EP4222670A1 - Verfahren zur wartungsplanung von flugzeugtriebwerken - Google Patents

Verfahren zur wartungsplanung von flugzeugtriebwerken

Info

Publication number
EP4222670A1
EP4222670A1 EP21798274.3A EP21798274A EP4222670A1 EP 4222670 A1 EP4222670 A1 EP 4222670A1 EP 21798274 A EP21798274 A EP 21798274A EP 4222670 A1 EP4222670 A1 EP 4222670A1
Authority
EP
European Patent Office
Prior art keywords
maintenance
engines
engine
fleet
maintenance plan
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21798274.3A
Other languages
English (en)
French (fr)
Inventor
Sabine PUNGE
Markus Wagner
Paul Janke
Carsten HOF
Martin FRIIS-PETERSEN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MTU Aero Engines AG
Original Assignee
MTU Aero Engines AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by MTU Aero Engines AG filed Critical MTU Aero Engines AG
Publication of EP4222670A1 publication Critical patent/EP4222670A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group

Definitions

  • the present invention relates to a method for planning the maintenance of aircraft engines.
  • the maintenance intervals specified by the engine manufacturers are usually conservative and not optimized in terms of costs and/or maintenance effort.
  • approaches have been developed in the prior art in order to use software to optimize maintenance/servicing plans for individual engines. This approach is currently prevalent in aircraft engine maintenance scheduling. With such an individual optimization, there can be contradictory external factors that increase the complexity of the optimization. For example, one can potentially save effort by maximizing the maintenance intervals, since one shop visit can be saved over the entire lifetime of the engine. However, there is also the effect that later shop visits are usually more expensive (mainly due to rising material prices), so that, depending on what assumptions are made, a different optimum of the maintenance intervals can result.
  • one object of an embodiment of the present invention is to provide an improved method for automatically creating and optimizing a maintenance plan for a fleet of aircraft engines.
  • a first aspect of the present invention relates to a method, in particular a computer-implemented method, for automatically creating an optimized maintenance plan for a fleet of aircraft engines, the method having at least the following steps:
  • Fleet of aircraft engines individually and/or as a whole represent maintenance-related information and in particular an average service life (“Mean Time Between Shop Visits (MTB SV)”) or data regarding life-limited components (Life-limited Parts (LLP)) of the engines of the engine fleet include (this data but can also represent, for example, any temporal or technical boundary conditions to be observed for the maintenance of the aircraft engines and/or at least one influencing factor on the effort to be made for the maintenance of the fleet);
  • Such an optimization method according to the invention according to the first aspect makes it possible, by pre-sorting the engines and taking into account the interactions between the engines of the fleet according to the expected effort, to obtain a greater savings potential compared to individual optimization.
  • the named optimization strategies can be pre-programmed or predetermined optimization algorithms or heuristics.
  • An example of such a strategy could be an algorithm that reduces a shop visit in which LLPs are to be replaced in the maintenance plan to a shop visit without replacing the LLPs if the condition is met that less than 2 LLPs in no more than an engine module are affected.
  • At least one optimization strategy can initially be applied to the first engine when carrying out step e). are taken into account, taking into account the effects of this optimization on the other engines in the fleet (e.g. postponement of shop visits, availability of spare parts, etc.) and then a total maintenance effort for the entire fleet is determined after this sub-step.
  • the optimization can be retained and progressed to the next engine in the fleet, or if a predetermined stopping criterion is met, the optimization could be stopped at this point also be terminated.
  • the individual engines can be optimized in the pre-sorted sequence, with interactions between the engines being considered.
  • sequentially applying the selected optimization strategy(s) to an engine might not apply a strategy to an engine if doing so would alter a maintenance schedule of a previously optimized engine.
  • the engines can be sorted again according to step d) according to the at least one criterion and, after this step, an optimization strategy or combination of optimization strategies in the newly determined order to be applied to the respective engines.
  • output data in particular an estimated total maintenance effort or estimated total costs, can also be output in step f) in addition to the optimized maintenance plan.
  • steps d) and e) can be iterated until a predetermined termination criterion is met based on the above-mentioned output data, for example a reduction in working hours or a reduction in costs by a defined percentage.
  • a specified number of iteration cycles can also be defined as a termination criterion.
  • the engines of the fleet can preferably be re-sorted according to the at least one criterion before each new iteration.
  • a different optimization strategy or heuristic may be applied in each iteration.
  • Different planning strategies can also be combined during the iterations.
  • the individual aircraft engines can be optimized individually or collectively, since the planning strategies for each individual aircraft engine can also influence the overall planning strategy for all aircraft engines in a fleet. Accordingly, combinations are calculated by the applied method or the applied algorithm, which step by step in the iterative process lead to low total operating costs.
  • different maintenance strategies can be selected and applied independently of one another.
  • the results generated from the individual iterations can be compared with one another, in particular with the previously determined maintenance plan.
  • the algorithm can loop back to this previous plan and apply an alternative optimization strategy to it. Therefore, a user does not have to manually determine and define the strategies and synergies between the individual maintenance plans of the individual aircraft engines and sub-fleets in advance, but these are automatically identified iteratively by the method.
  • the method according to the invention can make a selection have predefined or pre-programmed optimization strategies, which are then applied sequentially to the individual engines in the fleet and changed over in several iterations until a specific termination criterion is met or a local optimum is reached.
  • the iterative optimization in each iteration can also include the step of determining the optimized maintenance plan for the fleet associated with this iteration based on an aggregation of the individual maintenance plans resulting from this iteration with regard to the individual aircraft engines.
  • the maintenance plan for the fleet can also be further optimized.
  • an interaction of the maintenance measures for the individual aircraft engines can be taken into account for the determination of the maintenance plan and/or for the determination of the respective individual maintenance plans.
  • the availability of an aircraft engine as input data can mean that an aircraft engine to be replaced can be replaced by the available aircraft engine at a certain point in time, whereas another aircraft engine to be replaced can only be replaced at a later point in time, since the required available aircraft engine is already available for the earlier one Exchange is planned, and another aircraft engine must first be procured.
  • a method for automatically creating an optimized maintenance plan for a fleet of aircraft engines, the method having at least the following steps: specific to the individual aircraft engines and/or related to the entire fleet represent information and in particular include a "Mean Time Between Shop Visits (MTBSV)" or data regarding Life Limited Parts (LLP) of the engines; b) providing an existing initial maintenance plan or creating an initial maintenance plan based on the recorded input data, in particular the MTBSV and/or LLP data, for the engines (E1, E2, E3, E4); c) calculating a total maintenance effort for the fleet in case of application of the initial maintenance plan; d') Optimizing the initial maintenance plan by means of a self-learning algorithm trained for this purpose; and f) outputting a maintenance plan for the engines optimized after application of step d′) and/or output data, which in particular include an estimated total maintenance effort of the optimized maintenance plan.
  • the trained algorithm may be based on machine learning and may include
  • the automated iterative approach can be combined with the machine learning based approach.
  • a maintenance plan created automatically iteratively according to the first aspect of the invention can be used as the initial maintenance plan for an optimization method based on machine learning, or vice versa.
  • the automated iterative approach provides a good starting point from which the machine learning-based algorithm can quickly converge to a further optimized solution.
  • the input data can preferably contain at least one data record from the group: average service life/mean time between shop visits (MTBSV); the time required and/or the costs (work scope) of the respective types of shop visits; Data regarding Life limited Parts (LLP) of engines (E1, E2, E3, E4), especially remaining cycles of the LLPs; engine type; interchangeable small parts; availability of used and/or new spare parts; cost of used and/or new replacement parts; technical specifications of aircraft engines; the time interval for each aircraft engine since initial registration or since last shop visit; represent the availability of the same type of respective aircraft engines scheduled for servicing.
  • MTBSV average service life/mean time between shop visits
  • LLP Life limited Parts
  • engine type interchangeable small parts
  • availability of used and/or new spare parts cost of used and/or new replacement parts
  • technical specifications of aircraft engines the time interval for each aircraft engine since initial registration or since last shop visit; represent the availability of the same type of respective aircraft engines scheduled for servicing.
  • One or more of these input data can be used to create the maintenance plan.
  • Other input data/input variables can lead to completely different maintenance plans for the respective individual aircraft engine or for the fleet.
  • the output data output in step f) or f) can contain one or more data sets from the group: next maintenance time for the aircraft engines; need for replacement and short-term lease engines for the next maintenance; material requirements for the next maintenance; labor requirements for the overall maintenance plan; total cost of ownership for the engine fleet; cost per flight hour for the engine fleet and/or cash flow.
  • the total maintenance effort used in comparing the baseline maintenance plan to the optimized maintenance plan may represent labor effort or material usage or total cost of the fleet.
  • the total maintenance cost represents labor cost or material cost.
  • the workload can be the total number of working hours required to carry out the maintenance, the hours required to carry out the maintenance required personnel or also the costs arising from the working hours and/or the required material.
  • the cost of materials can include the required spare parts and their logistical provision at the maintenance site. Methods for deriving these values from a maintenance plan are known, for example, from US Pat. No. 8,744,864 B2.
  • the input data may include qualified estimates of market development, such as the availability of material/spare parts in the market; the material costs and material cost development or the availability and costs of external replacement engines or green-time or leasing engines.
  • the method can be set up to automatically output maintenance plans optimized for different scenarios. For example, for good, neutral and bad price developments on the material market.
  • a further aspect of the invention relates to a method for the optimized maintenance of an engine fleet, with an optimized maintenance plan being drawn up or obtained according to one of the aforementioned aspects first and the engine fleet then being maintained, repaired and/or overhauled in accordance with the optimized maintenance plan.
  • Another aspect of the invention relates to the automated execution of the methods described above for optimizing maintenance schedules for engine fleets by computer or other data processing means.
  • Such a means within the meaning of the present invention can be designed in terms of hardware and/or software, in particular a processing unit (CPU) and/or a processing unit (in particular a microprocessor) that is preferably data- or signal-connected to a memory and/or bus system have one or more programs or program modules.
  • the CPU can be designed to process commands that are implemented as a program stored in a memory system, to detect input signals from a data bus and/or to emit output signals to a data bus.
  • a storage system can have one or more, in particular different, storage media, in particular optical, magnetic, solid state, and/or other non-volatile media.
  • the program may be arranged to embody or be capable of performing the methods described herein such that the CPU can perform the steps of such methods.
  • a computer program product can have, in particular be a, in particular non-volatile, storage medium for storing a program or with a program stored thereon, with the execution of this program causing a system or a controller, in particular a computer, to execute a Method or one or more of its steps to perform.
  • one or more, in particular all, steps of the method are carried out fully or partially automatically, in particular by a computer or another data processing system.
  • Another aspect of the present invention relates to a computer program that is configured to carry out the method according to the first aspect.
  • a further aspect of the invention relates to a device for the automated creation and optimization of a maintenance plan for aircraft engines, the device being configured to carry out the method according to the first aspect.
  • Fig. 1A shows a first embodiment of the present invention
  • IB shows a second embodiment of the present invention
  • Fig. IC shows a third embodiment of the present invention
  • FIG. 2A is an illustration of an initial maintenance plan
  • 2B is an illustration of an improved maintenance schedule.
