تعزيز الصيانة التنبؤية لمحركات الطائرات باستخدام تحليل البقاء

مقدمة

لماذا نستخدم تحليل البقاء للصيانة التنبؤية؟

تنبع تحليلات البقاء من مجال الرعاية الصحية لتقدير أوقات بقاء المرضى، ولكن يمكن تطبيقها في أي مجال يتطلب التنبؤ بـ"زمن الحدث". في مجال الطيران، قد يشير "زمن الحدث" إلى التنبؤ بالوقت حتى حدوث عطل في المحرك أو حتى الفترة الضرورية القادمة للصيانة. يوفر استخدام تحليلات البقاء للصيانة التنبؤية عدة مزايا:

أساسيات تحليل البقاء: مُقدِّر كابلان-ماير

مُقدّر كابلان-ماير هو أحد أكثر الأدوات شيوعًا في تحليل البقاء على قيد الحياة. يحسب احتمال البقاء بعد نقطة زمنية معينة، مع مراعاة البيانات المحجوبة (الحالات التي لم يحدث فيها حدث ما، مثل الفشل، بعد). هذا مثالي لفرق الصيانة والإصلاح والتشغيل، حيث يمكنهم تقدير احتمالات البقاء للمحركات التي لا تزال قيد الخدمة وتوقع الاحتياجات الصيانة المستقبلية.

هيا بنا نغوص في الكود!

الخطوة 1: إعداد بيئة العمل الخاصة بك

أولاً، تأكد من تثبيت حزم Python اللازمة. ستحتاج إلى مكتبات pandas و lifelines.

pip install pandas lifelines

‍

الخطوة 2: حساب احتمالات البقاء باستخدام مقدر كابلان-ماير

يمكننا الآن استخدام مقدر كابلان-ماير من مكتبة الخطوط الحياتية لتحليل احتمالات بقاء المحركات. سيساعد هذا المقدر في التنبؤ بإمكانية استمرار المحرك في العمل لساعات معينة.

‍

من lifelines استورد KaplanMeierFitter استورد matplotlib.pyplot باسم plt
# إنشاء نموذج KaplanMeierFitter
kmf = KaplanMeierFitter()

# تهيئة النموذج باستخدام البيانات
kmf.fit(durations=engine_df['Operating_Hours'], event_observed=engine_df['Event'])
# رسم دالة البقاء plt.figure(figsize=(10, 6)) kmf.plot_survival_function() plt.title("تقدير بقاء كابلان-ماير لعمر المحرك") plt.xlabel("ساعات التشغيل") plt.ylabel("احتمالية البقاء") plt.grid() plt.show()

يوفر لنا رسم دالة البقاء نظرة واضحة على كيفية انخفاض احتمالية البقاء مع زيادة ساعات التشغيل. كل انخفاض في المنحنى يمثل حالة فشل ملاحظة، بينما تمثل الأجزاء المستقرة فترات بدون أحداث فشل.

الخطوة 3: تفسير نتائج كابلان-ماير

تُشير منحنى كابلان-ماير إلى احتمالية استمرار محرك ما في العمل لما بعد عدد معين من ساعات التشغيل. على سبيل المثال، إذا أظهر المنحنى احتمالية بقاء بنسبة 0.8 عند 3000 ساعة، فهذا يعني أن هناك فرصة بنسبة 80% لاستمرار المحرك في العمل لما بعد 3000 ساعة. تسمح هذه الرؤى لفرق الصيانة وإعادة التأهيل والتشغيل بجدولة الصيانة قبل الوصول إلى نقاط الفشل الحرجة.

الخطوة 4: تقدير متوسط ​​زمن البقاء للصيانة التنبؤية

يوفر متوسط ​​زمن البقاء تقديرًا للوقت الذي ستحتاج فيه معظم المحركات إلى صيانة أو قد تتعطل. يمكن أن يوجه هذا القرارات المتعلقة بفترات الصيانة.

