BR112013021095B1

BR112013021095B1 - Método e sistema de previsão de operações de manutenção em um motor de aeronave corrente

Info

Publication number: BR112013021095B1
Application number: BR112013021095-8A
Authority: BR
Inventors: Guillaume DELAYE; Jean-Philippe Autier; Eric Gendronneau
Original assignee: Snecma
Priority date: 2011-02-25
Filing date: 2012-02-16
Publication date: 2021-09-21
Also published as: EP2678747B1; EP2678747A1; RU2611239C2; CN103384859A; US20120221193A1; JP6014610B2; BR112013021095A2; FR2972025A1; CA2826641A1; WO2012114021A1; FR2972025B1; CN103384859B; RU2013143291A; JP2014506706A; US8868287B2; CA2826641C

Abstract

previsão de operações de manutenção em um motor de aeronave. a presente invenção refere-se a um método e a um sistema de previsão de operações de manutenção em um motor de aeronave corrente, que compreende: - meios de tratamento para confrontar um conjunto de modelos de falhas (m1,..., mn) adaptados ao dito motor corrente para selecionar um modelo de falha pertinente (mi) com uma idade de falha (t0) que define a idade do dito motor no momento da falha; - meios de tratamento para associar ao dito modelo de falha pertinente (mi) regras de decisão (r) de nível de intervenção no dito motor corrente em função de um conjunto de parâmetros (p1, p2, pi) relativos ao dito motor corrente; e - meios de tratamento para determinar em função das ditas regras de decisão o nível de intervenção exigido de manutenção (wf) a executar no dito motor corrente.

Description

DOMÍNIO DA INVENÇÃO

[0001] A presente invenção se refere ao domínio da manutenção de um motor de aeronave. Em especial, a invenção se refere a um método e a um sistema para antecipar ou prever as operações de manutenção em um motor de aeronave.

[0002] De maneira geral, intervém-se no motor diretamente em função da causa de falha, sem se preocupar com os outros parâmetros. Por exemplo, se um vazamento de óleo foi detectado, age-se no circuito de óleo e assim por diante.

[0003] No entanto, uma operação de manutenção em um motor de aeronave pode necessitar de um longo período de imobilização e custos grandes de peças e de mão de obra.

[0004] Então, a fim de otimizar e de planificar as operações de manutenção, explora-se o retorno de experiência acumulada pelos reparadores nas oficinas sobre as causas de falhas para traçar curvas de falhas estatísticas de acordo com leis de Weibull. A ferramenta utilizada atualmente consiste em atribuir de maneira sistemática um nível de intervenção (workscope, em inglês) médio baseado nas curvas de falhas estatísticas de Weibull.

[0005] Ora, o fato de atribuir o mesmo nível de intervenção médio a todas as causas de falha não permite levar em consideração as especificidades ou a história do motor.

[0006] Isso gera uma falta de precisão nas previsões das opera ções de manutenção e pode induzir uma manutenção incompleta do motor que pode nesse caso tornar a entrar em pane pouco depois de sua saída da oficina.

[0007] O objeto da presente invenção é por conseqüência prever as operações de manutenção em um motor de aeronave com uma grande precisão sem apresentar os inconvenientes precitados.

OBJETO E SUMÁRIO DA INVENÇÃO

[0008] A presente invenção se refere a um método de previsão de operações de manutenção em um motor de aeronave corrente, que compreende as etapas seguintes: - confrontar um conjunto de modelos de falhas adaptados ao dito motor corrente para selecionar um modelo de falha pertinente que tem uma idade de falha que define a idade do dito motor no momento da falha; - associar ao dito modelo de falha pertinente regras de decisão de nível de intervenção no dito motor corrente em função de um conjunto de parâmetros relativos ao dito motor corrente; e - determinar em função das ditas regras de decisão o nível de intervenção exigido de manutenção a executar sobre o dito motor corrente.

