AI-система для аерокосмічної галузі
В аерокосмосі ціна помилки моделі не вимірюється метриками - вона вимірюється життям та сотнями мільйонів доларів. При цьому даних катастрофічно мало: літак налітає тисячі годин повністю компонента, а випробування в реальних умовах не відтворюються. Саме це протиріччя — малі дані за найжорсткіших вимог до надійності — визначає архітектуру AI-систем у галузі.
Предиктивне обслуговування повітряних суден
Двигун як датчиковий ансамбль
Авіаційний двигун CFM56 оснащений 250+ сенсорами. За один рейс генерується 1.5 ГБ ACARS/QAR даних. GE Aviation Digital Twin обробляє дані із 40 000+ двигунів у реальному часі.
Ключове завдання: передбачення компонентів RUL (Remaining Useful Life). Датасет NASA C-MAPSS - стандартний benchmark. Найкращі результати: Temporal Convolutional Network (TCN) та Transformer-based архітектури, RMSE ~12–18 циклів на тестовому сабсеті FD001.
Проблема малих даних вирішується через Physics-Informed Neural Networks (PINNs) і transfer learning: модель навчається на симуляційних даних (NPSS - Numerical Propulsion System Simulation), потім донавчається на реальних показаннях конкретного двигуна через MAML (Model-Agnostic Meta-Learning).
Anomaly detection у польотних даних
Нормальний політ відрізняється від небезпечного патерну. VAE (Variational Autoencoder) чи Isolation Forest навчаються на нормальних QAR-треках. LATOSA (Lateral/Vertical Oscillation Severity Analysis) – приклад метрики, яку ML витягує з акселерометрів для оцінки turbulence-induced fatigue.
Неруйнівний контроль (NDT) із Computer Vision
Ультразвуковий C-scan або термографічний образ фюзеляжної панелі: дефект (розшарування, тріщина) виглядає як локальна аномалія інтенсивності. Завдання: автоматизувати ручний аналіз, який займає 4-8 годин на одну панель.
YOLOv8 або Mask R-CNN для детекції дефектів, навчені на датасетах із синтетичною аугментацією (оскільки реальних дефектних зразків мало). Синтетика: FEA-симуляція теплових полів + Gaussian noise імітує реальні C-scan артефакти. Насправді: precision 0.89, recall 0.91 на CFRP-панелях A320.
Додатково: 3D reconstruction за фотографіями (фотограмметрія) для інспекції в ангарі - point cloud порівнюється з CAD-моделлю, відхилення допуску флагуються.
Оптимізація аеродинаміки та конструкції
Surrogate-assisted design optimization
CFD-симуляція крила: 6-12 годин на ANSYS Fluent. Для multi-objective оптимізації (підйомна сила/аеродинамічний опір/маса) потрібні тисячі ітерацій. Surrogate model (Gaussian Process або Neural Network) навчається на 200–500 CFD-прогонах, а потім використовується замість повної симуляції. Швидкість: 50 мс замість 8 годин.
Bayesian Optimization із GP-сурогатом знаходить Pareto-фронт за 300–500 ітерацій vs. 50 000+ для Grid Search. Фреймворки: BoTorch (PyTorch-based), Dragonfly, scikit-optimize.
Generative Design
Topology optimization + Generative AI: GAN або Diffusion model генерує варіанти кронштейнів/нервюр, що задовольняють навантажувальні constraints, з мінімальною масою. Зв'язування: NVIDIA Modulus для Physics-ML + Siemens NX/CATIA для інтеграції CAD.
Бортові AI-системи
Anomaly detection у бортовій електроніці
FPGA-based inference для real-time моніторингу ARINC 429 шини. Вимоги: latency < 1 мс, детермінованість, DO-178C сертифікація (рівень A для safety-critical функцій). Моделі: квантизовані в INT8, експортовані до ONNX → TensorRT для NVIDIA Jetson Xavier AGX.
Vision-based navigation та об'їзд перешкод
Для безпілотних систем (БПЛА): depth estimation із стерео- або monocular камери, obstacle detection (YOLO-родина), path planning (RRT* з ML-heuristic). Стек: ROS 2 + PyTorch + TensorRT на NVIDIA Jetson.
Сертифікація та explainability
DO-178C/DO-254 - стандарти для авіоніки. AI-компоненти вимагають ARP 4761 safety assessment. EASA опублікувало AI Roadmap 2.0 – framework для сертифікації ML-систем в авіації.
Explainability: SHAP values для табличних моделей (PdM), Grad-CAM для CNN NDT. Регулятори вимагають не лише точність, а й можливість пояснити рішення моделі.
Терміни розробки
Від 10 до 24 місяців залежить від типу AI-системи, вимог сертифікації та доступності даних. Модуль NDT без бортового застосування: 4–6 місяців. Бортова система із DO-178C сертифікацією: 18–24 місяці.