航空器預測性維修技術研發應用態勢分析

孔旭，于得水，丁坤英，劉佩佩

（1.中國民航大學 科技處，天津300300）

（2.中國民航大學 科技創新研究院，天津300300）

（3.中國民航大學 航空工程學院，天津300300）

（4.中國民航大學 學報編輯部，天津300300）

0 引言

航空器維修是根據適航要求和航空器情況制定維修方案，并按照標準流程實施維修方案中規定的維護、修理或改裝，同時監控維修質量和可靠性，確保航空器在運營過程中持續適航的系統工程［1］，屬于典型的高技術服務業。保持航空器的可用性，確保航空器飛行安全，是航空器使用的前提和必要條件［2］。

航空器維修是航空運輸業的重要組成部分，有效保障和支援航空公司的運營，以較優的成本、較低的飛機延誤率和較高的飛機可用率，使航空公司實現效益最大化［3］。目前，國內航空公司的航空器維修費用在運營成本中占到15%左右，約為歐美國家的2倍，亟需降低維修成本，需要研發可替 代 航 材（Parts Manufacturer Approval，簡 稱PMA），發展智能維修裝備和先進維修技術。

維修技術發展方面，國內外研究人員分別從數據采集、數據處理、航空材料等角度對航空器維修現狀進行了系統研究，結果表明，大數據、數字化、增材制造、表面防護、復合材料修理等已成為航空器預測性維修（Predictive Maintenance，簡稱PM）發展的關鍵技術［1-2，4-5］。

維修技術體系方面，航空器預測性維修主要包括兩大方面：故障和健康管理（Prognostics and Health Management，簡稱PHM）、剩余使用壽命預測（Remaining Useful Life Prediction，簡稱RULP）。PHM技術通過傳感器技術采集航空器運行過程中的狀態數據，再對比分析特征數據變化趨勢，識別故障性質、程度、部位和產生原因，預見可能發生的故障；同時根據預測信息、可用資源和運行要求，對維修和保障活動進行智能決斷［6-11］。RULP技術則利用深度神經網絡（DNN）、高斯過程回歸（GPR）等算法，對系統運行數據和性能降級狀態進行監控和跟蹤，預測系統未來健康狀況及使用壽命，從而為部附件換發提供準確的參考［12-13］。

維修行業發展方面，國際大型航空器制造企業呈現出“制造業服務化趨勢”［14］，以提供實時性、預見性的產業服務來實現差異化競爭優勢。信息化時代，航空器的預測性裝配和維修技術勢不可當。為此，本文以產業應用為線索，梳理預測性維修技術的研究熱點、支撐技術、發展路線、典型企業及其應用案例，以期對中國航空制造企業縮短技術差距、突破技術壁壘提供技術參考。

1 預測性維修技術框架

復雜機械系統由動力、液壓、控制、驅動、傳動等核心模塊構成，易出現過熱失效、振動失效、泄露失效、斷裂失效等失效模式。在分析失效模式、匹配失效模塊及其部附件的基礎上，預測性維修技術包括模塊類型選擇、系統信息收集和PHM處理，其工作流程與技術框架［6-13］如圖1所示。

圖1 預測性維修工作流程與技術框架Fig.1 Work flow and technical scheme of predictive maintenance

故障特征提取、診斷和預后是航空器預測性維修的核心流程，其中所涉及到的關鍵技術如表1所示。

從表1可以看出：從數據采集（data acquisi?tion）到成本-效益分析（cost-benefit analysis）再到下達維修決策，預測性維修實施的關鍵技術包括：產業背景知識（domain knowledge，亦稱“knowhow”）、傳感器布局和效能、算法和算力。

以上關鍵技術整合，呈現出當今預測性維修的三個主要趨勢，詳述如下。

多源數據采集和分析。利用機器人、人工智能、高性能傳感器等技術，全面采集航空器運行過程中的狀態數據，充分解讀數據信息并進行分類儲存。分步實現維修數據（流程、人員、生產、質量、技術等）生成、發布和采集的自動化，減少人工環節的干預，降低各類數據的錯誤率。維修數據生成由人工向自動轉變，由紙張向電子簽署轉變。建立維修數據的記錄規則，通過格式化的電子簽名系統、移動終端建設實現維修數據的生產自動化［15-16］。

