Abstract

Die Fehlersdiagnose von allgemeinen Luftfahrzeugen steht vor Herausforderungen wie der Knappheit an realen Fehlersdaten, der Vielfalt der Fehlertypen und schwachen Fehlersignaturen. Diese Arbeit schlägt ein intelligentes Fehlersdiagnose-Framework vor, das auf einem Multi-Fidelity Digital Twin basiert und vier Module integriert: hochgenaue Flugdynamiksimulation, FMEA-gesteuerte Fehlerinjektion, Multi-Fidelity-Restmerkmalsextraktion und durch große Sprachmodelle (LLM) verbesserte generative Berichterstattung. Ein Digital Twin wird unter Verwendung des JSBSim-Sechs-Grad-freiheit (6-DoF) Flugdynamik-Engines konstruiert, der 23-Kanal-Motorüberwachungsdaten über semi-empirische Sensorsynthesegleichungen generiert. Ein dreischichtiger Fehlerinjektor, der auf den Modellen der Fehlermodi und -auswirkungen (FMEA) basiert, modelliert die physikalische kausale Ausbreitung von 19 Motorschadenstypen. Ein Multi-Fidelity-Restberechnungsrahmen, der aus gepaarten Spiegel-Restwerten und GRU-Übertragungsrestwerten besteht, wird vorgeschlagen: Der hochgenaue Pfad erhält saubere Fehlersignale durch nominale Spiegeltrajektorien mit identischen Anfangsbedingungen, während der niederwertige Pfad eine Online-Echtzeit-Restberechnung durch ein mehrstufiges Vorhersagemodell mit GRU-Übertragungen erreicht. Ein 1D-CNN-Klassifikator führt eine End-to-End-Diagnose von 20 Fehlertypen durch. Eine durch FMEA-Wissen verbesserte LLM-Diagnoseberichterstattung kombiniert Klassifikationsergebnisse, Restbeweise und domänenspezifisches kausales Wissen, um interpretierbare Berichte in natürlicher Sprache zu generieren. Experimente zeigen, dass das gepaarte Spiegel-Restschema eine Macro-F1 von 96,2 % bei der 20-Klassen-Aufgabe erreicht, während das GRU-Übertragungschema eine 4,3-fache Beschleunigung der Inferenz bei nur 0,6 % Leistungskosten erzielt. Der Vergleich über 24 Schemata zeigt, dass die Qualität der Restmerkmale etwa 5-mal mehr zur diagnostischen Leistung beiträgt als die Architektur des Klassifikators, was das Prinzip „Restqualität zuerst“ etabliert.

Core Methodology

Die vorgestellte Methodologie zur Fehlersdiagnose für allgemeine Luftfahrzeuge nutzt einen Multi-Fidelity Digital Twin, der eine digitale Nachbildung des Flugzeugs und seiner Systeme darstellt. Der Digital Twin wird durch die JSBSim-Software erstellt, die eine hochgenaue Simulation der Flugdynamik ermöglicht. Diese Simulation generiert umfassende Daten zur Motorüberwachung, die für die Diagnose von entscheidender Bedeutung sind. Die Herausforderung, mit der Forscher konfrontiert sind, ist die begrenzte Verfügbarkeit realer Fehlerszenarien, was die Entwicklung robuster Diagnosewerkzeuge erschwert.

Um diese Herausforderung zu meistern, wird ein dreischichtiger Fehlerinjektor verwendet, der auf FMEA basiert. FMEA ist eine systematische Methode zur Identifizierung und Bewertung potenzieller Fehler und deren Auswirkungen. Durch die Simulation von 19 verschiedenen Motorschadenstypen können Forscher die physikalischen Ursachen und deren Auswirkungen auf die Leistung des Flugzeugs besser verstehen.

Ein weiterer innovativer Aspekt dieser Forschung ist die Verwendung eines Multi-Fidelity-Restberechnungsrahmens. Dieser Rahmen kombiniert hochgenaue und niederwertige Berechnungen, um die Diagnosegenauigkeit zu verbessern. Der hochgenaue Pfad nutzt nominale Spiegeltrajektorien, um klare Fehlersignale zu erfassen, während der niederwertige Pfad eine Echtzeitberechnung der Residuen ermöglicht, was die Reaktionszeit des Systems erheblich verkürzt.

Die Klassifikation der Fehler erfolgt durch einen 1D-CNN-Klassifikator, der die erfassten Daten analysiert und in 20 verschiedene Fehlertypen einordnet. Um die Ergebnisse der Klassifikation zu verbessern, wird ein LLM-gestützter Berichtsgenerator eingesetzt, der die Ergebnisse in verständlicher Form aufbereitet und interpretiert. Dies ist besonders wichtig für die Kommunikation zwischen Technikern und Ingenieuren, da es komplexe technische Informationen in eine zugängliche Sprache übersetzt.

Why this matters for the future

Die Entwicklung intelligenter Fehlersdiagnosesysteme ist von entscheidender Bedeutung für die Zukunft der Luftfahrtindustrie. Mit der zunehmenden Komplexität von Flugzeugsystemen und der Notwendigkeit, die Sicherheit und Effizienz zu maximieren, sind innovative Ansätze wie der hier vorgestellte unerlässlich. Die Integration von Multi-Fidelity Digital Twins und fortschrittlichen Datenanalysetools ermöglicht eine proaktive Wartung und schnellere Reaktionszeiten bei der Fehlerdiagnose.

Darüber hinaus zeigt die Forschung, dass die Qualität der Restmerkmale einen erheblichen Einfluss auf die diagnostische Leistung hat. Dies impliziert, dass zukünftige Entwicklungen in der Fehlersdiagnose nicht nur auf die Verbesserung der Klassifikationsalgorithmen abzielen sollten, sondern auch auf die Optimierung der Datenqualität und -verarbeitung. Durch die Etablierung des Prinzips „Restqualität zuerst“ wird ein neuer Standard für die Entwicklung von Diagnosewerkzeugen gesetzt, der die Effizienz und Genauigkeit in der Luftfahrtindustrie erheblich steigern kann.

Conclusion

Zusammenfassend lässt sich sagen, dass die in dieser Studie vorgestellte intelligente Fehlersdiagnose-Methode für allgemeine Luftfahrzeuge ein vielversprechender Schritt in Richtung einer sichereren und effizienteren Luftfahrt ist. Die Kombination aus hochgenauer Simulation, FMEA-gesteuerter Fehlerinjektion und fortschrittlichen Datenanalysetools bietet eine robuste Lösung für die Herausforderungen der Fehlersdiagnose. Die Ergebnisse der Experimente belegen die Wirksamkeit des Ansatzes und eröffnen neue Möglichkeiten für die Anwendung von KI in der Luftfahrttechnik. Zukünftige Forschungen sollten sich darauf konzentrieren, diese Methoden weiter zu verfeinern und in realen Anwendungen zu implementieren, um die Sicherheit und Zuverlässigkeit von Flugzeugen zu gewährleisten.