Black Swift技术(BST)发布了以下文章，详细介绍了其提出的基于人工智能的解决方案，用于检测无人机系统(UAS)中的异常并在故障发生之前预测故障。BST已获得美国空军的合同，开发这种解决方案。
根据战略与国际研究中心(CSIS)的一项研究，与有人驾驶飞机相比，美国空军远程驾驶飞机(RPA)或无人驾驶飞机系统(UAS)是一种低成本、高任务能力的资产。无人机系统操作和维护成本的降低仍然是其扩大部署的关键催化剂。然而，无人驾驶飞机也有一些与有人驾驶飞机相同的弱点和限制，包括可靠性问题。根据美国空军的说法，数十架RPA/UAS由于飞行员错误、机械故障和/或电气故障而坠毁。为了更好地识别小型无人机关键系统的潜在故障，美国空军最近授予Black Swift Technologies SBIR赠款，以开发一种机器学习软件解决方案，用于预测和改进无人机维护计划。
“系统故障可能在时间、金钱和设备上都是代价高昂的，”Black Swift Technologies首席执行官杰克·埃尔斯顿博士说。“我们的解决方案使用无监督学习进行异常检测，利用算法可以建立一个模型，说明飞机在广泛的任务和飞行条件下应该如何表现，然后观察违反这些模型的实例。”
提高对无人机系统及其所有关键子系统的物理状况的认识，对飞机的可靠性和任务就绪性至关重要。无人机系统通常缺乏机载监控或系统维护。许多无人机用户依赖于印刷在用户手册中的指南(如果有的话)来确定维护计划，这可能在范围上非常有限。虽然详细的维护日志和时间表是有人驾驶飞机的标准，但小型无人机缺乏子系统状态信息。关键组件，如伺服系统，通常是开环的，不受监控。
经过认证的机械师执行有人驾驶飞机的维修计划，将设备故障的几率降至最低。有人驾驶飞机还受益于拥有许多冗余系统，以及拥有数千小时飞行经验的熟练飞行员，以检查机翼结冰等潜在危险。在考虑损失的飞行器、航空电子设备和有效载荷的价值后，由于缺乏这些因素而导致的UAS故障变得昂贵。更糟糕的是，如果故障发生在人口密集地区或超出视线(BVLOS)，则可能导致人员受伤或生命损失。
埃尔斯顿表示:“利用人工智能和机器学习，我们可以为无人机车辆建立一个更智能的预测性维护计划。”“通过这样做，我们可以确保这些无人机在空中运行，对地面人员安全，并随时准备执行任务。”
工作原理
BST的解决方案依赖于使用无监督机器学习算法，为小型无人机提供潜在关键系统故障的早期预警和诊断。关键数据是从美国空军已经收集的航空电子设备数据中收集的，如果这些数据被证明是不够的，BST已经开发了一组监控节点(图1)，他们在其专有的航空电子设备中使用，可用于安装在候选平台上，以补充数据集，并实现ML算法进行实时分析和反馈。
图1:BST用于UAS系统监控的网络化模块化方法
Elston解释道:“我们使用基于网络的交付平台，为每个子系统提供高水平和简化的红/黄/绿诊断评级。“每个子系统都可以进一步探索，允许用户深入挖掘和检索更详细的信息。”
BST的仪表盘易于阅读，不需要高度熟练的UAS技术人员来理解(图2)。凭借他们构建定制和模块化解决方案的经验，BST认为最好为日常终端用户提供可访问的决策质量信息。
图2:在仪表板上交付的信息的屏幕截图
总体而言，稳健的异常及维修追踪系统主要包括三个方面:
故障直接跟踪:大多数无人机都有跟踪传感器故障、电量不足、通信丢失等问题的系统。这将始终构成UAS维护和子系统故障应急响应的主干。
监督式学习:BST一直在构建和改进这些工具，通过标记遥测数据跟踪越来越多的已知故障。这种强大的统计方法可以直接将机载遥测与需要维护的特定子系统故障或异常联系起来。例子包括损坏或失败的伺服电机，损坏的螺旋桨，恶劣的天气条件，如结冰等。这样做的好处是输出可以直接用于飞机地面，并通知维修人员需要修理或更换什么。
无监督学习在异常检测中的应用这是UAS维护和异常跟踪研究的一个新的和不断增长的领域。BST已经开始将其中一些技术应用于特定的子系统，例如跟踪通信性能。然而，这种方法有更大、更令人兴奋的可能性。当应用于整个飞机时，无监督学习提供了标记飞机进行维护的能力，因为性能“超出家族”。
