劉豐愷，李 茜

(1.中國航空綜合技術研究所，北京 100028；2.華北計算技術研究所，北京 100083)

?

航空大數(shù)據(jù)技術的發(fā)展與應用*

劉豐愷**1，李 茜2

(1.中國航空綜合技術研究所，北京 100028；2.華北計算技術研究所，北京 100083)

大數(shù)據(jù)技術在以互聯(lián)網(wǎng)、電商、金融為代表的第三產業(yè)得到了極大的發(fā)展和擴充，然而在航空工業(yè)領域，大數(shù)據(jù)技術的價值一直沒有得到充分利用與挖掘。事實上，大數(shù)據(jù)技術在飛行器設計、系統(tǒng)級故障預測以及航空裝備維修與保障領域有重大應用價值，值得進行深入研究與探索。首先介紹了大數(shù)據(jù)的內涵，按大數(shù)據(jù)流轉的生命周期分析了相關技術在航空領域的應用，重點闡述了航空大數(shù)據(jù)分析技術在系統(tǒng)級故障預測領域的應用，并結合美國大數(shù)據(jù)分析技術在航空領域的應用現(xiàn)狀，指出了航空大數(shù)據(jù)技術的發(fā)展趨勢。

航空工業(yè)；大數(shù)據(jù)；系統(tǒng)級故障預測；應用展望

1 引 言

20世紀90年代中期，SGI公司首席科學家John Mashey在一篇題為“Big Data and the Next Wave of InfraStress”的演講中提出了“大數(shù)據(jù)”的概念。所謂的大數(shù)據(jù)，指數(shù)據(jù)量太大，以至于目前的數(shù)據(jù)管理工具已不便于管理的數(shù)據(jù)。通常,用4V(Volume,Velocity,Variety,Value)特性對大數(shù)據(jù)進行描述[1]:大容量(Volume)是指數(shù)據(jù)體量巨大；高速率(Velocity)從數(shù)據(jù)產生效率的實時性進行描述；多形式(Variety)從數(shù)據(jù)的類型進行描述，包含傳統(tǒng)的結構化數(shù)據(jù)、類似于XML、JSON等形式的半結構化和非結構化數(shù)據(jù)；高價值(Value)指具有高價值的數(shù)據(jù)。如今，所謂的大數(shù)據(jù)已經(jīng)發(fā)展為一個較為寬泛的概念,是包括數(shù)據(jù)及其采集、處理、分析、解釋等在內的一系列相關技術、方法、手段的統(tǒng)稱。

大數(shù)據(jù)按其流轉的生命周期[2]可分解為數(shù)據(jù)源采集、數(shù)據(jù)存儲管理、數(shù)據(jù)分析和數(shù)據(jù)展現(xiàn)4個階段。數(shù)據(jù)源階段關心的是數(shù)據(jù)獲取。數(shù)據(jù)既包含傳統(tǒng)企業(yè)的結構化數(shù)據(jù)，也包含互聯(lián)網(wǎng)用戶、傳感器等采集的半結構化或者非結構化的數(shù)據(jù)。數(shù)據(jù)存儲管理解決的是大規(guī)模數(shù)據(jù)的持久存儲和管理。首先需要從原始數(shù)據(jù)中進行數(shù)據(jù)抽取，以獲得數(shù)據(jù)分析所需的數(shù)據(jù)信息。對于海量數(shù)據(jù)而言，需要將數(shù)據(jù)存入分布式文件系統(tǒng)或者NoSQL數(shù)據(jù)庫中。廣泛使用的Hadoop中，通過HDFS分布式文件系統(tǒng)進行數(shù)據(jù)存儲，使用MapReduce計算框架處理數(shù)據(jù)。數(shù)據(jù)分析是整個大數(shù)據(jù)處理流程中的核心。在數(shù)據(jù)分析中，利用分析方法或工具對數(shù)據(jù)進行檢查、變換和建模并從中提取價值，依賴利用數(shù)據(jù)挖掘、機器學習等復雜技術手段從數(shù)據(jù)中獲取知識。機器學習近年的發(fā)展非常迅速，其目的是從數(shù)據(jù)中自動習得模型，并使用習得的模型對未知數(shù)據(jù)進行預測。數(shù)據(jù)展示是大數(shù)據(jù)處理流程的門戶，用于將挖掘出的知識以形象易于理解的形式呈現(xiàn)給用戶。其中，可視化作為解釋大量數(shù)據(jù)最有效的手段之一率先被科學與工程計算領域采用。通過對分析結果的可視化用形象的方式向用戶展示結果，并且圖形化的方式比文字更易理解和接受。

