Việc sử dụng máy học dự đoán mô hình cấu trúc cơ sở của tính trung kiên

Việc sử dụng máy học dự đoán mô hình cấu trúc cơ sở của tính trung kiên

Các mặt phẳng là các bề mặt điều khiển bay chính được gắn trên cạnh sau của cánh máy bay. Chúng điều khiển cuộn, cho phép xoay và ổn định chiều dọc. Vì các nhà máy có thể tiếp tục nạp khí động học, chu trình nhiệt độ, và đồng thời hệ thống nhận diện môi trường, sự toàn vẹn của chúng là tối quan trọng. Các cấu trúc truyền thống phụ thuộc vào kiểm tra bằng tay và không phá hủy máy tính, nhưng các phương pháp này có thể bỏ qua các hoạt động cơ thể bị hư hại nghiêm trọng. Máy học tập tin sẽ tạo một mô hình: phân tích các luồng cảm biến liên tục dự đoán lỗi trước khi xảy ra, nhờ đó tăng mức an toàn và giảm chi phí sinh hoạt động. Xem xét các kỹ thuật của ML được áp dụng để kiểm tra cấu trúc, chúng phải vượt qua các lợi ích và tăng cường của phi đội và vận hành.

Hiểu được sự trung kiên về mặt văn hóa của Aleron

Các cấu trúc thanh quản thường gồm các ống xả, xương sườn, tấm da và các khớp nối, sản xuất từ hợp kim nhôm, hợp chất, hay vật liệu lai. Trong khi bay, các thanh thanh quản trải nghiệm các vật liệu phức tạp: các khoảnh khắc cong từ áp suất khí động lực, các vật liệu đo độ lệch mặt, và các chu kỳ mệt mỏi từ việc tập luyện lặp đi lặp lại. Các yếu tố môi trường như độ ẩm trong hình thành, nhiệt độ cực, và nhiệt độ cực đại, và các vật liệu giảm nhiệt phụ, các vết nứt, độ hấp thụ, các chất béo, các chất làm giảm nhiệt độ cao trong các hố đồng tử, và các hoạt động phụ thuộc vào các chế độ thất bại thông thường.

Sự đảm bảo thanh liêm của hội nghị phụ thuộc vào việc kiểm tra tuần hoàn bằng cách kiểm tra thị giác, kiểm tra hiện tượng, hoặc kiểm tra siêu âm. Những phương pháp này là thời gian bị hạn chế, cần thời gian hạ cấp và phụ thuộc vào kỹ năng thanh tra. Chúng cũng theo những khoảng thời gian cố định có thể quá bảo thủ (các nguồn tài nguyên) hoặc quá lạc quan (quá lạc quan (làm chậm gây ra). Việc dự đoán mô hình dự đoán tìm cách chuyển từ thời gian dựa trên thời gian cấu hình sang điều kiện bảo trì dựa trên thiết lập cơ sở dữ liệu liên tục.

Dữ liệu cảm biến then chốt cho sức khỏe của loài cá sấu

Máy bay hiện đại được trang bị các bộ cảm biến theo dõi sức khỏe có thể gắn vào các cấu trúc thanh quản.

• Máy đo – đo độ biến dạng đã được định vị dưới tải.
• Máy gia tốc ) – ghi nhận các dấu hiệu rung động do sự thay đổi của sự cộng hưởng do thiệt hại.
• Cảm biến sinh học ) – theo dõi xe đạp nhiệt có thể tăng tốc mệt mỏi.
• Cảm biến biến ) – phát hiện hoạt động điện hóa trong các thành phần kim loại.
• bộ cảm biến tiết ra ) – lắng nghe năng lượng mức độ cao được phát tán trong quá trình truyền tải crack.

Những cảm biến này tạo ra tần số cao, chuỗi thời gian đa biến. cho phép cảnh báo sớm.