  • FIG. 1A shows a first exemplary embodiment of a method 100 for automatically creating an optimized maintenance plan for an engine fleet according to the present invention.
  • the method 100 is computer-implemented in the present example.
  • the engine fleet includes only aircraft engines E1, E2, E3, E4.
  • input data 110 are recorded in a database, each relating to one or more aircraft engines E1, E2, E3, E4.
  • the input data 110 can represent data on the aircraft engine fleet, customer data, manufacturer specifications, data on maintenance, repair and overhaul, data on costs and price developments, technical specifications of the respective aircraft engines, or also data on market forecasts.
  • manufacturer specifications such as service life or airline maintenance strategies are taken into account.
  • technical and commercial information regarding repair, maintenance and overhaul is taken into account.
  • the general engine data or engine fleet data can include, for example, one or more elements from the following list: engine type, time since commissioning (Time since New / TSN), cycles since commissioning (cycle since new / CSN), time since last Shop visit (time since last shop visit / TSLSV), cycles since the last shop visit (cycles since last shop visit / CSLSV), time of commissioning (entry into service), time of decommissioning (phase out date / end of life), status the “Life Limited Parts” (LLPs), in particular remaining cycles for the individual parts, remaining engine performance (remaining engine performance) or the configuration of the engine.
  • engine type time since commissioning
  • cycles since commissioning cycle since new / CSN
  • time since last Shop visit time since last shop visit / TSLSV
  • cycles since the last shop visit cycles since the last shop visit (cycles since last shop visit / CSLSV)
  • time of commissioning entry into service
  • time of decommissioning phase out date / end of life
  • LLPs Life Limited Parts
  • Manufacturer specifications may include, for example, mandatory life limits on various parts, mandatory inspections, part numbers, and engine configuration data.
  • Customer data (usually an airline) can be, for example: Availability of replacement engines or parts; Data on the operated flight routes.
  • Maintenance, repair and overhaul data may be based in particular on the technical experience and input of the operator of the optimization program. These can include, for example: Experience-based effort (work scope) of certain types of shop visits; cost development of shop visits; temporal availability of capacities for shop visits or the average downtime "Mean Time Between Shop Visits" / On Wing Time.
  • Qualified market development estimates may include: availability of material/spare parts in the market; Material costs and material cost development; Availability and costs of external replacement engines or Greentime or leasing engines.
  • an initial maintenance plan 140 is created with predetermined maintenance intervals between shop visits or after commissioning for the aircraft engines E1, E2, E3, E4 as part of a chronological forward planning.
  • the predetermined maintenance intervals can, for example, be specified by the customer or be based on a maximum maintenance interval that is specified by the manufacturer or by law.
  • an initial maintenance plan 140 specified by the customer could also be entered into the method as an input data record, or the initial maintenance plan 140 could be created on the basis of other input data e.g. based on the remaining cycles of Life Limited Parts or the "Mean Time Between Shop Visits".
  • an automated iterative algorithm 120 is run in the exemplary embodiment in FIG. 1A.
  • a maintenance effort is estimated according to a predetermined criterion for each of the aircraft engines E1, E2, E3, E4 and the aircraft engines are then sorted according to the expected effort (descending).
  • the expected effort may be a value generated from the baseline maintenance plan for each engine. For example, a maintenance duration, estimated maintenance costs, material costs or a combination of these can be stored for individual operations, which are then cumulated or otherwise converted into a parameter.
  • an optimization strategy or heuristic H1, H2, H3, H4 that is predefined or stored in the program in a preprogrammed manner is executed on the engine (eg El) with the highest expected maintenance effort.
  • Exemplary optimization strategies H1, H2, H3, H4 are described in more detail later.
  • Interactions with the maintenance planning of the other engines in the fleet are taken into account (e.g. available spare parts or time windows in the assembly hall).
  • the program checks whether the overall maintenance effort for the engine fleet has reduced compared to the initial maintenance plan and takes into account the respective individual maintenance plans for engines El, E2, E3, E4 (cf. 2).
  • the optimization strategy maintains the changes to the maintenance schedules and the algorithm continues to optimize the next engine. If the overall maintenance effort has not decreased or deteriorated, changes to the maintenance plans are discarded by the optimization strategy and the algorithm chooses either a different optimization strategy Hl,. . ,,H4 off or continue with the next engine if there are no more stored optimization strategies available.
  • step 170 one of the predefined or preprogrammed optimization strategies H1, . . . ,,H4 calculated on the engine (e.g. E2) with the second highest expected maintenance effort, and if there is a further improvement in the total maintenance effort of the fleet also applied, as already described for step 160.
  • This procedure is repeated for each engine in turn until the last engine in the fleet has been considered (step 180).
  • the program sequentially iterates through optimization strategies for each engine E1, E2, E3, E4 until there is an improvement for the entire engine fleet.
  • a predefined boundary condition e.g. a predefined number of iteration cycles or a predefined desired percentage reduction in effort
  • Termination criteria could be, for example, that a target optimization has been achieved or that no further improvement has been achieved in the last x iteration cycles.
  • the output data can represent forecasts of planned maintenance dates, forecasts of required material, and forecasts of total cost of ownership.
  • methods to The person skilled in the art is familiar with generating such characteristic data or initial data from a maintenance plan, for example from US Pat.
  • an initial maintenance plan is iteratively optimized.
  • a maintenance plan assigned to the respective iteration is defined.
  • the engines are sorted into a specific sequence and processed one after the other according to a predetermined optimization strategy. From this, a modification can be made with regard to the type or the point in time of the maintenance measures to be carried out with regard to the individual aircraft engines if an improvement is recognized through the use of the optimization strategy. Modifying the type of maintenance measure can mean, for example, changing from repairing a part of an aircraft engine that was provided in the previous iteration to replacing the part with a spare part for the current iteration.
  • FIG. 1B shows a second embodiment of the present invention.
  • a method based on artificial intelligence (AI) 210 is provided.
  • the input data 110 described above is processed using a trained self-learning algorithm, for example a tree-based algorithm, in order to generate output data 220 based on AI.
  • the algorithm can be trained manually by feeding it the input data and the associated optimized maintenance schedules and output data sets designed by an experienced maintenance planner were created. Alternatively, it can also be trained using existing data sets from the iterative automatic optimization process described above according to the first exemplary embodiment.
  • the algorithm learns which decisions (which optimization strategies H1, H2, etc.) are more promising than others in which situations and prefers to use them.
  • AI processing can be enabled or disabled by a user.
  • Fig. IC shows a third embodiment of the present invention.
  • a method with automated iterative processing and AI for creating a maintenance plan is shown schematically.
  • the input data 110 are processed one after the other by the automated iterative algorithm 120 and AI-based algorithm 210 .
  • processing by the AI-based algorithm 210 takes place first, and then processing by the automated iterative algorithm 120 takes place.
  • Output data 220, 310 are generated from this.
  • the use of both algorithms, i.e. automated iterative and AI-based is advantageous for particularly demanding models that require a lot of computing power.
  • FIGS. 1A, 1B and IC also make it possible to select the appropriate planning strategy for creating a maintenance plan for an aircraft engine fleet from various planning strategies that can be used. These include adjusting the mean time between maintenance visits, allocations of limited-life parts (LLPs), and the use of new or used aircraft engines from within the facility or from an outside contractor.
  • LLPs limited-life parts
  • different conditions and/or restrictions that are specific to a respective aircraft engine fleet can be defined.
  • Discontinuation scenarios and conditions for optimization can also be defined and adjusted. Taking into account all input data and boundary conditions, a maintenance date can be predicted, with the total operating costs for each individual aircraft engine and the aircraft engine fleet being able to be minimized.
  • Fig. 2A shows an exemplary representation of an initial maintenance plan 400.
  • the required shop visits are each on a time axis between a start time t1 and an end time t2 or t3, which is the end of the life cycle (EOL ) of the respective aircraft engine can be shown.
  • the engines E1 and E2 have the point in time t2 as the end of their life cycle and the engines E3 and E4 have the later point in time t3.
  • E1-S2 stands for the status of aircraft engine 1 at the second shop visit in the initial maintenance plan 140 that was created.
  • the shop visits are marked with an engine symbol, which symbolizes the scope of work (work scope) of the respective shop visit.
  • the symbol stands for a performance restoration (performance restoration) as shown, for example, in E1-S1, FIG. 2A.
  • performance restoration performance restoration
  • LLPs lifetime limited parts
  • Fig. 2A this is due to Material costs and labor a more complex measure than the performance restoration.
  • FIG. 2B shows an exemplary representation of a maintenance plan 500 improved by means of a method according to an exemplary embodiment of the present invention.
  • exemplary optimization strategies that can be used within the framework of one of the above-mentioned methods are to be explained using this example.
  • step 150 described above the engines of the fleet were sorted in descending order (E1-E4) according to estimated maintenance effort or maintenance costs.
  • the automated iterative algorithm begins by searching for a suitable optimization strategy for engine El.
  • a first planning strategy or heuristic Hl that is applied checks for the more complex category of shop visits, in which, according to manufacturer specifications, parts with a limited service life (LLPs) are to be replaced with new parts, whether the appropriate LLPs with sufficient remaining service life are available in one of the other engines in the fleet are found.
  • LLPs parts with a limited service life
  • such a replacement of LLPs by new parts is provided in the outgoing maintenance plan 400 for the shop visits E1-S2, E2-S2, E3-S3, E3-S3 and E4-S1.
  • the algorithm ensures that LLPs with sufficient remaining cycles are present in the engine E2 at a suitable point in time, which can be used in the engine El for the shop visit E1-S2, since there are only a few remaining cycles left on the corresponding components of the engine El. Due to the transfer of these used LLPs in the engine fleet from engine E2 to engine El (dashed oblique line in Maintenance plan 500), the engine El can continue to be operated without the use of additional new parts up to its planned shutdown date (EOL) at time t2. After applying this strategy, the program checks whether the measure has reduced the overall maintenance effort. Since this test has a positive result, the second engine E2 is continued.
  • EOL planned shutdown date
  • the program sees no applicability for optimization strategy H1 on engine E2 and therefore checks second planning strategy H2.
  • This optimization strategy sequentially checks for all engines E1, E2, E3, E4 for each shop visit in which, according to manufacturer specifications, parts with a limited service life (LLPs) are to be replaced with new parts, whether suitable LLPs with a sufficient remaining service life can be obtained on the open market used and at what price this is possible.
  • this strategy determines that new parts can be dispensed with in the Shop Visit E2-S2 by obtaining used LLPs from the market. Since this results in an overall improvement in costs, this optimization is adopted.
  • the strategy recognizes that Shop Visit E3-S1 can eliminate the need for new parts by sourcing used LLPs from the market.
  • the program determines that a third planning strategy, H3, could still be used.
  • Strategy H3 serially checks whether a shop visit to replace lifetime-limited parts (LLPs) with new parts can be avoided by increasing the scope of the maintenance work (workscope) of the previous shop visit.
  • the algorithm uses this strategy to determine that by replacing some LLPs at an early stage with used parts in better condition in the previous shop visit E3-S2, a less complex "performance restoration" is sufficient in the last scheduled shop visit E3-S3 to achieve up to the Getting through decommissioning of E3 at time t3. This avoids having to procure new parts shortly before the EOL of the engine E3 and thus "wasting" their life cycles.
  • the program cannot find any individual optimization for the E4 engine that would further reduce the effort for the entire fleet. An iteration loop is thus completed.
  • the program applies a fourth planning strategy H4 in a second iteration loop.
  • This strategy states that the overall costs can be reduced by taking the engine E2 out of service more quickly instead of the shop visit E2-S3 and using a spare engine (engine symbol with closed circle in Fig. 2B) for the short remaining life at this point (e.g. the input data can be used to query whether a replacement engine is available in the engine fleet; alternatively, it can be compared whether the leasing costs for an external engine stored in the input database are lower than the estimated costs for a performance restoration).

