Modelo de detección de fallas y faltas para sistema neumático de turbinas de aviones Boeing 767 a través de machine learning

Abstract

A la hora de mejorar la confiabilidad de un sistema, y a su vez, reducir los costos de operación y mantención en equipos utilizados en la industria, es fundamental contar con un plan efectivo para la gestión de activos físicos. En particular, para sistemas complejos como dispositivos de aviones, es necesario mantener un registro cuantitativo y dinámico del estado de los activos, principalmente de los desgastes que estos hayan recibido durante su período de operación. Esto, dado a que una falla del sistema puede conllevar severas consecuencias como pérdidas de producción o de vidas humanas. En aviones Boeing 767, se tienen diversos sistemas que operan de forma neumática, tales como: Presurización de la cabina, sistema anti-hielo, sistema de frenos, etc. Por esto, dichos aviones son provistos por un sistema neumático en cada turbina, de las cuales se extrae aire a alta presión para luego circular a través de tres válvulas y un enfriador, regulando su presión y temperatura de acuerdo a las necesidades de los sistemas nombrados anteriormente. Así, considerando la importancia que posee el sistema neumático de turbinas en aviones Boeing 767, se presenta el siguiente trabajo de título, el cual tiene como objetivo desarrollar un modelo de diagnóstico y detección de daños en la Pressure Regulating Valve (PRV). En particular, se busca analizar el historial de funcionamiento de las distintos componentes que forman el sistema neumático, de acuerdo a una base de datos otorgado por una aerolínea, consistente en un total de 35 vuelos. Se realiza un análisis de datos para diagnosticar y detectar los daños basados en la información entregada en tiempo real por los distintos sensores que posee el sistema neumático de las turbinas. Se determina que las variables más relevantes para la evaluación del funcionamiento de la PRV son la presión a la salida de esta, junto con la temperatura a la salida del enfriador. Se utiliza Support Vector Machine (SVM) para clasificación binaria y múltiple,asignando clases de Falla , Deteriorado u Operacional según corresponda, y utilizando como vector de entrada las variables ya mencionadas. Utilizando MATLAB R2015a para el entrenamiento, se obtienen tres SVM distintos. El primero corresponde a un grupo de vuelos asociados a una sola aeronave, mientras que el segundo grupo representa vuelos de distintos aviones con distintas rutas, ambos resultando en una clasificación exitosa del 100 %. Por otro lado, el tercer grupo corresponde a una mezcla de los dos grupos anteriores, resultando en una clasificación exitosa del 99.97 %. La representación de los entrenamientos se muestra gráficamente en la separación de clases, así como también en un archivo Excel que contiene las funciones de decisión, el cual queda adisposición para el uso privado de la empresa.