Lassen Sie KI die Flugzeugtriebwerke steuern, Yuzong Technology stattet die KI mit einem „Sicherheitskäfig“ aus.
Die Schwachstellen kleiner und mittlerer Drohnen liegen niemals im Flugkörper, sondern im 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 Turbojets und Mantelstromtriebwerken schnell an. Derzeit laufen Verbrennungsmotoren jedoch noch auf Basis von PID-Regelungen mit festen Parametern: Sobald das Gaspedal schnell verändert wird oder das Fluggerät in dünne Atmosphäre in großer Höhe aufsteigt, machen diese nichtlinearen Betriebszustände es schwierig, Schubantwort und Kraftstoffeffizienz gleichzeitig zu erreichen. Um den Motor nicht in einen Pulsationszustand zu bringen, muss das Steuersystem die Kraftstoffzufuhr konservativ begrenzen, was die dynamische Antwort und die Aufgabeneffizienz weiter beeinträchtigt. Um mehr Leistung zu erhalten, muss man riskantere Betriebszustände eingehen; um Sicherheit zu gewährleisten, muss man Leistung einbüßen – dieses Dilemma ist ein ungelöstes Problem in der Branche seit langem.
Eine weitere Belastung ergibt sich aus der Wartung. Die überwiegende Mehrheit der kleinen und mittleren Flugmotoren wird bis heute nach festen Zyklen gewartet, und das System weiß nicht, in welchem Maße Schlüsselkomponenten wie Turbinenblätter und Lager derzeit abgebaut sind: Regelmäßige Wartungen sind daher oft übermäßige Wartungen, bei denen Geld für unnötig zu wechselnde Komponenten ausgegeben wird; während potenzielle Gefahren, die zu ungeplanten Flugausfällen führen könnten, möglicherweise nicht bis zum nächsten Wartungsfenster erkannt werden. Für eine Drohnenflotte, die auf ihre Einsatzbereitschaft angewiesen ist, wirkt sich dieses Modell, bei dem "der Zustand nicht erkannt werden kann und nur nach Zeitplan zerlegt und geprüft werden muss", direkt auf die Kosten und die Verfügbarkeit über den gesamten Lebenszyklus aus.
Die Versorgung ist noch schwerer zu umgehen. Antriebe dieser Schubklasse hängen seit langem entweder von Importen ab oder werden von staatlichen Forschungsinstituten kontrolliert, sodass es einen deutlichen Mangel an marktorientierten inländischen Angeboten gibt. Ausländische Produkte gleicher Art – wie das tschechische PBS Velká Bíteš und das deutsche JetCat – kosten in der Regel das Drei- bis Fünffache von inländischen Produkten, haben lange Lieferzeiten und können jederzeit aufgrund geopolitischer Faktoren von Lieferunterbrechungen betroffen sein. Vier Ministerien, darunter das Ministerium für Industrie und Informationstechnologie, haben es klar ausgesprochen: Bis 2027 soll die eigenständige Versorgungsrate von Schlüsselkomponenten für Drohnen auf über 70 % angehoben werden. Die Nachfrage ist vorhanden, die Einschränkungen sind streng, und es fehlt nur an einem technischen Weg, der sowohl eigenständig als auch ausgereift genug ist.
Diese drei Probleme weisen eigentlich auf dieselbe Lücke hin: Ein kleines und mittleres Flugantriebskonzept, das die Leistungsfähigkeit des Antriebs voll ausschöpft, keine Sicherheit riskiert und gleichzeitig inländisch hergestellt werden kann. Genau diese Lücke möchte Yuzong Technology schließen, und sein Ansatz besteht darin, künstliche Intelligenz in die Steuerungsschleife des Motors zu integrieren – der erste Schritt besteht jedoch darin, herauszufinden, wie man die AI kontrollieren kann.
