KI zur Steuerung von Flugtriebwerken einsetzen – Yuzong Technology stattet KI mit einem „Sicherheitskäfig“ aus
Die Schwachstellen kleiner und mittlerer Drohnen liegen niemals am Flugkörper, sondern am Antrieb. Die Energiedichte herkömmlicher Lithiumbatterien steigt nur langsam an, und die Reichweite elektrischer Mehrrotorplattformen beträgt im Allgemeinen nur dreißig bis vierzig Minuten bis zu einer Stunde, was Aufgaben wie Langstreckeninspektionen, Logistik und Zieldrohnen nicht gerecht wird. Daher steigt die Marktnachfrage nach treibstoffbetriebenen Antrieben wie Turbinenstrahltriebwerken und Mantelstromtriebwerken rasant an. Derzeit arbeiten Verbrennungsmotoren jedoch noch auf Basis von PID-Regelgesetzen mit festen Parametern: Sobald das Gas schnell verändert wird oder die Drohne in die dünne Atmosphäre großer Höhen aufsteigt, lassen solche nichtlinearen Betriebszustände es schwer zu, gleichzeitig Schubantwort und Kraftstoffeffizienz zu erreichen. Um den Motor nicht in den Pulsationszustand zu bringen, muss das Steuersystem die Kraftstoffzufuhr konservativ begrenzen, wodurch die dynamische Antwort und die Aufgabeneffizienz weiter beeinträchtigt werden. Um mehr Leistung zu erhalten, muss man riskantere Betriebszustände eingehen; um die Sicherheit zu gewährleisten, muss man auf Leistung verzichten – dieses Dilemma ist ein Problem, das die Branche seit langem nicht lösen konnte.
Eine weitere Belastung stammt aus der Wartung. Die überwiegende Mehrheit der kleinen und mittleren Luftfahrtmotoren wird bis heute nach festen Zeitplänen gewartet, und das System weiß nicht, in welchem Maße Schlüsselkomponenten wie Turbinenschaufeln und Lager derzeit abgebaut sind: Regelmäßige Wartungen führen daher oft zu Überwartungen, bei denen Geld für unnötig zu demontierende Komponenten ausgegeben wird. Und potenzielle Gefahren, die zu ungeplanten Flugunterbrechungen führen könnten, werden möglicherweise nicht bis zum nächsten Wartungsfenster erkannt. Für eine Drohnenflotte, die auf eine hohe Einsatzbereitschaft angewiesen ist, wirkt sich dieses Modell, bei dem „der Zustand nicht erkannt werden kann und nur nach Zeitplan demontiert und geprüft werden muss“, direkt auf die Kosten und Verfügbarkeit im gesamten Lebenszyklus aus.
Schwieriger zu umgehen ist die Versorgung. Antriebe dieser Schubklasse sind seit langem entweder auf Importe angewiesen oder werden von staatlichen Forschungsinstituten kontrolliert, sodass es einen deutlichen Mangel an marktorientierten inländischen Angeboten gibt. Ausländische vergleichbare Produkte – wie das tschechische PBS Velká Bíteš und das deutsche JetCat – kosten in der Regel das Drei- bis Fünffache von inländischen Produkten, haben lange Lieferfristen und können jederzeit aufgrund geopolitischer Faktoren von Lieferunterbrechungen betroffen sein. Vier Behörden wie das Ministerium für Industrie und Informationstechnologie haben klargestellt: Bis 2027 soll der autonome Versorgungsanteil für Kernkomponenten von Drohnen auf über 70 % angehoben werden. Die Nachfrage ist vorhanden, die Einschränkungen sind streng, und es fehlt nur ein technischer Weg, der sowohl autonom als auch ausreichend ausgereift ist.
Diese drei Probleme weisen tatsächlich auf dieselbe Lücke hin: Ein kleines und mittleres Luftfahrtantriebskonzept, das die Leistungsfähigkeit des Antriebs voll ausschöpft, ohne die Sicherheit zu gefährden und inländisch hergestellt werden kann. Genau diese Lücke will Yuzong Technology schließen, und der Ansatz besteht darin, künstliche Intelligenz in den Steuerkreis des Motors zu integrieren – der erste Schritt besteht jedoch darin, herauszufinden, wie die KI kontrolliert werden kann.
