[论文解读] Data-Driven Aerospace Engineering: Reframing the Industry with Machine Learning

Steven L. Brunton, J. Nathan Kutz+10 more|arXiv (Cornell University)|Aug 24, 2020

Radiative Heat Transfer Studies被引用 5

一句话总结

本文提出通过机器学习实现航空航天工程的数据驱动转型，强调可解释性、可泛化性和可认证性模型，以应对安全关键应用的需求。该研究提出一个框架，将物理信息机器学习与工业数据流水线相结合，以提升设计、制造和认证水平——证明机器学习可增强而非取代传统工程方法，同时解决现实航空航天系统中监管与可扩展性方面的挑战。

ABSTRACT

Data science, and machine learning in particular, is rapidly transforming the scientific and industrial landscapes. The aerospace industry is poised to capitalize on big data and machine learning, which excels at solving the types of multi-objective, constrained optimization problems that arise in aircraft design and manufacturing. Indeed, emerging methods in machine learning may be thought of as data-driven optimization techniques that are ideal for high-dimensional, non-convex, and constrained, multi-objective optimization problems, and that improve with increasing volumes of data. In this review, we will explore the opportunities and challenges of integrating data-driven science and engineering into the aerospace industry. Importantly, we will focus on the critical need for interpretable, generalizeable, explainable, and certifiable machine learning techniques for safety-critical applications. This review will include a retrospective, an assessment of the current state-of-the-art, and a roadmap looking forward. Recent algorithmic and technological trends will be explored in the context of critical challenges in aerospace design, manufacturing, verification, validation, and services. In addition, we will explore this landscape through several case studies in the aerospace industry. This document is the result of close collaboration between UW and Boeing to summarize past efforts and outline future opportunities.

研究动机与目标

• 为应对航空航天工程中日益增长的数据驱动方法需求，其中普遍存在复杂、多目标、有约束的优化问题。
• 识别并克服在安全关键型航空航天系统中部署机器学习时的关键挑战，包括可解释性、泛化能力与监管合规性。
• 通过利用来自设计、制造和在轨运行的真实世界数据，弥合机器学习学术进展与航空航天工业应用之间的差距。
• 倡导一种新的航空航天研发范式，将领域专业知识与数据科学能力相结合，形成跨学科团队的协同创新。
• 提出一条在现有及不断演进的监管框架下，确保可靠性、可追溯性与认证性的机器学习在航空航天领域应用的路线图。

提出的方法

• 将基于物理的模型与数据驱动的机器学习相结合，构建混合系统，以提升高维、非凸优化问题中的准确性与可靠性。
• 应用稀疏且鲁棒的机器学习算法，实时从大规模、多模态的航空航天数据流中提取关键特征，降低数据持有成本，支持边缘计算。
• 提出一种模型可解释性与可解释性的框架，以支持监管认证，特别是在具有非确定性行为的系统中。
• 利用波音公司与华盛顿大学的案例研究，展示机器学习在飞机设计、制造及在轨监控中的实际部署。
• 强调使用统计与概率模型以支持符合安全法规，特别是在传统确定性验证不足的系统中。
• 倡导从数据孤岛向集成化、安全化与实时化的数据架构转变，以支持持续分析，同时不干扰现有系统。

实验结果

研究问题

• RQ1 如何有效将机器学习整合到航空航天工程工作流程中，以在保障安全与可靠性的前提下，提升设计、制造与认证水平？
• RQ2 在安全关键型航空航天系统中部署可解释且可认证的机器学习模型时，面临的关键技术与监管挑战是什么？
• RQ3 物理信息机器学习模型如何提升泛化能力，并减少在数据稀缺的航空航天应用中对大规模数据的依赖？
• RQ4 为实现航空航天工程师、数据科学家与IT专家在数据驱动型航空航天研发中的无缝协作，需要哪些架构与组织变革？
• RQ5 如何在不替换现有基础设施或损害安全性与控制权的前提下，在传统航空航天系统中实现实时数据分析？

主要发现

• 机器学习技术，尤其是与基于物理的模型结合时，为解决航空航天工程中常见的高维、有约束、多目标优化问题提供了强大方法。
• 波音787在飞行测试期间产生超过200,000个传感器信号，其航电系统包含1800万行代码，凸显了可用于机器学习应用的数据规模。
• 尽管数据量巨大，许多航空航天系统仍依赖于传统数据存储与处理流水线，造成瓶颈，阻碍实时分析与模型部署。
• 本文识别出‘数据持有成本’——即花在数据整理上的时间多于数据分析时间——是一个主要风险，主张采用边缘计算与特征提取的‘智能数据’策略。
• 监管合规性仍是关键障碍，因为当前民用航空标准基于确定性原则，难以应对非确定性、数据驱动的模型。
• 在安全关键场景中，将统计与概率方法整合到认证流程中，对于验证机器学习模型至关重要，尤其是在传统确定性验证失效的情况下。