng hiểu rằng dự đoán tiên lượng không phải là ngày chính xác và chỉ có chương trình của nhà sản xuất được phê duyệt mới xác định được khoảng thời gian bảo trì.
Bảo trì máy bay dao động giữa ba triết lý lập kế hoạch. Bảo trì khắc phục sửa chữa lỗi sau khi nó xảy ra. Bảo trì phòng ngừa/định kỳ thay thế các bộ phận vào một giờ hoặc chu kỳ bay nhất định. Bảo trì dự đoán - giám sát tình trạng thực tế của bộ phận và can thiệp "đúng lúc" trước khi nó hỏng - là phương pháp hiện đại nhất và là lĩnh vực mà trí tuệ nhân tạo (AI) mang lại giá trị cao nhất. Trong phần này, chúng tôi sẽ đề cập đến việc đọc xu hướng từ dữ liệu cảm biến, tiên lượng và giới hạn của nó.
Dữ liệu đến từ đâu?
Máy bay hiện đại liên tục tạo ra dữ liệu. Các nguồn chính:
- ACARS/QAR/FDR (Hệ thống báo cáo và đánh địa chỉ liên lạc trên máy bay / Bộ ghi truy cập nhanh / Bộ ghi dữ liệu chuyến bay - hệ thống ghi/truyền thông số chuyến bay): thông số động cơ, trạng thái hệ thống, dữ liệu chuyến bay.
- HUMS (Hệ thống giám sát sức khỏe và sử dụng) giám sát độ rung và tình trạng hộp số, đặc biệt là trên máy bay trực thăng): độ rung, nhiệt độ, số chu kỳ.
- Giám sát xu hướng động cơ: Giám sát các thông số trong chuyến bay như EGT, N1/N2 (tốc độ cánh quạt động cơ), lưu lượng nhiên liệu, áp suất/nhiệt độ dầu.
- Thông báo bảo trì CMS/CMC và bản ghi BITE.
Dữ liệu này rất lớn và chứa các xu hướng chậm (sự leo thang âm thầm của một giá trị qua các chuyến bay) mà mắt người không thể phát hiện được. Đây là lúc AI và các mô hình thống kê phát huy tác dụng.
Xu hướng, sự bất thường và tiên lượng: ba công việc riêng biệt
Có ba khái niệm không nên nhầm lẫn:
- Phân tích xu hướng: Xu hướng của một tham số theo thời gian. Ví dụ, tổn thất biên EGT là một dấu hiệu cổ điển về sự suy giảm hiệu suất của động cơ.
- Phát hiện bất thường: Sai lệch thống kê/đột ngột so với hành vi dự kiến. Các mô hình AI tìm hiểu mô hình “bình thường” và gắn cờ ngoại lệ.
- Tiên lượng (RUL): Thời gian sử dụng còn lại — ước tính thời gian sử dụng còn lại. "Thành phần này đạt đến giới hạn sau khoảng X chu kỳ." Đây là tham vọng nhất và mơ hồ nhất.
AI hỗ trợ cả ba điều này, nhưng sự không chắc chắn tăng lên với cả ba điều: xu hướng là đáng tin cậy nhất, tiên lượng là suy đoán nhiều nhất. Ước tính RUL không bao giờ là một ngày chính xác; Đó là một phạm vi xác suất và được đánh giá trong khuôn khổ giải thích của kỹ sư và giới hạn của nhà sản xuất (các chương trình bảo trì theo điều kiện, thời gian khó khăn).
Thận trọng: Ước tính mang tính tiên lượng là một yếu tố kích thích tốt để “xem xét sớm hơn”; Việc “Xóa trước giới hạn” hoặc “mở rộng giới hạn” là không thể biện minh được. Khoảng thời gian bảo trì chỉ được xác định theo chương trình bảo trì đã được phê duyệt (MPD/MRB) và giới hạn của nhà sản xuất. Dự đoán của AI không thay đổi những điều này, nó chỉ thu hút sự chú ý.
Hai loại lỗi: lỗi bỏ sót và báo động sai
Hệ thống dự đoán có rủi ro hai chiều. Âm tính giả (lỗi bị bỏ sót): mô hình không gắn cờ sự cố, thành phần bị lỗi đột ngột - rủi ro an toàn. Dương tính giả (báo động sai): đánh dấu sự cố không theo mẫu, tháo gỡ không cần thiết, chi phí không cần thiết và - quan trọng - nguy cơ xuất hiện các lỗi mới trong quá trình tháo gỡ không cần thiết (lỗi do bảo trì). Một chương trình tốt sẽ cân bằng được cả hai điều đó; Thật sai lầm khi thay thế các bộ phận một cách mù quáng mỗi khi có báo động và bỏ qua mọi báo động. AI đánh dấu mẫu; Kỹ sư xác định ngưỡng và can thiệp.
