Использование машинного обучения для прогнозирования результатов аэрокосмических экологических испытаний

Понимание аэрокосмических экологических испытаний

Аэрокосмические экологические испытания являются важной частью процесса проектирования, сертификации и производства любого компонента, который будет летать или путешествовать в космосе. Эти испытания воссоздают наказывающие физические условия, которые должны выживать аппаратные средства, начиная от экстремального холода и вакуума орбиты до интенсивной вибрации, акустического шума и теплового цикла, испытываемого во время запуска и повторного входа. Без строгих экологических испытаний даже незначительные конструктивные недостатки могут привести к катастрофическим сбоям в миссии, что обойдется в миллиарды и ставит под угрозу жизнь.

Ключевые типы экологических испытаний включают:

• Тепловые камеры циклического и теплового вакуума (TVAC) , которые подвергают детали быстрым колебаниям температуры и жесткому вакууму для проверки стабильности материала и производительности электроники.
• Вибрационное и ударное тестирование с использованием электродинамических шейкеров и механических ударных машин для имитации акустики запуска, сепарации ступеней и посадочных нагрузок.
• Гумидность, солевой туман и коррозионные испытания для оценки долгосрочной долговечности в наземных и морских средах запуска.
• Испытания на радиационную и электромагнитную совместимость (EMC) для электроники космических аппаратов, работающих в поясах Ван Аллена или вблизи мощных радиолокационных систем.

Эти испытания являются дорогостоящими и трудоемкими. Одна кампания ТВАС для спутникового компонента среднего размера может занять недели и стоить десятки тысяч долларов. По мере того, как отрасль переходит к созвездиям из сотен или тысяч небольших спутников, производители сталкиваются с огромным давлением, чтобы снизить затраты на тестирование, сохраняя или улучшая надежность. Именно здесь машинное обучение делает свой след.

Подход машинного обучения

Машинное обучение (ML) предлагает способ, основанный на данных, для увеличения и в некоторых случаях замены физического тестирования. Создавая прогностические модели из исторических тестовых наборов данных, аэрокосмические инженеры могут прогнозировать результат экологического теста до того, как аппаратное обеспечение когда-либо войдет в камеру. Эта прогностическая способность позволяет ранние корректировки проектирования, лучшее распределение ресурсов и более эффективную квалификацию.

Сбор данных и предварительная обработка

Основой любого проекта ML являются высококачественные данные. В аэрокосмических испытаниях на окружающую среду эти данные обычно поступают из:

• Сенсорные потоки — телеметрия из десятков или сотен термопар, акселерометров, датчиков давления и тензодатчиков, записанных во время предыдущих испытаний.
• Журналы испытаний и метаданные — тип испытания, продолжительность, критерии прохождения/неудачи, настройки камеры и экологические профили.
• CAD и свойства материала — геометрия, масса, жесткость, теплопроводность и коэффициенты теплового расширения.
• Отчеты о послетестовом анализе отказов — подробные описания первопричин любых аномалий или сбоев.

Объединение этих разнообразных источников данных в чистый, помеченный учебный набор часто является наиболее трудоемкой частью трубопровода. Инженеры должны нормализовать показания датчиков в различных тестовых сессиях, обрабатывать недостающие значения и согласовывать данные временных рядов с журналами событий. Особенности инженерии - извлечение значимых предикторов, таких как максимальный градиент температуры, вибрационная мощность спектральной плотности или время ожидания на критических порогах - превращает сырые данные в входы, на которых модель ML может учиться.

Выбор модели и обучение

Для прогнозирования аэрокосмических испытаний было применено большое разнообразие алгоритмов ML. Общий выбор включает:

• Случайные леса и градиентные деревья (XGBoost, LightGBM) — очень надежные для табличных данных, фиксирующие нелинейные взаимодействия между такими функциями, как частота вибрации и температура.
• Поддержка векторных машин — полезна, когда взаимосвязь между условиями испытаний и режимами отказа отделима в многомерном пространстве признаков.
• Глубокие нейронные сети (DNN) и сверточные нейронные сети (CNN) — подходят для моделирования данных датчиков временных рядов или 2D/3D тепловых карт с тепловизионных камер.
• Рекуррентные нейронные сети (RNN) и сети с длинной кратковременной памятью (LSTM) — для прогнозирования сбоев от последовательных считываний датчиков во время тестового запуска.

Обучение включает разделение исторического набора данных на учебные, валидирующие и тестовые подмножества. Модель обучена сводить к минимуму функцию потерь (например, двоичную перекрестную энтропию для классификации пропусков / отказов), в то время как гиперпараметры, такие как скорость обучения, количество деревьев или глубина сети, настраиваются с помощью перекрестной валидации. Современные подходы также включают в себя методы ансамбля и байесовскую оптимизацию для улучшения обобщения для условий тестирования, не наблюдаемых в тренировочном наборе.

