Modelos pequenos de IA podem proteger sistemas elétricos de aeronaves contra falhas ocultas

Checando a aderência dos sinais sintéticos aos dados elétricos reais das aeronaves

Os sinais elétricos sintéticos de aeronaves foram confrontados com registros reais do sistema de energia em três frentes. A primeira análise focou no conteúdo de frequência. Cada sinal foi convertido em um espectro de potência, que revela a quantidade de energia presente em cada frequência. Os sinais gerados exibiram erros espectrais mínimos quando comparados aos reais. O erro quadrático médio situou-se na ordem de 10 elevado à nona potência negativa em todas as classes. É uma margem ínfima, o que indica que os dados sintéticos preservaram as principais assinaturas elétricas dos sistemas de energia das aeronaves. Entre elas estão a operação a 400 Hz, componentes harmônicos, bandas laterais associadas ao flicker e energia transitória de banda larga. Um modelo treinado com esses sinais perceberia os mesmos padrões de frequência que se esperam das linhas de alimentação reais em voo.

O segundo teste comparou o formato da forma de onda ao longo do tempo. Utilizou-se um método chamado alinhamento temporal dinâmico para medir a distância entre os sinais, permitindo pequenos esticamentos ou deslocamentos sem classificá-los como grandes divergências. Os registros gerados permaneceram próximos aos reais. Em muitos casos, estavam quase tão próximos quanto registros reais entre si. Perturbações com mudanças abruptas, como interrupções de tensão e eventos de falha, apresentaram distâncias maiores. Já as perturbações mais suaves mantiveram-se mais próximas. A pequena distância extra entre sinais sintéticos e reais não foi interpretada como distorção, mas sim como uma variação controlada do mesmo evento físico.

No terceiro teste, amostras reais e sintéticas foram posicionadas em um espaço de características comprimido, um mapa matemático que agrupa condições elétricas semelhantes. As amostras reais e geradas caíram nos mesmos agrupamentos por classe, sem se separar em grupos distintos. Não houve sinal claro de colapso de modo, fenômeno em que o gerador produz apenas alguns padrões repetidos. Pelo contrário, as amostras sintéticas distribuíram-se por cada agrupamento, adicionando variedade dentro da operação normal, das perturbações de qualidade de energia e das condições de falha. O resultado sugere que o gerador aprendeu a estrutura subjacente dos dados elétricos de aeronaves, sem inventar valores atípicos estranhos.

Comparando detectores de falhas em perturbações elétricas de aeronaves

Testaram-se vários detectores baseados em aprendizado profundo com perturbações simuladas do sistema elétrico de aeronaves. Todos superaram uma meta alta: cada arquitetura atingiu mais de 94% de precisão no teste. Isso indica que a tarefa de classificação é viável para diversas famílias de modelos. O detector mais eficaz foi uma rede convolucional unidimensional, que obteve 97,29% nos sinais de teste retidos. Sua precisão, sensibilidade e pontuação F1 foram de 97,32%, 97,29% e 97,30%, respectivamente. Esses números mostram que o modelo raramente classificou incorretamente o tipo de perturbação. O custo foi o tamanho: a rede utilizou 8,34 milhões de parâmetros. Uma rede residual compacta ficou logo atrás, alcançando cerca de 96,94% de precisão com apenas 175.685 parâmetros. A diferença foi de somente 0,35 ponto percentual, uma perda pequena e aceitável dado o tamanho muito menor do modelo. As redes padrão maiores não justificaram seu porte. O VGG16 usou cerca de 138 milhões de parâmetros e alcançou 96,55%. O ResNet18 empregou aproximadamente 11,3 milhões de parâmetros e atingiu 96,41%. Um VGG19 leve consumiu cerca de 20,3 milhões de parâmetros para chegar a 96,48%. Já o ResNet50 utilizou cerca de 23,5 milhões de parâmetros, mas caiu para 95,88%. O padrão ficou claro: mais parâmetros não trouxeram ganhos proporcionais de precisão. Modelos convolucionais menores também tiveram bom desempenho. Uma CNN bidimensional simples, com cerca de 546.000 parâmetros, alcançou 96,27%. Uma CNN bidimensional baseada em remoção de ruído, com 177.334 parâmetros, atingiu 96,33%. Esses resultados demonstram que os padrões úteis de falhas podem ser capturados sem uma rede muito grande. Os modelos sequenciais não ajudaram tanto quanto o esperado. A CNN-LSTM unidimensional teve a menor precisão, com 94,57%, apesar de possuir cerca de 480.000 parâmetros. A CNN-LSTM bidimensional alcançou 95,68% com aproximadamente 756.000 parâmetros. Adicionar memória para sequências temporais não melhorou a classificação nesses registros elétricos curtos. As camadas convolucionais sozinhas identificaram as formas importantes nos sinais. A rede residual compacta também apresentou desempenho equilibrado entre as classes. A precisão manteve-se acima de 92% e a sensibilidade acima de 91% em todas as 21 classes. A maioria das classes superou 95% de sensibilidade, com uma taxa de falsos negativos que variou de 0,29% a 8,29%. A classe mais fraca teve precisão de 92,91%, sensibilidade de 91,71% e F1 de 92,31%. As classes mais fortes perderam menos de cerca de 0,6% dos eventos reais. Em monitoramento crítico para a segurança, essa taxa de falha no pior caso importa mais do que a precisão média, pois uma falha não detectada pode ser pior do que um alarme falso.

