深度學習在C-130J飛機預測性維修中的應用和啟示

宋海方 劉潔 汪時交 梁志帥

摘要：預測性維修是減少維修工作量和維修資源、提高裝備可用性的新的維修模式，實現預測性維修的關鍵是構建預測模型和算法。以深度學習為代表的新一代人工智能技術為預測模型和算法提供了條件。本文分析了當前C-130J飛機維修保障存在的主要問題和困難，重點研究了深度學習技術在飛機預測性維修中的應用，論述了應用深度學習技術的主要困難和解決問題的思路，最后從技術和管理的角度論述了在裝備預測性維修中應用深度學習技術的啟示。

關鍵詞：預測性維修；深度學習；C-130J

Keywords：predictive maintenance；deep learning；C-130J

C-130“大力神”運輸機是洛克希德馬丁公司設計生產的一款中型戰術運輸機，該型號飛機有著悠久的歷史，并且衍生了多個型號。目前，全球有70個國家和地區部署了大約2500架C-130系列飛機，用于執行搜救、醫療救治、運輸、作戰、空中加油等任務，如圖1所示。C-130的廣泛部署使得任何可能引起飛機停飛或影響飛機適航性的事件都會引起全球關注，也會直接給用戶帶來損失。

預測性維修（Predictive Maintenance，PdM）是一種新的維修理念和模式，預測性維修通過優化維修資源和過程、以最少的維修工作達到最高裝備可用性。預測性維修通過預測特定部件何時失效、僅在真正需要時才進行維修，可避免大量維修、特別是過度維修的同時，降低裝備的非預期停場時間和使用成本。在C-130飛機中實施預測性維修，具有重大軍事和經濟效益。本文以C-130系列飛機的最新型號C-130J“超級大力神”飛機為例，研究深度學習（Deep Learning）技術在C-130J飛機預測性維修中的應用。

1 C-130J飛機維修保障的基本情況

目前，C-130J“超級大力神”在全球交付數量超過450架，有21個國家擁有該型飛機，累計飛行時間超過200萬小時。根據美國政府問責辦公室（Government Accountability Office，GAO）的最新報道，2011-2019年美國空軍的120架C-130J飛機只有九分之四滿足飛機可用性（aircraft availability）目標，但是沒有一架滿足任務執行率（mission capability）的要求。C-130J飛機可用性和任務執行率的目標達成情況如圖2所示。

C-130J的計劃內基地維修（programmed depot maintenance）是在空軍的華納羅賓斯空軍后勤中心（Warner Robins Air Logistics Complex，WRALC）完成；C-130J的發動機和螺旋槳的維修主要由羅羅公司通過基于性能的后勤（Performance Based Logistics，PBL）合同完成；空軍保障中心和國防后勤局負責管理C-130J與其他項目的通用零部件；洛克希德馬丁公司通過PBL合同提供C-130J的專用零部件。根據GAO的分析，C-130J的可用性和任務執行率沒有達成目標的原因主要包括：

● 非預期部件替換和修理（Unexpected replacement of parts and repairs）

● 非計劃維修（Unscheduled maintenance）

● 減少制造來源（Diminishing manufacturing source）

● 部件淘汰（Parts obsolescence）

● 部件短缺和延期（Parts shortage and delay）

不能執行任務的飛機主要是因為維修不能執行任務（not mission capable maintenance，NMCM）和因為供應不能執行任務（not mission capable supply，NMCS）。

據2018財年統計，美國空軍共計120架C-130J飛機，總的使用和保障（operation and support）成本約為11.43億美元，其中，維修成本（maintenance cost）約為3.91億美元。平均每架飛機的使用和保障成本約為953萬美元，其中326萬美元為維修成本。在C-130J飛機維修保障中應用預測性維修，可以減少非預期的部件修理和替換、非計劃維修等帶來的影響，同時可以前置儲備相關零部件，避免部件短缺對飛機使用造成的影響。

