Name: | Description: | Size: | Format: | |
---|---|---|---|---|
5.49 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The modern gas turbine engine widely used for aircraft propulsion is a complex
integrated system which undergoes deterioration during operation due to the
degradation of its gas path components. This dissertation outlines the importance of
Engine Condition Monitoring (ECM) for a more efficient maintenance planning.
Different ML approaches are compared with the application of predicting engine
behaviour aiming at finding the optimal time for engine removal. The selected models
were OLS, ARIMA, NeuralProphet, and Cond-LSTM.
Long operating and maintenance history of two mature CF6-80C2 turbofan engines were
used for the analysis, which allowed for the identification of the impact of different
factors on engine performance. These factors were also considered when training the ML
models, which resulted in models capable of performing prediction under specified
operation and flight conditions. The Machine Learning (ML) models provided
forecasting of the Exhaust Gas Temperature (EGT) parameter at take-off phase.
Cond-LSTM is shown to be a reliable tool for forecasting engine EGT with a Mean
Absolute Error (MAE) of 7.64?, allowing for gradual performance deterioration under
specific operation type. In addition, forecasting engine performance parameters has
shown to be useful for identifying the optimal time for performing important
maintenance action, such as engine gas path cleaning. This thesis has shown that engine
removal forecast can be more precise by using sophisticated trend monitoring and
advanced ML methods.
O moderno motor de turbina a gás amplamente utilizado para propulsão de aeronaves é um sistema integrado complexo que sofre deterioração durante a operação devido à degradação de seus componentes do percurso do gás. Esta dissertação destaca a importância da monitorização da condição do motor para um planejamento de manutenção mais eficiente. Diferentes abordagens de Machine Learning (ML) são comparadas visando a aplicação de previsão do comportamento do motor com o objetivo de encontrar o momento ideal para a remoção do motor. Os modelos selecionados foram OLS, ARIMA, NeuralProphet e Cond-LSTM. O longo histórico de operação e manutenção de dois motores turbofan CF6-80C2 maduros foi usado para a análise, o que permitiu a identificação do impacto de diferentes fatores no desempenho do motor. Esses fatores também foram considerados no treinamento dos modelos de ML, o que resultou em modelos capazes de realizar a previsão em operação e condições de voo especificadas. Os modelos ML forneceram previsão do parâmetro Exhaust Gas Temperature (EGT) na fase de decolagem. O Cond-LSTM demonstrou ser uma ferramenta confiável para previsão do EGT do motor com um erro absoluto médio de 7,64 ?, permitindo a deterioração gradual do desempenho sob um tipo específico de operação. Além disso, a previsão dos parâmetros de desempenho do motor tem se mostrado útil para identificar o momento ideal para realizar ações de manutenção importantes, como a limpeza do percurso do gás do motor. Esta tese mostrou que a previsão de remoção do motor pode ser mais precisa usando um monitoramento sofisticado de tendências e métodos avançados de ML.
O moderno motor de turbina a gás amplamente utilizado para propulsão de aeronaves é um sistema integrado complexo que sofre deterioração durante a operação devido à degradação de seus componentes do percurso do gás. Esta dissertação destaca a importância da monitorização da condição do motor para um planejamento de manutenção mais eficiente. Diferentes abordagens de Machine Learning (ML) são comparadas visando a aplicação de previsão do comportamento do motor com o objetivo de encontrar o momento ideal para a remoção do motor. Os modelos selecionados foram OLS, ARIMA, NeuralProphet e Cond-LSTM. O longo histórico de operação e manutenção de dois motores turbofan CF6-80C2 maduros foi usado para a análise, o que permitiu a identificação do impacto de diferentes fatores no desempenho do motor. Esses fatores também foram considerados no treinamento dos modelos de ML, o que resultou em modelos capazes de realizar a previsão em operação e condições de voo especificadas. Os modelos ML forneceram previsão do parâmetro Exhaust Gas Temperature (EGT) na fase de decolagem. O Cond-LSTM demonstrou ser uma ferramenta confiável para previsão do EGT do motor com um erro absoluto médio de 7,64 ?, permitindo a deterioração gradual do desempenho sob um tipo específico de operação. Além disso, a previsão dos parâmetros de desempenho do motor tem se mostrado útil para identificar o momento ideal para realizar ações de manutenção importantes, como a limpeza do percurso do gás do motor. Esta tese mostrou que a previsão de remoção do motor pode ser mais precisa usando um monitoramento sofisticado de tendências e métodos avançados de ML.
Description
Keywords
Condition Monitoring Forecasting Machine Learning Manutenção Preditiva Motor Turbofan Neural Networks