Die vorausschauende Wartung („Predictive Maintenance“) in der Luftfahrt hat sich zu einer Schlüsselstrategie zur Minimierung unerwarteter Komponentenausfälle, zur Verbesserung der Betriebszuverlässigkeit und zur Kostensenkung entwickelt. Herkömmliche Wartungspläne basieren auf festen Intervallen, was häufig zu übermäßiger Wartung oder Ausfällen zwischen den Inspektionen führt. Maschinelles Lernen (ML) bietet die Möglichkeit, historische Daten und Echtzeitdaten zu analysieren, um potenzielle Ausfälle vorherzusagen und so dynamische und effiziente Wartungsstrategien zu ermöglichen.
Ziele:
- Entwickeln Sie ML-Modelle, um Komponentenausfälle vorherzusagen und Wartungspläne für Luftfahrtsysteme zu optimieren.
- Identifizieren Sie wichtige Fehlermuster anhand historischer Wartungs- und Betriebsdaten.
- Bewerten Sie die Kosteneffizienz von prädiktiven Wartungsstrategien im Vergleich zu herkömmlichen Methoden.
- Schaffen Sie umsetzbare Erkenntnisse, um die Entscheidungsfindung bei der Wartung zu verbessern.
Forschungsfragen:
- Wie können ML-Modelle potenzielle Ausfälle kritischer Luftfahrtkomponenten vorhersagen?
- Welches sind die einflussreichsten Betriebs- und Umweltfaktoren, die zur Komponentenverschlechterung beitragen?
- Wie lässt sich die vorausschauende Wartung („Predictive Maintenance“) im Hinblick auf Kosten und Zuverlässigkeit mit aktuellen Praktiken vergleichen?
Aufgaben:
- Datenerfassung: Verwenden Sie offene Datensätze oder erstellen Sie synthetische Daten, die Wartungstrends widerspiegeln.
- Datenvorverarbeitung: Behandeln Sie fehlende Werte, normalisieren Sie Daten und führen Sie explorative Analysen durch, um Trends zu identifizieren.
- Feature Engineering: Identifizieren Sie einflussreiche Features und entwickeln Sie abgeleitete Features.
- Modellentwicklung: Trainieren Sie überwachte ML-Modelle (z. B. Random Forest, neuronale Netze) zur Fehlervorhersage. Nutzen Sie unüberwachtes Lernen zur Anomalieerkennung in Wartungsmustern.
- Testen: Verwenden Sie historische Daten für das Modelltraining und aktuelle Daten für die Validierung.
- Bewertungsmetriken: Validieren Sie die Modellleistung anhand von Metriken wie Präzision, Rückruf und F1-Score.
Diese Studie wird Wartungsabläufe optimieren, Betriebsausfallzeiten reduzieren und eine höhere Zuverlässigkeit in Luftfahrtsystemen gewährleisten, was zu einem sichereren und effizienteren Flugverkehr beiträgt.
Dauer: 6 Monate
Weitere Informationen bei:
Dr. Thomas Feuerle, t.feuerle@tu-braunschweig.de
Parth Purohit, parth-yogeshbhai.purohit@tu-braunschweig.de