基于大數據的民用飛機未來運營模式探索

肖 剛 陳 曦 李正強 /

(1.上海交通大學，上海 200240； 2. 上海飛機設計研究院，上海 201210)

基于大數據的民用飛機未來運營模式探索

肖 剛1陳 曦1李正強2/

(1.上海交通大學，上海 200240； 2. 上海飛機設計研究院，上海 201210)

大數據作為一種新興的IT實現方式，在深刻影響IT業變革的同時，也為航空業帶來了新的發展機遇。飛機運行過程中產生的海量運營數據最能體現民機的大數據基因，基于大數據的飛機運營支援將會是其在航空產業施展拳腳的主要戰場之一。首先通過對航空大數據的梳理與分析，獲得運營數據的種類、結構、數據流程以及相關特點。然后結合航空公司的具體業務需求，針對飛機典型復雜系統，分別以健康監控中的故障診斷、性能退化預測以及維修輔助決策幾大關鍵技術作為大數據應用的切入點介紹技術研究路線，利用數據挖掘、機器學習等方法識別運營數據在系統不同健康狀態下的特征表達，準確預測系統退化趨勢，設置風險預警模型以提前預知潛在故障，最后從工程應用角度探討這些關鍵技術的大數據實現平臺以及基于大數據的運營業務流程。

大數據；民用飛機；健康監控；運營模式

0 引言

飛機的運營支援活動主要圍繞維修策略展開。當前，主要采取計劃維修與事后維修相結合的方式。所謂計劃維修，是按照預設的時間間隔進行不同程度的保養以及檢查活動，如果發現異常或者故障，則開展修理工作，可以理解為初級的視情維修；事后維修則是針對一些非主要故障，在發生故障收到告警后進行修理，往往具有突發性和隨機性，更易造成飛機的次生故障以及大量航班延誤[1]。近年，已有公司利用各類運營監控數據為飛機提供遠程診斷的解決方案。例如，當客機在萬米高空飛行時，傳感器監測到發動機排氣溫度等實時運行數據通過衛星傳送回地面，由工程師判斷其運行狀態是否正常，并及時提醒航空公司可能出現的故障和相應措施。這類傳感器有很多，諸如測量溫度、壓力、電壓等，且過去很少被保留和研究[2]。不過，這種故障診斷和維修的方式仍是一種被動模式，直到某一項參數突破警戒值或出現明顯故障時，才會被工程團隊和航空公司發現。盡管這些小問題并不會直接導致安全事故，但顯然，該遠程診斷并不能完全滿足航空公司的業務需求，僅對海量數據進行了有限地開發利用。如何提前預測飛機運行中可能出現的故障并進行干預，如何減少非計劃的停場時間，如何使得所有機器所有系統處在最佳的運行狀態等，都是業界一直在探索的問題。

隨著信息技術和大數據技術的快速發展，航空公司和制造商已擁有大量的運營數據，為實現新一代運營模式提供了可能[3]。不同于傳統的被動模式，新一代運營模式是基于海量航空運營數據，以飛機健康監控技術為推手的主動和定量分析模式。通過對系統運行性能實時、全面的監控，可以準確掌握系統的健康狀態。通過先進的數據挖掘算法與人工智能技術，可以準確預測潛在故障以及性能退化趨勢，從而設置合理的風險預警模型，提前調度好人員和備件航材，開展預測性故障干預。當發生偶然故障時，挖掘海量運營數據中的相關歷史信息，有助于縮短排故周期，有效減少飛機停場時間。同時，基于狀態的適度維修還可以保證系統始終運行在最佳狀態，提高飛行安全性[4-5]。

航空公司對提高飛機簽派率一直有著強烈的愿望，基于大數據的健康監控下的新型運營模式可以幫助航空公司及時甚至實時掌握機隊中每一架飛機的狀態，從而達到提高飛機的運行和維護效率、降低維修費用、提高經濟收益、減少和避免重大事故發生的目的[4]。因此，無論是從經濟角度還是社會效應角度，以飛機健康監控為突破口，滲入大數據技術，探究新型主動式和視情的未來飛機運營模式都是必要且重要的。

