Μπορεί η Τεχνητή Νοημοσύνη και οι Έξυπνοι Αισθητήρες να Μειώσουν το Κόστος Συντήρησης στην Αεροδιαστημική;

Για ένα αεροσκάφος να πραγματοποιήσει μια ασφαλή και επιτυχημένη πτήση, χιλιάδες εξαρτήματα πρέπει να εκτελούν το έργο τους υπό ακραία θερμότητα, δονήσεις και καταπόνηση. Αυτό δεν είναι εύκολο ή φθηνό έργο.

Στην πραγματικότητα, η συντήρηση αεροσκαφών που περιλαμβάνει επιθεωρήσεις, αποσυναρμολογήσεις και μη προγραμματισμένες επισκευές αποτελεί ένα από τα υψηλότερα λειτουργικά κόστη για τις αεροπορικές εταιρείες και τις αεροδιαστημικές εταιρείες. Ένα μόνο χαμένο προειδοποιητικό σήμα μπορεί να ακυρώσει ολόκληρο στόλο, ή ακόμη χειρότερα.

Μια λύση σε αυτή τη δαπανηρή αλλά απαραίτητη δραστηριότητα μπορεί να προέλθει από τον συνδυασμό πιο έξυπνων υλικών με πιο έξυπνα δεδομένα: νανοκλίμακα πιεζοηλεκτρικά υλικά αισθητήρων και τεχνητή νοημοσύνη (AI).

Οι νανο-πιεζοηλεκτρικοί αισθητήρες παρέχουν στα αεροσκάφη πιο συνεχόμενη δομική επίγνωση, ενώ η AI και τα ψηφιακά δίδυμα μετατρέπουν τα σήματα των αισθητήρων σε αποφάσεις συντήρησης. Μαζί, αυτές οι δύο τεχνολογίες μπορούν να δώσουν στους μηχανικούς μια πιο νωρίτερη και σαφέστερη εικόνα του πότε ένα εξάρτημα πρόκειται να αποτύχει, αντί να περιμένουν τις προγραμματισμένες αποσυναρμολογήσεις ή ένα σφάλμα κατά την πτήση, βοηθώντας έτσι στη μείωση του κόστους συντήρησης, στη μείωση του χρόνου εκτός λειτουργίας του αεροσκάφους, στην επέκταση της ζωής των εξαρτημάτων και στη βελτίωση της ασφάλειας.

Τα Όρια της Παραδοσιακής Συντήρησης Αεροσκαφών

Η αεροδιαστημική βιομηχανία αποτελεί κρίσιμο πυλώνα της παγκόσμιας οικονομίας, υποστηρίζοντας όχι μόνο την εμπορική αεροπορία και την εξερεύνηση του διαστήματος, αλλά και τη μεταφορά εμπορευμάτων, την άμυνα και την προηγμένη κατασκευή.

Σε αντίθεση με ένα κανονικό καταναλωτικό προϊόν, εδώ δεν υπάρχει καθόλου χώρος για ελαττώματα και αποτυχίες, καθώς αυτό θα μπορούσε εύκολα να μετατραπεί σε απειλή ζωής σε πολύ μεγαλύτερη κλίμακα.

Τα σύγχρονα αεροσκάφη είναι εξαιρετικά εξελιγμένα μηχανικά συστήματα που αποτελούνται από εκατομμύρια μεμονωμένα εξαρτήματα που λειτουργούν υπό απαιτητικές και μεταβαλλόμενες μηχανικές, θερμικές και περιβαλλοντικές συνθήκες. Μόλις ένα αεροσκάφος βγει από την ατμόσφαιρα, πρέπει επίσης να αντιμετωπίσει την ακτινοβολία και το κενό. Αυτές οι συνθήκες απαιτούν τα εξαρτήματα να είναι αρκετά ανθεκτικά ώστε να επιβιώσουν δεκαετίες κύκλων κόπωσης, ελαφρά ώστε να μειώνουν το κόστος καυσίμου και αξιόπιστα ώστε να μεταφέρουν επιβάτες που πληρώνουν.

Για να εξασφαλιστεί η ασφάλεια και η αξιοπιστία των αεροσκαφών, αυτά περνούν από αυστηρές επιθεωρήσεις και συντηρήσεις καθ’ όλη τη διάρκεια της λειτουργικής τους ζωής. Ωστόσο, η συντήρηση παραμένει μία από τις μεγαλύτερες προκλήσεις της βιομηχανίας. Επειδή τα αεροσκάφη συχνά υποβάλλονται σε προγραμματισμένες επιθεωρήσεις ανεξάρτητα από την πραγματική δομική τους κατάσταση, αυτό οδηγεί σε υψηλότερα κόστη εργασίας. Οι παραδοσιακές διαδικασίες επιθεώρησης βασίζονται επίσης έντονα σε εξωτερικό διαγνωστικό εξοπλισμό, πράγμα που σημαίνει ότι οι ζημιές μπορεί να παραμείνουν αανιχνευμένες πριν από την επόμενη επιθεώρηση.

