Resumen

Existe una gran cantidad de información y datos de mantenimiento en la industria de la aviación que podrían utilizarse para obtener resultados significativos en la predicción de acciones futuras. Este estudio tiene como objetivo introducir modelos de aprendizaje automático basados en la selección de características y la eliminación de datos para predecir fallos en los sistemas de aeronaves. Se recopilaron datos de mantenimiento y fallos de equipos de aeronaves a lo largo de un período de dos años, y se identificaron meticulosamente nueve variables de entrada y una de salida. Se propone un modelo híbrido de preparación de datos para mejorar el éxito de la predicción de la cantidad de fallos en dos etapas. En la primera etapa, se utiliza ReliefF, un método de selección de características para la evaluación de atributos, para encontrar los parámetros más efectivos e ineficaces. En la segunda etapa, se modifica el algoritmo k-means para eliminar datos ruidosos o inconsistentes. El rendimiento del modelo híbrido de preparación de datos en el conjunto de datos de mantenimiento del equipo se evalúa

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Gran cantidad; Datos de mantenimiento; Industria de la aviación; Modelos de aprendizaje automático; Sistemas de aeronaves; Datos de fallos
• Keywords:Large amount; Maintenance data; Aviation industry; Machine learning models; Aircraft systems; Failure data