Могут ли автомобили или мотоциклы вести себя сами? Могут ли корабли или суда управлять собой? Могут ли дроны или самолеты летать сами? В этом сообщении блога мы исследуем, как искусственный интеллект решает эти вопросы для аэрокосмической отрасли.

На протяжении десятилетий коммерческие автомобильные компании создавали программное обеспечение, помогающее водителям перемещаться из одного места в другое. Технологии помощи при вождении, такие как система экстренного торможения (EBA), помогали водителям справляться со сценариями внезапного торможения. Системы глобального позиционирования (GPS) помогали водителям ориентироваться по улицам с пошаговыми инструкциями по проезду.

На протяжении десятилетий коммерческие аэрокосмические компании создавали системы, помогающие пилотам доставлять пассажиров из одного пункта назначения в другой. Технологии помощи в полете, такие как радиосвязь, вышки управления воздушным движением (УВД), руководства по летной эксплуатации и электронные системы пилотажных приборов (EFIS), помогали пилотам ориентироваться в облачных, штормовых условиях и условиях плохой видимости.

В то время как вспомогательные навигационные технологии стремительно совершенствовались, инженеры и программисты сосредоточились на автоматизации программного и аппаратного обеспечения. В результате родились беспилотные автомобили и автономная техника.

Разработка беспилотных автомобилей началась в 21 веке. В военное время авиакосмические компании первыми разработали автономные авиационные системы для оборонной промышленности. Аэрокосмические технологии быстро улучшились по мере того, как финансирование от войн вливалось в разработку автономных систем.

В то время как человеческий конфликт был первым катализатором в разработке беспилотных транспортных средств, искусственный интеллект (ИИ) стал следующим и последним катализатором, который позволил человечеству достичь автономной навигации.

Проблема с автоматизацией заключалась в том, что она не могла справиться со сложностью реальных сценариев и динамичным характером изменений. Инженеры и разработчики программного обеспечения задавались вопросом, можно ли научить машины имитировать человеческое поведение, связанное с управлением и навигацией. Они спросили себя, могут ли машины быть полностью автономными? и, что более важно, «может ли ИИ понять сложность движения?»

Одна конкретная ветвь искусственного интеллекта - глубокое обучение - оказалась ответом на эти вопросы. В этой публикации мы подробно рассмотрим применение искусственного интеллекта в аэрокосмической отрасли.

Аэрокосмическая промышленность

Аэрокосмическая промышленность отличается высокой конкуренцией и состоит из множества заинтересованных сторон в правительстве, корпорациях и оборонных ведомствах. Согласно данным AeroDynamic Advisory и Teal Group Corp [1], в мировом масштабе стоимость авиакосмической отрасли составляет 838 миллиардов долларов США. Аэрокосмическая промышленность включает в себя все виды деятельности, связанные с разработкой, производством, техническим обслуживанием и поддержкой самолетов, космических аппаратов и винтокрылых аппаратов. Мы написали эту статью как руководство для всех, кто участвует в разработке проектов, производстве компонентов, строительстве, эксплуатации, обучении, обучении и исследованиях в аэрокосмической отрасли.

Искусственный интеллект (ИИ)

Искусственный интеллект и глубокое обучение - катализатор развития автономных транспортных средств. Инженеры объединили визуальные данные с камер с нейронными сетями для разработки автономных систем искусственного интеллекта без участия человека или навигации. Автономные транспортные средства использовали обнаружение 3D-объектов и семантическую сегментацию для самостоятельного передвижения по дорогам. Автономные дроны использовали классификацию изображений, чтобы следовать по маршруту, не полагаясь на глобальные системы позиционирования (GPS). Автономные летательные аппараты использовали классификацию объектов и обнаружение объектов на аэрофотоснимках для навигации с высоты птичьего полета.

