Mejorando el Mantenimiento Predictivo de Motores de Aviones mediante el Análisis de Supervivencia

Introducción

¿Por qué utilizar el análisis de supervivencia para el mantenimiento predictivo?

El análisis de supervivencia se originó en el sector de la salud para estimar los tiempos de supervivencia de los pacientes, pero se puede aplicar a cualquier dominio donde se necesite predecir el "tiempo hasta el evento". En la aviación, "tiempo hasta el evento" podría referirse a predecir el tiempo hasta una falla del motor o el próximo intervalo de mantenimiento necesario. Utilizar el análisis de supervivencia para el mantenimiento predictivo ofrece varias ventajas:

Conceptos Básicos del Análisis de Supervivencia: El Estimador de Kaplan-Meier

El estimador de Kaplan-Meier es una de las herramientas más comunes en el análisis de supervivencia. Calcula la probabilidad de supervivencia más allá de un punto de tiempo dado, teniendo en cuenta los datos censurados (casos en los que un evento, como una falla, aún no ha ocurrido). Esto es ideal para los equipos de MRO, ya que pueden estimar las probabilidades de supervivencia para motores que aún están en servicio y proyectar las necesidades de mantenimiento futuro.

¡Sumergámonos en el código!

Paso 1: Configurando tu entorno

Primero, asegúrate de tener instalados los paquetes de Python necesarios. Necesitarás las bibliotecas pandas y lifelines.

pip install pandas lifelines

‍

Paso 2: Cálculo de Probabilidades de Supervivencia con el Estimador de Kaplan-Meier

Ahora podemos utilizar el estimador de Kaplan-Meier de la biblioteca lifelines para analizar las probabilidades de supervivencia de los motores. Este estimador ayudará a predecir la probabilidad de que un motor continúe funcionando más allá de ciertas horas.

‍

from lifelines import KaplanMeierFitter import matplotlib.pyplot as plt
# Instanciar el modelo KaplanMeierFitter
kmf = KaplanMeierFitter()

# Ajustar el modelo utilizando los datos
kmf.fit(durations=engine_df['Operating_Hours'], event_observed=engine_df['Event'])
# Graficar la función de supervivencia plt.figure(figsize=(10, 6)) kmf.plot_survival_function() plt.title("Estimación de Supervivencia de Kaplan-Meier para la Vida del Motor") plt.xlabel("Horas de Operación") plt.ylabel("Probabilidad de Supervivencia") plt.grid() plt.show()

La gráfica de la función de supervivencia nos proporciona una visión clara de cómo la probabilidad de supervivencia disminuye a medida que aumentan las horas de operación. Cada caída en la curva representa un fallo observado, mientras que los segmentos constantes representan períodos sin eventos de fallo.

Paso 3: Interpretación de los resultados de Kaplan-Meier

La curva de Kaplan-Meier indica la probabilidad de que un motor sobreviva más allá de ciertas horas de funcionamiento. Por ejemplo, si la curva muestra una probabilidad de supervivencia de 0.8 a las 3,000 horas, esto significa que hay un 80% de posibilidades de que un motor siga funcionando más allá de las 3,000 horas. Estos conocimientos permiten a los equipos de MRO programar el mantenimiento antes de alcanzar puntos críticos de fallo.

Paso 4: Estimación del Tiempo Medio de Supervivencia para el Mantenimiento Predictivo

El tiempo medio de supervivencia proporciona una estimación de cuándo la mayoría de los motores requerirán mantenimiento o podrían fallar. Esto puede guiar las decisiones sobre los intervalos de mantenimiento.

# Obtener el tiempo medio de supervivencia (tiempo de vida esperado) mean_survival_time = kmf.median_survival_time_
print(f"Tiempo Medio de Supervivencia Estimado: {mean_survival_time} horas")

Este resultado nos indica el número estimado de horas de funcionamiento después de las cuales se espera que el 50% de los motores necesiten mantenimiento.

Paso 5: Escenario Avanzado – Comparación de Tipos de Motores

Si su conjunto de datos contiene varios tipos de motores, puede comparar las curvas de supervivencia entre estos grupos. Por ejemplo, podemos añadir una columna para Tipo_de_Motor y comparar las estimaciones de supervivencia para los diferentes tipos.

# Actualizar conjunto de datos con Tipos de Motor para motor de comparación engine_df['Engine_Type'] = ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'B']
# Instanciar modelo Kaplan-Meier
kmf_a = KaplanMeierFitter()
kmf_b = KaplanMeierFitter()

# Ajustar y graficar la función de supervivencia para el Tipo de Motor 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'], etiqueta='Tipo de Motor A') kmf_a.plot_survival_function() # Ajustar y graficar la función de supervivencia para el Tipo de Motor B kmf_b.fit(engine_df[engine_df['Engine_Type'] == 'B']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'B']['Event'], etiqueta='Tipo de Motor B') kmf_b.plot_survival_function() plt.title("Estimación de Supervivencia de Kaplan-Meier por Tipo de Motor") plt.xlabel("Horas de Operación") plt.ylabel("Probabilidad de Supervivencia") plt.legend() plt.grid() plt.show()

Comparar las curvas de supervivencia entre diferentes tipos de motores revela si un tipo generalmente dura más que otro, ayudando a los equipos de MRO a decidir sobre la adquisición, priorizar recursos o ajustar los intervalos de mantenimiento basándose en las características del motor.

Paso 6: Uso del análisis de supervivencia para hacer recomendaciones de mantenimiento

Mediante el análisis de supervivencia, podemos establecer intervalos de mantenimiento basados en probabilidades de supervivencia en lugar de horarios fijos. Por ejemplo, si la probabilidad de supervivencia disminuye significativamente a las 4,000 horas, el mantenimiento podría programarse alrededor de ese tiempo para minimizar el riesgo de fallo.

# Calcular la probabilidad de supervivencia en un tiempo específico time_point = 4000 survival_prob_at_time_point = kmf.predict(time_point)
print(f"Probabilidad de Supervivencia a las {time_point} horas de funcionamiento: {survival_prob_at_time_point:.2f}")

Este resultado proporciona una probabilidad de supervivencia en el tiempo especificado, ayudándote a identificar puntos críticos de mantenimiento. Si la probabilidad es baja, el mantenimiento debería idealmente ocurrir antes de este umbral.

Conclusión

El análisis de supervivencia ofrece a los equipos de MRO perspectivas poderosas para la planificación de mantenimiento proactiva y basada en datos. Al estimar la vida útil restante de los motores, podemos evitar fallos inesperados y optimizar el momento de las tareas de mantenimiento. Aunque hemos mostrado el estimador de Kaplan-Meier aquí, el análisis de supervivencia incluye técnicas más avanzadas (como los modelos de riesgos proporcionales de Cox) para escenarios complejos de mantenimiento predictivo.

Puntos clave:

El mantenimiento predictivo es un cambio radical en la aviación, permitiendo a las aerolíneas y equipos de MRO mejorar la eficiencia y la fiabilidad. En ePlaneAI, nos especializamos en aprovechar modelos avanzados de ML como el análisis de supervivencia para transformar las operaciones de MRO y mantener su aeronave en el aire.

‍