飛機前輪轉彎系統潛在故障預警方法研究

黃世杰，蔡景，何盛

（1.南京航空航天大學民航學院，南京210016）（2.中國東方航空江蘇有限公司飛機維修部，南京211113）

0 引言

在飛機的地面運行過程中，機組要控制飛機在地面的滑行，將飛機停放在目標位置。在此過程中飛機轉彎發揮著關鍵的作用。飛機前輪轉彎系統不僅可以控制飛機在地面的靈活滑行，而且一定程度上還可以避免輪胎磨損及局部高溫，是現代民用飛機和大多數軍用飛機實現地面方向控制的常用方法。飛機在地面滑行時如果前輪轉彎失效，輕則導致航班延誤，飛機停留在跑道上，影響其他飛機的正常起飛和降落；重則導致輪胎嚴重磨損甚至爆破，威脅機上人員的安全。為了預防飛機前輪轉彎系統出現故障，現有的飛機計劃維修體系對前輪轉彎系統采用定期檢查的方法，實踐證明，該方法雖然可以提前發現諸如前輪磨損、胎壓差值較大等外部故障，但對于管路滲漏、活門故障等潛在故障基本無法提前識別。其原因是這類潛在故障具有很強的隱蔽性，不會在短時間內直接影響功能的使用。但當潛在故障累積到一定程度時，就會導致“轉彎困難或失效”，這種故障由于在定期檢查中基本不能被提前檢測到故障征兆，而往往被誤認為突發隨機故障。但實際上，根據飛機前輪轉彎系統的結構和原理可知，轉彎困難或失效故障模式具有漸變式的特點。因此，可以通過挖掘快速存取記錄器（Quick Access Recorder，簡稱QAR）中記錄的數據，找到反映轉彎失效故障征兆的特征參數，實現對故障的提前識別。

國內針對飛機前輪轉彎系統開展了一定的研究。例如，梁建平和孫貴楊針對波音737NG 飛機前輪跑偏故障分析了其發生的原因、形式并總結了排除該故障的常規方法；金磊通過對某型飛機“漂移”故障機理進行分析，提出了應對漂移故障的改進措施；羅剛通過對A320 飛機的原理進行介紹，針對A320 滑行中非指令性方向偏轉的故障，總結了前輪轉彎系統排故經驗；薛海紅等以某型飛機的前輪轉彎系統為例，基于故障模式及影響分析（Failure Mode and Effects Analysis，簡稱FMEA）建立了貝葉斯網絡模型，可以有效融合多源信息對前輪轉彎系統進行故障診斷；Dai Zhi?yong 等針對飛機ABS 系統提出了一種基于模型和灰色關聯分析相結合的診斷策略，經驗證擁有相對準確的診斷準確度；Liu Kuijian 等針對起落架收放機構提出了一種基于深度學習模型的多源信號特征融合方法，具有較好的特征融合能力和較高的診斷精度。可見，目前國內針對飛機前輪轉彎系統故障的研究都集中在故障診斷方面，未見有關故障預警方面的研究報道。國外針對起落架收放和剎車系統故障診斷和預測有較多研究，但未找到關于前輪轉彎系統故障診斷的相關研究。

飛機QAR 數據在故障預測方面已有廣泛的應用。因此，本文針對飛機前輪轉彎系統在現有計劃維修體系下故障具有隱蔽性的特點，通過挖掘QAR 數據，研究飛機前輪轉彎系統“轉彎困難或失效”故障的潛在特征，實現對前輪轉彎系統關鍵潛在故障的提前預警。

1 特征參數提取

1.1 QAR 參數獲取

QAR 是飛機機載記錄系統中的快速存儲裝置，可實現飛行數據的便利存取。QAR 記錄的參數在飛機落地后由地面人員將數據拷貝或者通過無線快速存取記錄器（Wireless Quick Access Re?corder，簡稱WQAR）下傳，經過專門的譯碼軟件處理后，為飛機性能分析、系統狀態監控、故障診斷及飛行品質監控提供數據支持。

根據飛機前輪轉彎系統的工作原理，“轉彎困難或失效”故障的預警主要跟表征飛機轉彎角度的參數有關。QAR 記錄了許多與前輪轉彎相關的參數，結合其采樣原理本文選擇以下特征參數（如表1 所示）分析“轉彎困難或失效”故障的潛在表現。