Damit die KI die Steuerung übernimmt, muss sie zuerst in einen „Sicherheitskäfig“ eingeschlossen werden
Der von Yuzong Technology gewählte technische Weg ist das sicherheitsbeschränkte tiefe Verstärkungslernen (Safe RL). Das Team hat nicht sofort nach neuen Algorithmen gesucht, sondern die gängigen Verstärkungslernsteuerungsalgorithmen wie SAC, TD3 und PPO nacheinander verglichen: SAC hat eine hohe Explorationseffizienz, aber ein instabiles Training, die deterministische Ausgabe von TD3 eignet sich für die Steuerung, aber die Stichprobenauslastung ist niedrig. Schließlich hat man sich für PPO entschieden – da PPO bei der Strategieaktualisierung durch einen Beschneidungsmechanismus natürlich eine Vertrauensbereichsbeschränkung bietet, die es einfach macht, darüber hinaus Sicherheitsbarrierefunktionen (CBF), Amplitudenbegrenzungen für Aktionen und unabhängige Schutzlogiken hinzuzufügen. Mit anderen Worten: Jede Steueranweisung der KI muss vor der Ausführung eine voreingestellte Sicherheitsgrenze durchlaufen und wird außerhalb des Gültigkeitsbereichs ungültig.
Hier gibt es ein Design, das der Intuition widerspricht: Die KI hat nicht das endgültige Entscheidungsrecht. Yuzong Technology verwendet eine zweifache Redundanzarchitektur mit dem Prinzip „KI gibt Vorschläge, der herkömmliche Controller entscheidet“. Die Ausgabe der KI wird erst nach der Prüfung durch einen Sicherheitshüll-Monitor freigegeben, und die eigentliche letzte Verteidigungslinie wird ständig von einer unabhängigen herkömmlichen Schutzlogik gewahrt. Dafür erhält das Team den gewünschten Leistungsspielraum – nach vorläufigen Validierungen in der Simulationsumgebung kann die Beschleunigungszeit im Vergleich zu herkömmlichen PID-Systemen voraussichtlich um 15 % bis 20 % verkürzt und der Kraftstoffverbrauch um 5 % bis 8 % gesenkt werden. Das Designziel für den Pulsationsspielraum liegt bei mindestens 8 %, und der Spielraumverlust durch dynamische Schwankungen wird auf unter 5 % begrenzt. Derzeit befinden sich diese Werte jedoch noch im Stadium von Simulationen und Designzielen, und das Team hat in seinen Dokumenten klar angegeben: Die tatsächliche Leistung muss durch Prüfstandversuche validiert werden.
Um ein rechenfähiges Modell in ein sicherheitskritisches System wie einen Motor zu integrieren, sind Echtzeitfähigkeit und Zertifizierbarkeit zwei unumgängliche Hürden. Bei der technischen Umsetzung ist geplant, das KI-Inferenzmodul auf einer luftfahrtgeeigneten eingebetteten Plattform (z. B. Xilinx UltraScale+ FPGA oder fahrzeuggeeignetes NXP S32V) auszuführen. Das Netzwerk wird durch Quantisierung und Destillation leichtgewichtig gemacht, und die Ziel-Antwortzeit des Steuerkreises wird auf unter eine Millisekunde gedrückt. Schwieriger ist die Zertifizierung: Die weltweiten Luftfahrtbehörden sind derzeit bei der Verwendung von KI in sicherheitskritischen Systemen noch vorsichtig, und CAAC, EASA und FAA haben keine ausgereiften Zertifizierungsstandards für KI-Steuergesetze. Yuzong Technology hat diesen Punkt nicht umgangen, sondern den Weg so gestaltet, dass „zuerst die herkömmliche Steuerung im Vordergrund steht und die KI nur zur Leistungssteigerung dient“, um die Eintrittshürden zu senken und sich dann schrittweise an die Zertifizierung anzunähern, unter Bezugnahme auf den „KI in der Luftfahrt Roadmap“ von EASA und die entsprechenden Richtlinien der CAAC.
