Carnegie Mellon AI Collaborates With Pentagon To Improve Helicopter Reliability

February 24, 2021
switch to THswitch to EN

       The researchers team of Carnegie Mellon University (CMU) with the Pentagon’s Joint Artificial

Intelligence Center (JAIC) are utilizing artificial intelligence procedures in improving the dependability and

availability of helicopters used by the U.S. Army's 160th Special Operations Aviation Regiment (SOAR), also

known as Night Stalkers.

CMU researchers, working with the Pentagon's Joint Artificial Intelligence Center, have used AI to improve the reliability and availability of helicopters used by the U.S. Army's 160th Special Operations Aviation Regiment.
Source: School of Computer Science


        On January 26, the Predictive

Maintenance (PMx) was considered

during an Armed Services Committee

meeting. Artur Dubrawski, Alumni

Research Professor of Computer Science

at CMU and director of the Auton Lab, said that this project aimed to employ

machine learning to recognize

circumstances which manifest the

remaining power within a few flight

hours.


        For instance, when the engine overheats during power operation , the indicator shows the early

impending failure. However, Dubrawski, Kyle Miller and other lab members have evolved a variety of

consideration models, including engine pressures, temperatures and acceleration. Thus, in this mountain of

data to find some effective factors, machine learning algorithms can identify designs that can be effective as

early warning signs.

        
        According to an amount of analyzing flight data, including maintenance records and other references,

Dubrawski and his team have studied for identifying certain factors that can lead to problems. This analysis

has been evaluated at more than 100$ million to keep the maintenance staff away from all crises.

       Furthermore, the Predictive Maintenance (PMx), a research team of Carnegie Mellon University,

investigated large amounts of data which contained relatively fewerneedles. With the huge flight and

maintenance report manifested healthy working conditions, the airplanes are carefully preserved.

        Therefore, the finding of impending failure was a challenge in which machine learning techniques

require a lot of information, Dubrawski said. Moreover, this project requested many solutions, such as model

construction that incorporated physical principles of the power engine.


      Although the JAIC project had ended in September, the Auton Lab is continuing work on the predictive

maintenance problem as a part of the Army AI Task Force headquartered at Carnegie Mellon University.



Source: https://www.cs.cmu.edu/news/carnegie-mellon-ai-collaborates-pentagon-improve-helicopter-reliability

        ทีมนักวิจัยทางมหาวิทยาลัยคาร์เนกีเมลลอน ร่วมมือกับหน่วยงาน Pentagon’s Joint Artificial Intelligence Center (JAIC) นำวิธีการปัญญาประดิษฐ์ (AI) มาพัฒนาเฮลิคอปเตอร์ให้มีความน่า

เชื่อถือและพร้อมใช้งานอยู่ตลอดเวลา โดยมีประสงค์เพื่อพัฒนาให้กับทางหน่วยงานปฏิบัติการพิเศษที่รู้จักกันในนาม นักย่องเบาในยามราตรี (SOAR)

        ในวันที่ 26 มกราคม ที่ผ่านมาซึ่งเป็นช่วงการประชุมของคณะกรรมาธิการอาวุธ ได้มีการพิจารณาโครงการการบำรุงรักษาเชิงพยากรณ์ (Predictive Maintenance or PMx) โดยที่มีอาร์เธอร์ ดูบร

อว์สกี ศาสตาจารย์ด้านการวิจัยผู้เป็นศิษย์เก่าจากสาขาวิทยาการคอมพิวเตอร์ มหาวิทยาลัยคาร์เนกีเมลลอน ทั้งเป็นยังผู้อำนวยการศูนย์วิจัย Auton ได้บอกว่าโครงงานนี้มีจุดประสงค์ที่จะนำระบบการ

เรียนรู้เครื่องจักร (Machine Learning) ตรวจจับบางสถานการณ์ เช่น แสดงพลังงานที่เหลือภายในไม่กี่ชั่วโมงเที่ยวบิน


CMU researchers, working with the Pentagon's Joint Artificial Intelligence Center, have used AI to improve the reliability and availability of helicopters used by the U.S. Army's 160th Special Operations Aviation Regiment.
Source: School of Computer Science

        อย่างเช่น เมื่อเครื่องยนต์ร้อนเกินไปในขณะที่กำลังใช้งาน ตัวส่งสัญญาณจะขึ้นเตือน

ความล้มเหลวล่วงหน้า แต่อย่างไรก็ตามดูบรอว์สกีกับไคล์ มิลเลอร์ และสมาชิกห้องปฏิบัติ

การคนอื่น ๆ ได้ร่วมกันพัฒนารูปแบบการพิจารณาต่าง ๆ ได้แก่ แรงดันเครื่องยนต์

อุณหภูมิ และความเร็ว ดังนั้นข้อมูลชุดนี้สามารถหาปัจจัยที่มีประสิทธิภาพ ที่ระบบการเรียน

รู้เครื่องจักรอัลกอริทึมสามารถระบุรูปแบบที่มีประสิทธิภาพออกมาเป็นสัญญาณเตือนภัยล่วง

หน้า


         จากข้อมูลการวิเคราะห์การบิน รวมถึงเป็นบันทึกการบำรุงรักษา หรืออ้างอิงอื่น ๆ ดู

บรอว์สกีและทีมงานวิจัยได้ศึกษาปัยจัยบางอย่างที่อาจนำไปสู่ปัญหาได้ โดยงานวิเคราะห์นี้

มีมูลค่าราคามากกว่า 100 ล้านเหรียญสหรัฐฯ เพื่อที่จะสามารถรักษาชีวิตบุคลากรจาก

วิกฤตต่าง ๆ

        ยิ่งไปกว่านั้น สำหรับโครงการการบำรุงรักษาเชิงพยากรณ์นี้ ทีมนักวิจัยจากมหาวิทยา

ลัยคาร์เนกีเมลลอนยังได้ตรวจสอบข้อมูลต่าง ๆ ที่ไม่ค่อยมีความเกี่ยวข้อง บวกกับรายงาน

การบินและการดูแลรักษา แสดงให้เห็นว่าระบบการทำงานนั้นมีการทำงานที่ดี เนื่องจาก

เครื่องบินได้รับการดูแลเป็นอย่างดี


        ดูบรอว์สกียังได้พูดอีกว่า การหาโอกาสที่จะเกิดความล้มเหลวนั้นถือว่าเป็นเรื่องที่ท้าทาย เพราะระบบการเรียนรู้เครื่องจักรนั้นต้องอาศัยข้อมูลที่หลากหลาย และยิ่งไปกว่านั้นโครงการนี้ยังต้องการวิธี

การแก้ไขอีกมาก เช่น โครงสร้างแบบจำลองที่มีหลักการของเครื่องยนต์


        แม้สุดท้ายแล้วโครงการของ JAIC จะเสร็จสิ้นลงในเดือนกันยายนที่ผ่านมา แต่ทางศูนย์วิจัย Auton ยังคงดำเนินการศึกษาปัญหาการบํารุงรักษาเชิงพยากรณ์ ที่เป็นส่วนหนึ่งของหน่วยงานเฉพาะกิจ

ซึ่งมีสำนักงานใหญ่อยู่ที่มหาวิทยาลัยคาร์เนกีเมลลอน

Written By: