Machine learning for predictive maintenance and prognostics of turbofan engines

The aim of this thesis is to illustrate the process of development and validation of a pipeline based on machine learning and deep learning techniques, for the estimation of the remaining useful life of a turbofan engine, starting from a simple simulated database in different operating conditions. The possibility of implementing a system based on artificial intelligence certainly opens up new opportunities within the aeronautical industry. The optimization of fleet management and the reduction of breakdowns minimize the losses caused by machine downtime, which strongly affect the company's economical balance. The pipeline proposed here is able to identify, with an acceptable approximation, the remaining useful life cycles of the engine before incurring a system failure. Specifically, in this thesis work three different algorithms are presented that can be used for data analysis. The first algorithm consists of a simple linear regression model. The second algorithm proposes a more structured analysis of what is proposed by the linear model, going to evaluate the similarity of the temporal evolution of the engine with a library built on the training database. Finally, the last algorithm implements a real Long Short-Time Memory (LSTM) neural network, widely used for the construction of systems in which the analysis of time series is required with the aim of predicting future behaviors. The database on which this research work was developed, made accessible to the public by NASA, consists of a series of variables acquired by sensors mounted on fictitious engines in which the degradation of the components was simulated until a failure was reached. The simulation was performed using C-MAPSS (Commercial Modular Aero-Propulsion System Simulation), a software developed with the aim of modelling a turbofan engine as closely as possible to the real behaviour. The objective behind the proposed architectures is the training of simple models that could operate without the availability of super-computers or cloud-based computing memories. Despite the limitations of calculation power and the simplicity of the algorithms, the results are interesting as it was possible to predict, in the engines taken into consideration, the occurrence of failures with an accuracy of a few days, that is a confidence of a few operating cycles.

L’obiettivo di questa tesi è illustrare il processo di sviluppo e validazione di una pipeline basata su tecniche di machine learning e deep learning, per la stima della vita utile rimanente di un motore turbofan, a partire da un semplice database di dati provenienti da sensori acquisiti mediante un algoritmo simulativo delle condizioni operative standard. La possibilità di implementare un sistema basato sull’intelligenza artificiale apre sicuramente nuove opportunità di sviluppo all’interno dell’industria aeronautica. L'ottimizzazione della gestione delle flotte e la riduzione dei guasti minimizzano le perdite causate da fermi macchina, che incidono fortemente all’interno del bilancio aziendale. La pipeline qui proposta è in grado di identificare i cicli di vita utili rimanenti al motore prima di incorrere in un'avaria del sistema. Nello specifico, in questo lavoro di tesi sono presentati tre diversi algoritmi utilizzabili per l’analisi dei dati. Il primo algoritmo consiste in un semplice modello a regressione lineare. Il secondo algoritmo propone un'analisi più strutturata, andando a valutare la similarità dell’evoluzione temporale del motore con una libreria costruita sul database di training. Infine, l’ultimo algoritmo implementa una vera e propria rete neurale Long Short-Time Memory (LSTM), largamente diffusa per la costruzione di sistemi in cui è richiesta l’analisi di serie temporali con lo scopo di predire comportamenti futuri. Il database su cui è stato sviluppato questo lavoro di ricerca, reso accessibile al pubblico dalla NASA, consiste in una serie di variabili acquisite da sensori installati su motori fittizi in cui è stato simulato il degrado dei componenti fino al raggiungimento di un’avaria. La simulazione è stata eseguita mediante C-MAPSS (Commercial Modular Aero-Propulsion System Simulation), software sviluppato con l’obiettivo di modellizzare quanto più fedelmente un motore turbofan. L’obiettivo alla base delle architetture proposte è il training di modelli semplici che possano operare svincolarsi dalla diponibilità di super-computer o memorie di calcolo cloud-based. Nonostante i limiti di calcolo e la semplicità degli algoritmi i risultati sono interessanti in quanto è stato possibile predire, nei motori presi in considerazione, l’incorrere di avarie con un’accuratezza di qualche giorno, ossia con una confidenza di pochi cicli operativi.