Um die Steuerung der AI zu übergeben, muss sie zuerst in einen "Sicherheitskäfig" gesperrt werden
Der von Yuzong Technology gewählte technische Ansatz ist das sicherheitsbeschränkte tiefgreifende verstärkende Lernen (Safe RL). Das Team hat nicht sofort nach neuen Algorithmen gesucht, sondern die gängigen verstärkenden Lernsteuerungsalgorithmen wie SAC, TD3 und PPO nacheinander verglichen: SAC hat eine hohe Erkundungseffizienz, aber ein nicht stabiles Training, die deterministische Ausgabe von TD3 eignet sich für die Steuerung, aber die Stichprobennutzungsrate ist gering. Schließlich wurde PPO ausgewählt – da PPO bei der Strategieaktualisierung durch einen Beschneidungsmechanismus von Natur aus eine Vertrauensbereichsbeschränkung bietet, die es einfach macht, weitere Sicherheitsbarrierefunktionen (CBF), Amplitudenbegrenzungen der Aktionen und unabhängige Schutzlogiken hinzuzufügen. Mit anderen Worten: Jede Steueranweisung der AI muss vor der Ausführung eine voreingestellte Sicherheitsgrenze durchlaufen, und wird ungültig, wenn sie den Bereich überschreitet.
Hier gibt es ein Design, das der Intuition widerspricht: Die AI hat nicht das endgültige Entscheidungsrecht. Yuzong Technology verwendet eine zweikanalige Architektur "AI-Vorschlag, Entscheidung durch herkömmlichen Regler", die Ausgabe der AI wird erst nach der Prüfung durch einen Sicherheitsbereichsmonitor freigegeben, und die eigentliche letzte Verteidigungslinie wird stets von einer unabhängigen herkömmlichen Schutzlogik aufrechterhalten. Im Gegenzug erhält das Team den gewünschten Leistungsspielraum – nach vorläufigen Validierungen in Simulationsumgebungen kann die Beschleunigungszeit im Vergleich zu herkömmlichem PID um 15 % bis 20 % verkürzt und der Kraftstoffverbrauch um 5 % bis 8 % gesenkt werden. Das Auslegungsziel für die Pulsationsreserve liegt bei mindestens 8 %, und der Verlust der Reserve durch dynamische Schwankungen wird auf unter 5 % begrenzt. Diese Zahlen befinden sich jedoch derzeit noch auf der Ebene von Simulationen und Auslegungszielen, und das Team hat es in seinen Dokumenten klar formuliert: Die tatsächliche Leistung muss durch Prüfstandversuche validiert werden.
Um ein rechenstarkes Modell in ein sicherheitskritisches System wie einen Motor zu integrieren, sind Echtzeitfähigkeit und Zertifizierbarkeit zwei unumgängliche Hürden. Bei der technischen Umsetzung ist geplant, das AI-Inferenzmodul auf einem luftfahrtgeeigneten eingebetteten Plattform (z. B. Xilinx UltraScale+ FPGA oder fahrzeuggeeignetes NXP S32V) auszuführen. Das Netzwerk wird durch Quantisierung und Destillation vereinfacht, und die Zielantwortzeit der Steuerungsschleife wird auf unter eine Millisekunde gedrückt. Noch schwieriger ist die Zertifizierung: Die weltweiten Luftfahrtbehörden sind derzeit bei der Verwendung von AI in sicherheitskritischen Systemen noch vorsichtig, und weder CAAC, EASA noch FAA haben ausgereifte Zertifizierungsstandards für AI-Steuerungsregelungen. Yuzong Technology hat dies nicht vermieden, sondern den Weg so gestaltet, dass "zuerst die herkömmliche Steuerung im Vordergrund steht und die AI die Leistung ergänzt", um die Zugangshürden zu senken, und sich dann schrittweise an die Zertifizierung annähert, indem es sich an den "AI in Aviation Roadmap" der EASA und die entsprechenden Leitfäden der CAAC orientiert.