Vai trò của máy học về mô hình dự đoán

Các thuật toán học tập các mối quan hệ giữa các tính năng cảm biến và sức khỏe cấu trúc từ dữ liệu lịch sử. Quá trình này bao gồm dữ liệu thu thập, tính năng (v. d., tần số của máy biến đổi, thời điểm thống kê), đào tạo mô hình, hợp lệ hoá và triển khai. Mục tiêu là một mô hình xuất ra chỉ số sức khỏe hoặc còn hữu ích cho mỗi tính năng.

Các loại kỹ thuật học máy được dùng

Các mô hình học tập khác nhau nói về các khía cạnh cụ thể của dự đoán thanh liêm nhà vệ sinh:

Học siêu giám sát

Mô hình siêu giám sát cần thiết bộ dữ liệu có nhãn, mỗi cửa sổ cảm biến được đánh dấu với trạng thái hư hại đã biết (v. d., độ dài lành mạnh, vết nứt < 1 mm, v. v.). Các thuật toán chung bao gồm:

• Rừng Random và Gradient Boosing – phương pháp liệt kê các mối quan hệ không cân đối tuyến tính và cung cấp tính quan trọng.
• Máy tính mở (SVMs) ) – hiệu quả để phân loại mức độ nghiêm trọng thiệt hại khi dữ liệu bị hạn chế.
• Mạng lưới thần kinhDeep (DNNNNS) ) – nắm bắt các quan hệ phụ thuộc thời gian phức tạp; mạng thần kinh tiến hóa (CNNNN) có thể xử lý các chữ số dao động, trong khi bộ nhớ bộ nhớ bộ nhớ bộ nhớ bộ nhớ ngắn ngắn (LSTM) kiểu cảm biến giao diện.

Học hỏi vô điều kiện

Khi đánh dấu dữ liệu thiệt hại là khan hiếm (common cho chế độ thất bại hiếm), phương pháp không giám sát phát hiện dị thường:

• Những người tự động mã – được huấn luyện để tái tạo các mẫu cảm biến bình thường; cờ lỗi cao có khả năng gây ra thiệt hại.
• kMans hoặc DBSCAN – cụm các chế độ hoạt động; sự lệch hướng từ các cụm chuẩn cho thấy sự thay đổi cấu trúc.
• Thành phần phân tích thành phần PCA] ) – giảm chiều trong khi giữ độ lệch, ngoài ra trong điểm không gian giảm thiểu gây thiệt hại.

Học thêm lực

Việc học tập (RL) tối ưu hóa chương trình bảo trì hoặc kiểm tra khoảng thời gian. Tác nhân tương tác với môi trường mô phỏng sự thoái hóa thanh tiêu hóa thanh tiêu chuẩn, học một chính sách cân bằng chi phí kiểm tra để chống lại nguy cơ thất bại. Tính năng này đặc biệt hứa hẹn các hành động dựa trên dự tính dựa trên hành động dựa trên tính chất dựa trên tính chất không chắc chắn.

Lợi ích của việc máy học dự đoán có khả năng dự đoán trước

Triển khai ML cho tính toàn vẹn của nhà vệ sinh mang lại lợi thế cho sự an toàn, kinh tế và hoạt động.

Phát hiện thiệt hại thời gian đầu

Mô hình ML có thể phát hiện các vết nứt dưới đường cong hoặc các tuần tự động lọc phức tạp trước khi chúng trở thành có thể được phát hiện hay phát hiện bởi NDT thông thường. Ví dụ, mạng LSTM được đào tạo trên các dữ liệu đo lường có thể xác định các thay đổi trong đường tải trước khi có vết nứt lớn lên. Cảnh báo này cho phép bảo trì được lên lịch trong các thời gian nghỉ thường xuyên thay vì gây ra vùng mặt khẩn cấp.

Tiết kiệm chi phí

Hệ thống dự đoán và điều hành phải đối mặt với chi phí bảo trì cao-không gian giảm thời gian, và thay thế thanh quản bằng các nhà vệ sinh thì tốn kém. Việc dự đoán dự đoán sẽ giảm các cuộc kiểm tra không cần thiết (v. d., thay thế một nhà vệ sinh khỏe mạnh vì nó có thời gian phụ thuộc vào thời gian đã hết hạn). Các cuộc nghiên cứu ước tính cho phép bảo trì dựa trên phương pháp bảo trì dựa trên ngôn ngữ của tập đoàn này có thể giảm 20–30% trong khi cải tiến việc sử dụng tài chính.

