Aprendizado de máquina em testes de componentes

Aprendizado de máquina em testes de componentes: revolucionando a garantia de qualidade para peças aeroespaciais e de defesa

Os testes rigorosos de componentes aeroespaciais e de defesa estão passando por uma profunda transformação por meio do Machine Learning (ML). Indo além dos limites estáticos de aprovação/reprovação, os algoritmos de ML analisam conjuntos de dados vastos e multivariados de ciclos de teste para descobrir padrões sutis, prever a confiabilidade de longo prazo e otimizar o próprio processo de teste. Este guia explora como o ML está aprimorando a validação e qualificação de componentes críticos, como relés de aviação militar , sensores de aviação e contatores de aeronaves . Para gerentes de compras que exigem os mais altos níveis de qualidade e dados de desempenho preditivos para motores de aeronaves , sistemas UAV e aviões , compreender o papel do ML nos testes é fundamental para tomar decisões de fornecimento informadas.

Dinâmica da Indústria: Dos Testes de Conformidade à Inteligência Preditiva de Qualidade

A indústria está deixando de ver os testes como um ponto de verificação de conformidade para aproveitá-los como uma fonte de Inteligência de Qualidade Preditiva (PQI) . Ao aplicar ML a dados de testes históricos e em tempo real, os fabricantes podem passar da detecção de defeitos à previsão e prevenção deles. Isto é particularmente impactante para componentes complexos onde os modos de falha nem sempre são óbvios nas verificações de parâmetro único. Para um sensor de motor de aviação de alta qualidade ou um contator de aeronave que consome muita energia, o ML pode correlacionar variações sutis nas assinaturas elétricas durante o teste final com o desempenho de campo de longo prazo, permitindo a identificação de unidades "limítrofes" que podem passar nos testes tradicionais, mas correm maior risco de falha precoce.

Principais aplicativos de ML no fluxo de trabalho de teste de componentes

O ML está sendo integrado em todo o continuum de testes:

• Aprimoramento da inspeção visual automatizada (AVI): a visão computacional alimentada por ML supera o AVI tradicional baseado em regras, aprendendo a identificar defeitos complexos e diferenciados, como microfissuras em corpos cerâmicos de fusíveis de aviação , qualidade inconsistente de juntas de solda ou imperfeições superficiais em conectores, com consistência e velocidade sobre-humanas.
• Detecção de anomalias em dados de série temporal de teste: Durante o teste do ciclo de vida de um relé de aviação militar , os modelos de ML analisam parâmetros como salto de contato, corrente da bobina e temperatura ao longo de milhares de ciclos. Eles aprendem a assinatura “normal” e podem sinalizar desvios sutis indicativos de mecanismos de desgaste emergentes muito antes de ocorrer uma falha grave.
• Otimização de testes e sequenciamento adaptativo de testes: algoritmos de ML podem analisar quais testes são mais preditivos da qualidade final de um determinado lote. Eles podem adaptar planos de teste dinamicamente, reduzindo potencialmente o tempo de teste, eliminando verificações redundantes ou concentrando recursos nos testes mais reveladores para aquele contexto de produção específico.
• Correlações preditivas e análise de causa raiz: Ao analisar dados em todo o processo de fabricação (por exemplo, lote de material, parâmetros da máquina, condições ambientais), o ML pode identificar correlações complexas e não lineares que os analistas humanos não perceberiam. Isso acelera a análise da causa raiz quando ocorre uma falha no teste, vinculando-a a etapas específicas do processo.

Prioridades de aquisição: cinco principais preocupações em testes de ML de compradores de defesa russos e da CEI

Ao avaliar os recursos de testes aprimorados por ML dos fornecedores, as equipes de compras se concentram em resultados verificáveis ​​e na transparência:

1. Validação de algoritmo, explicabilidade e caminho de aceitação regulatória: os compradores exigem evidências de que os modelos de ML foram rigorosamente validados em relação a conjuntos de dados conhecidos como bons e conhecidos como ruins. Eles exigem cada vez mais IA explicável (XAI) — entender por que um componente foi sinalizado, e não apenas que foi. É essencial um argumento claro sobre como as descobertas de ML se alinham ou melhoram os requisitos de certificação tradicionais (de acordo com os planos de teste DO-254 e MIL-STD-810 ).
2. Proveniência, qualidade e mitigação de preconceitos dos dados: O ditado “entra lixo, sai lixo” é fundamental. Os fornecedores devem documentar a procedência e a qualidade dos dados de treinamento. Os compradores examinam os processos para garantir que os modelos de ML não sejam influenciados por dados não representativos (por exemplo, treinados apenas em lotes de produção de verão) que poderiam levar a rejeições incorretas ou, pior, a aceitações incorretas de componentes para uso em trens ou aeronaves.
3. Integração com sistemas de gestão de qualidade (SGQ) existentes: os insights de ML devem alimentar diretamente o SGQ do fornecedor (por exemplo, AS9100 ). Como os alertas baseados em ML são convertidos em Relatórios de Não Conformidade (NCRs) ou Ações Corretivas e Preventivas (CAPA)? O processo deve ser documentado e auditável.
4. Taxas de falsos positivos/falso negativos e impacto econômico: Os fornecedores devem fornecer dados estatisticamente sólidos sobre o desempenho do modelo: sua taxa de falsos positivos (descarte desnecessário de peças boas) e taxa de falsos negativos (falta de uma peça defeituosa). As compensações económicas e de risco destas taxas devem ser compreendidas e acordadas, uma vez que têm impacto directo nos custos e na segurança.
5. Estratégia de atualização e monitoramento do desempenho do modelo de longo prazo: os modelos de ML podem "derivar" à medida que os processos de fabricação ou os materiais mudam. Os compradores exigem uma estratégia do fornecedor para monitorar continuamente o desempenho do modelo e um processo claro e controlado para reciclagem e atualização de modelos com novos dados para garantir precisão sustentada ao longo dos anos de produção.

