利用生存分析增强飞机引擎的预测性维护

介绍

为什么要用生存分析进行预测性维护？

生存分析起源于医疗保健领域，用于估计患者的生存时间，但它可以应用于任何需要预测“事件发生时间”的领域。在航空领域，“事件发生时间”可能指的是预测引擎故障发生的时间或下一次必要维护间隔。使用生存分析进行预测性维护提供了几个优势：

生存分析基础：Kaplan-Meier估计器

Kaplan-Meier估计器是生存分析中最常用的工具之一。它计算超过给定时间点的生存概率，并能处理被删失数据（例如，像故障这样的事件尚未发生的情况）。这对于MRO团队来说是理想的，因为他们可以估计仍在服役的引擎的生存概率，并预测未来的维护需求。

让我们深入研究代码！

第一步：设置您的环境

首先，确保你已经安装了必要的Python包。你需要安装pandas和lifelines库。

pip install pandas lifelines

‍

步骤2：使用Kaplan-Meier估计器计算生存概率

我们现在可以使用 lifelines 库中的 Kaplan-Meier 估计器来分析引擎的生存概率。这个估计器将有助于预测引擎持续运作超过特定小时数的可能性。

‍

from lifelines import KaplanMeierFitter import matplotlib.pyplot as plt
# 实例化KaplanMeierFitter模型
kmf = KaplanMeierFitter()

# 使用数据拟合模型
kmf.fit(durations=engine_df['Operating_Hours'], event_observed=engine_df['Event'])
# 绘制生存函数 plt.figure(figsize=(10, 6)) kmf.plot_survival_function() plt.title("发动机寿命的Kaplan-Meier生存估计") plt.xlabel("运行时间") plt.ylabel("生存概率") plt.grid() plt.show()

生存函数图为我们清晰地展示了随着运行时间的增加，生存概率是如何下降的。曲线上的每一个下降代表了一个观察到的故障，而平稳的部分则代表没有发生故障的时期。

步骤3：解读Kaplan-Meier结果

Kaplan-Meier 曲线显示了引擎超过特定运行时间的存活概率。例如，如果曲线在 3,000 小时显示出 0.8 的存活概率，这意味着有 80% 的机会引擎会持续运行超过 3,000 小时。这些洞察使得 MRO 团队能够在达到关键故障点之前安排维护。

步骤4：估算预测性维护的平均生存时间

平均存活时间提供了大多数引擎需要维护或可能失败的估计时间。这可以指导维护间隔的决策。

# 获取平均存活时间（预期寿命）mean_survival_time = kmf.median_survival_time_
print(f"预计中位存活时间：{mean_survival_time}小时")

这个结果告诉我们预计有50%的发动机在运行多少小时后需要维护。

步骤5：高级场景 – 比较引擎类型

如果您的数据集包含多种引擎类型，您可以比较这些组之间的生存曲线。例如，我们可以添加一个用于引擎类型的列，并比较不同类型的生存估计。

# 更新数据集，为比较引擎添加发动机类型 engine_df['Engine_Type'] = ['A', 'A', 'B', 'B', 'A', 'A', 'B', 'B', 'A', 'B']
# 实例化Kaplan-Meier模型
kmf_a = KaplanMeierFitter()
kmf_b = KaplanMeierFitter()

# 为发动机类型A拟合并绘制生存函数 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='发动机类型 A') kmf_a.plot_survival_function() # 为发动机类型B拟合并绘制生存函数 kmf_b.fit(engine_df[engine_df['Engine_Type'] == 'B']['Operating_Hours'], event_observed=engine_df[engine_df['Engine_Type'] == 'B']['Event'], label='发动机类型 B') kmf_b.plot_survival_function() plt.title("Kaplan-Meier生存估计按发动机类型") plt.xlabel("运行小时") plt.ylabel("生存概率") plt.legend() plt.grid() plt.show()

比较不同引擎类型的生存曲线可以揭示某一类型是否通常比另一类型更耐用，帮助维修、维护和大修（MRO）团队决定采购、优先分配资源或根据引擎特性调整维护间隔。

步骤6：使用生存分析来提出维护建议

通过生存分析，我们可以根据生存概率而不是固定的时间表来设置维护间隔。例如，如果生存概率在4000小时显著下降，可以在此时间前后安排维护，以最小化故障风险。

# 计算在特定时间的生存概率 time_point = 4000 survival_prob_at_time_point = kmf.predict(time_point)
print(f"在 {time_point} 小时运行时间的生存概率：{survival_prob_at_time_point:.2f}")

这个结果提供了在特定时间的生存概率，帮助您确定关键的维护点。如果概率低，理想情况下应在这个阈值之前进行维护。

结论

生存分析为MRO团队提供了强大的洞察力，用于主动的、数据驱动的维护规划。通过估计发动机的剩余使用寿命，我们可以避免意外故障，并优化维护任务的时机。虽然我们在这里展示了Kaplan-Meier估计器，但生存分析还包括更高级的技术（如Cox比例风险模型）用于复杂的预测性维护场景。

关键要点关键要点

预测性维护在航空业是一个游戏规则改变者，它允许航空公司和MRO团队提高效率和可靠性。在ePlaneAI，我们专注于利用先进的ML模型，如生存分析，来转变MRO操作并保持您的飞机在空中。

‍