Повышение эффективности прогнозирующего обслуживания авиационных двигателей с использованием выживаемостного анализа

Введение

Зачем использовать выживаемостный анализ для прогнозирующего обслуживания?

Анализ выживаемости возник в сфере здравоохранения для оценки времени выживания пациентов, но его можно применять в любой области, где необходимо предсказать "время до события". В авиации "время до события" может означать предсказание времени до отказа двигателя или до следующего необходимого технического обслуживания. Использование анализа выживаемости для предиктивного обслуживания предоставляет несколько преимуществ:

Основы анализа выживаемости: оценщик Каплана-Мейера

Оценщик Каплана-Мейера является одним из наиболее распространенных инструментов в анализе выживаемости. Он рассчитывает вероятность выживания после определенного момента времени, учитывая цензурированные данные (случаи, когда событие, такое как отказ, еще не произошло). Это идеально подходит для команд MRO, так как они могут оценивать вероятности выживания для двигателей, все еще находящихся в эксплуатации, и прогнозировать будущие потребности в обслуживании.

Погрузимся в код!

Шаг 1: Настройка рабочего окружения

Во-первых, убедитесь, что у вас установлены необходимые пакеты Python. Вам понадобятся библиотеки pandas и lifelines.

pip install pandas lifelines

‍

Шаг 2: Расчет вероятностей выживания с помощью оценщика Каплана-Мейера

Теперь мы можем использовать оценщик Каплана-Мейера из библиотеки lifelines для анализа вероятностей выживания двигателей. Этот оценщик поможет предсказать вероятность того, что двигатель будет продолжать работать сверх определенного количества часов.

‍

from lifelines import KaplanMeierFitter import matplotlib.pyplot as plt
# Создаем экземпляр модели KaplanMeierFitter
kmf = KaplanMeierFitter()

# Обучаем модель, используя данные
kmf.fit(durations=engine_df['Operating_Hours'], event_observed=engine_df['Event'])
# Строим график функции выживаемости plt.figure(figsize=(10, 6)) kmf.plot_survival_function() plt.title("Оценка выживаемости Каплана-Мейера для срока службы двигателя") plt.xlabel("Часы работы") plt.ylabel("Вероятность выживания") plt.grid() plt.show()

График функции выживаемости наглядно показывает, как вероятность выживания уменьшается с увеличением часов работы. Каждое падение на кривой означает зафиксированный отказ, в то время как устойчивые участки кривой соответствуют периодам без событий отказа.

Шаг 3: Интерпретация результатов метода Каплана-Мейера

Кривая Каплана-Мейера показывает вероятность того, что двигатель проработает определённое количество часов. Например, если по кривой вероятность выживания составляет 0,8 на отметке в 3,000 часов, это означает, что есть 80% шанс, что двигатель будет работать более 3,000 часов. Эти данные позволяют командам по техническому обслуживанию и ремонту (MRO) планировать обслуживание до достижения критических точек отказа.

Шаг 4: Оценка среднего времени до отказа для прогнозирующего обслуживания

Среднее время выживаемости дает оценку времени, когда большинство двигателей потребует технического обслуживания или может выйти из строя. Это может помочь в принятии решений о интервалах технического обслуживания.

# Получить среднее время выживания (ожидаемая продолжительность жизни) mean_survival_time = kmf.median_survival_time_
print(f"Оценочное медианное время выживания: {mean_survival_time} часов")

Этот результат показывает оценочное количество рабочих часов, после которых ожидается, что 50% двигателей потребуют технического обслуживания.

Шаг 5: Продвинутый сценарий – Сравнение типов двигателей

Если ваш набор данных содержит несколько типов двигателей, вы можете сравнить кривые выживаемости для этих групп. Например, мы можем добавить столбец для Engine_Type и сравнить оценки выживаемости для различных типов.

# Обновление набора данных с типами двигателей для сравнения engine_df['Engine_Type'] = ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'B']
# Создание модели Каплана-Мейера
kmf_a = KaplanMeierFitter()
kmf_b = KaplanMeierFitter()

# Подгонка и построение функции выживаемости для типа двигателя 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='Тип двигателя A') kmf_a.plot_survival_function() # Подгонка и построение функции выживаемости для типа двигателя B kmf_b.fit(engine_df[engine_df['Engine_Type'] == 'B']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'B']['Event'], label='Тип двигателя B') kmf_b.plot_survival_function() plt.title("Оценка выживаемости Каплана-Мейера по типу двигателя") plt.xlabel("Часы работы") plt.ylabel("Вероятность выживания") plt.legend() plt.grid() plt.show()

Сравнение кривых выживаемости между типами двигателей показывает, какой тип в целом служит дольше, что помогает командам технического обслуживания и ремонта принимать решения о закупках, распределении ресурсов или корректировке интервалов обслуживания на основе характеристик двигателей.

Шаг 6: Использование выживаемостного анализа для формирования рекомендаций по техническому обслуживанию

Используя анализ выживаемости, мы можем устанавливать интервалы технического обслуживания на основе вероятности выживания, а не фиксированных графиков. Например, если вероятность выживания значительно снижается после 4 000 часов работы, техническое обслуживание может быть запланировано примерно на этот период, чтобы минимизировать риск отказа.

# Рассчитать вероятность выживания в определенный момент времени time_point = 4000 survival_prob_at_time_point = kmf.predict(time_point)
print(f"Вероятность выживания при {time_point} часах работы: {survival_prob_at_time_point:.2f}")

Этот результат показывает вероятность выживания в указанный момент времени, помогая вам определить критические точки обслуживания. Если вероятность низкая, то идеально провести техническое обслуживание до этого порога.

Заключение

Анализ выживаемости предоставляет командам MRO мощные возможности для прогнозирующего планирования технического обслуживания на основе данных. Оценивая оставшийся срок службы двигателей, мы можем избежать неожиданных отказов и оптимизировать время выполнения задач по техническому обслуживанию. Хотя здесь мы показали оценщик Каплана-Мейера, анализ выживаемости включает более продвинутые методы (например, модели пропорциональных рисков Кокса) для сложных сценариев предиктивного обслуживания.

Основные моменты:

Прогнозирующее обслуживание является революционным подходом в авиации, позволяя авиакомпаниям и командам MRO повышать эффективность и надежность. В ePlaneAI мы специализируемся на использовании передовых моделей машинного обучения, таких как анализ выживаемости, для трансформации операций MRO и поддержания ваших воздушных судов в небе.

‍