[0009] Assim, o método leva em consideração as causas de falha e de qualquer expressão dos efeitos das mesmas que permitem discriminar um motor em relação a um outro e associar a ele de modo muito mais fino um nível de intervenção específico para cada motor. Isso permite prognosticar e planificar as operações de manutenção com uma precisão muito grande.

[00010] Vantajosamente, o dito conjunto de parâmetros compreende os parâmetros seguintes: idade de falha, tempo de funcionamento do dito motor corrente a partir de uma última passagem em oficina, ordem de passagem em oficina, potencial de tempo de vida restante para cada uma de uma pluralidade de peças de duração limitada LLP do dito motor corrente, e exigências de reconstrução do dito motor.

[00011] De acordo com um modo de realização da presente invenção, as ditas regras de decisão compreendem um primeiro módulo de regras que definem uma pluralidade de níveis de intervenção em relação a tempos de funcionamento do dito motor, e pelo fato de que um nível pertinenteé selecionado entre a dita pluralidade de níveis de intervenção em função da dita idade de falha associada ao dito modelo de falha pertinente.

[00012] O dito primeiro módulo de regras é selecionado entre um conjunto de primeiros módulos de regras definidos antes por ocasião de uma fase de inicialização, cada um dos ditos primeiros módulos de regras sendo associado a um modelo de falha determinado e a uma ordem determinada de passagem em oficina.

[00013] Vantajosamente, as ditas regras de decisão compreendem um segundo módulo de regras que definem relações entre os níveis de intervenção do dito primeiro módulo de regras e operações de manutenção, e o dito nível de intervenção exigido de manutenção é determinado em função do dito nível pertinente, das exigências de reconstrução do dito motor, e dos potenciais de tempo de vida restante para cada uma de uma pluralidade de peças de duração limitada LLP do dito motor corrente.

[00014] Vantajosamente, o dito conjunto de parâmetros é readaptado depois da realização da operação de manutenção no dito motor corrente.

[00015] Os ditos modelos de falhas são provenientes de análise do retorno de experiência em uma frota de motores que compreende os dados seguintes: número de motores, ambiente de operação de cada motor, modelo de cada motor, condição de operação de cada motor, local de manutenção de cada motor, tempo entre a entrada e a saída de cada motor da oficina.

[00016] A invenção visa também um programa de computador que compreende instruções de código para a execução do método de previsão de acordo com as características acima quando ele é executado por meios de tratamento.

[00017] A invenção visa também um sistema de previsão de operações de manutenção em um motor de aeronave corrente, que compreende: - meios de tratamento para confrontar um conjunto de modelos de falhas adaptados ao dito motor corrente para selecionar um modelo de falha pertinente que tem uma idade de falha que define a idade do dito motor no momento da falha; - meios de tratamento para associar ao dito modelo de falha pertinente regras de decisão de nível de intervenção no dito motor corrente em função de um conjunto de parâmetros relativos ao dito motor corrente; e - meios de tratamento para determinar em função das ditas regras de decisão o nível de intervenção exigido de manutenção a executar no dito motor corrente.

BREVE DESCRIÇÃO DOS DESENHOS

[00018] Outras particularidades e vantagens do dispositivo e do método de acordo com a invenção se destacarão melhor com a leitura da descrição feita abaixo, a título indicativo, mas não limitativo, em referência aos desenhos anexos nos quais: - a Fig. 1 ilustra de maneira esquemática meios materiais utilizados no sistema ou método que podem ser empregados para a previsão de operações de manutenção em um motor de aeronave de acordo com a invenção; - a Fig. 2 ilustra o método de previsão de operações de manutenção em um motor de aeronave dado de acordo com a invenção; - a Fig. 3 ilustra um modo de realização especial do método de previsão de operações de manutenção da Fig. 2; e - a Fig. 4 ilustra um exemplo de um primeiro módulo de regras que definem uma pluralidade de níveis de intervenção de acordo com a invenção.

