宋 彪，王 旭

（沈陽航空航天大學安全工程學院，沈陽 100136）

計算機匯編語言和相關(guān)信息工程技術(shù)在航空領域的不斷發(fā)展過程中，現(xiàn)代民用航空運輸飛機設備逐步向著自動化控制及機械、電器和液壓動力一體化方向發(fā)展，日益復雜的結(jié)構(gòu)由許多系統(tǒng)、部件和附件組成。事后維修不僅對災難性故障不能有很好的預防，還可能在不必要停場時間內(nèi)帶來新的風險（如檢修損傷、經(jīng)濟損失）。較為常用的定時維修方式逐漸在實際工作中暴露出其不足：①維修過剩，即將不必要的維修施加給使用狀態(tài)較好或沒有變壞跡象的設備，帶來經(jīng)濟損失和二次風險；②維修不足，設備在檢修期未到時產(chǎn)生局部故障，但受維修計劃制約繼續(xù)運行，對飛機完成運輸任務的安全性和可靠性都產(chǎn)生了巨大的影響。

視情維修（condition based maintenance，CBM）是一種針對設備工作的實際狀態(tài)和設備結(jié)構(gòu)、功能變化趨勢的維修管理方法，也是當前國內(nèi)外研究的熱點問題之一。CBM通過機內(nèi)或外置檢測設備獲得實際狀態(tài)信息，準確對設備當前狀態(tài)描述。利用故障預測技術(shù)，設備維護人能對下一階段運行狀態(tài)和可能發(fā)生的失效及故障進行推理、預測，從而決策適當時間點切入進行維修，而不必等到定期維修時間或故障真正發(fā)生再做出反應。在航空領域，無論是以可靠性為中心的維修（reliability centered maintenance，RCM），還是FAA的維修審查小組-3（maintenance steering group-3，MSG-3）規(guī)范，都將CBM作為維修方式或維修工作而采納[1]。20世紀90年代初美國民航B747飛機整機定期維修和視情維修項目比為1∶49。并且自2010年3月2日起中國國際航空公司簽約將近160架次波音系列飛機的信息連接到波音公司的數(shù)據(jù)網(wǎng)站（www.MyBoeingFleet.com），至此，由波音公司配套波音各個機型研發(fā)的以視情維修方法為中心的飛機健康管理信息將通過傳真、個人數(shù)字助手、e-mail或文件等方式實時傳達給合作公司。例如，波音數(shù)據(jù)網(wǎng)上的一條記錄為2007年4月29日代號為ZGCA099的B777執(zhí)行法國至北京飛行任務時網(wǎng)絡反饋有3項部件失效，燃油量分析器內(nèi)部失效和燃油箱（左2號）信號超限2項部件失效屬于低等級失效，建議完成當天飛行任務后進行航后檢查和維修，另一顯示的失效為機翼空氣流量損失屬于較高等級緊急失效，因此建議著陸后進行過站維修。

1 CBM的概念和發(fā)展歷程

1.1 CBM的概念、理論依據(jù)及基本假設

關(guān)于CBM的定義有多種解釋，這里采用Moubray對CBM的描述，即用狀態(tài)評估檢查潛在故障，以此采取措施預防功能性故障，或者是避免功能性故障的后果[2]。

CBM的理論依據(jù)是P-F曲線[3-4]。P-F曲線描繪了設備狀態(tài)劣化的過程，如圖1所示。

圖1 P-F曲線圖Fig.1 P-F curve

根據(jù)圖1，為了預防功能失效發(fā)生，維修時機應該選在F點以前，為了能夠盡可能地利用設備或機件的有效壽命，維修時機應該在P點之后。這就是說應該在P點和F點之間尋找一個合適的時間進行維修，這就是CBM的基本思想。

設備的大部分故障是其技術(shù)狀態(tài)劣化的結(jié)果，而狀態(tài)的劣化有一個由量變到質(zhì)變的過程。在這個過程中，總有些征兆可查，即表現(xiàn)為“潛在故障”。因此，CBM遵從的基本假設為：第一、屬于機械設備或系統(tǒng)性能衰退的各種故障具有過程性。此類故障開始時不會隨即造成功能失效，因此從檢測到故障征兆至發(fā)展成系統(tǒng)功能失效之間，伴隨不同異常征兆的時間段反映了系統(tǒng)性能衰退過程[5]。第二、出現(xiàn)信息庫內(nèi)征兆即能被準確及時地檢測到。設備機件、零部件、原件的磨損、疲勞、老化、燒蝕、腐蝕、失調(diào)等故障模式大都存在由潛在故障發(fā)展到功能故障的過程，即CBM故障機理分析的立足點。根據(jù)不解體測試的結(jié)果，當維修對象的某一個或多個指示裝置顯示設備將要產(chǎn)生失效或設備性能下降時決定進行調(diào)整、維修或更換，從而避免“功能失效”的發(fā)生過程。