表1 前輪轉彎參數列表Table 1 List of front wheel turning parameters

1.2 前輪轉彎的數據采集特點

根據飛機前輪轉彎系統的結構和原理，并分析其典型故障及原因發現：管路滲漏、安全活門故障、缺少潤滑等可能導致前輪轉彎指令值與實際值出現延后及偏差，從而造成轉彎困難或失效。因此，選取前輪轉彎指令參數和實際角度參數，通過分析正常情況和故障情況下兩個參數之間的相關性特征，建立飛機前輪轉彎系統的故障預警方法。通過分析QAR 數據發現：機載的兩套剎車和轉彎控制組件（Braking/Steering Control Unit，簡稱BSCU）中，當BSCU2 處于接通狀態時指令值恒為0，這與數據采集的來源有關，因此BSCU1 處于未接通時記錄的數據并非前輪轉彎的實際值。一般情況下，1 次航班中BSCU1 和BSCU2 各出現1次持續一段時間的接通，如果出現二者多次交替接通的情況，為了保證所分析數據的連續性，只需要選擇BSCU 1 接通時持續時間最長的一段數據進行分析即可。

1.3 數據預處理

原始航班數據經過譯碼后導出的QAR 數據包含了表頭、時間列等與分析無關的信息，而且不同參數由于采樣頻率不同，會導致某些參數存在缺省的情況，因此要對譯碼后的QAR 數據進行預處理。

參數NWS_ORDER_ANG 和NWS_WHEEL_ANG 的采 樣頻 率為4 Hz，BSCU1_EGD 和BS?CU2_EGD 的采樣頻率為1 Hz，故二者存在缺省。該缺省值由于記錄的并非數據而是BSCU 的接通狀態，當存在BSCU 切換時，采用上一采樣值填補的方法最多影響3 條（即0.75 s）數據，且查看大量航班數據發現，一個航班中BSCU1 和BSCU2 的切換最多出現3 次，這對于整個航班動輒上萬條數據來說是可以忽略的，故選擇該缺省值填補方法處理缺省數據。處理后的部分數據如表2 所示。

表2 部分QAR 數據展示Table 2 Part of QAR data display

2 基于Pearson 相關性系數的故障預警方法

通過分析“轉彎困難或失效”故障案例，發現該類故障存在一個共同的故障表現：駕駛員的轉彎指令得不到準確地執行，即駕駛員的指令值與實際執行值之間存在不一致。不一致可以從兩個方面考慮：（1）指令值與實際值存在漂移（指令延后）；（2）指令值與實際值相關性低。

2.1 QAR 數據初始分析

根據有故障航班數據，繪制指令值和實際值的變化圖，如圖1 所示，可以看出：故障航班中存在指令值和實際角度值明顯偏離的情況。

圖1 故障航班中所研究參數的變化情況Fig.1 Changes of the parameters studied in the faulty flight

繪制正常航班對應參數變化圖，如圖2 所示，可以看出：即使正常航班也存在指令值和實際值指令漂移較大的情況，故“指令值與實際值指令漂移較大”不能作為故障的征兆，可通過分析指令值與實際值之間的相關性特點，得到故障的特征。

圖2 正常航班中所研究參數的變化情況Fig.2 Changes of parameters studied in normal flight

2.2 基于指令值與實際值相關性的預警分析

2.2.1 Pearson 相關性系數

統計學中有三種常見的相關性系數：Pearson積差相關性系數用于量度兩個變量和之間的線性相關；Spearman 秩相關性系數利用兩變量的秩次大小作線性相關分析，但效能不如前者；Ken?dall 秩相關性系數適用于兩個變量均為有序分類的情況。

Pearson 相關性系數是英國統計學家Pearson于20 世紀提出的一種用于度量兩個變量和之間的相關（線性相關）程度的方法，可以用來進行特征選擇、模型預測、尋找最優解等，具有廣泛的應用領域。本文選擇Pearson 相關性系數進行分析。

假設兩個變量、分別是一個數集，則和之間的Pearson 相關性系數可以通過式（1）進行計算。

式中：ρ為、的Pearson 相關性系數；（）和μ均為的期望值；σ為的方差；（）和μ均為的期望值；σ為的方差；cov（，）為、的協方差。

計算所得的相關性系數的絕對值越大，相關性越強。相關性系數越接近1 或-1，相關性越強；相關性系數越接近0 則相關性越弱。當相關性系數為0 時，和兩變量無關系；當一個的值增大（減小），另一個值增大（減小），兩個變量為正相關，相關性系數在0 與1 之間；當一個的值增大（減小），另一個值減小（增大），兩個變量為負相關，相關性系數在-1 與0 之間。

2.2.2 相關性分析

根據歷史數據繪制指令值和實際值的關系圖，如圖3 所示，可以看出：二者基本呈線性關系，符合Pearson 相關性系數的使用條件。

圖3 指令值和實際值關系變化圖Fig.3 Diagram of the change of the relation between instruction value and actual value