傳統(tǒng)意義上的大數(shù)據(jù)應用在第三產業(yè)發(fā)展較為成熟，例如互聯(lián)網(wǎng)、金融、電商和電信服務業(yè)，這些行業(yè)平日里產生了海量的交易數(shù)據(jù)和用戶行為數(shù)據(jù)，希望依托大數(shù)據(jù)技術實行更加精準、高效的商業(yè)策略，實現(xiàn)企業(yè)價值的提升，因而十分注重相關領域的研發(fā)和投入，產生了Google公司的谷歌文件系統(tǒng)(Google File System,GFS)、云計算(Cloud Computing)概念、Amazon公司的個性化推薦策略等一大批世界級的大數(shù)據(jù)研究成果。第三產業(yè)儼然已經(jīng)成為當下大數(shù)據(jù)潮流的領軍者和倡導者，傳統(tǒng)的第一產業(yè)，例如船舶、航空以及其他高端制造業(yè)似乎正從這股大數(shù)據(jù)潮流中逐漸被邊緣化，并大有被新興互聯(lián)網(wǎng)企業(yè)蠶食的危險。然而，一直以來為很多人所忽視的是，航空行業(yè)本身就是一塊孕育大數(shù)據(jù)的沃土。因為本身的行業(yè)特性，航空工業(yè)需要大量的標準化數(shù)據(jù)支撐飛機的設計、維修與安全保障，這些數(shù)據(jù)因為其專業(yè)屬性不同而有其嚴格的規(guī)范和格式，由飛機本身安置的計算機和數(shù)據(jù)記錄儀自動記錄，誤碼率較低，承載的信息精確，便于數(shù)據(jù)清洗和日后的準確分析，這為在航空領域開展大數(shù)據(jù)應用奠定了很好的基礎。近年來，航空工業(yè)巨頭波音、空客以及通用電氣(General Electric Company,GE)均投入巨資開展大數(shù)據(jù)技術方面的研究，顯示出了大數(shù)據(jù)技術在航空工業(yè)領域的良好應用前景。

本文結合航空大數(shù)據(jù)的特點，從大數(shù)據(jù)處理的4個基本流程為切入點進行剖析；著重闡述航空大數(shù)據(jù)分析技術在系統(tǒng)級故障預測領域的應用，并結合美國大數(shù)據(jù)分析技術在航空領域的應用現(xiàn)狀，指出了大數(shù)據(jù)技術在航空領域應用的發(fā)展趨勢。

2 航空大數(shù)據(jù)技術簡介

航空大數(shù)據(jù)技術的總體架構同傳統(tǒng)大數(shù)據(jù)架構類似，需要經(jīng)過數(shù)據(jù)源采集、數(shù)據(jù)存儲管理、數(shù)據(jù)分析和數(shù)據(jù)展現(xiàn)4個階段。但是，在每個階段，航空大數(shù)據(jù)的相關技術又會同傳統(tǒng)大數(shù)據(jù)技術相區(qū)別，體現(xiàn)出鮮明的行業(yè)特點。航空大數(shù)據(jù)技術架構如圖1所示。

圖1 航空大數(shù)據(jù)技術架構Fig.1 Big data architecture for aviation industry

下面結合航空大數(shù)據(jù)技術架構4個主要組成部分分別進行介紹。

2.1 航空大數(shù)據(jù)獲取技術

航空大數(shù)據(jù)獲取技術是一種利用機載傳感器、無線通信設備以及人工手段獲取同裝備使用狀態(tài)相關各類數(shù)據(jù)的綜合技術。目前在航空領域，大數(shù)據(jù)獲取技術主要分為3類。

