Никакой хрустальный шар не нужен, чтобы представить себе будущее, которое задумали инженеры, в котором воздушные такси и другие летательные аппараты перевозят пассажиров между городскими районами, избегая растущих тупиков на земле. Компании уже создают прототипы и испытывают такие гибридные электрические «летающие автомобили», которые взлетают и приземляются вертикально, но парят в воздухе, как крылатые самолеты, что позволяет эффективно летать на большие расстояния.
Естественно, одной из ключевых проблем для этих летательных аппаратов является безопасность. Самолет должен не только оставаться в воздухе, но и сохранять управление независимо от проблем, которые могут возникнуть во время полета — от порывов ветра до летящих на его пути объектов и отказа пропеллеров.
Теперь команда Калифорнийского технологического института разработала бортовой метод управления на основе машинного обучения, который помогает таким самолетам обнаруживать и компенсировать помехи, чтобы они могли продолжать полет. Инженеры описывают новый метод, который они называют «Neural-Fly for Fault Tolerance» (NFFT), в статье , принятой к публикации в журнале IEEE Robotics and Automation Letters.
«Чтобы реализовать весь потенциал этих электрических летательных аппаратов, вам нужна интеллектуальная система управления, которая повысит их надежность и особенно их устойчивость к множеству неисправностей», — говорит Сун-Джо Чанг, профессор кафедры управления и динамических систем Брена в Калифорнийском технологическом институте. Старший научный сотрудник Лаборатории реактивного движения, которой Калифорнийский технологический институт управляет для НАСА.
«Мы разработали такую отказоустойчивую систему, имеющую решающее значение для автономных систем, критически важных для безопасности, и она представляет идею виртуальных датчиков для обнаружения любого отказа с использованием методов машинного обучения и адаптивного управления».
Несколько роторов означают множество возможных точек отказа
Инженеры создают эти гибридно-электрические самолеты с несколькими пропеллерами или несущими винтами, отчасти ради резервирования: если один винт выходит из строя, остается достаточно функциональных двигателей, чтобы оставаться в воздухе. Однако, чтобы снизить энергопотребление, необходимое для полетов между городскими точками — скажем, на расстояние 10 или 20 миль — кораблю также нужны неподвижные крылья.
Однако наличие как несущих винтов, так и крыльев создает множество точек возможного отказа в каждом самолете. И это оставляет инженерам вопрос о том, как лучше всего обнаружить, что с какой-либо частью автомобиля что-то пошло не так.
Инженеры могли бы включить датчики для каждого ротора, но даже этого было бы недостаточно, говорит Чанг. Например, самолету с девятью несущими винтами потребуется более девяти датчиков, поскольку каждому несущему винту может потребоваться один датчик для обнаружения неисправности в конструкции несущего винта, другой для обнаружения неисправности двигателя и третий для предупреждения о возникновении проблемы с сигнальной проводкой.
«В конечном итоге вы могли бы получить распределенную систему датчиков с высокой степенью избыточности», — говорит Чанг, но это было бы дорого, сложно в управлении и увеличило бы вес самолета. Сами датчики также могут выйти из строя.
В рамках NFFT группа Чанга предложила альтернативный, новый подход. Опираясь на предыдущие усилия, команда разработала метод глубокого обучения, который может не только реагировать на сильный ветер, но и на лету обнаруживать, когда у самолета произошел сбой на борту.
Система включает в себя нейронную сеть , которая предварительно обучается на реальных полетных данных, а затем обучается и адаптируется в режиме реального времени на основе ограниченного числа изменяющихся параметров, включая оценку того, насколько эффективно работает каждый винт самолета в любой момент. данное время.
«Для обнаружения и идентификации неисправностей не требуются никакие дополнительные датчики или оборудование», — говорит Чанг. «Мы просто наблюдаем за поведением самолета — его положением и положением в зависимости от времени. Если самолет отклоняется от желаемого положения из точки А в точку Б, NFFT может обнаружить, что что-то не так, и использовать имеющуюся информацию, чтобы компенсировать эту ошибку».
Причем коррекция происходит чрезвычайно быстро — менее чем за секунду. «Управляя самолетом, вы действительно можете почувствовать разницу, которую NFFT вносит в сохранение управляемости самолета при отказе двигателя», — говорит научный сотрудник Мэтью Андерсон, автор статьи и пилот, который помогал проводить летные испытания . «Модернизация управления в реальном времени создает ощущение, будто ничего не изменилось, даже если у вас только что перестал работать один из двигателей».
Представляем виртуальные датчики
Метод NFFT основан на управляющих сигналах и алгоритмах в реальном времени для обнаружения места неисправности, поэтому Чанг говорит, что он может предоставить любому типу транспортного средства практически бесплатные виртуальные датчики для обнаружения проблем.
Команда в первую очередь протестировала метод управления на разрабатываемых ими летательных аппаратах, в том числе на автономной летающей машине скорой помощи, гибридном электромобиле, предназначенном для быстрой транспортировки раненых или больных людей в больницы. Но группа Чанга протестировала аналогичный метод отказоустойчивого управления на наземных транспортных средствах и планирует применить NFFT к лодкам.