Szerző: Ajay Kumar Lohany, Delivery Sr. igazgató – Aero & Rail, Cyient

Az előrejelzések szerint a légi utasok száma 8.2-re megduplázódik, 2037 millióra, az Advanced Air Mobility (AAM) meghajtására szolgáló teljesen elektromos és hibrid-elektromos meghajtás fejlődése milliárd dolláros iparággá fejlődik. A Rolls Royce legújabb felmérései szerint 15,000-ig körülbelül 30 2035 elektromos függőleges fel- és leszálló (eVTOL) jármű lesz nélkülözhetetlen 2030 nagyvárosban, kizárólag a városon belüli utazási igények kielégítésére. 18-ra az utasok Advanced Air Mobility (AAM) szektorának vezető szereplői nagyobb flottával és lényegesen több napi járattal büszkélkedhetnek, mint a világ legnagyobb légitársaságai. Ezek az átlagosan mindössze XNUMX perces járatok általában kevesebb utast szállítanak (egytől hatig, plusz egy pilótát).

A növekvő urbanizáció, a növekvő népesség, az elöregedő infrastruktúra, valamint az e-kereskedelem és a logisztika felfutása rámutat arra, hogy korszerű, biztonságos és költséghatékony szállítási megoldásra van szükség mind az emberek, mind az áruk számára. Az Urban Air Mobility (UAM) zökkenőmentes, megbízható és gyors közlekedési módot kínál, amely megfelel a jelenlegi és jövőbeli városi kihívásoknak. A városon belüli és helyközi szállítás átalakításának képességével az UAM gyorsabb és hatékonyabb alternatívát kínál a hagyományos földi szállítási módokhoz képest. A városi légi mobilitás elfogadása öt fő tényezőn múlik:

• Növekvő kereslet az alternatív közlekedési módok iránt a városi mobilitásban
• Kényelmes, hatékony és utolsó mérföldes szállításra van szükség
• Nulla kibocsátás és zajmentes mandátumok
• Fejlődés a technológiák terén (energiatárolás, autonóm, csatlakoztatott, teljesítményelektronika)
• Biztonság

A növekvő városi légi mobilitás (UAM) szektor ellenére jelentős kihívásokkal kell szembenéznie, amelyekkel a jövőbeli növekedés és siker érdekében foglalkozni kell. Ezek a kihívások a megbízható elektromos meghajtási rendszerek fejlesztésétől az autonóm repülési képességek eléréséig és a szükséges infrastruktúra, például a vertiportok és töltőállomások létrehozásáig terjednek. Ezen akadályok leküzdése létfontosságú az UAM átalakító potenciáljának felszabadításához a városi közlekedésben.

A mesterséges intelligencia prediktív karbantartása lehetővé teszi az érzékelőadatok és a fedélzeti források elemzését a karbantartási igények előrejelzéséhez, csökkentve az állásidőt és növelve a repülőgépek rendelkezésre állását. Az AI-kompatibilis karbantartási ellenőrzések lehetővé teszik a problémák gyors azonosítását az eVTOL-ok és UAV-k képelemzésével, minimalizálva a hibákat és a figyelmen kívül hagyásokat. A mesterséges intelligencia segít a repülőgép-karbantartási támogatással kapcsolatos jobb döntések meghozatalában azáltal, hogy alaposan elemzi a különböző szempontokat, amelyek valószínűleg jobb eredményekhez vezetnek. Ezenkívül az AI-algoritmusokkal felszerelt robotrendszerek önállóan megjavíthatják vagy kicserélhetik a kisebb alkatrészeket, növelve a karbantartó csapatok biztonságát. Ezenkívül az AI megkönnyíti a jobb diagnosztikát és célzott hibaelhárítást, felgyorsítja a hibaazonosítást és a javítási javaslatokat. Végső soron az AI proaktív karbantartást, adatintegrációt és fokozott biztonságot ígér az UAM-ban, amely biztosítja a repülőgépek hatékony karbantartását a felszállástól a leszállásig.