DESCRIÇÃO DETALHADA DE MODOS DE REALIZAÇÃO

[00019] O princípio da invenção consiste em explorar da melhor forma possível o histórico de panes de uma frota de motores para prever as operações de manutenção a vir com uma grande precisão. Assim, levando-se em consideração os parâmetros mais influentes nas causas de falha, é possível deduzir de maneira não supervisionada e muito fina o nível de intervenção em um motor.

[00020] A figura 1 ilustra um exemplo de meios materiais utilizados no sistema ou método de previsão de operações de manutenção em um motor de aeronave de acordo com a invenção.

[00021] Por ocasião das passagens dos motores 1 em oficinas 3, os reparadores acumulam uma experiência sobre as causas de falhas e os níveis de intervenção. Esse retorno de experiência é explorado pelo sistema de previsão 5 para construir modelos de falha que permitem prever as operações de manutenção a realizar nos motores de aeronave.

[00022] Mais especialmente, o sistema de previsão 5 compreende um sistema informático 7 que compreende de maneira habitual meios de entrada 9, meios de tratamento 11, meios de estocagem 13, e meios de saída 15. Será notado que os meios de estocagem 13 podem compreender um programa de computador que compreende instruções de código adaptadas à utilização do método de previsão de acordo com a invenção. Esse programa de computador pode ser executado pelos de tratamento 11 em relação com os meios de estocagem 13 e os meios de entrada 9 e de saída 15.

[00023] Os diferentes dados provenientes do retorno de experiência a partir das diferentes oficinas 3 são estocados nos meios de estoca- gem 13 para constituir uma base de dados 17 sobre toda uma frota de motores. Outros dados que se referem aos motores são também registrados na base de dados 17 para enriquecer as informações relativas aos motores.

[00024] A base de dados 17 compreende assim uma pluralidade de medidas e de dados recolhidos no decorrer do tempo nos motores 1. Esses dados compreendem as diferentes causas de falhas e o nível de intervenção em cada motor, o número de motores tratados ou a tratar, o ambiente de operação de cada motor, a condição operacional de cada motor, o local de manutenção de cada motor, o tempo entre a entrada e a saída de cada motor da oficina, etc.

[00025] O método de acordo com a invenção permite modelar o comportamento de uma frota completa de motores que produz uma previsão de número de desmontagens de motores e os níveis de intervenção sobre os diferentes motores em função dos diferentes dados de entradas que se referem à frota registrados na base de dados 17. Esse método gere também a anterioridade técnica dos motores levando para isso em consideração os envelhecimentos dos mesmos na determinação dos panos de desmontagem, níveis de intervenções e datas de passagem em oficina 3 dos diferentes motores 1.

[00026] Mais especialmente, os meios de tratamento 11 são configurados para explorar os dados registrados na base de dados 17 a fim de determinar modelos de falhas estatísticos que modelam as causas de falhas em função do tempo. Mais precisamente, os meios de tratamento 11 associam um conjunto de modelos de falhas adaptados a cada modelo de motor e a sua utilização. Cada modelo de falha pode ser expresso sob a forma de uma curva de probabilidade cumulada de falhas em função do tempo (ver, por exemplo, as Figs. 2 e 3).

[00027] Vantajosamente, os modelos de falhas podem ser baseados em uma lei de Weibull que é bastante adaptada para modelar o tempo de vida ou a falha de um componente do motor 1. A densidade de probabilidade

de uma distribuição de Weibull pode ser expressa sob a forma seguinte:

[00028] Essa lei é extremamente flexível graças à consideração de três parâmetros: parâmetro de forma β, parâmetro de escala V, e pa- râmetro de localização Y.

[00029] A função de repartição ou a probabilidade de falha para a lei de Weibull é nesse caso definida por:

[00030] Graças à flexibilidade dessa lei, a grande maioria dos levantamentos de falha pode ser descrita de maneira adequada por uma distribuição de Weibull. Isso se explica notadamente pelo fato de que ela é capaz de reproduzir o comportamento de outras leis de probabilidades. Por exemplo, se β = 1, a lei de Weibull é equivalente a uma dis- tribuição exponencial; se β = 2, ela é equivalente a uma distribuição de Rayleigh; se 3 <β< 4, ela é equivalente a uma distribuição normal; se β ^<», ela é equivalente a uma distribuição de tipo Dirac. Em certos outros casos, ela reproduz também a lei binomial e a lei de Poisson.

