基于飛參數據分析的飛機故障檢修模式優化研究與應用

摘"要：針對飛機故障檢修維修過程中面臨的新挑戰，本文通過對國內外應用研究現狀進行分析，以飛參數據深度挖掘應用為切入點，并與飛機故障檢修實際業務工作相結合，采用專家知識推理機，運用專家知識和經驗，對飛機系統出現的故障進行推理和判讀，構建系統模型，采用自編碼器結構進行異常診斷，突破關鍵算法研究，設計研發了飛參數據治理和診斷模型系統，包含故障診斷、快速判讀、模型診斷、故障統計、故障檢修優化等多個業務模塊，實現了基于數據分析的飛機故障檢修模式優化應用。

關鍵詞：故障檢修；飛參數據治理；模型構建；自編碼器；異常檢測

隨著航空裝備使用頻率越來越多，飛機大修任務時間緊、任務重、要求高，航空維修企業不得不在保證質量的前提下，盡量縮短大修周期，力爭做到快速大修、快速服務保障，使部隊快速形成戰斗力。同時，航空裝備轉型升級進度加快，但延壽或超期服役的老舊裝備仍然承擔作戰作訓任務，故障率居高不下，是質量問題的高發期，航空維修工作面臨巨大挑戰。

飛機大修是對出現損傷的飛機按照技術標準對其進行全面恢復技術狀態的修理，屬于基地級維修級別。目前，在飛機進場后會針對飛參數據進行初步判讀和特征提取，并整機接收故障檢修；飛機拆解完成后，機載相關設備送至修理工序車間并基于設計要求和工藝要求進行檢修。當前流程存在兩大痛點：一是在飛機進場后開展的初步飛參判讀無法指導后期單個部附件的故障檢修工作，迫切需要結合歷史數據，針對所有系統開展前置數據分析并診斷故障狀態，以提升故障檢修效率。二是當前各飛參數據與各部附件的關聯關系不明晰，故障數據與飛參數據無法有效銜接，存在數據資源未充分挖掘利用的情況。因此，針對飛機故障檢修工作中存在的問題，亟須充分利用歷史飛參數據進行異常檢測，挖掘故障的規律和模式，構建基于運行機理和數據驅動的故障檢修分析應用流程，故障診斷結果識別飛機故障，并進行故障檢修流程優化，實現基于數據分析的飛機故障檢修模式優化應用。

1"研究現狀

在國內外飛參數據異常檢測和故障診斷方面，大多數是通過超限檢測、聚類、支持向量機等方法實現。由于飛參數據的異常檢測具有標簽分布不均的性質，參考文獻［1］中的學者提出了DAGMM模型，使用高斯混合模型擬合大量正常數據的模型。飛參數據本身具有一定的特征且在任何時候都應當滿足一定的分布規律，異常數據將違背其分布，或者位于分布中的小概率區域，而根據中心極限定理，飛參數據應當滿足高斯分布。近年來，神經網絡越來越多地被用于飛參數據異常檢測和故障診斷，自編碼器和自回歸模型作為無監督算法成為異常檢測的常用算法［23］，并且在大量實驗中都取得了SOTA（stateoftheart）的效果。自編碼器常用于數據壓縮和特征提取。參考文獻［2］中的學者提出了利用自編碼器學習參數間的正常規律進行輸入數據的重建，并且通過設置不同的窗口大小來判斷異常嚴重程度。不同于自編碼器重構當前時刻的結果，自回歸模型的基本思想是利用時間序列數據中的歷史觀測值來預測未來時刻的觀測結果。它假設當前值是過去值的線性組合，其中每個過去值都與一個權重相關聯，這些權重可以通過最小化預測誤差來進行估計。

綜上所述，相關專家學者已經開始利用飛參數據進行異常檢測，利用神經網絡方法建立參數與異常事件的相關性模型開展異常檢測和故障診斷，但是所做的工作比較零散，未形成可以指導實際工作產品的應用。因此，亟須開展基于飛參數據的數據治理和模型診斷，進行飛機故障檢修模式優化；充分利用歷史海量飛參數據，從歷史飛參數據中挖掘典型系統的故障規律；同時結合專家知識，采用數據驅動和專家判據相結合的方式，識別飛機故障，輔助開展飛機故障檢修工作。

