Datamining turbofan engine performance to improve fuel efficiency
Notice bibliographique
Résumé
Snecma as major engine manufacturer is often asked by its airline customers to help them improve their efficiency in the operation of the engines. The main concern is fuel consumption but also a long-term expectancy about the engine cost during its full life. For example, this includes maintenance frequency and shop costs. Snecma built a new laboratory for data analysis who's mission is to find numeric models able to take most of the manufacturer knowledge into account when observing large amounts of data coming back from the aircrafts' operations. In the next five years, we need to be able to collect more than one gigabyte of data per flight and per engine. This becomes huge when looking at the big fleet of CFM engines, which already accounts for almost 30000 turbofans, with a new flight beginning every 2.5 seconds. This flow of data continuously increases and should be used to help our customers improve their operations. As manufacturer, we also need to help our maintenance teams improve the reliability of the systems and optimize the shop operations with all information available in the data and even the design of future engines. In this paper, we outline our data laboratory, the way we take care of all sources of information including operations, shops and also production, integration, tests and external observations like weather, airports data, etc. As an example, we present the statistics we get from the analysis of the aircraft fuel consumption during climb. To be able to interpret the flight data we need to get rid of all external conditions that may bias the data. The algorithms we use for this process are the same as the ones we implemented in our prognostic and health-management (PHM) system. They are used on ground stations to compile models that may eventually be reworked to create new embedded health indicators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».