飛機安全趨勢分析淺談

(1上海航空工業(集團)有限公司 上海 200232；2南京航空航天大學 南京 211106)

引言

提到飛機，人們大多會想到一些威風凜凜的戰斗機型，比如俄羅斯的米格戰斗機，美國的F-16戰斗機，中國的殲十等。這一方面反映了各國對軍用飛機的重視，一方面也反映了民用大型客機復雜性。事實上，在當今的民用航空領域，波音與空客兩大飛機制造商平分秋色。其他國家的國產大飛機事業尚未發展成熟。但是，我國的民用航空市場十分龐大，對飛機也有著很大的需求，波音公司發布的2019版《中國民用航空市場展望》中指出中國對飛機的需求經濟價值達1.3萬億美元[1]。因此，面對如此龐大的國內市場和更為龐大的國際市場，我國也推出了國產大飛機C919以獲得未來更多的市場。面對擁有著豐富經驗與技術的制造商，C919這一后起之秀想要在市場中占有一席之地，就不得不依靠安全性這一核心競爭力。

一、現代大型商用飛機的運行數據

大型商用飛機是現代高科技的產物，也是權衡一個國家科技水平的重要標志之一，其復雜程度也是難以想象的。這種復雜程度一方面體現在飛機的構成零件與連接件的數量，另一方面體現在飛機運行過程中涉及的階段與人員。飛機復雜程度在數據上的具體表現為數據的維度災難。從數據類型上來看，數據可分為工程類數據和管理類數據。下面我們依次對這兩類數據在數據分析過程中面臨的挑戰加以分析。

(一)工程類數據

現代大型客機零件與連接件在百萬量級，而其中大多數零件都經過了動力學實驗的檢測，眾多的動力學數據雖然被采集下來，但只有一少部分有機會與實際工況建立聯系。一種機型所含有的百萬量級的零件便會帶來至少千萬量級不同特性的數據。這種高維度的數據對分析人員帶來了莫大的挑戰。

隨著數據維度的增加，算法的計算量將呈指數級增長，這種數據的增加帶來了在統計學方面的困難。在高維空間中，數據之間的相似性變得十分不明顯。盡管眾多數據之間還存在著可能的耦合，但實際的耦合程度、耦合類型由于數據維度的增加也變得非常難以解析。

安全趨勢分析中，對工程類數據有著很強的依賴性，事實上飛機在運行過程中各部分的動力學特性直接影響到了飛機的運行安全。一方面，飛機的動力學特性在不同的時間、不同的空間都將不同，例如結構的疲勞、金屬的熱應力等問題，都是會對安全產生直接威脅的重要因素。因此，地面試驗所得到的數據在滿足日益增長的安全趨勢分析需求上還遠遠不夠。另一方面，飛機的復雜性帶來了系統模型的不確定性，飛機運行中可能遭遇的極端的工況、因缺少非線性動力學模型而產生的未被預測到的振動，都需要通過對飛機實時采集到的工程類數據進行分析來不斷地查漏補缺。從而對飛機的健康狀況產生一個相對完整的判斷。這也是我們所需要的安全趨勢分析。

(二)管理類數據

事實上，人類歷史上大多數慘烈的空難并不是因為對飛機性能/功能失效，而是單純的人為因素，尤其是由于管理上的缺失帶來的“人禍”。一次完整的飛行階段包括：滑行、起飛、爬升、巡航、下降、進近以及著陸。這些階段涉及到飛行員的狀態、機場地面勤務人員工作狀態、機場調度人員的指揮等眾多人員的參與。一次飛行任務的成功需要的是所有人員的正確工作，而一次飛行的失敗可能只需要一個環節出現一點差錯。因此，管理也是安全的重要環節。

目前，針對管理類數據的收集尚未全面，這一方面體現了人們尚未習慣將管理數字化，另一方面反映了目前對于數據處理能力上的乏力。管理類數據的規模事實上也很龐大，例如飛行員的健康狀況所涉及的參數就不亞于一次體檢，再加上其他工作人員，可以得到的數據依然是海量的。這就意味著我們必須依靠計算機去處理如此龐大的數據，而相對于文字性描述，計算機更希望對一個系統數字化的描述。因此，如何將日常的管理數字化、將日常工作中人腦可以識別的模糊性描述轉變為計算機所能識別的模糊矩陣，成為了將管理類數據融入安全趨勢分析中的一種可能方案。

