Die Wartung stellt einen Teilbereich der Instandhaltung dar, die in ihrer Gesamtheit auch die Überholung und Reparaturen miteinschließt. Unter Wartungsarbeiten sind Kontrollen und Arbeiten zu verstehen, die planmäßig durchgeführt werden, um die Luftsicherheit aufrechtzuerhalten. Hinzu kommen unplanmäßige Wartungsarbeiten, wie beispielsweise kleinere Reparaturen an festgestellten Mängeln, die einfach behoben werden können. Die Montage neuerer Teile, die keine komplexen Implementierungsprozesse erfordern, können aufgrund von Änderungsbedarf oder Ersatz ebenfalls zur Wartung gezählt werden (Engmann 2013, S. 674). Die Wartungsrichtlinien werden auch an dieser Stelle durch die Sicherheitsbehörden, wie in Kap. 2.4.2 dargestellt, mitreguliert. Zusammen mit den Triebwerkherstellern werden schließlich die ausformulierten Wartungsrichtlinien den Flugzeugbetreibern mitgeliefert.

Maintenance and Repair Organizations

Bei Maintenance and Repair Organizations (MRO) handelt es sich um Unternehmen, welche auf die Wartung und Reparatur von Luftfahrzeugen und deren Komponenten wie Triebwerke und Landekomponenten spezialisiert sind. Auch MRO werden von Luftsicherheitsbehörden reguliert. Laut EASA Punkt 145 werden Regularien an MRO gesetzt, um eine möglichst hohe akzeptable Flugsicherheit zu gewährleisten. MRO werden laut Swoboda in drei unterschiedliche Organisationen unterteilt. Die drei unterschiedlichen Organisationen werden von Luftfahrzeug MROs, Triebwerk MROs und Komponenten MROS gebildet. Letztere befassen sich mit Komponenten wie Hydraulik, Luftfahrtelektronik, Notfallausrüstung oder Türriegler (Swoboda 2016).

Engine Health Management

Engine Monitoring Systeme (EMS) sind eine Entwicklung der letzten zwei Jahrzehnte, welche Informationen aus unterschiedlichen Parameter wie beispielsweise Tank- und Ölstatus oder Temperatur prüfen und in Echtzeit darstellen. Das erste EMS wurde 1981 hergestellt und betrieben. Das EMS kann als Vorgänger heutiger Engine Health Management- Systeme gesehen werden (Tumer und Bajwa 1999, S. 1-2). Grundsätzlich wurde das EMS für die Fehleridentifizierung und deren Behebung für die gängigen Triebwerke wie Turbojet, Turboprop und Turbofan entwickelt. Im Jahr 2004 wurde es schließlich in das EHM-System eingebettet (Zhao und Wu 2014, S. 1071).

Das EHM kann in vier Schritte untergliedert werden, die im Folgenden näher erläutert werden. Diese sind die Zustandsüberwachung (Condition Monitoring), die Fehlerdiagnose (Fault Diagnosis), die Leistungsprognose (Performance Prognostics) und die Handlungsempfehlung (Prespective Action) (Zhao und Wu 2014, S. 1072).

Während der Zustandsüberwachung werden Symptome gesucht, welche bedingt durch Anomalien identifizierbar sind. Dabei werden Daten, die aus Sensoren gewonnen werden, mit Werten verglichen, die einen akzeptierbaren Rahmenbereich darstellen. Die Methoden, welche in diesem Schritt genutzt werden, basieren unter anderem auf neuronalen Netzwerken, Statistiken und physikalischen Theorien. Bei der Fehlerdiagnose werden die Gründe für die identifizierten Anomalien hinterfragt. Der Zustand eines Triebwerks kann in die Kategorien Degration, Fault und Failure untergliedert werden. Bei der Diagnose kommt unter anderem das Failure Models, Effects and Critical Analysis (FMECA) Tool zur Anwendung, welches aktuell ein mächtiges Analyse-Tool darstellt. Leistungsprognosen können kurz-, mittel- und langfristig gemacht werden. In diesem Abschnitt wird auf Grundlage der aufgezeichneten Trends eine Prognose abgegeben, zu welchem Zeitpunkt ein Fehler oder Ausfall zu erwarten ist. Des Weiteren werden die Auswirkungen, die ein eintretender Fehler oder Ausfall haben wird, bestimmt und daraus gewertet, ob es sich um einen kritischen Fehler handeln kann, der das Flugzeug fluguntauglich macht. In der Handlungsempfehlung wird eine Handlungsalternative auf das identifizierte Symptom bzw. auf die identifizierte Anomalie vorgeschlagen. So könnte es zu einer Empfehlung kommen, ein bestimmtes Teil zu ersetzen oder zu reparieren. Des Weiteren wird ebenfalls geprüft, ob nach einer Handlung das identifizierte Problem behoben wurde (Zhao und Wu 2014, S. 1072).