Zusätzliche Gesundheitsverwaltung, die „sich selbst versteht“, und zwei noch nicht hergestellte Motoren
Neben der Steuerung will Yuzong Technology das oben erwähnte Wartungsproblem lösen. Der Kern der geplanten Gesundheitsverwaltungsplattform ist ein hybrides Modell, das Transformer und LSTM kombiniert: Transformer ist dafür zuständig, globale Zusammenhänge aus langen sequenziellen Sensordaten zu erfassen, während LSTM die lokalen Dynamiken von Zeitreihen verarbeitet. Beide arbeiten zusammen, um die verbleibende Nutzungsdauer (RUL) von Schlüsselkomponenten wie Turbinenschaufeln und Lagern vorherzusagen, und synchronisieren dann den Zustand des physischen Motors mit dem virtuellen Raum mithilfe von digitalen Zwillingen. Das Ziel ist eine Fehlerdiagnosegenauigkeit von mindestens 90 % und eine durchschnittliche Vorhersagegenauigkeit der Abgastemperaturspielraum (EGTM) von über 90 %. Dadurch wird die regelmäßige Wartung zu einer bedingten Wartung aufgewertet, die erst ausgelöst wird, wenn der Abbau einen Schwellenwert erreicht. Es wird erwartet, dass die Rate ungeplanter Flugunterbrechungen um mehr als 60 % gesenkt und die Wartungskosten im gesamten Lebenszyklus um 30 % bis 40 % reduziert werden. Auch hier gilt, dass die Validierung erst möglich ist, wenn ausreichend echte Betriebsdaten gesammelt wurden.
Bei den Produkten verfolgt Yuzong Technology einen zweistufigen Plan: Die erste Generation ist ein Mikro-Turbinenstrahltriebwerk mit 100 kgf Schub, das für Zieldrohnen, Tests und kleine und mittlere Drohnen vorgesehen ist. Es ist geplant, die Montage des ersten Prototyps innerhalb von 24 Monaten abzuschließen, nach etwa 30 Monaten den ersten Bodenprüfstandslauf durchzuführen, nach 42 Monaten die erste Flugvalidierung abzuschließen und innerhalb von 48 Monaten eine Kleinserienlieferung zu realisieren. Die zweite Generation ist ein Mantelstromtriebwerk mit geringerem Schub, das sich noch in der Vorentwicklung befindet. Das Ziel besteht darin, den Kraftstoffverbrauchsrate um weitere über 25 % im Vergleich zu herkömmlichen Turbinenstrahltriebwerken gleicher Klasse zu senken. Es ist klarzustellen, wo sich das Projekt derzeit befindet: Nach Angaben in seinen Finanzierungsdokumenten hat das Projekt die Konzeptvalidierung des Algorithmus abgeschlossen und noch keinen Prototyp hergestellt. Die gesamte Entwicklung folgt einem vierstufigen Fortschrittsprinzip: „Digitale Simulation, halbphysikalische Simulation, Prüfstandversuch, Flugvalidierung“, und schreitet Schritt für Schritt voran.
Was die Gewinngenerierung betrifft, hat Yuzong Technology ein Geschäftsmodell entworfen, das von Hardware zu Software und Dienstleistungen übergeht. Die Grundlage ist der Verkauf von kompletten Motoren. Der Zielpreis der ersten Produktgeneration liegt bei 100.000 bis 200.000 Yuan, und die Bruttomarge der Hardware in der frühen Phase liegt zwischen 20 % und 30 %. Wenn die Technologie der KI-Steuerungsalgorithmen und der Gesundheitsverwaltungsplattform ausgereift ist und die Zertifizierung erhalten hat, wird die Software im Rahmen einer jährlichen Lizenz oder nach Betriebsstunden des Motors verkauft. Dieser Bereich hat niedrige Grenzkosten, und die Zielbruttomarge in der Reifephase liegt bei über 80 %. Darüber hinaus wird die vorausschauende Wartung auf Basis digitaler Zwillinge nach Anzahl der Geräte oder Flugstunden abonniert, wodurch der einmalige Hardwareverkauf zu einem dauerhaften Dienstleistungseinkommen umgewandelt wird. Nach seinen Finanzprognosen erzielt das Projekt erst im dritten Jahr einen kleinen Lieferumsatz von etwa 3,2 Millionen Yuan und erreicht im fünften Jahr einen Umsatz von 46 Millionen Yuan sowie einen operativen Break-Even.