Mẹo: Bắt đầu báo thức bằng câu hỏi "tại sao lại là bây giờ?" hỏi. Đây có phải là một xu hướng thực sự hoặc lỗi cảm biến/dữ liệu? Một phần của sự bất thường không nằm ở thành phần mà nằm ở chuỗi đo lường (cảm biến, cáp, hiệu chuẩn). Đừng nói "trục trặc" mà không có xác nhận vật lý.
ba trường hợp nhỏ
Trường hợp 1 - Ký quỹ EGT cảnh báo xu hướng sớm. Biên độ EGT của một động cơ đã giảm dần 6°C trong 60 chuyến bay gần đây nhất. Nó không đáng chú ý khi nhìn vào các chuyến bay riêng lẻ; Biểu đồ xu hướng AI đã thể hiện xu hướng đó một cách rõ ràng. Kỹ sư đã lên lịch kiểm tra nội soi theo hướng dẫn xu hướng của nhà sản xuất và phát hiện thấy lưỡi tuabin bị mòn sớm. Sự can thiệp có kế hoạch đã được đưa ra thay vì thất bại bất ngờ; đạt được: ngăn chặn sự cố AOG (Máy bay trên mặt đất).
Trường hợp 2 - Báo động sai bị săn lùng. HUMS đã kích hoạt cảnh báo rung cho hộp số. Thay vì tháo rời ngay lập tức, trước tiên, nhóm kiểm tra giá đỡ cảm biến và cáp: kết nối của cảm biến rung bị lỏng. Tín hiệu được cải thiện, báo động đã tắt. Tránh được việc tháo dỡ hộp số không cần thiết (chi phí cao + nguy cơ xảy ra lỗi mới).
Trường hợp 3 - Tiên lượng bị sử dụng sai, đã sửa. Người lập kế hoạch muốn trì hoãn việc thay thế một bộ phận dựa trên ước tính của AI về "chu kỳ RUL 300". Kỹ sư cao cấp nhắc nhở: thành phần đó đã ở giới hạn thời gian cứng và đã được cố định trong chương trình đã được phê duyệt. Dự đoán tiên lượng là một khuyến nghị, thời gian khó khăn là một điều cần thiết. Sự thay đổi được thực hiện đúng tiến độ; Một vi phạm tuân thủ có thể đã được ngăn chặn.
Bốn mẫu có thể sao chép
Vai trò: Trợ lý đọc xu hướng động cơ/tham số. Nhiệm vụ: Mô tả xem có bất kỳ xu hướng hoặc sai lệch nào trong các giá trị [tham số] của [N] chuyến bay cuối cùng bên dưới hay không. Quy tắc:- Chỉ mô tả mẫu; KHÔNG chẩn đoán lỗi.- Nếu có sự tăng/giảm đáng kể, hãy cho biết phạm vi bay của nó.- Nhắc nhở rằng việc đánh giá là bước sơ tuyển và các giới hạn được xác định trong chương trình của nhà sản xuất. Dữ liệu: [CSV/dán bảng]
Vai trò: Trợ lý ưu tiên sự bất thường. Nhiệm vụ: Nhóm danh sách cảnh báo/bất thường sau đây thành "yêu cầu xác nhận vật lý trước" và "có thể xảy ra lỗi cảm biến/dữ liệu". Quy tắc: Đề xuất điều đầu tiên cần kiểm tra từng thành phần (cảm biến/cáp/hiệu chuẩn, v.v.); Quyết định cuối cùng là ở kỹ sư. Danh sách: [bản ghi bất thường]
Vai trò: Cảm biến và cố vấn tách thành phần. Nhiệm vụ: Đối với hiện tượng bất thường sau, cho dù chuỗi đo lường (hiệu chuẩn cáp cảm biến) hay thành phần là nghi phạm chính, hãy liệt kê kèm theo lý do. Quy tắc: Kiểm tra chuỗi đo lường trước khi đề xuất thay thế bộ phận. Điều bất thường: [mô tả + dữ liệu]
Vai trò: Trợ lý dự thảo báo cáo xu hướng. Nhiệm vụ: Viết một báo cáo dự thảo ngắn để trình bày cho kỹ sư về việc phát hiện xu hướng sau. Quy tắc:- Tìm kiếm | ý nghĩa có thể (thận trọng) | đề nghị kiểm tra | sử dụng các tiêu đề hướng dẫn có liên quan của nhà sản xuất. - RUL/hẹn hò chính xác; Thêm "với giới hạn của nhà sản xuất và sự chấp thuận của kỹ sư". Phát hiện: [tóm tắt xu hướng]
Dấu nhắc yếu / Dấu nhắc mạnh
Yếu: "Liệu động cơ này có hỏng không? Còn lại bao nhiêu mạng sống của chuyến bay?"
