Învățare automată în testarea componentelor

Învățare automată în testarea componentelor: revoluționarea asigurării calității pentru piesele aerospațiale și de apărare

Testarea riguroasă a componentelor aerospațiale și de apărare trece printr-o transformare profundă prin Machine Learning (ML). Trecând dincolo de pragurile statice de trecere/eșec, algoritmii ML analizează seturi de date vaste și multivariate din ciclurile de testare pentru a descoperi modele subtile, pentru a prezice fiabilitatea pe termen lung și pentru a optimiza procesul de testare în sine. Acest ghid explorează modul în care ML îmbunătățește validarea și calificarea componentelor critice, cum ar fi releele de aviație militară , senzorii de aviație și contactorii pentru avioane . Pentru managerii de achiziții care solicită cele mai înalte niveluri de calitate și date de performanță predictivă pentru motoarele de avioane , sistemele UAV și avioane , înțelegerea rolului ML în testare este esențială pentru a lua decizii informate de aprovizionare.

Dinamica industriei: de la testarea conformității la inteligența predictivă a calității

Industria trece de la a vedea testarea ca un punct de control al conformității la a le folosi ca o sursă de Inteligență Predictive a Calității (PQI) . Aplicând ML datelor de testare istorice și în timp real, producătorii pot trece de la detectarea defectelor la predicția și prevenirea acestora. Acest lucru este deosebit de important pentru componentele complexe în care modurile de defecțiune nu sunt întotdeauna evidente din verificările unui singur parametru. Pentru un senzor de motor de aviație de înaltă calitate sau un contactor de aeronavă care consumă putere, ML poate corela variațiile subtile ale semnăturilor electrice în timpul testului final cu performanța pe teren pe termen lung, permițând identificarea unităților „limită” care ar putea trece testele tradiționale, dar prezintă un risc mai mare de defecțiune timpurie.

Aplicații ML cheie în fluxul de lucru de testare a componentelor

ML este integrat în întregul continuum de testare:

• Îmbunătățirea inspecției vizuale automate (AVI): viziunea computerizată bazată pe ML depășește AVI tradițional bazat pe reguli, învățând să identifice defectele complexe și nuanțate - cum ar fi micro-fisurile în corpurile ceramice ale fuzibilelor de aviație , calitatea inconsecventă a îmbinărilor de lipire sau imperfecțiunile suprafeței conectorilor - cu consistență și viteză supraomenească.
• Detectarea anomaliilor în datele din seria de timp de testare: în timpul testării ciclului de viață a unui releu de aviație militară , modelele ML analizează parametri cum ar fi sărirea contactului, curentul bobinei și temperatura pe mii de cicluri. Ei învață semnătura „normală” și pot semnala abateri subtile care indică mecanismele de uzură emergente cu mult înainte de apariția unei defecțiuni grave.
• Optimizarea testelor și secvențierea adaptivă a testelor: algoritmii ML pot analiza care teste sunt cele mai predictive pentru calitatea finală pentru un anumit lot. Aceștia pot adapta în mod dinamic planurile de testare, potențial scurtând timpul de testare prin eliminarea verificărilor redundante sau concentrând resursele pe cele mai revelatoare teste pentru acel context de producție specific.
• Corelații predictive și analiza cauzei principale: prin analiza datelor din procesul de fabricație (de exemplu, lotul de material, parametrii mașinii, condițiile de mediu), ML poate identifica corelații complexe, neliniare pe care analiștii umani le-ar pierde. Acest lucru accelerează analiza cauzei principale atunci când are loc o eșec de testare, legându-l înapoi la pași specifici procesului.