Οι προγραμματισμένες επιθεωρήσεις είναι απαραίτητες, καθώς οι απρόσμενες βλάβες μπορούν να οδηγήσουν σε ακόμη πιο δαπανηρά περιστατικά, όπως μη προγραμματισμένα συμβάντα συντήρησης, διακοπές λειτουργίας και καθυστερήσεις πτήσεων. Σε ορισμένες περιπτώσεις, υγιή εξαρτήματα αντικαθίστανται πρόωρα απλώς επειδή η ακριβής κατάσταση φθοράς δεν είναι γνωστή, αυξάνοντας το χρόνο εκτός λειτουργίας του αεροσκάφους.

Έπειτα υπάρχουν περιορισμοί στην εφοδιαστική αλυσίδα, όπως ελλείψεις εξειδικευμένων εξαρτημάτων, υλικών και εξειδικευμένου εργατικού δυναμικού, που αυξάνουν περαιτέρω την πίεση στους παρόχους συντήρησης προκαλώντας μεγαλύτερους χρόνους επισκευής και περιττές προσγειώσεις αεροσκαφών.

Προσθέτοντας τις ασταθείς τιμές των καυσίμων και τις αυστηρότερες απαιτήσεις εκπομπών, είναι λογικό ότι η αεροδιαστημική βιομηχανία αναζητά ενεργά τεχνολογίες που μπορούν να μειώσουν το χάσμα μεταξύ της προγραμματισμένης συντήρησης και της πραγματικής κατάστασης του αεροσκάφους.

Αυτό σημαίνει μια τεχνολογία που μπορεί να παρακολουθεί συνεχώς την υγεία του αεροσκάφους σε πραγματικό χρόνο, αντί να βασίζεται αποκλειστικά σε σταθερά διαστήματα συντήρησης. Ωστόσο, το επόμενο πραγματικό πλεονέκτημα στη συντήρηση αεροδιαστημικών συστημάτων ενδέχεται να μην προέρχεται από ένα μόνο καινοτόμο υλικό ή ένα μόνο μοντέλο AI, αλλά από τον συνδυασμό των δύο. Εδώ μπαίνουν στην εικόνα τα έξυπνα πιεζοηλεκτρικά υλικά και η ανάλυση δεδομένων με βάση την AI.

Δημιουργία Έξυπνων Αεροσκαφών με Έξυπνους Αισθητήρες και AI

Πριν από περίπου έναν αιώνα, τα περισσότερα αεροπλάνα κατασκευάζονταν από μεταλλικά κράματα, συγκεκριμένα αλουμινίου, λόγω του ελαφρού βάρους, της πλαστικότητας και της ευελιξίας τους, καθώς και της υψηλής θερμικής αντοχής, των υψηλών σημείων τήξης και της ισχυρής αντοχής στη διάβρωση. Ωστόσο, οι τεχνολογικές προόδους οδήγησαν στην αντικατάστασή τους με νανοτεχνολογία και έξυπνα υλικά, που βελτίωσαν το σχεδιασμό της δομής των αεροσκαφών και των λειτουργικών τους εξαρτημάτων.

Η μετάβαση προς τα νανοσωματίδια βοήθησε στη μείωση του βάρους και στη βελτίωση της αντοχής, μειώνοντας έτσι το συνολικό κόστος χρήσης καυσίμου. Παράλληλα, τα έξυπνα υλικά παρείχαν καλύτερες ιδιότητες από τα παραδοσιακά δομικά υλικά, όπως αυτο-ανίχνευση, αποθήκευση μνήμης και ευρείς αυτο-προσαρμοστικές δυνατότητες.

Τα έξυπνα υλικά είναι υλικά που έχουν σχεδιαστεί ώστε να προσαρμόζουν τις αντιδράσεις τους στο περιβάλλον με ελεγχόμενο τρόπο, αλλάζοντας τις δομικές τους ιδιότητες ως αντίδραση σε εξωτερικά ερεθίσματα.

