Amélioration de la maintenance prédictive des moteurs d'avions par l'analyse de survie

Introduction

Pourquoi utiliser l'analyse de survie pour la maintenance prédictive ?

L'analyse de survie a été initiée dans le domaine de la santé pour estimer les temps de survie des patients, mais elle peut être appliquée à tout domaine où il est nécessaire de prédire le « temps avant un événement ». Dans l'aviation, le « temps avant un événement » pourrait se référer à la prédiction du temps jusqu'à une défaillance du moteur ou jusqu'au prochain intervalle de maintenance nécessaire. Utiliser l'analyse de survie pour la maintenance prédictive offre plusieurs avantages :

Notions de base de l'analyse de survie : L'estimateur de Kaplan-Meier

L'estimateur de Kaplan-Meier est l'un des outils les plus courants en analyse de survie. Il calcule la probabilité de survie après un point temporel donné, en prenant en compte les données censurées (cas où un événement, tel qu'une défaillance, n'est pas encore survenu). Cela est idéal pour les équipes de MRO, car elles peuvent estimer les probabilités de survie pour les moteurs toujours en service et prévoir les besoins de maintenance futurs.

Plongeons dans le code !

Étape 1 : Préparation de votre environnement

Tout d'abord, assurez-vous d'avoir installé les paquets Python nécessaires. Vous aurez besoin des bibliothèques pandas et lifelines.

pip install pandas lifelines

‍

Étape 2 : Calcul des probabilités de survie avec l'estimateur de Kaplan-Meier

Nous pouvons maintenant utiliser l'estimateur de Kaplan-Meier de la bibliothèque lifelines pour analyser les probabilités de survie des moteurs. Cet estimateur aidera à prédire la probabilité qu'un moteur continue de fonctionner au-delà d'un certain nombre d'heures.

‍

from lifelines import KaplanMeierFitter import matplotlib.pyplot as plt
# Instancier le modèle KaplanMeierFitter
kmf = KaplanMeierFitter()

# Ajuster le modèle en utilisant les données
kmf.fit(durations=engine_df['Operating_Hours'], event_observed=engine_df['Event'])
# Tracer la fonction de survie plt.figure(figsize=(10, 6)) kmf.plot_survival_function() plt.title("Estimation de survie de Kaplan-Meier pour la durée de vie du moteur") plt.xlabel("Heures de fonctionnement") plt.ylabel("Probabilité de survie") plt.grid() plt.show()

Le graphique de la fonction de survie nous offre une vue claire de la manière dont la probabilité de survie diminue à mesure que les heures de fonctionnement augmentent. Chaque chute de la courbe représente une défaillance observée, tandis que les segments constants représentent des périodes sans événements de défaillance.

Étape 3 : Interprétation des résultats de Kaplan-Meier

La courbe de Kaplan-Meier indique la probabilité qu'un moteur survive au-delà d'un certain nombre d'heures de fonctionnement. Par exemple, si la courbe montre une probabilité de survie de 0,8 à 3 000 heures, cela signifie qu'il y a 80 % de chances qu'un moteur continue de fonctionner au-delà de 3 000 heures. Ces informations permettent aux équipes de MRO de planifier la maintenance avant d'atteindre des points de défaillance critiques.

Étape 4 : Estimation du temps de survie moyen pour la maintenance prédictive

Le temps moyen de survie fournit une estimation du moment où la plupart des moteurs nécessiteront une maintenance ou pourraient tomber en panne. Cela peut guider les décisions concernant les intervalles de maintenance.

# Obtenez le temps de survie moyen (espérance de vie) mean_survival_time = kmf.median_survival_time_
print(f"Temps de survie médian estimé : {mean_survival_time} heures")

Ce résultat nous indique le nombre estimé d'heures de fonctionnement après lesquelles 50 % des moteurs devraient nécessiter une maintenance.

Étape 5 : Scénario avancé – Comparaison des types de moteurs

Si votre jeu de données contient plusieurs types de moteurs, vous pouvez comparer les courbes de survie entre ces groupes. Par exemple, nous pouvons ajouter une colonne pour le Type_de_Moteur et comparer les estimations de survie pour les différents types.

# Mettre à jour le jeu de données avec les types de moteurs pour le moteur de comparaison engine_df['Engine_Type'] = ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'B']
# Instancier le modèle Kaplan-Meier
kmf_a = KaplanMeierFitter()
kmf_b = KaplanMeierFitter()

# Ajuster et tracer la fonction de survie pour le Type de moteur 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='Type de moteur A') kmf_a.plot_survival_function() # Ajuster et tracer la fonction de survie pour le Type de moteur B kmf_b.fit(engine_df[engine_df['Engine_Type'] == 'B']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'B']['Event'], label='Type de moteur B') kmf_b.plot_survival_function() plt.title("Estimation de survie de Kaplan-Meier par type de moteur") plt.xlabel("Heures de fonctionnement") plt.ylabel("Probabilité de survie") plt.legend() plt.grid() plt.show()

Comparer les courbes de survie entre différents types de moteurs révèle si un type dure généralement plus longtemps qu'un autre, aidant ainsi les équipes de MRO à prendre des décisions concernant l'approvisionnement, la priorisation des ressources ou l'ajustement des intervalles de maintenance en fonction des caractéristiques des moteurs.

Étape 6 : Utilisation de l'analyse de survie pour faire des recommandations de maintenance

En utilisant l'analyse de survie, nous pouvons établir des intervalles de maintenance basés sur les probabilités de survie plutôt que sur des calendriers fixes. Par exemple, si la probabilité de survie diminue considérablement à 4 000 heures, la maintenance pourrait être planifiée autour de ce moment pour minimiser le risque de défaillance.

# Calculer la probabilité de survie à un moment spécifique time_point = 4000 survival_prob_at_time_point = kmf.predict(time_point)
print(f"Probabilité de survie à {time_point} heures de fonctionnement : {survival_prob_at_time_point:.2f}")

Ce résultat fournit une probabilité de survie à l'instant spécifié, vous aidant à identifier les points critiques de maintenance. Si la probabilité est faible, la maintenance devrait idéalement avoir lieu avant ce seuil.

Conclusion

L'analyse de survie offre aux équipes de MRO des aperçus puissants pour une planification de la maintenance proactive et basée sur les données. En estimant la durée de vie utile restante des moteurs, nous pouvons éviter les pannes inattendues et optimiser le calendrier des tâches de maintenance. Bien que nous ayons présenté ici l'estimateur de Kaplan-Meier, l'analyse de survie comprend des techniques plus avancées (comme les modèles de risques proportionnels de Cox) pour des scénarios de maintenance prédictive complexes.

Points clés:

La maintenance prédictive est un facteur de changement dans l'aviation, permettant aux compagnies aériennes et aux équipes de MRO d'améliorer l'efficacité et la fiabilité. Chez ePlaneAI, nous sommes spécialisés dans l'exploitation de modèles avancés de ML tels que l'analyse de survie pour transformer les opérations de MRO et maintenir vos appareils en vol.

‍