Priorități de achiziții: 5 preocupări esențiale privind testarea ML de la cumpărătorii ruși și CSI de apărare

Atunci când evaluează capacitățile de testare îmbunătățite de ML ale furnizorilor, echipele de achiziții se concentrează pe rezultate verificabile și pe transparență:

1. Validarea algoritmului, explicabilitatea și calea de acceptare a reglementărilor: Cumpărătorii au nevoie de dovezi că modelele ML au fost validate riguros în raport cu seturi de date cunoscute bune și cunoscute proaste. Ei au nevoie din ce în ce mai mult de IA explicabilă (XAI) — să înțeleagă de ce o componentă a fost semnalată, nu doar că a fost. Un argument clar pentru modul în care constatările ML se aliniază sau îmbunătățesc cerințele tradiționale de certificare (conform DO-254 , planurile de testare MIL-STD-810 ) este esențial.
2. Proveniența datelor, calitatea și atenuarea părtinirii: zicala „gunoi în, gunoi afară” este primordial. Furnizorii trebuie să documenteze proveniența și calitatea datelor de instruire. Cumpărătorii examinează procesele pentru a se asigura că modelele ML nu sunt părtinitoare de date nereprezentative (de exemplu, instruite numai pe loturi de producție de vară) care ar putea duce la respingeri incorecte sau, mai rău, acceptări incorecte ale componentelor pentru utilizarea trenurilor sau avioanelor.
3. Integrarea cu sistemele existente de management al calității (QMS): informațiile ML trebuie să fie alimentate direct în QMS-ul furnizorului (de exemplu, AS9100 ). Cum sunt convertite alertele bazate pe ML în rapoarte de neconformitate (NCR) sau acțiuni corective și preventive (CAPA)? Procesul trebuie să fie documentat și auditabil.
4. Rate fals pozitive/fals negative și impact economic: Furnizorii trebuie să furnizeze date statistice solide cu privire la performanța modelului: rata sa fals pozitivă (scăparea inutilă a părților bune) și rata falsului negativ (lipsește o piesă defectă). Compensațiile economice și de risc ale acestor rate trebuie să fie înțelese și convenite, deoarece acestea au un impact direct asupra costurilor și siguranței.
5. Monitorizarea performanței modelului pe termen lung și strategia de actualizare: modelele ML se pot „deriva” pe măsură ce procesele de fabricație sau materialele se schimbă. Cumpărătorii au nevoie de o strategie a furnizorului pentru monitorizarea continuă a performanței modelului și de un proces clar și controlat pentru recalificarea și actualizarea modelelor cu date noi pentru a asigura acuratețea susținută de-a lungul anilor de producție.

Ecosistemul de calitate bazat pe date YM, alimentat de Machine Learning

Am construit o infrastructură de calitate centrată pe date la scara fabricii și la facilitățile noastre. Fiecare echipament de testare – de la stațiile de testare automate pentru senzori de aviație până la testele de viață de mare curent pentru contactori de aviație militară – este un nod de date. Acest flux de date vast, sincronizat în timp, alimentează Platforma noastră centrală de analiză a producției , unde funcționează modelele ML proprietare. De exemplu, modelele noastre analizează profilul curent de aprindere al fiecărui contactor de aeronavă în timpul testului final, comparându-l cu un profil de aur rafinat din milioane de teste anterioare pentru a prezice caracteristicile mecanice de uzură.

Această capacitate este un rezultat direct al echipei noastre de cercetare și dezvoltare și al inovației în știința datelor și procesarea semnalului. Echipa noastră include specialiști care dezvoltă modele de învățare nesupravegheată pentru a descoperi anomalii necunoscute și modele de învățare supravegheată pentru a prezice anumite moduri de eșec. O inovație cheie este aplicarea ML pentru datele de screening de burn-in și de stres de mediu (ESS) , unde identificăm semnături subtile de eșec timpuriu care ne permit să eliminam unitățile de mortalitate infantilă cu o precizie fără precedent, sporind fiabilitatea fiecărei componente livrate. Explorați tehnologia noastră de calitate predictivă .