1 飛機運營大數據

民用飛機運營數據種類繁多，包括結構化的飛行數據，如快速存儲記錄儀(QAR)數據、飛機通訊尋址與報告系統(ACARS)報文數據和非結構化的各類事件參數及維修記錄等，運營過程中的空地數據傳輸及各類數據示例如圖1所示。

運營數據主要由以下六處來源構成，包括：(1)ACARS報文數據；(2)QAR數據；(3)維修記錄數據；(4)工程管理數據；(5)發動機性能數據；(6)可靠性管理數據。

(1)ACARS報文是指飛機在空中通過飛機通訊尋址與報告系統(ACARS)實時傳輸到地面的報文數據。其特點在于及時性，可以在飛機飛行過程中以接近實時的方式通過甚高頻空地數據鏈發送至地面，地面接收到報文后必須經過譯碼獲取信息，但是受制于空地數據鏈帶寬，記錄并傳輸的數據量遠遠小于QAR，除了必要的位置、油耗等信息，往往包含飛機主要系統經過一輪參數特征提取后的離散數值并且可以根據實際需求進行客戶化配置。

(2)QAR即快速存取記錄器，是飛機記錄系統的一部分，用于記錄飛行數據以進行日常應用。QAR原始忠實地連續記錄整個飛行階段的飛行數據，包括飛機的高度、速度、加速度、俯仰、傾斜、航向等飛行參數，飛機發動機及主要部件的性能參數，以及溫度、氣壓、風速等機艙內外的環境參數。QAR數據的最大特點是海量、高密度、全過程，完整記錄了飛機在整個航段運行過程中表征各系統設備工作狀態的成百上千個參數的變化數據，一個飛行航段的QAR數據譯碼后往往可以達到上百兆。受到空地帶寬的限制，主要通過航后有線或者無線傳輸至地面數據庫，使用時需要用專業譯碼工具譯碼。其高密度、全過程的特點適用于對系統設備運行性能的評估與故障診斷。

(3)不同于QAR數據和ACARS報文，維修記錄不是單一的數據值，而是包含多種屬性的類，圖片、PDF、重復性故障數據、重大疑難故障數據等數據組成，還有LMR/NRC、保留故障/未完成NRC、保留工作項目。一條維修記錄描述了一次故障從發現到恢復的所有信息，比如何種故障模式、有哪些故障表征、故障發生時間、采用何種方式維修等，多條相關聯的維修記錄可以用于對故障模式、故障發生頻率等的分析統計。由于維修記錄需要包含的信息較多，往往為非結構化數據，需要人工篩選整理才能有效利用。

(4)工程管理數據收集以下三類數據：評估使用但尚未執行的AD/CAD、評估適合但尚未執行的SB/SL、適用但尚未執行的EO。

(5)發動機性能數據主要包括反應發動機運行狀況的各類性能參數以及大修時間記錄，其中，發動機排氣溫度EGT是反映發動機健康狀況的重要參考指標，往往隨著發動機工況的下降而逐漸減少。對航空公司而言，EGT是發動機換發的重要參考依據。

(6)運行可靠性數據是指能夠反映運營機隊可靠性狀況的原始數據，主要包括飛機使用數據、動力裝置使用數據、故障記錄、部件拆換記錄以及修理記錄等，這些數據通過某些特定的計算公式進行統計分析，得出一些概率值或指標值，能夠直觀地反應機隊可靠性狀況。

2 基于運營大數據的民機健康監控

梳理出各類運營數據后，主要探究如何充分利用前三類運營數據進行飛機復雜系統快速故障診斷、性能退化預測以及基于飛機健康監控的輔助維修決策，為飛機全壽命周期的健康狀態提供量化評價和有效管理，為實現飛機運營由被動式向未來主動式轉變提供技術支持。

2.1 基于設計知識和運營監控信息的故障快速診斷

民機復雜系統失效機理和故障模式錯綜復雜，難以用傳統物理或數學模型準確描述。目前我國飛機的故障診斷水平仍處于低級階段，診斷方法主要基于BITE與人工檢查相結合，飛機的維修在很大程度上根據經驗進行排故，其流程為從故障信息的描述記錄中提出主要信息，由經驗判斷故障類型，然后再依據經驗使用排故方法，導致維修效率低下。

