Portare la manutenzione degli elicotteri ad un livello superiore
Gli incidenti e le disgrazie in elicottero sono spesso fatali, oltre ad essere molto costosi sotto numerosi aspetti, richiedendo una maggiore manutenzione preventiva avanzata che si avvalga della tecnologia moderna. Il progetto ADHER (ʺAutomated diagnosis for helicopter engines and rotating partsʺ), finanziato dall'UE, ha immaginato un sistema efficace per la diagnosi dei guasti e la prognosi dei problemi meccanici utilizzando la tecnologia automatizzata dei sensori. Ha cercato di ridurre i falsi allarmi dei sistemi attuali, riducendo al minimo i costi di manutenzione, aumentando la disponibilità in una flotta di elicotteri e migliorando la sicurezza. Il progetto ha lavorato su un sistema di monitoraggio dell'utilizzo e dell'integrità (HUMS) che presenta un monitoraggio basato su sensori per la manutenzione basata sulle condizioni (CBM) in grado di sostituire i controlli fisici periodici. Il progetto ha cercato di comprendere meglio il comportamento delle vibrazioni, dell'acustica, delle centraline dei comandi ausiliari degli elicotteri, dell'invecchiamento delle parti e del guasto delle parti in movimento attraverso avanzati modelli teorici ed esperimenti al banco di prova. Il progetto ADHER ha quindi lavorato allo sviluppo di un software per l'apprendimento automatico volto ad analizzare i dati del sensore e a produrre diagnosi più efficienti, nonché la valutazione della fattibilità di nuovi HUMS. Dopo avere raccolto dati sperimentali e di controllo delle parti rotanti, compresi i detriti di carburante, le vibrazioni e le emissioni acustiche, il progetto ADHER ha utilizzato i dati per sviluppare strumenti software innovativi di diagnosi multi-sensensore. Tali strumenti avrebbero la capacità di combinare i dati con modi nuovi, nonché di eliminare i dati dei sensori difettosi al fine di ottenere una diagnosi più accurata. Più in dettaglio, il team del progetto ha applicato tecniche avanzate di elaborazione del segnale alle vibrazioni e ad altri dati. Il team del progetto ha stabilito i parametri di diagnosi dall'elaborazione dei dati, valutando tali parametri e identificando i relativi parametri come la temperatura dell'olio, la velocità e il carico. Dopo prove intensive, la modellazione e l'analisi della strumentazione e delle apparecchiature, il team ha sviluppato prototipi degli strumenti software che soddisfano gli obiettivi del progetto. I risultati sono stati diffusi tramite comunicati stampa, contatti con i partner e il sito Internet.