2"飛機故檢模式優化技術應用

2.1"系統架構設計

為解決上述問題和充分發揮飛參數據在故障檢修工作中的作用，設計研發了飛參數據治理和診斷模型系統。系統平臺采用B/S架構，包含數據采集層、數據資源層、服務資源層和信息應用層四個層級（見圖1）。數據采集層用于獲取飛參數據、參數信息、任務數據等系統基礎數據。數據資源層包括數據庫、ETL工具等組件共同組成基礎的數據服務中心，為上層應用提供統一的數據檢索、查詢、調用和提取接口。服務資源層包括前端服務、后臺服務等網站服務和模型診斷、快速判讀等數據分析服務。信息應用層包含故障診斷、快速判讀、模型診斷、故障統計、故障檢修優化等多個業務模塊，展示數據分析挖掘的結果，直觀地呈現出飛機的診斷分析結果和關聯任務。

2.2"系統基本原理

飛參數據治理和診斷模型系統對上傳的飛參數據進行數據抽取和數據治理，并將其存儲至服務器后臺和數據中心進行數據共享。基于飛機各系統運行機理和專家知識構建機理分析判據，通過專家知識推理機模塊進行故障診斷。基于歷史海量飛參數據，構建不同專業系統的數據驅動異常檢測模型，識別不屬于正常數據的異常規律。通過將異常現象定位到具體時間段和具體參數，關聯到具體的故障檢修任務，對異常部件進行重點排查。

在積累的飛參歷史數據的基礎上，開展快速判讀、模型診斷，對所有飛機的狀態進行監控，實現故障檢修工作優化。利用構建的故障診斷模型對相關系統進行健康診斷，顯示診斷結果，同時將飛參數據診斷結果與對應的故障信息、故障檢修工藝知識、處置建議等進行關聯。

2.3"診斷概覽模塊

展示所有飛機的歷史飛行履歷和各架次數據分析診斷結果。通過數據分析的手段，能夠從飛參數據中發現隱蔽性故障，定位故障源，使得維修人員能夠快速準確地找到故障位置，避免了不必要的等待和檢測，提高維修的精度，縮短維修時間。

2.4"模型診斷模塊

展示通過神經網絡算法模型得到的不同飛機系統的診斷概覽，給出各系統模型的診斷結果和該架次不同時間異常參數的總數。針對特定的飛機部件，基于歷史飛參正常數據構建數據分析模型，學習各系統正常的運行規律，能夠迅速識別異常模式和潛在故障，從而提高故障診斷的效率和準確性。通過模型預測結果和實際結果的誤差對比，定位到異常發生時刻和具體參數，指導維修人員精確定位故障源，從而避免不必要的檢查和更換，降低維修成本。

2.5"快速判讀模塊

展示快速判讀的診斷結果，包括飛行履歷、事件名稱、事件類型、開始時間、結束時間、持續時間。顯示某一具體分析結果的詳細信息，包括判據信息、相關參數及對應的故障檢修任務。快速判讀模塊通過讀取專家知識庫，對飛參數據中的關鍵性能參數進行分析判讀，便于機務人員快速了解飛機的健康狀態及各項性能指標。通過運用專家知識和經驗，對飛機系統出現的故障進行推理和判讀，能夠更加準確地識別故障的類型和原因，快速輸出診斷結果和維修建議，以減少維修人員的工作量和診斷時間，提高維修效率。

3"關鍵算法

由于飛參數據具有標簽分布不均勻的特點，即具有無異常數據或異常數據稀少的問題，無法通過常見的有監督學習進行異常診斷，因此考慮采用自編碼器結構進行異常檢測。自編碼器是一種常見的神經網絡架構。通過構建一種無監督的自編碼器算法模型學習正常數據的構建規律，并利用學習完成的模型進行異常檢測，對數據的正常形態進行預測，當實際數據與預測的正常形態數據偏差較大的數據被認為是異常數據。

3.1"算法設計

自編碼器由編碼器和解碼器兩部分組成（見圖2）。編碼器部分接收輸入數據，并通過一系列的編碼操作將其轉換為一個隱藏層表示。這個隱藏層表示通常比原始輸入數據的維度要低，從而實現了數據壓縮。編碼器的目標是學習一個有效的表示，能夠捕捉到輸入數據的關鍵特征。解碼器部分接收編碼器的隱藏層表示，并通過一系列的解碼操作將其重構為與原始輸入數據尺寸相同的輸出。解碼器的目標是盡可能地恢復原始輸入數據，以實現重構的目標。自編碼器通過最小化輸入數據與重構輸出之間的差異來進行訓練，這可以通過使用一種稱為重構誤差的損失函數來實現。

