การบูรณาการในแนวราบ: มุมมองแบบองค์รวมของการซ่อมบํารุงเชิงคาดการณ์ในทางปฏิบัติสำหรับการซ่อมบำรุงในอุตสาหกรรมการบิน
Article Sidebar
Main Article Content
บทคัดย่อ
การทบทวนวรรณกรรมนี้ได้สำรวจการซ่อมบํารุงเชิงคาดการณ์ (PdM) ในอุตสาหกรรมการบินโดยเน้นที่บทบาทการเปลี่ยนแปลงที่สำคัญของเทคโนโลยีขั้นสูง เช่น ปัญญาประดิษฐ์ อินเทอร์เน็ตของสรรพสิ่ง และฝาแฝดดิจิทัล โดยบทความนี้ได้วิเคราะห์งานวิจัยจากช่วงสิบปีที่ผ่านมา การทบทวนนี้ได้แสดงให้เห็นถึงประโยชน์ที่สำคัญของ PdM เช่น ประสิทธิภาพการดำเนินการที่เพิ่มขึ้น การปรับปรุงในเรื่องความปลอดภัย และประโยชน์ทางเศรษฐกิจ ผ่านการปรับปรุงตารางการบำรุงรักษาและการลดเวลาที่เครื่องบินหยุดทำงานลง สิ่งที่ได้พบยังเผยถึงการนำ วิธีการเรียนรู้ของเครื่องจักรผสมใหม่ มาใช้ เช่น การผสมประมวลผลภาษาธรรมชาติกับการเรียนรู้แบบจากหลายโมเดล และเทคโนโลยีขั้นสูงช่วยให้การทำนายการเสียของอุปกรณ์เป็นไปอย่างแม่นยำและมีมาตรการป้องกันการหยุดทำงานที่ไม่ได้วางแผนไว้ล่วงหน้า ในส่วนของผลกระทบทางเศรษฐกิจจาก PdM มีความสามารถช่วยในการประหยัดค่าใช้จ่าย โดยการลดการบำรุงรักษาที่ไม่ได้วางแผนไว้ล่วงหน้าและการจัดการคลังอะไหล่สำรองอย่างมีประสิทธิภาพ อย่างไรก็ตาม มีความต้องการที่ชัดเจนในการวิเคราะห์ต้นทุน-ประโยชน์ที่ครอบคลุมอย่างละเอียดเพื่อประเมินผลกระทบทางเศรษฐกิจโดยคำนึงถึงส่วนประกอบของเครื่องบินทั้งหมด การทบทวนนี้ระบุถึงความท้าทายในการใช้ PdM เช่น ต้นทุนการลงทุนเริ่มต้นสูง ความซับซ้อนในเรื่องกฎหมาย และความจำเป็นในการฝึกฝนพนักงานใหม่ แนะนำนโยบายที่รวมถึงการปรับปรุงกรอบกฎหมายเพื่อสนับสนุนการรวมเทคโนโลยี PdM และการกระตุ้นวัฒนธรรมการพัฒนาและนวัตกรรมภายในองค์กร งานวิจัยนี้ได้เน้นถึงความสำคัญของกลยุทธ์องค์กรที่มีความยั่งยืน เช่น การฝึกอบรมพนักงานในเทคโนโลยี PdM และการวิเคราะห์ข้อมูลเพื่อเอาชนะอุปสรรคเหล่านี้ โดยสรุป การทบทวนนี้ได้เน้นถึงศักยภาพของ PdM ในการปฏิวัติการบำรุงรักษาของการบินโดยการสร้างระบบบำรุงรักษาที่มีข้อมูลอย่างไร้รอยต่อ และขับเคลื่อนด้วยข้อมูล ให้มีกลยุทธ์การนำไปสู่การดำเนินการที่ตรงจุด การดำเนินการด้วยข้อมูลที่มีมาตรฐานและการสนับสนุนองค์กรเพื่อใช้ประโยชน์เต็มรูปแบบจาก PdM ทิศทางการวิจัยในอนาคตควรคำนึงถึงการวิเคราะห์ต้นทุน-ประโยชน์อย่างละเอียด กลยุทธ์ในการจัดการต่อการต่อต้านการเปลี่ยนแปลง และการพัฒนามาตรฐานวิธีการประเมินประสิทธิภาพทางเศรษฐกิจ เพื่อนำทางไปสู่ปฏิบัติ PdM ที่ขั้นสูงขึ้น ทั้งในวงการวิชาการและอุตสาหกรรม
Article Details
เอกสารอ้างอิง
Altay, A., Ozkan, O., and Kayakutlu, G. (2014). Prediction of aircraft failure times using artificial neural networks and genetic algorithms. Journal of aircraft, 51, 47-53. doi:10.2514/1.C031793.
Avcı, A., and Acır, N. (2020). Remaining useful life estimation with parallel convolutional neural networks on predictive maintenance applications. 2020 28th Signal processing and communications applications conference (SIU), (pp. 1-4). doi:10.1109/SIU49456.2020.9302284.
Azyus, A., Wijaya, S., and Naved, M. (2022). Determining RUL predictive maintenance on aircraft engines using GRU. Journal of mechanical, civil and industrial engineering, 3(3), 79-84. doi:10.32996/jmcie.2022.3.3.10.
Basora, L., Bry, P., Olive, X., & Freeman, F. (2021). Aircraft fleet health monitoring with anomaly detection techniques. Aerospace, 8, 103. doi: 10.3390/AEROSPACE8040103.
