Compressive Sensing to predict the health of an aircraft’s engine

Abstract

Este proyecto está incluido en el marco del mantenimiento predictivo. Consiste en deducir el momento idóneo para cambiar una pieza del motor de modo que el motor no se haya estropeado y se minimicen el numero de reparaciones en el avión Este proyecto entra dentro del mantenimiento predictivo. Una de las muchas piezas que pueden estudiarse para predecir su mantenimiento es el motor del avión. Añadiendo sensores que capturen las señales de las vibraciones del motor, es posible intuir cual es la salud del motor. El problema de esto es que las frecuencias de resonancia del motor son demasiado elevadas como para medir un vuelo de muchas horas, muestreado a una frecuencia superior a la frecuencia de Nyquist. Es un problema de Big Data. El objetivo de este trabajo es la reconstrucción de esta señal del motor, muestreando únicamente una porción aleatoria de la señal, y sabiendo que la señal es de baja densidad (la señal tiene muchos coeficientes despreciables) en una base determinada, que es el dominio frecuencial de la señal. El objetivo es conseguir un modelo que reconstruya la señal de la forma más precisa posible, de una forma rápida y que no haga relevante ningún coeficiente que sea despreciable, pues imposibilitaría el estudio de la salud de la señal. En último lugar, los parámetros de la señal no deberían de depender de a salud de la señal, y a ser posible tampoco del ratio de compresión de la señal, para poder fijar un parámetro optimo e inamovible en el método. Un resumen más elaborado del trabajo está adjunto al propio trabajo.

This project is included in the framework of predictive maintenance. It consists of deducing the ideal moment to change an element of the engine so that the engine is not damaged and the number of interventions in the aircraft are minimised. This project is part of predictive maintenance. One of the many parts that can be studied to predict maintenance is the aircraft engine. By adding sensors that capture the signals of the engine vibrations, it is possible to sense what the health of the engine is. The problem with this is that the resonance frequencies of the engine are too high to measure a flight of many hours, sampled at a frequency higher than the Nyquist frequency. It's a Big Data problem. The objective of this work is the reconstruction of this motor signal, sampling only a random portion of the signal, and knowing that the signal is sparse (the signal has many negligible coefficients) on a given basis, which is the frequency domain of the signal. The aim is to achieve a model that reconstructs the signal as accurately as possible, in a rapid manner and that does not make any coefficient that is negligible relevant, as this would make it impossible to study the health of the signal. Finally, the parameters of the signal should not depend on the health of the signal, and if possible, neither on the compression ratio of the signal, in order to set an optimal and immovable parameter in the method. A more elaborate summary of the work is attached to the paper itself.