Submetendo o detector a um teste de estresse com ruído elétrico

Para avaliar a robustez do detector, os pesquisadores adicionaram ruído elétrico aos sinais de teste. Utilizaram ruído branco gaussiano, uma técnica padrão para simular interferências aleatórias em sistemas de energia de aeronaves. O ruído foi aplicado em diferentes relações sinal-ruído, variando de 20 dB até 0 dB. Nessa escala, valores mais baixos indicam maior intensidade do ruído. A 0 dB, a potência do ruído adicionado igualava-se à do próprio sinal.

A precisão do detector diminuiu gradualmente conforme o nível de ruído aumentou. A 20 dB, atingiu 96,93%. A 12,5 dB, manteve-se em 96,41%. A 10 dB, ficou em 96,04%. A 7,5 dB, caiu para 95,25%. A 5 dB, desceu para 92,74%. A 2,5 dB, chegou a 86,55%. A 0 dB, reduziu-se para 71,26%.

Esses resultados são relevantes porque os sistemas elétricos de aeronaves frequentemente operam em ambientes ruidosos. Os dados mostram que o detector permanece eficaz sob interferência moderada: mantém precisão acima de 96% a 10 dB e acima de 92% a 5 dB. Mesmo com ruído severo de 0 dB, a maioria das amostras ainda foi classificada corretamente. Contudo, a queda é significativa o suficiente para impactar o uso real. Um sistema implantado provavelmente exigiria sensores de alta qualidade, filtragem ou verificações de confiança antes de emitir alertas.

O teste foi mais rigoroso do que as condições normais de treinamento. O ruído extra foi adicionado durante a inferência, somando-se ao ruído já presente no processo de aprendizado. Isso transformou o experimento em um teste de estresse que excedia os limites vistos pelo modelo. A declínio gradual também sugere que o detector não depende de detalhes frágeis de amplitude. Ele parece utilizar padrões estáveis de tempo e frequência nos sinais, características que resistem melhor à presença de interferência aleatória.

Avaliando o funcionamento de um modelo compacto em hardware aeroespacial

Um classificador de falhas compacto foi testado em uma placa Xilinx Zynq UltraScale+ para avaliar seu desempenho em hardware aeroespacial. O modelo processa imagens da transformada de Fourier de tempo curto, não os traços brutos de tensão. Isso implica que um sistema de aeronave converteria primeiro os sinais elétricos em representações tempo-frequência antes da classificação. A placa recebeu lotes de 1.000 entradas de um computador hospedeiro via Ethernet. O tempo foi medido várias vezes e a média calculada para obter um valor por entrada. Um teste separado removeu o atraso de comunicação de ida e volta. Os 6,90 milissegundos resultantes representam apenas o trabalho no lado do chip: mover dados dentro do sistema em chip (system-on-chip) e executar a rede. Essa velocidade equivale a cerca de 145 classificações por segundo. Para um monitor embarcado, essa taxa permite verificações contínuas sem longos intervalos entre os testes.

O projeto de hardware manteve o tráfego de memória organizado. Sinais de entrada, pesos e saídas estavam na memória DDR externa. Um agendador enviava trabalho para blocos separados: um para camadas convolucionais, um para camadas densas e um para pequenas operações matemáticas, como adição e redimensionamento. Arbitradores controlavam as leituras e gravações através de interfaces AXI4. Um perfilador registrava os tempos de início e fim para que os engenheiros pudessem ver onde o tempo era gasto. Após a síntese, o processador usou 391 das 2.520 fatias DSP. Isso corresponde a cerca de 15,5% da capacidade aritmética daquele chip. O espaço restante é importante em aviação, pois outras tarefas de processamento de sinal podem compartilhar o mesmo hardware.

