人工智能与机器学习在飞机MRO中的应用及价值探讨

虽然飞机维护、维修和大修 (MRO) 乍一看似乎是一项以体力为主的工作，但实际上这是一个有望被人工智能和机器学习改变的领域。马歇尔航空航天首席技术官 Jon Burnip 解释了这种情况是如何发生的。

简而言之，您认为人工智能在飞机维护、修理和大修（MRO）领域最大的机遇是什么？

从我的角度来看，MRO 提供商可以在三个关键领域应用 AI 来为飞机机队运营商释放价值。

首先是预测性维护，人工智能可以在损坏或故障变得严重或导致延误之前帮助预测，从而节省成本并最大限度地减少飞机停机时间。

接下来，还有任务优化的机会，这将涉及使用维护数据来深入了解如何更有效地规划和执行 MRO 工作。

我认为，第三个关键领域是增强人类实践，人工智能可以增强 MRO 技术人员的能力、提供见解并指导决策。

预测性维护可以解决什么问题？

在重度维护过程中，我们经常发现大量的“紧急工作”——我们拆卸飞机并发现不属于基本维护但必须修复才能使飞机恢复适航状态的损坏或故障系统。

紧急工作的影响主要是完成工作或采购备件所需的时间，以及劳动力、零件和材料的成本。

如果 MRO 组织对紧急工作采取被动的方式，则可能会因加急交付零件而产生更高的成本，并且可能会遇到严重的进度问题。

对此问题的一个经典缓解措施可能是针对成本和进度做出一些风险准备 - 但这对于 MRO 或客户来说并不可取，而更积极主动的方法对所有相关人员来说效果更好。

在飞机抵达之前以合理的准确度预测飞机的需求，可以让 MRO 组织制定适当的计划，以指导检查或提前采购可能需要的部件。这将减少不确定性，最终带来更好的结果。

像 Marshall 这样的 MRO 组织肯定拥有内部知识和经验，可以进行一些预测和明智的规划 - 但这些知识往往掌握在小团队中，而且通过改进现有方法来改进流程的能力有限。

我们可以大大提高我们的预测能力 - 并根据个别飞机进行量身定制 - 通过使用人工智能来检查飞机的运行和服务历史，并将其与包含类似飞机历史数据的数据集（在年龄、地区、维护历史和操作使用模式方面）进行参考。

如何获取和建立预测性维护所需的数据集？

在很大程度上，我们需要处理的数据集已经存在：例如，自 1990 年代末以来，仅 C-130J 超级大力神就记录了超过 540 架飞机的令人难以置信的 300 万飞行小时 - 更不用说在全球范围内运行的许多传统大力神。

在 Marshall，我们与 15 家全球客户合作，生产从 20 世纪 50 年代到 21 世纪 20 年代的飞机。我们可以访问大量数据，甚至可能与飞机 OEM 相当。这包括维护和升级历史记录、飞行小时数、运营区域和使用模式。我们还拥有非例行工作卡形式的独特数据资产，这些资产作为维修和维护工作内容丰富的信息来源，将非常有价值。

人工智能可以处理大量数据，并将其转化为可操作的见解，这些见解可以针对任何进场飞机进行“个性化”。这将使我们能够建议尽早干预以防止恶化，或者确保交付周期较长的零件。

说到这一点，重要的是要认识到，任何此类应用程序的开发和相关数据的使用都需要得到所有最终用户和利益相关者的批准，并以保护最终用户数据安全的方式进行。同样重要的是，要认识到在使用预测进行前瞻性规划时对客户保持透明度的必要性，并确保了解此类系统的局限性。

什么是任务优化？人工智能如何提供帮助？

任务优化的目的是提高流程或工作流程中特定任务的效率和有效性。目标可能是提高生产力、减少节拍时间或更有效地分配我们的资源。如果做得好，这可能会降低成本和风险，并提高质量。

大多数 MRO 组织（包括我们）都已制定持续改进计划，并以精益、高效的方式运营。但我们所做的工作很复杂，变量很多，而智能地使用数据可以帮助我们进一步改进。

我们拥有大量的飞机历史记录，以及机库中数百万小时的维修记录。对于我们完成的每项任务，我们都会获得多个数据点，包括所用时间、所用设备、技术人员技能代码和结果。然后，这些数据可以与围绕该架飞机所执行工作的更广泛的背景故事联系起来。

在如此庞大而多样的数据集中发现模式通常超出了人类和更传统方法的能力。人工智能确实在这个领域表现出色，无监督和监督学习技术的结合可以帮助我们预测一系列复杂事件的结果，或者发现我们不知道的相关性。

因此，人工智能的输出可能帮助我们获得可能被传统方法忽视的重要可行见解。

这种有意义的因果洞察将被证明非常有价值，有助于 MRO 组织节省他们在每架飞机上工作所需的时间，并且还可能为新最佳实践的开发提供信息。

谁从中获益最多？MRO 机构还是其客户？

简短的回答是：两者兼而有之。

人工智能驱动的任务优化可以帮助 MRO 组织更高效、有效地工作，在保持相同设施和资源的同时提高其安排工作的能力和灵活性。

如果您是机队运营商，您会感受到周转时间方面的好处：您的飞机将更快地恢复服务，从而提高整体机队的可用性。归根结底，这是我们所有客户所追求的！

有哪些使用人工智能来增强人类实践的例子？

这是一个大话题，所以我们也许应该首先说，增强人类实践的目标是增强人类的能力，并创造场景，让人们和支持技术能够共同完成他们可能无法独自完成的事情。所以这可能是利用技术来做得更好，学习新的东西或帮助决策。