1.2 CBM的發(fā)展歷程

航空維修思想發(fā)展歷經(jīng)了故障后維修、以預防為主的維修和以可靠性為中心的維修這一過程。而按一般維修方式分，有修復性維修（corrective maintenance，CM）、事后維修（failure based maintenance，F(xiàn)BM）、定時維修（time based maintenance，TBM）、視情維修（condition based maintenance，CBM）等[6]維修策略，如圖 2、圖3所示。

圖2 一般維修方式分類及優(yōu)缺點圖Fig.2 General maintenance classification，advantages and disadvantages

圖3 維修思想和一般維修方式聯(lián)系圖Fig.3 Diagram for connection between repair research and general

CBM方法是隨著狀態(tài)監(jiān)控技術(shù)和故障預測技術(shù)廣泛應用而興起的一種新的維修策略[7]，與傳統(tǒng)定時維修不同，重點是通過對系統(tǒng)運行狀態(tài)分析來做出維修決策。盡可能將維修管理決策實施在每個系統(tǒng)出現(xiàn)失效、故障前，減小發(fā)生故障的概率，降低維修過程不必要的資源浪費，優(yōu)化維修計劃過程，大大提高飛機系統(tǒng)及元件設備的功能可靠度。以RCM為指導思想的CBM，首先以對系統(tǒng)關(guān)鍵部件的可靠度分析為基礎，其次再以維修中各種因素的適用性、高效性和經(jīng)濟性為判據(jù)，最終決定預防性維修工作，以及具體的維修時間、修復方法和檢測活動要求。未來，單一TBM模式將逐步轉(zhuǎn)變?yōu)镃M、TBM和CBM等多種方式共存的局面[1，8]。

2 CBM的主要內(nèi)容和發(fā)展現(xiàn)狀

2.1 CBM的主要內(nèi)容

CBM的目的不是消除故障，而是盡可能準確地預測故障何時何處發(fā)生并給出解決辦法，其內(nèi)容如圖4所示。

圖4 CBM過程圖Fig.4 CBM flow scheme

1）狀態(tài)監(jiān)測層

實現(xiàn)對材料狀況、部件或子系統(tǒng)特性的測試，主要輸入為來自人員的檢查、各傳感器及控制系統(tǒng)經(jīng)過信號處理后的數(shù)據(jù)，輸出為檢測部件或子系統(tǒng)的狀態(tài)，即是否有潛在故障。

2）故障預測層

評估和預測被監(jiān)測系統(tǒng)未來的狀態(tài)趨勢，是否或何時能引起功能失效。

3）決策推理優(yōu)化過程

接受狀態(tài)監(jiān)測、狀態(tài)評估和故障預測部分的數(shù)據(jù)，做出適時維修活動和解決措施的決定。

以飛機為對象，4層結(jié)構(gòu)中數(shù)據(jù)信號獲取和處理、狀態(tài)監(jiān)測和評估等2層從飛機平臺上獲得，是視情維修任務載荷管理的主要內(nèi)容，這2層的功能可直接借助飛機子系統(tǒng)中的傳感器、處理器以及分布式系統(tǒng)互聯(lián)網(wǎng)絡和計算單元具體實現(xiàn)。而故障預測、決策支持階段等2層功能需更強的計算處理資源，以及更加廣泛、完整、全局性的數(shù)據(jù)資料和歷史性檔案，主要由地面相應的子系統(tǒng)或設備來實現(xiàn)。

應用到渦扇發(fā)動機上的CBM，按照圖5中顯示的流程信息進行。零件故障的物理問題直接或間接的引起渦扇發(fā)動機單元或子系統(tǒng)性能退化；細小的元件退化可令可探測到的參數(shù)產(chǎn)生改變；監(jiān)測到不正常參數(shù)改變，當改變超過參數(shù)健康范圍時，決定隔離性能已退化的原件；進行故障預測和推理決策，批準維修零件故障物理問題。

圖5 渦扇發(fā)動機視情維修信息流圖表Fig.5 Diagram indicating information flow for turbine engine gas path

總之，隨著CBM各主要技術(shù)和理論的發(fā)展，其方法也得以不斷優(yōu)化，而且更新型適用的復雜系統(tǒng)狀態(tài)監(jiān)控、基于物理模型的故障預測和維修決策模型優(yōu)化方法逐漸成為研究焦點。

