民用飛機(jī)健康診斷大數(shù)據(jù)應(yīng)用研究

余 匯 唐大鵬 姚 斌 /

(上海飛機(jī)設(shè)計(jì)研究院，上海201210)

0 引言

飛機(jī)健康管理是一個(gè)動(dòng)態(tài)過(guò)程，也可說(shuō)是一個(gè)隨機(jī)過(guò)程，重點(diǎn)是要通過(guò)各種傳感器的集成來(lái)采集數(shù)據(jù)、獲取相關(guān)特征量，結(jié)合算法建立計(jì)算模型對(duì)飛機(jī)的狀態(tài)進(jìn)行監(jiān)控、診斷及健康管理，使維護(hù)和保障模式完成從狀態(tài)監(jiān)控向飛行管理的變更，是飛行測(cè)試和維修診斷的創(chuàng)新方案。健康管理與互聯(lián)網(wǎng)技術(shù)的融合使得實(shí)時(shí)診斷飛機(jī)運(yùn)行時(shí)產(chǎn)生的故障成為現(xiàn)實(shí)。有效的飛機(jī)健康管理，需要對(duì)飛機(jī)各個(gè)系統(tǒng)施以關(guān)注，由于各系統(tǒng)的數(shù)據(jù)形式及結(jié)構(gòu)具有差異，導(dǎo)致了飛機(jī)故障診斷與健康管理的信號(hào)復(fù)雜多樣且數(shù)量巨大，又由于以往數(shù)據(jù)分析手段不足以及數(shù)據(jù)利用不當(dāng)，使得大量數(shù)據(jù)的價(jià)值被埋沒(méi)。

為了解決上述問(wèn)題，面向飛機(jī)健康診斷的大數(shù)據(jù)技術(shù)應(yīng)運(yùn)而生，重點(diǎn)開(kāi)展基于大數(shù)據(jù)健康診斷的機(jī)載維護(hù)系統(tǒng)的關(guān)鍵技術(shù)研究，特別是瞄準(zhǔn)下一代民機(jī)機(jī)載維護(hù)系統(tǒng)的新技術(shù)和新應(yīng)用。旨在通過(guò)空地綜合的大數(shù)據(jù)技術(shù)分析和處理飛機(jī)的運(yùn)行數(shù)據(jù)，并整合飛機(jī)全機(jī)系統(tǒng)、結(jié)構(gòu)的運(yùn)行信息[1-2]，以最大限度感知飛機(jī)健康狀態(tài)，并對(duì)異常操作早預(yù)測(cè)。

圖1 基于大數(shù)據(jù)的飛機(jī)健康管理系統(tǒng)概念圖

基于大數(shù)據(jù)的飛機(jī)健康管理系統(tǒng)概念圖，如圖1所示。在飛機(jī)運(yùn)行及維護(hù)過(guò)程中，從大量數(shù)據(jù)源和密集傳感器中獲得數(shù)據(jù)，同時(shí)需要不斷地監(jiān)控內(nèi)部狀態(tài)和外部環(huán)境及時(shí)進(jìn)行故障診斷與預(yù)測(cè)，保障飛機(jī)的可靠性與安全性，確保經(jīng)濟(jì)效益最大化。

1 并行聚類(lèi)分析方法

為了實(shí)時(shí)反映當(dāng)前的健康狀況，飛機(jī)會(huì)時(shí)刻產(chǎn)生大量動(dòng)態(tài)數(shù)據(jù)。在一次航行中會(huì)產(chǎn)生幾十甚至上百TB的數(shù)據(jù)，如何從飛機(jī)大量的歷史健康數(shù)據(jù)中挖掘出有價(jià)值的信息，這就涉及到飛機(jī)大量歷史數(shù)據(jù)并行聚類(lèi)這一分析方法。

1.1 并行計(jì)算模型和體系結(jié)構(gòu)

