Using Big Data and Machine Learning to Improve Aircraft Reliability and Safety
Notice bibliographique
Résumé
The evolution of aircraft systems monitoring technology has made it possible to acquire increasing amounts of data. The big volume of available information has helped aerospace companies to increase the reliability and availability of their products and to improve the safety of aircraft, flight crew and passengers. In the event of system failures, the high complexity of the new aircraft systems, combined with the large amount of data provided by them, make the management of risk assessments a more complex activity and make the decision- making process more accurate but challenging. This process may lead to excessive conservatism when evaluating risk levels, which may in turn impact operation costs and production costs; increase the flight crew’s workload due to possibility to add more work to their normal tasks to deal with systems failures; or, conversely, lead to an underestimation of the criticality of the risk, thus exposing aircraft occupants to an unacceptable level of risk.Logical Analysis of Data (LAD) makes it possible for input signals variables or condition indicators of different physical components to be combined and compared in multiple scenarios, in a process known as pattern recognition and interpretation of physical condition. This paper addresses the potential for machine learning and pattern generation and interpretation to support reliability and safety in the aerospace industry. It examines a set of three scenarios from industry practice: in the first two, Machine Learning (ML) is used as a supporting tool for reducing costs, and improving reliability and safety, respectively. In the final scenario, ML is embedded in the system architecture to highlight the challenges of the use of ML in association with the current design assurance levels for software and real-time risk assessment. The paper ultimately aims to lay the groundwork for a better decision-making process, supporting quantitative and qualitative assessment of the level of risk in an aircraft system.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».