AI-baserat underhåll av flygplan: Varför ledtiden för förebyggande underhåll är viktig

Ett godståg med 100 vagnar som färdas i 55 mph behöver minst en mile för att stanna medfull bromsinsats. 

Järnvägssignalerna varnar därför långt innan de visar rött. Ett rött ljus som dyker upp inom din bromssträcka förhindrar ingenting – det talar bara om vad du är på väg att köra på.

Flygplansunderhåll fungerar på samma sätt. Vi mäter bara avståndet i timmar och flygcykler.

När en komponent går sönder utan förvarning och ett flygplan blir AOG (aircraft on ground), är reparationen bara början. Flygningar ställs in eller byts ut och passagerarna ombokas. Någon letar efter en reservdel, ofta till ett högt pris. Tekniker tas bort från planerat arbete, besättningarna närmar sig sina tjänstgöringsgränser och ett flygplan som borde tjäna pengar står stilla. Störningarna sprider sig också. I Europautgjordeförseningar som berodde på tidigare flygningar46 % avalla förseningsminuter år 2024, mer än någon annan orsak (EUROCONTROL).

Inget av detta är nytt inom flygindustrin. Det som har förändrats är vår förmåga att förutse en del av detta. Dagens flygplan överför kontinuerligt data om skick och prestanda, och AI, maskininlärning, dataingenjörskonst och uppkopplade system gör det nu möjligt för oss att tolka dessa signaler i ett betydligt rikare sammanhang. Det kommer inte att upptäcka varje fel, men det ger underhållsteamen det som varje tågförare behöver mest: avstånd. I vår värld innebär det tid att agera.

Hur ledtiden för förebyggande underhåll minskar risken för AOG hos flygplan

Tillförlitlighetsingenjörer kallar detta tidsfönster för P-F-intervallet: avståndet mellan det första upptäckbara tecknet på problem (P) och själva felet (F), ett begrepp som härstammar från United Airlinestillförlitlighetscentrerade underhållsarbete på 1970-talet. Det verkliga värdet av prediktivt underhåll ligger därför i den ledtid det skapar för att fatta ett bättre underhållsbeslut.

AI förlänger detta intervall. Genom att analysera sensordata tillsammans med felhistorik, underhållsregister, komponentbeteende och driftsförhållanden kan modeller upptäcka försämringar innan de blir driftsmässigt betydande. Med den varningen kan ett team utreda problemet under planerade driftstopp, se till att reservdelen finns på plats där flygplanet är på väg och ordna med rätt tekniker och verktyg. Ibland är det bästa beslutet att låta en felfri del sitta kvar på vingen, eftersom de tekniska bevisen talar för fortsatt drift.

En prognos visar vad som kan hända. Ledtiden ger dig möjlighet att agera på den. Det är då prediktiv analys börjar påverka flygplanens tillgänglighet, underhållsekonomin och flottans prestanda.Delta pekar på sitt prediktiva program som en del av förklaringen till att antalet inställda underhållsbesök minskade från över 5 600 år 2010 till endast 55 år 2018.

Figur 1. En tidig signal ger större handlingsutrymme. Konceptet är hämtat från P-F-intervallet inom tillförlitlighetscentrerat underhåll.

Hur hälsoövervakning av flygplan omvandlar data till åtgärdsbara signaler

Moderna flygplansekosystem är visserligen överflödiga av data, men saknar fortfarande adekvata signaler. En sensoravläsning eller felkod i sig säger inte mycket. Men när den ses mot bakgrund av driftsförhållanden, tidigare underhåll, komponenthistorik och samma delars beteende i hela flottan kan den säga mycket. Det gör hälsoövervakning av flygplan till grunden för prediktivt MRO. Mönster framträder över system och flygplan, så avvikelser som en gång föregick ett fel blir en tidig varning när de återuppträder någon annanstans.

För OEM-tillverkare och Tier 1-leverantörer bidrar dessa bevis från drift också till tillförlitlighetsutveckling, produktförbättring och framtida konstruktion. Det vi lär oss av ett flygplan i drift bör hjälpa oss att konstruera nästa bättre.