(1)基于機載傳感器的大數(shù)據(jù)獲取技術

主要代表技術又分為民航領域普遍應用的飛參數(shù)據(jù)獲取技術(Quick Access Recorder，QAR)，航空裝備制造商如波音、GE、羅羅公司普遍使用的遠程診斷數(shù)據(jù)(Remote Diagnostics，RD)采集技術，以及軍用航空裝備領域普遍應用的基于飛行數(shù)據(jù)管理系統(tǒng)(Flight Data Management System,FDMS)的數(shù)據(jù)采集技術。QAR飛參數(shù)據(jù)獲取技術通過機載快速存取裝置，可同時采集包括飛機飛行姿態(tài)、機上設備運行狀態(tài)、燃油使用量在內的數(shù)百種數(shù)據(jù)。RD數(shù)據(jù)采集技術則通過飛機渦輪風扇發(fā)動機上的傳感器采集發(fā)動機在起飛和降落階段的各種關鍵參數(shù)。例如：GE的CFM56發(fā)動機安裝有12個傳感器，每個飛行架次可采集300～500條關于發(fā)動機溫度、壓力和振動方面的測量值[3]；基于FDMS的數(shù)據(jù)采集技術則是通過軍用飛機內部的飛行數(shù)據(jù)管理系統(tǒng)收集數(shù)據(jù)，收集的數(shù)據(jù)類型涉及飛機的發(fā)動機、飛控、大氣數(shù)據(jù)、座艙綜合顯示和控制、燃油測量、火控、無線電通信、導航和供電等機載系統(tǒng)的各項信息。目前，F(xiàn)DMS已裝備F-15、F-16、“幻影-2000”等第三代戰(zhàn)斗機以及F-22第四代戰(zhàn)斗機[4]。

(2)基于衛(wèi)星、無線電傳輸?shù)拇髷?shù)據(jù)獲取技術

該技術的代表技術為ACARS技術。ACARS全稱為Aircraft Communication Addressing and Reporting System，是一種在航空器和地面站之間通過無線電或衛(wèi)星傳輸短消息(報文)的數(shù)字數(shù)據(jù)鏈系統(tǒng)。通過ACARS系統(tǒng)，機組人員和地面可以在飛行過程中實現(xiàn)雙向通信，地面人員也可實時了解飛機的飛行狀態(tài)、氣象條件、發(fā)動機性能。

(3)基于便攜式輔助維修設備(Portable Maintenance Aid,PMA)以及人工記錄的大數(shù)據(jù)獲取技術

基于PMA的大數(shù)據(jù)獲取技術允許地勤人員通過便攜式計算機現(xiàn)場收集同裝備運行狀態(tài)相關的關鍵數(shù)據(jù)，輔助維修決策?；谌斯び涗浀拇髷?shù)據(jù)獲取技術則多為手工現(xiàn)場記錄，記錄的數(shù)據(jù)多為部隊用戶在實際使用裝備過程中得到的數(shù)據(jù),這些數(shù)據(jù)往往通過地勤人員現(xiàn)場記錄，匯總后統(tǒng)一錄入部隊裝備信息管理體系。

2.2 航空大數(shù)據(jù)存儲技術

航空大數(shù)據(jù)存儲技術是一種通過利用各種數(shù)據(jù)庫系統(tǒng)對獲取的各類航空數(shù)據(jù)進行解析、加工、存儲和管理的綜合性技術。該項技術和傳統(tǒng)大數(shù)據(jù)存儲技術的區(qū)別在于有專門的工業(yè)解析協(xié)議來解析收集的航空數(shù)據(jù)。例如：GE開發(fā)的Predix工業(yè)互聯(lián)網(wǎng)平臺可支持7種工業(yè)通信協(xié)議，并具備相關工業(yè)設備運行數(shù)據(jù)的實時傳輸與解析能力，其中便內嵌有針對飛機QAR參數(shù)的數(shù)據(jù)解析與存儲模塊。數(shù)據(jù)存儲和管理方面，考慮到在飛機設計、制造、試飛以及運營過程中產生的海量結構化以及非結構化數(shù)據(jù)，航空制造企業(yè)通常采用分布式架構存儲和管理航空數(shù)據(jù)資源。分布式存儲架構同時還可滿足工業(yè)部門對于飛機設計與制造環(huán)節(jié)數(shù)據(jù)共享、數(shù)據(jù)挖掘與分析，以及可視化展示等特定應用功能擴展的需求，目前在GE的Predix平臺上有專門的航空大數(shù)據(jù)湖，存儲的航空發(fā)動機數(shù)據(jù)以及飛機狀態(tài)運行數(shù)據(jù)已經(jīng)超過PB量級且在不斷擴充中。GE同時還應用SAP、Oracle等企業(yè)資源管理軟件，來進一步延伸Predix平臺對于航空數(shù)據(jù)規(guī)范化管理與使用的功能。此外，航空大數(shù)據(jù)存儲技術對存儲裝置的可靠性要求較高。例如：QAR機載飛參記錄裝置本身就是個小型的數(shù)據(jù)存儲器，能夠在飛機飛行過程中以較高精度實時收集和存儲各類飛行參數(shù)。

