Zespół badaczy z Chin opracował zaawansowany system diagnozowania usterek w samolotach lotnictwa ogólnego, wykorzystując technologię cyfrowych bliźniaków i sztuczną inteligencję. Nowe rozwiązanie przedstawione w publikacji arXiv:2604.22777 łączy symulacje wysokiej wierności z modelami językowymi do generowania szczegółowych raportów diagnostycznych.
Głównym wyzwaniem w diagnozowaniu usterek samolotów lotnictwa ogólnego jest brak rzeczywistych danych o uszkodzeniach, różnorodność typów awarii oraz słabe sygnały świadczące o problemach. Autorzy zaproponowali framework składający się z czterech modułów: symulacji dynamiki lotu wysokiej wierności, wstrzykiwania błędów opartego na analizie FMEA, ekstrakcji cech residualnych oraz generowania interpretowalnych raportów za pomocą dużych modeli językowych.
Kluczowe wnioski
- System oparty na cyfrowym bliźniaku wykorzystuje silnik JSBSim do generowania 23-kanałowych danych monitorowania zdrowia silnika oraz modeluje propagację 19 typów usterek silnikowych.
- Podejście paired-mirror residuals osiągnęło wynik Macro-F1 na poziomie 96,2% w klasyfikacji 20 klas usterek, podczas gdy model surogatowy GRU przyspieszył wnioskowanie 4,3-krotnie przy stracie wydajności jedynie 0,6%.
- Porównanie 24 różnych schematów wykazało, że jakość cech residualnych wpływa na wydajność diagnostyczną około 5-krotnie silniej niż architektura klasyfikatora.
- System integruje wiedzę z analizy FMEA z możliwościami dużych modeli językowych do tworzenia raportów diagnostycznych w języku naturalnym.
Architektura systemu diagnostycznego
Serce systemu stanowi cyfrowy bliźniak zbudowany w oparciu o silnik dynamiki lotu JSBSim o sześciu stopniach swobody (6-DoF). Generator danych wykorzystuje pół-empiryczne równania syntezy czujników do tworzenia realistycznych sygnałów monitorowania. Trójwarstwowy silnik wstrzykiwania błędów modeluje fizyczną propagację przyczynową usterek w oparciu o metodologię FMEA (Failure Mode and Effects Analysis).
Framework obliczania residuów multi-fidelity składa się z dwóch ścieżek. Ścieżka wysokiej wierności wykorzystuje nominalne trajektorie lustrzane z identycznymi warunkami początkowymi do uzyskania czystych sygnałów odchyleń błędów. Ścieżka niskiej wierności zapewnia obliczenia residuów online w czasie rzeczywistym poprzez wielokrokowy model surogatowy GRU.
Zastosowanie sztucznej inteligencji
Klasyfikator 1D-CNN wykonuje diagnozę end-to-end dla 20 klas usterek. Silnik raportów diagnostycznych LLM wzbogacony wiedzą FMEA łączy wyniki klasyfikacji, dowody residualne oraz wiedzę przyczynową domeny w celu generowania interpretowalnych raportów w języku naturalnym.
Eksperymenty wykazały przewagę jakości cech residualnych nad architekturą klasyfikatora. Ustalono zasadę projektową „residual quality first” jako kluczową dla skutecznej diagnozy. System demonstruje praktyczne zastosowanie zaawansowanych technologii AI w krytycznych zastosowaniach lotniczych, gdzie niezawodność i interpretowalność są priorytetowe.
Opracowane rozwiązanie stanowi znaczący krok naprzód w automatyzacji diagnostyki lotniczej, oferując połączenie precyzji symulacji cyfrowych bliźniaków z możliwościami interpretacyjnymi nowoczesnych modeli językowych.