2 深度學習在預測性維修中應用的困難

預測性維修可以減少使用成本、最小化停場時間，同時提高整體的裝備健康水平和性能。但實現預測性維修需要三個關鍵條件：

（1）在裝備上安裝狀態監控傳感器，（實時）發送性能數據和裝備健康信息；

（2）物聯網（Internet of Things，IoT）技術，使得信息在軟件、硬件和云技術之間連通，該項技術本質上用于收集和分析海量數據；

（3）預測模型和算法，對數據進行預測，從而得到失效預測結果。

其中，預測模型和算法是預測性維修的核心，通常也是實現預測性維修的關鍵和難點。預測模型和算法的一般流程如圖3所示。

輸入的數據主要包括傳感器數據和其他的一些數據（如歷史數據、FEMA的分析數據等），這些數據可以用來檢驗和訓練預測模型，當模型訓練完成后，就可以對新輸入的數據進行預測，預測結果包括對裝備的狀態監控，當超過一定的門限時發出警報，從而提醒用戶觀察或更換可能失效的部件。預測模型可以根據實際的維修工作對模型進行修正，并且根據實際維修工作優化后續的預測結果。

傳統的預測模型和算法需要人工提取特征，這不僅需要較強的專業知識，而且預測模型和算法的效率和泛化能力也受到一定的限制。以深度學習為代表的新一代人工智能技術為預測性維修的實現提供了新的技術框架，深度學習的一個重要特點是可以自動從數據中提取特征，避免了人工提取特征的局限性。但是深度學習在預測性維修中的應用存在以下主要困難：一是深度學習需要大量的數據資源；二是這些數據資源需要集中處理；三是深度學習的使用門檻較高，開發難度較大。作為C-130J飛機的原始設備制造商，洛克希德馬丁公司主要通過以下幾種方式克服深度學習在預測性維修的應用難題。

首先，C-130J飛機在全球有大量用戶，僅此一種機型全球交付就超過450架，每架飛機有600多個傳感器，每個飛行小時會產生72000行數據，這些數據包含著包括失效部件故障代碼在內的重要信息，因此對于C-130J而言，深度學習需要的大量數據不是主要問題。

其次，C-130J飛機由全球20多個國家和地區使用，這些分布在不同國家和地區的飛機數據需要進行集中處理。洛克希德馬丁公司為全球超過300架C-130J飛機設置了一個中央數據存儲庫，用于集中存儲、處理和共享數據。超大數據的整理和排序給洛克希德馬丁帶來了很大的挑戰，由于這些數據采用不同的格式，所以剛開始洛克希德馬丁公司每個月都需要3名員工專門對數據進行整理。

最后，深度學習解決方案的開發門檻較高，是一項需要具備高級技能的專家工作。洛克希德馬丁公司為了快速將深度學習應用于C-130J的維修預測，投資使用了SAS Viya平臺。該平臺提供了人工智能和數據管理框架，借助該平臺可以自動處理所有數據（例如前面提到的數據整理和排序等工作），同時利用其編程接口可以構建預測性維修模塊，從而指導C-130J飛機的維修和供應工作。

3 SAS Viya深度學習工具的應用

SAS Viya 是一個開放式的分析平臺，可用于處理多種類型的數據。該平臺包含了一個標準的代碼庫，支持SAS和其他語言，如Python、R、Java和Lua等語言的編程。該平臺支持云端和現場服務，同時提供了理解深度學習過程必不可少的數據可視化服務。SAS Viya的整體框架如圖4所示。

SAS Viya可以通過Linux的yum安裝RPM包的方式，或者由Ansible自動運行一系列yum指令的方式，在單臺計算機或多臺計算機上完成部署。SAS Viya支持自動、批量導入不同格式的數據，可以在SAS客戶端SAS Studio或者SAS提供的其他語言的編程接口，使用SAS的深度學習組件，對來自不同國家和用戶的C-130J的數據建立中央存儲庫，集中處理，使用的深度學習工具可以使系統從收集的維修歷史數據中得到學習，從而為飛機的維修決策和備件供應前置提供實時的最佳方案。圖5為SAS Studio中的一個數據分析可視化實例。

例如，如果故障代碼觸發了某個零件的更換，而該零件后來在80%的時間被發現處于良好的工作狀態，則系統會從該錯誤中吸取教訓，并且下一次將建議在更換之前進行更強大的故障排除；如果客戶拒絕該建議并采取不同的措施，則系統也會從中吸取教訓。

