Abstract: Inom målområdet ”Tillgängliga och effektiva flygvägar i ett hållbart samhälle” är forskning och innovationsarbete inom följande två teman prioriterade: (1) Ökad automation för ökad säkerhet och effektivitet i flygtrafikledningen, (2) Utveckla informationstjänster och standarder för att dela information mellan ATM-aktörer vilket ger bättre lägesbild och minskar systemkostnader. Mer specifikt avser denna förstudie att utveckla nya metoder för att hantera, analysera och visualisera det stora antalet larm och avvikelser i de olika tekniska system som stöder luftfarten.
Sensorsövervakningssystem tillhandahåller idag stora mängder av tidsseriedata som kan analyseras för att hitta mönster och samband i data. Genom att analysera ”floating” tågdata (”floating train data”) är det till exempel möjligt att förutsäga sällsynta lutnings och dragfel. Även om dessa tekniker har visat sig vara värdefulla för att uppnå längre tillgänglighet och bättre tillförlitlighet för järnvägstransportsystem, har lite arbete gjorts för att undersöka nya prediktiva underhållsmetoder baserade på analysen av data som erhållits från övervakning av ATM-system (t.ex. felmätningar i radarsystem). Detta projekt ämnar att fokusera på just denna punkt.
LFV har anläggningar spridda över landet där datainsamling sker. Det inkluderar radaranläggningar och motsvarande sensorer för att positionera flygplan, radioanläggningar för talkommunikation flygledare-pilot och navigationsanläggningar, och på senare tid med fjärrstyrd flygtrafikledning samlas även data från kameratorn. Idag besöks anläggningarna regelbundet för planerat förebyggande underhåll där olika serviceåtgärder vidtas med fasta intervaller. Utöver det besöks anläggningarna vid behov när fel uppstår.
Med dagens dataexplosion har användningen av maskininlärning (ML) och data mining (DM) tekniker ökat dramatiskt över olika discipliner. Sådana tekniker har visat sig vara effektiva för att studera underliggande processer i system och identifiera mönster inom dem. Samtidigt fungerar många ML- och DM-algoritmer som en "black box"-metod som döljer processen för användaren. Genom att integrera visualisering i DM processen, såväl i algoritmberäkningen som för att representera de resulterande mönster, blir det möjligt att effektivt inkludera människan i denna process (human-in-the-loop) och på sätt förbättra analysen avsevärt genom att producera resultat som är lättare att förstå och lita på.
Detta projekt siktar på att utifrån systemhändelser och metadata utveckla och applicera avancerade visuella datautvinningsmetoder (visual data mining) för att identifiera och analysera mönster i data. Metoderna kommer att göra det möjligt att:
• förutspå fel eller problem och tidigarelägga underhåll eller felsökning
• ha underlag för att senarelägga underhåll med längre intervall.
På så sätt kommer den föreslagna forskningen öppna vägen mot prediktivt underhåll inom ATM-system vilket bidrar till kostnadseffektiv produktion vilket förväntas komma användare och samhälle till gagn.
Nyhetsvärdet i den forskning som beskrivs i detta projektförslag är i de föreslagna metoderna för prediktivt underhåll inom ATM-system som är baserade på temporal
datautvinning och inkluderar människan i processen (human-in-the-loop).