Pas cu pas: Implementarea unui program de testare îmbunătățit ML

Organizațiile pot adopta ML în testare printr-o abordare structurată, iterativă:

1. Faza 1: Fundația datelor și instrumentația:
   • Asigurați-vă că toate echipamentele de testare pot exporta date de înaltă fidelitate, în serie de timp (nu doar rezultate de promovare/eșec).
   • Centralizați și curățați datele istorice ale testelor, etichetându-le cu rezultate cunoscute (de exemplu, „a eșuat în câmp la 500 de ore”, „a trecut testul de viață de 10.000 de ore”).
2. Faza 2: Proiect pilot pe o componentă de mare valoare:
   • Selectați o componentă cu moduri de defecțiune complexe cunoscute (de exemplu, un contor de aviație specific pentru dronă sau tip releu).
   • Dezvoltați și antrenați un model ML inițial concentrat pe o predicție unică și valoroasă, cum ar fi identificarea unităților care ar putea să nu se încadreze în specificațiile de calibrare în decurs de un an.
3. Faza 3: Validare și integrare în fluxul de lucru:
   1. Rulați modelul ML în „modul umbră” alături de testarea tradițională pentru un lot semnificativ.
   2. Validați-i previziunile față de rezultatele reale (de exemplu, prin teste extinse de fiabilitate).
   3. Integrați alertele de model validate în fluxul de lucru al tehnicianului de calitate prin sistemul digital de management al calității .
4. Faza 4: Scalare și îmbunătățire continuă: Extindeți ML la alte linii de produse și tipuri de teste. Folosiți informațiile ML pentru a îmbunătăți procesele (de exemplu, ajustarea unui parametru de prelucrare marcat ca fiind corelat cu variația ulterioară a testului). Stabiliți o buclă de feedback continuă în care datele de fiabilitate din câmp sunt utilizate pentru a reinstrui și a îmbunătăți modelele de testare.

Standarde din industrie și cele mai bune practici în evoluție pentru ML în testare

Construirea încrederii în deciziile bazate pe date

În timp ce standardele formale pentru ML în testare sunt în curs de dezvoltare, cadrele și cele mai bune practici apar:

• ISO/IEC 22989:2022 și ISO/IEC 23053:2022: Cadru pentru concepte și terminologie de inteligență artificială (AI), oferind un lexic de bază.
• AS9100:2016 (Managementul calității) și AS9102 (Inspecția primului articol): principiile dovezilor obiective, controlului procesului și îmbunătățirii continue în cadrul acestor standarde oferă baza sistemului de calitate în care ML trebuie să se integreze.
• MIL-STD-882E (Siguranța sistemului): Utilizarea ML în testare trebuie să sprijine procesul general de evaluare a siguranței, necesitând transparență în ceea ce privește modul în care constatările ML se referă la analiza pericolelor.
• NIST AI Risk Management Framework (AI RMF): Oferă linii directoare voluntare pentru gestionarea riscurilor asociate cu AI, inclusiv aspecte de validitate, fiabilitate, siguranță și corectitudine – aplicabile direct algoritmilor de testare.
• Guvernanța modelului intern: Furnizorii de top implementează politici interne riguroase de guvernare a modelului ML care acoperă dezvoltarea, validarea, implementarea și monitorizarea, depășind adesea liniile directoare externe emergente.

Analiza tendințelor din industrie: gemeni digitali pentru simularea testelor, învățarea federată și sistemele de testare cu auto-vindecare

Convergența ML cu alte tehnologii definește viitorul testării: gemeni digitali de componente vor fi utilizați pentru a simula miliarde de cicluri virtuale de testare în diferite condiții, ML fiind folosit pentru a analiza aceste simulări și pentru a proiecta campanii de testare optime, minime în lumea reală. Federated Learning va permite mai multor furnizori sau departamente să îmbunătățească în colaborare modelele de testare ML fără a partaja date brute proprietare, îmbunătățind standardele de calitate la nivel de industrie. În cele din urmă, vom vedea creșterea sistemelor de testare cu auto-vindecare și auto-optimizare , în care ML nu numai că analizează rezultatele testelor, ci și ajustează parametrii echipamentelor de testare în timp real pentru a obține cele mai informative date sau pentru a compensa deviația senzorului.

Întrebări frecvente (FAQ) pentru managerii de calitate și achiziții