Nó buộc AI phải đưa ra một lời tiên tri dứt khoát; Con số “mạng sống còn lại” được đưa ra là vô căn cứ và nguy hiểm.
Strong: "Dưới đây là giới hạn EGT và giá trị N2 cho 60 chuyến bay gần nhất. Chỉ cần mô tả xu hướng và độ lệch; cho biết nó thay đổi trong khoảng thời gian bay nào; đưa ra chẩn đoán lỗi và xác định tuổi thọ còn lại; nêu rõ rằng đây là sơ tuyển, giới hạn được xác định trong hướng dẫn xu hướng của nhà sản xuất và quyết định tùy thuộc vào kỹ sư."
Lời nhắc này định vị chính xác sự không chắc chắn và để lại quyết định cho con người.
Bảng: Ba loại phân tích và mức độ tin cậy
Phân tích
nó nói gì
tin tưởng
Vai trò phù hợp của AI
xu hướng
hướng xu hướng
cao
Hiển thị thay đổi chậm
sự bất thường
độ lệch đột ngột
trung bình
Đánh dấu ngoại lệ, ưu tiên
Tiên lượng (RUL)
Ước tính tuổi thọ còn lại
Thấp/không rõ ràng
Kích hoạt "Nhìn sớm hơn"
quyết định
Loại bỏ/thay thế/hoãn lại
—
Con người + chương trình đã được phê duyệt
Những lỗi thường gặp
- Tiên lượng sai lầm cho ngày xác định. RUL là một phạm vi xác suất, nó không ghi đè lên thời điểm khó khăn.
- Thay đổi các bộ phận ở mỗi báo động. Cảnh báo sai tạo ra lỗi mới do tháo gỡ.
- Nhầm lỗi cảm biến/dữ liệu với lỗi thành phần. Đầu tiên hãy loại bỏ dây đo.
- Nhìn vào một chuyến bay và bỏ lỡ xu hướng. Xu hướng chậm chỉ xuất hiện trong chuỗi thời gian.
- Đang cố gắng thay đổi khoảng thời gian bảo trì bằng AI. Chỉ có chương trình được phê duyệt mới xác định khoảng thời gian.
Tóm lại
Bảo trì dự đoán là nghệ thuật trích xuất các tín hiệu có ý nghĩa từ dữ liệu cảm biến khổng lồ và AI là một trợ thủ đắc lực ở đây: nó giúp hiển thị các xu hướng chậm, gắn cờ các điểm bất thường, thu hút sự chú ý đến đúng nơi. Nhưng mức độ tin cậy giảm dần theo từng xu hướng; RUL không phải là một ngày chính xác. Với mỗi cảnh báo "cảm biến hay thành phần?" hỏi; Chỉ chương trình của nhà sản xuất được phê duyệt mới xác định khoảng thời gian bảo trì; Quyết định can thiệp và chữ ký thuộc về kỹ sư.
Nhiệm vụ ứng dụng
Đưa chuỗi tham số (ẩn danh) của bạn cho AI với mẫu đầu tiên và nhận công thức xu hướng. Sau đó, phân biệt giữa "cảm biến hoặc thành phần" với mẫu thứ ba. So sánh với hướng dẫn xu hướng thực tế của nhà sản xuất: Xu hướng được đánh dấu bởi AI có thật không, ngưỡng có đúng không? Viết bản đánh giá dài một trang và trả lời câu hỏi "cần kiểm tra thể chất gì?"
danh sách kiểm tra
- [ ] Tôi coi xu hướng, sự bất thường và tiên lượng là những khái niệm riêng biệt.
- [ ] Tôi đã yêu cầu AI mô tả mẫu chứ không phải chẩn đoán.
- [ ] Đối với mỗi điểm bất thường, trước tiên tôi loại bỏ chuỗi đo lường (cảm biến/cáp/hiệu chuẩn).
- [ ] Tôi không sử dụng ước tính RUL làm ngày chính xác.
- [ ] Tôi đã xác định khoảng thời gian bảo trì theo chương trình của nhà sản xuất đã được phê duyệt.
- [ ] Tôi để lại quyết định can thiệp và chữ ký cho kỹ sư.