Международная команда исследователей из Университета Иннополис, Орловского государственного университета, МГУ имени М.В. Ломоносова, МФТИ и Университета Беннетт (Индия) разработала новый метод машинного обучения, который не только с высокой точностью предсказывает остаточный ресурс авиационных двигателей, но и, что более важно, оценивает степень уверенности в собственном прогнозе. Этот подход превращает «черный ящик» искусственного интеллекта в прозрачный инструмент для инженеров, повышая безопасность полетов и эффективность технического обслуживания. Результаты исследования опубликованы в Russian Journal of Nonlinear Dynamics.
Своевременное техническое обслуживание и замена изношенных деталей — краеугольный камень безопасности в современной авиации. Одной из ключевых задач в этой области является определение остаточного полезного ресурса сложных механизмов, таких как турбовентиляторный двигатель. Это, по сути, предсказание того, сколько еще часов или циклов двигатель сможет отработать до потенциального отказа. Искусственный интеллект уже давно применяется для решения этой задачи, анализируя огромные массивы данных с многочисленных датчиков, отслеживающих температуру, давление, вибрации и другие параметры. Однако у большинства существующих моделей есть фундаментальный недостаток: они выдают точечный прогноз — например, «150 часов до отказа», — но не сообщают, насколько они в этом уверены. Для инженера существует огромная разница между прогнозом «150 ± 5 часов» и «150 ± 50 часов», но классические модели не предоставляют эту критически важную информацию, оставаясь непрозрачными «черными ящиками».
Исследователи поставили перед собой цель создать модель, которая могла бы не только предсказывать, но и сомневаться. Они предложили новый подход, в котором неопределенность прогноза становится не побочным продуктом, а одной из главных целей обучения нейросети. В основе их метода лежит идея научить модель оценивать два вида неопределенности. Первая связана с самими данными — это своего рода «шум», вызванный погрешностями датчиков или случайными флуктуациями в работе двигателя. Вторая связана с самой моделью — это ее «неуверенность», возникающая из-за недостатка обучающих данных для какой-либо редкой ситуации.
Для этого ученые использовали архитектуру рекуррентных нейронных сетей (RNN), идеально подходящую для анализа временных последовательностей, которыми и являются данные с датчиков. Ключевое новшество заключается в том, что вместо предсказания одного числа, их модель одновременно предсказывает два: само значение и дисперсию этого значения, которая и характеризует степень неопределенности.
Рисунок 1. Блок-схема регрессионных моделей для остаточного срока службы двигателей. Модель, основанная на гомоскедастических регрессионных потерях, выводит значение гипотезы h, которое должно быть близко к истинному значению y (слева). Новая модель, основанная на гетероскедастических потерях, дополнительно выводит логарифмическую дисперсию s прогноза h, что делает прогноз более интерпретируемым и достоверным, так как модель обучается оценивать собственную неопределенность (слева). Источник: Russian Journal of Nonlinear Dynamics.
Чтобы учесть и неуверенность самой модели, исследователи применили метод глубокого ансамблирования, создав своего рода «комитет» из нескольких нейросетей. Анализируя, насколько «мнения» членов этого комитета расходятся, можно оценить общую уверенность системы в своем прогнозе.
Юрий Дорн, старший научный сотрудник лаборатории математических методов оптимизации, так прокомментировал суть нового подхода: «Представьте, что вы обращаетесь к двум экспертам. Один уверенно говорит: «Деталь сломается ровно через 100 часов». Второй говорит: «Скорее всего, она проработает от 80 до 120 часов, но я не исключаю и других вариантов». Второй прогноз гораздо полезнее, потому что он честно признает границы своего знания. Мы научили модель быть похожим на второго эксперта. Она не просто дает ответ, но также сообщает инженеру, насколько этому ответу можно доверять, что является ключевым фактором при принятии решений в таких критически важных областях, как авиация».
Для проверки своего метода команда использовала общепризнанный в отрасли набор данных C-MAPSS от NASA, содержащий смоделированные данные о работе и постепенной деградации сотен турбовентиляторных двигателей.
Рисунок 2. Корреляционная матрица измеряемых параметров, которые являются признаками обучаемой модели. Источник: Russian Journal of Nonlinear Dynamics.
Результаты превзошли ожидания. Предложенная модель показала самую высокую точность прогнозирования, значительно обойдя как классические методы машинного обучения, такие как метод k-ближайших соседей и метод опорных векторов, так и более продвинутые, включая популярный в этой задаче метод случайного леса.
Оказалось, что модель не только корректно следует за реальным износом двигателя, но и правильно оценивает расширение «коридора неопределенности» в тех случаях, когда поведение системы становится менее предсказуемым.
Рисунок 3. Оставшийся срок службы набора испытательных двигателей, рассчитанный с помощью предлагаемой модели, учитывающей неопределенность. Источник: Russian Journal of Nonlinear Dynamics.
Способность искусственного интеллекта количественно оценивать собственную неуверенность — это шаг к созданию по-настоящему надежных и интерпретируемых систем для любых критически важных сфер: от диагностики в медицине и управления атомными электростанциями до автономного вождения. Новая методология открывает возможность для создания более безопасных и эффективных технологий, где решения принимаются не вслепую, а с полным пониманием всех возможных рисков и неопределенностей. В будущем исследователи планируют адаптировать свой подход для еще более сложных архитектур нейросетей и применить его для анализа других комплексных инженерных систем.
Научная статья: I. A. Serenko, Y. V. Dorn, S. R. Singh, A. V. Kornaev, Room for Uncertainty in Remaining Useful Life Estimation for Turbofan Jet Engines, Russian Journal of Nonlinear Dynamics, 2024, vol. 20, no. 5, pp. 933-944.
