淺談預測性維修對航空維修業的影響

李佳昊

摘 要：隨著物聯網、機器學習、AR等技術的興起，航空維修技術不斷升級。維修理念也正在從以定期檢查、提前更換為主要維修手段的預防性維修向基于數據分析和趨勢分析的預測性維修轉變。國內外OEM廠商、MRO和航空公司都在努力開發預測性維修技術，提高維修效率，降低維修成本，提高飛機的運行質量和安全水平。從技術發展、技術應用、發展障礙與挑戰、發展模式等方面論述了預測維修對航空維修業的影響。希望能對國內OEM廠商、航空公司、MRO等開發預測性維修項目或開展預測性維修研究提供一定的借鑒和啟示。

關鍵詞：航空維修;項目;借鑒;影響

1 預測性維修的發展

作為當前最新的飛機健康管理理念，預測性維修是指通過獲取飛機上每個部件實時的健康數據，對數據流進行管理并且持續整合最新的維護記錄，通過算法對數據分類、分析、整合，以預測單個或多個部件的故障，實時管控整個機隊的狀況，從而降低維修成本，提升安全性。

基于 AI 的預測性維修在大數據的推動下，可以預測故障并提供相應的維修措施，大大提升維修的效果和效率，降低不必要的成本浪費。目前，部分企業已經意識到預測性維修的價值，率先開發了預測性維修平臺，如空客的 SKYWISE、漢莎技術的Aviatar、法荷航工程的 PROGNOS 等。

2 對現有維修理念和體系的影響

預測性維修的發展將對現有航空維修理念和維修體系造成重大的變革，無論是計劃性維修還是非計劃性維修維修模式都將會發生改變，維修效率也將有較大的提升，航空器的持續運行品質和安全性也將顯著提高。發動機作為整架飛機價值最高的部件，業內對發動機的趨勢監控研究已持續了數十年。各大發動機廠商也都開發出了性能優異的趨勢監控軟件，幫助客戶提升發動機機隊管理能力，避免發動機突發故障造成不安全事件，做到“早發現，早排查”。近幾年非發動機部件方面的研究也開始興起，伴隨著波音787、空客 A350 等具有 E 化（數字化）能力飛機的出現，飛機傳感器數量上升到百萬級，數據采集能力大大提升，使之對飛機機上各部件進行監控和預測性分析成為了可能。據空客介紹曾有一家地區性航空公司，希望提升客艙運行品質。但他們面臨的問題是維護數據、客艙報告和故障信息難以整合，無法精確地掌握客艙維修狀況。而使用 SKYWISE 后，該公司將各類信息整合在了一起，識別出了長期存在問題的座椅，建立了優先級不同的維修計劃。另外，還建立了每個座位上航電、娛樂系統的健康監控趨勢。據悉，每年減少客艙維護成本200～ 400 萬美元。

3 發展障礙和挑戰

預測性維修對整個航空維修體系、航空器的運行安全有著明顯的促進作用，但也面臨著許多障礙和挑戰。其中包括傳統飛機數據缺乏、工程技術能力不足、數據使用限制等。有報告指出，預測性維修發展的最大障礙是缺乏工程專業知識，行業中具備有效實施預測性維修能力的公司為數不多，即擁有大型自有機隊或第三方數據且掌握了數十年的維修經驗的公司很少。此外，缺乏數據共享、性能更優、成本更低的機載通信服務，這些都在影響預測性維修技術的普及。

（1）數據缺乏預測性維修的基礎是數據，而數據的主要來源是傳感器。傳統飛機的傳感器數量明顯少于最新的機型。例如，波音 777 能夠發出的警告數據是波音 737NG 的 4 倍。 裝 備 FOMAX（Flight Ops& MAintenance eXchange）系統的 A320飛機可利用參數為 24 000 項，每個航段可存儲約 12GB 的數據。數據量是未安裝 FOMAX 飛 機 的 數 倍。 因 此， 如 果要對傳統機型進行預測性維修，需要增加相應的傳感器或者其他運行數據。增設傳感器又可能涉及物理限制和法規限制，這都對預測性維修的開展形成了很大的障礙。此外，盡管航空公司、 MRO對傳統飛機擁有更多的維護經驗，但是由于缺少數據采集能力而導致維修數據缺乏;相比之下，新型飛機數據量大，且新飛機可靠性較高，能解決關鍵故障的預測，但是維護實踐經驗較少。