An toàn gia tăng

Bằng cách bắt những thiệt hại trước khi thất bại nghiêm trọng, ML giảm khả năng bay trong sự tách rời thanh quản hoặc mất kiểm soát.

Quyết định của Dữ liệu Druiven

Mô hình dự đoán tạo ra sự hiểu biết hành động: khi nào thanh tra, tìm kiếm gì, và điều nào cần thay thế. Điều này hỗ trợ kế hoạch hoá cấp độ quân đội, quản lý kho (chỉ khi cần thiết), và tuân theo chỉ thị không khí. Các nhà quản lý có thể chuyển từ việc sửa chữa phản ứng sang kế hoạch bảo trì chiến lược.

Thử thách và sự hướng dẫn trong tương lai

Bất kể lời hứa, việc kết hợp ML vào không gian hàng không vẫn phải đối mặt với những trở ngại đáng kể.

Chất lượng dữ liệu và khả năng hoạt động

Việc đào tạo mô hình ML mạnh mẽ đòi hỏi dữ liệu có chất lượng cao, được đánh dấu rộng từ các hoạt động thực và các thử nghiệm thiệt hại kiểm soát. Việc ghi chép dữ liệu như thế rất khó vì những mối quan tâm về quyền sở hữu, tính chất tàn khốc của thất bại thảm khốc, và chi phí để vận hành các cuộc thử nghiệm.

Sự tương thích và vị trí của bộ cảm biến

Cảm biến cần thiết để tránh những cảnh báo sai từ một bộ cảm biến thất bại.

Mô hình giải mã và kiểm tra

Một mạng lưới thần kinh đen dự đoán một vết nứt nhưng không thể biện minh cho việc đầu vào của bộ cảm biến nào gây ra sự báo động không thể xác định được. Việc giải thích các phương pháp AI (XAI) cần có thể giải thích được. Một mạng lưới thần kinh đen dự đoán được một vết nứt nhưng không thể biện minh được rằng thiết bị cảm biến nào đã gây ra sự báo động này không thể truy cập được.

Hướng tương lai

Nghiên cứu đang đẩy mạnh:

• Chương trình nghiên cứu [Fhysics Conscated Machine learn ) – tổng hợp các phương trình vi phân một phần của cơ học cấu trúc thành chức năng mất mạng thần kinh, giảm đói dữ liệu và cải thiện tổng quát.
• Sinh đôi đại diện ) – một bản sao ảo của mỗi thanh tiêu, liên tục cập nhật với dữ liệu nhạy và mô hình thoái hóa, cho phép việc mô phỏng mô phỏng những gì mà bộ phận mô phỏng cho các quyết định bảo trì.
• Edge Computing ) – chạy mô hình MIP nhẹ trên máy bay (v. d., trên máy tính Quản lý Chuyến bay hoặc đơn vị giám sát sức khỏe tận tâm) để cung cấp cảnh báo thời gian thực mà không phụ thuộc vào sự kết nối bên dưới nền tảng của máy bay.
• Phụ đề với truyền thống NDT ) — kết hợp các dự đoán của ML với các kiểm tra siêu âm tuần hoàn hoặc nhiệt độ để xác thực và đào tạo lại mô hình.

Khi những công nghệ này trưởng thành, việc học máy sẽ trở thành một thành phần không thể thiếu của việc quản lý sự toàn vẹn của cơ cấu nhà máy, bổ sung cho các công việc kỹ thuật đã được thiết lập và dẫn đến các hoạt động an toàn hơn, hiệu quả hơn.

Để đọc thêm, hãy tham khảo ý kiến NASA/TM TLT2023 bộ phận bảo trì dự đoán của báo NASA, bộ phận bảo trì [FLT:] [FLT] [FLT: 1], và ấn phẩm quốc tế của Viện nghiên cứu về hệ thống vũ trụ [FLT].