Mögliche Anwendung von Big Data-Technologien und -Analysen

Wie bereits in Kap. 3.2 beschrieben, sind Wartungsperioden und Kontrollen für die unterschiedlichen Triebwerkstypen die richtungsweisenden Vorgaben. Durch die Anbringung immer modernerer Sensoren und Überwachungssysteme entstehen immer mehr zu verwendende Daten.

Am Beispiel des EHM werden im Folgenden die möglichen Ansatzpunkte für die Anwendung von Big Data-Technologien und insbesondere -Analysen betrachtet. Im ersten Punkt des EHM, der Zustandsüberwachung, können dank der eingebetteten Sensordaten Parameter wie Temperatur, Druck, Ölsystem, Schmutz, Vibration, Laufzeit sowie Geschwindigkeit oder Treibstofffluss erfasst werden (Tumer und Bajwa 1999, S.

2). Um eine schnelle und ausfallsichere Aufnahme dieser Daten zu gewährleisten, könnte beispielsweise die Nutzung eines Hadoop-Systems, wie in Kap. 2.2.1 dargestellt, infrage kommen. Da Hadoop allerdings eher Batch-Orientiert arbeitet, wären Echtzeitüberwachungen schwer umsetzbar. Um die beziehenden Daten nahezu in Echtzeit darstellen zu können, würde stattdessen eine In-Memory-Datenbank, wie in Kap. 2.2.3 beschrieben, eher zutreffen. Durch die schnelleren Technologien könnten damit in Verbindung stehende Big Data-Analysen das Potenzial enthalten, die in Echtzeit erhaltenen Daten schneller auszuwerten. In Kap. 3.2.1 wurden für diesen Punkt Methoden für die Vermessung der Daten aus der Statistik oder neuronalen Netzwerken genannt. Die Anwendung künstlicher neuronaler Netzwerke, wie in Kap. 2.3.5 genannt, könnte in diesem Punkt ebenfalls Anwendung finden. In der Fehlerdiagnose könnten künstliche neuronale Netzwerke ebenfalls angewandt werden. Daraus ließen sich wiederum schnellere Diagnosen erwarten. Das vorhin beschriebene FMECA Tool, welches auf Leistungsprognosen basiert, könnte mit Predictive Analytics aus den gesammelten enormen Datenmengen genauere und noch sichere Prognosen erstellen, was wiederum bei der Handlungsempfehlung positive Effekte haben würde.

Geschlossen betrachtet könnten Big Data-Analysen auf einen gemeinsamen Prozess reduziert werden, statt in den vier genannten Schritten von Zhao und Wu in Kap. 3.2.1. Natürlich stellt sich an diesem Punkt die Frage, inwieweit dies mit den Standards der Sicherheitsorganisationen in Kap 2.4.2 vereinbar wäre. Allerdings könnte ein zusammenhängendes System in diesem Fall eventuell die Bearbeitungszeiten reduzieren.

EHM bei Rolls Roys

Bereits mehrere Triebwerkshersteller, wie General Electric oder Pratt & Withney., haben sich große Datensammlungen, die durch eingebaute Sensoren in den Triebwerken erzeugt werden, zu eigen gemacht (Rapolu o. J.). So erzeugt beispielwese das Triebwerk GExn von General Electric 5.000 Datenpunkte die Sekunde, was zu einem halben Terrabyte pro Flug führen kann. Daraus ergeben sich weitaus mehr Möglichkeiten, Ergebnisse aus den Daten zu ziehen (Canaday 2015). Dabei werden gezielt Big Data-Analysen auf die gesammelten Daten angewendet, um den Kunden oder der eigenen Forschung Mehrwert zu bieten.

Rolls-Roys vertreibt ebenfalls eine große Anzahl an Triebwerke und geht beim EHM nach einem fünfstufigen Prinzip vor, dessen Schritte sich in Sense, Acquire, Transfer, Analyse und Act gliedern lassen (Waters 2009, S. 2). Folgend wird nur die erste Stufe betrachtet um die Ansatzpunkte für Big Data-Analysen zu verdeutlichen.

