Aprimorando a Manutenção Preditiva de Motores de Aeronaves Usando Análise de Sobrevivência

Introdução

Por que usar a Análise de Sobrevivência para Manutenção Preditiva?

A análise de sobrevivência teve origem na área da saúde para estimar o tempo de sobrevivência dos pacientes, mas pode ser aplicada em qualquer domínio onde seja necessário prever o "tempo até o evento". Na aviação, "tempo até o evento" pode referir-se a prever o tempo até uma falha do motor ou o próximo intervalo necessário de manutenção. Utilizar a análise de sobrevivência para manutenção preditiva oferece várias vantagens:

Noções Básicas de Análise de Sobrevivência: O Estimador de Kaplan-Meier

O estimador de Kaplan-Meier é uma das ferramentas mais comuns em análise de sobrevivência. Ele calcula a probabilidade de sobrevivência após um determinado ponto no tempo, acomodando dados censurados (casos onde um evento, como falha, ainda não ocorreu). Isso é ideal para equipes de MRO, pois podem estimar as probabilidades de sobrevivência para motores ainda em serviço e projetar futuras necessidades de manutenção.

Vamos mergulhar no código!

Passo 1: Configurando Seu Ambiente

Primeiro, certifique-se de que você tem os pacotes Python necessários instalados. Você precisará das bibliotecas pandas e lifelines.

pip install pandas lifelines

‍

Passo 2: Cálculo das Probabilidades de Sobrevivência com o Estimador de Kaplan-Meier

Agora podemos usar o estimador de Kaplan-Meier da biblioteca lifelines para analisar as probabilidades de sobrevivência dos motores. Esse estimador ajudará a prever a probabilidade de um motor continuar operando além de certas horas.

‍

from lifelines import KaplanMeierFitter import matplotlib.pyplot as plt
# Instantiate the KaplanMeierFitter model
kmf = KaplanMeierFitter()

# Fit the model using the data
kmf.fit(durations=engine_df['Operating_Hours'], event_observed=engine_df['Event'])
# Plot the survival function plt.figure(figsize=(10, 6)) kmf.plot_survival_function() plt.title("Kaplan-Meier Survival Estimate for Engine Life") plt.xlabel("Operating Hours") plt.ylabel("Survival Probability") plt.grid() plt.show()

O gráfico da função de sobrevivência nos oferece uma visão clara de como a probabilidade de sobrevivência diminui à medida que as horas de operação aumentam. Cada queda na curva representa uma falha observada, enquanto os segmentos estáveis representam períodos sem eventos de falha.

Etapa 3: Interpretando os Resultados de Kaplan-Meier

A curva de Kaplan-Meier indica a probabilidade de um motor sobreviver além de certas horas de funcionamento. Por exemplo, se a curva mostra uma probabilidade de sobrevivência de 0,8 às 3.000 horas, isso significa que há 80% de chance de um motor continuar funcionando além das 3.000 horas. Essas informações permitem que as equipes de MRO programem manutenções antes de atingir pontos críticos de falha.

Etapa 4: Estimando o Tempo Médio de Sobrevivência para Manutenção Preditiva

O tempo médio de sobrevivência fornece uma estimativa de quando a maioria dos motores precisará de manutenção ou poderá falhar. Isso pode orientar decisões sobre os intervalos de manutenção.

# Obtenha o tempo médio de sobrevivência (tempo de vida esperado) mean_survival_time = kmf.median_survival_time_
imprima(f"Tempo Médio de Sobrevivência Estimado: {mean_survival_time} horas")

Este resultado indica o número estimado de horas de funcionamento após o qual se espera que 50% dos motores necessitem de manutenção.

Passo 5: Cenário Avançado – Comparando Tipos de Motores

Se o seu conjunto de dados contém vários tipos de motores, você pode comparar as curvas de sobrevivência entre esses grupos. Por exemplo, podemos adicionar uma coluna para Tipo_de_Motor e comparar as estimativas de sobrevivência para os diferentes tipos.

# Atualizar conjunto de dados com Tipos de Motor para motor de comparação 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 e plotar função de sobrevivência para o Tipo de Motor A plt.figure(figsize=(10, 6)) kmf_a.fit(engine_df[engine_df['Engine_Type'] == 'A']['Operating_Hours'], evento_observado=engine_df[engine_df['Engine_Type'] == 'A']['Event'], label='Tipo de Motor A') kmf_a.plot_survival_function() # Ajustar e plotar função de sobrevivência para o Tipo de Motor B kmf_b.fit(engine_df[engine_df['Engine_Type'] == 'B']['Operating_Hours'], evento_observado=engine_df[engine_df['Engine_Type'] == 'B']['Event'], label='Tipo de Motor B') kmf_b.plot_survival_function() plt.title("Estimativa de Sobrevivência de Kaplan-Meier por Tipo de Motor") plt.xlabel("Horas de Operação") plt.ylabel("Probabilidade de Sobrevivência") plt.legend() plt.grid() plt.show()

Comparar curvas de sobrevivência entre tipos de motores revela se um tipo geralmente dura mais do que outro, ajudando as equipes de MRO a decidir sobre aquisições, priorização de recursos ou ajuste dos intervalos de manutenção com base nas características dos motores.

Etapa 6: Utilizando Análise de Sobrevivência para Fazer Recomendações de Manutenção

Usando a análise de sobrevivência, podemos definir intervalos de manutenção baseados em probabilidades de sobrevivência em vez de cronogramas fixos. Por exemplo, se a probabilidade de sobrevivência diminuir significativamente às 4.000 horas, a manutenção poderia ser agendada para esse período a fim de minimizar o risco de falha.

# Calcular a probabilidade de sobrevivência em um tempo específico time_point = 4000 survival_prob_at_time_point = kmf.predict(time_point)
print(f"Probabilidade de Sobrevivência às {time_point} horas de funcionamento: {survival_prob_at_time_point:.2f}")

Este resultado fornece uma probabilidade de sobrevivência no tempo especificado, ajudando a identificar pontos críticos de manutenção. Se a probabilidade for baixa, a manutenção deve idealmente ocorrer antes deste limiar.

Conclusão

A análise de sobrevivência oferece às equipes de MRO insights poderosos para o planejamento de manutenção proativo e baseado em dados. Ao estimar a vida útil restante dos motores, podemos evitar falhas inesperadas e otimizar o momento das tarefas de manutenção. Embora tenhamos mostrado aqui o estimador de Kaplan-Meier, a análise de sobrevivência inclui técnicas mais avançadas (como os modelos de riscos proporcionais de Cox) para cenários complexos de manutenção preditiva.

Principais Conclusões:

A manutenção preditiva é um fator de mudança no setor da aviação, permitindo que companhias aéreas e equipes de MRO melhorem a eficiência e a confiabilidade. Na ePlaneAI, somos especializados em utilizar modelos avançados de ML, como a análise de sobrevivência, para transformar as operações de MRO e manter suas aeronaves no ar.

‍