2.2 CBM狀態(tài)監(jiān)控發(fā)展歷程

飛機狀態(tài)監(jiān)控流程主要包括機載系統(tǒng)化數(shù)據(jù)采集，將單點數(shù)據(jù)參數(shù)轉(zhuǎn)化成趨勢變化參數(shù)，再運用網(wǎng)絡將趨勢參數(shù)實時傳回到地面數(shù)據(jù)庫，組成機隊的狀態(tài)信息數(shù)據(jù)庫。從100%的人工監(jiān)控發(fā)展到100%的機器監(jiān)控，主要經(jīng)歷4個發(fā)展階段[9-10]。

1）人工記錄

普遍應用在民用和軍用飛機發(fā)動機狀態(tài)監(jiān)控的早期方法。飛機穩(wěn)定巡航時，由飛行員或機械師人工記錄駕駛艙儀表數(shù)據(jù)，輸入終端數(shù)據(jù)庫，再借助于軟件分析。缺點：因為記錄方式脫節(jié)，容易在讀出、抄寫和錄入三階段出現(xiàn)錯誤，工作效率低，監(jiān)控參數(shù)少，準確性差。

2）機載記錄

利用數(shù)字飛行記錄器或快速記錄器中連續(xù)記錄的參數(shù)重放，僅對發(fā)動機工作狀況進行監(jiān)控。優(yōu)點：避免記錄環(huán)節(jié)可能出現(xiàn)的大部分失誤，相對人工記錄準確度提高。缺點：對象僅限于發(fā)動機，記錄部分參數(shù)，數(shù)據(jù)有限。

3）飛機狀態(tài)監(jiān)控系統(tǒng)

使用飛機狀態(tài)監(jiān)控系統(tǒng)（aircraft condition monitoring system，ACMS）連續(xù)監(jiān)控飛行數(shù)據(jù)鏈，記錄匯總數(shù)據(jù)以報告方式呈遞[11-12]。優(yōu)點：易于使用，監(jiān)控范圍廣，準確度和精度提高。缺點：前期投入、人員專業(yè)培訓費用高。

4）實時監(jiān)控和人工智能

運用ACMS和飛機通信尋址、報告系統(tǒng)（ACARS）實時將狀態(tài)數(shù)據(jù)傳遞給地面數(shù)據(jù)庫，再用人工智能系統(tǒng)進行實時解析，選用有效的故障診斷、隔離措施。優(yōu)點：實時性，及時的地面數(shù)據(jù)庫數(shù)據(jù)分析能對飛機正常運行給予幫助及指導，地面維修也可以提前如期準備，減少飛機過站、停場等進站維修時間，進一步提高飛行安全性和經(jīng)濟性。

ACMS是飛機上主要安裝的機載數(shù)據(jù)采集和處理系統(tǒng)，能以實時方式收集數(shù)據(jù)，對發(fā)動機狀態(tài)和飛機性能進行監(jiān)控以及特殊的工程研究。而現(xiàn)行最先進的飛機發(fā)動機狀態(tài)監(jiān)控系統(tǒng)（SKYMON）正是建立在先進的機載數(shù)據(jù)采集、通信設備、空地數(shù)據(jù)通信網(wǎng)絡、計算機與計算機網(wǎng)絡技術(shù)上全新的ACMS。這種機載數(shù)據(jù)采集和空地數(shù)據(jù)通信系統(tǒng)在國外部分航空公司已經(jīng)應用，特別是應用于飛機、發(fā)動機的狀態(tài)監(jiān)控上。

2.3 航空發(fā)動機狀態(tài)監(jiān)控系統(tǒng)主要內(nèi)容

1）氣路性能監(jiān)控

發(fā)動機氣路性能監(jiān)控GPA（gas path analysis）技術(shù)早期由Urban[13]在1972年提出來的，理論依據(jù)是發(fā)動機所監(jiān)控的基本熱力參數(shù)與各氣路部件的特性（效率、流通能力等）之間存在著嚴格的氣動熱力學關(guān)系，因而可通過利用流量連續(xù)性、能量守恒等理論建立起精確的數(shù)學模型。在模型中描述了測量參數(shù)隨發(fā)動機單元體的幾何參數(shù)、工作狀態(tài)以及性能參數(shù)之間的變化關(guān)系[14]。但總體來講，為建立駕駛艙內(nèi)可觀測發(fā)動機健康參數(shù)的可用發(fā)動機傳感器數(shù)量不足，同時關(guān)于元件健康的監(jiān)控中也有一些失效與突然間改變的參數(shù)變化趨勢，那么，一般在線的不可測量的檢測方法是根據(jù)故障監(jiān)察和故障隔離方法制定的[15]。