[00031] Naturalmente, para um componente do motor 1 que apresenta vários modos de falhas no decorrer do tempo, a lei de Weibull pode ser definida de acordo com diferentes parâmetros em função da idade do componente. A título de exemplo, no início a taxa de falha de um componente pode ser decrescente (β< 1) o que é do domínio de uma “mortalidade infantil”. Dito de outro modo, os componentes frágeis entram em pane no início de maneira rápida que gera uma diminuição da taxa de falha depois da supressão dos componentes defeituosos. Em seguida, a taxa de falha permanece estacionária (β= 1) ao longo de toda a vida útil do componente. Finalmente, a taxa de falha começa a aumentar (β> 1) por ocasião de uma fase natural de desgaste. Os três modos de falha formam nesse caso uma curva contínua em forma de banheira.

[00032] Será notado que para componentes que apresentam certos fenômenos não lineares tais como a fissuração, é possível utilizar outras leis estatísticas.Nesse gênero de fenômenos, é possível utilizar distribuições mais adaptadas de tipo log-normal.

[00033] A Fig. 2 ilustra o método de previsão de operações de manutenção em um motor de aeronave de acordo com a invenção.

[00034] A etapa E10 se refere à inicialização de dados, parâmetros, e variáveis de entradas. Essas entradas compreendem o modelo do motor, seu ambiente de operação, suas condições de operação, modelos de falhas adaptados a esse motor, etc.

[00035] As entradas compreendem também parâmetros P1, P2, ..., Pi mais influentes na ligação entre uma causa provável de falha e um nível de intervenção assim como um conjunto de regras R de decisão de nível de intervenção no motor 1.

[00036] O conjunto de parâmetros P1, P2, ..., Pi compreende parâmetros que se referem à idade do motor assim como as exigências de reconstrução (min built, em inglês) do motor.

[00037] Por outro lado, as regras R de decisão podem ser regras lógicas construídas em função de diferentes modelos de falha e do conjunto de parâmetros.

[00038] Na etapa E20, os meios de tratamento 11 dispõem, em proveniência dos meios de estocagem 13, do conjunto de modelos de falhas M1, M2, M3, ..., Mn adaptados ao motor 1 sob vigilância. Cada um dos modelos de falhas é representado por uma lei de probabilidade cumulada de falha entre 0 e 100% em função do tempo expresso por exemplo em hora ou em número de ciclos do motor sob a asa. Será notado que um ciclo corresponde ao conjunto de fases de vôo (decolagem, vôo, e aterrissagem). Esses modelos de falhas M1, M2, M3, ..., Mn podem ser exibidos em uma tela compreendida nos meios de saída 15.

[00039] Na etapa E30, os meios de tratamento 11 são configurados para confrontar o conjunto de modelos de falhas M1, M2, M3, ..., Mn a fim de selecionar um modelo de falha pertinente Mi com uma idade de falha T0 que define a idade que o motor 1 terá no momento da falha.

[00040] Vantajosamente, a seleção do modelo pertinente é realizada de acordo com uma simulação por extrações de Monte-Carlo no conjunto de modelos de falhas M1, M2, M3, ..., Mn. A simulação de Monte-Carlo permite determinar saídas deterministas a partir das entradasestocásticas que correspondem às distribuições de probabilidade dos modelos de falhas M1, M2, M3, ..., Mn de tipo lei de Weibull. De fato, graças à lei dos grandes números, a simulação de MonteCarlo permite associar a uma probabilidade de ocorrência de um evento, um número determinístico de ocorrências desse evento.

