ReMAP (Real-time Condition-Based Maintenance for Adaptive Aircraft Maintenance Planning) is een vierjarig Europees project dat in juni 2018 van start ging. Met financiering van het onderzoeks- en innovatieprogramma Horizon 2020 van de Europese Unie keken experts, waaronder van de TU Delft, naar de mogelijkheden om vliegtuigonderhoud te optimaliseren met behulp van kunstmatige intelligentie.

Kunstmatig vooruitkijken
Vliegtuigonderhoud wordt momenteel uitgevoerd op vaste tijdsgebonden cycli, zoals aantal vlieguren, aantal vluchten of kalenderdagen, welke het eerst optreedt. Onderdelen worden daarbij soms vervangen terwijl die vaak nog gewoon goed zijn. “Met de nieuwste sensortechnologieën en AI-algoritmen kunnen vliegtuigsystemen worden onderhouden op basis van hun gezondheid. Onderdelen worden alleen vervangen als dat nodig is. Dit heet condition-based maintenance (CBM). CBM kan onderhoudskosten en ongepland vliegtuigonderhoud verlagen en beschikbaarheid van vliegtuigen verhogen. Alleen al in Europa kan de potentiële besparing op vliegtuigonderhoud oplopen tot 700 miljoen euro per jaar”, aldus de onderzoekers in hun rapportage.

Het concept van CBM is niet nieuw, maar wordt nauwelijks toegepast in de luchtvaartindustrie, en een routekaart voor de feitelijke implementatie ontbreekt. “Er is simpelweg te weinig kennis en ervaring om het héle concept in één klap toe te passen in de bedrijfsvoering. Het potentieel van CBM wordt immers alleen bereikt met een systematische end-to-end-benadering, van sensordata naar diagnose, prognose en CBM-onderhoudsplanning. En dat voor de gehele vloot. ReMAP heeft de opdracht deze routekaart op te stellen en te bewijzen dat het huidige veiligheidsniveau gehandhaafd kan blijven of zelfs nog verbeterd kan worden.”

De Advisory Council for Aeronautical Research in Europe (ACARE) wil dat CBM al in 2035 als standaard benadering is geaccepteerd voor het monitoren van de gezondheid van een vliegtuig en het plannen van het vliegtuigonderhoud. In 2050 verwacht het adviesorgaan dat alle nieuwe vliegtuigen ontworpen worden voor CBM.

Test bij KLM
Tijdens een testperiode van zes maanden bij KLM, waarbij gebruik is gemaakt van de operationele gegevens van KLM in realtime, is bewezen dat AI-modellen kunnen worden gebruikt om gezondheidsvoorspellingen van vliegtuigsystemen te maken, en het onderhoudsproces dienovereenkomstig te plannen. “We zijn erin geslaagd het complete onderhoudsproces van verschillende vliegtuigvloten te modelleren. Hiermee wordt het in de toekomst mogelijk om het huidige vliegtuigonderhoud op basis van vaste tijdsintervallen (en onderhoud als gevolg van defecten) te transformeren naar continue gezondheidsmonitoring van systemen. Systemen worden dan vervangen precies wanneer dat nodig is wat verspilling tegengaat. Daarnaast heeft het team het zeer complexe proces van onderhoudsplanning gemodelleerd dat momenteel grotendeels met de hand gebeurt. Hierin wordt rekening gehouden met veranderingen en verstoringen, wat de praktijk beter benadert ten opzichte van bestaande statische modellen. Onderhoud kan hierdoor verder vooruit worden gepland”, aldus projectleider Bruno Santos van TU Delft).

Vanuit de luchtvaartmaatschappij klinken lovende geluiden. “We zijn tevreden met de resultaten van de ReMAP-test bij KLM E&M. Ze laten zien dat conditie-gestuurd onderhoud (CBM) de potentie heeft om de levensduur van hoogwaardige activa te verhogen en ongepland onderhoud om te zetten in gepland onderhoud. Bovendien kunnen we met dit concept overwegen om de huidige handmatige onderhoudsplanning, van hooguit enkele weken vooruit, te vervangen door dit automatisch planningsproces waarmee we enkele maanden vooruit kunnen plannen. Die extra tijd is cruciaal voor onderhoudsbedrijven om problemen vóóraf te identificeren én voor luchtvaartmaatschappijen om een langere termijn onderhoudsstrategie te ontwikkelen. Het voordeel voor reizigers is duidelijk: minder ongepland onderhoud resulteert in minder vertraging en annulering van vluchten”, zegt Paul Chün, Vice President Technology Hub KLM Engineering & Maintenance.