In der Stufe Sense erfassen 25 Sensoren Daten innerhalb des Triebwerks. Dabei werden die Wellendrehzahl und die Temperatur des Triebwerkgases dafür genutzt, um den allgemeinen Zustand darzustellen. Mehrere Temperatur- und Drucksensoren sammeln zudem Daten aus dem Gaspfad des Triebwerks, um die Leistung der jeweiligen Module zu kalkulieren. Die Module stellen dabei den „Fan“ (Rotorblätter), die zwischenliegenden und Hochdruckkompressoren als auch die zwischenliegenden und Niedrigdruckturbinen dar. Vibrationssensoren nehmen wertvolle Daten aus allen rotierenden Komponenten. Des Weiteren wird durch einen elektrischen Magneten Schmutz aus dem Ölsystem abgefangen. Weitere Sensoren nehmen Daten aus dem Tanksystem (Pumpe, Dosierventil, Filter), dem Ölsystem (Pumpe, Filter), dem Kühlungssystem und der Gondellüftung (Waters 2009, S. 38-39).

An dieser Stelle wird ersichtlich, dass unterschiedliche Arten von Daten durch die Sensoren erzeugt werden. Vergleicht man die gewonnenen Daten mit denen die Zhao und Wu im Schritt der Zustandsüberwachung nennen, so lassen sich teilweise identische Daten wiederfinden. Ansatzpunkte für Big Data-Analysen wären somit ebenfalls gegeben und identisch zu den im oberen Abschnitt genannten.

Nutzenpotenziale

Die in Kap. 3.2.1.1 genannten Möglichkeiten zur Nutzung von Big Data-Analysen in der Triebwerkwartung scheinen größtenteils umgesetzt und deren Resultate mit positiven Effekten behaftet zu sein. Wie anhand der Technologien, wie dem EHM, welchen sich die Triebwerkshersteller bedienen, zu sehen ist, kann sowohl von einer Steigerung der Effizienz als auch der Sicherheit gesprochen werden. Die Nutzenpotenziale, welche hier schon zum Großteil in die Realität umgesetzt wurden, zeigen, dass der Ansatz von Big Data-Analysen innerhalb der Luftfahrtindustrie tatsächlichen Nutzen mit sich bringt. Da sich die Nutzung von Big Data und deren Analysen noch im Anfangsstadium des EHM befindet, kann von weiteren positiven Effekten durch einen gezielteren Einsatz von Big Data-Analysen ausgegangen werden. Allerdings sollte hier kritisch hinterfragt werden, ob es sich bei Big Data-Analysen auch um in der Wirtschaft bekannte Analysemethoden handelt. Es ist durchaus vorstellbar, dass auch im EHM Plattformen zum Einsatz kommen, welche in Kap. 2.2 nicht genannt wurden und dadurch eventuell andere Formen der Analyse wie in Kap. 2.3 erlauben. Mit der gezielten Wartung gehen kürzere Wartungszeiten und somit Kosteneinsparungen einher und stellen somit wirtschaftlichen Nutzen dar. Die bessere Planbarkeit durch das EHM kann zudem zu weniger Verspätungen führen, was wiederum zu einer Effizienzsteigerung führen würde. Gut gewartete Triebwerke sind folglich Ausfallsicherer und stellen somit auch risikoaversen Nutzen dar.

In der Stufe Sense erfassen 25 Sensoren Daten innerhalb des Triebwerks. Dabei werden die Wellendrehzahl und die Temperatur des Triebwerkgases dafür genutzt, um den allgemeinen Zustand darzustellen. Mehrere Temperatur- und Drucksensoren sammeln zudem Daten aus dem Gaspfad des Triebwerks, um die Leistung der jeweiligen Module zu kalkulieren. Die Module stellen dabei den „Fan“ (Rotorblätter), die zwischenliegenden und Hochdruckkompressoren als auch die zwischenliegenden und Niedrigdruckturbinen dar. Vibrationssensoren nehmen wertvolle Daten aus allen rotierenden Komponenten. Des Weiteren wird durch einen elektrischen Magneten Schmutz aus dem Ölsystem abgefangen. Weitere Sensoren nehmen Daten aus dem Tanksystem (Pumpe, Dosierventil, Filter), dem Ölsystem (Pumpe, Filter), dem Kühlungssystem und der Gondellüftung (Waters 2009, S. 38-39).