Τα πιεζοηλεκτρικά υλικά είναι ένας τύπος έξυπνου υλικού που παράγει ηλεκτρικό φορτίο όταν υποβάλλεται σε μηχανική καταπόνηση και παραμορφώνεται φυσικά όταν εφαρμόζεται ηλεκτρική τάση. Αυτά τα υλικά διαθέτουν επίσης αξιοσημείωτα χαρακτηριστικά, όπως χαμηλή κατανάλωση ενέργειας, ευρύτερο φάσμα ζώνης και υψηλότερη παραγωγή δύναμης, με αποτέλεσμα εφαρμογές σε υπολογιστές, οπτικές συσκευές, αισθητήρες, μετατροπείς, αυτοκινητοβιομηχανίες, ιατρικές συσκευές, αεροδιαστημική και ψεκαστήρες καυσίμων.

Το μολύβδου μαγνήσιο νιόμπατ, το μολύβδου ζιρκόνιο τιτάνιο (PZT) και το πολυβινυλοδιενίου φθορίου είναι τα πιο συχνά χρησιμοποιούμενα πιεζοηλεκτρικά υλικά.

Αξιοσημείωτο, η μείωση αυτών των υλικών σε νανοκλίμακα ενισχύει περαιτέρω την ευαισθησία τους. Για παράδειγμα, τα νάνο-νήματα και οι λεπτές νανο-στρωματικές πιεζοηλεκτρικές δομές μπορούν να ανιχνεύσουν μικρότερες παραμορφώσεις, δονήσεις και κρούσεις σε σύγκριση με τα πολύ μεγαλύτερα αντίστοιχα, επειδή ένα πολύ μεγαλύτερο ποσοστό των ατόμων τους βρίσκεται στην επιφάνεια και συμβάλλει στην ηλεκτρική απόκριση.

Οι νανο-πιεζοηλεκτρικοί αισθητήρες κερδίζουν ολοένα και μεγαλύτερη προσοχή, καθώς επιτρέπουν στις δομές των αεροσκαφών να παρακολουθούν αποτελεσματικά τον εαυτό τους. Αντί να βασίζονται σε τακτικές οπτικές επιθεωρήσεις, αυτοί οι ενσωματωμένοι αισθητήρες μπορούν να ανιχνεύουν συνεχώς την καταπόνηση, τις δονήσεις, την κόπωση, την έναρξη ρωγμών και άλλες δομικές αλλαγές κατά τη διάρκεια της κανονικής λειτουργίας.

Μπορούν να ενσωματωθούν στα εξωτερικά στρώματα των αεροσκαφών, στις πτέρυγες και στα σύνθετα λαμινάτ, όπου λειτουργούν ως νευρικό σύστημα για το αεροπλάνο, μετατρέποντας συνεχώς τα γεγονότα κρούσης σε ηλεκτρικά σήματα χωρίς την ανάγκη εξωτερικής πηγής ενέργειας.

Όταν συνδυαστούν με αλγορίθμους AI, οι μεγάλες ποσότητες δεδομένων υψηλής συχνότητας, χαμηλού πλάτους και συχνά θορυβώδους από αυτούς τους αισθητήρες μπορούν να αναλυθούν σε πραγματικό χρόνο για να διακρίνουν τη φυσιολογική λειτουργία από πρώιμα ενδείξεις ζημιάς.

Τα μοντέλα μηχανικής μάθησης μπορούν να εκπαιδευτούν ώστε να αναγνωρίζουν συγκεκριμένες δονήσεις ή υπογραφές αντίστασης που σχετίζονται με ρωγμές, αποκόλληση, διάβρωση ή κόπωση, με ταχύτητα επαρκή για χρήση εν πτήσει.

Μαζί, αυτές οι τεχνολογίες παρέχουν παρακολούθηση δομικής υγείας που μπορεί να λειτουργεί συνεχώς στο παρασκήνιο αντί μόνο κατά τις προγραμματισμένες επιθεωρήσεις στο έδαφος, επιτρέποντας στις ομάδες συντήρησης να παρέμβουν πριν τα μικρά ελαττώματα μετατραπούν σε μεγάλες επισκευές.

Η υπολογιστική άκρη, τα υβριδικά μοντέλα CNN-LSTM και τα ψηφιακά δίδυμα είναι μερικές από τις τεχνικές που χρησιμοποιούνται για την παρακολούθηση της πραγματικού χρόνου απόδοσης και ακρίβειας της AI στην παρακολούθηση δομικής υγείας στην αεροδιαστημική.