例如：專家系統(tǒng)（expert system，ES）、參數(shù)估計（parameter estimation）、貝葉斯理論（bayesian theory，BT）、主成分分析[16]（principalcomponentanalysis，PCA）、支持向量機[17]（support vector machines，SVM）等，都是文獻中曾引用過用于發(fā)動機氣路性能監(jiān)控的算法。

2）振動監(jiān)控

振動信號是發(fā)動機狀態(tài)監(jiān)控與故障診斷常用于監(jiān)控結(jié)構(gòu)狀態(tài)問題的數(shù)據(jù)。在旋轉(zhuǎn)過程中，不完全平衡的轉(zhuǎn)動部件會產(chǎn)生不同程度振動，振幅增大的時間過長可引起有關(guān)轉(zhuǎn)子平衡的變化，其征兆信息就是所監(jiān)控的振動信號。再有配合不當、元件磨損和部件損傷也是引起轉(zhuǎn)子振動的重要原因，如損壞的風扇葉片或齒輪失效。當可以使用高振動頻率測量工具在飛機上處理信號收集和發(fā)送時時，將開創(chuàng)出更多改善現(xiàn)狀的新方法。

3）滑油系統(tǒng)監(jiān)控

潤滑系統(tǒng)監(jiān)控診斷時需關(guān)注如油污染物之類的情況。因為傳感器監(jiān)測個體部件，所以按照分類給出了內(nèi)部部件磨損跡象和損傷級數(shù)，還要注意金屬碎片可能造成隔離損傷的情況。監(jiān)測數(shù)據(jù)包括：滑油消耗率監(jiān)控、滑油磨粒監(jiān)控、滑油品質(zhì)狀況監(jiān)控和滑油溫度與壓力監(jiān)控[18]。

4）控制系統(tǒng)監(jiān)控

發(fā)動機大型組件監(jiān)控的關(guān)鍵作用是控制系統(tǒng)失效監(jiān)測和隔離。這種監(jiān)控方式是基于控制系統(tǒng)傳感器和主要位置的反饋（連續(xù)的或開關(guān)的）。伴隨全權(quán)數(shù)字電子發(fā)動機操縱機構(gòu)的問世，專注于自測的線路要求確保控制系統(tǒng)自身的完整性，來提供必要水平的可替換組件失效隔離。

在飛機狀態(tài)監(jiān)控工作中，不但受到傳感器精度和位置的影響，而且狀態(tài)監(jiān)控系統(tǒng)的構(gòu)建也為快捷有效的工作提供了平臺?，F(xiàn)在不少以CBM開發(fā)的健康管理方法就以便捷、準確的飛機狀態(tài)監(jiān)控為基礎提出，因此做好監(jiān)控工作就做好了CBM的第一步。

2.3 CBM故障預測模型現(xiàn)狀及發(fā)展

視情維修中故障預測的基本原則是參考設備過去和現(xiàn)在狀態(tài)，對未來狀態(tài)的可靠預測，目的是及時安排改進活動[19]。傳統(tǒng)的基于人工目視方法和傳感器數(shù)據(jù)來診斷已基本轉(zhuǎn)變?yōu)榛谥悄芟到y(tǒng)的預測。因此需要借助各種先進的傳感器，使用智能模型預測手段，關(guān)注系統(tǒng)各種變量（如振動模式、溫度、壓力、電阻等）的關(guān)系或關(guān)鍵元件標準水平上微小的變化，這些都可能是故障的先兆。

故障預測系統(tǒng)應當具備檢測由于設備狀態(tài)退化而導致潛在故障的能力，并監(jiān)測其進一步劣化的過程。故障預測系統(tǒng)根據(jù)當前設備狀態(tài)和使用負載情況，通過與給定適當?shù)年P(guān)鍵參數(shù)檢測閾值進行比對，預測可能出現(xiàn)失效、故障的時間[20]。

1）研究內(nèi)容

①分析設備所處狀態(tài)劣化過程所處階段（正常階段、性能下降階段或者功能失效階段）。②判斷致使設備狀態(tài)下降至正常水平以下的故障模式，并評價偏離正常水平的程度。③通過評價是否達到功能要求或剩余壽命計算以預測部件狀態(tài)。

2）故障預測分類

關(guān)于故障預測方法的分類，目前不同研究機構(gòu)和組織的提法不盡一致。從目前主要應用的技術(shù)和研究工作總體看來，主要可分為以下幾類，如圖6所示。

