介紹

經營一家大型商業航空公司需要對關鍵部分進行復雜的管理，包括燃料期貨合同、飛機維護和客戶期望。僅美國的航空公司平均每天就有約45000個航班，每年運送超過1000萬名乘客（資料來源：FAA）。航空公司通常是在利潤非常微薄的情況下運營，任何航班延誤都會立即激怒或挫傷客戶。飛行本身并不危險，但失敗的后果卻是災難性的。航空公司擁有如此復雜的商業模式，包含了精簡供應鏈、預測性維護和堅定不移的客戶滿意度的文化。

為了最大限度地保障所有乘客和機組人員的安全，同時也為他們帶來利潤，航空公司在預測分析方面進行了大量投資，以深入了解維持發動機實時性能的最具成本效益的方式。此外，航空公司還通過利用漢莎技術公司等維護、大修和維修（MRO）機構，確保其機隊的可用性和可靠性。

漢莎技術公司是一家MRO公司，它與Cloudera合作建立了一個預測性維護平臺，為其全球800個MRO設施網絡中的5000架飛機提供服務。Lufthansa Technik擴展了在飛機發動機上放置傳感器的標準做法，并使預測性維護能夠自動執行解決方案。通過將深厚的航空公司運營專業知識、數據科學和發動機分析結合到預測性維護計劃中，漢莎技術公司現在可以確保關鍵部件在需要的時候在地面上（OTG），而不是整架飛機都在OTG，不能產生收益。

本文的目的是展示如何使用Cloudera機器學習(CML)，運行Cloudera數據平臺(CDP)，建立一個基于高級機器學習概念的預測性維護模型。

流程

許多公司利用庫建立機器學習模型，無論是為自主車輛建立感知層，讓車輛自主運行，還是為復雜的噴氣發動機建模。Kaggle是一個為構建機器學習模型提供測試訓練數據集的網站，它提供了來自NASA的模擬數據集，用于測量渦輪風扇噴氣發動機的發動機部件退化。本博客中的模型是基于CML建立的，是基于輸入各種發動機參數，顯示發動機溫度、油耗、振動或燃料與氧氣混合的典型傳感器值（見下圖）。需要注意的一點是，"故障 "一詞并不意味著災難性的故障，而是指其某一部件（泵、值等）沒有按照規范運行。航空公司在設計飛機時，都是以99.999%的可靠性運行的。

第一步：使用訓練數據創建模型/分類器

首先，組織了4組不同條件和故障模式的測試和訓練數據，為CML做準備（見下圖中的方框1）。

每一組訓練數據都顯示了每次飛行的發動機參數，同時每臺發動機都要 "飛行"，直到發動機部件發出故障信號。這是在海平面和所有飛行條件下完成的。這些數據將用于訓練模型，以預測給定的發動機在故障前有多少次飛行。

對于每個訓練集，都有一個相應的測試數據集，它提供了100臺處于不同壽命階段的噴氣發動機的數據，并提供了實際值，用于測試預測模型的準確性。

第二步：對模型進行迭代，驗證并提高有效性

CML被用來創建一個模型，利用所提供的測試和訓練數據集來估計給定發動機的剩余使用壽命（RUL）。一個星期的閾值--將部件放置在地面上的時間允許--計劃用于在潛在的發動機部件故障之前向航空公司發出警報的場景。假設每天有四個航班，這意味著航空公司希望有把握地知道一個發動機是否會在40個航班內發生故障。對每臺發動機進行了模型測試，并將結果分為40次飛行內潛在故障的真假（見下表）。

第三步：對結果應用附加成本值

在沒有預防性維護的情況下，發動機壽命耗盡或發生故障會影響安全，更換一臺發動機的費用要多出數百萬美元。如果在發動機壽命耗盡之前對其進行保養或大修，大修費用會大大降低。然而，如果發動機過早地進行大修，則有可能還能利用發動機的壽命。本模型中對上述每種大修結果的估計成本見下圖（見下圖）。

結論

使用Cloudera機器學習(CML)來分析Kaggle提供的NASA噴氣發動機模擬數據，預測性維護模型以非常高的準確性預測了發動機何時可能出現故障或何時需要大修。將成本效益分析與該預測模型與測試數據集相結合，表明在所有應用場景中都能顯著節省成本。航空公司在做決策時，總是先考慮安全，再考慮利潤。預測性維護是首選，因為它總是最安全的選擇，而且與被動式（故障后更換發動機）或主動式（更換發動機前更換部件）相比，它的維護成本大大降低。

關于Cloudera

在 Cloudera，我們相信數據可以使今天的不可能，在明天成為可能。我們使人們能夠將復雜的數據轉換為清晰而可行的洞察力。Cloudera 為任何地方的任何數據從邊緣到人工智能提供企業數據云平臺服務。在開源社區不懈創新的支持下，Cloudera推動了全球最大型企業的數字化轉型歷程。

慧都大數據專業團隊為企業提供Cloudera大數據平臺搭建，免費業務咨詢，定制開發等完整服務，快速、輕松、低成本將任何Hadoop集群從試用階段轉移到生產階段。

歡迎撥打慧都熱線023-68661681或咨詢慧都在線客服，我們有專業的大數據團隊，為您提供免費大數據相關業務咨詢！