Αυτή η συνεχής δομική επίγνωση όχι μόνο μειώνει τις περιττές επιθεωρήσεις και τα κόστη συντήρησης, αλλά επίσης βελτιώνει τη διαθεσιμότητα των αεροσκαφών και υποστηρίζει τη μετάβαση της βιομηχανίας προς την προβλεπτική συντήρηση και τη ψηφιακή διαχείριση της υγείας των αεροσκαφών.

Από τις Επιστημονικές Επανάστασεις στην Πραγματική Αεροπορία

Ένα ερευνητικό άρθρο με τίτλο «Advancement of nano-based piezoelectric material with integration of artificial intelligence in aerospace» εξέτασε πώς τα νανο-πιεζοηλεκτρικά υλικά και η AI θα μπορούσαν να αναδιαμορφώσουν τα μελλοντικά αεροδιαστημικά συστήματα, παρουσιάζοντας λεπτομερώς τη σύγκλιση.

Οι συγγραφείς εξέτασαν τα κύρια νανο-πιεζοηλεκτρικά υλικά, τις μεθόδους κατασκευής τους, τις εφαρμογές στην αεροδιαστημική και την ενσωμάτωση με τεχνικές ανάλυσης βασισμένες στην AI.

Το άρθρο περιγράφει πώς τα νανο-πιεζοηλεκτρικά υλικά που κατασκευάζονται από κεραμικά, πολυμερή και σύνθετα υλικά σε κλίμακα όπου τα κβαντικά και επιφανειακά φαινόμενα αρχίζουν να παίζουν ρόλο, μπορούν να προσφέρουν πιεζοηλεκτρικούς συντελεστές πολύ υψηλότερους από τα μαζικά υλικά, χάρη σε μεγαλύτερο λόγο επιφάνειας προς όγκο και καλύτερη ευθυγράμμιση κρυστάλλων όταν καλλιεργούνται από το κάτω προς τα πάνω αντί για επεξεργασία από το πάνω προς τα κάτω.

Η τεχνική bottom-up αποτελεί μια σύγχρονη μέθοδο κατασκευής για την επίτευξη των επιθυμητών σχεδίων και δομών στα νανοϋλικά.

Αποτελούμενη κυρίως από τη χημική υγρή μέθοδο και την εναπόθεση ατμών, η σύνθεση bottom-up ενισχύει τον προσανατολισμό του άξονα c, ο οποίος είναι άμεσα ανάλογος με υψηλότερους πιεζοηλεκτρικούς συντελεστές και τάση εξόδου. Οι προσεγγίσεις top-down, που συνθέτουν νανοσωματίδια μέσω φυσικών μεθόδων, εισάγουν ελαττώματα που μειώνουν την απόδοση κατά 20%-30% λόγω διαρροής ρευμάτων και αποπολεμοποίησης.

Αυτά τα υλικά συνδυάζουν τις δυνατότητες ανίχνευσης των παραδοσιακών πιεζοηλεκτρικών υλικών με τη μηχανική αντοχή, την αντοχή στη διάβρωση και τα ελαφριά χαρακτηριστικά που συνδέονται με τα νανοϋλικά, υποστηρίζει η μελέτη.

Αυτά τα χαρακτηριστικά καθιστούν τα νανο-πιεζοηλεκτρικά υλικά ελκυστικούς υποψηφίους για συστήματα παρακολούθησης δομικής υγείας ενσωματωμένα απευθείας στα εξαρτήματα των αεροσκαφών.

Αντί να λειτουργούν ως ανεξάρτητοι αισθητήρες, αυτά τα υλικά μπορούν να γίνουν μέρος των έξυπνων δομών αεροσκαφών, ικανές να παράγουν συνεχόμενα λειτουργικά δεδομένα καθ’ όλη τη διάρκεια ζωής του αεροσκάφους.

Το άρθρο επίσης επισημαίνει το ρόλο της AI στην ερμηνεία των σημάτων από αυτούς τους αισθητήρες.

«Παρά το γεγονός ότι το νανο-πιεζοηλεκτρικό υλικό παρουσιάζει μεγάλο δυναμικό όσον αφορά την αυτοτροφοδοτούμενη ανίχνευση, την ανίχνευση δονήσεων και την εξόρυξη ενέργειας από δομές αεροδιαστημικής, η πραγματική επιτυχία του έξυπνου υλικού εξαρτάται σε μεγάλο βαθμό από την έξυπνη διαχείριση των δεδομένων», σημειώνει η μελέτη. «Αυτό το κενό μπορεί να καλυφθεί μέσω της Τεχνητής Νοημοσύνης (AI), η οποία επεξεργάζεται σε πραγματικό χρόνο τα σήματα υψηλής συχνότητας χαμηλού πλάτους που παράγονται από πιεζοηλεκτρικούς αισθητήρες.»

