Numa câmara à prova de som no Naval Surface Warfare Center, Philadelphia Division (NSWCPD), um compressor de ar cinza de aço zumbido como engenheiros testar um modelo experimental de aprendizado de máquina projetado para detectar sinais precoces de falha através da análise de vibração. O esforço, parte do crescente portfólio de projetos de inteligência artificial (AI) e de aprendizagem automática (ML), mostra promessas antecipadas para o futuro potencial uso da Marinha. Os compressores de ar de alta pressão desempenham um papel importante nas operações de submarinos, suportando várias funções- chaves do navio. Seu desempenho confiável ajuda as equipes a manter a manobrabilidade e manter a missão no caminho. A iniciativa de manutenção baseada em condições da Marinha Plus (CBM+) combina práticas tradicionais de manutenção com prognósticos baseados em inteligência artificial, visando não só detectar um problema, mas também, com o tempo, estimar até que ponto ele progrediu e quanto tempo até que o equipamento falhou. Na NSWCPD, o projeto de compressor é um passo exploratório nessa direção — uma maneira de ver o que a AI e o ML podem fazer com dados de vibração cuidadosamente coletados antes que a Marinha considere o uso operacional.

. Como um centro de guerra, estamos realizando pesquisa aplicada sobre como a IA e a aprendizagem automática podem afiar as ferramentas que fornecemos aos nossos Sailors,. NSWCPD Diretor Técnico Nigel C. Thijs, SES, disse..Projetos como este nos ajudam a entender onde a IA adiciona valor, onde ainda é insuficiente, e como podemos alinhar a inovação digital com a nossa missão principal de fornecer capacidade de combate à guerra tanto na aquisição quanto na manutenção da frota.. NSWCPD tem estado construindo conhecimentos de AI/ML em várias frentes. Engenheiro Dr. Kaitlyn Sitch ganhou recentemente um Prêmio de Inovação em Ciência, Matemática e Pesquisa para Transformação (SMART) SEED para desenvolver algoritmos de IA/ML para prever a saúde do sistema de energia, um esforço destinado a reduzir os tempos de inactividade e melhorar a resiliência energética em plataformas da Marinha. O comando também está avançando o.gêmeos digitais para sistemas de navio, como o Monitoramento Remoto Enterprise (eRM), usando modelos de aprendizado de máquina baseados em Python para previsão de anomalias no casco, mecânico e equipamentos elétricos. Anteriormente, ele hospedou um desafio de prémios para toda a Marinha que desenhou protótipos da indústria para ferramentas de marcação de informações habilitadas para AI. Juntos, estas iniciativas enquadram o trabalho do compressor como parte de um empurrão mais amplo para aplicar a ciência dos dados aos problemas da Marinha no mundo real, não como uma solução independente. Dentro desse ecossistema maior, o modelo de compressor atual é intencionalmente limitado. Porque falhas no mundo real nas plataformas operacionais são raras — um resultado positivo para os Sailors, mas um desafio para a ciência dos dados — os engenheiros da NSWCPD criaram um loop de teste dedicado e falhas induzidas, incluindo vazamentos de ar simulados, restrições de entrada e problemas de água de refrigeração, sob condições controladas. Eles usaram arrays de acelerômetros para capturar todas as alterações na vibração. Os dados resultantes forneceram à equipe um ponto de partida seguro para avaliar como diferentes abordagens de aprendizado automático distinguem comportamento saudável de falhas conhecidas.

. Nossos testes de laboratório até o momento mostram promessa real: em dados de amostra, nossos modelos de aprendizado de máquina destilam milhares de características de vibração em apenas 10 indicadores chave que indicam de forma confiável falhas comuns, como vazamentos e restrições,. disse o Engenheiro de Aprendizagem Maquina da NSWCPD Colin Dingley, também um profissional de segurança de sistemas de informação certificados no comando..O próximo passo é escalar a IA com mais dados diversos e hardware de borda para ver se isso se mantém em condições reais — é desafiador, mas os resultados iniciais são encorajadores.. Os submarinos adicionam um constrito distintivo: a largura de banda subaquática limitada impede o envio de fluxos de vibrações de fidelidade completa à terra para análise. Que a realidade muda o processamento para o.the edge.— hardware compacto e eficiente em energia montado perto da máquina que pode executar modelos de IA localmente e compartilhar apenas as informações de saúde mais importantes com os operadores e sistemas de terra. O Luna Labs projetou o nó e o dispositivo de borda do eCBM incorporados que a NSWCPD está testando na Câmara Anechoica, um ambiente silencioso onde os engenheiros podem avaliar o quão bem os algoritmos funcionam sem interferência de outros ruídos de bordo. .AI irá complementar nossos Marilheiros, disse Dingley..A aprendizagem de máquinas e inteligência artificial se tornarão parte de um cinto de ferramentas Sailors — outra camada de proteção. Foi dito que um Sailor tem 26 horas de manutenção em um 24 - dia de hora. Estamos tentando tornar isso mais gerível usando AI para destacar quais componentes realmente precisam de sua atenção.