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die vorliegende Erfindung betrifft ein, insbesondere computerimplementiertes, Verfahren zum automatisierten Erstellen eines optimierten Wartungsplans für eine Flotte von Flugzeugtriebwerken, wobei das Verfahren zumindest die folgenden Schritte aufweist: Erfassen von Eingangsdaten (110) zu einer Mehrzahl von Triebwerken, die für die Flotte von Flugzeugtriebwerken individuell und/oder insgesamt Wartungsbezogene Informationen repräsentieren und insbesondere ein „Mean Time Between Shop Visits (MTB SV)" oder Daten bezüglich Life limited Parts (ELP) der Triebwerke (E1, E2, E3, E4) umfassen; Bereitstellen eines vorhandenen Ausgangswartungsplans (140) oder Erstellen eines Ausgangswartungsplans (140) anhand der erfassten Eingangsdaten (110), insbesondere der MTB SV und oder ELP - Daten, für die Triebwerke (E1, E2, E3, E4); und Erstellen eines optimierten Wartungsplans für die Flotte, ausgehend von dem initialen Wartungsplan, auf zumindest einem der folgenden Wege: (a) iteratives Optimieren des Wartungsplans anhand von algorithmisch hinterlegten Heuristiken; (b) Verwenden eines trainierten auf maschinellem Lernen beruhenden Optimierungsverfahrens zur Optimierung des Wartungsplans.