Στην αεροδιαστημική, η AI λειτουργεί ως έξυπνος βοηθός για τη βελτίωση της ανθρώπινης λήψης αποφάσεων και για την αντικατάσταση της ανθρώπινης κρίσης σε αντίξοες συνθήκες.

Ιδιαίτερα, τα μοντέλα μηχανικής μάθησης μπορούν να βοηθήσουν στην βελτιστοποιημένη εξόρυξη ενέργειας, στον προσαρμοστικό έλεγχο δονήσεων και στην αυτοματοποιημένη ανίχνευση ζημιών κατά τη διάρκεια μεταβαλλόμενων αεροδυναμικών φορτίων και ακραίων περιβαλλοντικών συνθηκών.

Η AI, υποστηρίζουν οι συγγραφείς, μπορεί επίσης να βελτιώσει τη βελτιστοποίηση του σχεδιασμού στην αεροδιαστημική, τη υπολογιστική μοντελοποίηση, τη μοντελοποίηση μειωμένης τάξης (ROM) και την παρακολούθηση της δομής, εξάγοντας χρήσιμες πληροφορίες από σύνθετα σύνολα δεδομένων που θα ήταν δύσκολο να αξιολογηθούν χειροκίνητα.

Η «συνδυαστική χρήση καθαρών πιεζοηλεκτρικών δεδομένων καθιστά τα δεδομένα ενέργειας χρήσιμα, βελτιώνοντας την αξιοπιστία των αεροσκαφών, μειώνοντας το κόστος συντήρησης και επιτρέποντας την αυτόνομη λήψη αποφάσεων», δήλωσε η μελέτη.

Επιπλέον, σημειώνει ότι η AI είναι κατάλληλη για την αντιμετώπιση των προκλήσεων φθοράς και θορύβου που προκύπτουν από τις πιο σκληρές συνθήκες στις οποίες εκτίθενται αυτά τα υλικά στην αεροδιαστημική υπηρεσία. Αυτό περιλαμβάνει ακραίες μεταβολές θερμοκρασίας, έκθεση σε ακτινοβολία και κύκλους κενού που μπορούν να υποβαθμίσουν την πιεζοηλεκτρική απόκριση αυτών των υλικών με την πάροδο του χρόνου.

Αυτές οι συνθήκες οδηγούν σε υποβάθμιση της απόδοσης και αυξημένα διαρροής ρεύματος υπό συνεχή θερμικό ή ακτινοβολιακό στρες.

Όσον αφορά το πώς η AI βοηθά εδώ, οι συγγραφείς περιγράφουν εφαρμογές όπως η ενσωμάτωση πιεζοηλεκτρικών αισθητήρων απευθείας σε σύνθετες λαμινάτ για πραγματική παρακολούθηση δομικής υγείας και η χρήση μοντέλων AI για ταξινόμηση σημάτων κυματοδηγούμενων ή αντίστασης ανά τύπο ζημιάς και σοβαρότητα. Αλγόριθμοι προβλεπτικής συντήρησης που μαθαίνουν από τα συσσωρευμένα δεδομένα πτήσεων και αισθητήρων εφαρμόζονται για να επισημαίνουν αναπτυσσόμενα προβλήματα πριν μετατραπούν σε ζητήματα ασφαλείας.

Η μελέτη σημειώνει ότι τα μηχανήματα μηχανικής βασισμένα στην AI έχουν χρησιμοποιηθεί στην αεροδιαστημική για λίγα χρόνια, αλλά αντιμετωπίζουν προκλήσεις με πιο σύνθετα συστήματα ελέγχου.

Όταν η AI ενισχύει τις τρέχουσες τεχνικές όπως ο έλεγχος fly-by-wire, το σύστημα πτήσης βελτιώνεται, αλλά απαιτούνται περαιτέρω κέρδη στην απόδοση, τη συμμόρφωση και την εξασφάλιση για τη βελτιστοποίηση των αποτελεσμάτων στους χρόνους αντίδρασης του πιλότου και στην ακρίβεια της δομής.

Όταν ένα νέο αλγόριθμο AI εισάγεται σε ένα σύστημα, απαιτείται επιβλεπόμενη ενσωμάτωση από την αρχή.

