استفاده از ماشین یادگیری برای مدل سازی پیش بینی کننده از یکپارچگی ساختاری Aileron

Ailerons سطوح کنترل پرواز اولیه است که بر لبه ی دنباله دار بال های هواپیما سوار شده اند.آنها رول را اداره می کنند، چرخش ها و ثبات جانبی را فعال می کنند، زیرا یک همبرگرها بارگیری مداوم آئرودینامیک، چرخه های دما و خوردگی محیطی را تحمل می کنند، یکپارچگی ساختاری آنها بر چک های دستی و تست های غیر مخرب (NDT)، اما این روش ها می توانند از تکنیک های نظارت بر ماشین ها غافل شوند (به این ترتیب) که چگونه می توانند مزایای استفاده کنند: تجزیه و تجزیه و تحلیل روند تغییرات مداوم را پیش بینی کنند: بنابراین، و تحلیل روند انتقال سیگنال های استاندارد های استاندارد های استاندارد های تعمیر و تغییرات حرکتی را پیش بینی می کنند:

درک یکپارچگی ساختاری Aileron

ساختارهای Aileron معمولا شامل آبگرم، دنده ها، پانل های پوست و اتصالات لولا، ساخته شده از آلیاژهای آلومینیوم، کامپوزیت ها یا مواد هیبریدی است.در طول پرواز، حالت های پیچیده را تجربه می کنند: خم کردن لحظات از فشار آئرودینامیک، بارهای تکان دهنده از کنترل سطح، و چرخه خستگی از عوامل مکرر محیط زیست مانند رطوبت در خرابی شدید، و خستگی، خوردگی، ترک های کامپوزیتی، ترک های کامپوزیتی، ترک های کامپوزیتی و خستگی بیشتر.

اطمینان از یکپارچگی کنوانسیونی بر بازرسی های دوره ای با استفاده از چک های بصری، جریان های لرزه ای یا تست اولتراسونیک متکی است.این روش ها زمان بر هستند، نیاز به خرابی هواپیما دارند و وابسته به مهارت بازرس نیز از فواصل ثابت پیروی می کنند که ممکن است بیش از حد محافظه کارانه (منابع هدر رفته) یا بیش از حد خوش بینانه (از آسیب های اولیه) باشد. پیش بینی می کند که به دنبال تغییر از زمان مبتنی بر شرایط با نظارت مداوم بر نگهداری داده ها باشد.

اطلاعات سنسور کلیدی برای سلامت Aileron

هواپیماهای مدرن مجهز به سنسورهای نظارت بر سلامت هستند که می توانند به ساختارهای آستون متصل شوند.

  • [[۱] [۱۰] [۱۰] [۱۰] [۱]] [۱]] [۱۰]] [۱]] [۱]] [۱۰] [۱]]] [۳] [۱]] [۳]] [۳]] [۱] [۳] [۱]] [۳] [۱] [۱] [۳] [۳] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱] [۳]]]] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [
  • شتاب سنج [FLT 1] - ثبت امضاهای لرزشی که نشان دهنده تغییرات تغییر در اثر آسیب است.
  • [[۱] [۱۰] [۱] [۱۰] [۱]] - نظارت بر دوچرخه سواری حرارتی که می تواند سرعت خستگی را افزایش دهد.
  • سنسورهای Corrosion [FLT 1] - فعالیت الکتروشیمیایی در اجزای فلزی را تشخیص می دهند.
  • سنسورهای انتشار گازهای گلخانه ای [FLT 1] - گوش دادن به انرژی با فرکانس بالا آزاد شده در طول انتشار کرک.

این سنسورها تولید می کنند سری زمان با فرکانس بالا، چند متغیر. الگوهای یادگیری ماشین که با آسیب ایالات ارتباط دارد، قادر به هشدار های اولیه است.

نقش یادگیری ماشین در مدل سازی پیش بینی

الگوریتم های یادگیری ماشین روابط بین ویژگی های سنسور و سلامت ساختاری از داده های تاریخی را یاد می گیرند.این فرآیند شامل خرید داده ها، مهندسی ویژگی (به عنوان مثال، تبدیل های دامنه فرکانسی، لحظات آماری)، آموزش مدل، اعتبار و استقرار است. هدف یک مدل است که شاخص سلامت یا زندگی مفید باقی مانده (RUL) برای هر یک از aileron.