Исследования искусственного интеллекта в аэрокосмической промышленности

Исследования в области искусственного интеллекта и научные круги часто опережают отрасль. Большие бюджеты выделяются на исследования и разработку новейших методов машинного обучения и алгоритмов глубокого обучения. Чтение исследований AI занимает много времени, и этот процесс требует понимания терминологии технологий и информатики. К счастью, команда Produvia потратила десятки часов на чтение исследовательских работ, так что вам не нужно.

Дизайн и разработка продуктов

Дизайн летательных аппаратов требует творческого подхода. Разработка продуктов в аэрокосмической отрасли необходима для разработки новых решений. К счастью, ИИ может помочь и в том, и в другом [2–4].

  • Передача знаний при проектировании самолетов и разработке продуктов
  • Оценка стоимости изготовления узлов реактивного двигателя.

Личное здоровье

Здоровье пилотов критично. Если пилоты не могут справиться со своим стрессом или испытывают проблемы со здоровьем, они рискуют эксплуатацией и авиационной техникой [5].

  • Прогноз сердечного приступа
  • Прогнозирование стресса

Структурное здоровье

Каждую летательную технику необходимо регулярно обслуживать и проверять. ИИ может помочь ответить на вопросы, связанные со структурной работоспособностью оборудования [6–13]

  • Прогнозирование редких отказов
  • Диагностика дефектов или повреждений аэрокосмических конструкций
  • Обнаружение повреждений от удара
  • Структурный мониторинг здоровья
  • Обнаружение аномалий и диагностика неисправностей космических систем
  • Диагностика винтокрылых машин
  • Обнаружение места повреждения
  • Профилактическое обслуживание электрических, механических или конструктивных систем
  • Профилактическое обслуживание с использованием дронов или беспилотных летательных аппаратов (БПЛА)

Полет

Автономный полет - это святой Грааль авиакосмической отрасли. Искусственный интеллект и глубокое обучение помогают компаниям достичь этой сложной цели [14–18]

  • Обнаружение горизонта
  • Автономные дроны
  • Автономные вертолеты
  • Автономные аэрокосмические аппараты

Приложения искусственного интеллекта в аэрокосмической промышленности

Многие компании и организации уже включают ИИ, машинное обучение и глубокое обучение в свои продукты и услуги. Вот наши любимые приложения искусственного интеллекта в аэрокосмической отрасли:

  • Uptake предлагает решения с искусственным интеллектом для прогнозирования отказов, фильтрации шума, анализа изображений, обнаружения аномалий, рекомендаций, целостности данных, динамических правил, управления топливом [19]
  • SparkCognition использует машинное обучение для предупреждения о сбоях самолетов и активов до их возникновения, максимизируя доступность парка, минимизируя внеплановое обслуживание и продлевая срок службы активов. SparkCognition также использует обработку естественного языка, чтобы сократить время поиска и устранения неисправностей, автоматически классифицируя коды неисправностей и рекомендуя наилучшие корректирующие действия. SparkCognition использует обучение с подкреплением для создания смоделированной среды, в которой пользователь может обучать алгоритмы управления и разрабатывать тактики роя. [20]
  • Slingshot Aerospace помогает аэрокосмическим компаниям управлять рисками и угрозами, а также обнаруживать и отображать обломки с помощью прогнозной аналитики, обработки геопространственных сигналов и машинного зрения. [21]
  • Neurala использует компьютерное зрение и технологии глубокого обучения для классификации изображений и распознавания объектов для автономного обхода препятствий [22]
  • Orbital Sidekick использует машинное обучение для обнаружения маскировки, обнаружения шлейфа, идентификации целей, классификации материалов и осведомленности о космической обстановке [23]
  • Боинг имеет несколько автономных систем, от морского дна до космоса, включая автономные морские аппараты (автономные надводные платформы, беспилотные подводные аппараты), беспилотные воздушные системы и автономные космические аппараты. [24]

Идеи искусственного интеллекта для аэрокосмической промышленности

Есть много идей искусственного интеллекта, которые стоит изучить. Проекты исследований и разработок в области искусственного интеллекта - это новые проекты. Есть много возможностей, но придумывать идеи может быть непросто. Вот почему я разработал несколько идей искусственного интеллекта, которые помогут вам начать работу в аэрокосмической отрасли:

