淺談預測性維修對航空維修業的影響

張逸俊

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。

據奧緯咨詢統計，過去20年中飛機健康狀態管理系統得到了蓬勃發展。自2001年空客推出AIRMAN后，各類健康狀態管理系統不斷迭代完善，經歷了從預防性維修、故障數據報告、性能監控到基于大數據、機器學習和神經網絡技術的預測性維修的過程，如圖1所示。

2020年2月， 歐洲航空安全局（EASA）發布了人工智能路線圖（以人為本的AI在航空領域的應用方法），更是將基于工業級應用的人工智能技術上升到整個歐盟的戰略。其中，人工智能（AI）在航空維修中的應用是重要組成部分。EASA在報告中指出，通過數字化，維修體系各個環節的數據量正在穩步增長。因此，依靠AI處理這些數據的需求也在增加。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。

2017年，空客推出SKYWISE平臺，基于空客最新的、最優化的機隊管理理論，為整個航空產業鏈的用戶提供領先的數據分析服務，如圖2所示。通過眾多伙伴間的技術合作，SKYWISE能夠幫助航空公司提升安全性、可靠性，更好地優化內部運營流程，降低運營成本，提升航空公司在工程和維護方面的效率。通過預測性維修、飛機健康監控和可靠性分析三個模塊交替和循環使用，形成機隊管理的閉環控制，對運行的飛機進行全周期的動態管理。據悉，達美航空公司使用SKYWISE對空客A320與A330機型進行預測性維修，大幅減少了因突發故障導致的航班取消次數。此外，未發現故障（NFF）的概率也僅為5%。目前，空客和達美航空公司正在進一步合作，研發新的預測性維修解決方案用以向其他航空公司提供服務。據悉，預測性維修能夠將空調、客艙增壓系統、電源系統、起落架、剎車及氣源系統的非計劃事件發生概率降低10%～50%。

Aviatar平臺是漢莎技術基于多年的維修經驗、維修能力和大數據結合形成的健康管理平臺。它不僅能夠預測部件，而且能夠將預測結果與實際維修工作相關聯。漢莎技術表示，航空公司可以基于預測性維修產生的潛在收益獲取競爭優勢。潛在收益則取決于部件的工作環境和航空公司所采用的維修服務。對某些部件而言，可以將非計劃性拆換次數減少30%～40%。

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。

2.1計劃性維修

2018年4月，國際民航維修審查委員會政策委員會（IMRBPB）發布了《IP 180 AHM INTEGRATION IN MSG-3》，旨在同意在MSG-3的分析中運用飛機健康狀態管理系統（AHM），如圖3所示，以提升飛機系統的安全性和可靠性，加強航空公司對飛機狀態的認知，促進更有效和更有利的計劃性維修任務，進一步提升計劃性維修的經濟性。

空客在2019年10月舉辦的A350機型工業指導委員會（ISC）會議上，向所有運營A350飛機的航空公司介紹了空客準備在最新機型A350維修大綱（MRBR）中增加預測性維修技術的運用。預計新版MRBR（R06版）將在2021年底的ISC會議上提交審批。目前，空客正在積極與EASA和航空公司宣貫、交流、磋商，推進項目的實施和開展。

例如，壓力調節器濾芯勤務的工作，傳統的MSG-3分析方法得出的維修間隔為750FH（飛行小時），而采用AHM狀態監控后，每7天讀取一次壓差數據，并根據數據的讀取情況進行視情更換，可大大提升維修效率和經濟性。

2.2非計劃性維修

非計劃性維修指飛機發生突發故障，造成意外的停場維修。目前，包括空客、波音、GE、羅羅等OEM廠商都開發了相關的狀態監控系統。例如，空客的AIRMAN，可以通過空地數據鏈的傳輸，實時跟蹤飛機的技術狀態。當飛機在空中飛行時，工程師可以通過遠程趨勢監控，及時發現一些潛在的故障，及時與機組溝通告知操作事項，緊急時可通知機組預先做出決策，尋找備降機場，保證飛機的安全運行。此外，飛機落地前AIRMAN也可以提前通知生產準備和實施維修的各個部門，以便準備好工裝、航材、排故手冊等維修資料，大大提升了維修效率，減少了飛機意外停場時間。