Zusätzliche Ebene des Gesundheitsmanagements, das "sich selbst versteht", und zwei noch nicht hergestellte Motoren
Neben der Steuerung möchte Yuzong Technology das zuvor genannte Wartungsproblem lösen. Der Kern der geplanten Gesundheitsmanagementplattform ist ein hybrides Modell, das Transformer und LSTM kombiniert: Transformer ist dafür zuständig, globale Zusammenhänge aus langen Sequenzen von Sensordaten zu erfassen, und LSTM verarbeitet die lokalen Dynamiken von Zeitreihen. Beide arbeiten zusammen, um die verbleibende Nutzungsdauer (RUL) von Schlüsselkomponenten wie Turbinenblättern und Lagern vorherzusagen, und synchronisieren dann den Zustand des physischen Motors in den virtuellen Raum mithilfe des digitalen Zwillings. Das Ziel ist eine Fehlerdiagnosegenauigkeit von mindestens 90 % und eine durchschnittliche Vorhersagegenauigkeit der Abgastemperaturreserve (EGTM) von über 90 %, um die regelmäßige Wartung zu einer bedingten Wartung zu verbessern, die erst ausgelöst wird, wenn der Abbau einen Schwellenwert erreicht. Es wird erwartet, dass die Rate ungeplanter Flugausfälle um mehr als 60 % gesenkt und die Wartungskosten über den gesamten Lebenszyklus um 30 % bis 40 % reduziert werden. Ebenso gilt, dass all dies erst nach der Akkumulation echter Betriebsdaten validiert werden kann.
Bei den Produkten hat Yuzong Technology einen Zeitplan für zwei Generationen festgelegt: Die erste Generation ist ein Mikro-Turbojet mit 100 kgf Schub, der für Zieldrohnen, Tests und kleine und mittlere Drohnen bestimmt ist. Es ist geplant, die Montage des ersten Prototyps innerhalb von 24 Monaten abzuschließen, die erste Bodenprüfung auf dem Prüfstand nach etwa 30 Monaten durchzuführen, die erste Flugvalidierung nach 42 Monaten abzuschließen und innerhalb von 48 Monaten in Kleinserie zu liefern. Die zweite Generation ist ein Mantelstromtriebwerk mit geringerem Schub, das sich noch in der Vorentwicklung befindet. Das Ziel ist, den Kraftstoffverbrauchsgrad um mehr als 25 % im Vergleich zu herkömmlichen Turbojets gleicher Klasse zu senken. Es muss klar gestellt werden, wo sich das Projekt derzeit befindet – nach eigenen Angaben in den Finanzierungsdokumenten hat das Projekt die Konzeptvalidierung des Algorithmus abgeschlossen und noch keinen Prototyp hergestellt. Die gesamte Entwicklung folgt einer vierstufigen Fortschrittsregel: Digitale Simulation, halbphysikalische Simulation, Prüfstandversuch und Flugvalidierung, und schreitet stufenweise voran.
Was die Gewinnerzielung betrifft, hat Yuzong Technology eine Kurve entworfen, die von Hardware zu Software und Dienstleistungen übergeht. Das Grundlegendste ist der Verkauf von kompletten Motoren. Der Zielpreis der ersten Generation von Produkten liegt bei 100.000 bis 200.000 Yuan, und die Bruttomarge der Hardware in der frühen Phase beträgt 20 % bis 30 %. Wenn die Technologie der AI-Steuerungsalgorithmen und der Gesundheitsmanagementplattform ausgereift ist und die Zertifizierung erhalten hat, wird die Software über jährliche Lizenzen oder Zahlungen nach Betriebsstunden des Motors verkauft. Dieser Bereich hat niedrige Grenzkosten, und das Ziel der Bruttomarge in der Reifephase liegt bei über 80 %. Darüber hinaus wird die vorausschauende Wartung auf Basis des digitalen Zwillings nach Anzahl der Geräte oder Flugstunden abonniert, um den einmaligen Hardwareverkauf zu einem dauerhaften Dienstleistungseinkommen zu machen. Nach seinen Finanzprognosen erzielt das Projekt im dritten Jahr nur einen kleinen Lieferumsatz von etwa 3,2 Millionen Yuan und erreicht im fünften Jahr 46 Millionen Yuan sowie die operative Gewinnschwelle.