飛機(jī)并行計(jì)算模型通常是指并行算法的設(shè)計(jì)與分析，抽象出機(jī)載維護(hù)系統(tǒng)各并行計(jì)算機(jī)的基本特征，形成一個(gè)針對(duì)飛機(jī)燃油、電源、發(fā)動(dòng)機(jī)等系統(tǒng)的歷史大數(shù)據(jù)計(jì)算抽象模型。目前，所有機(jī)載并行數(shù)據(jù)計(jì)算機(jī)均屬于多數(shù)據(jù)流多指令模式，即飛機(jī)上不同處理器可同時(shí)對(duì)不同類(lèi)型數(shù)據(jù)執(zhí)行不同的指令。指令流可同步或異步執(zhí)行，如圖2所示。

圖2 多指令多數(shù)據(jù)流并行結(jié)構(gòu)

1.2 并行聚類(lèi)分析

以飛機(jī)燃油系統(tǒng)為例，并行計(jì)算技術(shù)同于飛機(jī)燃油系統(tǒng)中油溫、油壓等海量數(shù)據(jù)的數(shù)據(jù)挖掘[3]，這是飛機(jī)大數(shù)據(jù)挖掘技術(shù)逐步走向深入的一個(gè)重要層次。不僅可以加快飛機(jī)對(duì)燃油數(shù)據(jù)的處理速度，而且可以提高燃油系統(tǒng)故障數(shù)據(jù)挖掘的能力，方便飛機(jī)駕駛員合理操作。

首先，飛機(jī)燃油系統(tǒng)的歷史數(shù)據(jù)集根據(jù)計(jì)算節(jié)點(diǎn)的數(shù)量進(jìn)行劃分，形成p個(gè)子數(shù)據(jù)集D1,D2,...,Dp(p是節(jié)點(diǎn)數(shù))。然后，在p個(gè)節(jié)點(diǎn)運(yùn)行聚類(lèi)算法，形成局部數(shù)據(jù)集群{C11,C12,...,C1x}、{C21,C22,...,C2y}…{Cp1,Cp2,...,Cpz}(x,y,z是集群數(shù)，p是子數(shù)據(jù)集的數(shù)量)和孤立點(diǎn)的集合O1,O2,...,Op，并且將所有子數(shù)據(jù)集的孤立點(diǎn)進(jìn)行聚類(lèi)以獲得新的數(shù)據(jù)集群{Co1,Co2,...,Com}(o表示飛機(jī)孤立點(diǎn)數(shù)據(jù)，m為集群數(shù))和新的孤立點(diǎn)集合{Oo}。最后局部聚類(lèi)結(jié)果和孤立點(diǎn)聚類(lèi)結(jié)果的合并便是最終的全局聚類(lèi)結(jié)果。

根據(jù)上述思路，并行聚類(lèi)算法一般分為以下三個(gè)步驟：

1)根據(jù)飛機(jī)歷史數(shù)據(jù)劃分策略，待聚類(lèi)的數(shù)據(jù)集被均等地或等差地劃分為p個(gè)數(shù)據(jù)子集，其中p為當(dāng)前可用節(jié)點(diǎn)的數(shù)量，并且，每個(gè)子集的數(shù)據(jù)都被發(fā)送到每個(gè)節(jié)點(diǎn)。

2)在每個(gè)節(jié)點(diǎn)上對(duì)本地航班歷史數(shù)據(jù)集進(jìn)行局部聚類(lèi)算法，各形成一組集群和一組飛機(jī)數(shù)據(jù)孤立點(diǎn)集合。每個(gè)集群完成后，將結(jié)果發(fā)送至主節(jié)點(diǎn)。

3)主節(jié)點(diǎn)收到各個(gè)其他節(jié)點(diǎn)的聚類(lèi)結(jié)果后，形成集群集和孤立點(diǎn)集，這個(gè)孤立點(diǎn)集就是飛機(jī)最終歷史數(shù)據(jù)的孤立點(diǎn)。然后使用聚類(lèi)合并技術(shù)將每個(gè)節(jié)點(diǎn)的聚類(lèi)結(jié)果和集群的聚類(lèi)結(jié)果進(jìn)行合并，形成最終的集群集。整體流程如圖3所示。

圖3 大量歷史數(shù)據(jù)并行聚類(lèi)算法流程圖

2 大量參數(shù)數(shù)據(jù)場(chǎng)挖掘技術(shù)