A légi és vasúti iparban használt intelligens utastér-kezelő rendszer (ICMS) folyamatos fejlődésen megy keresztül a feltörekvő technológiák által. A mesterséges intelligencia (AI) által vezérelt továbbfejlesztett arcfelismerő algoritmusok jelentősen javítják a felhasználói hitelesítés, a viselkedéselemzés, a biztonság, a fenyegetésészlelés és az objektumkövetés hatékonyságát és megbízhatóságát. Ezen túlmenően, az ICMS kiemelten kezeli az utasok életjeleit a fedélzeten az egészségügyi biztonság érdekében.

Ez a megoldás az utasok biztonságára, biztonságára és egészségére összpontosító kabinműveleteket biztosítja, alkalmas különféle repülőgép- és vasúti utaskabinokhoz, és különösen ideális UAM alkalmazásokhoz. Megkönnyíti a feljogosított személyzet és utasok belépését a kabinba, irányítja az ülésrendet, betartja a poggyászelhelyezési szabályokat, biztosítja a légi közlekedési utasítások betartását, figyeli az utasok viselkedését a megelőző beavatkozás érdekében, azonosítja a megengedett és potenciálisan fenyegető tárgyakat, megjelöli a csomagokat, és észleli a létfontosságú egészségügyi paramétereket valós idejű megfigyelés és vezérlés.

A mesterséges intelligencia által vezérelt prediktív karbantartás magában foglalja az érzékelőadatok és a beépített források elemzését az UAM-karbantartási igények előrejelzéséhez, elősegítve a proaktív ütemezést és minimalizálva az állásidőt. Hasonlóképpen, a mesterséges intelligencia alapú vizsgálatok képelemzést használnak a rendszeres ellenőrzések során a lehetséges problémák gyors azonosítására, javítva a pontosságot és csökkentve a hibákat. Ezenkívül az AI támogatja a karbantartási döntéshozatalt azáltal, hogy elemzi a különböző tényezőket, például a javítási költségeket és az alkatrészek rendelkezésre állását, és tájékozott ajánlásokat ad. A jövőbeli fejlesztések során elképzelhető, hogy a mesterséges intelligencia által hajtott autonóm karbantartási rendszerek rutinfeladatokat, például ellenőrzéseket és kisebb javításokat hajtanak végre, javítva a hatékonyságot és a biztonságot. Ezen túlmenően, az AI az adatok és az előzményadatok elemzésével segíti a technikusokat a diagnosztikában és a hibaelhárításban, hogy pontosan meghatározza a problémákat, és megfelelő megoldásokat javasoljon, ésszerűsítse a karbantartási folyamatokat és biztosítsa az UAM működési megbízhatóságát.

Az AI integrálása az UAM-karbantartásba számos előnnyel jár, amelyek jelentősen növelik az UAM-műveletek hatékonyságát, biztonságát és megbízhatóságát. A mesterséges intelligencia előrejelző képességei által lehetővé tett proaktív karbantartás révén a karbantartó csapatok előre jelezhetik és kezelhetik a lehetséges hibákat, mielőtt azok bekövetkeznének, csökkentve a nem tervezett állásidőt és növelve a működési megbízhatóságot. Ezenkívül az AI által támogatott karbantartás növeli a repülőgépek rendelkezésre állását, biztosítva a járművek állandó biztonságát és megbízhatóságát, hozzájárulva ezzel a magasabb ügyfél-elégedettséghez és az általános működési teljesítményhez.

Ezenkívül az AI-vezérelt karbantartás-optimalizálás költségcsökkentést eredményez a karbantartási igények pontos előrejelzésével és a szükségtelen ellenőrzések és alkatrészcserék minimalizálásával, ezáltal csökkentve a munkaerő- és anyagköltségeket. Ezenkívül az AI folyamatosan figyeli az UAM járművek állapotát, és növeli a biztonságot azáltal, hogy valós időben észleli az anomáliákat vagy biztonsági kockázatokat, megelőzi a baleseteket és gondoskodik az időben történő karbantartásról. Összességében az AI alkalmazása az UAM karbantartásában átalakuló lépést jelent egy hatékonyabb, biztonságosabb és megbízhatóbb városi légi közlekedési rendszer felé.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://www.eletimes.com/emerging-solutions-in-all-electric-air-mobility-service