An dieser Stelle wird ersichtlich, dass unterschiedliche Arten von Daten durch die Sensoren erzeugt werden. Vergleicht man die gewonnenen Daten mit denen die Zhao und Wu im Schritt der Zustandsüberwachung nennen, so lassen sich teilweise identische Daten wiederfinden. Ansatzpunkte für Big Data-Analysen wären somit ebenfalls gegeben und identisch zu den im oberen Abschnitt genannten.

Nutzenpotenziale

Die in Kap. 3.2.1.1 genannten Möglichkeiten zur Nutzung von Big Data-Analysen in der Triebwerkwartung scheinen größtenteils umgesetzt und deren Resultate mit positiven Effekten behaftet zu sein. Wie anhand der Technologien, wie dem EHM, welchen sich die Triebwerkshersteller bedienen, zu sehen ist, kann sowohl von einer Steigerung der Effizienz als auch der Sicherheit gesprochen werden. Die Nutzenpotenziale, welche hier schon zum Großteil in die Realität umgesetzt wurden, zeigen, dass der Ansatz von Big Data-Analysen innerhalb der Luftfahrtindustrie tatsächlichen Nutzen mit sich bringt. Da sich die Nutzung von Big Data und deren Analysen noch im Anfangsstadium des EHM befindet, kann von weiteren positiven Effekten durch einen gezielteren Einsatz von Big Data-Analysen ausgegangen werden. Allerdings sollte hier kritisch hinterfragt werden, ob es sich bei Big Data-Analysen auch um in der Wirtschaft bekannte Analysemethoden handelt. Es ist durchaus vorstellbar, dass auch im EHM Plattformen zum Einsatz kommen, welche in Kap. 2.2 nicht genannt wurden und dadurch eventuell andere Formen der Analyse wie in Kap. 2.3 erlauben. Mit der gezielten Wartung gehen kürzere Wartungszeiten und somit Kosteneinsparungen einher und stellen somit wirtschaftlichen Nutzen dar. Die bessere Planbarkeit durch das EHM kann zudem zu weniger Verspätungen führen, was wiederum zu einer Effizienzsteigerung führen würde. Gut gewartete Triebwerke sind folglich Ausfallsicherer und stellen somit auch risikoaversen Nutzen dar.

Letztlich sei genannt, dass die Wartung einen optimierten Emissionsausstoß und damit ökologischen Nutzen fördert.

Airplane Health Management

Beim Airplane Health Management (AHM) handelt es sich um ein System, das durch Ferndatenerfassung bezogene Flugzeugdaten überwacht und analysiert, um den Zustand eines Flugzeugs zum aktuellen Zeitpunkt bzw. zu einem zukünftigen Zeitpunkt zu bestimmen. Das AHM sammelt entstehende Daten dabei automatisch und kontrolliert und analysiert diese, um die Effizienz und Leistung zu steigern (AircraftIT o. J.).

Ein großes Ziel des AHM ist es, einen effizienten Zugang zu der enormen Menge der unterschiedlichen Daten zu bekommen (Clark et al. 2007, S. 1). Daraus sollen Systemzuverlässigkeit, Sicherheit, Wartung, Verfügbarkeit und Befahrbarkeit von Flugzeugen erhöht werden.

Boeing´s AHM sammelt Daten aus On-Board-Systemen und Triebwerken des Flugzeuges und schickt diese an den Bodenbetrieb der jeweiligen Fluggesellschaft, die diesen Service in Anspruch nimmt. Wie bereits oben beschrieben, werden die Daten in Echtzeit erfasst. Durch die gesammelten Daten können Flugzeugbetreiber (Fluggesellschaften, Privatbesitzer etc.) Wartungsarbeiten an den genutzten Flugzeugen besser planen (Boeing 2007, S. 2). Dadurch sollen unplanmäßige Wartungen und Unterbrechungen im Zeitplan des Flugbetriebes eines Flugzeuges reduziert werden (Boeing 2007, S. 1).