圖6 故障預測方法分類圖Fig.6 Fault prediction classification diagram

第一種，基于統(tǒng)計可靠性（reliability and statistics based or probability-based）的故障預測技術(shù)，即基于特征進化/統(tǒng)計趨勢的預測或基于經(jīng)驗的預測。

基于經(jīng)驗的預測方法不需要對象精確的數(shù)學模型。其最典型的兩種應用形式是：專家系統(tǒng)和模糊邏輯。專家系統(tǒng)廣泛應用于故障診斷階段，PROMISE系統(tǒng)[21]實時提交設備故障發(fā)生時間信息及自定義的嚴重程度，并隨之預報一個時間段內(nèi)可能發(fā)生的潛在故障及故障的有關(guān)情況。預測階段應用的專家系統(tǒng)結(jié)合能力較強，如與神經(jīng)網(wǎng)絡技術(shù)的結(jié)合等[22]。模糊邏輯提供表達和處理模糊概念的機制，模糊邏輯往往與其他技術(shù)結(jié)合應用，例如：某火炮故障預測方法是由動態(tài)模糊邏輯與專家系統(tǒng)相結(jié)合的[23]。鑒于模糊邏輯系統(tǒng)應用的是靜態(tài)知識庫在表達的過程中不具備時間參數(shù)，因此也就無法模擬和預測零部件的失效過程，實用性不高。

第二種，基于數(shù)據(jù)驅(qū)動（data-driven）的故障預測技術(shù)，基于人工智能（artificial intelligence，AI）的預測。

基于數(shù)據(jù)驅(qū)動的故障預測技術(shù)的典型模型有神經(jīng)網(wǎng)絡、隱馬爾可夫模型等。神經(jīng)網(wǎng)絡技術(shù)應用得較多，ZHANG[24]等人計算軸承的剩余壽命，曾借助使用神經(jīng)網(wǎng)絡模型對失效發(fā)展過程給予多變量趨勢跟蹤。TSE[25]等人應用回歸神經(jīng)網(wǎng)絡（recurrent neural net works，RNN）模型預測設備失效、故障等狀態(tài)的發(fā)展趨勢。還發(fā)展出了幾種特殊預測方式，如小波神經(jīng)網(wǎng)絡（wavelet neural networks，WNN）[26]、模糊神經(jīng)網(wǎng)絡（fuzzy neural net-works，F(xiàn)NN）等[27]。在機械故障診斷預測應用的隱馬爾可夫模型（hidden markov model，HMM），因其在區(qū)分、識別聲音的領域有較優(yōu)秀的作為，得到普遍使用。QIU[28]等人探討研究隱馬爾可夫模型的識別算法應用于機械系統(tǒng)潛在失效和細微故障的發(fā)現(xiàn)、識別問題上。根據(jù)大量應用實例選取HMM的初始模型仍需要依靠經(jīng)驗，而且對于設備元件展現(xiàn)在物理狀態(tài)下的隱含內(nèi)容仍不能給出充分解釋，因此也不帶有廣泛的強制性。

第三種，基于模型（model-driven）的故障預測技術(shù)，又基于物理模型的故障預測。

應用基于模型的故障預測技術(shù)，通常由該領域?qū)＜医?jīng)過大量數(shù)據(jù)統(tǒng)計和驗證給出對象系統(tǒng)的數(shù)學模型。該故障預測技術(shù)的優(yōu)點在于抓住系統(tǒng)內(nèi)在本質(zhì)的特征，利用模型參數(shù)表現(xiàn)系統(tǒng)故障的特征，從而得到即時故障預測。將對設備、元件故障機理逐步地理解運用于修正模型，預測精度也可以漸漸提高[29]。

LIANG等[30]首先以系統(tǒng)進行振動信號響應及故障機理分析為基礎，建立系統(tǒng)觀測變量與故障特征變量間的關(guān)系模型。其次使用遞推最小二乘法（recursive least square，RLS）實時調(diào)整參數(shù)，目的是預測系統(tǒng)的故障特性變化趨勢。

根據(jù)故障預測方法的難點：預測不確定性、預測缺乏通用的方法、對象數(shù)據(jù)獲取困難、預測驗證困難等[31]。未來研究方向一是采用混合故障預測算法（hybrid prognostic algorithms），吸收各方法優(yōu)點同時彌補不足，使得優(yōu)化算法。二是運用預測信息交互技術(shù)，綜合故障預測系統(tǒng)信息使其多元化，并將其融合成關(guān)于系統(tǒng)狀態(tài)的、有用的知識。三是仿真驗證系統(tǒng)開發(fā)，對安全性要求高的系統(tǒng)進行建模仿真驗證，可以降低危險性，同時利用實際系統(tǒng)中的經(jīng)驗數(shù)據(jù)，修正模型，提高精確性，對于預測算法開發(fā)和驗證工作將起到極大的輔助作用。