A versão de ponto fixo usou pesos e ativações de 8 bits. Sua precisão caiu 1,07 pontos percentuais em comparação com o modelo de software de ponto flutuante. Essa pequena queda mostra que a rede ainda separa os padrões de falha após a conversão para menor precisão. A latência média de 6,90 milissegundos não conta toda a história para uso em tempo real. Um tempo por entrada no pior caso de 14,40 milissegundos foi observado entre todas as classes. Isso ocorreu na classe 11. O tempo limitado ajuda equipes de aviação a planejar cronogramas previsíveis, porque sistemas críticos para segurança precisam saber quando um resultado chegará.

A latência medida cobre apenas o núcleo da rede neural no FPGA. Não inclui sensores, isolamento, aquisição de dados ou a parte frontal da transformada de Fourier de tempo curto. Um sistema embarcado completo adicionaria essas partes antes da classificação. Componentes representativos de sensores e conversores podem operar em microssegundos, mas esse pipeline completo não foi verificado experimentalmente aqui. O resultado de hardware mostra, portanto, um motor de inferência rápido e compacto com folga suficiente no chip para integrações futuras.

Um watchdog compacto para o sistema elétrico de aeronaves

Um detector compacto já demonstra que é possível reconhecer falhas elétricas em aeronaves diretamente a bordo, sem a necessidade de um grande centro de dados. O resultado central é simples na estrutura e difícil de superar na prática: uma pequena rede residual alcançou cerca de 97% de precisão na identificação de falhas simuladas no sistema elétrico das aeronaves, utilizando apenas 175.685 parâmetros. Isso a torna muito menor do que muitos modelos padrão de aprendizado profundo.

As redes maiores não obtiveram vantagem significativa. Um modelo convolucional unidimensional atingiu 97,29% de precisão, mas exigiu 8,34 milhões de parâmetros. O ganho extra em acurácia foi pequeno diante do custo adicional. Para uma aeronave, essa diferença pode significar menos calor dissipado, menor peso e mais espaço para outras tarefas de segurança.

Em uma placa Xilinx Zynq, o mesmo modelo compacto operou com latência média de 6,90 milissegundos por classificação. O pior caso registrado foi de 14,40 milissegundos. Esse limite temporal previsível facilita o agendamento em sistemas de aviação críticos para a segurança. O processador utilizou apenas 391 das 2.520 fatias DSP disponíveis no chip, deixando espaço livre para outras operações de processamento de sinais.

O detector também resistiu melhor ao ruído elétrico adicionado do que um modelo frágil faria. A precisão manteve-se acima de 96% sob interferência moderada e acima de 92% quando o ruído foi mais intenso. Com ruído extremo, o desempenho caiu acentuadamente, mas não colapsou de uma vez só. Isso sugere que o modelo aprendeu padrões úteis no domínio do tempo e da frequência.

O maior obstáculo é que as evidências ainda provêm da simulação. As amostras de treinamento e teste eram variantes relacionadas do mesmo ambiente elétrico simulado de aeronave. Isso pode fazer a precisão parecer mais alta do que seria com dados de voo verdadeiramente independentes. Para monitoramento crítico para a segurança, a taxa de falhas no pior caso importa mais do que a precisão média. Algumas classes apresentaram taxas de falsos negativos próximas de 8%. Uma falha não detectada pode ser pior do que um alarme falso.

A latência medida cobre apenas o núcleo da rede neural. Não inclui a detecção de corrente, o isolamento de tensão, a aquisição de dados ou a etapa inicial da transformada de Fourier de tempo curto. Essas partes são rápidas em princípio, mas não foram validadas como um único pipeline integrado a bordo.

A oportunidade é real. Um modelo compacto pode ficar próximo do sistema elétrico e monitorar falhas em quase tempo real. Ele poderia apoiar o monitoramento de saúde, o planejamento de manutenção e a lógica de proteção em aeronaves futuras mais elétricas. A geração de sinais sintéticos pode ajudar a preencher lacunas, mas não substitui evidências reais de voo. O próximo passo é migrar dos cenários simulados para um banco de testes terrestre do sistema elétrico de aeronave. Em seguida, o sistema deve ser verificado contra condições operacionais geradas independentemente e dados reais de voo.

Se um vigia puder operar pequeno, rápido e majoritariamente preciso a bordo, quanto grau de independência ele precisa comprovar antes de ser confiável para a saúde elétrica da aeronave?