Description

Verfahren zur Wartungsplanung von Flugzeugtriebwerken
Die vorliegende Erfindung betrifft ein Verfahren zur Wartungsplanung von Flugzeugtri eb werken .
Auf dem technischen Gebiet der Wartung bzw. Instandhaltung von Flugzeugtriebwerken ist es bekannt, diese nach festen Wartungsintervallen zu warten. Darüber hinaus kann es zusätzliche Werkstattaufenthalte, sogenannte Shop Visits, geben, die z.B. in Abhängigkeit eines erfassten oder berechneten Triebwerkszustands oder auch bei einem (Bauteil-)Versagen durchgeführt werden. Dabei werden die Wartungsintervalle häufig durch den Hersteller der Triebwerke oder die das Triebwerk betreibende Airline vorgegeben.
Die von den Triebwerksherstellern vorgegebenen Wartungsintervalle sind i.d.R. konservativ ausgelegt und hinsichtlich Kosten und/oder Wartungsaufwand nicht optimiert. Vor diesem Hintergrund wurden im Stand der Technik Ansätze entwickelt, um Instandhaltungs-/Wartungspläne für einzelne Triebwerke mittels Software zu optimieren. Diese Vorgehensweise ist derzeit vorherrschend bei der Wartungsplanung für Flugzeugtriebwerke. Bei einer solchen Einzeloptimierung kann es widersprüchliche äußere Einflussfaktoren geben, die die Komplexität der Optimierung erhöhen. Bspw. kann man potentiell Aufwand einsparen, in dem man die Wartungsintervalle maximiert, da man über die gesamte Lebenszeit des Triebwerks ggf. einen Shop Visit einsparen kann. Allerdings gibt es auch den Effekt, dass spätere Shop Visits in der Regel teurer sind (hauptsächlich wegen steigender Materialpreise), so dass sich, je nach dem was für Annahmen man trifft, ein anderes Optimum der Wartungsintervalle ergeben kann.
Betrachtet man nun eine ganze Triebwerksflotte, dann ergibt sich für diese in der Regel ein anderes Optimum für die Wartungsintervalle der einzelnen Triebwerke als bei der losgelösten Einzeloptimierung derselben Triebwerke. Hierdurch resultiert für Triebwerksflotten ein großes Optimierungspotential, dass gegenüber der Einzeloptimierung von Triebwerken noch gehoben werden kann. Jedoch ergibt sich bei einer Optimierung über eine ganze Triebwerksflotte hinweg und unter Berücksichtigung mehrerer äußeren Einflussfaktoren aufgrund der hohen Komplexität auch ein NP -voll ständiges Problem, welches sich nicht auf einfache Weise deterministisch lösen lässt, sondern ausgefeilte Softwarelösungen erfordert.
Eine Aufgabe einer Ausführung der vorliegenden Erfindung ist es vor diesem Hintergrund, ein verbessertes Verfahren zum automatisierten Erstellen und Optimieren eines Wartungsplans für eine Flotte von Flugzeugtriebwerken bereitzustellen.
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 oder des Anspruchs 5, ein Computerprogramm nach Anspruch 11 oder eine Vorrichtung nach Anspruch 12 gelöst. Vorteilhafte Ausführungsformen der Erfindung sind Gegenstand der Unteransprüche.
Ein erster Aspekt der vorliegenden Erfindung betrifft ein Verfahren, insbesondere ein computerimplementiertes Verfahren, zum automatisierten Erstellen eines optimierten Wartungsplans für eine Flotte von Flugzeugtriebwerken, wobei das Verfahren zumindest die folgenden Schritte aufweist: a) Erfassen von Eingangsdaten zu einer Mehrzahl von Triebwerken, die für die Flotte von Flugzeugtriebwerken individuell und/oder insgesamt wartungsbezogene Informationen repräsentieren und insbesondere eine gemittelte Standzeit („Mean Time Between Shop Visits (MTB SV)“) oder Daten bezüglich lebensdauerbegrenzter Bauteile (Life limited Parts (LLP)) der Triebwerke der Triebwerksflotte umfassen (diese Daten können aber bspw. auch beliebige einzuhaltende zeitliche oder technische Randbedingung für die Wartung der Flugzeugtriebwerke und/oder zumindest einen Einflussfaktor, auf den für die Wartung der Flotte zu leistenden Aufwand repräsentieren); b) Bereitstellen eines vorhandenen Ausgangswartungsplans oder Erstellen eines Ausgangswartungsplans anhand der erfassten Eingangsdaten, insbesondere der MTB SV und oder LLP -Daten, für die Triebwerke; c) Bestimmen eines Gesamt-Wartungsaufwands für die Flotte Falle einer Anwendung des initialen Wartungsplans, wie beispielsweise Gesamtkosten oder ein Gesamtzeit- oder Materialaufwand; d) Sortieren der Triebwerke in eine definierte Reihenfolge nach zumindest einem Kriterium, insbesondere nach einem geschätzten Wartungsaufwand oder geschätzten Wartungskosten (je Triebwerk); e) Anwenden zumindest einer Optimierungsstrategie oder Heuristik (beispielhafte Optimierungsstrategien werden an späterer Stelle beschrieben), die insbesondere als Algorithmus in einem Computerprogramm hinterlegt sein kann, auf die jeweiligen Triebwerke der Triebwerksflotte in der definierten Reihenfolge; und f) Ausgeben eines nach Anwendung von Schritt e) optimierten Wartungsplans für die Triebwerke (der Wartungsplan kann insbesondere Wartungsintervalle und Umfänge der einzelnen Shop Visits umfassen) und optional zusätzlicher Ausgabedaten, die insbesondere einen geschätzten Gesamt-Wartungsaufwand des optimierten Wartungsplans umfassen, z.B. Gesamtkosten oder Gesamtzeitaufwand nach der Optimierung. Bevorzugt kann der Einfluss der angewandten Optimierungsstrategie(en) beim Optimieren eines des Triebwerke auf die anderen Triebwerke der Flotte in dem Verfahren mitberücksichtigt werden.
Ein solches erfindungsgemäßes Optimierungsverfahren nach dem ersten Aspekt ermöglicht es durch die Vorsortierung der Triebwerke und nach erwartetem Aufwand Berücksichtigung der Wechselwirkungen zwischen den Triebwerken der Flotte gegenüber der Einzeloptimierung ein größeres Einsparpotential zu bergen. Die genannten Optimierungsstrategien können vorprogrammierte oder vorbestimmte Optimierungsalgorithmen bzw. Heuristiken sein. Ein Beispiel für eine solche Strategie könnte ein Algorithmus sein, der einen Shop Visit, bei dem LLPs ersetzt werden sollen, im Wartungsplan zu einem Shop Visit ohne Ersetzen der LLPs reduziert, wenn die Bedingung erfüllt ist, dass weniger als 2 LLPs in nicht mehr als einem Triebwerksmodul betroffen sind.
Gemäß einem bevorzugten Ausführungsbeispiel kann beim Ausführen von Schritt e) zunächst zumindest eine Optimierungsstrategie auf das erste Triebwerk angewandt werden, wobei Auswirkungen dieser Optimierung auf die anderen Triebwerke der Flotte mitberücksichtigt werden, (bspw. Verschiebung der Shop Visits, Verfügbarkeit von Ersatzteilen etc.) und anschließend ein Gesamt-Wartungsaufwand für die ganze Flotte nach diesem Teilschritt ermittelt werden. In dem Fall, dass sich der Gesamt-Wartungsaufwand für die Gesamtflotte durch Anwenden der Strategie am ersten Triebwerk verringert, kann die Optimierung beibehalten und zum nächsten Triebwerk in der Flotte fortgeschritten werden oder, wenn ein vorbestimmtes Abbruchkriterium erfüllt ist, könnte die Optimierung an dieser Stelle auch beendet werden. In dem Fall, dass sich der Gesamt-Wartungsaufwand für die Triebwerksflotte durch Anwenden der Strategie am ersten Triebwerk nicht-verringert könnte entweder eine andere Strategie auf das erste Triebwerk angewendet oder ohne Optimierung des ersten Triebwerks zu nächsten Triebwerk fortgeschritten werden oder die Optimierung abgebrochen werden. So kann in einer weiter bevorzugten Ausgestaltung in der vorsortierten Reihenfolge eine Optimierung der einzelnen Triebwerke erfolgen, wobei Wechselwirkungen zwischen den Triebwerken in die Betrachtung eingehen. In einer alternativen Ausführungsform könnten beim sequentiellen Anwenden der ausgewählten Optimierungsstrategie(en) eine Strategie auf ein Triebwerk dann nicht angewandt werden, wenn dadurch ein Wartungsplan eines bereits zuvor optimierten Triebwerks verändert werden würde. Ein solches weiter verfeinertes Optimierungsverfahren nach dem ersten Aspekt vereinfacht es gegenüber der herkömmlichen , ein Optimum auf Flottenebene zu finden Synergien zu berücksichtigen und somit in eine größeren Gesamtoptimierung oder Kostenersparnis zu erzielen, als es ein individuelles Optimieren der einzelnen Triebwerke bewerkstelligen könnte.
Gemäß einem bevorzugten Ausführungsbeispiel der Erfindung können nach dem sequenziellen Anwenden zumindest einer Optimierungsstrategie oder Heuristik an jedem der Triebwerke gemäß Schritt e) die Triebwerke erneut gemäß Schritt d) nach dem zumindest einen Kriterium sortiert und nach diesem Schritt erneut eine Optimierungsstrategie oder Kombination von Optimierungsstrategien in der neu ermittelten Reihenfolge an den jeweiligen Triebwerken angewandt werden. In einer weiter bevorzugten Ausgestaltung der Erfindung kann in Schritt f) neben dem optimierten Wartungsplan auch Ausgabedaten, insbesondere ein geschätzter Gesamt-Wartungsaufwand oder geschätzte Gesamtkosten, ausgegeben werden. Die Schritte d) und e) können in diesem Fall so lange iteriert werden, bis anhand der o.g. Ausgabedaten ein vorbestimmtes Abbruchkriterium erfüllt ist, beispielsweise eine Arbeitszeitreduktion oder Kostenreduktion um einen definierten Prozentsatz.
Alternativ kann z.B. auch eine vorgegebene Anzahl an Iterationszyklen als Abbruchkriterium definiert sein. Bevorzugt können die Triebwerke der Flotte vor jeder neuen Iteration nach dem zumindest einen Kriterium neu sortiert werden.
Bei einem weiteren bevorzugten Ausführungsbeispiel kann bei jeder Iteration eine andere Optimierungsstrategie oder Heuristik angewandt werden. Während der Iterationen können auch unterschiedliche Planungsstrategien kombiniert werden. Hierbei können die einzelnen Flugzeugtriebwerke jeweils einzeln oder auch als Kollektiv optimiert werden, da die Planungsstrategien für jedes einzelne Flugzeugtriebwerk auch auf die Gesamtplanungsstrategie aller Flugzeugtriebwerke einer Flotte Einfluss haben kann. Entsprechend werden durch das angewandte Verfahren bzw. dem angewandten Algorithmus Kombinationen berechnet, welche Schritt für Schritt im iterativen Prozess zu geringen Gesamtbetriebskosten führen. Für jeden Wartungsplan, welcher durch das Verfahren in den einzelnen Iterationsschritten bestimmt wird, können unterschiedliche Wartungsstrategien unabhängig voneinander ausgewählt und angewandt werden. In einer bevorzugten Ausgestaltung können die aus den einzelnen Iterationen generierten Ergebnisse miteinander verglichen werden, insbesondere mit dem jeweils vorherigen bestimmten Wartungsplan. Sollte eine angewandte Optimierungsstrategie zu einem schlechteren Ergebnis/ Ausgabewert führen als der vorherig bestimmte Wartungsplan, kann der Algorithmus zu diesem vorherigen Plan zurückspringen und eine alternative Optimierungsstrategie auf diesen anwenden. Daher muss ein Benutzer die Strategien und Synergien zwischen den einzelnen Wartungsplänen der einzelnen Flugzeugtriebwerke und Teilflotten nicht vorab manuell bestimmen und festlegen, sondern diese werden durch das Verfahren automatisiert iterativ identifiziert. In anderen Worten kann das erfindungsgemäße Verfahren eine Auswahl an vordefinierten bzw. vorprogrammierten Optimierungsstrategien aufweisen, die dann jeweils sequenziell an den einzelnen Triebwerken der Flotte angewandt und in mehreren Iterationen durchgewechselt werden, bis ein bestimmtes Abbruchkriterium erfüllt oder ein lokales Optimum erreicht ist.
