Intelligent Management Analysis System

Patrick HarrisJason Fairey

Bernard Laskowski

Analatom Incorporated3210 Scott Boulevard

Santa Clara, California 95054

Analatom Proprietary 2017

OutlineProblem StatementTechnical ApproachIMAS

IMAS Building BlocksIMAS Software and Hardware StructureIMAS DataIMAS IndexIMAS Analysis ‐ SoftwareIMAS Analysis – HardwareIMAS ReportingIMAS Remaining Useful Life

Overall BenefitsTechnology DeploymentProject Team ParticipantsConclusion

Problem Statement• The Intelligent Maintenance Analysis System (IMAS) enables correct assessment of 

aircraft specific maintenance event context.  Different environment, mission and operational contexts drive different cost metrics.  The IMAS solution improves cost estimates as it overcomes the present limitations associated with making simplifying assumptions with regard to failure and reliability functions in common practice.

• Combined with CBM+ improves ability to avoid cost of non‐required maintenance.• IMAS learns human expertise and reapplies their knowledge by utilizing advanced 

machine learning technologies to memorize all available data and later recall patterns that indicate a degraded platform.

• Cost savings are realized via timely resolution to problem reports.  Many companies provide CBM+ analytics capabilities; however many fielded systems have limited scalability and this increases overall costs.  IMAS is designed to be scalable.

Technical Approach• Complex Cross Correlation across unstructured text data including Customer Service 

Requests, Service Bulletins, Engineering Analyses, Faults, Maintenance Actions (MX) and numeric data including system wide Data Flight Data Recorder (DFDR) and Engine Health Management (EHM) monitored parameters.

• Engine vibration and turbine gas temperature sensors.

IMAS Building Blocks: Data (A), Fast Index (B), Analysis (C), Report (D)

IMAS Software and Hardware Structure

IMAS Data• MX Remis text data

• SHM, DFDR and EHM numerical data

IMAS Index• Associative Memory

– Content addressable– The ability to correct faults if false information is given– The ability to complete information if some parts are missing– The ability to interpolate information, in other words if a pattern is not currently stored the most 

similar stored pattern is determined.

• Associative Memory Numerical Data – Fast Index

IMAS Index (Continued)• Associative Memory Text Data – Fast Index

# Narrative

1 Ramp actuator

2 Ramp panel corrosion

3 Hydraulic actuator leak

XML Table (2D)

# Panel Ramp Actuator Corrosion Hydraulic Leak

1 1

2 1

3 1

Word 1

# Panel Ramp Actuator Corrosion Hydraulic Leak

1 1

2 1

3 1

Word 2

# Panel Ramp Actuator Corrosion Hydraulic Leak

1

2 1

3 1

Word 3

DataImport

IMAS Analysis ‐ Software• Current methods are obtuse

A neural network can often tell you “if” something is wrong but not “why.”Other systems ignore complex variable interactions.

• IMAS Mutual Information (MI)Determination of Commonalities

The two shapes share two partsKolmogorov Complexity

Maximal CompressionK(Stream 1) = Smallest data stream to provide Stream 1

Mutual InformationMI(Stream 1, Stream 2) = K(Stream 1) if given all of K(Stream 2) for free.Pairwise associations require (N^2+1)/2 MI calculations

IMAS Analysis – Software (Continued)• MI Heatmap

IMAS Analysis ‐ Hardware• MI is time consuming

Perform parallel computingField Programmable Gate Array (FPGA)Complex Programmable Logic Device (CPLD)Graphics Processing Units (GPUs)

GPU cores have over 1000 cores for desktop chipsEach core can read from the same memoryWriting requires either synchronization or independent memory spaceIndustry supported, consumer productOpen source software support

• CPU Cluster versus CPU Cluster with FG MPI and GPUsSets of GPU cores can each run for a pair of variablesMany pairs overlap data requirements

Memory transfer can be reducedResulting information is a vector of MI values

Not much reverse memory transfer requiredFG MPI and GPU accelerate IMAS MI execution by a factor of 40 compared to solely cluster of CPUs.

IMAS Reporting Maintenance Data• Graphical Visualization Maintenance 

IMAS Reporting Engine Health Management Data• Visualization engine temperature and vibration are time ordered 

It is difficult to integrate across time and see interesting correlations that may exist.

For humans and data mining methods, time domain oriented obscure intermittent condition co-occurrences of parameter trajectories.

