“Untuk mewujudkan potensi penuh dari pesawat listrik ini, Anda memerlukan sistem kendali cerdas yang meningkatkan ketahanannya dan terutama ketahanannya terhadap berbagai kesalahan,” kata Soon-Jo Chung, Profesor Kontrol dan Sistem Dinamis Bren di Caltech dan Ilmuwan Riset Senior di JPL, yang dikelola Caltech untuk NASA. “Kami telah mengembangkan sistem toleransi kesalahan yang sangat penting untuk sistem otonom yang kritis terhadap keselamatan, dan sistem ini memperkenalkan gagasan sensor virtual untuk mendeteksi kegagalan apa pun menggunakan pembelajaran mesin dan metode kontrol adaptif.”
Banyak Rotor Berarti Banyak Kemungkinan Titik Kegagalan
Para insinyur sedang membangun pesawat listrik hibrida ini dengan banyak baling-baling, atau rotor, sebagian untuk redundansi: Jika satu rotor gagal, motor yang berfungsi cukup untuk tetap mengudara. Namun, untuk mengurangi energi yang dibutuhkan untuk melakukan penerbangan antar lokasi perkotaan—misalnya, 10 atau 20 mil—pesawat tersebut juga memerlukan sayap tetap. Namun, memiliki rotor dan sayap menciptakan banyak titik kemungkinan kegagalan di setiap pesawat. Dan hal ini membuat para insinyur bertanya-tanya bagaimana cara terbaik mendeteksi jika ada yang tidak beres pada bagian mana pun dari kendaraan.
Para insinyur dapat memasukkan sensor untuk setiap rotor, tetapi itu pun tidak akan cukup, kata Chung. Misalnya, sebuah pesawat terbang dengan sembilan rotor memerlukan lebih dari sembilan sensor, karena masing-masing rotor mungkin memerlukan satu sensor untuk mendeteksi kegagalan pada struktur rotor, sensor lain untuk mengetahui apakah motornya berhenti berjalan, dan satu lagi untuk memperingatkan ketika ada masalah pada kabel sinyal. terjadi. “Pada akhirnya Anda bisa memiliki sistem sensor terdistribusi yang sangat berlebihan,” kata Chung, tapi hal itu akan memakan biaya yang mahal, sulit dikelola, dan akan menambah bobot pesawat. Sensornya sendiri juga bisa gagal.
Dengan NFFT, kelompok Chung telah mengusulkan sebuah alternatif, pendekatan baru. Membangun upaya sebelumnya, tim telah mengembangkan metode pembelajaran mendalam yang tidak hanya dapat merespons angin kencang tetapi juga mendeteksi, dengan cepat, ketika pesawat mengalami kegagalan di dalam pesawat. Sistem ini mencakup jaringan saraf yang telah dilatih sebelumnya berdasarkan data penerbangan di kehidupan nyata dan kemudian belajar dan beradaptasi secara real-time berdasarkan sejumlah perubahan parameter, termasuk perkiraan seberapa efektif setiap rotor di pesawat berfungsi pada kondisi tertentu. waktu.
“Ini tidak memerlukan sensor atau perangkat keras tambahan untuk mendeteksi dan mengidentifikasi kesalahan,” kata Chung. “Kami hanya mengamati perilaku pesawat—sikap dan posisinya sebagai fungsi waktu. Jika pesawat menyimpang dari posisi yang diinginkan dari titik A ke titik B, NFFT dapat mendeteksi ada sesuatu yang salah dan menggunakan informasi yang dimilikinya untuk mengkompensasi kesalahan tersebut.”
Dan koreksi terjadi dengan sangat cepat—dalam waktu kurang dari satu detik. “Menerbangkan pesawat, Anda benar-benar dapat merasakan perbedaan yang dihasilkan NFFT dalam menjaga pengendalian pesawat ketika mesin mati,” kata Staf Ilmuwan Matthew Anderson, penulis makalah dan pilot yang membantu melakukan uji penerbangan. “Desain ulang kontrol real-time membuat Anda merasa seolah-olah tidak ada yang berubah, meskipun salah satu motor Anda baru saja berhenti bekerja.”
Memperkenalkan Sensor Virtual
Metode NFFT bergantung pada sinyal kontrol real-time dan algoritma untuk mendeteksi di mana letak kegagalan, sehingga Chung mengatakan bahwa metode ini dapat memberikan sensor virtual gratis pada semua jenis kendaraan untuk mendeteksi masalah. Tim ini terutama menguji metode kendali pada kendaraan udara yang mereka kembangkan, termasuk Autonomous Flying Ambulance, kendaraan listrik hibrida yang dirancang untuk mengangkut orang yang terluka atau sakit ke rumah sakit dengan cepat. Namun kelompok Chung telah menguji metode pengendalian toleransi kesalahan serupa pada kendaraan darat dan berencana menerapkan NFFT pada kapal.
Ditulis oleh Kimm Fesenmaier
Sumber: Caltech
Link sumber
