"Untuk merealisasikan potensi penuh risalah elektrik ini, anda memerlukan sistem kawalan pintar yang meningkatkan kekukuhannya dan terutamanya daya tahannya terhadap pelbagai kerosakan," kata Soon-Jo Chung, Profesor Kawalan dan Sistem Dinamik Bren di Caltech dan Saintis Penyelidikan Kanan di JPL, yang diuruskan oleh Caltech untuk NASA. "Kami telah membangunkan sistem toleransi kesalahan yang penting untuk sistem autonomi kritikal keselamatan, dan ia memperkenalkan idea penderia maya untuk pengesanan sebarang kegagalan menggunakan pembelajaran mesin dan kaedah kawalan penyesuaian."
Berbilang Pemutar Bermaksud Banyak Kemungkinan Titik Kegagalan
Jurutera sedang membina pesawat elektrik hibrid ini dengan berbilang kipas, atau rotor, sebahagiannya untuk redundansi: Jika satu rotor gagal, motor berfungsi yang mencukupi untuk kekal di udara. Walau bagaimanapun, untuk mengurangkan tenaga yang diperlukan untuk membuat penerbangan antara lokasi bandar—katakan, 10 atau 20 batu—kapal itu juga memerlukan sayap tetap. Mempunyai kedua-dua rotor dan sayap, walaupun, mewujudkan banyak titik kegagalan yang mungkin dalam setiap pesawat. Dan itu meninggalkan para jurutera dengan persoalan tentang cara terbaik untuk mengesan apabila sesuatu telah berlaku dengan mana-mana bahagian kenderaan.
Jurutera boleh memasukkan sensor untuk setiap rotor, tetapi itu tidak mencukupi, kata Chung. Sebagai contoh, pesawat dengan sembilan pemutar memerlukan lebih daripada sembilan penderia, kerana setiap pemutar mungkin memerlukan satu penderia untuk mengesan kegagalan dalam struktur pemutar, satu lagi untuk melihat jika motornya berhenti berjalan, dan satu lagi untuk memberi amaran apabila masalah pendawaian isyarat. berlaku. "Anda akhirnya boleh mempunyai sistem pengedaran yang sangat berlebihan," kata Chung, tetapi itu akan menjadi mahal, sukar untuk diurus dan akan meningkatkan berat pesawat. Sensor itu sendiri juga boleh gagal.
Dengan NFFT, kumpulan Chung telah mencadangkan alternatif, pendekatan baru. Membina usaha terdahulu, pasukan itu telah membangunkan kaedah pembelajaran mendalam yang bukan sahaja boleh bertindak balas terhadap angin kencang tetapi juga mengesan, dengan cepat, apabila pesawat itu mengalami kegagalan di atas kapal. Sistem ini termasuk rangkaian saraf yang telah dilatih terlebih dahulu mengenai data penerbangan kehidupan sebenar dan kemudian belajar dan menyesuaikan diri dalam masa nyata berdasarkan bilangan perubahan parameter yang terhad, termasuk anggaran keberkesanan setiap pemutar pada pesawat berfungsi pada mana-mana tertentu. masa.
"Ini tidak memerlukan sebarang penderia atau perkakasan tambahan untuk pengesanan dan pengecaman kesalahan," kata Chung. “Kami hanya memerhatikan gelagat pesawat itu—sikap dan kedudukannya sebagai fungsi masa. Jika pesawat itu menyimpang dari kedudukan yang diingini dari titik A ke titik B, NFFT boleh mengesan bahawa ada sesuatu yang tidak kena dan menggunakan maklumat yang ada untuk mengimbangi kesilapan itu."
Dan pembetulan berlaku dengan sangat cepat—dalam masa kurang dari satu saat. "Menerbangkan pesawat, anda benar-benar dapat merasakan perbezaan yang dibuat NFFT dalam mengekalkan kebolehkawalan pesawat apabila motor gagal," kata Staf Saintis Matthew Anderson, pengarang di atas kertas dan juruterbang yang membantu menjalankan ujian penerbangan. "Reka bentuk semula kawalan masa nyata membuatkan ia berasa seolah-olah tiada apa-apa yang berubah, walaupun anda baru sahaja mempunyai salah satu motor anda berhenti berfungsi."
Memperkenalkan Penderia Maya
Kaedah NFFT bergantung pada isyarat kawalan masa nyata dan algoritma untuk mengesan di mana kegagalan, jadi Chung berkata ia boleh memberikan apa-apa jenis kenderaan pada asasnya penderia maya percuma untuk mengesan masalah. Pasukan ini telah menguji kaedah kawalan pada kenderaan udara yang mereka bangunkan, termasuk Ambulans Terbang Autonomi, kenderaan elektrik hibrid yang direka untuk mengangkut orang yang cedera atau sakit ke hospital dengan cepat. Tetapi kumpulan Chung telah menguji kaedah kawalan toleransi kesalahan yang sama pada kenderaan darat dan mempunyai rancangan untuk menggunakan NFFT pada bot.
Ditulis oleh Kimm Fesenmaier
sumber: Caltech
Pautan sumber