數字化綜合平臺。多源數據經過“數據中臺”綜合在一起，通過數據分析，形成更精準的維修排程模型，掌握維修進度，使得各維修支援部門按排程預報及任務分配有條不紊地執行；針對突發事件進行快速診斷及預案調配，及時觸發各部門緊急支援及任務分配［15］。集成消費者、生產者以及企業內部信息，在企業內部實現所有環節信息快速響應、無縫鏈接；集成企業合作伙伴信息，形成信息共享及無間合作，建立跨企業互信協同，實現維修產業鏈動態可視化聯動管理。分散式信息融合、分布式信息融合、多速率交互式多模型融合等諸多數據融合方法被進一步研究，數學關聯算法進一步發展。隨著信息處理技術的發展，出現了神經網絡、粒子群、量子小波變換、支持向量機等一系列新的信息融合方法，可有效解決模型預報、圖像識別、故障診斷等復雜問題。

智慧維修決策。以規范行業標準為基礎、規避生產風險為原則，結合大數據、物聯網、人工智能等技術手段，按照部門間信息傳遞、業務進度和關鍵工序管控要求，兼顧使用體驗和應用效率，逐步將維修生產經驗或管理控制技巧，通過工序業務劃分，歸類判斷，并通過數據挖掘等算法建立人工智能模型。進而實現系統自我排程、監管、預報、自動通知或處理、報警等功能，再通過實際生產進行反復驗證，最終調試出符合產業管理特點的智能維修模型，從傳統的人工傳遞管理信息模式逐漸向智能化預測型智慧工業轉變。

2 航空器預測性維修產業及研究趨勢

2.1 產業趨勢

航空器維修是一項綜合數學分析、工程管理、加工制造等眾多技術為一體的系統工程，任何一方面的發展水平都會影響維修的工程品質和成本，最終影響行業的競爭力。國外先進的OEM廠商、航空公司以及MRO在21世紀初都已經進入到數字化維修時代，利用飛行狀態數據預測航空器的故障，協助制定相應的維修方案。2003年美國GE公司開始使用發動機預測和管理（EHM）系統，同期波音公司升級了飛機健康管理（AHM）系統、空客公司開發出AIRMAN系統。由于在航空器故障模型方面占有優勢，OEM廠商在故障預測系統開發方面起步較早［3］。這一時期的故障預測系統主要依靠飛行狀態數據，輸入來源比較單一，若要進行更為準確的預測，需要更為多源的數據尤其是維修數據的輸入［17］。

2012年，“大 數據”概 念被提 出，OEM和MRO在大數據應用方面紛紛開展研究工作。為了輸入更為多源的數據，數字化維修向平臺化方向發展。2013年，GE公司推 出 了Predix平臺，利 用 此 平 臺管理飛行狀態數據、運維數據、設計數據等；2015年歐洲最大的航空公司——法荷航推出了Prog?nos平臺［18］；2017年，在巴黎航展上，波音公司展出了AnalytX平臺，空客公司展出了Skywise平臺［4］；同年，MRO德國漢莎技術公司推出了Aviatar平臺。

進入到“大數據”時代以后，在運維數據方面的優勢使得航空器運營商和MRO企業在數據平臺方面的工作尤為出色，具有代表性的是德國漢莎 公司 的Aviatar平 臺［19］。該 平 臺 自2017年開 放至今，已融合了許多不同功能的程序，包括實時反映航空公司機隊整體狀況的Condition Monitoring、用于故障分析并查詢維修歷史的Fault Analytics、實時掌控機隊中突發狀況的Fleet Management、為航空公司選擇最優MRO供應商的MRO Radar、用于故障預測的Predictor Plugins、航空公司之間共享零備件的PartsMate、自動創建KPI報告的Reli?ability Management、便于航空公司與供應商進行交流的Record Status、對零備件購買進行標準化管理的Skeyos Marketplace、第一個在線工具租賃平臺ToolNOW、以及用于飛機短停管理的Air?Glance等，擁有將近1 000架飛機的數據，大約10家客戶及運營商正在使用這個平臺。

這種新的綜合化數字模式的建立改變了民用航空器的運維模式，使得運維企業針對航空器可以實施更為精準的預測性維修。數字化、平臺化、智能化是航空器預測性維修的基礎，航空器維修亟需進行“數字化維修”技術攻關［20］。

2.2 研究態勢

2.2.1 文獻計量

進入21世紀以來，關于航空器預測性維修的研究成果雖然總量偏少，但已逐漸得到學界和生產商的重視。以“predictive aircraft maintenance”為關鍵詞，檢索Web of Science數據庫，得到相關論文101篇，總被引頻次達到1 480次，篇均14.65次被引，逐年發表量和逐年引文數量如圖2所示，可以看出：預測性維修平均每6～7年會出現一次小的論文發表高峰，而論文被引頻次的逐年上升則表明預測性維修熱度不減。