（2）數據使用限制數據控制對于預測性維修技術的推廣影響很大。預測性維修極大地改變了航空公司與 OEM 廠商以及 MRO 的合作方式。然而，越來越多的 OEM 廠商因為數據保護等原因被限制訪問航空公司、 MRO 和其他參與者的運營數據。航空公司內部系統的整合，數據接口問題同樣會妨礙預測性維修開展。另外，法規方面的限制也會阻礙了數據共享。因此發展新技術的同時，航空法規也需要進一步跟進，監管者必須找到適應新飛機維修方式的監管方法。

4 有效開展預測性維修的途徑

目前，業內關于預測性維修的討論非常熱烈。那么，除了加強收集數據、研究先進算法之外，應當如何才能有效開展預測性維修呢？筆者認為需要從理念、方法、技術三個層面去分析。

4.1 理念層面

公司自上而下需要形成數字化轉型的理念，思維模式要向數據驅動、數據決策轉變。將自身的實際情況、已有的維修經驗、維修能力與預測性維修、大數據分析等技術結合，對公司管理流程進行再造，將運行數據盡可能地數字化，再與技術應用進行深度融合。據悉，國內航空公司已著手嘗試各種方式開發預測性維修應用，以點帶面推動著數字化轉型。例如，廈門航空舉辦了維修數據算法大賽，通過競賽的形式激發員工開發數字化應用。參賽選手利用發生故障前后 15 天的 QAR 作為訓練數據，利用 Python 建立算法模型鎖定故障，預測故障。又如，春秋航空與空客合作開發 SKYWISE 應用;山東航空建立監控軟件對波音 737 電子流量活門進行監控等等。

4.2 方法層面

（1）自動化獲取數據。為了在采集數據時不給工程師增加額外負擔。數據采集方式應盡可能地自動化，如工作單卡中的檢查結果應能自動提取形成結構化數據，或利用無線射頻識別電子標簽（RFID）和 3D 掃描技術等。目前，國內外都有公司開始嘗試使用無人機巡檢收集檢測圖像和數據，工程師則在后臺進行圖像分析，并逐步利用機器學習工具進行圖像識別，確認缺陷和失效。無論是航線維修或定檢維修，工程師都能方便地利用移動設備查詢預測維修的結果、工卡、維修手冊等。

（2）增加算法的可解釋性，充分信任預測結果。在數字化時代的工程師必須充分信任診斷的結論，而不僅僅是憑經驗做出判斷。此外，算法工程師應盡可能增加算法的可解釋性使工程師更相信預測結果。

（3）維修計劃智能化匹配。在制訂維修計劃時，需要利用數據確定何時進行計劃外的部件拆換;結合實際的運行環境和航班情況調整計劃性維修的實施時間。

5 結論與展望

相信在未來很長一段時間，預測性維修都會持續蓬勃發展， OEM 廠商、MRO 和航空公司對數據的爭奪也會進一步升溫，行業的競爭格局也將從目前群雄逐鹿的狀態發展成多寡頭壟斷的格局。合則利，預測性維修要取得最佳的效果，必需融合設計數據、運行數據和維修數據。所以多方合作，加強數據整合是取得躍進式發展的必由之路。相信在底層框架，傳感器、算法等技術的不斷發展下，預測性維修將在航空維修中扮演越來越重要的角色，持續保證航空器的運行安全和運行品質。

參考文獻：

[1]ISI 46.26.00016 FOMAX standards-description and roadmap.

[2]ISI 47.00.00036 IGGS–ACMS report 035.

[3]IP 180 AHM INTEGRATIONIN MSG-3.