"Kako biste ostvarili puni potencijal ovih električnih letača, potreban vam je inteligentni sustav upravljanja koji poboljšava njihovu robusnost, a posebno njihovu otpornost na razne greške", kaže Soon-Jo Chung, Bren, profesor upravljanja i dinamičkih sustava na Caltechu i Viši znanstveni suradnik u JPL-u, kojim Caltech upravlja za NASA-u. "Razvili smo takav sustav otporan na greške, ključan za autonomne sustave kritične za sigurnost, i on uvodi ideju virtualnih senzora za detekciju bilo kakvog kvara korištenjem strojnog učenja i adaptivnih kontrolnih metoda."
Više rotora znači mnogo mogućih točaka kvara
Inženjeri grade ove hibridne električne letjelice s višestrukim propelerima ili rotorima, dijelom zbog redundantnosti: ako jedan rotor zakaže, ostaje dovoljno funkcionalnih motora da ostanu u zraku. Međutim, kako bi se smanjila energija potrebna za letove između urbanih lokacija - recimo, 10 ili 20 milja - letjelica također treba fiksna krila. Međutim, posjedovanje i rotora i krila stvara mnoge točke mogućeg kvara u svakom zrakoplovu. I to ostavlja inženjere s pitanjem kako najbolje otkriti kada nešto nije u redu s bilo kojim dijelom vozila.
Inženjeri bi mogli uključiti senzore za svaki rotor, ali ni to ne bi bilo dovoljno, kaže Chung. Na primjer, zrakoplov s devet rotora trebao bi više od devet senzora, budući da bi svaki rotor mogao trebati jedan senzor za otkrivanje kvara u strukturi rotora, drugi za uočavanje ako njegov motor prestane raditi, a još jedan za upozorenje kada dođe do problema s ožičenjem signala javlja se. "Mogli biste na kraju imati visoko redundantni distribuirani sustav senzora", kaže Chung, ali to bi bilo skupo, teško za upravljanje i povećalo bi težinu zrakoplova. Sami senzori bi također mogli zakazati.
Uz NFFT, Chungova grupa je predložila alternativni, novi pristup. Nadovezujući se na prethodni napori, tim je razvio metodu dubinskog učenja koja ne samo da može odgovoriti na jake vjetrove, već i otkriti, u letu, kada je zrakoplov pretrpio kvar na brodu. Sustav uključuje neuronsku mrežu koja je unaprijed obučena na podacima o letu iz stvarnog života, a zatim uči i prilagođava se u stvarnom vremenu na temelju ograničenog broja promjenjivih parametara, uključujući procjenu koliko učinkovito svaki rotor na zrakoplovu funkcionira u bilo kojem trenutku vrijeme.
"Ovo ne zahtijeva nikakve dodatne senzore ili hardver za otkrivanje i identifikaciju grešaka", kaže Chung. “Mi samo promatramo ponašanje letjelice — njen stav i položaj kao funkciju vremena. Ako zrakoplov odstupi od svoje željene pozicije od točke A do točke B, NFFT može otkriti da nešto nije u redu i upotrijebiti informacije koje ima da kompenzira tu pogrešku.”
A ispravak se događa iznimno brzo - za manje od sekunde. "Leteći zrakoplovom, stvarno možete osjetiti razliku koju NFFT čini u održavanju upravljivosti zrakoplova kada motor zakaže", kaže stručni znanstvenik Matthew Anderson, autor rada i pilot koji je pomogao u provođenju testova leta. "Redizajn upravljanja u stvarnom vremenu daje osjećaj kao da se ništa nije promijenilo, iako vam je jedan od motora upravo prestao raditi."
Predstavljamo virtualne senzore
Metoda NFFT oslanja se na kontrolne signale i algoritme u stvarnom vremenu za otkrivanje kvara, pa Chung kaže da svakom tipu vozila može dati praktički besplatne virtualne senzore za otkrivanje problema. Tim je prvenstveno testirao metodu upravljanja na letjelicama koje razvijaju, uključujući Autonomous Flying Ambulance, hibridno električno vozilo dizajnirano za brzi prijevoz ozlijeđenih ili bolesnih ljudi u bolnice. Ali Chungova grupa testirala je sličnu metodu upravljanja otpornu na greške na kopnenim vozilima i planira primijeniti NFFT na brodove.
Napisao Kimm Fesenmaier
Izvor: Caltech
Izvorna veza