黑箱理論，是指對系統展開研究時，將系統看做一個不透明的黑色箱子，而我們要研究的是不涉及系統內部結構，僅關注輸入輸出，從而得到系統的一些規律。

管理類數據在安全趨勢分析中扮演的角色就類似于這樣一個黑箱，事實上我們很難建立一個行之有效的模型來描述清楚人員的狀態與未來飛機安全趨勢的關系。很多時候，我們只能感受到一群工作狀態不佳的人參與的飛行活動有很大概率出現安全問題。但卻無法指出，工作狀態與概率之間的函數關系。

因此，相較于處理工程類數據這類黑箱問題(動力學模型的存在使得系統內部部分結構已知)，管理類數據的黑箱問題也十分棘手。

二、未來大飛機安全趨勢分析的發展方向

本文認為，安全趨勢分析的本質是一種預測行為，是通過當前及過去的數據，對未來可能出現的各種狀況概率的預測。因此，安全趨勢分析應是一種數學方法，應該涉及到一系列模型、算法。因此，未來大飛機的安全趨勢分析的發展方向應該與第四次工業革命的主流方向相結合，即智能化、大數據化。

(一)人工智能與深度學習

1.人工智能

人工智能研究的主要目標是令機器能夠勝任人類認為復雜的工作。該領域自誕生以來經歷過幾次起伏，近些年隨著計算機計算能夠力的大幅增長，人工智能在解決極其復雜問題領域的優越性逐漸得到體現。面對高維數據下的安全趨勢分析，單單依靠人員的經驗性判斷與簡單的統計學理論無法達到理想的效果，而且有經驗的人員數量本身就太少，無法承擔海量數據的分析工作。

因此，將人工智能引入大飛機的安全趨勢分析是一種較為可行的解決方法，也可能成為未來的一個主要的發展趨勢。

2.深度學習

深度學習是學習樣本數據的內在規律和表示層次，它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。

將深度學習引入安全趨勢分析，一方面可以解決人工智能算法與人員的經驗性判斷之間的結合問題，另一方面也可以彌補有經驗的人員數量不足的問題。

因此，深度學習的引入有利于將安全趨勢分析打造成真正的人工智能方法。有利于解決復雜的識別問題，使人工智能在大飛機安全趨勢分析領域取得長足的進步。

(二)大數據

大數據分析是指無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力的一種分析方法。

麥肯錫全球研究所給出的大數據的定義是：一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特征。這些特征與飛機所涉及數據吻合程度很高。

首先，飛機所涉及的數據遠遠超出了傳統數據庫所能處理的上限，可謂是海量的規模。

其次，飛機所涉及的多架機型、多次航班使得數據的流轉速度遠超一般數據。這就意味著數據處理速度不能太慢，否則將缺乏趨勢分析的必要性。

再次，飛機所涉及的數據類型也異常廣泛，不僅包含了具體的工程實驗類數據，還包含了管理方面模糊類數據。多種的數據類型導致安全趨勢分析無法根據已有的方法得出結果。

最后，在海量的大飛機數據中，有價值的數據可能總數的小部分，這就意味著在考慮效率與經濟性的情況下，我們必須抓住數據的核心。如何抓住數據的核心是一大難題。

三、大飛機安全趨勢分析建議

(一)基礎建設

我國作為民機領域的后起之秀，競爭必將是一個長期的過程，飛機安全趨勢分析作為保障飛行安全的技術手段之一不能操之過急，應該在數據處理方面、數學建模方面夯實基礎。

在數據處理方面，應重視算法的復雜性分析，同樣是一個結果，用不同的計算方法，所需的時間也不同，由于數據規模的龐大，針對算法復雜性上的一個小的進步，都會對整個安全分析帶來極大的提升。

在數學建模方面，應該盡量將傳統的經驗性判斷模型化，這一方面可以打破缺乏經驗所帶來的技術壁壘，另一方面也可以通過具體的模型不斷對經驗性結論進行修正。

(二)體制建設

安全問題已經深入人心，無論從國家層面還是制造商層面，對飛機的安全問題都尤為重視。但目前看來大家都對安全趨勢分析的重視程度并不突出，這主要因為目前安全趨勢分析上的信息處理能力不足，無法得到十分精確的結果。加之現有安全趨勢分析結果的運用效果并不明顯，導致未能將安全數據的真實價值發揮出來。鑒于安全數據所蘊含的巨大潛能，本文認為應當結合飛機制造商實際，建立長期有效的安全趨勢分析研究機制，加大安全趨勢分析研究的前期投入。

四、總結

綜上所述，本文提出飛機安全趨勢分析的建議如下：(1)借鑒其他領域趨勢分析的經驗；(2)認清與國際上航空器主制造商的差距，借鑒國外先進的技術及最佳實踐，累積安全趨勢分析技術；(3)重視安全趨勢分析基礎研究，建立安全趨勢分析研究相關機制。