SISTEMA DE APRENDIZADO DE MÁQUINA COMO APOIO AO MONITORAMENTO DE SAÚDE ESTRUTURAL

Abstract

A manutenção de aeronaves é uma atividade essencial para garantir o correto funcionamento de todos os sistemas que tornam sua operação possível. Desde o surgimento da aviação comercial, a checagem dos componentes é estruturada em intervalos dentro e fora de fase, que tem como base a data de entrada da aeronave em operação (T-0), tal planejamento tem gastos expressivos, que podem chegar a 15% do custo operacional (VIEIRA; LOURES, 2016), seu rígido controle não impede que componentes falhem e causem acidentes (SU; YE, 2009). O monitoramento da saúde estrutural (MSE) é uma vertente do condition based maintenance (CBM), que torna a manutenção embasada na mudança dos parâmetros físicos da estrutura e não por tempo de voo. A aplicação do MSE traz consigo potencial redução de custo de manutenção, podendo chegar a 30% (DONG; KIM, 2018), além de aumentar a confiabilidade dos sistemas. Ao considerar esse cenário potencial de evolução, o presente trabalho utiliza dados, de saúde estrutural, medidos pela universidade holandesa TuDelft, para criar um modelo de aprendizado de máquina (AP), por meio da criação de um multi layer perceptrion, e predizer o surgimento de falhas críticas, classificando a estrutura em saudável ou danificada. Devido à complexidade em analisar o padrão das séries temporais do experimento, o aprendizado de máquina, por meio de redes neurais de classificação, são uma opção para dar robustez ao processo. Por conta da localização espacial dos sensores é possível realizar a triangulação dos resultados, para localizar a falha e eliminar falsos positivos. A acurácia geral do código é de 90 %.

Aircraft maintenance is an essential activity to ensure the safety of all systems, that make its operation possible. Since the begging of commercial aviation, it is structured at intervals, that can be in or out of phase, both have the maintenance start date (T-0) in common, which is related to when the aircraft has entered into service. This process has expressive costs, up to 15% of operational amount (VIEIRA; LOURES, 2016), this rigid control does not avoid accidents from happening (SU; YE, 2009). The structure health monitoring (SHM) is a variation of the condition based maintenance (CBM), both indicate the importance to do the maintenance whenever the structure has a change in its physical parameters. The SHM has a potential for cost reduction, up to 30% (DONG; KIM, 2018), and also increase system reliability. Considering this scenario, and its evolutionary potential, this project uses data of structural health, measured by the Dutch university, TuDelft, to create a machine learning model (ML), by a multi layer perceptron, and predict the beginning of critical fault, classifying the structure in healthy or damaged. Due to time series analysis, to identify a fault pattern, the classification neural network is a great alternative to give robustness for this process. Due to spatial location of sensors, it is possible to detach the location of the fault and reduce false positive results. The overall accuracy of the code is 90%.