Prim Hírek

A pontos érzékelőalapú monitorozó megoldás kifejlesztését célzó Airbus AI Gym* versenyen győztes Fujitsu-megoldás mesterséges intelligencia alkalmazásával, automatikusan képes érzékelni a rendellenességeket az Airbus helikoptereinek gyorsulásmérő-adataiban még az üzembentartási engedély kiadása előtt. A megoldással a Fujitsu 140 csapatot utasított maga mögé a versenyben. 

A repüléstechnikai mérnökök nagyszámú érzékelőt rögzítenek a helikopterekre annak érdekében, hogy viselkedésük minden apró mozzanatát észlelni tudják. Az Airbus azért hirdette meg az AI Gym versenyt, hogy hatékonyabban tudja azonosítani a felhalmozódó óriási adattömegben a meghibásodás korai jeleit, különös tekintettel a kiugró értékekre. Jelenleg minden egyes repülésnél a szakmérnökök multidiszciplináris csapata értékeli a tömeges megfigyeléseket, ami komoly költségtételt jelent. Mivel szinte minden érzékelőadat „normális”, ennek a mechanizmusnak mérnöki felügyelet nélkül is működőképesnek kell lennie. 

A Fujitsu aldivíziója, a Fujitsu Systems Europe** (FSE) által kidolgozott automatikus „DeepTAN” MI-modellre épülő győztes megoldás 93%-os pontosságot ért el. A megoldás több érzékelő adatsorait elemezte meghatározott időszakon keresztül, és a MAD-GAN (Multivariate Anomaly Detection with Generative Adversarial Networks)*** technológiára épülő mélytanulási algoritmussal észlelte a normálistól eltérő viselkedést. Az FSE a különböző helyeken, szögekben és útvonalakon repülő teszthelikopterek gyorsulásmérő adatainak 1677 egyperces sorozata alapján, saját adatközpontjában tanította be és validálta az algoritmust. 

Tervei szerint a Fujitsu iparosítani szeretné megoldását automatikus idősor-elemzések elvégzésére, teljes körű funkcionalitással, integrált adatcsatornákkal és továbbfejlesztett algoritmussal kiegészítve a DeepTAN modellt. 

Új funkciói között szerepel egy olyan félautomata mechanizmus, amely képes az érzékelőanomália típusának besorolására, segítve ezzel a mérnököket és a karbantartókat a rendellenesség kiváltó okának azonosításában, a többváltozós adatok értelmezésében, valamint a programban bonyolított összes tesztrepülés korrelációinak felderítésében. A vállalat így a tesztrepülésektől és a szállítás előtti szakasztól kezdve, az életciklus minden szakaszában értéket teremt ügyfeleinek – az üzemeltető társaságoknak és a légi közlekedési ágazatban működő karbantartó (MRO)**** szervezeteknek.

„A versenyben elért első hely a Fujitsu világklasszis MI-szakértelmének és kiváló technológiájának igazolása mellett arra is konkrét bizonyítékkal szolgál, hogy mindezt képesek vagyunk valós üzleti forgatókönyvekre alkalmazni. A koncepciókat erre a konkrét problémára alkalmazva felismertük, hogy az új mélytanulási technológiák nem csupán a gyártók, hanem a helikoptereket üzemben tartó vállalatok munkáját is segítik” – nyilatkozta Ian Godfrey, az FSE megoldásüzletágának igazgatója.

______________

* Az Airbus élen jár a repüléstechnikai célú MI-technológiák és -megoldások fejlesztésében. Együttműködő AI Gym platformján hosszú, tiszta adatsorokat biztosít minden olyan startup, vállalat vagy intézmény számára, amely valós adatokon szeretné tesztelni és betanítani algoritmusait. Az AI Gym a közös innováció új formáját testesíti meg, és jól érzékelteti, milyen, az ágazaton is túlmutató előnyökkel járnak a nyílt és együttműködő partnerkapcsolatok. Bővebben: https://aigym.airbus.com/

** A Fujitsu Systems Europe (FSE) a műszaki számítástechnika világának fejleszt innovatív megoldásokat. HPC-megoldásszállítóként szerzett sokéves tapasztalatait olyan új területeken alkalmazza, mint a mélytanulás, a mesterséges intelligencia, a nagy teljesítményű adatanalitika (HPDA) vagy a számítási felhő.

*** A GAN rövidítés a gépi tanulási rendszereknek azt a kategóriáját jelöli, ahol két neurális hálózat verseng egymással egy közös betanítási adatsort használva (Generative Adversarial Network).

**** Maintenance, Repair and Overhaul (karbantartás, javítás és felújítás) – A repülőgépek folyamatos üzemeltetését támogató szolgáltatásokat nyújtó szervezetek a légi közlekedési ágazatban.