  • Анализ спутниковых изображений. Можно разработать модели глубокого обучения, которые нацелены на автоматизацию анализа спутниковых данных. Это может быть достигнуто путем решения задач обнаружения объектов, семантической сегментации, обнаружения изменений и сверхвысокого разрешения.
  • Обнаружение сбоев и обнаружение сбоев. Модели глубокого обучения могут быть разработаны для обнаружения неисправностей и отказов в сложных аэрокосмических системах. Этого можно добиться, решив системные задачи по обнаружению аномалий и рекомендациям.
  • Автономная разведка. Машинное обучение можно использовать в марсоходах для исследования планет. Путем решения задач калибровки, визуальной одометрии, навигации роботов, планирования движения, роботизированного захвата, безопасного исследования, планирования задач роботов, автономных транспортных средств и задач автономной навигации.
  • Прогнозирование расхода энергии или топлива. Машинное обучение можно использовать в космической технике для прогнозирования мощности или расхода топлива космического корабля.

О Produvia

Мы помогаем компаниям внедрять технологии искусственного интеллекта. Заинтересованы в изучении этих или аналогичных вариантов использования ИИ в аэрокосмической отрасли? Посетите наш сайт, чтобы записаться на звонок с командой Produvia.

использованная литература

  1. Стоимость аэрокосмической промышленности составляет 838 миллиардов долларов США. (2019). Aviationweek.com. Получено 26 августа 2019 г. с сайта https://aviationweek.com/farnborough-airshow-2018/aerospace-industry-worth-us838-billion.
  2. Передача знаний посредством машинного обучения в конструкции самолетов - Журналы и журнал IEEE. (2019). Ieeexplore.ieee.org. Получено 26 августа 2019 г. с сайта https://ieeexplore.ieee.org/abstract/document/8065136.
  3. Бертони, А., Дасари, С., Халльштедт, С., и Петтер, А. (2018). Поддержка принятия решений на основе моделей для оценки ценности и устойчивости: применение машинного обучения при разработке аэрокосмической продукции. Общество дизайна, 6, 2585–2596. Получено с http://www.diva-portal.org/smash/record.jsf?pid=diva2%3A1210597&dswid=6877
  4. Лойер, Дж., Энрикес, Э., Фонтул, М., и Уайзол, С. (2016). Сравнение методов машинного обучения, применяемых для оценки стоимости изготовления компонентов реактивного двигателя. Международный журнал экономики производства, 178, 109–119. DOI: 10.1016 / j.ijpe.2016.05.006
  5. Система принятия решений с использованием машинного обучения и Пирсона для сердечного приступа - публикация конференции IEEE. (2019). Ieeexplore.ieee.org. Получено 26 августа 2019 г. с сайта https://ieeexplore.ieee.org/abstract/document/8212797.
  6. Бурнаев, Э. (2019). Прогнозирование редких отказов с помощью сопоставления событий для аэрокосмических приложений. arXiv.org. Получено 26 августа 2019 г. с сайта https://arxiv.org/abs/1905.11586.
  7. Д’Анджело, Дж., И Рэмпоне, С. (2014). Диагностика дефектов аэрокосмической конструкции с помощью алгоритма мягких вычислений, реализованного в HPC. 2014 IEEE Metrology For Aerospace (Metroaerospace). DOI: 10.1109 / metroaerospace.2014.6865959
  8. Д’Анджело, Дж., И Рэмпоне, С. (2016). Методы выделения признаков и мягких вычислений для классификации дефектов конструкции в аэрокосмической отрасли. Измерение, 85, 192–209. DOI: 10.1016 / j.measurement.2016.02.027
  9. Сташевский В., Махзан С. и Трейнор Р. (2009). Мониторинг состояния аэрокосмических композитных конструкций - активный и пассивный подход. Наука и технология композитов, 69 (11–12), 1678–1685. DOI: 10.1016 / j.compscitech.2008.09.034