[00041] Nesse caso, a distribuição de probabilidade de bom funcionamento H(t) de um componente do motor 1 pode ser expressa em função da probabilidade de falha (ou função de repartição) F(t) depois de um tempo t pela expressão seguinte:

na qual P é um número aleatório compreendido entre 0 e 1 extraído pela simulação de Monte-Carlo que corresponde à probabilidade de falha depois de um tempo t.

[00042] Assim, o tempo t que corresponde à idade do motor no momento da falha é dado pela fórmula seguinte:

[00043] Os meios de tratamento 11 efetuam esse cálculo para cada um dos conjuntos dos modelos de falha M1, M2, M3, ..., Mn gerando assim um conjunto de idades de falha {ti, 12, ..., tn}.

[00044] Os meios de tratamento 11 são configurados para selecionar uma idade de falha pertinente entre esse conjunto de idades de falha assim como o modelo de falha que corresponde a essa idade. A título de exemplo, a idade de falha pertinente pode corresponder à idade mínima

.

[00045] Será notado que essa idade de falha pertinente T0 permite indicar a data de passagem em oficina.

[00046] Na etapa E40, os meios de tratamento 11 são configurados para associar ao modelo de falha pertinente Mi as regras R de decisão de nível de intervenção sobre o motor 1 em função do conjunto de parâmetros P1, P2, ..., Pi relativos a esse motor.

[00047] Vantajosamente, o conjunto de parâmetros influentes compreende as exigências de reconstrução do motor assim como parâmetros que se referem à idade do motor que compreendem a idade do motor no momento da falha, a anterioridade técnica (ou tempo de funcionamento) do motor expressa em horas ou ciclos de funcionamento desde sua última passagem em oficina, a ordem ou índice SV (Shop Visit) que corresponde ao número de passagens do motor em oficina 3, e o potencial de tempo de vida restante para cada uma de uma pluralidade de peças de duração limitada LLP (Life Limited Part) do motor 1.

[00048] Assim, os meios de tratamento 11 fazem a ligação entre a causa mais provável de falha (quer dizer, o modelo de falha pertinente) e parâmetros influentes que podem compreender a anterioridade do motor, as exigências de reconstrução e sua ordem de passagem em oficina, a fim de programar o nível de intervenção mais realista possível no momento da passagem em oficina indicado pela idade de falha pertinente T0 determinado na etapa E30.

[00049] A Fig. 3 ilustra um modo de realização especial do método de previsão de operações de manutenção da Fig. 2.

[00050] A etapa E11 se refere à inicialização de dados, parâmetros P1, ..., Pi, e variáveis de entradas como na etapa E10 da figura prece- dente. Mais especialmente, de acordo com esse exemplo, o conjunto de regras R de decisão de nível de intervenção sobre o motor 1 compreende um conjunto de primeiros módulos de regras R1 e um outro conjunto de segundos módulos de regras R2.

[00051] O conjunto de primeiros módulos de regras R1 é definido de maneira a que cada um desses primeiros módulos seja associado a um modelo de falha determinado e a uma ordem SV determinada de passagem em oficina 3.

[00052] A Fig. 4 ilustra um exemplo de um primeiro módulo de regras que define uma pluralidade de patamares L1, L2, L3 ou níveis de intervenção em relação a tempos de funcionamento do motor. Dito de outro modo, um primeiro módulo de regras R1 contém para as diferentesintervenções os “tempos sob asa críticos” de escolha do nível de intervenção. As diferentes intervenções podem se referir ao compressor de baixa pressão BP, ao compressor de alta pressão AP, à turbina de alta pressão TAP, à turbina de baixa pressão TBP, etc.. Por exemplo, a regeneração da margem em temperatura de saída dos gases de escapamento (EGT (Exhaust Gas Temperature) pode ser realizada se intervindo no gerador de gás “Core” do motor (quer dizer no conjunto compressor de alta pressão AP, câmara de combustão e turbina de baixa pressão TBP).

