航空機エンジンの予知保全を生存分析を用いて向上させる

序章

予測保全のために生存分析を使用する理由は何ですか？

生存分析は、患者の生存時間を推定するために医療分野で発祥しましたが、「イベントまでの時間」を予測する必要があるどのドメインにも適用できます。航空分野では、「イベントまでの時間」とは、エンジン故障までの時間や次の必要なメンテナンス間隔を予測することを指すかもしれません。予測保守のための生存分析を使用することにはいくつかの利点があります：

生存分析の基礎：カプラン・マイヤー推定量

カプラン・マイヤー推定量は生存分析で最も一般的なツールの一つです。与えられた時間点を過ぎた生存確率を計算し、打ち切りデータ（例えば、故障などのイベントがまだ発生していないケース）を考慮に入れます。これはMROチームにとって理想的で、現役サービス中のエンジンの生存確率を推定し、将来のメンテナンスニーズを予測することができます。

コードに飛び込もう！

ステップ1: 環境構築

まず、必要なPythonパッケージがインストールされていることを確認してください。pandasとlifelinesライブラリが必要になります。

pip install pandas lifelines

‍

ステップ2: カプラン・マイヤー推定量を用いた生存確率の計算

私たちは今、エンジンの生存確率を分析するためにlifelinesライブラリからカプラン・マイヤー推定量を使用することができます。この推定量は、エンジンが特定の時間を超えて稼働し続ける可能性を予測するのに役立ちます。

‍

from lifelines import KaplanMeierFitter import matplotlib.pyplot as plt
# KaplanMeierFitterモデルをインスタンス化する
kmf = KaplanMeierFitter()

# データを使用してモデルにフィットさせる
kmf.fit(durations=engine_df['Operating_Hours'], event_observed=engine_df['Event'])
# 生存関数をプロットする plt.figure(figsize=(10, 6)) kmf.plot_survival_function() plt.title("エンジン寿命のカプラン・マイヤー生存推定") plt.xlabel("稼働時間") plt.ylabel("生存確率") plt.grid() plt.show()

生存機能のプロットは、稼働時間が増加するにつれて生存確率がどのように減少するかを明確に示しています。曲線の各下降は観測された故障を表し、安定した部分は故障イベントがない期間を表しています。

ステップ3：カプラン・マイヤー法の結果の解釈

カプラン・マイヤー曲線は、エンジンが特定の稼働時間を超えて生存する確率を示しています。例えば、曲線が3,000時間で生存確率0.8を示している場合、これはエンジンが3,000時間を超えて稼働し続ける可能性が80％であることを意味します。これらの洞察により、MROチームは重大な故障点に達する前にメンテナンスをスケジュールすることができます。

ステップ4: 予測保全のための平均稼働時間の推定

平均生存時間は、ほとんどのエンジンがメンテナンスを必要とするか、故障する可能性がある時期を推定するものです。これにより、メンテナンス間隔の決定に役立ちます。

# 平均生存時間（予想される寿命）を取得 mean_survival_time = kmf.median_survival_time_
print(f"推定中央値生存時間：{mean_survival_time}時間")

この結果からは、エンジンの50％がメンテナンスを必要とすると予想される稼働時間の推定値がわかります。

ステップ5: アドバンスドシナリオ – エンジンタイプの比較

データセットに複数のエンジンタイプが含まれている場合、これらのグループ間で生存曲線を比較することができます。例えば、Engine_Typeという列を追加して、異なるタイプの生存推定を比較することができます。

# 比較エンジン用のデータセットをエンジンタイプで更新 engine_df['Engine_Type'] = ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'B']
# Kaplan-Meierモデルのインスタンス化
kmf_a = KaplanMeierFitter()
kmf_b = KaplanMeierFitter()

# エンジンタイプAの生存関数をフィットしてプロット 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='エンジンタイプA') kmf_a.plot_survival_function() # エンジンタイプBの生存関数をフィットしてプロット kmf_b.fit(engine_df[engine_df['Engine_Type'] == 'B']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'B']['Event'], label='エンジンタイプB') kmf_b.plot_survival_function() plt.title("Kaplan-Meier 生存推定によるエンジンタイプ別") plt.xlabel("稼働時間") plt.ylabel("生存確率") plt.legend() plt.grid() plt.show()

エンジンの種類による生存曲線を比較することで、ある種類が他の種類より一般的に長持ちするかどうかが明らかになり、MROチームが調達を決定したり、リソースの優先順位を決めたり、エンジンの特性に基づいてメンテナンス間隔を調整したりする際に役立ちます。

ステップ6: サバイバル分析を使用してメンテナンスの推奨事項を出す

生存分析を用いることで、定期的なスケジュールに基づくのではなく、生存確率に基づいて保守間隔を設定することができます。例えば、生存確率が4,000時間で著しく低下する場合、故障リスクを最小限に抑えるためにその時点を中心にメンテナンスをスケジュールすることができます。

# 特定の時間での生存確率を計算する time_point = 4000 survival_prob_at_time_point = kmf.predict(time_point)
print(f"{time_point}稼働時間における生存確率: {survival_prob_at_time_point:.2f}")

この結果は指定された時間における生存確率を示し、重要なメンテナンスポイントを特定するのに役立ちます。確率が低い場合、理想的にはこの閾値を超える前にメンテナンスを行うべきです。

結論

生存分析は、MROチームに予防的でデータ駆動型のメンテナンス計画のための強力な洞察を提供します。エンジンの残存有用寿命を推定することで、予期せぬ故障を避け、メンテナンス作業のタイミングを最適化することができます。ここではカプラン・マイヤー推定量を示しましたが、生存分析には、複雑な予測保守シナリオに対応するためのより高度な技術（コックス比例ハザードモデルのような）が含まれています。

主なポイント主なポイント

予測保全は航空業界において画期的な変化をもたらし、航空会社とMROチームが効率と信頼性を向上させることを可能にします。ePlaneAIでは、生存分析のような高度なMLモデルを活用してMROオペレーションを変革し、お客様の航空機が空中に留まるよう支援しています。

‍