Развитие БПЛА для промышленных задач набирает в России серьёзные обороты. Беспилотники обеспечивают доступ к труднодоступным или опасным зонам, повышают безопасность и помогают существенно сокращать затраты. Национальный проект «Беспилотные авиационные системы» призван обеспечить ускоренное развитие этого сектора, включая разработку, стандартизацию, серийное производство БАС и подготовку квалифицированных кадров.

В обсуждении приняли участие представители Министерства промышленности и торговли Российской Федерации, ФГАУ «Цифровые индустриальные технологии», АО «ГЛОНАСС», Ассоциации АЭРОНЕКСТ, Центра компетенций БАС МГТУ им. Н.Э. Баумана, компаний Геоскан, ОКБ Сухой и Агентства по технологическому развитию.

Директор ФГАУ «Цифровые индустриальные технологии» Эдуард Шантаев выступил с докладом на тему: «Поддержка ИИ-разработчиков в сфере БАС: доступ к вычислительным ресурсам инновационного кластера ЦКП.»

Он отметил, что прогресс и успешное развитие в данной сфере напрямую зависит от состояния инженерно-технологической базы, а также высокого уровня компетенций отечественных специалистов. Эдуард Шантаев представил возможности высокопроизводительного вычислительного кластера «Центр коллективного пользования Минпромторга России», который создан на базе ФГАУ «ЦИТ».

ЦКП предоставляет российским разработчикам БАС и ИИ-других направлений доступ к мощностям более 143 PFLOPS, 1,7 петабайтам хранилища и программным сервисам, необходимым для обучения и тестирования моделей. Эти ресурсы доступны на льготных условиях для промышленных предприятий, IT-компаний и научных организаций.

В своём выступлении Эдуард Шантаев подчеркнул важность таких сервисов для ускорения жизненного цикла инновационных решений. Использование инфраструктуры ЦКП позволяет вдвое сократить время прохождения пути от идеи до пилотного проекта.

В числе успешных примеров, реализованных с использованием инфраструктуры Центра коллективного пользования, были представлены следующие кейсы:

Предиктивная аналитика для промышленного оборудования.
Для снижения финансовых потерь, связанных с внеплановыми остановками оборудования, была разработана система прогнозирования нештатных режимов работы. Цель проекта — предсказывать критические отказы как минимум за 5 дней до их наступления и сокращать простои оборудования не менее чем на 25%. В рамках решения была проведена обработка двухмесячного массива данных с более чем 500 датчиков, регистрирующих температуру, вибрацию, ток и давление. Для построения модели использовались классические алгоритмы машинного обучения на базе LSTM Stack, что позволило учитывать временные зависимости и обеспечило возможность работы модели вне кластера. Обучение проводилось на GPU-узлах ЦКП, а статус оборудования визуализировался в режиме реального времени с помощью API и Python-библиотек. В результате внедрения системы удалось значительно сократить среднеквадратичную ошибку прогноза и перейти на техническое обслуживание по состоянию, оптимизируя затраты и повышая надежность производственных процессов.

Оценка нагруженности конструкций летательного аппарата.
Для оптимизации жизненного цикла летательных аппаратов и повышения точности расчетов была создана нейросетевая модель, позволяющая оценивать реальные нагрузки на конструкцию. Основной задачей проекта было заменить дорогостоящее тензометрирование опытных бортов нейросетевой моделью, восстанавливающей изгибающие моменты крыла, усилия на стойки шасси и вертикальные перегрузки на основании данных, получаемых с штатного бортового самописца.Ре шение включало формирование эталонного датасета, автоматическую сегментацию полетов на 14 этапов и построение многоуровневой нейросетевой архитектуры (temporal CNN + Dense), способной учитывать временной контекст и эквивалентные нагрузки. Внедрение модели позволило в три раза повысить точность расчета изгибающих моментов крыла и более чем в 100 раз сократить время обработки данных.

Формирование цифрового двойника и оптимизация MRP-планирования и производственных потоков.
Основной вызов заключался в длительном ручном подборе гиперпараметров и недостаточной гибкости классических методов, не учитывающих динамику спроса и статистику поставок. Для решения задачи был сформирован цифровой двойник производственной линии на основе исторических телеметрических данных, разработана популяция нейросетевых агентов для прогнозирования состояния и оптимизации параметров. Оптимизацией управляла многокритериальная целевая функция, включающая сокращение незавершенного производства, продолжительности цикла и энергозатрат. Результаты внедрения: снижение незавершенного производства на ~12%, сокращение производственного цикла на ~8% и значительное ускорение подбора гиперпараметров — до 48 часов на вычислительных мощностях ЦКП вместо традиционных 10–14 дней.

AI-инспекция протяжённой инфраструктуры.
Для автоматизации обследования линейных объектов, сокращения трудозатрат и повышения безопасности был разработан комплекс, включающий флот из пяти БПЛА с оборудованием для высокоточной съемки. Решение базировалось на интеграции нескольких ИИ-модулей: RL-навигатора для построения маршрутов с учетом погодных условий и рельефа, CV-модели на базе Vision Transformer для обнаружения трещин ≥ 1 мм, коррозии и посторонних объектов, а также контура непрерывного обучения для ежедневного обновления моделей. Результаты: сокращение цикла обследования до 24 часов (в 3 раза быстрее по сравнению с ручной проверкой), снижение вероятности пропуска дефектов до менее 1,5%, сокращение эксплуатационных затрат на 50% и полное исключение рисков для персонала в опасных зонах.

«Формирование сильной технологической базы и предоставление промышленности доступных инструментов для работы с искусственным интеллектом – это основа для развития отечественных беспилотных авиационных систем и повышения технологической независимости России», — отметил Эдуард Шантаев.

Сессия прошла под модерацией Олега Шендерюка, партнёра компании «Яков и Партнёры».