KI-gestützte Innovation in der vorausschauenden Flugzeugwartung

Der Kunde 

Unser Kunde ist eine große DACH-Fluggesellschaft und MRO. Zusammen mit ihren Tochtergesellschaften zählt die Gruppe zu den führenden europäischen Airlines – gemessen an Flottengröße und beförderten Passagieren. Die Airline-Gruppe verfügt über mehr als 700 Flugzeuge und ist damit eine der größten Flotten weltweit. Das Unternehmen ist ein globaler Luftfahrtkonzern mit mehr als 530 Tochtergesellschaften und Beteiligungen.  

Die Herausforderung 

Das Team für vorausschauende Wartung stand vor der Herausforderung, enorme Mengen technischer Daten zu verarbeiten, die in unterschiedlichen Formaten und zu verschiedenen Zeitpunkten eintrafen. Dazu gehörten Post-Flight-Telemetrie und Echtzeit-Betriebsdaten, die während des Flugs an das Aircraft Condition Management System übermittelt wurden, sowie manuell erstellte Work Orders – oft unstrukturiert, mehrsprachig und fehleranfällig. 

Die fragmentierte Datenlage erschwerte eine umfassende Sicht auf den Flugzeugzustand erheblich. Jede Inkonsistenz in Datenqualität und -struktur beeinträchtigte die Erkenntnisgewinnung und führte zu reaktiven Wartungszyklen, verlängerten Durchlaufzeiten und verpassten Möglichkeiten für frühzeitiges Eingreifen. 

Darüber hinaus fehlte den bestehenden Systemen die nötige Flexibilität, um den unterschiedlichen Anforderungen interner Engineering-Teams und Partnerairlines gerecht zu werden – mit jeweils eigenen Prozessen, Fachkenntnissen und Workflows. Gefragt war eine Lösung, die schnell, präzise, skalierbar und einfach zu pflegen ist und ein breites Spektrum an Anwendungsfällen abdeckt. 

Die Lösung 

Scalefocus arbeitete eng mit dem Data-Science-Team des Kunden zusammen, um ein modulares, KI-gestütztes Framework zu entwickeln, das Daten aus mehreren heterogenen Systemen zuverlässig aufnehmen, verarbeiten und analysieren kann. 

Die mit Python entwickelten Backend-Komponenten – bereitgestellt über Kubernetes auf Google Cloud – übernahmen Datenaggregation, -transformation und Pipeline-Orchestrierung. Statistische Modelle wurden eingesetzt, um Anomalien in Echtzeit- und historischen Datensätzen zu erkennen und so frühzeitigere Fehlererkennung mit kürzeren Reaktionszeiten zu verbinden. 

Eine weitere zentrale Innovation war die Integration von Large Language Models (LLMs) zur Verarbeitung und Kategorisierung unstrukturierter, mehrsprachiger Wartungsprotokolle. Dadurch wurden unübersichtliche Felddaten in strukturierte, verwertbare Erkenntnisse umgewandelt. 

Die von Scalefocus entwickelten Systeme sind hochgradig modular, wiederverwendbar und ermöglichen einen nahtlosen Zugriff für mehrere Teams und Partnerairlines – unabhängig von deren Fachkenntnissen. Unsere Experten sorgten außerdem dafür, dass jeder Stakeholder die Werkzeuge an seine spezifischen betrieblichen Anforderungen anpassen kann. Diese Flexibilität war entscheidend – sowohl für die schnelle Problemlösung als auch zur Reduzierung der langfristigen Wartungskomplexität. 

Während der Kunde das Training der KI-Modelle verantwortete, stellte Scalefocus sicher, dass die umgebenden Systeme saubere, kategorisierte Eingaben lieferten und die Ausgaben intelligent verarbeiteten – und Erkenntnisse direkt in operative Dashboards und Planungstools einspeisten. 

Die Ergebnisse 

• 40% schnellere Anomalieerkennung und Erkenntnisgewinnung aus Flug-, Sensor- und Wartungsdaten 
• Reduzierte AOG-Ereignisse und ungeplante Wartungen – für proaktivere Planung und deutlich weniger kostspielige Betriebsunterbrechungen 
• Optimierte Workflows durch modulares Design und wartungsarme Komponenten 
• Standardisierte, mehrsprachige Datenverarbeitung – auch für handschriftliche und unstrukturierte Eingaben 
• Flexible, skalierbare Architektur für den Einsatz bei mehreren Airlines und technischen Teams 
• Betriebliche Transparenz durch eine einheitliche Sicht auf Flugzeugzustand und Wartungshistorie – mit verwertbaren Erkenntnissen für Ingenieure