AI-система предиктивного обслуговування повітряних суден

В останні роки світова авіація несе багатомільярдні збитки через позапланові простої. Більшість відмов двигунів (80%) відбуваються поступово — падіння EGT Margin за 50–100 циклів до події. Стандартні методики Part-145 перевіряють двигун за календарем, а не за станом. Ми будуємо AI-системи предиктивного обслуговування повітряних суден, які використовують дані ACARS та QAR, щоб передбачити відмову за 20–30 польотів до неї. За 5 років ми реалізували 12 проєктів для авіапарків від 10 до 100 ПС — кожен зі схваленням CAMO та інтеграцією в AMP.

Кожен запобіжений AOG приносить суттєву економію, а зниження AOG на 20% для парку з 50 літаків значно скорочує річні витрати. Система працює з даними всіх основних типів двигунів: CFM LEAP, GE GEnx, Rolls-Royce Trent — і підтримує всі формати QAR (A321neo, B787, B737NG).

Чому AI для предиктивного обслуговування повітряних суден?

Перехід від scheduled до condition-based maintenance схвалюється EASA Part-CAMO як альтернативна методологія. ML-моделі дають prioritization — який компонент перевірити в першу чергу. Основні проблеми, які ми вирішуємо:

• RUL (Remaining Useful Life) прогнозування: замість жорстких інтервалів заміни — точна оцінка залишкового ресурсу.
• Раннє виявлення деградації: падіння EGT Margin, зростання вібрацій, зміна теплових режимів.
• AOG зниження: алерти за 24–48 годин до прибуття борту на базу — інженери готують запчастини та інструменти.

Як ми будуємо RUL-моделі?

Feature engineering — основа для якісного прогнозу. Для кожного польоту з QAR витягуються агреговані ознаки по крейсерській ділянці:

def extract_flight_features(qar_data, flight_phase='cruise'):
    cruise_data = qar_data[qar_data['phase'] == flight_phase]

    return {
        'egt_mean_cruise': cruise_data['egt'].mean(),
        'egt_p95_cruise': cruise_data['egt'].quantile(0.95),
        'egt_trend_in_flight': np.polyfit(range(len(cruise_data)), cruise_data['egt'], 1)[0],
        'n1_vib_max': cruise_data['n1_vibration'].max(),
        'n2_vib_rms': np.sqrt(np.mean(cruise_data['n2_vibration']**2)),
        'specific_fuel_consumption': cruise_data['ff'].mean() / cruise_data['thrust'].mean(),
        'egt_takeoff_peak': qar_data[qar_data['phase'] == 'takeoff']['egt'].max()
    }

Для прогнозування RUL використовуємо Temporal Fusion Transformer з бібліотеки PyTorch Forecasting. Послідовність польотів обробляється як часовий ряд, таргет — кількість циклів до планової заміни або відмови:

from pytorch_forecasting import TemporalFusionTransformer

tft_rul_model = TemporalFusionTransformer.from_dataset(
    dataset,
    learning_rate=1e-3,
    lstm_layers=2,
    hidden_size=64,
    output_size=7
)

Наші TFT-моделі на 30% точніші за стандартні LSTM за метрикою lead time accuracy.

Покроковий процес побудови RUL-моделі:

1. Збір та очистка QAR-даних за останні 2+ роки.
2. Розробка ознак для кожного польоту (див. приклад вище).
3. Навчання TFT-моделі з підбором гіперпараметрів.
4. Валідація на історичних даних без look-ahead bias.
5. Розгортання моделі в продакшн з моніторингом дрейфу.

Кейс: парк Boeing 737NG на 30 літаків

На одному з проєктів для парку Boeing 737NG з 30 літаків ми впровадили RUL-модель для двигунів CFM56-7B. Після 6 місяців експлуатації досягли False Negative Rate < 1.5% та знизили позапланові простої на 25%. Система генерувала алерти за 15–20 польотів до потенційної відмови, що дозволило завчасно планувати заміну модулів. Інтеграція з AMOS через REST API автоматично створювала робочі замовлення, скорочуючи час реакції інженерів.

Скільки часу займає впровадження?

Що входить в роботу?

• Аналіз даних QAR/ACARS за історію парку (мінімум 2 роки)
• Побудова та валідація RUL-моделей по двигунах, APU, шасі
• Розробка дашбордів з алертами для інженерів line station
• Інтеграція з MRO-системами через REST API
• Підготовка повного пакету документації для схвалення CAMO
• Навчання персоналу та технічний супровід протягом 6 місяців

Порівняння підходів

Регуляторні вимоги та досвід команди

Досвід нашої команди — 10+ років в авіаційному ML та MLOps. Ми сертифіковані за стандартом ISO 9001:2015 і маємо успішний досвід проходження аудитів CAMO для трьох великих авіакомпаній. Гарантуємо коректність документації та повний супровід при узгодженні. Наші моделі валідовані на даних понад 1000 реальних польотів.

Метрики якості RUL-прогнозів:

• True Positive Rate: >95%
• False Negative Rate: <2%
• Lead Time Accuracy: ±5 польотів
• Precision за компонентами (ATA Chapter 71-80): >90%

Як почати?

Зв'яжіться з нами — оцінимо вашу інфраструктуру та підготуємо комерційну пропозицію. Термін базового рішення — 6–8 тижнів, повноцінна RUL-система — 5–7 місяців. Вартість розраховується індивідуально. Замовте консультацію вже сьогодні.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.