[00053] O exemplo da Fig. 4 ilustra três patamares que indicam a natureza da intervenção (workscope) devida por uma causa de falha X dada em função do tempo t sob a asa do motor 1. Esse gráfico mostra uma primeiro patamar L1 chamado de SV (Shop Visit) leve entre 0 e 2000 ciclos, um segundo patamar L2 chamado SV média entre 2000 e 5000 ciclos, e um terceiro patamar L3 chamado SV pesada para um tempo sob asa superior a 5000 ciclos. Um patamar SV leve corresponde a uma passagem em oficina para um nível de intervenção (workscope) reduzido, um patamar SV média corresponde a uma in- tervenção ao nível do gerador de gás “Core” do motor, e um patamar SV pesada corresponde a uma intervenção aos níveis do “Core” e da turbina de baixa pressão TBP do motor.

[00054] A título de exemplo os primeiros módulos de regras R1 podem corresponder a dados tabulares sob a forma de valores separados por vírgulas com o auxílio de arquivos no formato csv (comma- separated values) chamados “mapas”. Assim, o mapa para a ordem 1 de passagem em oficina da Fig. 4 pode ser estruturado da maneira seguinte: - Data mapa; Patamares; causa X; patamar 1; ordem 1; modelo motor; rating motor (quer dizer, um submodelo do motor em função do impulso fornecido pelo motor); 0; 2000; pequena sv. - Data mapa; Patamares; causa X; patamar 2; ordem 1; modelo motor; rating motor; 2000; 5000; média sv. - Data mapa; Patamares; causa X; patamar 3; ordem 1; modelo motor; rating motor; 5000; 50000; pesada sv.

[00055] Os limites inferior e superior de cada patamar L1, L2, L3 são definidos para cada tipo de motor em relação a seu ambiente. Vantajosamente, esses limites são modificados ou ajustados em função do retorno de experiência nas intervenções feitas em oficina 3.

[00056] Por outro lado, o conjunto de segundos módulos de regras R2 define para cada um dos patamares L1, L2, L3 primeiros módulos R1, o nível final de intervenção em função das exigências de reconstrução do motor 1. Dito de outro modo, para cada primeiro módulo de regras R1, existe um segundo módulo de regras R2 que define relações entre os níveis de intervenção do primeiro módulo de regras e operações finais de manutenção. Os segundos módulos de regras R2 podem assim ser criados com o auxílio de arquivos ou mapas no formato csv.

[00057] As etapas E20 e E30 da Fig. 3 são similares àquelas descritas em relação à Fig. 2.

[00058] Assim, na etapa E20, os meios de tratamento 11 dispõem do conjunto de modelos de falhas M1, M2, M3, ..., Mn adaptados ao motor 1.

[00059] A título de exemplo, dispõe-se de um primeiro modelo de falha M1 que se refere a uma causa de falha ligada à temperatura de saída dos gases de escapamento EGT (Exhaust Gas Temperature), um segundo modelo de falha M2 que se refere a uma causa de falha no Core, um terceiro modelo de falha M3 que se refere a uma causa de falha na TBP, e um enésimo modelo de falha Mn que se refere a uma causa de falha na ventoinha Fan.

[00060] Em seguida, na etapa E30, os meios de tratamento 11 confrontam o conjunto de modelos de falhas M1, M2, M3, ..., Mn adapta dos ao motor 1 para selecionar um modelo de falha pertinente Mi com a idade T0 que o motor 1 terá no momento da falha.

[00061] Fazendo-se referência ao exemplo precedente, será suposto que o modelo pertinente Mi é o primeiro modelo de falha M1 relativo à EGT a 18 kciclos que foi selecionado depois da confrontação dos modelos de falhas M1, M2, M3, ..., Mn e de um potencial LLP inicial de 20 kciclos no segundo modelo de falha M2 relativo ao Core, 25 kciclos no terceiro modelo de falha M3 relativo à TBP, e 30 kciclos no enésimo modelo de falha Mn relativo à Fan.

[00062] Nas etapas E41 e E42, os meios de tratamento 11 são configurados para associar ao modelo de falha pertinente Mi regras de decisão que compreendem os primeiro e segundo módulos de regras em função do conjunto de parâmetros P1, ..., Pi relativos ao motor.