2.1 飛機(jī)參數(shù)場(chǎng)域定義

將原來(lái)飛機(jī)的全部相關(guān)參數(shù)都投射到數(shù)值域中，并規(guī)定每架飛機(jī)的所有相關(guān)參數(shù)都在數(shù)值域中向外擴(kuò)散，并將所有飛機(jī)相關(guān)參數(shù)擴(kuò)散范圍稱(chēng)為飛機(jī)參數(shù)數(shù)據(jù)場(chǎng)。定義飛機(jī)相關(guān)參數(shù)之間的影響函數(shù)為場(chǎng)強(qiáng)函數(shù)，數(shù)值域中的值可以投射至場(chǎng)域中[4]。

飛機(jī)參數(shù)的場(chǎng)域聚類(lèi)的基本思想：以平滑連續(xù)的曲線(xiàn)將飛機(jī)參數(shù)數(shù)值域中所有相關(guān)參數(shù)的等勢(shì)點(diǎn)連接起來(lái)，構(gòu)成等勢(shì)線(xiàn)(等勢(shì)面)，形成場(chǎng)域；然后從飛機(jī)各相關(guān)參數(shù)的場(chǎng)域中，可以找到相關(guān)參數(shù)的局部極值點(diǎn)，作為這些參數(shù)的聚類(lèi)集群中心；根據(jù)各極值點(diǎn)向外擴(kuò)散的梯度方向，找到這些參數(shù)的等勢(shì)線(xiàn)，以此作為每個(gè)集群的分界線(xiàn)，從而劃分成為不同的集群。

2.2 飛機(jī)大量參數(shù)數(shù)據(jù)場(chǎng)聚類(lèi)算法

根據(jù)飛機(jī)參數(shù)數(shù)據(jù)場(chǎng)的特征，定義了氣壓高度、飛行速度、馬赫數(shù)、飛行高速等n個(gè)飛行參數(shù)組成的飛機(jī)參數(shù)數(shù)據(jù)空間X=(x1,x2,...,xn)，m個(gè)集群，C=(c1,c2,...,cm)，Num Data記錄飛行參數(shù)樣本數(shù)量，NumCi記錄第i個(gè)集群中飛行參數(shù)樣本的數(shù)量，outlier記錄為離散群點(diǎn)的數(shù)量。對(duì)于飛行參數(shù)數(shù)據(jù)空間中任意一個(gè)參數(shù)諸如馬赫數(shù)x，通過(guò)接收飛行參數(shù)數(shù)據(jù)場(chǎng)中所有數(shù)據(jù)對(duì)象，例如氣壓高度、飛行速度、飛行高度的輻射而產(chǎn)生的勢(shì)值f(x)，其中pi表示第i個(gè)數(shù)據(jù)對(duì)象在點(diǎn)xi處的場(chǎng)強(qiáng)。

數(shù)據(jù)場(chǎng)聚類(lèi)算法的具體步驟如下：

輸入n個(gè)飛行參數(shù)對(duì)象X=(x1,x2,...,xn)，令Num Data=n。

1)選擇適當(dāng)?shù)膱?chǎng)強(qiáng)函數(shù)并計(jì)算數(shù)值域中某一參數(shù)如氣壓高度的勢(shì)值f(x)；

2)以平滑曲線(xiàn)連接數(shù)值域中勢(shì)值相等的點(diǎn)即可構(gòu)成等勢(shì)線(xiàn)(等勢(shì)面)；令i=1；

3)找出第i個(gè)集群中心勢(shì)值最大的點(diǎn)；

4)從第i個(gè)聚類(lèi)中心展開(kāi)，找到局部勢(shì)能極小的等勢(shì)線(xiàn)，然后將等勢(shì)線(xiàn)內(nèi)的所有數(shù)據(jù)對(duì)象移動(dòng)到集群Ci中，以此形成第i個(gè)集群；