首先，構建一個自編碼器用于讓模型學習數據的正常形態。對于輸入的第i個特征數據，節點的特征是tw到t1時間窗口內的時序數據，利用神經網絡進行編碼，每個節點在周圍節點的信息后得到一個新的節點特征，這個新特征是對下一時刻各參數值預測的結果值的特征，即綜合考慮各個關聯傳感器和歷史數據后預測下一時刻各個傳感器在正常情況下的特征值。解碼器的輸入是編碼器的輸出，解碼器的作用是將下一時刻的特征值重新映射到一維空間，對于每一個解碼器的輸出是長度為N的一維向量Y，每個值代表著各個傳感器在t時刻的預測值。

其次，在異常檢測模型中，先將輸入數據通過編碼器壓縮到低維空間，然后利用解碼器重構輸入數據。飛參異常檢測的訓練數據全部或絕大部分都為正常數據，自編碼器通過不斷縮小重構誤差，學習正常數據的規律特征。利用訓練好的模型進行異常檢測，若輸入數據為正常數據，模型可以根據學習到的規律進行重構，重構誤差較小；若輸入數據中出現了異常數據，由于違背了訓練時學習到的正常規律，最終模型的輸出會得到較大的重構誤差。

3.2"異常檢測

大數據中心極限定理是統計學中的一個重要概念，它描述了當從一個總體中抽取大量獨立隨機樣本時，無論原始總體的分布形態如何，樣本均值的分布將近似服從于正態分布。大數據中心極限定理的重要性在于它提供了在統計推斷中使用正態分布進行假設檢驗和區間估計的理論依據。例如，在對總體參數進行估計或假設檢驗時，即使原始數據不滿足正態分布假設，只要樣本容量足夠大，根據中心極限定理，樣本均值的分布將近似服從于正態分布，從而使得對總體參數的推斷更為可靠。

3.3"測試驗證

根據故障記錄描述，200324_02_61087.csv架次的“右發動機滑油壓差”參數在1768918657位置異常。通過異常檢測模型，能夠識別到該異常狀態。異常檢測位置如圖3所示，橫坐標表示異常數據點的個數，縱坐標表示異常指數，異常指數4～6的位置為識別到的異常檢測位置。圖4為“右發動機滑油壓差”參數，通過真實值與預測值的對比曲線圖能夠發現，在異常時刻位置，真實值與預測值差距較大。

4"結論

針對飛機故障檢修維修過程中面臨的新挑戰，通過對國內外應用研究現狀進行分析，以飛參數據深度挖掘應用為切入點，突破關鍵算法研究，開展了飛參數據治理和模型構建系統的設計與實現。通過深入挖掘歷史飛參數據，并與飛機故障檢修實際業務工作相結合，采用專家知識推理機，運用專家知識和經驗，對飛機系統出現的故障進行推理和判讀；采用神經網絡的異常檢測模型學習飛機各部件正常運行規律，識別異常模式和潛在故障，通過定位到具體參數和異常時間段，輔助開展故障檢修維修工作。通過精確的故障診斷，可以避免不必要的維修和更換，降低維修成本。

參考文獻：

［1］DENG"A，HOOI"B.Graph"neural"networkbased"anomaly"detection"in"multivariate"time"series［J］.In"Proceedings"of"the"AAAI"conference"on"artificial"intelligence，2021，35（5）：40274035.

［2］ZHANG"C，SONG"D，CHEN"Y，et"al.A"deep"neural"network"for"unsupervised"anomaly"detection"and"diagnosis"in"multivariate"time"series"data［J］.In"Proceedings"of"the"AAAI"conference"on"artificial"intelligence，2019，33（01）：14091416.

［3］ZHANG"T"F，MA"F"M.Improved"rough"kmeans"clustering"algo"rithm"based"on"weighted"distance"measure"with"Gaussian"function［J］.International"Journal"of"Computer"Mathematics，2017，94（4）：663675.

作者簡介：何姍（1989—"），女，漢族，安徽安慶人，碩士研究生，中級工程師，研究方向：航空維修。