[00063] Mais especialmente, na etapa E41, os meios de tratamento 11 associam ao modelo de falha pertinente Mi um primeiro módulo de regras R1 que define uma pluralidade de níveis de intervenção L1, L2, L3 em relação a tempos de funcionamento do motor 1.

[00064] Em seguida, os meios de tratamento 11 selecionam um ní- vel pertinente entre a pluralidade de níveis de intervenção L1, L2, L3 em função da idade de falha T0 associada ao modelo de falha pertinente Mi selecionado na etapa E30. Esse primeiro módulo de regras R1 permite fornecer um nível de intervenção mínimo de operações de manutenção.

[00065] No caso do exemplo precedente, o modelo de falha pertinente M1 que se refere à falha EGT a 18 kciclos se coloca no segundo patamar L2 do primeiro módulo de regras R1 associado a um SV média para uma intervenção mínima no “Core”.

[00066] Na etapa E42, os meios de tratamento 11 selecionam o segundo módulo de regras R2 que define as relações entre os níveis de intervenção L1, L2, L3 do primeiro módulo de regras R1 associado ao modelo de falha pertinente Mi, e as operações de manutenção corres-pondentes.

[00067] O segundo módulo de regras R2 permite que os meios de tratamento 11 determinem o nível de intervenção exigido de manutenção em função do nível pertinente L2 selecionado na etapa E41, exigências de reconstrução do motor, e potenciais de tempo de vida restante para cada peça de duração limitada LLP do motor 1.

[00068] Por exemplo, o mapa do segundo módulo de regras R2 para a causa X e a ordem 1 de passagem em oficina pode ser estruturado da maneira seguinte:

[00069] Número Causa X; Causa X; patamar 1; Necessidade LLP (sim/não). Necessidade LLP Fan (sim/não). Necessidade LLP Core (sim/não); Necessidade LLP TBP (sim/não); código workscope final; workscope combinatório (sim/não); workscope final.

[00070] Será suposto que no exemplo exposto acima, as exigências de reconstrução do motor 1 são de 8 kciclos nas LLP por ocasião da passagem na oficina. Dito de outro modo, que o motor 1 deve ser reconstruído para poder funcionar de novo no final de sua passagem na oficina para pelo menos 8000 ciclos. Será suposto que os potenciais restantes são de 200 ciclos no Core, 7000 ciclos na TBP e 12000 ciclos na Fan. É portanto necessário trocar as LLP do Core e da TBP para colocar neles LLP com um potencial superior a 8000 ciclos. Há portanto uma necessidade de LLP Core e TBP, o que aumenta o nível de intervenção inicial Core para Core+TBP.

[00071] Assim, os meios de tratamento 11 determinam em função desses primeiro e segundo módulos de decisão o nível de intervenção exigido de manutenção Wf (workscope final) a executar no motor 1 no momento de sua passagem em oficina 3 indicado pela idade de falha pertinente T0 determinada precedentemente.

[00072] Vantajosamente, depois da execução da operação de manutenção no motor corrente, readapta-se o conjunto de parâmetros. Isso permite levar em consideração os resultados da intervenção presente para determinar a intervenção seguinte de modo ainda mais fino. [00073] Será notado que para uma previsão de operação de manutenção ótima, é vantajoso levar em consideração todos os parâmetros seguintes: idade de falha, ordem de passagem em oficina, potencial de tempo de vida restante para cada uma das peças de duração limitada LLP do motor, e exigências de reconstrução do motor. Naturalmente, o método de acordo com a presente invenção funciona também com mais parâmetros ou com somente uma parte desses parâmetros. Por exemplo, é possível não levar em consideração o parâmetro que correspondeà ordem de passagem em oficina.