Die Wette auf das Thema "eigenständige Kontrolle" und was das eingeworbene Geld erreichen soll
Die Zielkunden sind sehr klar. Auf der militärischen Seite sind es Forschungsinstitute und Ausrüstungsbeschaffungsstellen wie CASIC, CASIC und AVIC, die hauptsächlich die Typenunterstützung für kleine und mittlere Drohnen wie Zieldrohnen und Aufklärungsdrohnen übernehmen. Auf der zivilen Seite sind es Drohnenhersteller, allgemeine Luftfahrtunternehmen und Logistikunternehmen. Darüber hinaus gibt es Regierungsbehörden wie Polizei, Feuerwehr und Katastrophenschutz. Nach Berechnungen der Prospective Industry Research Institute wird das inländische Marktvolumen von kleinen und mittleren Flugmotoren für Drohnen im Jahr 2026 voraussichtlich 2 bis 5 Milliarden Yuan betragen, wobei der Anteil der Antriebe für Spezialdrohnen und Zieldrohnen etwa 40 % ausmacht – was genau der Hauptrichtung ist, auf die Yuzong Technology in der Anfangsphase abzielt. Es ist geplant, die Kundenvalidierung bei drei bis fünf militärischen Forschungsinstituten vor der Serie-A-Finanzierung abzuschließen.
Der Hintergrund des Teams ist die Schnittstelle zwischen "Flugmotoren und künstlicher Intelligenz". Gründer Huang Jian hat einen Hintergrund im Maschinenbau und hat an der Entwicklung mehrerer Motortypen mitgewirkt. Wu Aiqiang, der für die AI-Algorithmen zuständig ist, konzentriert sich auf tiefgreifendes verstärkendes Lernen und Optimierung der industriellen Steuerung und verfügt über praktische Erfahrungen bei der Anwendung von Safe RL in sicherheitskritischen Systemen. Im Team gibt es zudem einen Leiter für Softwaretechnik, der sich mit der Erfassung von Versuchsdaten und PHM-Plattformen befasst, sowie einen Leiter für Aerodynamik und Konstruktionsdesign. Die Kernmitglieder haben größtenteils Hintergründe in Luftfahrt, Physik und Maschinenbau an der Sichuan-Universität und planen, mit Einrichtungen wie den untergeordneten Forschungsinstituten von AECC und dem Institut für Ingenieurthermophysik der Chinesischen Akademie der Wissenschaften bei Produktion, Bildung und Forschung zusammenzuarbeiten.
Mit dieser Runde möchte Yuzong Technology die Seed/Angel-Finanzierung initiieren. Die spezifische Höhe des eingeworbenen Kapitals und die Vorfinanzierungsbewertung wurden noch nicht veröffentlicht. Nach seinen Planungen wird das Kapital hauptsächlich für die Entwicklung von AI-Algorithmen und den Aufbau der halbphysikalischen Simulationsplattform verwendet, der Rest für den Aufbau des Kernteams, Ausrüstung und Standorte, Konformität von Qualifikationen und Rücklagen. Es entspricht einem sehr klaren Ziel: Innerhalb von 24 Monaten die geschlossene Validierung des Algorithmus und die Montage des ersten Motors abzuschließen und nach etwa 30 Monaten die erste Prüfung auf dem Prüfstand durchzuführen. Das Team räumt selbst ein, dass es vor ihm schwierige Aufgaben gibt – Prototypen und Prüfstandsdaten liegen noch nicht vor, die Zertifizierung von AI-Steuerungsregelungen ist weltweit ohne Präzedenzfall, und die Amortisationsdauer wird auf fünf bis acht Jahre geschätzt. Diese Probleme können nicht direkt durch eine einzelne Finanzierungssumme überwunden werden. Für ein frühes Hard-Team, das sich noch im Stadium "von der Konzeptvalidierung zum Prototyp" befindet, ist die eigentliche Frage, ob der Motor die simulierten Zahlen auf dem Prüfstand erreichen kann.
Yuzong Technology ist ein Unternehmen, das intelligente Flugantriebe für Drohnen anbietet. Sein Geschäft umfasst die adaptive Steuerung und das Gesundheitsmanagement von Motoren, und es befindet sich derzeit in der Phase der Seed/Angel-Finanzierung.