IMAS Reporting Engine Health Management Data (Continued)

Engine temperature and vibration related dynamics illustratedAnalatom Patent Pending Transform

The transform finds related metrics and dynamics that arecontextually dependent.

Analatom Proprietary 2017

X-Axis in months

IMAS Reporting Engine Health Management Data (Continued)

• Visualization DFDR, EHM and MX Data

Anomalous 747 Flight found by applying differential similarity across routes.

IMAS Different Aircraft – DFDR MGT Engine Data

Normal Engine DFDR Measured Gas Temperature (MGT) parameters are all correlated.

IMAS Different Aircraft – Similar Parameters Profile

Aircraft X MGT4 (red) separating from other MGT parameters.

Normal Engine MGT parameters are all correlated.

Aircraft Y MGT4 (red) separating from other MGT parameters.

Measured Gas Temperature (MGT) SHM MGT averaged over 4 enginesDFDR MGT1, MGT2, MGT3, MGT4

SHM Data DFDR Data

IMAS Different Aircraft – Degradation ProfilesIndicate Months Before End Of Life

Remaining Useful Life (RUL) determined from onset MGT increase to MGT maximum

Overall Benefits • Cost Benefit Analysis applied to just the C‐130 conducted show an estimated cost savings 

of $153 Million over the period FY 2015 through FY 2025 with an ROI of 17.99.

• Provides effective cost policy / scheduling options rationalized by appropriate actions that prevent in‐service failure and/or unscheduled maintenance that can be validated across the fleet.  

• Reduce the amount of labor time and cost associated with analyses processes for RCM; serve as a reliable data source for cost analysis and fusion of maintenance activities with aircraft sensor data; indirectly supports condition‐based maintenance plus (CBM+) by improving RCM data analysis processes.

• Efficiently find complex patterns by overlaying and integrating maintenance event data stream with health usage monitoring system sensor data streams.  Discover, correlate, and recall complex patterns between sensors, faults, fault isolation manuals, and maintenance tasks.

Technology Deployment• MECSIP and Airworthiness C‐130 Hercules Division (AFLCMC/WLNEB): provides point of contact to serve 

as project coordinator throughout the technology maturation and transition effort; monitor efforts and facilitate technology insertion with all stakeholders; provide engineering and technical assistance for integration of the technology into system platform; provide liaison with accreditation/approval authorities and systems; and participate in funding and technology transition processes as stated in this document.

• Technology Insertion Branch (AFSC/ENR OL‐Robins): provides technology transition assistance to all stakeholders throughout the maturation and transition insertion effort; coordinates funding and contractual activities through successful transition.

• Analatom (Contractor): primary contractor responsible for technology maturation and transition effort. Responsibilities include software development, testing and integration; compliance with cost, schedule, and performance requirements for each contract vehicle; management of all subcontractor efforts; and maintaining open communication with all stakeholders.

• Mercer Engineering Research Center (MERC) (Integrator): end‐user with ability to provide PM and RCM analysis services demonstrated through the accomplishment of the C‐130 Mechanical Equipment and Subsystem Integrity Program (MECSIP) and CBM+ program tasks. Provides the primary interface between Air Force and Analatom aiding in technology transitioning by providing maintenance data for technology development and serve as beta‐test site.

• National Center Manufacturing Sciences (NCMS): provides program management. 

Project Team ParticipantsName Organization Contact Information Title

Timothy Floyd AFLCMC/WLNEB (478) 327‐9028 timothy.floyd@us.af.mil

Air Force MECSIP and AirworthinessC‐130 Hercules Division

Feraidoon Zahiri WR‐ALC/ENSNTechnology Insertion Branch

(478) 327‐4127feraidoon.zahiri@us.af.mil Air Force SBIR Program Manager

Bernard Laskowski Analatom, Incorporated 408‐980‐9516laskowski@analatom.com SBIR Firm President

Dave French Mercer Engineering Research Center (MERC) (478) 953‐6800dfrench@merc‐mercer.org MERC Director of Advanced Programs

Bill Chenevert National Center Manufacturing Sciences (NCMS) (734) 995‐7989BChenevert@NCMS.ORG Senior Program Manager, Sustainability

Conclusion• Contextually linked text and sensor dynamics are indexed.• Queries against index finds similar profiles across aircraft and fleets.• Engineering investigation times are reduced saving time and labor.• Scheduling based on data driven RUL curves provides larger windows to 

fix before failure, avoiding associated costs.