在前輪轉彎過程中，如果轉彎指令發出后，2 s 內系統沒有做出相應的動作，飛行員可以明顯感知到存在指令延后，因此對于指令延后的分析范圍設定為2 s。由于指令值和實際值的采樣頻率為4 Hz，2 s 對應8 個數據位，可以對實際值延后0~7 個數據位分別與指令值進行相關性分析。

將指令值和實際值作為Pearson 相關性分析方法的輸入數據集。首先對總計106 個連續無故障航班的QAR 數據進行相關性分析計算，得到的指令值和延后不同位數的實際值的相關性系數如表3 所示。

表3 連續正常航班的相關性分析結果Table 3 Correlation analysis results of continuous normal flights

從表3 可以看出：大多數情況下，無延后的實際值與指令值之間的相關性系數最大，少數情況下，1~2 個數據位延后的實際值與指令值之間的相關性系數最大。表明前輪轉彎中數據延后的現象并不明顯或者可以認為指令延后的現象可以忽略；另外，各個正常航班對應的相關性系數均在0.9 以上，不同延后下的相關性系數變化范圍在0.05 以內，表明指令值與實際值之間具有高度的相關性，符合前輪轉彎系統正常工作狀態的實際情況。

在故障案例中，分析故障航班的QAR 數據與該次航班之前的連續11 個航班的數據的相關性，分析結果如表4 所示。

表4 存在故障的連續航班相關性分析結果Table 4 Correlation analysis results of continuous flights with faults

從表4 可以看出：相關性系數最大時數據延后位數基本為1 個，但值與不延后時相差極小，可認為數據延后現象并不存在；故障前相關性系數基本在0.8 以上，其中延后不同位數的相關性系數變化范圍值均在0.06 以內，且在靠近故障航班時值明顯變大。對于有故障航班，系數值低至0.55 左右，表明指令值和實際值相關性低，出現了指令偏移；且延后不同位數的相關性系數變化范圍為0.18，與正常航班表現出明顯差別，表明數據的連續性也受到了影響。

11 個航班延后0~7 位數據相關性系數變化區間的長度如圖4 所示。

圖4 11 個航班的相關性系數變化區間長度圖Fig.4 Variation length of correlation coefficient of 11 flights

綜合上述分析結果，可得：

（1）當某航班指令值和實際值的相關性系數較低（低于0.8）時，表明前輪轉彎系統可能存在潛在故障，需要在飛行中給予一定的關注；當連續出現較低情況時，極有可能出現了潛在故障，需要停飛檢查。

（2）當某航班指令值和實際值的相關性系數較低時，且將實際值延后0~7 位與指令值的相關性系數變化范圍超過0.1（保守估計），表明二者之間的連續性受到影響，出現指令偏移，極有可能存在潛在故障，需要對前輪轉彎系統進行檢查以免影響飛行安全。

需要注意的是，上述結論是基于整個航班數據得到的，且相關性系數計算的準確度與數據量呈正相關的關系，飛行前期由于數據量較少可能會產生虛警，因此采用該方法實現對前輪轉彎系統的實時監控尚具有一定的挑戰性。

3 實例驗證

以某航空公司相同機型的飛行數據為例進行驗證。由于前輪轉彎系統的故障很少，為了驗證“轉彎困難或失效”潛在故障與“指令值與實際值”相關性系數之間的關聯性，在對該飛機的前輪轉彎問題進行定期維修前，收集和整理該飛機最近13 個航班的QAR 數據，對其指令值和實際值作相關性進行分析，結果如表5 所示。

表5 用于驗證的連續航班的相關性分析結果Table 5 Correlation analysis results of consecutive flights for validation

從表5 可以看出：除編號為06 的航班外，其余航班的相關性系數均在0.9 以上，編號為06 的航班的相關性系數也都在0.8 以上，因此可以認為該飛機前輪轉彎系統無潛在故障。將這一分析結果與該航空公司的維護人員執行定期維修時的檢查結果完全符合，證明所提預警方法對于該機型的有效性。

另外，由于上述所使用的數據均來自相同型號的飛機，所得結論是否適用于其他型號的飛機有待相關數據佐證，本文所提出的分析方法可供參考。

4 結論

（1）根據飛機前輪轉彎系統的工作原理和故障特點，選取轉彎角度指令值和實際值作為預警監測參數，采用Pearson 相關性分析方法，得出“轉彎困難或失效”的故障規律及閾值：相關性系數低于0.8 或實際值延后0~7 位時變化范圍超過0.1，實現了對飛機前輪轉彎系統潛在故障的預警。

（2）利用同型號飛機QAR 數據對本文所提預警方法進行了驗證，預警結果與維修人員實際檢測結果一致，表明了預警方法的有效性。