故障診斷可以分為基于模型的方法、基于數據處理的方法和基于知識的方法。對于復雜系統，難以建立精確的物理模型，本研究中，擬將系統設計知識與運營過程中的各類數據結合起來，提供基于數據驅動與深層知識相結合的快速故障診斷解決方案，如圖2所示。

貝葉斯網絡是一種以網絡結構表示變量間依賴關系的概率圖模型，提供了一種簡潔有效的因果關系表達和推理方法。貝葉斯網絡可以提供一種可視化圖解模型，是目前不確定性知識表達和推理領域最有效的理論模型之一，適用于不確定性和概率性的知識表達和推理。復雜系統因果關聯往往呈現非確定映射關系，使得故障癥狀與故障原因以及對應具體零部件之間的映射表現為隨機性和不確定性，使用貝葉斯網絡可以較好解決這類復雜不確定關系[6]。

第一步充分梳理典型系統不同層級的故障模式、因果關系以及在飛行過程中實時監控的系統狀態參數，利用設計和維護知識構建層次的多態貝葉斯診斷網絡；

第二步獲取貝葉斯網絡各父子節點的條件概率作為先驗知識進行初步統計推斷，進行潛在故障排序；根據收集的運行數據，統計新的分布特征作為后驗概率更新原推斷，建立實現更準確快速的故障診斷。

第三步對剎車系統貝葉斯診斷網絡進行敏感性分析以及先驗和后驗情況下的系統可靠性評估，調研航空公司歷史維修記錄，收集整理系統各組部件完成故障診斷的平均維修工時以及相應排故流程。研究如何綜合考慮故障診斷結果(組部件故障可能性先后順序)、系統可靠性和各組部件維修工時，使用多目標粒子群算法優化診斷排故流程。

2.2 基于多參數融合的性能退化預測

故障預測技術是比故障診斷更高級的維修保障形式，以當前使用狀態為起點，結合對象的特性、參數、環境條件及歷史數據，對未來進行預測判斷，可以極大提高系統的安全性。傳統基于可靠性的方法著眼于預測總體的故障分布規律，缺乏對系統實時狀態的評估，顯得較為剛性。對于大型民機系統，機理復雜，難以通過單一指標表征其健康狀態，加之系統運行過程中各種不確定性因素，難以準確預測退化發展。該研究擬在充分利用運營大數據基礎上建立多參數融合模型實現故障在線預測與性能評估，技術路線如圖3所示。

選擇民機典型系統，如APU系統，目前主要通過APU的EGT對性能進行監測，雖然EGT可以反映APU性能，但是EGT的測量本身具有隨機性，而且由于導致APU性能衰退的原因很多，僅僅依據EGT難以判斷導致性能衰退的原因，因此，需要通過對APU歷史故障案例中故障模式的梳理找出有明顯性能退化的部件及其退化指標。如不能直接監測，則需要通過分析系統監測參數，包括速度、溫度、壓力、時間等，找出影響系統性能退化的若干關鍵影響參數，進行相關性分析并利用合適的數據降維方法建立多參數融合模型來表征其性能退化[7]，如圖4所示。

外部場景以一個濱海城市，室內場景則由眾多不同類型的樣板房組成。將樣板房所在區域的周圍環境模擬還原，總體上呈現一個虛擬的外在空間。

對相應參數的QAR或者ACARS等運行數據進行清洗和特征提取，可以采用傳統時間序列預測、機器學習中的高斯過程回歸GPR，以及深度學習等方法處理歷史數據，進行退化預測并對比預測效果。最后建立與性能退化對應的健康指標體系，從語義角度評估性能退化，預測到次級健康狀態的時間，為維修決策提供建議支持。

2.3 基于實時健康監控的維修決策支持

基于狀態監測的在線維護是近來逐漸興起的研究課題，有助于推動傳統運營模式由被動向主動轉型，具有重要的工程實用意義和經濟價值。隨著對民機飛行安全意識的進一步提高，飛機實時監控、故障診斷和預測技術不斷發展，必然對維修方式的變革產生深遠影響。維修決策支持技術是指充分利用故障診斷和預測技術產生的信息來指導維修策略和維修活動的制定。大型民機系統結構復雜，故障診斷和設備維護困難，傳統的“事后維修”和“計劃維修”難以滿足需求。如何將基于運營大數據的飛機健康監控與現行的計劃、非計劃維修融合，建立基于大數據驅動的全壽命健康管理，提供基于飛機健康狀態的維修決策支持技術是運營模式由被動向主動轉變過程中的一大難點，圖5提出了一種將基于運營大數據的飛機健康監控與維修策略結合的技術思路。