洛克希德馬丁稱這種服務是“智能診斷”（intelligent diagnostics），本質上這是借助深度學習工具實現預測性維修的過程和方法。借助SAS框架搭建的系統已經產生了作用，減少了大約95%的數據清理（data cleaning）時間，并且只用少量的科研團隊就可以快速為用戶提供減少飛機停飛的成本和結果。在最近的一項調查中，洛克希德馬丁公司與C-130J的某用戶合作，三個月內跟蹤了20架飛機的50個零部件，洛克希德馬丁公司利用其基于SAS Viya組件構建的預測性維修模型，將停飛時間減少了1400小時。借助現成的商業化的深度學習工具，洛克希德馬丁公司將傳統的“應對式”（reactive）后勤維修模式，轉換為了更加積極主動（proactive）的模式。

除了在C-130J飛機的預測性維修中使用了SAS框架之外，洛克希德馬丁公司還在F-35“閃電”II戰機的基于性能的保障（Performance Based Logistics，PBL）中使用了SAS Viya的組件，從而以便捷、快速的方式實現了從傳統維修供應到預測性維修供應的轉變。

4 主要啟示

預測性維修可以最大程度地減少維修工作量和維修資源，同時提高裝備的可用性和戰備完好性。將商業化的深度學習框架和工具用于裝備的預測性維修，可以大大減少預測模型和算法的實現難度，縮短預測性維修模塊的部署周期。想要在裝備預測性維修中成功運用和部署這些工具，重點需要從技術和管理兩個方面進行。

一是從技術的角度，需要結合具體的應用場景，立足現有的裝備和機載傳感器系統，充分利用現有數據和歷史數據，建立預測性維修的整體框架，盡可能采用現成的深度學習工具。目前，國外的深度學習工具如谷歌公司的Tensor Flow、Facebook的 PyTorch，國內公司如百度的“飛槳”（PaddlePaddle）、華為公司的MindSpore等，這些工具為深度學習的廣泛應用提供了較為完成的解決方案，在裝備預測性維修中要盡可能利用自主可控的深度學習工具，降低應用門檻和實施風險，在盡量短的時間內完成基于深度學習的預測性維修模型的部署和運行。

二是從管理的角度優化頂層設計和預測性維修的實施和推廣。以裝備型號為主要分類依據，利用現有的安全網絡建立不同裝備維修數據的集中存儲和處理中心，利用現有數據訓練預測模型，將預測結果與新產生的維修數據對比并對訓練模型進行更新，待模型完善后，按照部件的重要程度，根據組件、分系統和系統等不同層級，采用逐步推廣的方式，將預測性維修模型應用于該型號的所有裝備。

參考文獻

[1] https：//www.rtinsights.com/ lockheed-martin-teams-up-with-sas-onaircraft-analytics/

[2] https：//washingtontechnology.com/articles/2018/04/18/lock- heed-sas-f35-sustainment-effort.aspx

[3] https：//www.sas.com/en_us/software/viya.html

[4] 陳雷.深度學習與MindSpore實踐[M].北京：清華大學出版社，2020.

[5] 于祥.深度學習與飛槳PaddlePaddle Fluid實戰[M].北京：人民郵電出版社，2019.

[6] SAS Viya. Built for innovation so you can you’re your biggest analytical challenges – solution overview，PDF is available on： https：//www.sas.com/content/ dam/SAS/en_us/ doc/overviewbrochure/ sas-viya-108233.pdf

[7] Lockheed Martin. C-130 aircrew and maintenance training. PDF is available on： https：//www.lockheedmartin.com/content/dam/lockheed-martin/aero/documents/ sustainment/MG170493-021_Website_ HTC_blue.pdf

[8] Government Accountability Office. Weapon System Sustainment： Aircraft Mission Capable Generally Did Not Meet Goals and Cost of Sustainment Selected Weapon Systems Varied Widely [R]. 441 G St. N.W. Washington， DC 20548. November 2020.

[9] Inspector General of U.S. Department of Defense. Excess Inventory Acquired on Performance-based Logistics Contracts to Sustain the Air Force’s C-130J Aircraft [R]. Washington， DC 20548. September 2014.

[10] https：//limblecmms.com/predictive-maintenance/

[11] Timrek Heisler. C-130 Hercules： Background， Sustainment， Modernization， Issues for Congress [R]. Congressional Research Service， CRS Report， June 24， 2014. PDF is available on： https：//fas.org/ sgp/crs/weapons/R43618.pdf