Mögliche Anwendung von Big Data-Technologien und-Analysen

Quellen, aus denen Daten gewonnen werden können, finden sich hier in Flugzeugdaten, welche aus dem ACARS-System entnommen werden, in historischen Daten aus ERP PIREP und AME Notes, in Wetterdaten und dem EMS (Prasad 2014). Des Weiteren greift das AHM auf sogenannte off-board und on-board generierte Daten von unterschiedlichen Flugzeugen zu. Diese Daten bestehen in ihrer Gesamtheit aus fehlerhaften Codes, Wartungshandlungen, Pilotenberichten und Testdaten. Beim AHM werden übliche Methoden zur Datensammlung und Abrufung benutzt. Auch das Datenbanksystem, welches beim AHM verwendet wird, basiert auf einer üblichen relationalen Datenbankstruktur (Clark et al. 2007, S. 3).

Zunächst ist zu erkennen, dass das AHM eine große Summe an Daten sammelt. Die unterschiedlichen Daten, welche dabei bezogen werden, könnten allerdings auf einer für Big Data ausgerichteten Plattform hinterlegt werden. Hier würde eine Speichermöglichkeit von den in Kap. 2.2 genannten Alternativen infrage kommen. Beispielsweise könnte die Anwendung von Hadoop durchaus die gesammelten Daten sicher hinterlegen und

aufgrund seiner Robustheit ein hohes Maß an Datensicherheit bieten. Die hinterlegten Daten könnten die Anwendung von Big Data-Analysen in diesem Punkt ebenfalls erlauben. Das AHM ist bei Boeing an 2.000 ihrer Flugzeuge integriert (Boeing 2007, S. 1). Die großen Datensätze, die innerhalb von Boeing entstehen, könnten mithilfe von Big Data-Analysen, beispielswese mithilfe von Data Mining, präzisiert werden. Des Weiteren wäre es ebenfalls denkbar, dass der Einsatz von Big Data-Analysen eine schnellere Bearbeitung der generierten Daten der Flugzeuge unterstützt.

Die Architektur des AHM von Boeing besteht aus drei Modulen. Diese lassen sich in Real- Time Fault Forwarding, sowie Custom Alerting und Analysis and Performance Monitoring gliedern. Das Real-Time Fault Management kommuniziert Fehler, die während des Fluges entstehen, an die Flugbetreiber und Boeing selbst. Die erhaltenen Informationen werden anschließend diagnostiziert und für die Wartung passendes Personal und Ersatzteile für die Behebung des Problems zusammengestellt (Boeing 2007, S. 2).

Wie Kap. 3.2.1 zu entnehmen ist, können viele Daten in diesem Abschnitt anfallen. Dies würde eine Grundlage bieten, in diesem Punkt Big Data-Analysen einzuführen. Auch bei der Zusammenstellung des Personals und der Ersatzteile für die Reparaturen könnten, wie bei der Herstellung neuer Flugzeuge, Big Data-Analysen angewendet werden, um die optimalste Konstellation auf das bestehende Problem zusammenzustellen. Innerhalb des Performance Monitorings fallen ebenfalls Daten an. Diese umfassen den Treibstoffverbrauch und CO2-Emissionen (Boeing 2007, S. 2). Beim Custom Alerting geht es lediglich um die Nutzung unterschiedlicher Services, die keine Datenquellen darstellen. Werden jedoch alle drei Module betrachtet, so könnten im Falle von Big Data-Analysen diese in ihrer Gesamtheit analysiert werden. Wie in Kap. 2.1 beschrieben, würden somit unterschiedliche Arten von Daten anfallen, auf denen die Analysen angewendet werden können.

Nutzenpotenziale

Boeing stellt durch das AHM eine Kostenregulierung in Aussicht, indem Gebühren des AHM nur dann anfallen, wenn der Service genutzt wird (Boeing 2012). Neben den kalkulierbaren Kosten kann auch von einer generellen Kostenminimierung gesprochen werden. Dies wäre auf die Reduzierung außerplanmäßiger Wartungen bzw. Reparaturen zurückzuführen. Ähnlich wie beim EHM werden auch hier Wartungsarbeiten durch die Analyse der Daten optimiert und somit erhöhte Einsatzzeiten erreicht. Aus dieser Sicht lässt sich durch die Optimierung des AHM mithilfe von Big Data-Analysen ein wirtschaftlicher Nutzen feststellen. Auch steigt die Sicherheit durch eine genauere Identifizierung von zu wartenden Komponenten am Flugzeug. Ökologischer Nutzen kann in diesem Punkt allerdings nicht genau identifiziert werden. Dennoch sollte hinterfragt werden ob die Wartung des Flugzeugs durch das AHM nicht ebenfalls die Reduzierung von Emissionen fördert. Aus diesem Blickwinkel würde ökologischer Nutzen vorhanden sein.