故障診斷和預測的本質是為維修活動的擇優提供依據。該部分可從定性和定量兩個方面展開研究。首先，參照最新的國際民機維修指南，對健康監測任務引入傳統計劃維修作適應性分析，設計考慮健康監控的民機系統維修任務分析流程以及不同維修任務的子流程，定性分析基于實時健康監控的維修策略優勢，為MSG-3系統部分融入健康監控任務提供參考。

在定量研究階段，主要考慮對不同維修子流程的多目標優化，例如：維修費用最少(經濟型模型)，可靠度最高，維修工時最少(系統可用度最大)等。利用前期快速故障診斷的結果，研究快速排故方案，以維修工時最低為優化目標，優化排故的維修操作流程；利用前期故障預測結果，系統性能的當前狀態可以得到有效評估，進而可以建立在線維護規劃模型，以系統安全性和經濟性為雙重優化目標，統籌優化計劃維修任務、航線非計劃維修任務以及可能的健康監測任務，評估采用不同維修活動的安全風險和經濟風險，實現基于系統實時狀態的精準預知和精益維修，建立基于實時健康監控的自主維修保障決策支持方法。

3 大數據分析系統與運營業務流程

3.1 大數據分析系統

為實現以上基于數據驅動的健康監控關鍵技術，需要搭建性能優良的運營大數據分析系統。其數據處理的主要流程包括：

1)采集/存儲

大數據的采集是指利用多個數據庫接受來自傳輸節點的數據，并且可以通過這些數據庫進行簡單的查詢以及處理工作。比如利用傳統的關系型數據庫存儲結構化的數據，除此之外，還可以利用非關系型的數據庫存儲非結構化的數據。

在大數據的導入過程中，存在著的挑戰是面對各種不同數據源(web、app或者傳感器形式)以及不同種類的元數據(報文、文檔、日志、數據庫等)，民機運營大數據平臺可利用大數據的flume模塊采集傳輸日志、文檔類的數據存儲在分布式存儲Hbase中、并使用sqoop模塊對關系型數據采集導入到非類型數據庫中；對于導入數據庫的各類數據需進行數據清洗以滿足使用要求。

3)統計/分析

民機運營大數據平臺的統計與分析主要是利用分布式數據庫，或者分布式計算集群來對存儲于其內的海量數據進行分析和分類匯總等，以滿足大多數常用的分析需求。

4)數據挖掘/智能識別

民機運營大數據平臺的數據挖掘與機器學習是在現有數據上面進行基于各種算法的計算，從而起到預測(Predict)的效果，以實現一些高級別數據分析的需求。典型算法有用于無監督的聚類算法、有監督的支持向量機、神經網絡等算法、以及可以進行自主特征提取的深度學習算法，以提供智能輔助決策，實現預測性維修與調度。

3.2 運營業務流程

對于該大數據分析系統，最重要的是來自各類數據源的相關分析處理以及業務流程上各角色的協同。基于新系統的業務流程將大大改變以往運營活動的時效性，精度和人為干預的特點，同時為航空公司和各系統服務商提供運營建議及產品品質跟蹤，打造健康運營的生態鏈，如圖6所示。

