Hoe KLM Cityhopper kosten en downtime bespaart

Data AI Cloud

Met voorspellende modellen voor onderhoud.

Vliegtuigonderhoud is gebonden aan strenge wet- en regelgeving. Op gezette tijden wordt het vliegtuig geïnspecteerd en moeten bepaalde onderdelen per definitie om de zoveel jaar worden vervangen. Voor de reguliere inspectie en standaard onderhoud, afhankelijk van de leeftijd van het toestel, zijn monteurs verantwoordelijk, die zich baseren op de data die ze verzamelen uit de diverse systemen. Bij KLM Cityhopper gaan ze echter een stap verder om het huidige onderhoudsplan effectiever en efficiënter te maken. Om zo efficiënt mogelijk in te kopen, onderhoud in te plannen en intelligente inzichten te krijgen uit de gevarieerde onderhoudsgeschiedenis van vliegtuigen, maken ze gebruik van kunstmatige intelligentie. Meer specifiek, voorspellende gegevens. Met voorspellend onderhoud van KLM Cityhopper voorspellen ze aankomend onderhoud en door het vliegtuig in te plannen voor onderhoud kunnen ze voorkomen dat vliegtuigen te lang aan de grond staan of duurdere reparaties nodig hebben. Dit biedt voordelen voor vrijwel elke branche waar machines het voor het zeggen hebben en stilstand direct geld kost.

In een hangar staat het onderhoudsteam dat werkt aan een Embraer toestel, het vliegtuig dat KLM Cityhopper gebruikt voor korte vluchten binnen Europa. Een monteur koppelt een drive aan het vliegtuig, om de zogenaamde QAR-data of TCRF-data, de informatie uit de bekende zwarte doos, over te zetten. De gevoelige data wordt gesplitst, omdat niet alle data mag worden gebruikt. Die delen worden vervolgens ontgrendeld om te kunnen verwerken. Het uiteindelijke doel van het gebruik van die data is simpel: zo snel mogelijk een mogelijk aankomend probleem opsporen, want hoe eerder een probleem opgespoord is, hoe minder het kost om het op te lossen, zonder dat het toestel onnodig aan de grond blijft. Maar, het ophalen van die data is nog maar stap één…

Data toegankelijk maken

“De data verkrijgen is een complex proces, waarbij het overzetten van de data met de nieuwere Embraers overigens wel automatisch gaat, hoor!”, benadrukt Wemerson Cesar. Hij werkt namens LINKIT als Data Engineer bij KLM Cityhopper. Alyona Galyeva voegde zich er later bij, toen het team naast een Data Engineer ook een Solutions Architect nodig had. De gegevens uit zo’n zwarte doos zijn eindeloos’, zegt ze. “Daarop staat alle sensorinformatie die het vliegtuig tijdens de vlucht registreert. De data is geclassificeerd als gevoelig, dus niet elke parameter mag gebruikt worden en niet elke medewerker mag met deze data werken.” Wemerson kwam dus als eerste bij KLM, omdat hij ervoor moest zorgen dat de juiste data op de juiste plek terecht kwam, nog voordat we er verder iets mee konden.”

Bruggen bouwen op het data lake

Als data engineer ondersteunt Wemerson het team van KLM niet 24/7, zegt hij, maar wel elke dag. Dat komt erop neer dat hij er elke dag voor zorgt dat KLM’s data scientists en business intelligence-afdeling voorzien worden van de juiste data voor nieuwe inzichten en onderzoek. Hij bouwt en onderhoudt, kortgezegd, de pipelines die de toevoer van informatie mogelijk maken. Die sluit hij allemaal aan op het data lake; de plaats waar de actuele data, afkomstig uit het vliegtuig, gesplitst en gedecodeerd, terecht komt. “Daartoe hebben data scientists en business intelligence geen toegang,” vertelt Wemerson. “Het is onder andere mijn taak om ervoor te zorgen dat gekke of dubbele waarden eruit worden gehaald en de sensordata wordt verrijkt met bijvoorbeeld vluchtgegevens, zoals tijden.” Die schone en verrijkte data wordt vervolgens via een pipeline naar een andere plek verplaatst, waarna deze toegankelijk is voor een bepaald doel, zoals het bouwen van een dashboard door iemand van business intelligence.

