Сколько параметров нужно проверить при испытании авиадвигателя?
Количество зависит от типа двигателя, верно, но если вы ответили, что много — это правильный ответ!
Например, тестирование турбореактивного двигателя проходит при различных вибрационных режимах, и каждый раз контролируется более ста показателей — соответствуют ли они нормативным значениям. Оказывают влияние показатели более тысячи параметров, например, допуск по радиусам и центрам отверстий, геометрия деталей, размеры выступов на деталях и многие другие.
Если при испытании нашли отклонение от нормы даже одного параметра— двигатель с испытательного стенда отправляется в цех, где разбирается для поиска причин. Затем двигатель собирают заново и отправляют на стенд для проведения новых испытаний. Если опять тестирование прошло не на «отлично» — операция с транспортировкой, разборкой, поиском неисправности и сборкой повторяется. И так пока двигатель не пройдет испытания без отклонений.
Проект Объединенной двигателестроительной корпорации и ГК «Цифра» по предикативной аналитике запущен для предсказания результатов испытаний авиационных двигателей на одном из предприятий - производственном комплексе «Салют».
Скорость без потери качества, или Зачем ОДК понадобилась предиктивная аналитика
Предиктивная аналитика — одна из технологий искусственного интеллекта, или ИИ-технология, благодаря которой можно проанализировать данные из прошлого и настоящего и спрогнозировать на этой основе будущее. Знать будущее в двигателестроении, даже на короткую перспективу: как двигатель пройдет испытания — исключительно ценно. Отвечаем, почему:
1. Если заранее знать, что продукт не пройдет испытания, можно его не отправлять на эти испытания. Это сэкономит время, а заодно и ресурсы.
2. Сэкономленное время и ресурсы можно потратить на доработку продукта, чтобы повысить его шансы на успех — то есть, улучшить качество продукта, выходящего на испытания.
3. Чем меньше итераций проходит продукт при испытаниях, тем скорее он выходит к состоянию готовности к применению. Так ускоряется процесс производства.
Экономия ресурсов, повышение качества и ускорение производства авиационных двигателей — хорошая мотивация для внедрения технологии, способной спрогнозировать результаты испытаний.
Как работает предиктивная аналитика
Искусственный интеллект предсказывает результаты испытаний авиадвигателей по той же схеме, как человек предсказывает дождь, видя грозовые облака. То есть, на основе имеющейся информации о предыдущих событиях и их результатах. На основе каких данных обучается ИИ предсказывать результаты испытаний?
Ответ: на основе данных о предыдущих испытаниях, с использованием математического анализа и статистики. Правда, здесь все намного сложнее, чем с дождем, потому что данных для обучения машины авиационному двигателестроению необходимо значительно больше.
Во-первых, нужна информация о сборочных контрольных измерениях и характеристиках двигателей, успешно прошедших испытания. Сейчас мы говорим об измерениях, которые описывают геометрию изделия, — их более тысячи. Контрольные замеры проводятся перед каждым испытанием.
Во-вторых, необходимо определить и изучить тренды в контрольных измерениях, то есть как те или иные значения измерений узлов двигателя отражаются на параметрах работы двигателя при испытаниях.
В-третьих, нужно знать, какие параметры влияют на вибрацию двигателя.
На основе этой информации машина учится предсказывать результаты испытаний.
Как это работает?
• Строится математическая модель испытаний.
• В нее подгружаются контрольные замеры изделия, которое нужно виртуально протестировать. То есть, это своего рода «цифровой двойник» двигателя.
• ИИ анализирует данные об исследуемом изделии и сопоставляет их со своим анализом данных о предыдущих испытаниях.
• Машина укажет на несколько вероятных причин неудовлетворительных испытаний двигателя, если они имеются. Возможно, что эти причины можно устранить косвенно – через другие параметры. Для этого в предиктивной аналитике предусмотрен механизм «что-если». Получив предупреждение о том, что конкретная сборка двигателя не пройдет испытания, технолог может вручную поправить размеры, геометрию деталей и их частей и снова спросить у советчика, каков будет результат. После положительного ответа детали отправляются на доработку в цех.
Каковы результаты?
Благодаря предиктивной системе возможно в 25 раз быстрее выявлять факторы, которые влияют на результаты, например, из-за которых испытания могут закончиться неудачно. Раньше на это уходило около 7 часов, сейчас — 25 минут. А это значительное ускорение изготовления при сохранении стандартов качества производства двигателей.
Нельзя так просто взять и внедрить предиктивную аналитику
Внедрение предиктивной аналитики — один из самых сложных ИТ-проектов, особенно на производстве, потому что его практически никогда нельзя реализовать с нуля. Чтобы научить машину предсказывать что-то, нужны данные, и много данных. Даже для пилотного проекта на производственном комплексе «Салют» Объединенной двигателестроительной корпорации потребовалась база с результатами более ста испытаний авиадвигателей, и эта база постоянно пополняется, чтобы сделать прогнозы еще более точными.
Однако, одних лишь данных недостаточно. Нужна еще инфраструктура, чтобы информацию хранить, структурировать и обрабатывать. Для этих целей в цифровой лаборатории «Салюта» была внедрена платформа ZIIoT,которая, по сути, служит домом для промышленных данных. Но это тема для другого рассказа.