ANEM, la empresa de mantenimiento de Air Nostrum cuenta con un sistema de modelo predictivo para el mantenimiento de aeronaves.
Air Nostrum Engineering & Maintenance Operations (ANEM), en colaboración con la consultora Sopra Steria, y el apoyo de Red.es y la Unión Europea ha completado un proyecto de desarrollo un modelo predictivo avanzado para prever fallos en los aviones de cara al mantenimiento y prevención de incidencias en aviones, que ha tenido una duración de unos 19 meses.
En este primer proyecto se han incluido 40 componentes (part number) de los aviones Bombardier CRJ1000 que forman parte de la flota de Air Nostrum, y que se consideran críticos en el mantenimiento.
Con el uso de inteligencia artificial y machine learning, ANEM busca anticiparse a averías que supongan dejar el avión en tierra (AOG por sus siglas en inglés), “y reducir el volumen de intervenciones urgentes de mecánicos y los envíos de material asociados”, explican desde la empresa.
La Unión Europa, por medio de Red.es ha suministrado financiación para los trabajos de desarrollo de dicho modelo predictivo y realizar un estudio exhaustivo de la vida de cada uno de esos 40 componentes y los tipos de fallos asociados cada uno. Con esos primeros trabajos, y mediante la inteligencia artificial y machine learning, avanzar para predecir, estadísticamente, los posibles fallos de los componentes; e incluir “variables no consideradas hasta el momento en el estudio de la fiabilidad, como son: tiempo en almacén, la edad de los aviones y las condiciones meteorológicas”. Finalmente, con todo ello, desarrollar un cuadro de mando que recoja todas las predicciones obtenidas de los modelos predictivos y permita visualizar y entender los datos de manera intuitiva, realizar análisis en tiempo real y tomar decisiones informadas.
Desde ANEM destacan que, tras las primeras pruebas, “los resultados obtenidos han sido esperanzadores, lo que anima a los implicados a seguir trabajando en la evolución del proyecto”. Esta evolución es parte de una segunda parte en estudio, que incluya un estudio más detallado de los modelos utilizados para cada componente, particularizando los modelos estadísticos; e incorporar datos adicionales de estos según se vayan produciendo eventos de mantenimiento, de forma que se siga mejorando la precisión de los modelos
Añadir comentario