Η υλοποίηση της AI για προχωρημένες λειτουργίες αεροσκαφών απαιτεί περαιτέρω συνεχή μηχανική επίβλεψη από τα πρώιμα στάδια. Επιπλέον, τα δεδομένα απαιτούν ομαδοποίηση για επιβλεπόμενη μάθηση. Η μελέτη καταλήγει:

«Η καινοτομία στην υλοποίηση αλγορίθμων στον σχεδιασμό αεροδιαστημικών συστημάτων υποδηλώνει ότι η πλειονότητα των πληροφοριών ενδέχεται να μην είναι διαθέσιμη. Συνεπώς, η ενσωμάτωση της AI χρειάζεται κάποια βοήθεια μέχρι να επιτευχθεί η πλήρης αξιοπιστία αυτών των αλγορίθμων στη βιομηχανία αεροδιαστημικής. Καθώς η ενσωμάτωση αυτών των αλγορίθμων μάθησης με την εξαιρετική εκπαίδευσή τους, την επαλήθευση, καθώς και την πιστοποίηση και επικύρωση των δεδομένων, απαιτεί κάποιες εξελισσόμενες τεχνικές στα μηχανικά συστήματα.»

Οι προκλήσεις για τη μαζική υιοθέτηση περιλαμβάνουν την κλιμακωσιμότητα της παραγωγής, τη μακροπρόθεσμη ανθεκτικότητα και την πρακτική υλοποίηση.

Υπάρχει επίσης έλλειψη μεγάλων, υψηλής ποιότητας συνόλων δεδομένων που καταγράφουν συνδυασμένες ακραίες θερμικές, ακτινοβολιακές και δονητικές συνθήκες, καθώς και δυσκολία στην εκτέλεση AI inference σε θορυβώδη, υψηλής συχνότητας σήματα γρήγορα αρκετά για χρήση εν πτήσει. Ο ρυθμός με τον οποίο τα πρότυπα ποιότητας στην αεροδιαστημική μπορούν να ενσωματώσουν νέα, υλικά συστήματα βελτιστοποιημένα με AI είναι επίσης πολύ αργός.

Παρά τις προκλήσεις, ο συνδυασμός νανο-πιεζοηλεκτρικής ανίχνευσης με AI αποτελεί μια πολλά υποσχόμενη κατεύθυνση για τη μελλοντική προβλεπτική συντήρηση και τα πιο έξυπνα αεροδιαστημικά συστήματα, δήλωσε η μελέτη.

Επένδυση στην Προβλεπτική Συντήρηση Αεροδιαστημικής με Τεχνητή Νοημοσύνη: GE Aerospace

Η GE Aerospace (GE ) δεν είναι μια καθαρή εταιρεία νανο-πιεζοηλεκτρικών υλικών, αλλά λειτουργεί μια εμπορικά αποδεδειγμένη πλατφόρμα downstream που θα τροφοδοτούνται από προχωρημένους ενσωματωμένους αισθητήρες: συστήματα δεδομένων αεροσκαφών, επιθεωρήσεις με υποβοήθηση AI, αναλυτικά προβλεπτικής συντήρησης, ψηφιακά δίδυμα και ροές εργασίας MRO.

Η εταιρεία ήδη χρησιμοποιεί ψηφιακά εργαλεία για την παρακολούθηση δεικτών απόδοσης κινητήρων, συμπεριλαμβανομένων των δονήσεων, της ροής καυσίμου, της ταχύτητας του ρότορα, των θερμοκρασιών αερίου και της χρήσης λαδιού, με το σύστημα να εντοπίζει πιθανές προβλήματα και να προτείνει ενέργειες συντήρησης για τους διαχειριστές στόλου.

Τα μοντέλα AI και μηχανικής μάθησης της επίσης χρησιμοποιούνται για την επέκταση της παρακολούθησης κατάστασης και την καθοδήγηση πιο συνεπών επιθεωρήσεων των λεπίδων του κινητήρα.

Μόλις λίγους μήνες πριν, η εταιρεία ανακοίνωσε την επιτυχημένη επίδειξη μιας εφαρμογής με τεχνητή νοημοσύνη που δημιούργησε μια αρχική διάταξη σχεδίου για έναν κινητήρα ραμζέτ αεροπνοής μέσα σε δευτερόλεπτα.

«Χρησιμοποιώντας εργαλεία γενετικής AI, μπορούμε να μειώσουμε σημαντικά τους χρόνους κύκλου σχεδίασης, επιτρέποντάς μας να είμαστε πιο γρήγοροι στην δοκιμή και τελικά πιο γρήγοροι στην εμπορευματοποίηση του καλύτερου, πιο αποδεδειγμένου τελικού προϊόντος. Οι μελέτες μηχανικού σχεδίου ενός υπερηχητικού ραμζέτ με χρήση γενετικής AI αποτελούν ένα τεράστιο σημείο απόδειξης που δείχνει το δυναμικό της AI να επαναπροσδιορίσει τη διαδικασία σχεδίασης.»