2.4 CBM決策模型現(xiàn)狀及發(fā)展

CBM決策過程就是根據(jù)飛機狀態(tài)監(jiān)控內(nèi)容得到的故障預測信息，最終決定某時采用某種維修行為的策略。例如，發(fā)動機壽命與其關(guān)鍵特性（如：可靠性、維修成本、設備價格等）間的最優(yōu)化平衡點就是航空發(fā)動機CBM決策策略的取用值[32]。

單部件CBM決策的基礎是部件劣化過程模型，因此維修決策模型基本分為兩大類[33-34]：第一類是利用數(shù)理統(tǒng)計理論，建立部件狀態(tài)和剩余壽命之間的統(tǒng)計分布，依據(jù)監(jiān)測數(shù)據(jù)預測失效模型中的變化趨勢和參數(shù)變化，將限制條件選為費用等，求出最優(yōu)化邊界。較有代表性的模型有時間延遲模型、沖擊模型等。

1）時間延遲模型（delay time model，DTM）

該模型將狀態(tài)信息轉(zhuǎn)化為時間進行分析，對部件的剩余壽命進行估計。1984年CHRISTER和WALLER[35]首次提出，將設備的壽命周期分為缺陷形成和故障發(fā)生（即延遲時間）兩個階段，并以CBM的檢查閾值和頻率作為決策變量建立了維修優(yōu)化模型進行建模分析。Coolen[36]等對DTM模型進行更新，因此誕生了競爭風險模型（competing risk model，CRM），將敏感性分析運用到建模參數(shù)上，還借用非參數(shù)預測推理方法討論含有競爭風險的維修決策優(yōu)化問題。

2）沖擊模型（shock model，SM）

YEH[37]在Taylor基礎上提出一種多閾值維修策略，并解釋維修始終無法恢復到初始元件特性，強調(diào)沖擊模型在描述系統(tǒng)狀態(tài)變更時的優(yōu)勢，但仍存在系統(tǒng)優(yōu)化問題。李澤慧等提出Poisson沖擊模型[38]，忽略某一沖擊對系統(tǒng)造成的損失，對連續(xù)兩次沖擊造成的影響進行分析，結(jié)論是當沖擊間隔小于系統(tǒng)閾值時，會因造成的疊加沖擊而使系統(tǒng)產(chǎn)生故障。

其他模型主要是直接建立部件狀態(tài)劣化量變化的描述模型。如比例危險模型（proportional hazards model）又稱Cox模型，能準確地反映工程實際情形，克服對系統(tǒng)維修決策建模時偏重于應用數(shù)學技巧而帶來的缺點，如普及型差、容易忽略有重要價值的狀態(tài)參數(shù)、故障模式等信息。KALBNEISCH等提出了加速壽命模型[39]（accelerated life model），ASCHER等提出比例強度模型（proportional intensities model）[40]，以上 2種模型克服了需要嚴格假設條件的限制，拓寬了該模型在CBM在決策模塊的應用。

第二類習慣于將部件狀態(tài)空間離散化，應用馬爾可夫決策過程[11]（Markov decision processes，MDP）或半馬爾可夫決策過程進行維修工作時間、內(nèi)容等優(yōu)化。

MDP是研究隨機序貫決策問題較突出的理論，由俄國科學家MARKOV提出，其特定的假定前提是系統(tǒng)的狀態(tài)變化具有“無后效性”，即系統(tǒng)后發(fā)的狀態(tài)變化僅與前一狀態(tài)有關(guān)，與以前變化的狀態(tài)無關(guān)。HOWARD和WELL又將俄國學者Markov的理論推廣到半馬爾可夫過程。YEH[41-42]借用MDP模型對部件劣化過程的維修策略進行多種優(yōu)化。CHEN和TRIVEDI[43]研究優(yōu)化了隨機劣化系統(tǒng)中的一般維修策略過程。張秀斌[44]等借用MDP優(yōu)化多維信息的發(fā)動機CBM問題。雖然該模型只對狀態(tài)劣化進行簡單描述，但是應用在處理復雜維修決策時使用了多種分析、研究方法，適用性較強。