2.3 航空大數(shù)據(jù)分析技術

航空大數(shù)據(jù)分析技術是利用包括統(tǒng)計分析、支持向量機、人工神經(jīng)網(wǎng)絡在內的多種數(shù)據(jù)挖掘與分析手段對收集的航空裝備狀態(tài)數(shù)據(jù)進行分析與挖掘，提煉數(shù)據(jù)中隱含的反映裝備運行狀態(tài)的規(guī)律，從而實現(xiàn)對裝備故障的預測，本文稍后將對此部分展開介紹。

2.4 航空大數(shù)據(jù)可視化技術

航空大數(shù)據(jù)可視化技術是一種借助圖形化手段，清晰有效地傳達同航空裝備運行狀態(tài)相關的各項信息的技術，代表技術為虛擬現(xiàn)實技術。例如：在飛行器設計階段早期，虛擬現(xiàn)實技術利用數(shù)字樣機將海量數(shù)據(jù)可視化，以更直觀的方式提升設計人員對復雜系統(tǒng)的理解。其他航空大數(shù)據(jù)可視化技術還包括基于裝備損傷數(shù)據(jù)的三維建模技術。例如：來自加拿大NGRAIN公司開發(fā)出的數(shù)字化解決工具可允許地勤人員現(xiàn)場實時收集戰(zhàn)斗機的損傷數(shù)據(jù)并進行三維結構建模，極大降低了地勤人員主觀誤判的可能，有效提高了戰(zhàn)斗機維修的效率，該項技術業(yè)已應用于美軍F-22和F-35戰(zhàn)斗機項目[5]。

3 航空大數(shù)據(jù)分析技術在系統(tǒng)級故障預測領域的應用

3.1 飛行器系統(tǒng)級故障的特點

目前，航空大數(shù)據(jù)分析技術最有前景的應用集中在飛行器系統(tǒng)級故障預測領域?，F(xiàn)代飛行器是各種系統(tǒng)的復合體，單獨系統(tǒng)的失效往往會牽扯到鄰近系統(tǒng)的正常運作，進而導致飛行器的整體失效，因此，對現(xiàn)代飛行器系統(tǒng)級別的故障預測一直是航空業(yè)界的研究熱點之一。目前，對于飛行器系統(tǒng)級別的故障預測有3個棘手的問題：一是個體和個體之間的互相作用(博弈),例如飛行器內部眾多的成分和數(shù)量及其特征的多樣化、系統(tǒng)的層次性、成分間的交互耦合行為等；二是飛行器自身系統(tǒng)與外部環(huán)境之間的相互作用(反饋)；三是涌現(xiàn)性。在系統(tǒng)科學中，若干部分按照某種方式整合成為一個系統(tǒng)，就會產生出整體具有而部分或部分總和所沒有的東西，系統(tǒng)科學把這種整體才具有、孤立的部分及其總和不具有的特性稱為整體涌現(xiàn)性(Whole Emergence)。飛行器自身系統(tǒng)在上述3個要素的共同作用下形成復雜模式(Pattern)，對飛行器自身系統(tǒng)行為的預測本質上即為對系統(tǒng)復雜模式的預測。