NSWCPD CBM+/Prognóstico de Saúde Monitoramento de Plomo Sherwood їWoodyї Polter rastreia esta linha de pesquisa para 2012, muito antes de AI se tornar uma palavra doméstica e antes de hoje os processadores de. . Como laboratório da Marinha, nós nos associamos rotineiramente com a indústria, academia e outras organizações governamentais para avançar na tecnologia, disse Polter.. Graças a computadores capazes de processar estes grandes modelos, podemos experimentar com monitoramento de saúde habilitado para IA de formas que simplesmente não eram viáveis há uma década.. Polter enfatiza que nenhum modelo de aprendizado de máquina pode lidar com todos os sistemas de navio. Cada peça de equipamento tem sua própria dinâmica, gamas de operação e modos de falha, mas o compressor de ar de alta pressão utilizado neste projeto é comum em toda a superfície e frotas submarinas, tornando- o um banco de testes ideal.

. Este tipo de compressor é encontrado em toda a frota, disse ele..É crítico em submarinos, mas isso é apenas a ponta do iceberg.. A visão de longo prazo se estende além das plataformas tripuladas. . Além de navios de superfície e submarinos, estamos ativamente buscando aprendizagem de máquina com tecnologia eCBM para plataformas submarinas não tripuladas, disse Polter..Nesses sistemas, onde nenhuma tripulação está próxima com uma chave- chave e uma área de transferência, a autonomia confiável dependerá tanto do auto-monitoramento confiável quanto da navegação e comunicações..

No seu núcleo, o Polter descreve o trabalho como monitoramento baseado em.condition-based plus prognósticos.. Ele usa frequentemente um exemplo de carro: o manual do proprietário pode recomendar mudar um cinto de ventilação em uma quilometragem definida, mas um veículo habilitado para IA pode um dia dizer ao motorista que, dada a forma como o cinto foi instalado e usado, é provável que ele falhará dentro 30 dias. . Aplicar isso a uma nave, ele disse.. Antes de algo se quebrar, ele se curva. Nosso objetivo é encontrar essa curva nos dados. Na prática, encontrar a curva significa focar na vibração como fonte rica de informação.

. Usamos principalmente dados de sensores de vibração e podemos detectar frequências de interesse aberrantes, que comparamos com as medidas de base, disse Polter.. Isso nos permite aplicar análises de dados e nossos algoritmos para construir modelos de aprendizado de máquina para detecção de anomalias.. Num dia comum, isto parece mais reconhecimento de padrões do que drama: espectros que se afastam ligeiramente do normal, e algoritmos que marcam discretamente padrões que um humano pode nunca ver. Olhando para o futuro, a equipe vê a estimativa da vida útil restante (RUL) como um objetivo de mais longo prazo, em vez de um entregable imediato.

.A vida útil continua a analisar muitos dados, explicou Polter..O operador será informado da parte ou componente específico dentro do sistema que se espera que falhe. Haverá requisitos para o sistema notificar o usuário ou, se for um sistema não tripulado, enviar dados remotos para o operador da plataforma. Mas tudo isso só é possível se os modelos forem bem desenvolvidos, usando Big Data, para fornecer uma solução RUL. Por enquanto, os líderes da NSWCPD veem o projeto de compressor como um dos vários laboratórios de aprendizagem do. ї Este trabalho irá afetar diretamente o guerreiro, disse Thijs..Quando transicionarmos o monitoramento de saúde habilitado para IA do laboratório para a frota, como já estamos fazendo com o monitoramento baseado em condições e monitoramento remoto empresarial, podemos ajudar os marinheiros a se preparar melhor para ou evitar baixas, aumentar o tempo operacional e obter mais valor de cada dólar de manutenção..

. Esta tecnologia não está limitada a submarinos,.. O guarda-chuva é muito mais amplo do que apenas um compressor. Teoricamente, ele pode funcionar em qualquer dispositivo — se fizermos o trabalho árduo na frente para entender os dados e treinar os modelos corretamente. Como o compressor caiu na instalação de teste após a sua última execução, o som desvaneceu em silêncio, mas os dados que ele produziu não. Esses registros alimentam agora um crescente ecossistema digital de modelos, simulações e lições aprendidas, moldando como a NSWCPD trará IA e aprendizado automático para futuros projetos de saúde de máquinas.

. Toda vez que melhorarmos a capacidade da Marinha para ver um problema antes que ele se torne perigoso, estamos protegendo nossos Marinheiros, disse o Dingley. Ì Isso é o que realmente se trata. Ì NSWCPD emprega aproximadamente 2,700 engenheiros civis, cientistas, técnicos e pessoal de suporte. O comando realiza pesquisa e desenvolvimento, testes e avaliação, suporte à aquisição, e engenharia em serviço e logística para máquinas não nucleares, sistemas de máquinas de navios, e equipamentos e materiais relacionados para navios de superfície e submarinos da Marinha, e serve como a organização líder fornecendo cibersegurança para todos os sistemas de navios.