Оценка и валидация

Прежде чем прогнозной модели можно доверять в производственной среде, она должна быть тщательно проверена.

• Точность и F1-оценка — общая правильная классификация и баланс между ложными срабатываниями (предсказание сбоя, когда часть фактически пройдет) и ложными сбоями (отсутствие фактических сбоев).
• Кривая рабочей характеристики приемника (ROC) и площадь под кривой (AUC) — измерение способности модели различать проход и выход из строя через пороги.
• Калибровка (FLT:0) — обеспечение соответствия прогнозируемых вероятностей наблюдаемым частотам (например, модель, которая дает вероятность отказа 90%, должна выйти из строя 90% времени в реальности).

Эксперты в области исследований — инженеры-испытатели и исследователи неудач — рассматривают основные прогностические особенности модели, чтобы убедиться, что они физически правдоподобны. Например, если модель идентифицирует необычную комбинацию низкой температуры и высокой амплитуды вибрации как состояние высокого риска, это должно иметь смысл с точки зрения материаловедения. Любые загадочные корреляции помечены для дальнейшего исследования, модель может использовать артефакты в данных обучения.

Основные преимущества предсказаний машинного обучения

Интеграция ML в рабочие процессы экологических испытаний дает ощутимые преимущества на протяжении всего жизненного цикла продукта.

• Сокращение количества физических тестов. Модели могут использоваться для квалификации изменений дизайна только по прогнозам, резервируя физические тесты только для самых критических или новых конфигураций. Это снижает стоимость и график на 30-50% в некоторых программах.
• Раннее обнаружение неисправностей при проектировании. Перед созданием прототипа инженеры могут запустить модель по предложенным параметрам проектирования и быстро определить, какие особенности с наибольшей вероятностью вызовут неисправность тестирования.
• Планирование испытаний с учетом риска. Не все тестовые статьи нуждаются в одинаковом уровне тестирования. ML может направлять градуированный подход: компоненты с высокой прогнозируемой маржой могут требовать меньше тестовых точек, в то время как те, которые находятся вблизи границы отказа, получают больше внимания.
• Быстрый анализ первопричин.] Когда тест не срабатывает, модели ML могут мгновенно ранжировать наиболее влиятельные факторы, указывая исследователям на вероятную причину и уменьшая устранение неполадок с недель до часов.
• Постоянное обучение. Каждый новый результат теста, независимо от того, проходит он или нет, может быть возвращен в модель, улучшая ее точность с течением времени и адаптируясь к новым материалам, конструкциям или стандартам тестирования.

Реальные приложения и тематические исследования

Авиакосмическая промышленность уже начала развертывание МО для прогнозирования испытаний как в государственных, так и в коммерческих программах.

Использование NASA машинного обучения в структурном прогнозировании тестов

Исследовательский центр НАСА в Лэнгли экспериментировал с машинным обучением для прогнозирования режимов отказа в композитных структурах при комбинированной тепловой и механической нагрузке — сложной среде, типичной для гиперзвуковых транспортных средств. Обучая нейронные сети данным сотен инструментальных испытательных панелей, исследователи достигли более 95% точности в определении того, какие накладки и конфигурации крепежа будут рассмотрены в первую очередь. Эта работа была опубликована в технических отчетах НАСА и проинформировала о проектировании систем тепловой защиты для транспортных средств следующего поколения агентства.

Один крупный производитель малых спутников, который, как сообщается, облетел более 300 космических аппаратов, начал использовать модели с градиентным увеличением для прогнозирования результатов испытаний теплового вакуума и вибрации для стандартных компонентов шины. По данным отраслевых журналов, производитель сократил продолжительность приемочных испытаний на полную единицу почти на 40%, сохраняя при этом нулевую частоту отказов на орбите. Подход потребовал создания централизованной базы данных из более чем 10 000 тестовых кампаний - значительные, но разовые усилия по разработке данных. Узнайте больше о спутниковых испытаниях на основе данных в

Помимо прогнозирования результатов испытаний компонентов, ML используется для прогнозирования состояния самих испытательных камер. Вибрационные шейкеры, камеры ТВАС и солнечные симуляторы являются дорогостоящими активами, требующими регулярного обслуживания. Путем мониторинга данных камерных датчиков (моторные токи, давление насоса, температура хладагента) и моделей обнаружения аномалий в учебных целях операторы могут планировать ремонт до того, как камера выйдет из строя в середине испытания - предотвращая дорогостоящие задержки в манифесте запуска. Крупный европейский испытательный центр сообщил о 25% сокращении незапланированных простоев после внедрения такой системы, что подчеркивается в тематическом исследовании Европейского космического агентства .