但是對于整個飛機系統(tǒng)，多部件系統(tǒng)維修決策技術(shù)研究現(xiàn)在依然很少涉及。難點之一，在于系統(tǒng)中部件間關(guān)系的定義、部件關(guān)鍵度的選定等。曾提出過一種分類方式，即部件間的相互聯(lián)系可以分為：經(jīng)濟性依賴關(guān)系、結(jié)構(gòu)依賴關(guān)系和隨機依賴關(guān)系[40]。難點之二，部件失效一般分為突發(fā)和劣化失效兩類[8]，每種維修手段對應各異的失效方式。對于同時具有突發(fā)和劣化失效可能部件，如何考慮部件聯(lián)系及經(jīng)濟相關(guān)性等條件下，在系統(tǒng)層對所選取的每種維修方式組合優(yōu)化將成為多部件系統(tǒng)維修決策面臨的難題。

3 結(jié)語

伴隨著CBM復雜系統(tǒng)狀態(tài)監(jiān)控、故障預測和維修決策優(yōu)化方法的不斷發(fā)展，逐步產(chǎn)生了故障預測與健康管理（prognostics and health management，PHM）分析方法，此方法不僅包括傳感器布局設計、數(shù)據(jù)信息處理、故障診斷、壽命預測、智能決策等內(nèi)容，還增加了對系統(tǒng)及人的管理功能，使得其應用領域非常廣泛，包括航空航天機械/電子產(chǎn)品功能安全、計算機硬/軟件安全和化工企業(yè)工藝安全等領域。并且由波音公司開發(fā)飛機健康管理（airplane health management，AHM）及由美國國家航空航天局（national aeronautics and space administration，NASA）開發(fā)的飛行器綜合健康管理（integrated vehicle health management，IVHM）也得到了發(fā)展。

飛機CBM狀態(tài)監(jiān)控、故障預測和維修決策優(yōu)化的技術(shù)體系為實現(xiàn)CBM最優(yōu)策略提供根本保證。多傳感器性能組合、多參數(shù)融合、基于網(wǎng)絡的狀態(tài)管理、PHM、剩余壽命預測與管理、多部件和復雜系統(tǒng)的維修策略綜合優(yōu)化、開放式系統(tǒng)架構(gòu)（OSA-CBM）等新興技術(shù)與理論即將成為CBM方法的發(fā)展重點。因此隨著CBM中各項技術(shù)和理論進一步完善，會使得國內(nèi)外航空安全技術(shù)及管理事業(yè)有長足進步，并且CBM方法也會得到廣泛應用。

[1]MOUBRAY J.以可靠性為中心的維修[M].北京：機械工業(yè)出版社，1995.

[2]常士基.現(xiàn)代民用航空維修工程管理[M].太原：山西科學技術(shù)出版社，2002.

[3]李 強.民航發(fā)動機健康管理技術(shù)與方法研究[D].南京：南京航空航天大學，2008.

[4]李鄭琦，陳躍良.飛機視情維修策略及模型研究[J].航空科學技術(shù)，2011（3）：28-30.

[5]左洪福，戎 翔，張海軍.航空發(fā)動機狀態(tài)與壽命管理和維修決策優(yōu)化方法綜述[C]//第一屆維修工程國際學術(shù)會議論文集，2006.

[6]戎 翔，左洪福.航空發(fā)動機視情維修理論與技術(shù)綜述[C]//第四屆長三角科技論壇航空航天與長三角經(jīng)濟發(fā)展分論壇暨第三屆全國航空維修技術(shù)學術(shù)年會，2007.

[7]甘茂治，康建設，高 崎.軍用裝備維修工程學[M].北京：國防工業(yè)出版社，1999.

[8]程志軍.多部件系統(tǒng)視情維修決策技術(shù)研究[D].長沙：國防科學技術(shù)大學，2007.

[9]陳 光.航空發(fā)動機設計手冊[M].北京：航空工業(yè)出版社，2000.

[10]常繼百.民航發(fā)動機性能監(jiān)控和預測方法研究[D].南京：南京航空航天大學，2004.

[11]JONATHAN S L，SANJAY G，RICHARD M.A Survey of intelligent control and health management technologies for aircraft propulsion systems[J].Journal of Aerospace Computing，Information and Communication.2004（1）：552-555.

[12]彭云飛.航空發(fā)動機狀態(tài)參數(shù)處理技術(shù)及其應用研究[D].哈爾濱：哈爾濱工業(yè)大學，2009.

[13]OGAJI S O T，SAMPATH S，SINGH R.Parameter selection for diagnosing a gas-turbine′s performance-deterioration[J].Applied Energy，2002，73（1）：25-46.

[14]陳大光，韓鳳學，唐耿林.多狀態(tài)氣路分析法診斷發(fā)動機故障的分析[J].航空動力學報，1994（9）：349-352.

[15]LI，Y G.Performance-analysis-based gas turbine diagnostics[J].Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2002，216（5）：363-377.

