Информация о том, что ИИ внедряется во все новые отрасли, уже никого не удивляет: медицина, различные виды производства, научные исследования и многие другие сферы применяют нейросети. О том, как ИИ и нейросети используются в космосе, в работе ракетостроительных предприятий и серийном производстве космических аппаратов, мы поговорили с выпускником института № 3 «Системы управления, информатика и электроэнергетика» Московского авиационного института Степаном Бокаревым, который разработал методику идентификации повреждений солнечных панелей космических аппаратов с помощью нейронной сети.
— Степан, как родилась идея вашей разработки?
В бакалавриате я изучал разнообразные дисциплины, связанные с системами искусственного интеллекта, численными методами, имитационным моделированием и нейрокомпьютерными системами. Меня заинтересовала область нейронных сетей, их создание и применение в различных областях, и одна из таких прикладных сфер, как компьютерное зрение. Этой теме я посвятил дипломную работу. Мне хотелось применить знания в области компьютерного зрения и реализовать проект. Первоначально идея была связана с контролем сборки космических аппаратов, что позволило бы анализировать, соблюдает ли сборщик регламент соединения деталей. Но после некоторых раздумий решили декомпозировать задачу и составить методику обнаружения дефектов на панелях солнечных батарей на основе нейронной сети. Ведь эффективность и надежность батарей напрямую влияет на успех и продолжительность выполнения целевых задач в космосе и из космоса. Кроме того, в настоящее время активно развивается использование солнечных батарей на Земле.
— Что собой представляет разработанная вами методика идентификации повреждений солнечных панелей космических аппаратов?
Методика дает возможность применения нейронных сетей и компьютерного зрения для анализа изображений панелей солнечных батарей для идентификации повреждений на их поверхности в процессе серийного производства и подготовки космических аппаратов к запуску на орбиту. Я разметил дата-сет по шести классам: загрязнение, пыль, электрическое повреждение, физическое повреждение, сколы, исправные. После этого провел расширение массива данных, применив аугментацию. Получилось собрать массив из 40 тыс. изображений. После выбрал архитектуру нейронной сети, чтобы эффективно распознавать дефекты. Выбор сделал на Yolo v8, потому что она позволяет в режиме близком к реальному выдавать данные с просмотренных изображений — это одно из преимуществ, чтобы перейти к автоматизированному производству. А затем исследовал оптимальное значение доверия к результатам работы нейронной сети. Очень важно найти баланс, чтобы цена ошибки и качество были оптимальными.
— Как работает методика?
Сама методика создана в качестве системы поддержки принятия решений. Нейронная сеть позволяет анализировать входной видеопоток, давать в режиме реального времени статистическую информацию о найденных дефектах на поверхности солнечных батарей. Эту информацию она выдает в виде таблицы для оператора. Есть моменты, когда нейронная сеть сомневается, к какому классу принадлежит та или иная солнечная панель, тогда эти изображения попадают в лист ожидания перепроверки оператором.
К слову, эту методику обнаружения дефектов можно использовать в процессе автоматизированного и роботизированного производства космических аппаратов, а также на орбите в ходе их эксплуатации по целевому назначению.
— Есть аналоги?
В ходе исследования рынка я узнал про компанию «Солтех». Они занимаются анализом видеопотока для обнаружения повреждений солнечных батарей на этапе производства. Они могут с высокой точностью определить, на каком технологическом этапе и на каком оборудовании возник дефект.
— Какие дефекты может обнаружить ваша система?
Загрязнение, пыль, электрическое повреждение, физическое повреждение, сколы.
Еще могут быть микротрещины, которые очень сложно увидеть с расстояния больше чем в 30 см. А еще проблемы с несоответствием вырабатываемой мощности, например из-за старения фоточувствительных элементов.
— А как сегодня ищут подобные дефекты при производстве?
Есть несколько способов, различающихся по количеству затрачиваемого времени и точности.
Первый способ, простой и доступный, — визуальный осмотр экспертом.
Второй представляет собой бесконтактное исследование — использование тепловизионной камеры. Третий помогает обнаруживать микротрещин, скрытых дефектов — электролюминесценция. Четвертый — измерение напряжения тока. Мой способ — идентификация с применением нейронной сети, который может помочь повысить скорость визуального осмотра и достоверность распознавания. Это, в свою очередь, позволит не допустить отказа целевых функций космического аппарата из-за потери возможности электрогенерации.
— Какими предприятиями может быть востребована ваша разработка?
Уверен, что ИТ-компаниями, являющимися интеграторами технологий для Роскосмоса.
— На какой стадии работа сейчас?
Сейчас дописываю статью для сборника НИРС МАИ под руководством научрука. Реализовано обучение сети, при тестировании результаты показали потенциал применения нейронных сетей в автоматизации процессов диагностики состояния солнечных панелей и в перспективе могут способствовать значительному улучшению обслуживания и эксплуатации солнечных панелей.
— Как планируете развивать проект?
Планирую заняться реализацией системы поддержки принятия решения для оператора. Сейчас это задача трудоемкая по часам и требует сотрудничества с реальными данными солнечных панелей. Пока же использовал только данные из открытых источников интернета.
— С какими еще примерами применения ИИ в ракетостроении вы сталкивались?
Коммерческие решения встретил пока в компании «Сколтех» при производстве панелей. Также одногруппник занимается компьютерным зрением для мониторинга эксплуатации и ремонта ракет-носителей при развертывании орбитальных группировок
Разработка «Методика идентификации повреждений солнечных панелей космических аппаратов с помощью нейронной сети» заняла призовое место на 50-й Международной молодежной научной конференции «Гагаринские чтения» в секции «Интеллектуальные системы и авиационное вооружение», и была высоко оценена экспертами.