Bei einigen Ausführungsformen kann das iterative Optimieren in jeder Iteration ferner den Schritt aufweisen: Festlegen des dieser Iteration zugeordneten optimierten Wartungsplans für die Flotte auf Basis einer Aggregation der aus dieser Iteration resultierenden individuellen Wartungspläne bezüglich der einzelnen Flugzeugtri eb werke .
Durch die individuelle Optimierung jedes Wartungsplans eines jeden Flugzeugtriebwerks kann der Wartungsplan für die Flotte ebenfalls weiter optimiert werden.
Bei einigen Ausführungsformen kann für die Bestimmung des Wartungsplans und/oder für die Bestimmung der jeweiligen individuellen Wartungspläne eine Wechselwirkung der Wartungsmaßnahmen für die einzelnen Flugzeugtriebwerke berücksichtigt werden. Beispielsweise kann die Verfügbarkeit eines Flugzeugtriebwerks als Eingangsdaten dazu führen, dass ein auszutauschendes Flugzeugtriebwerk zu einem bestimmten Zeitpunkt durch das verfügbare Flugzeugtriebwerk ausgetauscht werden kann, wohingegen ein anderes auszutauschendes Flugzeugtriebwerk erst zu einem späteren Zeitpunkt ausgetauscht werden kann, da das erforderliche verfügbare Flugzeugtriebwerk bereits für den früheren Austausch vorgesehen ist, und ein weiteres Flugzeugtriebwerk erst beschafft werden muss.
Gemäß einem zweiten Aspekt der Erfindung ist ein Verfahren, insbesondere ein computerimplementiertes Verfahren, zum automatisierten Erstellen eines optimierten Wartungsplans für eine Flotte von Flugzeugtriebwerken vorgesehen, wobei das Verfahren zumindest die folgenden Schritte aufweist: a) Erfassen von Eingangsdaten zu einer Mehrzahl von Triebwerken, die für die einzelnen Flugzeugtriebwerke spezifische und/oder auf die gesamte Flotte bezogene Informationen repräsentieren und insbesondere ein „Mean Time Between Shop Visits (MTBSV)“ oder Daten bezüglich Life limited Parts (LLP) der Triebwerke umfassen; b) Bereitstellen eines vorhandenen Ausgangswartungsplans oder Erstellen eines Ausgangswartungsplans anhand der erfassten Eingangsdaten, insbesondere der MTBSV und oder LLP -Daten, für die Triebwerke (El, E2, E3, E4); c) Berechnen eines Gesamt-Wartungsaufwands für die Flotte Falle einer Anwendung des initialen Wartungsplans; d‘) Optimieren des Ausgangswartungsplans mittels eines dazu trainierten selbstlernenden Algorithmus; und f ) Ausgeben eines nach Anwendung von Schritt d‘) optimierten Wartungsplans für die Triebwerke und/oder Ausgabedaten, die insbesondere einen geschätzten Gesamt- Wartungsaufwand des optimierten Wartungsplans umfassen. Der trainierte Algorithmus kann auf maschinellem Lernen beruhen und kann ein neuronales Netzwerk aufweisen. Der trainierte Algorithmus kann beispielsweise an manuell optimierten Datensätzen trainiert werden oder auch beruhend auf Ergebnissen des eingangs beschriebenen automatisierten iterativen Optimierungsverfahrens für Wartungspläne von Triebwerksflotten.
Gemäß einem dritten Aspekt der Erfindung kann der automatisierte iterative Ansatz mit dem auf maschinellem Lernen beruhenden Ansatz kombiniert werden. Hierzu kann bspw. ein automatisiert iterativ nach dem ersten Aspekt der Erfindung erstellter Wartungsplan als der Ausgangswartungsplan für ein auf maschinellem Lernen basierenden Optimierungsverfahren verwendet werden oder umgekehrt. Der automatisierte iterative Ansatz liefert einem in diesem Falle eine gute Ausgangsbasis, von der aus der auf maschinellem Lernen beruhende Algorithmus schnell zu einer weiter optimierten Lösung konvergieren kann.
In allen oben beschrieben Ausführungsformen können die Eingangsdaten bevorzugt wenigstens ein Datensatz aus der Gruppe: mittlere Standzeit /Mean Time Between Shop Visits (MTBSV); den Zeitaufwand und/oder die Kosten (Workscope) von jeweiligen Typen von Shop Visits; Daten bezüglich Life limited Parts (LLP) der Triebwerke (El, E2, E3, E4), insbesondere verbleibende Zyklen der LLPs; Triebwerkstyp; austauschbare Kleinteile; Verfügbarkeit von gebrauchten und/oder neuen Ersatzteilen; Kosten von gebrauchten und/oder neuen Ersatzteilen; technische Spezifikationen der Flugzeugtriebwerke; das Zeitintervall für jedes Flugzeugtriebwerk seit der Erstzulassung oder seit dem letzten Shop Visit; die Verfügbarkeit des gleichen Typs der jeweiligen Flugzeugtriebwerke, welche für eine Wartung vorgesehen sind, repräsentieren.
Ein oder mehrere dieser Eingangsdaten können für die Erstellung des Wartungsplans verwendet werden. Andere Eingangsdaten/Eingangsgrößen können zu völlig unterschiedlichen Wartungsplänen für das jeweilige einzelne Flugzeugtriebwerk oder für die Flotte führen.
In allen oben beschrieben Ausführungsformen können die die im Schritt f) bzw. f ) ausgegebenen Ausgabedaten eine oder mehrere Datensätze aus der Gruppe: nächster Wartungszeitpunkt der Flugzeugtriebwerke; Bedarf von Ersatz- und Kurzzeitleasingtriebwerken für die nächste Wartung; Materialbedarf für die nächste Wartung; Arbeitszeitbedarf für den Gesamt-Wartungsplan; Gesamtkosten (Total Cost of Ownership) für die Triebwerksflotte; Kosten pro Flugstunde für die Triebwerksflotte und/oder Cash Flow umfassen.
Die Bereitstellung wenigstens einer dieser Daten ermöglicht die konkrete Zuordnung der Flugzeugtriebwerke zu einer Maßnahme betreffend die Wartung.
In allen oben beschrieben Ausführungsformen kann der beim Vergleichen von Ausgangswartungsplan mit dem optimierten Wartungsplan verwendete Gesamt- Wartungsaufwand den Arbeitsaufwand oder den Materialaufwand oder Gesamtkosten der Flotte repräsentieren. Bei einigen Ausführungsformen repräsentiert der Gesamt-Wartungsaufwand den Arbeitsaufwand oder den Materialaufwand. Dabei kann der Arbeitsaufwand die insgesamt anfallenden Arbeitsstunden für die Durchführung der Wartung, das für die Durchführung der Wartung benötigte Personal oder auch die durch die Arbeitsstunden und/oder das erforderliche Material entstehenden Kosten aufweisen. Der Materialaufwand kann die benötigten Ersatzteile sowie deren logistische Bereitstellung am Ort der Wartung aufweisen. Methoden, um diese Werte aus einem Wartungsplan abzuleiten sind bspw. aus der US 8,744,864 B2 bekannt.
Gemäß einem weiter bevorzugten Aspekt der Erfindung können die Eingangsdaten qualifizierte Schätzungen zur Marktentwicklung umfassen, wie z.B. die Verfügbarkeit von Material / Ersatzteilen auf dem Markt; die Materialkosten sowie Materialkostenentwicklung oder die Verfügbarkeit und Kosten externer Ersatztriebwerke bzw. Greentime- oder Leasing-Engines. In diesem Fall kann das Verfahren dazu eingerichtet sein, automatisiert für verschiedene Szenarien optimierte Wartungspläne auszugeben. Beispielsweise für gute, neutrale und schlechte Preisentwicklung auf dem Materialmarkt.
Ein weiterer Aspekt der Erfindung betrifft ein Verfahren zum optimierten Warten einer Triebwerksflotte, wobei zunächst ein optimierter Wartungsplan gemäß einem der vorgenannten Aspekte erstellt oder bezogen wird und anschließend die Triebwerksflotte entsprechend dem optimierten Wartungsplan instandgehalten, repariert und/oder überholt wird.
Ein weiterer Aspekt der Erfindung betrifft das automatisierte Ausführen der vorstehend beschriebenen Verfahren zum Optimieren von Wartungsplänen für Triebwerksflotten durch Computer oder andere Mittel zur Datenverarbeitung. Ein solches Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU) und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die CPU kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangs-signale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die CPU die Schritte solcher Verfahren ausführen kann.
Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere nichtflüchtiges, Speichermedium zum Speichern eines Programms bzw. mit einem darauf gespeicherten Programm aufweisen, insbesondere sein, wobei ein Ausführen dieses Programms ein System bzw. eine Steuerung, insbesondere einen Computer, dazu veranlasst, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen.
In einer Ausführung werden ein oder mehrere, insbesondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch einen Computer oder eine andere Datenverarbeitungsanlage.
Ein weiterer Aspekt der vorliegenden Erfindung betrifft ein Computerprogram, das konfiguriert ist, das Verfahren gemäß dem ersten Aspekt auszuführen.
Ein weiterer Aspekt der Erfindung betrifft eine Vorrichtung zum automatisierten Erstellen und Optimieren eines Wartungsplans für Flugzeugtriebwerke, wobei die Vorrichtung konfiguriert ist, das Verfahren gemäß dem ersten Aspekt auszuführen.
Weitere Vorteile, Merkmale und Anwendungsmöglichkeiten der vorliegenden Erfindung ergeben sich aus der nachfolgenden detaillierten Beschreibung im Zusammenhang mit den Figuren.
Hierzu zeigt, teilweise schematisiert:
Fig. 1A eine erste Ausführung der vorliegenden Erfindung; und
Fig. IB eine zweite Ausführung der vorliegenden Erfindung Fig. IC eine dritte Ausführung der vorliegenden Erfindung;
Fig. 2A eine Darstellung eines initialen Wartungsplans;
Fig. 2B eine Darstellung eines verbesserten Wartungsplans.
In den Figuren werden durchgängig dieselben Bezugszeichen für dieselben oder einander entsprechenden Elemente der Erfindung verwendet.
Fig. 1 A zeigt ein erstes Ausführungsbeispiel für ein Verfahren 100 zum automatisierten Erstellen eines optimierten Wartungsplans für eine Triebwerksflotte gemäß der vorliegenden Erfindung. Das Verfahren 100 ist im vorliegenden Beispiel computerimplementiert. Die Triebwerksflotte umfasst dabei im vorliegenden Beispiel der Anschaulichkeit halber nur Flugzeugtriebwerke El, E2, E3, E4.
