Data driven based approaches for predictive maintenance of aircraft engines

Abstract

As we entered the era Industry 4.0 different sectors of the industry has been revoultionized by the integration of advanced technologies such as the Internet of Things (IoT), big data, and artificial intelligence (AI), and with the maintenance being one of the most important pillars of industry it was also touched by this revoultion . maintenance strategies traditionally categorized into reactive, preventive. However, with the advent of Industry 4.0, predictive maintenance has emerged as a highly efficient method, leveraging the different techniques of the I4.0 to anticiapte potential failures before they occur. This thesis delves into the realm of predictive maintenance, with a particular emphasis on data-driven approaches in the context of aircraft engines. By harnessing vast amounts of operational data, due to their capacity of generalization machine learning models (ML) and deep learning (DL) mostly used to predict engine degradation, ultimately improving reliability, safety, and cost-efficiency. ***

Alors que nous entrions dans l’ère de l’Industrie 4.0, différents secteurs ont été révolutionnés par l’intégration de technologies avancées telles que l’Internet des objets (IoT), le Big Data et l’intelligence artificielle. La maintenance étant l’un des piliers les plus importants de l’industrie, elle a été également touché par cette révolution. stratégies de maintenance traditionnellement classées en réactives et préventives. Cependant, avec l’avènement de l’Industrie 4.0, la maintenance prédictive s’est imposée comme une méthode très efficace, exploitant les différentes techniques de l’I4.0 pour anticiper les pannes potentielles avant qu’elles ne surviennent. Cette thèse explore le domaine de la maintenance prédictive, avec un accent particulier sur les approches basées sur les données dans le contexte des moteurs d’avion. En exploitant de grandes quantités de données opérationnelles, en raison de leur capacité de généralisation des modèles d’apprentissage automatique et d’apprentissage profond, principalement utilisés pour prédire la dégradation des moteurs, améliorant ainsi la fiabilité, la sécurité et la rentabilité.