МАИ держит руку на пульсе, предлагая рынку перспективные и актуальные для отрасли проекты и продукты. А создателями этих продуктов являются не только сотрудники вуза, но и его студенты. Одной из таких разработок является система, которая позволит прогнозировать остаточный ресурс двигателей самолета. Причем эта система не просто заменит ушедший с российского рынка импортный аналог, но и будет иметь более широкий функционал, благодаря использованию ИИ, машинного обучения. Мы встретились с тимлидом команды, студенткой «цифровой кафедры» Московского авиационного института Дианой Бабинцевой, чтобы разобраться, что же это за система и в чем ее уникальность и перспективность.
— Диана, расскажите, пожалуйста, немного о себе: какова сфера ваших интересов, как давно занимаетесь проектной деятельностью?
Если рассматривать все сферы моих интересов, то музыка занимала и занимает значительную часть моей жизни, как и спорт.
Ну а проектной деятельностью я начала заниматься еще с начальной школы, накопила опыт выступлений, участвовала в нескольких хакатонах, защищала проекты на трех международных конференциях, в одной из которых была в качестве куратора. И сейчас продолжаю этим заниматься, потому что это расширяет кругозор, накапливает знания, навыки и опыт в разнообразных областях, знакомит с интересными людьми.
— Вместе с командой вы разработали умную систему для оценки ресурса авиадвигателей. Решение призвано стать заменой импортным системам. Расскажите об этом подробнее, пожалуйста.
Наша задача состоит в предсказании одного параметра EGTM (запаса температуры выхлопных газов) в системе мониторинга состояния двигателя по уже имеющимся в ней многочисленным параметрам. Наше решение базируется на модели машинного обучения, которая предсказывает значения данного параметра. Также модель обернута в удобный для работы с ней интерфейс. Имеется база данных, в которую можно добавлять новые данные, а также веб-демонстратор, в котором пользователь вводит необходимые ему параметры самолетов и двигателей и наш проект выводит графики выбранных параметров с указанными ограничениями.
— Как родилась идея?
Мы поступили на «цифровую кафедру» МАИ, и нас заинтересовал кейс с данной задачей предсказания параметра EGTM. Это оказался действительно классный кейс.
— На каком этапе работа? Когда планируете представить работающий образец?
Сейчас мы оптимизируем модель, налаживаем взаимодействие между всеми частями нашего проекта. Работающий образец планируем представить на защите на «цифровой кафедре» приблизительно в начале июля.
— В чем уникальность вашего решения?
Существует множество различных решений данной задачи, но, говоря про плюсы нашего решения, можно сказать, что использование модели машинного обучения позволяет иметь масштабируемый и адаптивный продукт, который можно дообучать и оптимизировать.
— Расскажите чуть подробнее об используемой технологии.
Машинное обучение — и есть наше решение. Мы обучили модель на известных данных, и теперь можем получать ее предсказания для новых данных. Конечно, для удобства представления информации у нас реализованы бэк- и фронт-части для хранения всех данных и для их удобного вывода пользователю в качестве графиков.
— Как работает архитектура и почему она более продвинутая по сравнению с теми, что существуют на рынке?
Если рассматривать именно задачу, которую мы решаем, то продвинутым наше решение является за счет внедрения машинного обучения. В этом есть свои преимущества и свои недостатки, как и в любом другом решении.
— А чем пользуются сегодня авиастроительные предприятия?
Для решения задачи контроля состояния двигателя компании обычно используют математические модели для расчета параметров. А мы предлагаем машинное обучение.
— Для каких компаний может быть актуальна данная разработка?
Данная разработка может быть актуальна для авиакомпаний, которые хотят уменьшить расходы на ресурсы, необходимые для обслуживания двигателей.
— Расскажите о вашей команде и сотрудничестве с S7 Tech Lab.
Наша команда состоит из студентов «цифровой кафедры» МАИ, объединенных общим интересом. Компания S7 Tech Lab представила нам этот кейс и консультировала нас по вопросам, которые появлялись во время разработки.
— Когда решение будет полностью готово к эксплуатации и каков будет его функционал в итоге?
Результатом будет модель, предсказывающая параметр запаса температуры выхлопных газов. А также веб-сервис, на котором пользователь указывает параметры, которые он хочет увидеть на графиках, а уже значения для этих графиков будут подтягиваться с обновляемой моделью базы данных.
— Как планируете развивать проект после завершения работы?
После завершения работы, если будет такая возможность, мы планировали бы улучшить точность предсказания модели, более тщательно изучить корреляции между известными параметрами.
Материал подготовлен при поддержке Минобрнауки России (соглашение от 03.05.2024 г. №075-15-2024-486).