論文高頻詞統計如圖3所示，可以看出：該領域的熱門研究方向涵蓋了多種相互交叉的學科，包括工程、數學、計算機科學、經濟學、材料科學、設備、自動控制系統、物理、機械、控制研究與管理科學、能源與燃油、機器人、遠程通訊等，這些學科共同構成了預測性維修的理論基礎。

圖2 “預測性維修”相關論文統計Fig.2 Published paper statistics on predictive maintenance

圖3 “預測性維修”研究熱點Fig.3 Research focuses on predictive maintenance

2.2.2專利分析

以中英文“航空器預測性維修”作為關鍵詞檢索國內外數據庫，得到12 069項專利，主要分布在計算、控制、通信、信號裝置、節能減排等方面，專利技術領域及主要申請國如表2所示。

表2 預測性維修專利技術領域及申請國Table 2 Patent technical domain and applicant countries in the field of predictive maintenance

對2010～2019年航空器預測性維修相關專利的技術主題進行聚類，排序前10的技術熱點如圖4所示，加標簽表示該聚類包含“IncoPat”高價值專利。

圖4 “航空器預測性維修”相關專利技術主題聚類Fig.4 Techniques cluster of relative patents in the field of aircraft predictive maintenance

從圖4可以看出：數據的遠距離收集、報告和計算是近年來的研究熱點，故障數據的實時記錄和分析預測是未來的發展趨勢，傳感器等電子元器件的升級是主要技術基礎，成本優化和調度決策是預測性維修技術研究的主要驅動力。

對該主題下的專利申請人及其技術主題進行排序，如圖5所示。為了方便比較，本文給出國內外排名前10的技術主題專利IPC小組號及含義，如表3所示。

圖5 “航空器預測性維修”國內外專利申請人及其技術熱點Fig.5 Patent applicants and their technical focuses in the field of aircraft predictive maintenance in and abroad

表3 “航空器預測性維修”國內外專利TOP10及IPC編號含義Table 3 TOP Ten patens and their IPC number meaning in the field of‘aircraft predictive maintenance’in and abroad

從圖4～圖5和表3可以看出：計算機輔助下的數據監測和處理是目前航空器預測性維修的專利技術熱點，其次分別為部附件優化、表面處理、流程優化；研發主題方面，國內呈現出高校為主、國企為輔、軍民協同的景象，需進一步提高政產學研用的有效循環，促進成果落地轉化；國外專利申請人以波音等“巨頭”為主，各公司技術主題的分布呈現階梯式、全覆蓋的特點，形成了較為完善的產業鏈，產業生態的建設值得國內企業和管理部門重視。

3 預測性維修應用進展

3.1 可穿戴維修輔助設備

（1）數據實時獲取及多屏顯示。可穿戴計算機便于航線維修人員攜帶，利用APP快速獲取維修手冊、飛機履歷、維修記錄等維修數據，在多個設備實時共享。

（2）語音識別及數據對比技術。航線上的維修人員可以口頭報告飛機輪胎胎壓和其他狀態信息，聲控設備自動將這些數據與預設的參數值進行比對，并向維修人員反饋。機庫中的維修人員也可口頭報告部件的質量、狀態和時壽，核查零備件的可用性，科學制定零部件訂購和更換計劃。

3.2 機器人輔助自動化維修

（1）替代重復性工作。由機器人替代人工完成繞機檢查、飛機外表面清潔等重復性工作，可在很大程度上避免疲勞狀態導致的人為差錯。在對大面積區域進行缺陷尋找時，也可以利用機器人進行無差別檢查，并將檢查數據及時傳給附近的無損檢測工程師進行甄別。

（2）替代危險性工作。帶吸盤的爬行機器人可爬行至目標區域，且不受暴雨、高溫等天氣影響。

（3）大幅提高工作效率。由無損檢測工程師對不同站位的機器人發出批量指令，不僅可以縮短工作周期、降低人工成本，而且能精確發現部件和結構的內部裂紋，使損傷容限設計下的航空材料不至于被提前更換。

（4）輔助維修決策。在地面工程師的監視下，由自動飛行控制系統指揮無人機沿預設路線完成飛機外觀檢查，將飛行過程中自動拍攝的圖片錄入數據庫，與3D電子模型對照，及時發現擦痕、凹痕和掉漆，提高損傷的可追蹤性，進一步預防和減少損傷。

