Des modèles d’IA compacts pourraient surveiller les systèmes électriques des aéronefs face aux pannes cachées

Vérifier que les signaux synthétiques correspondent aux données électriques réelles des aéronefs

Les signaux électriques synthétiques d’aéronef ont été confrontés à des enregistrements réels de systèmes de puissance d’aéronef selon trois méthodes. Le premier test portait sur le contenu fréquentiel. Chaque signal était converti en spectre de puissance, qui indique combien d’énergie se trouve à chaque fréquence. Les signaux générés présentaient des erreurs spectrales très faibles par rapport aux signaux réels. Les erreurs quadratiques moyennes étaient de l’ordre de 10⁻⁹ pour toutes les classes. C’est minuscule. Cela signifie que les données synthétiques conservaient les principales empreintes électriques des systèmes de puissance d’aéronef. Elles incluent le fonctionnement à 400 Hz, les composantes harmoniques, les bandes latérales liées au scintillement et l’énergie transitoire large bande. Un modèle entraîné sur de tels signaux verrait les mêmes motifs fréquentiels qu’il attend des lignes d’alimentation réelles en vol.

Le deuxième test comparait la forme des ondes dans le temps. Une méthode appelée décalage temporel dynamique mesurait la distance entre les signaux. Elle autorisait un léger étirement ou un léger décalage sans compter cela comme une grande divergence. Les enregistrements générés se situaient près des enregistrements réels. Dans de nombreux cas, ils étaient presque aussi proches que les enregistrements réels l’étaient entre eux. Les perturbations avec des changements brusques montraient des distances plus grandes. Les interruptions de tension et les événements de défaut en sont des exemples. Les perturbations plus douces restaient plus proches. La petite distance supplémentaire entre signaux synthétiques et signaux réels n’était pas traitée comme une distorsion. Elle ressemblait à une variation contrôlée du même événement physique.

Le troisième test plaçait les échantillons réels et synthétiques dans un espace de caractéristiques compressé. C’est une carte mathématique qui regroupe ensemble des conditions électriques similaires. Les échantillons réels et générés se sont retrouvés dans les mêmes amas de classes. Ils ne se sont pas séparés en blocs distincts. Il n’y avait aucun signe clair d’effondrement de mode, où un générateur produit seulement quelques motifs répétés. Au contraire, les échantillons synthétiques se répartissaient à travers chaque amas. Cela ajoutait de la variété au sein du fonctionnement normal, des perturbations de qualité de puissance et des conditions de défaut. Le résultat suggère que le générateur a appris la structure sous-jacente des données électriques d’aéronef. Il n’a pas inventé de valeurs aberrantes étranges.

Comparer les détecteurs de défauts sur les perturbations de puissance des aéronefs

Plusieurs détecteurs par apprentissage profond ont été testés sur des perturbations simulées de puissance d’aéronef. Tous ont franchi un seuil élevé. Chaque architecture atteignait plus de 94 % de précision en test. Ce résultat montre que la tâche de classification est réalisable par plusieurs familles de modèles. Le détecteur le plus performant était un réseau convolutif unidimensionnel. Il a obtenu 97,29 % sur des signaux de test retenus à part. Sa précision, son rappel et son score F1 étaient de 97,32 %, 97,29 % et 97,30 %. Ces chiffres signifient qu’il classait rarement mal un type de perturbation. Le coût était la taille. Ce réseau utilisait 8,34 millions de paramètres. Un petit réseau résiduel suivait de près. Il atteignait environ 96,94 % de précision avec seulement 175 685 paramètres. L’écart n’était que de 0,35 point de pourcentage. Cette petite perte est facile à accepter quand le modèle est beaucoup plus petit. Les réseaux standard plus grands ne se payaient pas leur taille. VGG16 utilisait environ 138 millions de paramètres et atteignait 96,55 %. ResNet18 utilisait environ 11,3 millions de paramètres et atteignait 96,41 %. Une version allégée de VGG19 utilisait environ 20,3 millions de paramètres et atteignait 96,48 %. ResNet50 utilisait environ 23,5 millions de paramètres mais descendait à 95,88 %. Le schéma était clair. Plus de paramètres n’apportaient pas des gains de précision proportionnels. Les modèles convolutifs plus petits performaient aussi bien. Un CNN bidimensionnel simple avec environ 546 000 paramètres atteignait 96,27 %. Un CNN bidimensionnel basé sur le débruitage avec 177 334 paramètres atteignait 96,33 %. Ces résultats montrent que les motifs de défaut utiles peuvent être capturés sans un très grand réseau. Les modèles séquentiels n’ont pas aidé autant qu’attendu. Le CNN-LSTM unidimensionnel avait la précision la plus basse à 94,57 %, malgré environ 480 000 paramètres. Le CNN-LSTM bidimensionnel atteignait 95,68 % avec environ 756 000 paramètres. Ajouter une mémoire pour les séquences temporelles n’a pas amélioré la classification sur ces enregistrements électriques courts. Les couches convolutives seules trouvaient les formes importantes dans les signaux. Le petit réseau résiduel présentait aussi des performances équilibrées par classe. La précision restait au-dessus de 92 % et le rappel au-dessus de 91 % pour toutes les 21 classes. La plupart des classes dépassaient 95 % de rappel. Son taux de faux négatifs variait de 0,29 % à 8,29 %. La classe la plus faible avait une précision de 92,91 %, un rappel de 91,71 % et un F1 de 92,31 %. Les classes plus fortes manquaient moins d’environ 0,6 % des événements réels. Dans le suivi critique pour la sécurité, ce taux de défaut manqué au pire cas compte plus que la précision moyenne. Un défaut manqué peut être pire qu’une fausse alerte.