5)更新數(shù)值域中數(shù)據(jù)對(duì)象的數(shù)量Num Data=Num Data-NumCi；

6)若算法結(jié)束，outlier=Num Data-NumCi；否則執(zhí)行步驟7)；

7)i=i+1，執(zhí)行步驟4)。

3 復(fù)雜故障的距離量化關(guān)聯(lián)規(guī)則挖掘方法

在飛機(jī)健康診斷領(lǐng)域，需要進(jìn)行復(fù)雜故障原因分析來(lái)確定機(jī)載健康數(shù)據(jù)的響應(yīng)之間的關(guān)聯(lián)關(guān)系，以飛機(jī)燃油系統(tǒng)故障為例，就是要確定該故障是發(fā)生在發(fā)動(dòng)機(jī)供油系統(tǒng)還是在輸油系統(tǒng)或是燃油箱的通氣系統(tǒng)或增壓系統(tǒng)、加油系統(tǒng)、放油系統(tǒng)還是燃油測(cè)量系統(tǒng)等。而這種關(guān)系不能表現(xiàn)為線(xiàn)性或非線(xiàn)性函數(shù)關(guān)系，只能在一定約束條件下用相關(guān)關(guān)系來(lái)表示。這種相關(guān)關(guān)系在大數(shù)據(jù)中客觀存在，對(duì)于大數(shù)據(jù)分析更有意義，以解決飛機(jī)復(fù)雜故障的健康診斷問(wèn)題。

3.1 復(fù)雜故障相關(guān)關(guān)系挖掘模型

飛機(jī)的維護(hù)系統(tǒng)包括兩個(gè)主要的方面，分別是最小可信度和最小支持控制算法，如圖4所示。

圖4 復(fù)雜的故障相關(guān)系發(fā)掘流程

關(guān)聯(lián)規(guī)則的挖掘[5]主要有兩步：(1)找出所有的飛機(jī)故障頻繁項(xiàng)集；(2)找出第一步中產(chǎn)生的同時(shí)滿(mǎn)足量化的最小可信度和最小支持度的相關(guān)關(guān)系。

3.2 復(fù)雜故障的基于距離算法設(shè)計(jì)

1)飛機(jī)故障的集群效應(yīng)將直接影響區(qū)間劃分的合理性，并且對(duì)后面的產(chǎn)生的規(guī)則是有效的甚至是決定性的[6]。飛機(jī)發(fā)動(dòng)機(jī)振動(dòng)數(shù)據(jù)聚類(lèi)劃分，不僅對(duì)一個(gè)或一對(duì)故障聚類(lèi)，而且對(duì)所有不同種類(lèi)的故障數(shù)據(jù)進(jìn)行聚類(lèi)，采用聚類(lèi)算法，如基于密度的適應(yīng)性密度可達(dá)性的集群算法(Clustering Algorithm Based on Density and Density Reachable，簡(jiǎn)稱(chēng)CADD)和K-means集群算法，根據(jù)獲得的飛機(jī)的健康數(shù)據(jù)，對(duì)所有故障數(shù)據(jù)進(jìn)行聚類(lèi)，根據(jù)聚類(lèi)結(jié)果進(jìn)行區(qū)間劃分或形成簇。在所有飛機(jī)故障數(shù)據(jù)上聚類(lèi)，得到故障簇或區(qū)間更能合理反映數(shù)據(jù)之間關(guān)系。

2)對(duì)所有故障數(shù)據(jù)采用聚類(lèi)的方法，得到故障簇，若滿(mǎn)足支持度，就可以減少限定基于距離的關(guān)聯(lián)規(guī)則的條件，使方法更便于應(yīng)用。

3)提出對(duì)故障參數(shù)D0(故障最小置信度)取值的限定方法。將新獲得的故障簇的半徑作為D0取值的參考標(biāo)準(zhǔn)。

由于采用故障簇半徑的概念來(lái)控制聚類(lèi)的方法十分便捷，基于故障簇中心的聚類(lèi)算法，如K-means算法[7-8]，能夠取得較好的挖掘效果。

在定義了基于距離的量化相關(guān)關(guān)系的規(guī)則之后，要使得規(guī)則成立，必須要滿(mǎn)足以下三個(gè)條件：

1)前一個(gè)故障類(lèi)別與當(dāng)前故障類(lèi)別的簇間距離不大于預(yù)設(shè)的值；

2)為了保證之前的每個(gè)故障簇中的飛機(jī)故障能夠同時(shí)發(fā)生，必須要保證簇間距離不得超過(guò)預(yù)先設(shè)定的參數(shù)的距離；