In einem ersten Schritt des Verfahrens werden Eingangsdaten 110 in einer Datenbank erfasst, welche jeweils eines oder mehrere Flugzeugtriebwerke El, E2, E3, E4 betreffen. Die Eingangsdaten 110 können Daten zur Flugtriebwerksflotte, Kundendaten, Herstellerspezifikationen, Daten zur Wartung, Reparatur und Überholung, Daten zu Kosten und Preisentwicklungen, technische Spezifikationen der jeweiligen Flugzeugtriebwerke, oder auch Daten über Marktvorhersagen repräsentieren. Insbesondere werden Herstellerspezifikationen, wie Lebensdauer oder Wartungsstrategien der Fluglinien berücksichtigt. Darüber hinaus werden technische und kommerzielle Informationen betreffend Reparatur, Wartung und Überholung berücksichtigt.
Die allgemeinen Triebwerksdaten bzw. Daten zur Triebwerksflotte können beispielsweise eines oder mehrere Elemente aus der folgenden Liste beinhalten: Triebwerkstyp, Zeit seit der Inbetriebnahme (Time since New / TSN), Zyklen seit der Inbetriebnahme (cycle since new / CSN), Zeit seit dem letzten Shop Visit (time since last shop visit / TSLSV), Zyklen seit dem letzten Shopvisit (cycles since last shop visit / CSLSV), Zeitpunkt der Inbetriebnahme (Entry into service), Zeitpunkt der Außerbetriebnahme (phase out date / End od Life), Status der „Life Limited Parts“ (LLPs), insbesondere verbleibende Zyklen für die einzelnen Teile, verbleibende Engine-Performanz (remaining engine performance) oder die Konfiguration des Triebwerks.
Die Herstellerspezifikationen können bspw. vorgeschriebene Life Limits auf verschiedene Teile, Vorgeschriebene Inspektionen (Mandatory Inspections), Teilenummem und Konfigurationsdaten des Triebwerks umfassen.
Kundendaten (i.d.R. eine Airline) können z.B. sein: Verfügbarkeit von Ersatztriebwerken oder -teilen; Daten über die betriebenen Flugrouten.
Daten zur Wartung, Reparatur und Überholung können insbesondere auf der technischen Erfahrung und dem Input des Betreibers des Optimierungsprogramms beruhen. Diese können bspw. umfassen: Erfahrungsgemäßer Aufwand (Workscope) bestimmter Arten von Shop Visits; Kostenentwicklung von Shop Visits; zeitliche Verfügbarkeit von Kapazitäten für Shop Visits oder die mittlere Standzeit „Mean Time Between Shop Visits“ / On Wing Time.
Qualifizierte Schätzungen zur Marktentwicklung können umfassen: Verfügbarkeit von Material / Ersatzteilen auf dem Markt; Materialkosten sowie Materialkostenentwicklung; Verfügbarkeit und Kosten externer Ersatztriebwerke bzw. Greentime- oder Leasing-Engines.
Nach dem Erfassen der Eingangsdaten 110 wird ein Ausgangswartungsplan 140 mit vorbestimmten Wartungsintervallen zwischen Shopvisits bzw. ab Inbetriebnahme für die Flugzeugtriebwerke El, E2, E3, E4 im Rahmen einer chronologischen Vorwärtsplanung erstellt. Die vorbestimmten Wartungsintervalle können bspw. vom Kunden vorgegebenen sein oder auf einem maximalen Wartungsintervall basieren, das vom Herstelle oder gesetzlich vorgegeben ist. Alternativ könnte beispielsweise auch ein vom Kunden vorgegebener Ausgangswartungsplan 140 als Eingangsdatensatz in das Verfahren eingegeben werden oder der Ausgangswartungsplan 140 könnte auf der Grundlage anderer Eingangsdaten erstellt werden, bspw. anhand der verbleibenden Zyklen der Life Limited Parts oder dem „Mean Time Between Shop Visits“.
Zur weiteren Optimierung dieses Ausgangswartungsplans 140, wird im Ausführungsbeispiel der Figur 1 A ein automatisierter iterativer Algorithmus 120 abgefahren. In einem ersten Schritt 150 des iterativen Algorithmus 120 wird ein Wartungsaufwand nach einem vorbestimmten Kriterium für jedes der Flugzeugtriebwerke El, E2, E3, E4 abgeschätzt und die Flugzeugtriebwerke werden anschließend nach dem erwarteten Aufwand (absteigend) sortiert. Hierdurch kann im nächsten Schritt dasjenige Triebwerk mit dem höchsten erwarteten Aufwand und somit dem höchsten vermuteten Einsparpotential zuerst betrachtet werden. Der erwartete Aufwand kann ein Wert sein, der anhand des Ausgangswartungsplans für die einzelnen Triebwerke generiert wird. Dabei können z.B. für einzelne Operationen eine Wartungsdauer, geschätzte Wartungskosten, Materialaufwände oder eine Kombination aus diesen hinterlegt sein, die dann kumuliert oder auf andere Weise in eine Kenngröße umgerechnet werden.
Im nächsten Schritt 160 wird eine vorgegebene bzw. im Programm vorprogrammiert hinterlegte Optimierungsstrategie bzw. Heuristik Hl, H2, H3, H4 an dem Triebwerk (bspw. El) mit dem höchsten erwarteten Wartungsaufwand ausgeführt. Beispielhafte Optimierungsstrategien Hl, H2, H3, H4 werden an späterer Stelle genauer beschrieben. Dabei werden Wechselwirkungen auf die Wartungsplanung der anderen Triebwerke der Flotte berücksichtigt (bspw. verfügbare Ersatzteile oder Zeitfenster in der Montagehalle). Nach dem Anwenden einer oder mehrerer solcher Optimierungsstrategien auf das erste Triebwerk El, prüft das Programm, ob sich der Gesamt-Wartungsaufwand für die Triebwerksflotte gegenüber dem Ausgangswartungsplan verringert hat und berücksichtigt dazu die jeweiligen Einzelwartungspläne der Triebwerke El, E2, E3, E4 (vgl. Fig. 2). Hat sich der Gesamt-Wartungsaufwand verringert, werden die Änderungen an den Wartungsplänen durch die Optimierungsstrategie beibehalten und der Algorithmus fährt mit der Optimierung des nächsten Triebwerks fort. Hat sich der Gesamt- Wartungsaufwand nicht verringert oder verschlechtert, werden Änderungen an den Wartungsplänen durch die Optimierungsstrategie verworfen und der Algorithmus wählt entweder eine andere Optimierungsstrategie Hl,. . ,,H4 aus oder fährt mit dem nächsten Triebwerk fort, falls keine hinterlegten Optimierungsstrategien mehr zur Verfügung stehen.
Im folgenden Schritt 170 wird eine der vorgegebenen bzw. vorprogrammierten Optimierungsstrategien Hl,. . . ,,H4 an dem Triebwerk (bspw. E2) mit dem zweithöchsten erwarteten Wartungsaufwand durchgerechnet, und falls sich eine weitere Verbesserung am Gesamt-Wartungsaufwand der Flotte ergibt auch angewendet, wie zu Schritt 160 bereits beschrieben. Dieses Prozedere wird der Reihe nach für jedes Triebwerk wiederholt, bis auch das letzte Triebwerk der Flotte betrachtet wurde (Schrittl 80). In anderen Worten iteriert das Programm der Reihe nach für jedes Triebwerk El, E2, E3, E4 Optimierungsstrategien durch bis sich jeweils eine Verbesserung für die gesamte Triebwerksflotte ergibt.
Im Anschluss an diesen Iterationsdurchlauf in den Schritten 160-180 wird im Schritt 190 auf Basis eines Vergleichs der erreichten Optimierung mit einer vordefinierten Randbedingung (bspw. eine vordefinierte Anzahl an Iterationszyklen oder eine Vorbestimmte gewünschte prozentuale Aufwandsreduktion) entschieden, ob noch eine weitere Iteration durchgeführt wird. Wenn eine weitere Iteration durchgeführt werden soll, wird eine aktualisierte Sortierung 150 der Flugzeugtriebwerke auf Basis des erwarteten Aufwands je Triebwerk El, E2, E3, E4 durchgeführt, d.h. die Triebwerke werden wieder absteigend nach Aufwand/Kosten sortiert. Anschließend werden die Triebwerke nochmals wie vorstehend beschrieben der Reihe nach iterativ optimiert.
Im Falle, dass der Vergleich 190 ergibt, dass keine weitere Iteration erfolgen soll, werden die Ausgangsdaten 130 ausgegeben. Abbruchkriterien könnten beispielsweise sein, dass eine Zieloptimierung erreicht wurde oder dass in den letzten x Iterationszyklen keine Verbesserung mehr erreicht wurde.
Die Ausgangsdaten können Vorhersagen über geplante Wartungstermine, Vorhersagen über benötigtes Material, sowie Vorhersagen über die Gesamtbetriebskosten (Total Cost of Ownership) repräsentieren. Methoden, um solche Kenndaten bzw. Ausgangsdaten aus einem Wartungsplan zu erzeugen, sind dem Fachmann bspw. aus der US 8,744,864 A bekannt.
Zusammengefasst wird bei der iterativen Optimierung ein initialer Wartungsplan iterativ optimiert. Dabei wird zunächst ein der jeweiligen Iteration zugeordneter Wartungsplan definiert. In jeder Iteration werden die Triebwerke in eine bestimmte Sequenz sortiert und nacheinander nach einer vorbestimmten Optimierungsstrategie bearbeitet. Hieraus kann eine Modifikation hinsichtlich der Art oder des Zeitpunkts der vorzunehmenden Wartungsmaßnahmen bezüglich der einzelnen Flugzeugtriebwerke erfolgen, falls eine Verbesserung durch Anwendung der Optimierungsstrategie erkannt wird. Die Modifikation der Art der Wartungsmaßnahme kann hierbei beispielsweise die Änderung von einer Reparatur eines Teils eines Flugzeugtriebwerks, welches in der vorherigen Iteration vorgesehen war, zu einem Austausch des Teils mit einem Ersatzteil für die aktuelle Iteration bedeuten.
Für weitere Verbesserungen des Optimierungsverfahrens kann zwischen einer automatisierten iterativen Bearbeitung, wie vorstehend beschrieben, und einem Algorithmus, welcher auf künstlicher Intelligenz basiert, gewählt werden, siehe Fig. 1B.
Fig. 1B zeigt eine zweite Ausführung der vorliegenden Erfindung. Während der automatischen iterativen Bearbeitung gemäß Fig. 1 A, steigt mit der Anzahl der Triebwerke der Flotte die Anzahl an möglichen Planungsstrategien sehr schnell sehr stark an, sodass nicht alle Optionen explizit durchgerechnet werden können. Daher ist alternativ oder ergänzend zu der automatisierten iterativen Bearbeitung ein Verfahren, welches auf künstlicher Intelligenz (KI) basiert 210, vorgesehen. Dabei werden die vorstehend beschriebenen Eingangsdaten 110 mittels eines trainierten selbstlernenden Algorithmus bearbeitet, beispielsweise ein baumbasierter Algorithmus, um daraus Ausgangsdaten 220 basierend auf KI zu generieren. Der Algorithmus kann beispielsweise manuell trainiert werden, indem er mit den Eingangsdaten und den jeweils zugehörigen optimierten Wartungsplänen und Ausgangsdatensätzen gefüttert wird, die von einem erfahrenen Wartungsplaner erstellt wurden. Alternativ kann er auch anhand vorhandener Datensätze aus dem vorstehend beschriebenen iterativen automatischen Optimierungsprozess gemäß dem ersten Ausführungsbeispiel trainiert werden. Dabei lernt der Algorithmus welche Entscheidungen (Welche Optimierungsstrategien Hl, H2, etc.) in welchen Situationen vielversprechender sind als andere, und nutzt diese bevorzugt. Die Bearbeitung durch KI kann durch einen Benutzer aktiviert oder deaktiviert werden.
