Uso de Redes Neurais Artificiais para Prever a Duração da Manutenção Programada em Aeronaves

Abstract

A previsão precisa do tempo necessário para a execução de atividades de manutenção é um desafio recorrente no setor aeronáutico, especialmente diante da complexidade e variabilidade das ordens de serviço. Este estudo teve como objetivo definir o sistema de previsão do tempo necessário para a execução de uma ordem de manutenção, visando aprimorar a precisão na estimativa de suas durações. Para isso, foi empregada uma abordagem baseada em redes neurais artificiais do tipo feedforward com a arquitetura do tipo sequencial, reconhecida por seu desempenho superior frente aos métodos tradicionais, especialmente no setor de MRO (Maintenance, Repair and Overhaul). A metodologia envolveu as etapas de definição e coleta de dados, pré-processamento, parametrização da RNA, treinamento e validação dos resultados. Os experimentos demonstraram que o modelo proposto foi capaz de reduzir o erro de previsão para 8,6%, em comparação com os 47,7% do método tradicional, representando uma redução de 39,1 pontos percentuais. Esse resultado corresponde a uma melhora estimada nas previsões de aproximadamente 748,7 horas por ano nos dados de teste. Conclui-se que o uso de redes neurais pode complementar o método atual da empresa, proporcionando previsões mais precisas sobre o tempo necessário para a execução das ordens de serviço, sem substituir o sistema existente, e desempenhando um papel estratégico na gestão da manutenção aeronáutica.

The accurate prediction of the time required for the execution of maintenance activities is a recurring challenge in the aerospace industry, particularly due to the complexity and variability of work orders. This study aimed to define a system for predicting the time necessary to complete a maintenance order, with the objective of improving the accuracy of duration estimates. To achieve this, a feedforward artificial neural network approach with a sequential architecture was employed, recognized for its superior performance compared to traditional methods, particularly in the Maintenance, Repair, and Overhaul (MRO) sector. The methodology involved the following steps: data definition and collection, preprocessing, neural network parameterization, training, and result validation. The experiments demonstrated that the proposed model was able to reduce the prediction error to 8.6%, compared to 47.7% with the traditional method, representing a reduction of 39.1 percentage points. This result corresponds to an estimated improvement of approximately 748.7 hours per year in the test data. It can be concluded that the use of neural networks can complement the company's current approach, providing more accurate predictions regarding the time required for the execution of work orders, without replacing the existing system, and playing a strategic role in the management of aircraft maintenance.