節(jié)省時間挽救生命

 

Wolfram優(yōu)勢

•Raspberry Pi上的本地Wolfram語言編碼，用于便攜式獨立模塊

•高度自動化的機器學習，可實現(xiàn)快速、簡便的實施和準確的結(jié)果

•與底層傳感器和通信設備的內(nèi)置兼容性

盡管航空技術(shù)取得了進步，但飛行員經(jīng)常難以及時預測失速，旋轉(zhuǎn)和其他危險情況，以防止致命事故的發(fā)生。但是在Wolfram語言、掌上電腦和傳感器模塊的幫助下，再加上幾次大膽的飛行，Mike Foale和他的女兒Jenna創(chuàng)建了Solar Pilot Guard（SPG）：一種充當虛擬副駕駛員的集成探測器，可向駕駛員發(fā)出預警，幫助挽救生命。

 

Foale對使用Wolfram語言解決復雜的飛行問題有所了解。作為一名天體物理學家和美國國家航空航天局（NASA）宇航員，他已經(jīng)在太空中記錄了一年多的時間，在與無人駕駛補給飛船相撞時，他在和平號空間站上。他使用Mathematica解決了空間站失去位置控制的問題，并獲得了迄今為止唯一一個從太空向Wolfram尋求技術(shù)支持的人的殊榮。

因此，當實驗飛機協(xié)會（EAA）宣布一項競賽，以發(fā)現(xiàn)解決飛機即將失控問題的解決方案時，F(xiàn)oale立即想到了Wolfram語言。

 

更人性化的方法

Foale的想法是使用“家庭內(nèi)部”行為（指預期或正常情況的工程術(shù)語）和“家庭外部”行為（出乎意料或令人擔憂的事情）的概念來判斷飛機何時失控 -基于其家庭外部行為的表現(xiàn)。不過，什么算是家庭之外的情況，取決于一連串的意外事件，而要預測危險的異常飛行行為，則需要采用復雜的分析方法。

根據(jù)Foales的理論，機器學習可以提供一種更人性化的方法。他們可以訓練一個神經(jīng)網(wǎng)絡來識別那些危險的情況，就像巡回飛行的飛行員一樣(速度更快)，并發(fā)出語音指令告訴飛行員應該采取哪些糾正措施。這額外的幾秒鐘可以給飛行員足夠的時間來防止事故的發(fā)生。

 

在不到一個月的時間內(nèi)從構(gòu)思到原型

他們將帶有傳感器單元的Raspberry Pi連接到Foale飛機的機翼上，他們記錄了一系列飛行的數(shù)據(jù)，而Foale試圖重現(xiàn)各種常見情況。“讓我們測量并記錄在正常的家庭條件下飛行時的參數(shù)是什么。然后讓我們進行一次失速，當我們接近失速時，讓我們看看所測量的所有參數(shù)發(fā)生了什么。當我們失速時，我們會將那一刻標記為異常。”

他們根據(jù)該飛行數(shù)據(jù)創(chuàng)建了一個包含數(shù)千條規(guī)則的“超級列表”，以指示飛行員在任何給定的家庭外情況下應采取的行動。然后，他們將該列表輸入到Wolfram語言功能Classify中。“在幾秒鐘內(nèi)，Classify宣布它已經(jīng)學習了所有規(guī)則。機器學習不需要知道所涉及的工程，只需要更改規(guī)則即可。”

 

由于Classify使用內(nèi)置的訓練方法，因此用戶只需提供參數(shù)和數(shù)據(jù)即可。由于速度如此之快，該團隊能夠在不到一個月的時間內(nèi)生成失控預測變量的原型。

“神經(jīng)網(wǎng)絡算法中發(fā)生了一些神奇的事情……”

 

贏得銅牌并超越

SPG在2017年EAA創(chuàng)始人創(chuàng)新獎競賽中獲得銅牌。從那時起，該團隊一直致力于通過自動創(chuàng)建培訓數(shù)據(jù)來改善系統(tǒng)。

 

團隊的新流程始于使用FindClusters識別并刪除大量的家庭飛行數(shù)據(jù)。該團隊再次通過FindClusters運行此簡化的數(shù)據(jù)集，從而確定了不同的家庭外行為組。然后，團隊可以為每個數(shù)據(jù)集群分配適當?shù)脑圏c操作，而不用對數(shù)千個單獨的數(shù)據(jù)點進行分類。

 

除了將培訓時間從幾天減少到幾小時之外，這種改進的過程還使系統(tǒng)可以更精確地定義正常飛行和失去控制之間的界限，從而極大地提高了預測的速度和準確性，并減少了SPG的誤報次數(shù)。

 

下一步，該團隊正在考慮使用按時間索引的培訓數(shù)據(jù)來更好地檢測家庭外行為的預警信號。

 

Foale將Wolfram語言強大的機器學習功能歸功于其能夠如此快速有效地開發(fā)SPG。從構(gòu)思到原型再到最終部署，軟件一直是該過程中最容易的部分。