Boston Aerospace AI

Boston Aerospace AI v1.0.0 —— 正式发布

我是来自莫桑比克希莫尤的 19 岁自学开发者，Boston Aerospace AI 完全由我独自完成。这是它的首个稳定版本：一个基于 OpenAI 的航空航天预测性维护智能层。

起源故事

我并非从航空航天行业内部进入这个领域——我是从相反的方向走过来的。我的第一个"实验室"是希莫尤修理车间后面的一块废料场。我的第一个传感器是从一台报废 DVD 光驱中拆出来的。我是在偶尔有网络时下载的 PDF 中自学机器学习的，在停电间隙用 Termux 写代码。

Boston Aerospace AI 的构想源于一个简单的观察：预测模型可以相当准确地告诉你一个部件的剩余使用寿命（RUL），但它无法告诉你它为何退化，或下一步应该排查什么。SHAP 有一定帮助——但原始的特征重要性数值依然不是工程师可以直接采取行动的答案。

于是我着手构建一个不去取代预测模型，而是将模型包裹起来、使其能够真正解释并展开调查的系统。

我们要解决的问题

黑箱预测 —— 机器学习模型输出 RUL 估计值和异常分数，但无法说明"为什么"。

信息孤岛 —— 传感器数据、技术手册和外部研究分散在互不连通的地方。

时间压力 —— 在航空航天领域，每小时花在手动排查告警上的时间，都是一小时本可用于预防故障的时间。

Boston Aerospace AI 如何解决这些问题

基础层：可信的机器学习模型

核心是一个由 6 个模型组成的集成（XGBoost、LightGBM、CatBoost、Random Forest、GBR、Extra Trees），在 NASA CMAPSS 涡扇发动机数据集上训练，用于估算剩余使用寿命。

透明层：SHAP 可解释性

每一条预测都附带 SHAP 分析，精确展示是哪些传感器信号驱动了该结果。

智能层：OpenAI 编排器

这是 v1.0.0 中新增的部分。编排器接收机器学习预测结果和 SHAP 解释，并对其进行以下增强：

内部技术文档（手册、服务通告）—— 在可用时调用。

外部网络研究 —— 当问题确实需要时调用（由模型针对每个查询自行判断，而非每条消息都触发）。

它将所有这些内容综合成一个结构化答案，以回答三个问题：发生了什么？为什么会发生？我应该排查什么？

来源可溯分析

答案的每一部分都按来源打上标签 —— 🟢 机器学习预测、🟡 SHAP 解释、🔵 内部文档、🔴 外部研究 —— 由系统自身计算得出，而非由模型自报，因此归因结果可靠。

从原型到平台

第一阶段 —— 本地原型。我最初基于 Ollama 构建了这个助手，完全离线/本地运行——这在我所在地网络不稳定的情况下尤为重要。

第二阶段 —— OpenAI 集成（本次发布）。我在 OpenAI Responses API 上重建了编排层，原生支持网络搜索和结构化输出，显著提升了推理深度，并使来源可溯的综合成为可能。Ollama/本地路径仍保留在代码库中，作为日后需要完全离线、气隙部署的运营方的可选方案。

重要免责声明

Boston Aerospace AI 是一个研究及决策支持原型。它未通过自主维护决策的认证，绝不可取代合格的航空航天工程师、已批准的维护程序或法规要求（FAA、EASA 等）。它是一个帮助工程师更快开展排查的协作助手——最终决策始终由人类工程师负责。

技术架构

Código

📊 v1.0.0 新增内容

✅ 基于 OpenAI 的 AI 编排器，原生支持网络搜索

✅ 剩余使用寿命（RUL）预测

✅ 基于 SHAP 的可解释性

✅ 可选的内部技术文档分析（RAG）

✅ 结构化、带来源溯源的回答

✅ 计算机视觉模块（裂纹检测、热成像分析、振动异常）

✅ 自动生成 PDF 维护报告

我们需要您的反馈

这是一个独立、自筹资金的项目，仍处于早期阶段。如果您试用它、发现问题，或有任何想法能让它对真实维护团队真正有用，我都想听到——正是这些反馈让它变得更好。

下一步计划

使用真实的（非合成）运行数据进行验证

集成更多数据源（机队历史、气象、供应链）

针对特定发动机型号进行定制微调

向合规/认证就绪方向推进

独自一人，在莫桑比克，凭好奇心多于资源打造而成。感谢您的关注。🛩️