Boeing. (2019, December 16). Boeing statement regarding 737 MAX production. Boeing Media Room. Retrieved February 12, 2024, from https://boeing.mediaroom.com.
Dalzochio, J., Kunst, R., Barbosa, J., Neto, P., Pignaton, E., Caten, C., & Penha, A. (2023). Predictive maintenance in the military domain: a systematic review of the literature. ACM computing surveys, 55(13s), 1-30. doi: 10.1145/3586100.
Dangut, M. D., Skaf, Z., and Jennions, I. (2020). An integrated machine learning model for aircraft components rare failure prognostics. ISA transactions, 113, 102, 213-224. doi:10.1016/j.isatra.2020.05.001.
Fedorov, R., and Pavlyuk, D. (2020). Economic Efficiency of Data-Driven Fault Diagnosis and Prognosis Techniques in Maintenance and Repair Organizations. In: Kabashkin, I., Yatskiv, I., Prentkovskis, O. (Eds.), Reliability and Statistics in Transportation and Communication. pp. 31-43. doi: 10.1007/978-3-030-44610-9_4.
Gerede, E. (2015). A study of challenges to the success of the safety management system in aircraft maintenance organizations in Turkey. Safety science, 73, 106-116. doi:10.1016/J.SSCI.2014.11.013.
Gu, J., Zhang, G., & Li, K. (2015). Efficient aircraft spare parts inventory management under demand uncertainty. Journal of air transport management, 42, 101-109. doi:10.1016/J.JAIRTRAMAN.2014.09.006.
Hesser, D. F., and Markert, B. (2019). Tool wear monitoring of a retrofitted CNC milling machine using artificial neural networks. Manufacturing letters, 21, 34-38. doi:10.1016/j.mfglet.2019.02.004.
Hribernik, K., Stietencron, M., Bousdekis, A., Bredehorst, B., Mentzas, G., and Thoben, K. (2018). Towards a Unified Predictive Maintenance System - A use case in production logistics in aeronautics. Procedia manufacturing, 16, 131-138. doi:10.1016/J.PROMFG.2018.10.168.
Khan, K., Sohaib, M., Rashid, A., Ali, S., Akbar, H., Basit, A., and Ahmad, T. (2021). Recent trends and challenges in predictive maintenance of aircraft’s engine and hydraulic system. Journal of the Brazilian. Society of mechanical sciences and engineering, 43. doi:10.1007/s40430-021-03121-2.
McDonald, N., Corrigan, S., Daly, C., and Cromie, S. (2000). Safety management systems and safety culture in aircraft maintenance organisations. Safety science, 34, 151-176. doi:10.1016/S0925-7535(00)00011-4.
Rath, N., Mishra, R., and Kushari, A. (2022). Aero engine health monitoring, diagnostics and prognostics for condition-based maintenance: an overview. International journal of turbo & jet-engines, 39(1), 77-89. doi:10.1515/tjeng-2022-0020.
Rodrigues, L., Gomes, J., Bizarria, C., Galvão, R., and Yoneyama, T. (2010). Using prognostic system and decision analysis techniques in aircraft maintenance cost-benefit models. 2010 IEEE aerospace conference, (pp.1-7). doi:10.1109/AERO.2010.5446839.
Scott, M., Verhagen, W., Bieber, M., and Marzocca, P. (2022). A systematic literature review of predictive maintenance for defence fixed-wing aircraft sustainment and operations. Sensors, 22(18). 7070. doi:10.3390/s22187070.
Selçuk,S. (2017). Predictive maintenance, its implementation and latest trends. Proceedings of the Institution of Mechanical Engineers, part B: Journal of Engineering Manufacture, 231(9),1670-1679. doi:10.1177/09544054156016.
Shen, L. (2021). Data analysis for the Hogg and Max Weber models. 2021 International Conference on Applications and Techniques in Cyber Intelligence. (pp. 982-985). doi:10.1007/978-3-030-79200-8_145.
Stanton, I., Munir, K., Ikram, A., and El-Bakry, M. (2022). Predictive maintenance analytics and implementation for aircraft: challenges and opportunities. Systems Engineering, 26, 216 - 237. doi:10.1002/sys.21651.
Washington, A., Clothier, R., and Williams, B. (2017). A Bayesian approach to system safety assessment and compliance assessment for Unmanned Aircraft Systems. Journal of Air Transport Management, 62, 18-33. doi:10.1016/J.JAIRTRAMAN.2017.02.003.
Wilson, J., Mrusek, B., Reimann, M., Witcher, K., and Solti, J. (2022). Predictive Data Analytics in Aviation Maintenance: A Cultural Perspective. AHFE (2022) International Conference. USA: AHFE International. doi:10.54941/ahfe100988.
Yan, H., Zuo, H., Tang, J., Wang, R., and Ma, X. (2020). Predictive maintenance framework of the aircraft system based on PHM information. 2020 Asia-pacific international symposium on advanced reliability and maintenance modeling (APARM), (pp.1-6). doi:10.1109/APARM49247.2020.9209454.
Yang, H., LaBella, A., and Desell, T. (2021). Predictive maintenance for general aviation using convolutional transformers. Proceedings of the AAAI Conference on Artificial Intelligence, 36(11), 12636-12642. doi:10.1609/aaai.v36i11.21538.