因此，在 MRO 环境中，一个例子可能是对飞机进行一般目视检查。在这种情况下，技术人员将花费大量时间完成检查，然后记录他们发现的问题并确定要采取的措施。

如果将人工智能技术添加到此场景中，计算机视觉与图像数据库相结合可能会非常快速地确定损坏的位置，并指示技术人员首先关注这些区域，或突出显示需要关注的区域。然后，同一系统可能有助于对损坏进行细致的数字分类并生成建议的措施。

另一个例子可能是指导或培训技术人员完成不频繁或复杂的任务。

人工智能可以通过结合从我们的系统内即时访问相关手册和培训资源，或通过观察任务提供指导和反馈，为这些情况下的技术人员提供支持。

如果运行良好，这些系统随着时间的推移应该有助于培养团队的技能和能力，而不是产生对这些系统的依赖。该领域正在进行大量研究。

您是否认为人工智能将取代人类 MRO 技术人员的工作？

简单来说，不是。作为人类，我们拥有独一无二的能力、多才多艺和适应性。我们还可以从更少的数据中学习和获得洞察力。总会有一些场景需要人类的知识和能力来发挥关键作用。

因此，认识到当前技术的局限性很重要。在安全至关重要的背景下，应使用人工智能等工具来增强人类决策能力并提高效率。决策和产出质量保证仍将是一项人类活动，人类责任应始终存在。

但是，在认识到局限性的同时，我们也应该认识到它的好处。我所知道的从事工程行业的人，没有谁是为了文书工作，或者花上几个小时阅读文件而从事的。人工智能可以帮助实现这些领域的自动化和提高效率，让我们有更多的时间花在工作中增值和有回报的部分——包括培训和指导他人。

您认为在 MRO 中采用 AI 的最大障碍是什么？

第一个也是最明显的障碍是，我们都在一个受到严格监管的领域工作——事实上，这个话题本身可能值得写一整系列文章！监管的存在是有充分理由的，值得庆幸的是，监管机构和专家之间就以安全和负责任的方式逐步引入人工智能驱动技术和方法的最佳方法进行了大量知情和开放的讨论。因此，虽然我们肯定不会看到突然的变革，但我预计未来几年会取得稳步进展。

除了监管和隐私问题之外，数据质量是成功的基础。这在整个人工智能和机器学习领域都是如此。模型的预测和建议的质量始终在很大程度上取决于所用训练数据的质量，以及算法或神经网络设计的适当选择。通过确保数据点代表场景中可能存在的所有变化并且没有任何偏差，可以在很大程度上避免这种“垃圾进，垃圾出”的问题。

但除此之外，飞机在设计上非常可靠，故障率极低。人工智能对数据的依赖性非常强，因此，尽管一个组织可能拥有大量记录，但我们可能只对少数特定故障或结果的实例感兴趣。因此，我们需要非常聪明地利用这些数据来获得有意义的见解，或者如何使用高保真模拟等补充技术来补充数据。

最后，我想说，希望实施人工智能的 MRO 组织需要确保预测和建议实际上是可操作的。有用和可操作不是一回事：建议的行动方案在理想世界中可能具有巨大的潜力，但它也可能与 MRO 特有的所需操作流程和实用性完全不兼容 - 使其变得毫无用处。MRO组织面临的挑战是设计模型，以确保它们提供符合这些约束的预测和建议。

对于首次涉足 AI 领域的 MRO 组织来说，应该首先考虑哪些问题？

对于像马歇尔这样的组织来说，人工智能绝不能破坏其在技术卓越和安全可靠的世界级解决方案方面赢得的良好声誉。

这意味着我们开发和部署的任何人工智能解决方案都必须遵循适当的行业领先开发实践来反映这些价值观，并经过彻底的测试和评估以确保输出的质量和有效性。

即使在部署之后，任何解决方案的技术稳健性都应在其整个运行生命周期内保持。

同样重要的是，人工智能解决方案需要以符合道德的方式实施，尊重客户。数据隐私应通过设计得到保护，模型使用方面的沟通必须透明，客户必须得到平等和公平的代表。

如果您刚刚踏上 AI 之旅，我建议您花些时间考虑指导任何实施的核心原则。这些原则可能包括如何确保应用程序安全、技术稳健、尊重客户隐私和安全，以及如何在适当位置采用正确的系统和流程来确保人员责任和负责任的使用。

也值得花些时间考虑一下你的独特数据资产是什么。目前存在许多现成的工具和应用程序，这些工具和应用程序将在大多数企业中变得很常见。因此，了解你拥有的哪些独特数据可能给你带来优势非常重要。

最后，当人工智能应用于个人和企业，并对工作岗位流失和中断的更广泛背景敏感时，它才是最成功和最有价值的。