マイページに保存

最終更新日：2020/06/24

このコーナーでは、製造業向けＡＩの最新研究をお届けしていきます。サクッと業界のトレンドにキャッチアップしましょう！今回のトピックスは以下の５つです！

今週のラインナップ
1. 衝突回避システムを改良
2. 座席の最適化
3. 空力係数を予測
4. 飛行状態の同定
5. 機体の欠陥検出

バックナンバーはこちら

衝突回避システムを改良

航空機の衝突回避システムを設計するためのアプローチの一つは、問題をマルコフ意思決定プロセスとしてフレーム化し、動的計画法を用いてシステムを最適化することです。この方法は、有人機および無人機の衝突回避システムの開発に使用されてきました。しかし、状態空間の高次元性により、結果として得られる衝突回避戦略の数値表は非常に大きなサイズになってしまいます。

アメリカの研究チームは、記憶効率を向上させるために、ディープニューラルネットワークを用いて数値表を近似します。非対称損失関数と勾配降下アルゴリズムを使用してこのネットワークのパラメータを訓練することで、各状態に対して相対的な優先度を維持しながら、テーブルの正確な推定値を割り出すことができます。

シミュレーションの結果、このネットワークが衝突回避システムの安全性と効率を向上させることが示されました。また、記憶させる必要があるのはネットワークのパラメータのみであるため、必要な記憶容量を削減することができます。その結果、現行の航空電子機器システムでも動作することが可能となりました。

元論文：Deep Neural Network Compression for Aircraft Collision Avoidance Systems

座席の最適化

航空機のシートピッチは、乗客が飛行機の中で長時間快適に座ることができるかどうかを左右する最も重要な要因の一つです。

中国の研究チームは、異なるシートピッチと全体的な快適性指数、およびシートとシート間の圧力変数との関連を説明し、航空機のシートの快適性を予測しました。

その結果、全体的な快適性指数は、異なるシートピッチ間で統計的に有意（p < 0.05）でしたが、界面圧力変数には統計的に有意な差（p > 0.05）はなかったことが示されました。

さらに、1つの隠れ層を持つ多層フィードフォワードニューラルネットワークを提案しました。このモデルは、二乗平均誤差（RMSE）で、全体的な快適性指数の分散の99%を説明しました。全データの残りの部分を検証に使用したところ、相関はr = 0.775、p < 0.01、RMSEは1.21031でした。これは、このモデルが実際の快適性指数と予測された全体的な快適性指数の間に有意な関係を持っていることを示唆しています。

元論文：Predicting aircraft seat comfort using an artificial neural network

空力係数の予測

航空機の設計・製造においては、対称翼と非対称翼の両方が広く使用されており、それぞれ異なる空力特性を有しています。飛行性能を向上させ、飛行の安全性を確保するためには、これらの翼の空力係数を求める必要があります。空力係数の生成には、様々な手法が用いられています。予測モデルは、コストと時間を効果的に削減できる有望な手法です。

中国の研究チームは、畳み込みニューラルネットワーク（CNN）に基づいた複数の翼の空力係数の予測手法を提案しました。まず、翼型画像と流動条件畳み込みを用いて、変形翼型画像（TAI）を構築しました。次に、TAIを元の翼画像と結合して合成翼画像（CAI）を作成し、CNN予測モデルの入力とします。そして、CAIの特徴に応じて予測モデルの構造とパラメータを設計しました。

シミュレーションの結果、CNNに基づく提案された手法は、ピッチ・モーメント、抗力、揚力係数を同時に高精度で予測できることが示されました。

元論文：Multiple Aerodynamic Coefficient Prediction of Airfoils Using a Convolutional Neural Network

飛行状態の同定

空中での主翼構造物の振動は、飛行状態が変化した場合の空力-機械連成応答を反映しており、その状態は迎角と対気速度によって定義されます。このような複雑な振動信号から飛行状態を特定することは非常に困難です。

中国の研究チームは、風洞実験により製作した自己感知翼の振動から有用な特徴を自動的に抽出する1次元畳み込みニューラルネットワーク（CNN）を開発しました。群ベースの進化的アルゴリズム（EA）を用いてCNNの主要なパラメータを最適化することで、人間の労力を大幅に削減することができます。

2つのケーススタディにより検証を行った結果、標準的なディープラーニング手法と比較して、提案された手法は高精度で飛行状態の識別が可能であり、モデルのロバスト性が実証されました。次世代のインテリジェント航空機に向けた自己認識の新たな視点を提供しました。

元論文：A Self-Adaptive 1D Convolutional Neural Network for Flight-State Identification

機体の欠陥検出

航空機の欠陥は航空機構造物のひび割れによって引き起こされることが多いため、航空機におけるひび割れ検査は、航空産業で長い間重要な役割を果たしてきました。しかし、既存のアプローチでは、航空機構造物画像の複雑性のために、時間がかかったり、精度が悪かったりするという問題がありました。

中国の研究チームは、深さ方向分離可能畳み込み、特徴ピラミッド、YOLOv3を組み合わせたYOLOv3-Lite法を提案しました。深さ方向分離可能畳み込みは、パラメータを削減し、亀裂の特徴を効果的に抽出するためのネットワークを設計します。特徴ピラミッドは、低解像度にある特徴を高解像度で結合し、より有意な特徴として得ることができます。YOLOv3は、バウンディングボックスの作成に用いられます。

YOLOv3-Liteは、高速かつ高精度な亀裂検出手法であり、機体やエンジンブレードなどにも適用可能です。その結果、検出精度をほとんど損なうことなく、YOLOv3-Liteの速度はYOLOv3と比較して50%以上向上していることがわかりました。YOLOv3-Liteは最先端の性能に到達できると結論づけられます。

元論文：YOLOv3-Lite: A Lightweight Crack Detection Network for Aircraft Structure Based on Depthwise Separable Convolutions

詳しい解説や更なるリサーチ

以上で紹介した最新の研究をはじめとした網羅的な製造業向けリサーチ・データベースを利用されたい方がいらっしゃいましたら、法人・個人問わず、以下のアドレスからお問い合わせくださいね！

customer-support@parks-inc.com

今週の5本・製造AI編バックナンバーはこちら

マイページに保存