Ecossistema de qualidade baseado em dados da YM, alimentado por aprendizado de máquina

Construímos uma infraestrutura de qualidade centrada em dados em toda a nossa fábrica e instalações . Cada equipamento de teste – desde estações de teste automatizadas para sensores de aviação até testadores de vida útil de alta corrente para contatores de aviação militar – é um nó de dados. Esse vasto fluxo de dados sincronizado no tempo alimenta nossa plataforma central de análise de manufatura , onde operam modelos proprietários de ML. Por exemplo, nossos modelos analisam o perfil da corrente de partida de cada contator de aeronave durante o teste final, comparando-o com um perfil dourado refinado de milhões de testes anteriores para prever as características de desgaste mecânico.

Essa capacidade é resultado direto de nossa equipe de P&D e inovação em ciência de dados e processamento de sinais. Nossa equipe inclui especialistas que desenvolvem modelos de aprendizagem não supervisionada para descobrir anomalias desconhecidas e modelos de aprendizagem supervisionada para prever modos de falha específicos. Uma inovação importante é a nossa aplicação de ML a dados de burn-in e de triagem de estresse ambiental (ESS) , onde identificamos assinaturas sutis de falha precoce que nos permitem eliminar unidades de mortalidade infantil com precisão sem precedentes, aumentando a confiabilidade de cada componente enviado. Explore nossa tecnologia de qualidade preditiva .

Passo a passo: implementando um programa de testes aprimorados por ML

As organizações podem adotar ML em testes por meio de uma abordagem estruturada e iterativa:

1. Fase 1: Fundação de Dados e Instrumentação:
   • Garanta que todos os equipamentos de teste possam exportar dados de série temporal de alta fidelidade (não apenas resultados de aprovação/reprovação).
   • Centralize e limpe os dados históricos dos testes, rotulando-os com resultados conhecidos (por exemplo, "reprovou em campo às 500 horas", "passou no teste de vida útil de 10.000 horas").
2. Fase 2: Projeto Piloto em um Componente de Alto Valor:
   • Selecione um componente com modos de falha complexos e conhecidos (por exemplo, um medidor de aviação específico para drone ou tipo de relé).
   • Desenvolva e treine um modelo inicial de ML focado em uma previsão única e valiosa, como a identificação de unidades que provavelmente ficarão fora das especificações de calibração dentro de um ano.
3. Fase 3: Validação e Integração no Fluxo de Trabalho:
   1. Execute o modelo de ML no "modo sombra" junto com os testes tradicionais para um lote significativo.
   2. Valide suas previsões em relação aos resultados reais (por exemplo, por meio de testes de confiabilidade estendidos).
   3. Integre alertas de modelos validados ao fluxo de trabalho do técnico de qualidade por meio do sistema digital de gerenciamento de qualidade .
4. Fase 4: Dimensionamento e melhoria contínua: Expanda o ML para outras linhas de produtos e tipos de testes. Use insights de ML para impulsionar melhorias no processo (por exemplo, ajustar um parâmetro de usinagem sinalizado como correlacionado com a variação de teste posterior). Estabeleça um ciclo de feedback contínuo onde os dados de confiabilidade de campo sejam usados ​​para treinar novamente e melhorar os modelos de teste.

Padrões do setor e práticas recomendadas em evolução para ML em testes

Construindo confiança em decisões baseadas em dados

Embora os padrões formais para ML em testes sejam incipientes, estruturas e práticas recomendadas estão surgindo:

• ISO/IEC 22989:2022 e ISO/IEC 23053:2022: Estrutura para conceitos e terminologia de Inteligência Artificial (IA), fornecendo um léxico fundamental.
• AS9100:2016 (Gestão da Qualidade) e AS9102 (Inspeção do Primeiro Artigo): Os princípios de evidência objetiva, controle de processo e melhoria contínua dentro desses padrões fornecem a base do sistema de qualidade na qual o ML deve se integrar.
• MIL-STD-882E (Segurança do Sistema): O uso de ML em testes deve apoiar o processo geral de avaliação de segurança, exigindo transparência na forma como as descobertas de ML se relacionam com a análise de perigos.
• Estrutura de gerenciamento de riscos de IA do NIST (AI RMF): fornece diretrizes voluntárias para o gerenciamento de riscos associados à IA, incluindo aspectos de validade, confiabilidade, segurança e justiça – diretamente aplicáveis ​​a algoritmos de teste.
• Governança do modelo interno: os principais fornecedores implementam políticas rigorosas de governança do modelo de ML interno que abrangem desenvolvimento, validação, implantação e monitoramento, muitas vezes excedendo as diretrizes externas emergentes.

Análise de tendências do setor: gêmeos digitais para simulação de testes, aprendizagem federada e sistemas de teste autocorretivos

A convergência do ML com outras tecnologias está definindo o futuro dos testes: Gêmeos Digitais de componentes serão usados ​​para simular bilhões de ciclos de testes virtuais sob condições variadas, com o ML usado para analisar essas simulações e projetar campanhas de testes mínimas e ideais no mundo real. O Federated Learning permitirá que vários fornecedores ou departamentos melhorem de forma colaborativa os modelos de teste de ML sem compartilhar dados brutos proprietários, melhorando os benchmarks de qualidade em todo o setor. Em última análise, veremos o surgimento de sistemas de teste com autocorreção e autootimização , onde o ML não apenas analisa os resultados dos testes, mas também ajusta os parâmetros do equipamento de teste em tempo real para obter os dados mais informativos ou compensar o desvio do sensor.

Perguntas frequentes (FAQ) para gerentes de qualidade e compras