– Joe Vinciquerra, Γενικός Διευθυντής και Ανώτερος Εκτελεστικός Διευθυντής, Έρευνα GE Aerospace

Η εφαρμογή επιτρέπει στους μηχανικούς να μειώσουν το αρχικό έργο σχεδίου από εβδομάδες ή μήνες σε λίγα δευτερόλεπτα. Η εταιρεία επίσης σχεδιάζει να επεκτείνει τη χρήση της εφαρμογής σχεδίου γενετικής AI για την επιτάχυνση των τεχνολογιών κινητήρων αεροσκαφών μέσω του προγράμματος RISE, το οποίο προωθεί τεχνολογίες όπως η ανοιχτή αρχιτεκτονική ανεμιστήρα για κινητήρες επόμενης γενιάς στενής σωματοποίησης.

«Η GE Aerospace είναι πλήρως αφοσιωμένη στην AI», συμπέρασε ο Vinciquerra. «Η χρήση γενετικής AI για το σχεδιασμό ενός υπερηχητικού ραμζέτ είναι ένα εξαιρετικό παράδειγμα του πώς συνδυάζουμε την επιστήμη της AI με δεκαετίες ενσωματωμένης τεχνογνωσίας για να διαμορφώσουμε το μέλλον των εμπορικών και στρατιωτικών τεχνολογιών κινητήρων αεροσκαφών.»

Παράλληλα, η εταιρεία επέκτεινε τη πολυετή συνεργασία της με την Palantir Technologies (PLTR ) για την υλοποίηση AI πράκτορα σε όλο το σύστημα συντήρησης στρατιωτικής αεροπορίας και σε ευρύτερα συστήματα παραγωγής, προκειμένου να προβλέπουν αποτυχίες, να βελτιώνουν τη διαφάνεια της εφοδιαστικής αλυσίδας και να διατηρούν τα στόλα των ΗΠΑ έτοιμα για αποστολές.

Πριν από αυτή τη συνεργασία, όμως, η GE Aerospace είχε εφαρμόσει προβλεπτική συντήρηση με AI σε όλο το στόλο των κινητήρων της, συνδυάζοντας δεδομένα αισθητήρων σε πραγματικό χρόνο με μοντέλα ψηφιακών διδύμων που προσομοιώνουν τη γήρανση των κινητήρων. Αυτή η προσέγγιση επέτρεψε στη GE να εντοπίζει αναδυόμενα προβλήματα κινητήρων περίπου 60% νωρίτερα, να μειώνει τις μη προγραμματισμένες αφαιρέσεις κινητήρων και να βελτιώνει την ακρίβεια πρόβλεψης ανταλλακτικών.

Όσον αφορά την απόδοση στην αγορά, η GE Aerospace είναι μια παγκόσμια εταιρεία προώθησης, υπηρεσιών και συστημάτων αεροδιαστημικής με εγκατεστημένη βάση πάνω από 50.000 εμπορικών και 30.000 στρατιωτικών κινητήρων αεροσκαφών. Το μετοχικό της τίτλο έφτασε σε νέα ιστορικά υψηλά (ATHs) κοντά στα $383 νωρίτερα αυτόν τον μήνα. Προς το παρόν, διαπραγματεύεται γύρω στα $350, με άνοδο 17% ετών και 35,38% το τελευταίο έτος.

Η GE, με κεφαλαιοποίηση αγοράς $375 δισεκατομμύρια, έχει EPS (TTM) 8,06 και P/E (TTM) 44,70. Καταβάλλει απόδοση μερίσματος 0,52%.

Όσον αφορά τα οικονομικά της εταιρείας, η GE ανακοίνωσε ισχυρό πρώτο τρίμηνο 2026, με “παραγγελίες που αυξήθηκαν κατά 87% και έσοδα που αυξήθηκαν κατά 29% υποστηρίζοντας διψήφια ανάπτυξη κερδών και ελεύθερης ταμειακής ροής,” καθώς και ένα εκκρεμές εμπορικών υπηρεσιών $170 δισεκατομμυρίων.

Πρόσφατα, ο Διευθύνων Σύμβουλος Lawrence Culp δήλωσε ότι, παρά τις υψηλότερες τιμές καυσίμων και τις πιο αδύναμες αναχωρήσεις πτήσεων, με την ανάπτυξη “σχεδόν επίπεδη”, η εταιρεία δεν έχει παρατηρήσει καμία λειτουργική επίπτωση ή αλλαγή στη συμπεριφορά των πελατών αεροπορικών εταιρειών. “Νιώθουμε πολύ καλά για το δεύτερο τρίμηνο,” είπε ο Culp.