3)為了保證各種類(lèi)型的飛機(jī)的故障簇中的故障能同時(shí)出現(xiàn)，各簇間的距離不得超過(guò)預(yù)先設(shè)定的參數(shù)。

具體分析：對(duì)與飛機(jī)故障相關(guān)的所有的相關(guān)數(shù)據(jù)進(jìn)行集群聚類(lèi)，這樣做的好處是飛機(jī)的某一個(gè)系統(tǒng)的所有種類(lèi)的故障數(shù)據(jù)通過(guò)聚類(lèi)，都能得到非常完整的體現(xiàn)；另外，聚類(lèi)得到的簇內(nèi)，不同飛機(jī)故障類(lèi)別數(shù)據(jù)必然形成高相似度的故障簇。因?yàn)樗械墓收项?lèi)別都會(huì)被聚類(lèi)，所以最終的故障簇內(nèi)將會(huì)包含故障數(shù)據(jù)的所有的屬性。換句話(huà)說(shuō)如果在最終的故障簇中的故障樣本的數(shù)量滿(mǎn)足了預(yù)先設(shè)定的最小支持度的話(huà)，那么由所有屬性集構(gòu)成的故障集就會(huì)成為最大頻率故障集。

4 級(jí)聯(lián)故障發(fā)掘方法可視化

飛機(jī)的級(jí)聯(lián)故障是一種復(fù)雜的故障模式，以飛機(jī)發(fā)動(dòng)機(jī)系統(tǒng)為例來(lái)直觀解釋?zhuān)侵府?dāng)其中的某個(gè)部分或某個(gè)組件發(fā)生故障或者失效(這里假設(shè)發(fā)動(dòng)機(jī)軸承故障)，進(jìn)而導(dǎo)致系統(tǒng)內(nèi)外與該部件相關(guān)聯(lián)的部件(如定子)或者區(qū)域的失效，形成連鎖反應(yīng)并擴(kuò)散，最終導(dǎo)致整個(gè)發(fā)動(dòng)機(jī)系統(tǒng)失效。由以上描述可以看出飛機(jī)的級(jí)聯(lián)故障具有以下幾個(gè)特點(diǎn)：

1)飛機(jī)的級(jí)聯(lián)故障的原因一般是由某個(gè)特定的源頭引起的；

2)飛機(jī)級(jí)聯(lián)故障的表現(xiàn)形式是較大范圍的故障、系統(tǒng)級(jí)的故障或者多個(gè)故障同時(shí)發(fā)生；

3)飛機(jī)級(jí)聯(lián)故障從源頭到結(jié)果應(yīng)該遵循一條因果鏈。

4.1 飛機(jī)級(jí)聯(lián)故障的可視化數(shù)據(jù)挖掘

飛機(jī)的級(jí)聯(lián)故障的可視化數(shù)據(jù)挖掘技術(shù)是隨著數(shù)據(jù)挖掘技術(shù)和計(jì)算機(jī)可視化技術(shù)的發(fā)展而發(fā)展起來(lái)的[9]，它能有效地把人類(lèi)的感知能力和相關(guān)知識(shí)應(yīng)用到級(jí)聯(lián)故障的信息挖掘中。它以刻畫(huà)飛機(jī)級(jí)聯(lián)故障數(shù)據(jù)的功能性，以及人類(lèi)視覺(jué)的感知能力、傾向和關(guān)系的能力為基礎(chǔ)，用可視化技術(shù)來(lái)加強(qiáng)數(shù)據(jù)處理。數(shù)據(jù)挖掘是將大量的飛機(jī)歷史數(shù)據(jù)中潛在的、有價(jià)值的級(jí)聯(lián)故障知識(shí)抽取出來(lái)，而可視化就是把故障數(shù)據(jù)、信息和挖掘出的級(jí)聯(lián)故障知識(shí)轉(zhuǎn)化成可視的表達(dá)形式的過(guò)程。