  10. Структурный мониторинг здоровья. (2019). Google Книги. Получено 26 августа 2019 г. с сайта https://www.wiley.com/en-us/Structural+Health+Monitoring%3A+A+Machine+Learning+Perspective-p-9781119994336.
  11. Телеметрия-майнинг: подход машинного обучения к обнаружению аномалий и диагностике неисправностей для космических систем - публикация конференции IEEE. (2019). Ieeexplore.ieee.org. Получено 26 августа 2019 г. с сайта https://ieeexplore.ieee.org/abstract/document/1659593.
  12. Уэйд Д. и Уилсон А. (2019). 17-й Австралийский международный аэрокосмический конгресс: AIAC 2017 - Применение диагностических функций на основе машинного обучения к безопасности винтокрылых машин (Сборник инженерных разработок) - Informit. 17-й Австралийский международный аэрокосмический конгресс: AIAC 2017, 663. Источник: https://search.informit.com.au/documentSummary;dn=740994444756033;res=IELENG
  13. Фу, Х., Вонг, К., Вонг, П., и Янг, З. (2014). Быстрое обнаружение места удара с помощью машины экстремального обучения ядра. Нейронные вычисления и приложения, 27 (1), 121–130. DOI: 10.1007 / s00521–014–1568–2
  14. Определение горизонта с использованием методов машинного обучения - публикация конференции IEEE. (2019). Ieeexplore.ieee.org. Получено 26 августа 2019 г. с сайта https://ieeexplore.ieee.org/abstract/document/4041464.
  15. Автономные дроны для помощи службам спасения в условиях стихийных бедствий - публикация конференции IEEE. (2019). Ieeexplore.ieee.org. Получено 26 августа 2019 г. с сайта https://ieeexplore.ieee.org/abstract/document/6929384.
  16. Адаптивное управление траекторией автономных вертолетов | Журнал руководства, контроля и динамики. (2019). Журнал руководства, контроля и динамики. Получено с https://arc.aiaa.org/doi/abs/10.2514/1.6271.
  17. Планирование траектории автономных аэрокосмических аппаратов в условиях известных препятствий и конфликтов | Журнал руководства, контроля и динамики. (2019). Журнал руководства, контроля и динамики. Получено с https://arc.aiaa.org/doi/abs/10.2514/1.12514?journalCode=jgcd »
  18. Планирование траектории в реальном времени для автономных аэрокосмических аппаратов среди статических препятствий | Infotech @ Aerospace Conferences. (2019). Arc.aiaa.org. Получено 26 августа 2019 г. с сайта https://arc.aiaa.org/doi/abs/10.2514/6.2002-3421.
  19. Платформа промышленного искусственного интеллекта и Интернета вещей | Наука о данных для мировой промышленности. (2019). Поглощение. Получено 12 сентября 2019 г. с https://www.uptake.com/platform.
  20. AI в авиации | Искусственный интеллект в авиационной промышленности. (2019). SparkCognition, Inc .. Получено 12 сентября 2019 г. с сайта https://www.sparkcognition.com/industry/aviation/.
  21. Платформа данных Slingshot - Slingshot Aerospace - AI для обработки сигналов нового поколения. (2019). Slingshotaerospace.com. Получено 13 сентября 2019 г. с сайта https://www.slingshotaerospace.com/products/slingshots-data-platform-clairvoyance/.
  22. Строитель мозга. (2019). Neurala.com. Получено 12 сентября 2019 г. с сайта https://www.neurala.com/solutions/brain.
  23. Боинг: автономные системы. (2019). Boeing.com. Получено 13 сентября 2019 г. с сайта https://www.boeing.com/defense/autonomous-systems/index.page.
  24. Рынки | Орбитальный помощник. (2019). Орбитальный помощник. Получено 12 сентября 2019 г. с сайта https://orbitalsidekick.com/markets/#defense.

Этот пост впервые появился в блоге Produvia 19 сентября 2019 года.