Soumettre le détecteur à un stress avec du bruit électrique ajouté

Pour vérifier dans quelle mesure le détecteur résistait, du bruit électrique supplémentaire a été ajouté aux signaux de test. Le bruit était un bruit gaussien blanc, une méthode courante pour imiter des interférences aléatoires dans un système de puissance d’aéronef. Il a été appliqué à plusieurs rapports signal sur bruit, de 20 dB jusqu’à 0 dB. Sur cette échelle, les nombres plus bas signifient plus de bruit. À 0 dB, le bruit ajouté avait la même puissance que le signal lui-même.

La précision du détecteur baissait lentement à mesure que le bruit augmentait. À 20 dB, elle atteignait 96,93 %. À 12,5 dB, elle restait à 96,41 %. À 10 dB, elle se maintenait à 96,04 %. À 7,5 dB, elle descendait à 95,25 %. À 5 dB, elle tombait à 92,74 %. À 2,5 dB, elle atteignait 86,55 %. À 0 dB, elle était de 71,26 %.

Ces chiffres comptent parce que les systèmes électriques des aéronefs peuvent être bruyants. Le résultat montre que le détecteur reste utile sous une interférence modérée. Il maintient plus de 96 % de précision à 10 dB et plus de 92 % à 5 dB. Même avec un bruit sévère à 0 dB, la plupart des échantillons étaient encore classés correctement. Mais la baisse est assez grande pour compter en usage réel. Un système déployé aurait probablement besoin de bons capteurs, de filtrage ou de vérifications de confiance avant d’agir sur une alerte.

Le test était plus strict que les conditions ordinaires d’entraînement. Du bruit supplémentaire a été ajouté pendant l’inférence, par-dessus le bruit déjà utilisé pendant l’apprentissage. Cela en faisait un test de stress au-delà de ce que le modèle avait vu. La baisse progressive suggère aussi que le détecteur ne repose pas sur des détails d’amplitude fragiles. Il semble utiliser des motifs temporels et fréquentiels stables dans les signaux. Ces motifs résistent mieux quand une interférence aléatoire est présente.

Mesurer comment un modèle compact s’exécute sur du matériel aérospatial

Un classifieur de défauts compact a été placé sur une carte Xilinx Zynq UltraScale+ pour tester son comportement sur du matériel aérospatial. Le modèle fonctionne sur des images de transformée de Fourier à court terme, pas sur des traces brutes de tension. Cela signifie qu’un système d’aéronef convertirait d’abord les signaux électriques en images temps-fréquence avant la classification. La carte recevait des lots de 1 000 entrées depuis un ordinateur hôte via Ethernet. Les chronométrages étaient mesurés plusieurs fois et moyennés pour obtenir un nombre par entrée. Un test séparé éliminait le délai aller-retour de communication. Le résultat de 6,90 millisecondes correspond seulement au travail côté puce : déplacer les données à l’intérieur du système sur puce et exécuter le réseau. Cette vitesse équivaut à environ 145 classifications par seconde. Pour un moniteur embarqué, ce débit peut soutenir une vérification continue sans de longues lacunes entre les tests.

La conception matérielle maintenait le trafic mémoire organisé. Les signaux d’entrée, les poids et les sorties résidaient en mémoire DDR externe. Un planificateur envoyait du travail à des blocs séparés : un pour les couches convolutives, un pour les couches denses et un pour de petites opérations mathématiques telles que l’addition et le redimensionnement. Des arbitres contrôlaient les lectures et les écritures par des interfaces AXI4. Un profilageur enregistrait les heures de début et de fin afin que les ingénieurs puissent voir où le temps était passé. Après synthèse, le processeur utilisait 391 des 2 520 tranches DSP. C’est environ 15,5 % de la capacité arithmétique sur cette puce. L’espace restant compte en avionique parce que d’autres tâches de traitement du signal peuvent partager le même matériel.