انواع تکنیک های یادگیری ماشین استفاده شده

پارادایم های یادگیری مختلف جنبه های خاصی از پیش بینی یکپارچگی aileron را بیان می کنند:

آموزش عالی

مدل های سوپرvised نیاز به داده های برچسب خورده دارند که در آن هر پنجره سنسور با یک حالت آسیب شناخته شده (به عنوان مثال، سالم، طول کرک < 1 میلی متر و غیره) برچسب زده می شود:

  • جنگل و افزایش درجه حرارت [FLT 1] - روش های گروه که روابط غیر خطی را اداره می کنند و رتبه بندی های مهم را ارائه می دهند.
  • ماشین های پشتیبان (SVMs) – برای طبقه بندی شدت آسیب در هنگام داده محدود است.
  • [FLT: 1] شبکه های عصبی برش (DNNs) - جذب وابستگی های زمانی پیچیده؛ شبکه های عصبی یکپارچه (CNNs) می توانند طیفograms را پردازش کنند، در حالی که حافظه کوتاه مدت (LSTM) داده های سنسور متوالی را مدل می کنند.

آموزش آموزش آموزش Unsupervised Learning

هنگامی که داده های آسیب برچسب کمیاب است (معمولا برای حالت های شکست نادر)، روش های اثبات نشده ناهنجاری ها را تشخیص می دهند:

  • Autoencoders - آموزش دیده برای بازسازی الگوهای سنسور طبیعی؛ خطای بالا خطا آسیب بالقوه را نشان می دهد.
  • منها یا DBSCAN [FLT 1] - رژیم های عملیاتی خوشه ای؛ انحراف از خوشه های طبیعی نشان دهنده تغییرات ساختاری است.
  • ] تجزیه و تحلیل قطعات (PCA) ، کاهش ابعاد در هنگام حفظ وانسانس؛ برونش در نقطه کاهش آسیب.

آموزش تقویت

یادگیری تقویت (RL) برنامه ریزی تعمیر و نگهداری یا فواصل بازرسی را بهینه می کند.این عامل با محیط شبیه سازی شده از تخریب بیستون تعامل دارد، یادگیری سیاستی که هزینه بازرسی را در برابر خطر شکست متعادل می کند، به ویژه امیدوار کننده برای برنامه ریزی اقدامات مبتنی بر شرایط تحت عدم اطمینان است.

مزایای مدل سازی پیش بینی ماشین

استقرار ML برای یکپارچگی یکileron مزایای قابل اندازه گیری در سراسر ایمنی، اقتصاد و عملیات ارائه می دهد.

آسیب های اولیه

مدل های ML می توانند ترک های زیر میلی متری یا هفته های دلمی کامپوزیت را قبل از اینکه آنها قابل مشاهده یا قابل تشخیص توسط NDT معمولی باشند، تشخیص دهند، به عنوان مثال، شبکه LSTM آموزش دیده در داده های اندازه گیری سویه می تواند تغییرات در مسیر بار را که پیش از یک ترک در حال رشد است شناسایی کند.این هشدار اولیه اجازه می دهد تا نگهداری در طول روال عادی به جای ایجاد زمین های اضطراری برنامه ریزی شود.

صرفه جویی در هزینه

خطوط هوایی و اپراتورهای با هزینه های نگهداری بالا مواجه هستند - خرابی هواپیما گران است و جایگزینی ailerons گران است. پیش بینی کننده مدل سازی می تواند هزینه های نگهداری غیر ضروری را کاهش دهد (به عنوان مثال جایگزین یک aileron سالم به دلیل فاصله زمانی آن منقضی شده است).

افزایش ایمنی

با آسیب قبل از شکست بحرانی، ML احتمال جدایی یا از دست دادن کنترل را کاهش می دهد.ارزیابی سلامت زمان واقعی حتی می تواند به رایانه های کنترل پرواز برای تنظیم قوانین کنترل و محدود کردن استرس در یک جزء ضعیف، ارائه یک مسیر تخریب ظریف تغذیه شود.

