Mantenimiento predictivo de motores Turbofán mediante Deep Learning

Abstract

[ES] Los métodos de Machine Learning se expanden de manera inexorable por todas las capas de la sociedad. Entre otros, el campo de la aeronáutica ha implementado estas herramientas en diversas áreas como el ATM (Air Traffic Management), marketing, etc. Siendo de especial interés el campo del mantenimiento predictivo. El presente Trabajo Final de Máster aborda este último campo, el mantenimiento predictivo enfocado a motores Turbofán, conformando estos componentes una de las partes más críticas y complejas del mantenimiento de aeronaves. Para ello, mediante la herramienta MATLAB y un extensivo análisis bibliográfico, se ha buscado un profundo entendimiento del problema propuesto de manera tanto analítica como experimental. Se ha realizado un análisis exhaustivo de las características de la base de datos, así como alcanzar una arquitectura de red neuronal que nos permita realizar predicciones de la vida del motor que rivalicen en precisión con las publicaciones actuales del problema. Utilizando lo anterior como base, también se han estudiado frentes abiertos del problema, proponiendo y analizando estructuras alternativas. Para llevar a cabo este estudio se ha hecho uso de la conocida base de datos “Turbofan engine degradation simulation data set” creada por el prognostics CoE de Nasa Ames, la cual ha servido de base para explorar las posibilidades de las redes neuronales aplicadas a este tipo de problemas.

[EN] Machine Learning methods are inexorably spreading to all layers of society. Among others, the field of aeronautics has implemented these tools in different areas such as ATM (Air Traffic Management), marketing, etc. Of particular interest is the field of predictive maintenance. This Master's thesis deals with the latter field, predictive maintenance focused on turbofan engines, these components being one of the most critical and complex parts of aircraft maintenance. For this purpose, using the MATLAB tool and an extensive bibliographic analysis, a deep understanding of the proposed problem has been sought both analytically and experimentally. An exhaustive analysis of the characteristics of the database has been carried out, as well as reaching a neural network architecture that allows us to make predictions of engine life that rival in accuracy with current publications on the problem. Using the above as a basis, open fronts of the problem have also been studied, proposing and analysing alternative structures. To carry out this study, use has been made of the well-known "Turbofan engine degradation simulation data set" database created by the prognostics CoE at NASA Ames, which has served as the basis for exploring the possibilities of neural networks applied to this type of problem.

[CA] Els mètodes de Machine Learning s'expandeixen de manera inexorable per totes les capes de la societat. Entre d'altres, el camp de l'aeronàutica ha implementat aquestes eines en diverses àrees com l'ATM (Air Traffic Management), el màrqueting, etc. Sent especial interès el camp del manteniment predictiu. Aquest Treball Final de Màster aborda aquest darrer camp, el manteniment predictiu enfocat a motors Turbofán, conformant aquests components una de les parts més crítiques i complexes del manteniment d'aeronaus. Per això, mitjançant l'eina MATLAB i una extensiva anàlisi bibliogràfica, s'ha buscat una profunda entesa del problema proposat de manera tant analítica com experimental. S'ha realitzat una anàlisi exhaustiva de les característiques de la base de dades, així com assolir una arquitectura de xarxa neuronal que ens permeti fer prediccions de la vida del motor que rivalitzin en precisió amb les publicacions actuals del problema. Utilitzant això com a base, també s'han estudiat fronts oberts del problema, proposant i analitzant estructures alternatives. Per dur a terme aquest estudi s'ha fet ús de la coneguda base de dades “Turbofan engine degradation simulation data set” creada pel prognostics CoE de Nasa Ames, que ha servit de base per explorar les possibilitats de les xarxes neuronals aplicades a aquest tipus de problemes.