Eine verallgemeinerte Methodologie zur Diagnose von Flugzeugsystemen

Ein Flugzeug besteht aus einer Reihe komplizierter Systeme, die harmonisch zusammenarbeiten, um einen sicheren und reibungslosen Flug zu gewährleisten. Um eine solche Plattform zu warten, wurden viele diagnostische und prognostische Techniken vorgeschlagen, die hauptsächlich auf Komponenten, aber teilweise auch auf Systemebene abzielen. Gemeinsam bilden diese einen Flickenteppichansatz für das übergeordnete Problem, die Flugzeugwartung effizient an die Hersteller, die Betreiber/Fluggesellschaften und die Wartungs-, Reparatur- und Überholungsorganisationen zu informieren. Dies bedeutet, dass diese Organisationen mehrere unterschiedliche Ansätze für das Management der Flugzeuggesundheit unterstützen müssen, was ineffizient und kostspielig ist. In der vorliegenden Arbeit wird eine optimierte Methodologie vorgestellt. Diese basiert auf OSA-CBM (Open System Architecture for Condition Based Maintenance) und kann auf jedes Flugzeugsystem angewendet werden. Integral damit ist die Verwendung von mRMR (minimum redundancy maximum relevance) zur Merkmalsauswahl, wobei der resultierende Symptomenvektor für die Fehlersuche verwendet wird. Dieser Ansatz wird an drei Testfällen demonstriert: dem Triebwerk, dem Umweltregelsystem und dem Treibstoffsystem. In jedem Fall werden die Einrichtung des digitalen Zwillings, die Simulationsbedingungen für gesunde und fehlerhafte Szenarien sowie eine Methodologie auf Basis von OSA-CBM bis hin zu Diagnosen detailliert beschrieben. Die Diagnosen werden nacheinander für jedes System durchgeführt, wobei vier überwachte Algorithmen des maschinellen Lernens verwendet werden. Der beste Algorithmus für jedes System wird dann in einem fahrzeuglevelen Schlussfolgerungssystem namens FAVER (A Framework for Aerospace Vehicle Reasoning) verwendet, das diese Systemdiagnosen als Ausgangspunkt für Fahrzeugschlüssen und die Auflösung von Fehlerzweideutigkeiten benötigt.