在飞机机翼制造的每一个环节，人工质量检查都是不可或缺的。这包括关键的测量和测试，以确保每一个组件均符合规格要求并正确组装。检验数量之多、规模之大不可小觑——任何疏漏都可能带来严重后果。
制造飞机机翼的复杂性极高，需要考虑机翼在提供空气动力升力、安装强力喷气发动机、支撑起落架以及储存航空燃料方面的关键作用。
在飞行过程中，机翼必须承受从 -50 到 40 摄氏度的极端温度变化，同时在空气湍流中产生弯曲。这使机翼成为飞机上最复杂、最关键的部件之一。
制造过程中包含多项操作，涉及不同材料、材料处理，以及上千个组件的组装，如机翼外壳、翼肋、翼梁、紧固件、铆钉及支架等。
技术挑战
检测制造问题需要满足多种要求，以确保每一个制造步骤都严格遵循公差标准。与其他制造行业不同，飞机机翼的制造工艺和质量检测极为严苛，因此几乎不会出现缺陷。然而，这并不意味着可以放松检查标准。
质量检查必须在飞机服役期间持续进行——检查由于操作应力和负荷导致的表面损伤或其他缺陷。因此，在定期周期内，机翼结构需由人工进行全面的内外部检查。这一过程耗时极长，并要求检查人员全程佩戴个人防护装备。
即便是常规检查，也可能存在潜在的异物风险，例如耳塞或防护装备遗落。虽然极少发生，但仍有可能。以波音飞机为例，其质量检查技术近期曾在业内被广泛报道出现问题，这凸显了这一风险的重要性。
技术方法
英国拉夫堡大学（Loughborough University）的先进虚拟现实研究中心（AVRRC）正在开发基于人工智能的新解决方案，用于识别潜在制造问题，其检测水平可达到甚至超过当前人工检查标准。具体研究内容涉及商业机密，但已开发出若干关键 AI 技术，大幅提升缺陷检测的准确性和可靠性。其目标是辅助而非取代人工检查方法。
AI 技术需要大量训练数据集，其中包括真实缺陷或感兴趣对象的示例。然而，由于飞机机翼制造中持续的高水平质量检查，几乎没有真实缺陷产生，因此可用的训练数据非常有限。AVRRC 探索使用模拟生成的缺陷训练数据，模拟制造过程中可能出现的问题。
研究团队结合多种机器学习技术触发预定义异常。这要求采用创新的 AI 训练方法，创建等效的缺陷异常，从而无需庞大的真实缺陷数据集（数十万条）即可完成训练。训练过程使用了专用的 Nvidia AI 超级计算机。
研究成果
尽管研究结果涉及商业敏感信息，但已证明 AI 技术组合在制造及服役过程中检测多种异常的效率和有效性。该方法在制造效率、详细检查所需时间及成本方面具有显著节约潜力。
研究团队开发了一系列算法，将多光谱传感器能力与传统及 AI 成像技术相结合，以实现对异常的高精度识别。
了解更多信息，请访问：www.lboro.ac.uk