3.3 智能供應鏈技術

構建航材管理公共信息平臺和支援系統、航材全生命周期質量認證及追溯系統、備件智能調度系統。加強智能化入庫檢驗、分揀存儲、裝卸搬運、配送等自主裝備的研發和推廣應用，建設航材智能監控存儲系統，提升航材運營管理水平和效率。采取智能供應鏈技術可以改善數據質量，實現單一可追溯的序列號記錄，增強跨企業信任，降低互認成本，提高持續適航性等。

3.4 數字孿生技術與PHM

航空器裝配和維護技術水平對其工作性能的影響十分顯著。在航空器裝配初期，利用數字孿生技術（Digital Twins，簡稱DT）建立物理世界和信息世界的匹配融合［21］，并在航空器運行過程中持續進行基線數據（Baseline Data）監控和收集，利用快速存取記錄器（Quick Access Recorder，簡稱QAR）數據進行模型驗證，從而實現對發動機剩余壽 命（Remaining Useful Life，簡 稱RUL）的 預測［22］。數字孿生和基線挖掘作為逆向工程技術的代表，對我國航空器預測性維修技術的自主可控具有重要意義，在突破OEM廠商技術壁壘的過程中發揮了重要作用。隨著物聯網（Internet of Things，簡稱IOT）及相關數據采集技術的普及程度逐步提高，故障預測和健康管理逐漸成為航空器預測性維修的集大成者，實現了數據采集與處理、狀態監測與故障診斷、預見性維護、智能決策的完整流程，提高了協同保障效率，降低了維護費用，減少了停場時間。

3.5 AHM與APUs

如上所述，國際知名航空器制造企業在預測性維修方面均已開展多項研究和應用。波音公司（Boeing）在PHM的 基礎上，提 出 了AHM（Air?plane Health Management），旨在通過預見性的維護數據分析（Predictive Maintenance Analytics）來提高航空器的實時性能［23］。該系統目前已在多架現役飛機上使用，利用飛機實時數據來提供快速的性能評估決策，通過系統和部件預警降低計劃外維護的概率，通過實時監控來優化飛行計劃、提高燃油效率。

航空發動機制造巨頭霍尼韋爾公司（Honey?well）的航空器數據網關技術（Aircraft Data Gate?way），通過無線數據庫和QAR數據，可將維修效率提高50%；該公司還開發了故障排除輔助動力單元（Troubleshooting Auxiliary Power Units，簡稱APUs）為客戶提供預見性的航空器態勢監控和診斷服務（Predictive Trend Monitoring and Diagnos?tics，簡稱PTM & D）［24］。

4 預測性維修自主化發展策略

（1）加快布局航空制造業互聯機制。工業互聯網是第四次工業革命的基石，工業、軟件和通信技術的深度融合為行業發展帶來了新的生命力。全面、合理部署智能設備，構建航空制造業的泛在感知、智能決策、敏捷響應、全局協同、動態優化能力［25］。通過工業互聯，將航空器制造維修機理顯性化、系統化、數字化，是預測性維修的基礎。

（2）促進信息服務標準化。數字孿生是推進工業互聯網建設的前提，其基礎是信息化建設，而信息服務標準化是信息遷移、信息同步的前提［26］。在航空器運行初期即建立國際化、標準化的服務接口，確保運行信息的批量交換和跨企業互操作，從而實現更高效率的資源配置和維修決策。

（3）加大智能制造人才培養力度。目前，熟悉航空器維修、掌握AI算法和程序開發技術的綜合性相關人才匱乏，工業軟件基礎薄弱，制約了預測性技術在航空器維護維修中的開發和應用。應加大產學研協同，遴選相關院校的優秀師生，聯合企業建立培優機制，同步加強師資力量和人才培養，為航空器預測性維修的全面部署積蓄力量。

5 結束語

2020年初，美國政府對GE公司向中國出售C919選型發動機實施干預，引發國內航空業對自主制造技術、自主運營技術的強烈呼吁。本文在梳理航空器制造、維護技術發展趨勢的基礎上，從航空制造業互聯機制、信息服務標準化、智能制造人才培養三個角度，提出航空器預測性維修自主化發展策略，為行業發展提供決策參考，提高相關技術自主化程度。

預測性維修是航空器維護的國際趨勢，相關配套技術的廣泛普及將帶來行業的全面革新。后續研究將從工業互聯、智能制造、工業軟件開發等方面，持續追蹤國內外相關研究熱點，重點關注國內外主要專利申請人和高水平論文所在科研單位，深入分析國內外技術差異，增加對重點研發國家和企業在研發投入、研發備忘錄等方面的系統梳理，為我國航空器制造企業和科研院所提供更加精準的技術情報。