Integrated methodology for aircraft maintenance forecasting and capacity planning under uncertainty

Duarte Nuno Caldeira Cordeiro Dinis

Key information

Authors:

Duarte Nuno Caldeira Cordeiro Dinis (Duarte Nuno Caldeira Cordeiro Dinis)

Supervisors:

Ana Paula Ferreira Dias Barbosa Póvoa (Ana Paula Ferreira Dias Barbosa Póvoa); Ângelo Manuel Palos Teixeira (Ângelo Manuel Palos Teixeira)

Published in

October 31, 2018

Abstract

O planeamento de capacidade é um dos problemas mais importantes que as organizações de manutenção aeronáutica (MRO na sigla inglesa) têm de enfrentar. A manutenção aeronáutica compreende manutenção planeada, cuja carga de trabalho é essencialmente determinística, e manutenção não-planeada, cuja carga de trabalho é inerentemente estocástica. Dado que o trabalho não-planeado pode alcançar mais de metade do trabalho total, a manutenção aeronáutica é uma atividade caracterizada pela incerteza. Este trabalho de investigação aborda este problema ao desenvolver metodologias de suporte à decisão, incluindo frameworks e ferramentas de apoio ao processo de planeamento da manutenção das organizações de manutenção aeronáutica, em particular no que concerne à gestão da incerteza no planeamento de capacidade. Para o desenvolvimento deste trabalho de investigação foram recolhidos e analisados dados históricos de um empresa portuguesa de manutenção aeronáutica, num total de 415 projetos de manutenção de aeronaves ocorridos entre setembro de 2002 e maio de 2017. Dada a grande dimensão e diversidade da amostra de dados utilizada, o trabalho aqui apresentado é considerado representativo da atividade da manutenção aeronáutica num âmbito mais alargado. Primeiro, é proposta uma framework para sistematizar o processo de gestão da manutenção aeronáutica. A framework identifica os stakeholders envolvidos na manutenção aeronáutica, estabelece uma abordagem de sistema para a mesma, e detalha o processo de tomada de decisão em projetos de manutenção. Segundo, é definido um conjunto de requisitos para o tratamento e registo de dados de manutenção e é proposto um método para a análise desses dados. Estas duas componentes formam uma framework com o nome FRamework for Aircraft Maintenance Estimation (FRAME). Terceiro, é explorado o uso de redes Bayesianas como ferramenta de big data e análise preditiva para a previsão de cargas de trabalho de manutenção. São desenvolvidos modelos de redes Bayesianas para o planeamento de capacidade de manutenção, aplicáveis também no planeamento de oportunidades de negócio. Quarto, é desenvolvida uma ferramenta para fornecer capacidade de previsão quantitativa de carga de trabalho de manutenção às organizações de manutenção aeronáutica. A ferramenta – ForeSim – baseia-se em modelos de previsão e de simulação aplicados a dados históricos com o objetivo de prever a carga de trabalho total de intervenções de manutenção futuras e sem precedentes. Por fim, a ferramenta anteriormente desenvolvida é melhorada de forma a permitir que as previsões originais sejam continuadamente melhoradas para previsões atualizadas, dada a disponibilidade de observações das intervenções que estão a ser previstas. Além disso, a ferramenta melhorada – ForeSim-BI – caracteriza as cargas de trabalho previstas em termos de tipos, fases, e especialidades técnicas, para que a manutenção prevista seja descrita de forma abrangente. Apesar de terem sido desenvolvidas no contexto específico da manutenção aeronáutica, as metodologias propostas neste trabalho são aplicáveis a outras indústrias de manutenção, e até mesmo a outras atividades com as devidas alterações. Como ficou demonstrado, as técnicas desenvolvidas constituem abordagens válidas numa perspetiva de análise preditiva. Capacity planning is one of the most important problems faced by aircraft Maintenance, Repair, and Overhaul (MRO) organizations. Aircraft maintenance comprises scheduled maintenance, whose workload is essentially deterministic, and unscheduled maintenance, whose workload is inherently stochastic. Given that the unscheduled work can reach up to more than half of the total work, aircraft maintenance is an activity characterized by uncertainty. This research work addresses this problem by developing decision support methodologies, including frameworks and tools, to support the maintenance planning process of aircraft MRO organizations, in particular regarding the management of uncertainty in capacity planning. Historical data from a Portuguese aircraft MRO were collected and analyzed for the development of this research work, comprising a total of 415 aircraft maintenance projects occurred between September 2002 and May 2017. Given the dimension and diversity of the dataset, this work is considered representative of the aircraft maintenance activity in a broader scope. First, a framework to systematize the aircraft maintenance management process is proposed. The framework identifies the aircraft maintenance stakeholders, establishes a system approach to aircraft maintenance, and details the decision-making process of aircraft maintenance projects. Second, a set of requirements for the treatment and recording of maintenance data is defined and a method for data analysis is proposed. These two components comprise a framework entitled FRamework for Aircraft Maintenance Estimation (FRAME). Third, Bayesian networks (BNs) are explored as a big data and predictive analytics tool for the prediction of maintenance workloads. BN models for maintenance capacity planning are developed, also applicable for planning of business opportunities. Fourth, a tool is developed to provide quantitative forecasting capabilities of maintenance workload to MROs. The tool – ForeSim – is based on forecasting models and simulation approaches applied to historical data with the aim of predicting the total workload of future and unprecedented maintenance interventions. Finally, the tool previously developed is enhanced to allow original forecasts to be continuously improved into updated forecasts given the availability of observations on the maintenance intervention being predicted. In addition, the enhanced tool – ForeSim-BI – characterizes the forecasted workloads in terms of work types, work phases, and work skills, through sets of random variables to comprehensively describe the expected maintenance work. Despite being developed in an aircraft maintenance context, the aforementioned frameworks and tools are expected to be applicable to other maintenance industries, or even to other activities with due adaptations. As it was demonstrated, the developed techniques constitute valid approaches to be used from a predictive analytics perspective within organizations.