La version à virgule fixe utilisait des poids et des activations sur 8 bits. Sa précision baissait de 1,07 point de pourcentage par rapport au modèle logiciel à virgule flottante. Cette petite baisse montre que le réseau sépare encore les motifs de défaut après conversion vers une précision plus basse. La latence moyenne de 6,90 millisecondes n’est pas toute l’histoire pour un usage en temps réel. Un temps par entrée au pire cas de 14,40 millisecondes a été observé sur toutes les classes. Il s’est produit pour la classe 11. Un chronométrage borné aide les équipes avioniques à planifier des horaires prévisibles, parce que les systèmes critiques pour la sécurité doivent savoir quand un résultat arrivera.

La latence mesurée ne couvre que le noyau de réseau de neurones sur la FPGA. Elle n’inclut pas la détection, l’isolation, l’acquisition de données ou le front-end de transformée de Fourier à court terme. Un système embarqué complet ajouterait ces éléments avant la classification. Des composants représentatifs de capteurs et de convertisseurs peuvent fonctionner en microsecondes, mais ce pipeline complet n’a pas été vérifié expérimentalement ici. Le résultat matériel montre donc un moteur d’inférence rapide et compact avec assez de marge sur puce pour une intégration future.

Un petit chien de garde pour la puissance des aéronefs

Un détecteur compact montre désormais que les défauts électriques d’aéronef peuvent être reconnus à bord. Il n’a pas besoin d’un grand centre de données pour le faire. Le résultat clé est simple en forme et difficile à battre en pratique. Un petit réseau résiduel atteignait environ 97 % de précision sur des défauts simulés de puissance d’aéronef. Il utilisait seulement 175 685 paramètres. C’est beaucoup plus petit que de nombreux modèles standard d’apprentissage profond.

Les grands réseaux ne gagnaient pas de beaucoup. Un modèle convolutif unidimensionnel atteignait 97,29 %, mais il nécessitait 8,34 millions de paramètres. La précision supplémentaire était faible par rapport au coût ajouté. Pour un aéronef, cette différence peut signifier moins de chaleur, moins de poids et plus d’espace pour d’autres tâches de sécurité.

Sur une carte Xilinx Zynq, le même modèle compact s’exécutait avec une latence moyenne de 6,90 millisecondes par classification. Le pire cas était de 14,40 millisecondes. Ce chronométrage borné aide à la planification prévisible dans l’avionique critique pour la sécurité. Le processeur utilisait seulement 391 des 2 520 tranches DSP sur la puce. Cela laisse de la place pour d’autres travaux de traitement du signal.

Le détecteur a aussi survécu mieux qu’un modèle fragile au bruit électrique ajouté. La précision restait au-dessus de 96 % sous une interférence modérée et au-dessus de 92 % quand le bruit était plus fort. Sous un bruit extrême, les performances chutaient nettement, mais elles ne s’effondraient pas d’un coup. Cela suggère que le modèle a appris des motifs utiles dans le temps et la fréquence.

Le plus grand obstacle est que les preuves viennent encore de la simulation. Les échantillons d’entraînement et de test étaient des variantes liées du même environnement simulé de puissance d’aéronef. Cela peut faire paraître la précision plus forte qu’elle ne serait sur des données de vol véritablement indépendantes. Pour le suivi critique pour la sécurité, le taux de défaut manqué au pire cas compte plus que la précision moyenne. Certaines classes avaient des taux de faux négatifs proches de 8 %. Un défaut manqué peut être pire qu’une fausse alerte.

La latence mesurée ne couvre aussi que le noyau de réseau de neurones. Elle n’inclut pas la détection du courant, l’isolation de tension, l’acquisition de données ou le front-end de transformée de Fourier à court terme. Ces éléments sont rapides en principe, mais ils n’ont pas été validés comme un pipeline embarqué intégré unique.

L’opportunité est réelle. Un modèle compact peut se placer près du système de puissance et surveiller les défauts en quasi temps réel. Il pourrait soutenir le suivi d’état, la planification de maintenance et la logique de protection sur des aéronefs plus électriques futurs. La génération de signaux synthétiques peut aider à combler des lacunes, mais elle ne peut pas remplacer les preuves de vol réelles. L’étape suivante est de passer des enveloppes simulées à un banc d’essai au sol de système de puissance d’aéronef. Ensuite, le système doit être vérifié face à des conditions opérationnelles générées indépendamment et à des données de vol réelles.

Si un chien de garde peut fonctionner petit, rapide et surtout précis à bord, combien de preuve d’indépendance devrait-il obtenir avant d’être confié la santé électrique d’un aéronef ?