Fig. IC zeigt eine dritte Ausführung der vorliegenden Erfindung. Hierbei ist schematisch ein Verfahren mit automatisierter iterativer Bearbeitung und KI zur Erstellung eines Wartungsplans dargestellt. Dabei werden die Eingangsdaten 110 nacheinander durch den automatisierten iterativen Algorithmus 120 und KI-basierten Algorithmus 210 bearbeitet. Es ist auch denkbar, dass zunächst eine Bearbeitung durch den KI-basierten Algorithmus 210 erfolgt, und im Anschluss eine Bearbeitung durch den automatisierten iterativen Algorithmus 120 erfolgt. Hieraus werden Ausgangsdaten 220, 310 generiert. Es ist auch denkbar, die Intensität, mit welcher der KI-basierte Algorithmus Strategien Hl, H2, etc. verfolgt, einzustellen, oder Strategien, welche verfolgt werden sollen, vorzugeben, beispielsweise durch einen Benutzer. Die Verwendung beider Algorithmen, also automatisiert iterativ und KI- basiert, ist bei besonders anspruchsvollen Modellen, welche viel Rechenleistung erfordern, vorteilhaft.
Durch die beschriebenen Verfahren in den Figuren 1 A, 1B und IC wird es auch ermöglicht, aus verschiedenen einsetzbaren Planungsstrategien die geeignete für die Erstellung eines Wartungsplans einer Flugzeugtriebwerksflotte auszuwählen. Dazu zählen die Anpassung der durchschnittlichen Zeit zwischen Wartungsterminen, die Zuweisungen von lebensdauerbegrenzten Ersatzteilen (LLPs), und die Verwendung von neuen oder bereits benutzten Flugzeugtriebwerken von innerhalb des Betriebs oder von einer externen Firma. Zusätzlich können unterschiedliche Bedingungen und/oder Einschränkungen, welche spezifisch zu einer jeweiligen Flugzeugtriebwerksflotte zuordenbar sind, definiert werden. Ebenso können Auslaufszenarien und Bedingungen für die Optimierung definiert und angepasst werden. Unter Berücksichtigung aller Eingangsdaten und Randbedingungen kann eine Vorhersage für einen Wartungstermin bestimmt werden, wobei die Gesamtbetriebskosten für jedes einzelne Flugzeugtriebwerk und die Flugzeugtriebwerksflotte minimiert werden können.
Fig. 2A zeigt eine beispielhafte Darstellung eines Ausgangswartungsplans 400. Hierbei sind für vier Flugzeugtriebwerke El, E2, E3, E4 die erforderlichen Shop Visits jeweils auf einer Zeitachse zwischen einem Startzeitpunkt tl und einem Endzeitpunkt t2 bzw. t3, welcher das Ende des Lebenszyklus (EOL) des jeweiligen Flugzeugtriebwerks sein kann, dargestellt. Im gezeigten Beispiel haben die Triebwerke El und E2 den Zeitpunkt t2 als Ende ihres Lebenszyklus und die Triebwerke E3 und E4 den späteren Zeitpunkt t3.
Der jeweilige Status der Triebwerke zu einem aufgeplanten Shop Visit ist in dem Format Ex-Sy angegeben, wobei „x“ die Nummer des Flugzeugtriebwerks repräsentiert, und „y“ eine fortlaufende Nummer für den jeweiligen Shop Visit darstellt. Demnach steht E1-S2 für den Status des Flugzeugtriebwerks 1 zum zweiten Shop Visit im erstellten Ausgangswartungsplan 140.
Weiterhin sind die Shop Visits mit einem Triebwerks-Symbol gekennzeichnet, die den Arbeitsumfang (Workscope) der jeweiligen Shop Visits symbolisieren. Ohne weitere Kennzeichnung steht das Symbol für eine Performance Restoration (Leistungswiederherstellung) wie beispielsweise in El-Sl, Fig. 2A gezeigt. Dies kann eine weniger aufwendige Wartungsoperation sein, bei der keine Teile getauscht werden müssen, sondern lediglich kleinere Tätigkeiten anfallen, bspw. das Restaurieren von Schaufelkanten. Ist das Symbol in ein Quadrat eingefasst, handelt es sich um einen Shop Visit, bei dem lebensdauerbegrenzte Teile (LLPs) durch Neuteile ersetzt werden müssen (oder bald ersetzt werden müssen), siehe beispielsweise E1-S2, Fig. 2A, dies ist aufgrund von Materialkosten und Arbeitsaufwand eine aufwendigere Maßnahme als die Performance Restoration. Ist das Symbol in einen gestrichelten Kreis eingefasst, ist darunter ein Shop Visit zu verstehen, bei dem lebensdauerbegrenzte Teile (LLPs) durch gebrauchte Teile ersetzt werden, siehe beispielsweise E1-S2, Fig. 2B. Die Abstände zwischen den einzelnen Shopvisits eines Flugzeugtriebwerks symbolisieren den zeitlichen Abstand zum nächsten Wartungstermin. Auf diese Weise können die zeitlichen Intervalle von verschiedenen Flugzeugtriebwerken verglichen werden, sowie die Sequenz, in welche diese zur Wartung in den Shop müssen.
Fig. 2B zeigt eine beispielhafte Darstellung eines mittels eines Verfahrens gemäß eines Ausführungsbeispiels der vorliegenden Erfindung verbesserten Wartungsplans 500. An diesem Beispiel sollen im Folgenden beispielhafte Optimierungsstrategien, die im Rahmen eines der oben genannten Verfahren zum Einsatz kommen können, erläutert werden.
Hierbei soll u.a. verdeutlicht werden, wie unterschiedliche Planungsstrategien kombiniert werden können, um eine Treibwerksflotte hinsichtlich des Erwarteten Wartungsaufwands oder der Gesamtbetriebskosten zu optimieren.
Die Triebwerke der Flotte wurden gemäß dem vorstehend beschriebenen Schritt 150 absteigend (E1-E4) nach geschätztem Wartungsaufwand bzw. Wartungskosten sortiert. Der automatisierte iterative Algorithmus beginnt damit, eine geeignete Optimierungsstrategie für Triebwerk El zu suchen.
Eine erste Planungsstrategie oder Heuristik Hl, die angewandt wird, überprüft für die aufwendigere Kategorie von Shop Visits, bei der gemäß Herstellervorgaben lebensdauerbegrenzte Teile (LLPs) durch Neuteile ersetzt werden sollen, ob die passenden LLPs mit ausreichender Restlebensdauer in einem der anderen Triebwerke der Flotte zu finden sind. Im vorliegenden Beispiel ist im Ausgangswartungsplan 400 für die Shop Visits E1-S2, E2-S2, E3-S3, E3-S3 und E4-S1 ein solches Ersetzen von LLPs durch Neuteile vorgesehen. Der Algorithmus stellt dabei, dass im Triebwerk E2 zu einem geeigneten Zeitpunkt LLPs mit ausreichend Restzyklen vorhanden sind, die im Triebwerk El für den Shop Visit E1-S2 verwendet werden können, da nur noch wenige Restzyklen auf den entsprechenden Bauteilen des Triebwerks El übrig sind. Durch den Übertrag dieser in der Triebwerksflotte vorhandenen gebrauchten LLPs von Triebwerk E2 auf Triebwerk El (gestrichelte schräge Linie im Wartungsplan 500), kann das Triebwerk El ohne die Verwendung zusätzlicher Neuteile bis zu seiner geplanten Außerbetriebnaheme (EOL) zum Zeitpunkt t2 weiter betrieben werden. Nach Anwendung dieser Strategie prüft das Programm, ob sich durch die Maßnahme der Gesamt-Wartungsaufwand verringert hat. Da diese Prüfung positiv ausfällt, wird mit dem zweiten Triebwerk E2 fortgefahren.
Das Programm sieht am Triebwerk E2 keine Anwendbarkeit für Optimierungsstrategie Hl und prüft deshalb zweite Planungsstrategie H2. Diese Optimierungsstrategie überprüft der Reihe nach für alle Triebwerke El, E2, E3, E4 für jeden Shop Visit, bei dem gemäß Herstellervorgaben lebensdauerbegrenzte Teile (LLPs) durch Neuteile ersetzt werden sollen, ob passende LLPs mit ausreichender Restlebensdauer auf dem freien Markt gebraucht bezogen werden können und zu welchem Preis dies möglich ist. Im vorliegenden Beispiel wird durch diese Strategie festgestellt, dass im Shop Visit E2-S2 auf Neuteile verzichtet werden kann, indem gebrauchte LLPs vom Markt bezogen werden. Da sich dadurch eine Gesamtverbesserung der Kosten ergibt, wird diese Optimierung übernommen. Ebenso erkennt die Strategie, dass für Shop Visit E3-S1 auf Neuteile verzichtet werden kann, indem gebrauchte LLPs vom Markt bezogen werden.
Bei Triebwerk E3 stellt das Programm fest, dass noch eine dritte Planungsstrategie H3 angewandt werden könnte. Strategie H3 überprüft der Reihe ob auf einen Shop Visit, bei dem lebensdauerbegrenzte Teile (LLPs) durch Neuteile ersetzt werden sollen, verzichtet werden kann, indem der Umfang der Wartungsarbeiten (Workscope) des vorangehenden Shop Visits erhöht wird. Für das Triebwerk E3 stellt der Algorithmus anhand dieser Strategie fest, dass durch frühzeitiges Ersetzen einiger LLPs durch Gebrauchtteile in besserem Zustand im vorangehenden Shop Visit E3-S2 im letzten angesetzten Shop Visit E3-S3 eine weniger aufwändige „Performance restoration“ ausreicht, um bis zur Außerbetriebnahme von E3 zum Zeitpunkt t3 durchzukommen. Dadurch wird vermieden, kurz vor Ausserbetriebnahme EOL des Triebwerks E3 neue Teile beziehen zu müssen und dadurch deren Lebenzyklen zu „verschwenden“. Auch in der Gesamtbetrachtung der Flotte ergibt sich eine Verbesserung und diese Änderung wird deshalb angewandt. Für Triebwerk E4 kann das Programm keine Einzeloptimierung finden, die den Aufwand auf die Gesamtflotte betrachtet noch weiter senkt. Eine Iterationsschleife ist somit abgeschlossen.
Nach dieser Iterationsschleife wendet das Programm ein einer zweiten Iterationsschleife eine vierte Planungsstrategie H4 an. Diese überprüft der Reihe nach für alle Triebwerke El, E2, E3, E4, ob auf Shop Visits, die kurz vor der Außerbetriebnahme eines Triebwerks anstehen, verzichtet werden kann. Diese Strategie stellt fest, dass die Gesamtkosten reduziert werden können, indem anstelle des Shop Visits E2-S3 das Triebwerk E2 schneller außer Betrieb genommen wird und ein Ersatztriebwerk (Triebwerkssymbol mit geschlossenem Kreis in Fig. 2B) für die kurze Restlaufzeit an dieser Stelle zum Einsatz kommt (hierzu kann bspw. aus den Eingangsdaten abgefragt werden, ob ein Ersatztriebwerk in der Triebwerksflotte bereitsteht; alternativ kann verglichen werden, ob in der Eingangsdatenbank hinterlegte Leasingkosten für ein externes Triebwerk geringer sind als geschätzte Kosten für eine Performance Restoration).
Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist. Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt. Bezugszeichenliste
100 Verfahren mit einem automatisierten iterativen Algorithmus
110 Eingangsdaten
120 Automatisierter iterativer Algorithmus
130 Ausgangsdaten
140 Vorwärtsplanung
150 S orti erung der Flugzeugtri eb werke
160 Optimierung eines ersten Flugzeugtriebwerks
170 Optimierung eines zweiten Flugzeugtriebwerks
180 Optimierung eines weiteren Flugzeugtriebwerks
200 Verfahren basierend auf künstlicher Intelligenz
210 Algorithmus basierend auf künstlicher Intelligenz
220 Ausgangsdaten basierend auf künstlicher Intelligenz
300 Verfahren mit einem automatisierten iterativen Algorithmus und mit künstlicher Intelligenz
310 Ausgangsdaten basierend auf kombinierten Algorithmen
400 Initialer Wartungsplan
500 Optimierter Wartungsplan
E1-E4 Jeweilige Flugzeugtriebwerke tl, t2, t3 Zeitpunkte betreffend den Status der jeweiligen Flugzeugtriebwerke
El-Sl bis E4-S3 Jeweiliger Status des jeweiligen Flugzeugtriebwerks
Hl -H4 Optimierungsstrategien / Heuristiken