2.3部件預測性維修

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，如圖4所示，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

通過上文的論述和分析，不難發現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737 NG的4倍。裝備FOMAX（Flight Ops& MAintenance eXchange）系統的A320飛機可利用參數為24000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。

3）難以匹配用戶的需求

預測性維修主要依靠機器學習和神經網絡算法。但是這些算法的可解釋性較差，如何使公司的管理層和專業的工程師認同，成為了難題。此外，見效慢也是一個障礙，航空公司受到運行、監管等外界壓力往往想要快速得到結果，而預測性維修方案往往需要耗費較長的時間逐步積累數據，否則校準模型難以有進展。此外，現有的預測技術對于業內重大典型的故障預測效果并沒有展現出優勢。許多突發故障或部件瞬時失效，難以通過預測發現。例如，液壓管路裂紋產生的瞬間失效導致液壓油箱漏空，進而造成起落架重力放，目前還很難依靠現有的數據分析主動發現。

4）投入產出比難以計算

對預測性維修技術前期投入是巨大的，哪怕是選擇購買平臺服務的形式都需要付出高額的成本。但是實際所獲得的收益又卻是難以計算的，可謂是潛在收益，如減少了AOG次數，使得利用率提升，運營收益升高；或者是提前發現小故障，減少大修成本等。但是這些經濟層面的數據較難量化和計算，這也是許多公司在做決策時躊躇的原因。

5）預測的準確性

目前，機器學習算法的準確性基本能達到90%甚至更高。但是對于航空維修業來說，任何的偏差都有可能造成災難性后果或嚴重的經濟損失。因此，如何提升算法的準確度是擺在維修專家和數據科學家面前的巨大挑戰。

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。

4）供應鏈管理應為預測性維修提供支持。對預測性維修建議做出敏捷快速響應，確保各個生產要素準備到位進行維修工作。

5）對基礎框架的改造，增設傳感器，利用5G技術加強航空器與后臺服務器的通信和交互，持續投入對算法的研發，提升預測準確性。

4.3技術層面

在技術層面，機器學習、AI等技術與航空維修技術如何相融合？就目前的經驗看，時序算法對部件故障缺陷的預測是非常有效的。卷積神經網絡（CNN）對圖像識別則有更好的適配性。

例如，對A350飛機氣體分離組件（ASM）持續監控，如圖5、6所示，提前預測ASM組件的性能衰退（監測值大于6），及時告知工程師和維修人員進行更換。

此外，應用開源的數據分析平臺也是快速部署預測性維修應用的好手段。微軟ASURE平臺就是很好的例子，如圖7所示，ASURE上設置了針對航空航天的預測性方案模板。該模板結合使用壽命，運行環境等參數，提供了航空發動機的剩余使用壽命 （RUL）計算試驗。用戶可通過注入自己的數據集進行客戶化的分析。

經過數據分析處理后可轉入Power BI，工程師可以在這個界面進行可視化分析。將機器學習的結果與實際工程經驗進行匹配和融合。隨著政府、企業和大學等對AI技術的投入越來越多，在技術層面一定會取得快速發展。

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。國內的OEM廠商、航空公司和MRO應該把握這一歷史機遇，加強合作，結合我國在人工智能領域、5G技術、語音識別技術的競爭優勢，搶占先機，從而占領預測性維修市場的制高點。

參考資料

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

[2]ISI 47.00.00036 IGGS - ACMS report 035.

[3]IP 180 AHM INTEGRATION IN MSG-3.

[4] EASA-AI-ROADMAP-V1.0.

[5]奧緯咨詢 MRO AMERICAS 2019.

[6]空中客車skywise官網：https：//www.airbus.com/aircraft/supportservices/skywise.html.

[7]微軟AZURE官網：https：// docs.microsoft.com/zh-cn/azure/appservice/.