تصمیمات Data-Driven

مدل های پیش بینی کننده بینش های عملی را ایجاد می کنند: زمانی که برای بازرسی، چه چیزی باید جستجو کنید و کدام یک از همبرگرها نیاز به جایگزینی دارند، این برنامه از برنامه ریزی سطح ناوگان، مدیریت موجودی (که تنها در صورت لزوم قطعات یدکی را ذخیره می کند) پشتیبانی می کند و انطباق با دستورالعمل های تهویه مطبوع می تواند از تعمیرات واکنشی به برنامه ریزی تعمیر استراتژیک حرکت کند.

چالش ها و مسیرهای آینده

علی رغم وعده های آن، ادغام ML به برنامه های یکپارچگی هوافضا با موانع قابل توجهی مواجه است.

کیفیت داده ها و دسترسی

آموزش مدل های ML قوی نیاز به داده های برچسب گسترده و با کیفیت بالا از عملیات پرواز واقعی و تست های آسیب کنترل شده است.به دست آوردن چنین داده ها به دلیل نگرانی های اختصاصی، کاهش شکست های فاجعه بار و هزینه اجرای کمپین های تست، داده های مصنوعی و انتقال (استفاده از داده ها از هواپیماهای مشابه) مورد بررسی قرار می گیرد اما باید برای فیزیک خاص منحصر به فرد معتبر باشد.

قابلیت اطمینان سنسور و Placement

سنسورها باید در محیط های سخت (شبر، دما، رطوبت) زنده بمانند و در طول سال های خدمت کالیبره شوند.حس قرمز برای جلوگیری از هشدارهای کاذب از یک سنسور شکست خورده مورد نیاز است.

قابلیت پیش بینی و صدور گواهینامه

سازمان های نظارتی هواپیمایی مانند FAA و EASA نیاز به تصمیم گیری قابل توضیح دارند.یک شبکه عصبی "جعبه سیاه" که پیش بینی یک کرک اما نمی تواند توجیه کند که ورودی سنسور باعث هشدار می شود قابل توضیح نیست. روشهای هوش مصنوعی قابل توضیح (XAI) - مانند مقادیر SHAP، نقشه های توجه یا استخراج قانون - برای برآورده کردن نیازهای گواهینامه صنعت نیز در کمیته ایمنی حیاتی مانند سیستم های امنیتی SAE G34 توسعه یافته است.

مسیر های آینده

تحقیقات در حال تلاش برای:

  • فیزیک-Inform Machine Learning - شامل معادلات تفاوت جزئی مکانیک ساختاری به توابع از دست دادن شبکه عصبی، کاهش گرسنگی داده و بهبود تعمیم.
  • Twins دیجیتال - یک نسخه مجازی از هر aileron، به طور مداوم با داده های سنسور و مدل های تخریب به روز، قادر به شبیه سازی چه در صورت برای تصمیم گیری های تعمیر و نگهداری.
  • - اجرای مدل های ML سبک در هواپیما (به عنوان مثال، در یک کامپیوتر مدیریت پرواز یا واحد نظارت بهداشتی اختصاصی) برای ارائه هشدار های زمان واقعی بدون تکیه بر اتصال زمین.
  • با NDT سنتی [FLT 1] - ترکیب پیش بینی ML با بازرسی های دوره ای اولتراسونیک یا ترموگرافی برای اعتبار و مدل های تجدید نظر.

از آنجایی که این تکنولوژی ها بالغ هستند، یادگیری ماشین به یک جزء جدایی ناپذیر از مدیریت یکپارچگی ساختاری یکپارچه تبدیل خواهد شد، تکمیل شیوه های مهندسی تاسیس و منجر به عملیات امن تر و کارآمد تر هواپیماهای.

برای مطالعه بیشتر، با سری ناسا / TM-2023-XXX در تعمیر و نگهداری پیش بینی شده، FAA Advisory مدور 43-208 در نگهداری مبتنی بر شرایط و انتشار بین المللی SAE LT:2AIR69 ] [F3: یادگیری ماشین در سیستم های هوافضا] مشورت کنید.