في ظل التحديات التي تواجه صناعة الطيران العامة، مثل نقص البيانات الفعلية حول الأعطال وتنوع أنواعها، يبرز أسلوب جديد لتشخيص الأعطال يعدّ ثورة في هذا المجال. يقوم هذا الأسلوب على الاعتماد على التوأم الرقمي المتعدد الدقة (Multi-Fidelity Digital Twin) وتطبيق تحليل طرق وأثر العطل (FMEA) لتعزيز الفهم والتفاعل مع الأعطال.

تتكون الإطار المقترح من أربعة مكونات رئيسية؛ أولها هو محاكاة ديناميكية الطيران عالية الدقة، والثاني هو حقن الأعطال المعتمد على تقنيات FMEA، والثالث هو استخراج الميزات المتبقية متعددة الدقة، والرابع هو توليد تقارير تفسيرية باستخدام نماذج اللغات الكبيرة (LLM).

اعتمدت الدراسة على محرك ديناميكي للطيران JSBSim، الذي يوفر بيانات مراقبة صحة المحرك من خلال معادلات تركيب أجهزة الاستشعار شبه التجريبية. تمثل محرك حقن الأعطال ثلاثي الطبقات أساساً قوياً لتحليل 19 نوعاً من الأعطال، مما يسمح بتصوير دقيق لعملية انتشار العطل وبناء نماذج دقيقة.

تستخدم الطريقة الجديدة تقنية تعلّم عميق (غالباً ما تعرف بـ CNN) لتصنيف الأعطال، مما يوفر تشخيصاً شاملاً لنحو 20 نوعاً من الأعطال. علاوة على ذلك، تم تعزيز محرك تقارير التشخيص باستخدام المعرفة المرتبطة بأسلوب FMEA لدمج نتائج التصنيف والأدلة المتبقية والموارد المعرفية في تقارير طبيعية وشفافة، مما يسهل الفهم للراغبين بمزيد من التفاصيل.

تظهر التجارب أن هذا النظام الجديد قد حقق نتائج مثيرة، حيث انبعثت منه دقة عالية بلغت 96.2% في تصنيف الأعطال، مع تحقيق تسريع بمقدار 4.3 مرة في الاستدلال دون فقدان كبير في الأداء. هذه النتائج تبرز ضرورة تحسين جودة الميزات المتبقية على جودة تصميم الهيكلية التصنيفية، مما يدافع عن مبدأ "جودة الميزات أولاً" الذي يعد أساسياً في تصميم نظم التشخيص اللاحقة.