[16]孫春林，范作民.發(fā)動機故障診斷的主成分算法[J].航空學報，1998，19（3）：342-345.

[17]尉詢楷，陸 波，汪 誠.支持向量機在航空發(fā)動機故障診斷中的應用[J].航空動力學報，2004，19（6）：844-848.

[18]陳 果，左洪福.潤滑油金屬磨粒的分類參數(shù)研究[J].航空學報，2002，23（3）：279-281.

[19]張寶珍.國外綜合診斷、預測與健康管理技術(shù)的發(fā)展及應用[J].計算機測量與控制，2008，16（5）：591-594.

[20]曾慶虎.機械傳動系統(tǒng)關(guān)鍵零部件故障預測技術(shù)研究[D].長沙：國防科學技術(shù)大學，2010.

[21]梁 旭，李行善，張 磊，等.支持視情維修的故障預測技術(shù)研究[J].測控技術(shù)，2007，26（6）：5-8，14.

[22]GARGA A K，MCCLINTIC K T，YANG C C，et al.Hybrid Reasoning for Prognostic Learning in CBM systems[C]//Aerospace Conference Proceedings，USA，March 10-17，2001:2957-299.

[23]秦俊奇，曹立軍.基于動態(tài)模糊綜合評判的故障預測方法[J].計算機工程，2005，31（12）：172-174.

[24]ZHANG S.Multivariable trend analysis using neural net-works for intelligent diagnostics of rotating machinery[J].Journal of Engineering for Gas Turbines and Power，1997，119（2）：378-384.

[25]TSE P W，LI L，TU P.Intelligent predictive decision support system for condition-based maintenance[J].International Journal of Advanced Manufacturing Technology，2001,17(5):383-391.

[26]譚曉棟.基于HSMM的滾動軸承故障預測技術(shù)[D].長沙：國防科學技術(shù)大學，2008.

[27]WANG P，VACHTSEVANOS G.Fault prognostics using dynamic wavelet neural networks[J].IEEE Proceedings of Systems Readiness Technology Conference，2001，15（4）：349-365.

[28]QIU H，LIAO H T，LEE J.Degradation assessment for machinery prognostics using hidden Markovamodels[J].Proceedings of the ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference，2005：531-537.

[29]彭 宇，劉大同，彭喜元.故障預測與健康管理技術(shù)綜述[J].電子測量與儀器學報，2010（1）：1-9.

[30]QIU.J，ZHANG.C，SETH B B，LIANG S Y.Damage mechanics approach for bearing life time prognostics[J].Mechanical Systems and Signal Processing，2002.16（5），817-829.

[31]曾聲奎，Pecht M G，吳 際.故障預測與健康管理（PHM）技術(shù)的現(xiàn)狀與發(fā)展[J].航空學報，2005，24（5）：626-632.

[32]謝慶華，張 琦，盧 涌.航空發(fā)動機單部件視情維修優(yōu)化決策[J].解放軍理工大學學報，2005，6（6）：575-578.

[33]DEKKER R.Application of maintenance optimization models[J].Reliability Engineering & System Safety，1996，51（3）：229-240.

[34]WANG H.A survey of maintenance policies of deteriorating systems[J].European Journal of Operational Research，2002，139（3）：469-489.

[35]張海軍.民航發(fā)動機性能評估方法與視情維修決策模型研究[D].南京：南京航空航天大學，2007.

[36]COOLEN F P A，COOLEN-SCHRIJNER P，YANK J.No parametric Predictive Inference in Reliability[J].Reliability Engineering and System Safety，2002，78（2）：185-193.

[37]P & W Corporation.PW4000 Type Engine Ranking Reports[R].2001.

[38]劉 燕.RB211-535E4發(fā)動機性能趨勢變化分析[J].航空工程與維修，2000（3）：27-28.

[39]KALBNEISCH J D，PREMICE R L.The Statistical Analysis of Failure Time Data[M].New York：John Wiley & Sons，lnc.，1980.

[40]程志君.多部件系統(tǒng)視情維修決策技術(shù)研究[D].長沙：國防科學技術(shù)大學，2007.

[41]LAM C T，YEH R H.Optimal maintenance-policies for deteriorating systems under Various maintenance strategies[J].IEEE transactions on reliability，1994，43（3）：423-430.

[42]YEH R H.Optimal inspection and replacement po1icies for multistate deteriorating systems[J].European Journal of Operational Research，1996：248-259.

[43]CHEN D，TRIVEDI K.Optimization for condition-based maintenance with semi-Markov decision process[J].Reliability Engineering and System Safety，2005.25-29.

[44]張秀斌.視情維修決策模型及其應用研究[D].長沙：國防科技大學，2003.