«Наше решение — машинное обучение»: студентка МАИ о новой системе прогнозирования ресурса авиадвигателей
Команда студентов «цифровой кафедры» МАИ работает над системой, которая позволит прогнозировать остаточный ресурс двигателей самолёта. Система не просто заменит ушедший с российского рынка импортный аналог, но и будет иметь более широкий функционал, благодаря использованию ИИ, машинного обучения.
Об уникальности и перспективах разработки рассказала тимлид команды, студентка института № 8 «Компьютерные науки и прикладная математика» МАИ Диана Бабинцева.
Диана, расскажите, пожалуйста, немного о себе: какова сфера ваших интересов, как давно занимаетесь проектной деятельностью.
Проектной деятельностью занимаюсь с начальной школы. Уже накопила опыт выступлений, участвовала в нескольких хакатонах, защищала проекты на трёх международных конференциях. И продолжаю этим заниматься, потому что это расширяет кругозор, помогает накапливать знания, навыки и опыт в разных областях, знакомиться с интересными людьми. Если рассматривать все сферы моих интересов, то музыка и спорт также занимают значительную часть моей жизни.
Вместе с командой вы разработали умную систему для оценки ресурса авиадвигателей. Решение призвано стать заменой импортным системам. Расскажите об этом подробнее, пожалуйста.
Наша задача состоит в предсказании параметра EGTM — запаса температуры выхлопных газов — в системе мониторинга состояния двигателя по уже имеющимся в ней многочисленным параметрам. Наше решение базируется на модели машинного обучения, которая предсказывает значения данного параметра. Модель обёрнута в удобный для работы с ней интерфейс. Имеется пополняемая база данных, а также веб-демонстратор, где пользователь вводит необходимые ему параметры самолётов и двигателей.
Как родилась идея?
Мы поступили на «цифровую кафедру» МАИ, и нас заинтересовал кейс с данной задачей от компании S7 Tech Lab. Работа велась при поддержке специалистов компании.
На каком этапе работа? Когда планируете представить образец?
Сейчас мы оптимизируем модель, налаживаем взаимодействие между всеми частями нашего проекта. Работающий образец планируем представить на защите на «цифровой кафедре» в начале июля.
В чём уникальность вашего решения?
Наше решение — машинное обучение. Мы обучили модель на известных данных и теперь можем получать её предсказания для новых данных. У нас реализованы бэк- и фронт-часть для хранения всех данных и для их удобного вывода пользователю в качестве графиков.
Существует множество различных решений данной задачи, но можно сказать, что использование модели машинного обучения позволяет получить масштабируемый и адаптивный продукт, который можно дообучать и оптимизировать.
А чем пользуются сегодня авиастроительные предприятия?
Для решения задачи контроля состояния двигателя компании обычно используют математические модели для расчёта параметров. А мы предлагаем машинное обучение.
Для каких компаний может быть актуальна данная разработка?
Разработка может быть актуальна для авиакомпаний, которые хотят уменьшить расходы на ресурсы, необходимые для обслуживания двигателей.
Когда решение будет полностью готово к эксплуатации и каков будет его функционал в итоге?
Результатом будет модель, предсказывающая параметр запаса температуры выхлопных газов. А также веб-сервис, где пользователь указывает параметры, которые он хочет увидеть на графиках. Значения для этих графиков будут подтягиваться с обновляемой моделью базы данных.
Как планируете развивать проект после завершения этой работы?
Если будет такая возможность, мы хотели бы улучшить точность предсказания модели, более тщательно изучить корреляции между известными параметрами.
Материал подготовлен при поддержке Минобрнауки России (соглашение от 03.05.2024 г. № 075-15-2024-486).