Realtime data en de data scientist als eenhoorn

Van die data wordt al snel geroepen dat deze het liefst realtime te zien is. “Dat is vaak niet nodig en kostentechnisch niet efficiënt”, aldus Alyona. Dat geldt ook voor KLM Cityhopper. “Het kost ontzettend veel rekenkracht en op heel veel momenten heb je er niets aan. Als een vliegtuig vliegt kun je bijvoorbeeld geen gegevens ophalen, en van een vliegtuig dat stilstaat in een hangar heb je ze niet nodig.” Daarom worden de dashboards elk uur geüpdatet, met de op dat moment beschikbare actuele informatie.

Iets anders wat we in bijna elke case tegenkomen is de rol die data scientists hebben, vertelt Wemerson. “Vaak worden zij gezien als mensen die verstand hebben van alles, terwijl zij zich in werkelijkheid bezig moeten houden met statistieken, het trainen van modellen, het maken van voorspellingen en heel misschien met het maken van een dashboard.” “Je kunt een traject als dit best beginnen met enkel data scientists”, vertelt Alyona. “Als je in jouw bedrijf wil kijken of AI een oplossing is voor jouw vraagstuk, bijvoorbeeld. Maar zodra je weet dat je die kant op gaat? Versterk dan je team met data engineers! Daarmee voorkom je dat je op een later punt vastloopt.”

Uitdagingen en oplossingen

Dat advies nam KLM Cityhopper ter harte. “Onze rol vereist wel dat we ook kunnen onderbouwen waarom iets nodig is”, zegt Alyona. “Dat geldt voor elke stap, dus ook voor het inrichten van de omgeving en het gebruik van de juiste tools. Werken met AI is echt een verandering van paradigma.” Ze geeft een voorbeeld. “Met traditionele software monitor je realtime: werkt het of werkt het niet? AI-monitoring combineert historische en realtime data, waarbij je steeds moet vergelijken. Je hebt te maken met iets wat continu muteert, waar je eerst te maken had met iets statisch. Dat vraagt een andere aanpak, maar je moet wel steeds kunnen uitleggen waarom.” Ook de waarde van het migreren naar de cloud moest zich bewijzen. Zeker gezien de gevoeligheid van de data. “Nu sturen we de data in een soort brabbeltaal naar de cloud, vervolgens wordt het daar vertaald, gaat het algoritme ermee aan de slag en krijgen we een voorspelling, die maken we weer onleesbaar en halen we vervolgens terug op locatie. Daar zetten we het weer om naar de daadwerkelijke data en pas dan kan het door naar een dashboard.” Het is wat werk, geeft Alyona toe, “maar het kost een stuk minder moeite en onderhoud dan wanneer je alles op locatie zou doen. Bovendien houden we het zo wel veilig!” Dat heeft ook te maken met wetgeving: die beïnvloedt zowel wat er wel en niet met de gegevens mag gebeuren, als het daadwerkelijke onderhoud. “Een model kan wel voorspellen dat iets pas over acht jaar versleten is, maar als de wet zegt dat je het na vier jaar moet vervangen, dan moet dat.”

Succes op kleine schaal: dat smaakt naar meer!

Met ‘slechts’ acht mensen in het team van KLM Cityhopper was de opdracht desondanks overzichtelijk. Dat zorgde voor een relatief makkelijk proces. “Maar, vergeet niet dat een AI-oplossing altijd tijd nodig heeft,” aldus Alyona. “Er zijn veelal verschillende afdelingen bij betrokken. Het gaat niet alleen om het bouwen, maar moet ook getest en geverifieerd worden door degenen die het gaan gebruiken. Je moet weten of het werkt, en niet alleen op de korte termijn.” KLM riep na twee jaar de hulp van LINKIT in. Inmiddels is het project vijf jaar gaande. Maar, als het eenmaal op de juiste manier werkt, dan levert dat een hoop op. “Een ander voorbeeld is het plannen van het onderhoud voordat het vliegtuig daadwerkelijk een storing heeft. Dit voorkomt onnodige tijd aan de grond en mogelijk een vertraging of annulering voor passagiers, wat de klantervaring aanzienlijk verbetert,” vertelt Alyona. Om zelf te garanderen dat alles op de juiste manier werkte, draaide het gezamenlijke team eerst een pilot met zuurstof- en hydraulica-gegevens, die ze later omzetten in daadwerkelijke modellen. Deze zijn inmiddels volledig overgedragen aan KLM Cityhopper, dat de huidige modellen onderhoudt. “Eigenlijk is dat het mooiste,” aldus Alyona. “Toen dit eenmaal een succes bleek, wilden ook andere afdelingen van KLM ermee aan de slag!”