Die Wette auf die „autonome Kontrollierbarkeit“ und was die Finanzierung erreichen soll
Die Zielkunden sind klar definiert. Auf der militärischen Seite handelt es sich um Forschungsinstitute und Ausrüstungsbeschaffungsabteilungen wie CASIC, AST und AVIC, die vor allem die Typenunterstützung für kleine und mittlere Drohnen wie Zieldrohnen und Aufklärungsdrohnen realisieren. Auf der zivilen Seite sind es Drohnenhersteller, Unternehmen der allgemeinen Luftfahrt und Logistikunternehmen. Darüber hinaus gibt es staatliche Abteilungen wie Polizei, Feuerwehr und Katastrophenschutz. Nach Berechnungen des Prospective Industry Research Institute wird der Marktumfang für kleine und mittlere Luftfahrtmotoren für Drohnen in China im Jahr 2026 voraussichtlich 2 bis 5 Milliarden Yuan erreichen, wobei der Anteil der Antriebe für Spezialdrohnen und Zieldrohnen etwa 40 % beträgt – dies ist genau der Hauptbereich, auf den sich Yuzong Technology in der Anfangsphase konzentrieren wird. Es ist geplant, die Kundenvalidierung bei drei bis fünf militärischen Forschungsinstituten vor der Serie-A-Finanzierung abzuschließen.
Das Team zeichnet sich durch die Kombination aus „Luftfahrtmotoren und künstlicher Intelligenz“ aus. Gründer Huang Jian hat einen Hintergrund in Maschinenbau und hat an der Entwicklung mehrerer Motortypen gearbeitet. Wu Aiqiang, der für die KI-Algorithmen zuständig ist, spezialisiert sich auf tiefes Verstärkungslernen und Optimierung der industriellen Steuerung und verfügt über praktische Erfahrung bei der Anwendung von Safe RL in sicherheitskritischen Systemen. Im Team gibt es zudem einen Leiter für Softwaretechnik, der bereits an der Erfassung von Versuchsdaten und PHM-Plattformen gearbeitet hat, sowie einen Leiter für Aerodynamik und Strukturdesign. Die Kernmitglieder haben größtenteils Hintergründe in Luftfahrt, Physik und Maschinenbau an der Sichuan-Universität und planen eine Zusammenarbeit in Forschung und Anwendung mit untergeordneten Instituten von AECC sowie dem Institut für Ingenieurthermophysik der Chinesischen Akademie der Wissenschaften.
Mit dieser Runde will Yuzong Technology eine Seed- oder Angel-Finanzierung initiieren. Die konkrete Finanzierungssumme und die Vorfinanzierungsbewertung wurden noch nicht öffentlich bekanntgegeben. Nach seinem Plan wird die Finanzierung hauptsächlich in die Entwicklung von KI-Algorithmen und den Aufbau der halbphysikalischen Simulationsplattform investiert. Der Rest wird für den Aufbau des Kernteams, Ausrüstung und Standorte, Konformität mit Qualifikationsanforderungen und Rücklagen verwendet. Dies entspricht einem sehr klaren Ziel: Die Validierung des geschlossenen Algorithmuskreises und die Montage des ersten Motors innerhalb von 24 Monaten abzuschließen und nach etwa 30 Monaten den ersten Prüfstandslauf durchzuführen. Das Team selbst räumt ein, dass es vor großen Herausforderungen steht: Prototypen und Prüfstandsdaten liegen noch nicht vor, es gibt weltweit keine Präzedenzfälle für die Zertifizierung von KI-Steuergesetzen, und die Amortisationszeit wird auf fünf bis acht Jahre geschätzt. Diese Probleme lassen sich nicht einfach mit einer Finanzierung umgehen. Für ein frühes Hard-Team, das sich noch im Stadium „von der Konzeptvalidierung zum Prototyp“ befindet, muss die eigentliche Frage beantwortet werden, ob der Motor die in der Simulation angegebenen Werte auf dem Prüfstand tatsächlich realisieren kann.
Yuzong Technology ist ein Unternehmen, das intelligente Luftfahrtantriebe für Drohnen anbietet. Sein Geschäft umfasst die adaptive Steuerung und Gesundheitsverwaltung von Motoren, und es befindet sich derzeit im Stadium der Seed- oder Angel-Finanzierung.