Predikce potřebného materiálu v těžké údržbě letadel

Abstract

Tato diplomová práce řeší možnosti predikce potřebného materiálu těžké údržby letadel. Cílem je navrhnout řešení, které by při plánování tohoto materiálu zvýšilo efektivitu a tím snížilo náklady na údržbu. Základem je databáze z organizace oprávněné k údržbě CSAT a jako řešení byl vytvořen program, včetně uživatelského prostředí v softwaru MATLAB, využívající několik matematických predikčních modelů k vytvoření předpovědi poptávky na základě databáze, a to až na půl roku dopředu. Program je schopen předpovídat plně automaticky pro velká množství dílů v daném okamžiku nebo si uživatel může zvolit možnost předpovědi poptávky pro každý díl zvlášť. Tato druhá možnost je doplněna i o zobrazení detailních informací o daném dílu. Skrze uživatelské prostředí je možné modely upravovat a dosáhnout tak vyšší přesnosti předpovědi. Validace samotné přesnosti modelů je řešena na základě absolutních i relativních chyb, díky kterým je možné zjistit, zdali je použitý model vhodný pro predikci daného typu poptávky.

This master thesis provides options for prediction of materials required for aircraft heavy maintenance visits. The main goal is to propose a solution, which would increase the effectiveness of a material supply process and thus to reduce maintenance costs. A database from an aircraft maintenance organisation was used and a computer software, including a graphic user interface, was developed using MATLAB. This program uses several mathematical forecasting models, which are able to make forecasts based on the database, up to six months in advance. The program can run automatic forecasts for both multiple and single parts or consumable material. Analysis using the latter option generates additional information from the database. Additionally, the user can manually adjust the setting of the forecasting models via the graphic user interface, helping to improve the accuracy of the forecast. The evaluation of the accuracy of provided forecasts is computed based on both absolute and relative errors, which can help determine whether the selected forecasting model is suitable for the given type of request.