Dissertação

{pt_PT=Aprendizagem máquina para deteção preditiva de falhas no sistema de referência de dados de ar em aeronaves} {} EVALUATED

{pt=Esta tese documenta os vários tipos de dados envolvidos no contexto de uma operadora aérea, tanto a nível operacional como de manutenção. Em aviação o tempo que uma aeronave fica em solo traduz-se em elevados custos. Existem manutenções obrigatórias, previamente planeadas que fazem parte do programa de manutenção de cada aeronave. No entanto, existem outras paralisações não previstas que frequentemente ocorrem causando perturbações operacionais. São estas últimas que se deseja eliminar ou reduzir. Para isso, dados reunidos foram analisados, tendo em vista a análise da sua potencialidade para aplicação de modelos inteligentes, com vista a predizer falhas dos componentes de um importante sistema de navegação (ADR). Desta forma, os eventos associados a essas manutenções não programadas poderão ser antecipados e associados a eventos de manutenções programadas. A análise dos vários tipos de dados é feita com recurso a um conjunto de ferramentas, criadas especificamente no âmbito deste projeto, utilizando linguagem de programação R. Foi igualmente feita uma pesquisa e investigação sobre quais as mensagens de falha e principais razões associadas a falhas no sistema ADR. É feita, de maneira a validar o método utilizado, uma avaliação a alguns casos de estudo, tanto para remoções de um componente de interesse deste sistema, como para uma intervenção do tipo de reprogramação de software. Conclui-se que a abordagem adotada neste trabalho é viável e estima-se que as fontes de dados apresentadas venham a desempenhar um importante papel na criação de variáveis de input para predição., en=The present thesis documents the several sources of data gathered within an aircraft, which can be grouped into operational or maintenance data. In aeronautics the time an aircraft stays on the ground translates into high costs. There is scheduled maintenance which is planned in advance that is simply unavoidable and makes part of the maintenance program. However, there are other events called unscheduled maintenance that frequently occur and lead to operations disturbances. These latter are the ones which are desirable to eliminate or at least reduce. In order to achieve that, the gathered data was analysed, so as to evaluate its potential to be used in machine learning models to predict components faults of an important navigation system (ADR). This way the events associated with these unscheduled maintenance could be anticipated and prevented, transforming those in scheduled maintenance. The analysis was performed with the aid of several tools developed within the scope of this work using R programming language. Research was conducted as well to understand what messages and main causes are mostly associated with the ADR system faults. With the purpose of validating the method used, an evaluation was performed on a few case studies, regarding component removals as well as a ADIRU reprogramming. It has been concluded that the proposed and adopted approach is viable and it is estimated that the data sources presented will play a major role in creating predictor variables.}
{pt=Sistema ADR, Análise de Dados, Mensagens de Falha, Dados de Ar, Dados de Manutenção., en=ADR System, Data Analysis, Fault Messages, Air Data, Maintenance Data.}

Junho 19, 2019, 14:0

Orientação

ORIENTADOR

Miguel Afonso Dias de Ayala Botto

Departamento de Engenharia Mecânica (DEM)

Professor Catedrático

ORIENTADOR

João Renato de Ataíde Santos Simões

TAP Portugal, Manutenção e Engenharia

Engenheiro