將數(shù)據(jù)進(jìn)行可視化的具體的特點(diǎn)包括：

1)發(fā)現(xiàn)被監(jiān)測(cè)數(shù)據(jù)的變化趨勢(shì)，如飛機(jī)燃油系統(tǒng)中油壓隨時(shí)間的增長(zhǎng)、下降等情況；

2)找出數(shù)據(jù)的奇異點(diǎn)，如時(shí)間維度下，某時(shí)刻壓力傳感器所測(cè)量的油壓值相比于相鄰采樣時(shí)刻采集的值波動(dòng)較大，通過(guò)可視化技術(shù)，就在很長(zhǎng)的時(shí)間維度下可以看出異常點(diǎn)；

3)識(shí)別數(shù)據(jù)的邊界，例如在整個(gè)飛行航段過(guò)程中油壓的最大值、最小值等的邊界值；

4)對(duì)故障數(shù)據(jù)的分類(lèi)以及集群結(jié)果進(jìn)行顯示，識(shí)別出不同數(shù)據(jù)的不同特征；如以圖像的模式向飛機(jī)駕駛員顯示級(jí)聯(lián)故障數(shù)據(jù)的特征，更易于飛機(jī)駕駛員找出正確規(guī)律，快速做出決策；

5)提供豐富的文本信息，通過(guò)飛機(jī)駕駛員的操作，顯示器將顯示駕駛員所需要的飛機(jī)狀況信息，有助于駕駛員能夠迅速找到需要的特定的參數(shù)數(shù)據(jù)，同時(shí)能夠?qū)崿F(xiàn)數(shù)據(jù)的選取、數(shù)據(jù)濾波、數(shù)據(jù)縮放以及其他功能。

4.2 飛機(jī)級(jí)聯(lián)故障可視化數(shù)據(jù)挖掘系統(tǒng)設(shè)計(jì)

在飛機(jī)級(jí)聯(lián)故障數(shù)據(jù)挖掘的整個(gè)過(guò)程中都伴隨著可視化技術(shù)的使用，將數(shù)據(jù)挖掘的整個(gè)過(guò)程進(jìn)行可視化具有很高的價(jià)值和重要性。系統(tǒng)結(jié)構(gòu)如圖5所示。

圖5 對(duì)飛機(jī)的級(jí)聯(lián)故障進(jìn)行可視化的系統(tǒng)結(jié)構(gòu)圖

從圖5可知，該級(jí)聯(lián)故障可視化體系結(jié)構(gòu)分為獨(dú)立的四層。級(jí)聯(lián)故障數(shù)據(jù)層從數(shù)據(jù)源載入數(shù)據(jù)后，可通過(guò)數(shù)據(jù)化查看飛機(jī)級(jí)聯(lián)故障原始數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)規(guī)約處理后，也可依托級(jí)聯(lián)故障數(shù)據(jù)可視化查看整理后的數(shù)據(jù)，然后選擇級(jí)聯(lián)故障的數(shù)據(jù)挖掘算法進(jìn)行數(shù)據(jù)挖掘，最后把挖掘結(jié)果以文件形式保存，并從文件讀取級(jí)聯(lián)故障聚類(lèi)結(jié)果，并將聚類(lèi)結(jié)果顯示出來(lái)，根據(jù)待診斷級(jí)聯(lián)故障樣本所處的故障類(lèi)標(biāo)，確定故障原因。便于飛機(jī)駕駛員進(jìn)行快速適當(dāng)?shù)夭僮鳎私饧?jí)聯(lián)故障機(jī)理，從而實(shí)現(xiàn)排故。

5 結(jié)論

飛機(jī)健康診斷的大數(shù)據(jù)技術(shù)的應(yīng)用可提高飛機(jī)安全性、降低維修成本、提高維修性，實(shí)現(xiàn)對(duì)飛機(jī)故障的精確定位與診斷，減少故障檢測(cè)及隔離時(shí)間，保持我國(guó)民機(jī)的可持續(xù)發(fā)展能力，是民機(jī)航空維護(hù)系統(tǒng)中不可缺少的部分。