【行业动态】人工智能平台追踪航空维修供应链隐性风险

导读：美国初创企业森特鲁姆人工智能公司利用全球贸易、运输和企业数据，帮助航空维修企业识别零部件短缺及交付风险。该平台把缺件造成的发动机停场、紧急运输、备用发动机租赁和延期交付成本纳入评估。

维修、修理与大修（MRO）企业如果不能有效利用制造商之外的数据来源，仍可能长期受困于供应链瓶颈。森特鲁姆人工智能公司（Centrum AI）认为，其新技术能够更完整地评估所需零部件和其他硬件的可获得性，从而减少企业为防范延期而持有高成本库存的需要。

这家美国初创企业的平台跟踪约200亿条全球和公司记录，包括进出口记录、运输数据和法定财务申报资料，并据此描绘可能扰乱供应链的问题。系统生成公司所称的“概率型物料清单”和“推断式供应商图谱”，把原始设备制造商数据与多层供应链相连接，同时考虑原材料可获得性等因素。

公司联合创始人兼首席执行官斯特凡·格罗舒普夫表示，维修企业目前很难看到完整情况，因为其视野局限于制造商愿意分享的信息。原始设备制造商本身往往也没有完全掌握更低层级供应商的情况，或者不会主动说明自己尚不了解的部分。

在格罗舒普夫看来，维修企业不能只看每件零部件的标价，更重要的是计算缺件造成的成本，包括发动机滞留在车间、重型模块需要紧急运输、临时租用备用发动机，以及维修企业因为又缺少一个零件而不得不反复通知客户交付还要再延后四周。

森特鲁姆估计，一些维修企业为了维持保障能力，目前持有的零部件库存达到新冠疫情前水平的三倍。疫情后，零部件和修理的交付周期逐年延长，并形成累积效应：车间等待硬件的时间越长，发动机在厂停留越久，运营商取回资产的时间也越晚。维修企业过去五年一直在吸收一个无法从源头解决的问题。

平台跟踪的对象之一是制造发动机高压涡轮叶片所需的单晶镍基高温合金。系统监测钴和铼等关键合金元素的供应情况，以识别可能预示维修企业交付受阻的异常变化，并优先分析最可能影响交付日期和工作完成日期的关键零部件与硬件。

格罗舒普夫把这项工作形容为调查取证。系统不会得到某批金属明确发往某座工厂的通知，而是观察物流、识别合金用途、判断相关地区有哪些企业，再为可能的去向分配概率。把这一过程应用于数百万条观察数据后，得到的视野虽然不是绝对确定，却明显优于维修企业此前几乎看不到低层级供应链的状态。

创建森特鲁姆之前，格罗舒普夫曾参与开源大数据框架Hadoop的开发，也参与过用于评估支付欺诈和保险风险的人工智能系统。他把森特鲁姆的做法比作供应链领域的算法交易：决策者永远无法获得完整信息，因此需要汇集所有可观察信号，为各种结果配置概率，并按期望价值行动，而不是等待不可能出现的完全确定性。

为检验供应预测的准确度，森特鲁姆会把模型与客户过去12个月的企业资源规划数据进行比较，再把模型预测同企业计划人员当时的决策及后续实际结果对照。公司据此认为，其对材料到货时间的预测准确度比客户计划人员高约48%，同时能够提供支持数据并完整记录判断过程，便于审计。

森特鲁姆认为，这套方法对公务航空客户尤其有价值。公务机队在地理上更加分散，运营商对原始设备制造商的商业议价能力通常弱于大型航空公司，而且单架飞机停场在整个机队中所占比例更高，因此一次缺件带来的运营影响更集中。

公司还希望降低飞机运营商和维修企业对制造商发动机传感器遥测数据的依赖。即使只利用飞机注册信息和公开跟踪数据，也能判断某架飞机实际飞行的地区以及硬件所经历的环境；长期在高温、多尘航线上运行的飞机，其热端部件劣化程度会不同于长期在温和环境运行的飞机。

国际CFM公司的LEAP-1A涡扇发动机高压涡轮耐久性改进，就使用了发动机制造商专门配制的尘土，以再现沙漠地区的实际运行条件。森特鲁姆认为，这一做法进一步说明，评估真实运行环境具有价值，不能只依靠制造商控制的单台发动机数据。

除减少昂贵的过量库存外，平台还可帮助维修企业向飞机运营商提供更透明的工作报价。维修企业能够依据实际可见的零部件风险承诺交付日期，而不必因为风险不可见，就在报价和周期中预留大幅度的保险余量。

原创文章，转载请注明来自@两机动力控制

（欢迎加小编微信号：gtc6000；QQ群：603094810；资料都存在QQ群文件夹中）

免责声明：本公众号所载内容为本公众号原创或网络转载，转载内容版权归原作者所有。如涉及作品内容、版权或其他问题，请跟我们联系！转载内容为作者个人观点，并不代表本公众号赞同其观点和对其真实性负责。本公众号拥有对此声明的最终解释