Die Luftfahrtindustrie mit ihren vielen Teilgebieten und
Systemen kann sich der digitalen
Transformation nicht entziehen. Entsprechend sind die in der
Luftfahrt vorkommenden
Einsatzbereiche für maschinelles Lernen (ML) und künstliche
Intelligenz (KI) überaus vielfältig.
Neben vergleichsweise unkritischen Anwendungen wie z.B. in der
Geschäftsanalytik und der Logistik
rangieren hinsichtlich der Zuverlässigkeit und der
Angriffssicherheit extrem sicherheitskritische
Einsatzfelder, wie z.B. im Flugzeug und bei dessen Produktion.
Im letzteren Fall existieren daher sehr
anspruchsvolle Anforderungen hinsichtlich der Zulassbarkeit
und Zertifizierbarkeit von ML und KI. In
anderen Bereichen der Luftfahrt sind Methoden und Werkzeuge
des ML und der KI heute schon
mehr oder minder erfolgreich in der Erprobung und im
Einsatz.
Die Vortragsreihe liefert einen ersten Ein- und Überblick zu
Arbeits- und Forschungsthemen eines
Flugzeugherstellers und eines Forschungsinstituts in den
Bereichen Systementwurf,
Geschäftsanalytik und Qualitätssicherung in der Produktion.
Auch in der Luft- und Raumfahrt erfolgt der digitale Wandel. Der verstärkte Einsatz von maschinellem Lernen (ML) und künstlicher Intelligenz (KI) in den Systemen nimmt dabei eine wichtige Rolle ein. Eine Besonderheit stellt in der Luftfahrt beispielsweise der Einsatz von KI in sicherheitskritischen Systemen des Flugzeug dar, bei denen ein Versagen weitest möglich ausgeschlossen werden muss. Entsprechend herausfordernd gestalten sich hier der Einsatz und die Zulassung bzw. Zertifizierung nach Luftfahrtrecht von sicherem ML und sicherer KI. Autonome Systeme in der Raumfahrt stellen ähnliche Anforderungen, da diese in jedem Fall vollständig autonom arbeiten müssen. Ein Zugriff zur Korrektur ist aufgrund der langen Signallaufzeiten (Latenz) nicht möglich und muss unter extremen Bedingung (tiefe Temperaturen, Weltall, ...) mit extrem geringem Energieaufwand funktionieren. Die Produktion und Logistik sind zwei andere wichtige Beispiele aus der Luftfahrt, bei denen ein streng deterministisches Systemverhalten nicht zwingend gefordert wird, so dass hier Methoden und Werkzeuge des ML und der KI heute schon eingesetzt werden. Insgesamt stellt so die Luft- und Raumfahrt, mit unterschiedlich hohen Anforderungen an die Sicherheit und Zuverlässigkeit von Systemen, auch sehr unterschiedliche Ansprüche an die Erklärbarkeit und Interpretierbarkeit und damit die Zulassung von ML und KI. Der Vortrag gibt einen Überblick über aktuelle Forschungs- und Anwendungsbereiche von ML und KI bei Airbus.
Maschinelles Lernen birgt enormes Potential, um
Entscheidungen in allen Bereichen eines Unternehmens zu
unterstützen oder gar zu automatisieren.
Bei Airbus machen Zeitreihen Daten einen wesentlichen
Anteil der zur Verfügung stehenden Daten aus. Große Mengen
an Zeitreihen werden beispielsweise von zahlreichen
Sensoren in verschiedenen Flugzeug(sub)systemen
aufgezeichnet. Deep Learning Modelle können aus diesen
Daten normales Verhalten eines Sensors erlernen. In
Anwendungen können solche Modelle zur Detektion von
Anomalien genutzt werden oder um virtuelle Sensoren zu
simulieren.
Gerade im industriellen Umfeld tun sich jedoch viele
Firmen schwer, dieses Potential in Mehrwert umzusetzen. Im
Vortrag werden an Beispielen, wie dem obigen, die
Herausforderungen aufgezeigt, ML Projekte erfolgreich in
der industriellen Praxis umzusetzen.
Flugzeugstrukturen werden hauptsächlich durch Niete
gefügt. Bei einem Flugzeug mittlerer Größe können dafür
über 250.000 Nietbohrungen notwendig sein, von denen rund
ein Drittel durch semi-automatische Bohrvorschubeinheiten
(BVE) gefertigt wird, ein weiteres Drittel durch
handgeführte Bohrmaschinen. Diese Arbeiten erfordern heute
aufwendige nachträgliche Kontrollen, da das Bedienpersonal
kaum durch Systeme zur Prozessüberwachung oder
inline-Qualitätssicherung unterstützt wird.
Zur Effizienzsteigerung der Strukturmontage besitzen
semi-automatische Bohrprozesse ein hohes
Optimierungspotenzial. Für diese Anwendung werden deshalb
zuverlässige und effiziente, auf maschinellem Lernen (ML)
basierende Methoden für die Vorhersage der
Prozesszustandsgrößen vorgestellt. Zur Datengenerierung
wurden in realer Versuchsumgebung die Prozesszustände
variiert und die Daten interner Sensorik der
elektronischen BVE in Form von Motorströmen und
Schwingungssignalen aufgenommen. Diese Datenbasis wurde
verwendet, um unterschiedliche Datenvorverarbeitungs- und
ML-Methoden für die Vorhersage relevanter
Prozesszustandsgrößen zu vergleichen. Hierzu zählen u.a.
Werkstückmaterial, Werkzeugdrehzahl, Vorschub, Peck-Feed
Amplitude sowie Schmierungszustand. Die
Datenvorverarbeitung geschah beispielsweise durch
sequentielle Auswahl charakteristischer
Sensordatenfeatures und Hauptkomponentenanalyse. Zu den
eingesetzten ML-Modellen gehören z.B. die
"K-Nearest-Neighbour"-Methode, die Diskriminanzanalyse
und Support Vector Machine.
Als Ergebnis konnten Prozesszustände identifiziert werden,
die sich zuverlässig überwachen lassen. Hierzu wurden
optimale Kombinationen aus Datenvorverarbeitungsmethoden
und ML-Modellen untersucht und bewertet. Damit wurden
wesentliche Grundlagen geschaffen, um Betriebsmittel
effizienter ausnutzen, Ausschuss und Nacharbeit vermeiden
sowie nicht wertschöpfende Prüfaufwände in der
Strukturmontage eliminieren zu können.