Την Πέμπτη, η GE ανακοίνωσε τα αποτελέσματα του Δεύτερου Τριμήνου 2026, αναφέροντας συνολικά έσοδα $13,3 δισεκατομμυρίων και προσαρμοσμένα έσοδα $12,6 δισεκατομμυρίων, με αύξηση 21% και 24% αντίστοιχα, ενώ οι συνολικές παραγγελίες της εταιρείας αυξήθηκαν 17% στα $16,5 δισεκατομμύρια.

Για την περίοδο, η GE κατέγραψε κέρδη GAAP $2,8 δισεκατομμυρίων και λειτουργικά κέρδη $2,7 δισεκατομμυρίων. Το GAAP EPS ανήλθε στα $2,30, με άνοδο 23%, ενώ το προσαρμοσμένο EPS ήταν $2,02, με άνοδο 22%. Τα μετρητά από λειτουργικές δραστηριότητες αυξήθηκαν 39% στα $3,3 δισεκατομμύρια, ενώ η ελεύθερη ταμειακή ροή αυξήθηκε 43% στα $3 δισεκατομμύρια. Το εκκρεμές ήταν $210 δισεκατομμύρια.

Κατατάσσοντάς το ως ακόμη ένα “ισχυρό” τρίμηνο, ο Culp δήλωσε ότι το ιδιόκτητο μοντέλο λεπτής λειτουργίας, FLIGHT DECK, συνεχίζει να τροφοδοτεί τις λειτουργικές βελτιώσεις “με ρεκόρ εσωτερικής παραγωγής επισκέψεων εργαστηρίου στο τρίμηνο.”

Η GE Aerospace επίσης κατέγραψε αύξηση 31% στις συνολικές παραδόσεις κινητήρων στο πρώτο εξάμηνο του έτους. Ο Culp πρόσθεσε:

“Δεδομένης της εξαιρετικής μας απόδοσης μέχρι σήμερα και της προβλεψιμότητας για το υπόλοιπο του έτους, ανεβάζουμε τις ετήσιες προβλέψεις μας σε όλα τα επίπεδα.”

Συμπέρασμα

Όπως η AI επαναπροσδιορίζει τις χρηματοοικονομικές, την κυβερνοασφάλεια, την υγειονομική περίθαλψη και την κατασκευή, η τεχνολογία μετασχηματίζει σταθερά τη συντήρηση στην αεροδιαστημική. Η AI, μαζί με τις έξυπνες τεχνολογίες ανίχνευσης, οδηγεί τη μετάβαση από μια αντιδραστική και χρονοπρογραμματισμένη διαδικασία σε μια προβλεπτική πρακτική.

Η συντήρηση στην αεροδιαστημική πρέπει πάντα να ισορροπεί την ασφάλεια, το βάρος και το κόστος με τρόπο που λίγες άλλες βιομηχανίες κάνουν, και για δεκαετίες αυτό διαχειριζόταν κυρίως μέσω προγραμματισμένων επιθεωρήσεων και συντηρητικών διαστημάτων αντικατάστασης εξαρτημάτων.

Αλλά ο συνδυασμός νανο-πιεζοηλεκτρικών αισθητήρων, που προσφέρουν τη δυνατότητα συνεχούς παρακολούθησης των δομών των αεροσκαφών, και της AI, που μπορεί να μετατρέπει τα δεδομένα σε πραγματικό χρόνο σε πρακτικές πληροφορίες συντήρησης για αυτοματοποιημένη ανίχνευση ζημιών, βελτιστοποιημένη εξόρυξη ενέργειας και προβλεπτική παρακολούθηση δομικής υγείας, βελτιώνει την αξιοπιστία των αεροσκαφών, μειώνει το κόστος συντήρησης, ενισχύει την ασφάλεια και επιτρέπει την αυτόνομη λήψη αποφάσεων.

Κάντε κλικ εδώ για μια λίστα με τις κορυφαίες μετοχές αεροδιαστημικής και άμυνας.

Βιβλιογραφία

1. Awan, M. S. U. D., Elahi, H., Ali, A., Wael, A. A., Noori, M. & Kouritem, S. A. Advancement of nano-based piezoelectric material with integration of artificial intelligence in aerospace. Materials Today Sustainability, 101371 (2026). https://www.geaerospace.com/news/press-releases/ge-aerospace-completes-design-studies-hypersonic-ramjet-generative-ai