# احصل على متوسط وقت البقاء على قيد الحياة (العمر المتوقع) mean_survival_time = kmf.median_survival_time_
print(f"الوقت المتوسط المقدر للبقاء على قيد الحياة: {mean_survival_time} ساعات")

هذه النتيجة تخبرنا بالعدد التقديري لساعات التشغيل التي بعدها يُتوقع أن يحتاج 50% من المحركات إلى صيانة.

الخطوة 5: سيناريو متقدم - مقارنة أنواع المحركات

إذا كانت مجموعة البيانات الخاصة بك تحتوي على أنواع محركات متعددة، يمكنك مقارنة منحنيات البقاء على قيد الحياة عبر هذه المجموعات. على سبيل المثال، يمكننا إضافة عمود لنوع المحرك ومقارنة تقديرات البقاء لأنواع مختلفة.

# تحديث مجموعة البيانات بأنواع المحركات لمحرك المقارنة engine_df['Engine_Type'] = ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'B']
# إنشاء نموذج كابلان-ماير
kmf_a = KaplanMeierFitter()
kmf_b = KaplanMeierFitter()

# تناسب ورسم وظيفة البقاء لنوع المحرك A plt.figure(figsize=(10, 6)) kmf_a.fit(engine_df[engine_df['Engine_Type'] == 'A']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'A']['Event'], label='نوع المحرك A') kmf_a.plot_survival_function() # تناسب ورسم وظيفة البقاء لنوع المحرك B kmf_b.fit(engine_df[engine_df['Engine_Type'] == 'B']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'B']['Event'], label='نوع المحرك B') kmf_b.plot_survival_function() plt.title("تقدير بقاء كابلان-ماير حسب نوع المحرك") plt.xlabel("ساعات التشغيل") plt.ylabel("احتمال البقاء") plt.legend() plt.grid() plt.show()

مقارنة منحنيات البقاء على قيد الحياة عبر أنواع المحركات تكشف إذا كان نوع ما يدوم عمومًا أطول من نوع آخر، مما يساعد فرق الصيانة والإصلاح والتشغيل على اتخاذ قرارات بشأن الشراء، وتحديد أولويات الموارد، أو تعديل فترات الصيانة استنادًا إلى خصائص المحرك.

الخطوة 6: استخدام تحليل البقاء لتقديم توصيات الصيانة

باستخدام تحليل البقاء، يمكننا تحديد فترات الصيانة استنادًا إلى احتمالات البقاء بدلاً من الجداول الزمنية الثابتة. على سبيل المثال، إذا انخفضت احتمالية البقاء بشكل ملحوظ عند 4000 ساعة، يمكن جدولة الصيانة حول ذلك الوقت لتقليل خطر الفشل.

# احسب احتمال البقاء في وقت محدد time_point = 4000 survival_prob_at_time_point = kmf.predict(time_point)
print(f"احتمال البقاء عند {time_point} ساعات تشغيل: {survival_prob_at_time_point:.2f}")

هذه النتيجة تعطي احتمالية البقاء في الوقت المحدد، مما يساعدك على تحديد نقاط الصيانة الحرجة. إذا كانت الاحتمالية منخفضة، فيجب أن تتم الصيانة قبل هذا العتبة.

الخاتمة

توفر تحليلات البقاء لفرق الصيانة والإصلاح والتشغيل رؤى قوية للتخطيط الاستباقي للصيانة المستندة إلى البيانات. من خلال تقدير العمر الافتراضي المتبقي للمحركات، يمكننا تجنب الأعطال غير المتوقعة وتحسين توقيت مهام الصيانة. بينما قدمنا هنا مقدر كابلان-ماير، يشمل تحليل البقاء تقنيات أكثر تقدمًا (مثل نماذج مخاطر كوكس النسبية) لسيناريوهات الصيانة التنبؤية المعقدة.

النقاط الرئيسية:

الصيانة التنبؤية تُعد تغييرًا جذريًا في مجال الطيران، حيث تسمح لشركات الطيران وفرق الصيانة والإصلاح والتشغيل بتحسين الكفاءة والموثوقية. في ePlaneAI، نحن متخصصون في استخدام نماذج التعلم الآلي المتقدمة مثل تحليل البقاء لتحويل عمليات الصيانة والإصلاح والتشغيل والحفاظ على طائراتكم في الجو.

‍