Claims

22 Patentansprüche
1. Verfahren, insbesondere computerimplementiertes Verfahren, zum automatisierten Erstellen eines optimierten Wartungsplans für eine Flotte von Flugzeugtriebwerken, wobei das Verfahren zumindest die folgenden Schritte aufweist: a) Erfassen von Eingangsdaten (110) zu einer Mehrzahl von Triebwerken (El, E2, E3, E4), die insbesondere eine mittlere Standzeit („Mean Time Between Shop Visits (MTB SV)“) oder Daten bezüglich lebenszeitbegrenzter Bauteile (LLP) der Triebwerke (El, E2, E3, E4) umfassen; b) Bereitstellen eines vorhandenen Ausgangswartungsplans (140) oder Erstellen eines Ausgangswartungsplans (140) anhand der erfassten Eingangsdaten (110), insbesondere der MTB SV und oder LLP -Daten, für die Triebwerke (El, E2, E3, E4); c) Bestimmen eines Gesamt-Wartungsaufwands für die Flotte Falle einer Anwendung des initialen Wartungsplans; d) Sortieren der Triebwerke in eine definierte Reihenfolge nach zumindest einem Kriterium, insbesondere nach einem geschätzten Wartungsaufwand oder geschätzten Wartungskosten; e) Anwenden zumindest einer Optimierungsstrategie oder Heuristik (Hl, H2, H3, H4), die insbesondere als Algorithmus in einem Computerprogramm hinterlegt ist, auf die Triebwerke (El, E2, E3, E4) in der definierten Reihenfolge; und f) Ausgeben eines nach Anwendung von Schritt e) optimierten Wartungsplans für die Triebwerke (El, E2, E3, E4) und/oder Ausgabedaten (130), die insbesondere einen geschätzten Gesamt-Wartungsaufwand des optimierten Wartungsplans umfassen.
2. Verfahren nach Anspruch 1, wobei in Schritt e) bei jeder Anwendung einer Optimierungsstrategie (Hl, H2, H3, H4) auf einen Einzelwartungsplan eines Triebwerks (El, E2, E3, E4), die Einflüsse auf die anderen Wartungspläne bestimmt werden und die durch die Optimierungsstrategie vorgenommenen Änderungen nur dann übernommen werden, wenn sich dadurch der Gesamt-Wartungsaufwand für die Triebwerksflotte verringert.
3. Verfahren nach Anspruch 1 oder 2 wobei in Schritt f) neben dem optimierten Wartungsplan auch Ausgabedaten, insbesondere ein geschätzter Gesamt- Wartungsaufwand für die Triebwerksflotte, ausgegeben werden und die Schritte e) und f) so lange iteriert werden, bis anhand der Ausgabedaten ein vorbestimmtes Abbruchkriterium erfüllt ist.
4. Verfahren nach einem der Ansprüche 3, vor jeder Iteration der Schritte e) und f) die Triebwerke (El, E2, E3, E4) erneut gemäß Schritt d) nach dem zumindest einen Kriterium neu sortiert werden.
5. Verfahren nach Anspruch 3 oder 4, wobei bei jeder Iteration eine andere Optimierungsstrategie oder Heuristik (Hl, H2, H3, H4) angewandt wird.
6. Verfahren, insbesondere computerimplementiertes Verfahren, zum automatisierten Erstellen eines optimierten Wartungsplans für eine Flotte von Flugzeugtriebwerken, wobei das Verfahren zumindest die folgenden Schritte aufweist: a) Erfassen von Eingangsdaten (110) zu einer Mehrzahl von Triebwerken El, E2, E3, E4, die insbesondere eine mittlere Standzeit („Mean Time Between Shop Visits (MTB SV)“) oder Daten bezüglich lebenszeitbegrenzter Bauteile (LLP) der Triebwerke (El, E2, E3, E4) umfassen; b) Bereitstellen eines vorhandenen Ausgangswartungsplans (140) oder Erstellen eines Ausgangswartungsplans (140) anhand der erfassten Eingangsdaten (110), insbesondere der MTBSV und oder LLP -Daten, für die Triebwerke (El, E2, E3, E4); c) Bestimmen eines Gesamt-Wartungsaufwands für die Flotte Falle einer Anwendung des initialen Wartungsplans; d‘) Optimieren des Ausgangswartungsplans (140) mittels eines dazu trainierten selbstlernenden Algorithmus; und f ) Ausgeben eines nach Anwendung von Schritt d‘) optimierten Wartungsplans für die Triebwerke (El, E2, E3, E4) und/oder Ausgabedaten (130), die insbesondere einen geschätzten Gesamt-Wartungsaufwand des optimierten Wartungsplans umfassen.
7. Verfahren nach Anspruch 6, wobei der Ausgangswartungsplan (110) nach einem Verfahren gemäß einem der Ansprüche 1 bis 5 erstellt wurde.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Eingangsdaten (110) wenigstens ein Datensatz aus der Gruppe: Mean Time Between Shop Visits (MTB SV);
Den Zeitaufwand und/oder die Kosten (Workscope) von jeweiligen Typen von Shop Visits;
Daten bezüglich Life limited Parts (LLP) der Triebwerke (El, E2, E3, E4), insbesondere verbleibende Zyklen der LLPs;
Triebwerkstyp;
Verfügbarkeit von gebrauchten und/oder neuen Ersatzteilen;
Kosten von gebrauchten und/oder neuen Ersatzteilen; technische Spezifikationen der Flugzeugtriebwerke; das Zeitintervall für jedes Flugzeugtriebwerk seit der Erstzulassung oder seit dem letzten Shop Visit; die Verfügbarkeit des gleichen Typs der jeweiligen Flugzeugtriebwerke, welche für eine Wartung vorgesehen sind, repräsentieren.
9. Verfahren nach einem der vorhergehenden Ansprüche, wobei die im Schritt f) bzw. f ) ausgegebenen Ausgabedaten (130) eine oder mehrere Datensätze aus der Gruppe: nächster Wartungszeitpunkt der Flugzeugtriebwerke;
Bedarf von Ersatz- und Kurzzeitleasingtriebwerken für die nächste Wartung; Materialbedarf für die nächste Wartung;
Arbeitszeitbedarf für den GesamfWartungsplan;
Gesamtkosten (Total Cost of Ownership) für die Triebwerksflotte;
Kosten pro Flugstunde für die Triebwerksflotte; 25
Cash Flow; umfassen. Verfahren nach einem der vorhergehenden Ansprüche, wobei der Gesamt- Wartungsaufwand den Arbeitsaufwand oder den Materialaufwand oder Gesamtkosten der Flotte repräsentiert. Verfahren zum optimierten Warten einer Triebwerksflotte, wobei zunächst ein optimierter Wartungsplan gemäß einem der Ansprüche 1 bis 10 erstellt oder bezogen wird und anschließend die Triebwerksflotte entsprechend dem Wartungsplan instandgehalten, repariert und/oder überholt wird. Computerprogramm, das konfiguriert ist, das Verfahren gemäß einem der Ansprüche 1 bis 9 auszuführen. Vorrichtung zum automatisierten Erstellen und Optimieren eines Wartungsplans für Flugzeugtriebwerke, wobei die Vorrichtung konfiguriert ist, das Verfahren gemäß einem der Ansprüche 1 bis 9 auszuführen.
EP21798274.3A 2020-10-01 2021-10-01 Verfahren zur wartungsplanung von flugzeugtriebwerken Pending EP4222670A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020006019 2020-10-01
PCT/DE2021/100791 WO2022068997A1 (de) 2020-10-01 2021-10-01 Verfahren zur wartungsplanung von flugzeugtriebwerken

Publications (1)

Publication Number Publication Date
EP4222670A1 true EP4222670A1 (de) 2023-08-09

Family

ID=78371715

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21798274.3A Pending EP4222670A1 (de) 2020-10-01 2021-10-01 Verfahren zur wartungsplanung von flugzeugtriebwerken

Country Status (4)

Country Link
US (1) US20240020654A1 (de)
EP (1) EP4222670A1 (de)
DE (1) DE112021005207A5 (de)
WO (1) WO2022068997A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118396587B (zh) * 2024-04-18 2025-10-17 中国南方航空股份有限公司 航空发动机全生命周期管理方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018210960A1 (de) * 2018-07-04 2020-01-09 Audi Ag Verfahren zum Betreiben mindestens eines Kraftfahrzeugs einer Kraftfahrzeugflotte, Koordinationseinrichtung, und Datenservereinrichtung
US20200079532A1 (en) * 2018-09-11 2020-03-12 Satavia Ltd. System and method for aircraft contaminant monitoring and operation scheduling
GB2577065A (en) * 2018-09-11 2020-03-18 Satavia Ltd System and method for aircraft health and schedule maintenance
US20200301406A1 (en) * 2019-03-21 2020-09-24 United Technologies Corporation System for forecasting aircraft engine deterioration using recurrent neural networks

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8744864B2 (en) 2003-07-29 2014-06-03 General Electric Company Methods and systems for generating a financial report
US20070088584A1 (en) * 2005-10-18 2007-04-19 Aragones James K Systems and methods for managing lifecycle costs of an asset inventory
US20130179388A1 (en) * 2012-01-05 2013-07-11 Anurag Agarwal Method, System and Program Product for Intelligent Prediction of Industrial Gas Turbine Maintenance Workscope
US10417614B2 (en) * 2016-05-06 2019-09-17 General Electric Company Controlling aircraft operations and aircraft engine components assignment
US10796018B2 (en) * 2017-11-10 2020-10-06 General Electric Company Methods and apparatus to generate an optimized workscope

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018210960A1 (de) * 2018-07-04 2020-01-09 Audi Ag Verfahren zum Betreiben mindestens eines Kraftfahrzeugs einer Kraftfahrzeugflotte, Koordinationseinrichtung, und Datenservereinrichtung
US20200079532A1 (en) * 2018-09-11 2020-03-12 Satavia Ltd. System and method for aircraft contaminant monitoring and operation scheduling
GB2577065A (en) * 2018-09-11 2020-03-18 Satavia Ltd System and method for aircraft health and schedule maintenance
US20200301406A1 (en) * 2019-03-21 2020-09-24 United Technologies Corporation System for forecasting aircraft engine deterioration using recurrent neural networks

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of WO2022068997A1 *

Also Published As

Publication number Publication date
US20240020654A1 (en) 2024-01-18
WO2022068997A1 (de) 2022-04-07
DE112021005207A5 (de) 2023-09-07

Similar Documents

Publication Publication Date Title
DE112009003656B4 (de) Verfahren und System zur In-Produktionsoptimierung der Parameter eines zur Montage verwendeten Roboters
DE2500086B2 (de)
DE102012101089A1 (de) Verfahren, Geräte und Erzeugnisse zum Testen von Chargenkonfiguration
WO2021190919A1 (de) Computerimplementiertes verfahren für eine produktionsplanung und/oder -steuerung eines produktionssystems und produktionsplanung und/oder -steuerungssystem
EP3001310B1 (de) Verfahren und Einrichtung zur Aktualisierung von Firmware für Komponenten einer industriellen Automatisierungsanordnung
DE112018001757T5 (de) Betriebs-/Wartungsmanagementverfahren, Programm und Betriebs-/Wartungsmanagementsystem
EP4139761B1 (de) Verfahren zum betreiben eines steuergeräts für ein kraftfahrzeug sowie entsprechendes steuergerät
DE102017003154A1 (de) Fertigungsverwaltungssystem mit der fähigkeit zur verbesserung des verfügbarkeitsgrades einer fertigungszelle
EP4222670A1 (de) Verfahren zur wartungsplanung von flugzeugtriebwerken
WO2018050252A1 (de) Verfahren und vorrichtung zum planen eines produktionsprozesses aus einer spezifikation und basifunktionen
EP2574997A1 (de) Verfahren zur Einstellung eines Betriebszustandes
EP2574996B1 (de) Verfahren zur Ermittlung eines Teillastzustandes einer Anlage
EP3992733A1 (de) Maschinenbelegungsplanung für eine komplexe fertigungsanlage
DE102021208670A1 (de) Verfahren zum Betrieb eines elektrisch angetriebenen oder antreibbaren Kraftfahrzeugs
DE10316103B4 (de) Verfahren zur Steuerung der Fertigungsreihenfolge
DE10102051A1 (de) Verfahren zur Planung einer Reparatur von mobilen Arbeitsmaschinen
EP3474650B1 (de) Verfahren zur erstellung eines rüstsatzes für eine bestückungsmaschine
DE102008063684A1 (de) Basisaktivität, Verfahren zur Bestimmung von Basisaktivitäten sowie ein Verfahren und System zur automatisierten Generierung von Workflows
DE102011013102A1 (de) Verfahren zur Optimierung der Nebenzeiten in Produktionsabläufen von Werkzeugmaschinen
DE102007031693A1 (de) Basisaktivität, Verfahren zur Bestimmung von Basisaktivitäten sowie ein Verfahren und System zur automatisierten Generierung von Workflows
DE102022105132A1 (de) Verfahren zum Simulieren von einem Steuergeräte-Antwortverhalten in einer Produktionslinie zum Fertigen eines Kraftfahrzeugs
DE102022112606B3 (de) Computerimplementiertes Verfahren zur Kalibrierung eines technischen Systems
EP3168698A1 (de) Verfahren und vorrichtung zum optimieren einer anlagenverfügbarkeit
EP4485348B1 (de) Computer-implementiertes verfahren und werkzeug zur optischen qualitätskontrolle von zwischen- oder endprodukten von produktionsanlagen sowie produktionsanlagensteuerung
DE102021201887A1 (de) System, Verfahren und Computerprogramm zur betriebswirtschaftlichen Optimierung eines Prozesses in einer Produktionsanlage, insbesondere einer Produktionsanlage der metallerzeugenden Industrie, der nicht-Eisen- oder Stahlindustrie oder der Vorlegierungsherstellung

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230406

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20251028