1)在飛機的飛行過程中，實時捕獲的機載系統和發動機數據被傳輸到制造商的大數據分析平臺；

2)通過大數據分析系統，結合歷史信息，利用數據庫與各類分析模型，對數據進行挖掘與分析；

3)飛機維修部門和地面服務部門根據系統結果判斷飛機是否需要維修，如果需要，則會協同航材部門制定預防性的維修計劃與備件管理計劃并告知簽派人員、調度人員；

4)簽派人員和調度人員根據系統飛機狀態制定簽派計劃，保障機隊安全可靠、合理經濟地運行；

5)質量管理相關人員通過系統記錄和統計故障信息，為航線運行提供更為可靠及時的決策，同時也作為研發部門工程優化的重要依據；

6)系統供應商通過該系統開放的功能和接口，可以獲取關鍵部件的健康狀態和更換情況等信息，改進研發進程。

4 結論

1) 梳理了民機運營大數據的各類數據源和數據特點。

2) 分別從故障診斷、故障預測與維修決策三個方面探索了基于運營大數據的民機健康監控的關鍵技術路線。

3) 從工程應用角度闡述了民機運營大數據系統數據處理流程以及基于大數據的運營業務流程。

4) 提出了未來可能的民機運營模式是基于運營大數據、以飛機健康監控技術為推手的主動模式。

[1] 劉鵬鵬, 左洪福, 孫見忠. PHM 體系中的航空器維修決策理論研究[J]. 航空制造技術, 2012, 416(20): 46-49.

[2] 大數據如何讓飛機更”聰明”[EB/OL]. http://www.comac.cc/xwzx/gzdt/201612/06/t20161206_4601747.shtml. (2016-12-05) [2017-08-16].

[3] Pratt & Whitney’s ‘Big Data’ Projects Advancing Analytics Efforts in Aftermarket [EB/OL]. http://www.utc.com/News/PW/Pages/Pratt-Whitneys-Big-Data-Projects-Advancing-Analytics-Efforts-in-Aftermarket.aspx. (2015-06-05) [2017-08-16].

[4] 徐慶宏, 任和, 馬小駿. 民用飛機實時監控與健康管理技術[M]. 上海: 上海交通大學出版社, 2016: 1-3.

[5] 叢登志. 大數據技術在飛機維修中的應用[J]. 航空維修與工程, 2015(11): 82-84.

[6] XI CHEN, HE REN, YONGQUAN SUN, CEES BIL. Synchronizing Design Knowledge and Real-Time Monitoring Information for Aircraft Complex System Diagnosis[C]//AIAA Modelling and Simulation Technologies Conference. Washington DC: 2016.

[7] XI CHEN, ZHI LYU, HE REN, YONG CHEN. APU Feature Integration Based on Multi-Variant Flight Data Analysis[C]// IEEE International Conference on Prognostics and Health Management. Ottawa: 2016.

Research on the Future Mode of Aircraft Operation Based on Big Data

XIAO Gang1CHEN Xi1LI Zhengqiang2

(1. Shanghai Jiao Tong University, Shanghai 200240, China; 2. Shanghai Aircraft Design and Research Institute, Shanghai 201210, China)

As an emerging IT implementation, big data brings new challenges to the development of aviation industry, meanwhile exerting a profound influence on the IT industry revolution. The huge amount of data generated from aircraft operation is the best representation of the big data gene of aviation. The aircraft operational support based on big data would be one of the main fields of its ambitious applications. This paper firstly teases out the data category, data structure, data flow as well as data property through the analysis on the operational big data. Considering the specific requirements from airlines, three key techniques including fault diagnosis, degradation prediction for some typical complex systems and maintenance decision-making are investigated as big data applications. Advanced data mining and machine learning methods will be used for feature expression of the operational data under different system health conditions as well as early warning models of some deterioration systems with potential faults. Lastly, the big data system and the operational workflow based on big data are discussed from the perspective of engineering application.

big data; civil aircraft; health monitoring; operation mode

10.19416/j.cnki.1674-9804.2017.03.016

肖剛男，博士，教授，博士生導師。主要研究方向：航電綜合與仿真測試，航空產業經濟。Tel: 021-34206192，E-mail: xiaogang@sjtu.edu.cn

本文受國家重點基礎研究發展規劃項目973計劃(2014CB744903)、國家自然基金(61673270)、上海浦江人才計劃(16PJD028)、上海市青年揚帆計劃項目(16YF1404900)資助。

V37

：A

陳曦男，博士，高級工程師。本文通訊作者，主要研究方向：故障預測與健康管理。Tel: 021-20875861，E-mail: aero.x.chen@gmail.com

李正強男，博士，研究員。主要研究方向：航電綜合與仿真測試。Tel: 021- 3122 5555，E-mail: lizhengqiang@comac.cc