Från prediktivt till preskriptivt flygplansunderhåll med digitala tvillingar

En varning lämnar fortfarande en ingenjör med frågor. Hur brådskande är det? Hur lång livslängd återstår? När ska vi ingripa, och vad händer om vi skjuter upp det? 

Här hjälperdigitala tvillingar till genom att koppla samman en tillgångs tekniska definition med dess faktiska driftshistorik, användning, miljö, inspektionsdata och underhållsregister. Den större möjligheten ligger i att överföra det tänkesättet från komponenten till driften. Ett underhållsbeslut baseras sällan enbart på komponentens skick. Flygscheman, hangarkapacitet, teknikerns tillgänglighet, verktyg, reservdelar och ledtider i leveranskedjan spelar alla in, och just nu väger de tungt.IATA uppskattar att problem i leveranskedjan kommer att kosta flygbolagen mer än 11 miljarder dollar år 2025, varav en stor del avser underhåll, motorleasing och reservdelar. Koppla samman detta sammanhang med prediktiv intelligens så tar man steget mot föreskrivande underhåll. 

Frågan skiftar från vad som behöver åtgärdas till när och hur man ska agera med minsta möjliga påverkan på driften.

Figur 2. AI-stött MRO som en sammanlänkad slinga: flygplansdata, teknisk kunskap och operativt sammanhang möts i underhållsbeslutet.

Hur AI-drivna flygplansinspektioner skapar en digital underhållshistorik

Visuell inspektion kommer att förbli grundläggande, liksom bedömningen från en erfaren ingenjör eller tekniker. Tekniken kan göra den bedömningen mer välgrundad. Datorseende, drönare, högupplöst bildteknik och robotteknik kan upptäcka och dokumentera bucklor, sprickor, korrosion och andra ytskador. Delta använder till exempel numera drönare för att fotografera flygplan efter blixtnedslag, och tekniker utvärderar bilderna innan flygplanetsläpps ut i trafik igen.

Den största fördelen är att dokumentationen sparas digitalt. En tekniker kan jämföra samma panel över flera underhållscykler, se om en defekt förvärras och koppla den till tidigare reparationer och driftsförhållanden. Inspektionen är inte längre en engångshändelse. Den blir en del av flygplanets hälsojournal och ytterligare en faktor som påverkar nästa beslut.

Hur GenAI hjälper flygplansunderhållsingenjörer att få tillgång till tillförlitlig kunskap

Inte alla MRO-problem är förutsägbarhetsproblem. Ibland är det svåra att hitta rätt information tillräckligt snabbt. Ingenjörer arbetar med underhållshandböcker, servicebulletiner, tekniska order, felsökningsguider, reparationshistorik, myndighetskrav och åratal av erfarenhet som oftast finns i människors huvuden. Svaret på ett envisa fel kan redan finnas där någonstans.

Det är här GenAI kan komma till sin rätt. Tänk dig en tekniker på nattskift som jagar ett intermittent fel. Frågorna är enkla. Har vi sett dessa symptom förut? Vad löste dem? Vilka godkända data gäller? En domänbaserad assistent skulle kunna göra det mycket snabbare att nå dessa svar.

Men flyg- och rymdindustrin sätter ribban högt. Ett rimligt svar räcker inte – det måste kunna spåras till pålitliga tekniska källor, hanteras på rätt sätt och hållas under mänsklig tillsyn, vilket också är den gräns som tillsynsmyndigheterna drar (EASA,FAA). 

Användningen av GenAI bör därför skärpa det tekniska omdömet, inte ersätta det.

Att bygga ett uppkopplat AI-baserat ekosystem för underhåll, reparation och översyn (MRO) av flygplan

En varning har bara betydelse om den kommer i så god tid att det finns tillräckligt med tid att agera. Inom MRO innebär det att sammanföra flygplansdata, teknisk expertis, reservdelar, personal och planering, så att teamen kan fatta rätt beslut innan ett problem leder till driftstörningar. På LTTS ser vi det som att Engineering Intelligence hjälper underhållet att gå från reaktivt till prediktivt, och i slutändan till ett mer proaktivt beslutsfattande.