Claims

1. Método de previsão de operações de manutenção em um motor de aeronave corrente, caracterizado pelo fato de que ele compreende as etapas seguintes: - inicializar dados de entrada compreendendo um modelo do dito motor e um conjunto de parâmetros (P1, ..., Pi) e regras de decisão (R) de níveis de intervenção no dito motor; - confrontar um conjunto de modelos de falhas (M1, ..., Mn) adaptados ao dito motor corrente (1) para selecionar um modelo de falha pertinente (Mi) que tem uma idade de falha (T0) que define a idade do dito motor no momento da falha; - associar as regras de decisão (R) de nível de intervenção no dito motor corrente (1) ao dito modelo de falha pertinente (Mi) em função do dito conjunto de parâmetros (P1, ..., Pi) relativos ao dito motor corrente; e - determinar o nível de intervenção de manutenção (Wf) exigido a ser executado sobre o dito motor corrente em função das ditas regras de decisão.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o dito conjunto de parâmetros compreende os parâmetros seguintes: idade de falha, tempo de funcionamento do dito motor corrente a partir de uma última passagem em oficina, ordem de passagem em oficina, potencial de tempo de vida restante para cada uma de uma pluralidade de peças de duração limitada (LLP) do dito motor corrente, e exigências de reconstrução do dito motor.

3. Método, de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que as ditas regras de decisão compreendem um primeiro módulo de regras (R1) que definem uma pluralidade de níveis de intervenção (L1, L2, L3) em relação a tempos de funciona mento do dito motor, e pelo fato de que um nível pertinente é seleci- onado entre a dita pluralidade de níveis de intervenção em função da dita idade de falha (T0) associada ao dito modelo de falha pertinente (Mi).

4. Método, de acordo com a reivindicação 3, caracterizado pelo fato de que o dito primeiro módulo de regras (R1) é selecionado entre um conjunto de primeiros módulos de regras definidos antes por ocasião de uma fase de inicialização, cada um dos ditos primeiros módulos de regras sendo associado a um modelo de falha determinado e a uma ordem determinada de passagem em oficina.

5. Método, de acordo com qualquer uma das reivindicações 3 ou 4, caracterizado pelo fato de que as ditas regras de decisão compreendem um segundo módulo de regras (R2) que definem relações entre os níveis de intervenção do dito primeiro módulo de regras e operações de manutenção, e pelo fato de que o dito nível de intervenção exigido de manutenção é determinado em função do dito nível pertinente, das exigências de reconstrução do dito motor, e dos potenciais de tempo de vida restante para cada uma de uma pluralidade de peças de duração limitada LLP do dito motor corrente.

6. Método, de acordo com qualquer uma das reivindicações 1 a 5, caracterizado pelo fato de que o dito conjunto de parâmetros é readaptado depois da realização da operação de manutenção no dito motor corrente.

7. Método, de acordo com qualquer uma das reivindicações 1 a 6, caracterizado pelo fato de que os ditos modelos de falhas são provenientes de análise do retorno de experiência em uma frota de motores que compreende os dados seguintes: número de motores, ambiente de operação de cada motor, modelo de cada motor, condição de operação de cada motor, local de manutenção de cada motor, tempo entre a entrada e a saída de cada motor da oficina.

8. Sistema de previsão de operações de manutenção em um motor de aeronave corrente, caracterizado pelo fato de que ele compreende: - meios de inicialização de dados de entrada compreendendo um modelo do dito motor e um conjunto de parâmetros (P1, ..., Pi) e regras de decisão (R) de níveis de intervenção no dito motor; - meios de tratamento (11) para confrontar um conjunto de modelos de falhas (M1, ..., Mn) adaptados ao dito motor corrente para selecionar um modelo de falha pertinente (Mi) que tem uma idade de falha (T0) que define a idade do dito motor no momento da falha; - meios de tratamento (11) para associar ao dito modelo de falha pertinente, regras de decisão de nível de intervenção no dito motor corrente em função de um conjunto de parâmetros relativos ao dito motor corrente; e - meios de tratamento (11) para determinar em função das ditas regras de decisão o nível de intervenção exigido de manutenção a ser executado no dito motor corrente.