傳統(tǒng)基于故障物理模型或者專家知識庫的故障預測方法由于依賴先驗知識和系統(tǒng)內部邏輯關系的描述，難以有效處理飛行器復雜系統(tǒng)普遍存在的高維度、非線性以及涌現(xiàn)性問題。而航空裝備數(shù)據(jù)資源的日益豐富以及機器學習方法的再次興起，則為解決上述問題提供了一條新的思路?；诖髷?shù)據(jù)分析技術的飛行器系統(tǒng)級故障預測，即在系統(tǒng)、子系統(tǒng)、部件、相關使用環(huán)境、人為影響因素等方面產生的多維海量數(shù)據(jù)基礎上，運用機器學習以及統(tǒng)計分析的手段對故障樣本庫進行訓練，在歷史數(shù)據(jù)基礎上預測系統(tǒng)復雜故障模式演變趨勢，從客觀數(shù)據(jù)的角度而不是傳統(tǒng)故障機理或者經(jīng)驗知識的角度推測飛行器系統(tǒng)在未來某一時間內發(fā)生故障的類型，從而實現(xiàn)飛行器系統(tǒng)級故障的預測。

3.2 美國大數(shù)據(jù)分析技術在航空故障預測領域的應用現(xiàn)狀

美國運用大數(shù)據(jù)分析技術在航空領域應用的起步較早，理論研究和工程應用結合較為緊密，并注重融合主流的科技成果和理念。早在20世紀70年代，美國國家航空航天局(NASA)便提出了基于傳感器數(shù)據(jù)的航天器綜合健康管理概念，并在此概念基礎上衍生出了飛機狀態(tài)監(jiān)測系統(tǒng)、發(fā)動機監(jiān)測系統(tǒng)以及綜合診斷預測系統(tǒng)。20世紀末，隨著美軍F-35(Joint Strike Fighter，JSF)項目的啟動，上述解決方案被正式命名為預測與健康管理((Prognostics and Health Management，PHM)系統(tǒng)，實現(xiàn)了基于系統(tǒng)狀態(tài)數(shù)據(jù)的故障診斷方法從理論研究向裝備型號應用的轉變。2000年以后，隨著互聯(lián)網(wǎng)技術和計算科學的飛速發(fā)展，西方發(fā)達國家開始嘗試使用機器學習的手段處理高維海量工業(yè)數(shù)據(jù)，識別復雜裝備內部系統(tǒng)的故障發(fā)生規(guī)律。其中，美國聯(lián)邦政府科研機構和大型航空制造企業(yè)下屬的研究團隊均在不同程度地進行基于大數(shù)據(jù)和機器學習的裝備故障預測研究，目前已知的研究方向包括數(shù)據(jù)驅動的方法、數(shù)據(jù)驅動和物理模型混合的方法、基于深度學習的剩余壽命預測、基于深度學習的故障預測等。下面簡要介紹3種不同的航空大數(shù)據(jù)分析技術并淺析它們各自的應用方向。

3.2.1 NASA數(shù)據(jù)驅動的設備剩余壽命預測技術

作為世界頂尖的航空和航天研究機構，NASA一直致力于復雜航空航天裝備故障預測領域的研究，并擁有專門的故障預測卓越中心(Prognostics Center of Excellence,PCoE)進行裝備故障預測方面的研究，其中一項成果便是由Kai Gobei提出的數(shù)據(jù)驅動的設備剩余壽命(Remaining Useful Life,RUL)預測技術。該項技術強調要在訓練數(shù)據(jù)數(shù)量、運算能力、算法魯棒性、不確定性管理、預測準確度等因素綜合考慮與權衡的基礎上選取合適的方法進行預測。對應于數(shù)據(jù)，NASA提出了兩種策略：一種是把n維特征數(shù)據(jù)映射為1維健康因子數(shù)據(jù)，然后采用曲線擬合、外推等方式進行預測；另一種是直接進行n維數(shù)據(jù)的模式匹配，構建特征空間的n維數(shù)據(jù)的退化特征，并給出對象目標的剩余壽命，如圖2所示。

圖2 NASA的設備剩余壽命預測策略示意圖Fig.2 Illustration of NASA′s prognostics strategy for equipment′s RUL

在對一組太空旋轉裝置故障前后的時序測試數(shù)據(jù)研究中，NASA根據(jù)裝置損傷模型的特性分別提出了基于相關向量機、人工神經(jīng)網(wǎng)絡和高斯回歸過程的3種剩余壽命預測方法，其中相關向量機以及人工神經(jīng)網(wǎng)絡方法的結果大部分都位于預測準確度區(qū)間內，取得了較好的預測效果[6]。NASA團隊的基于3種剩余壽命預測方法的結果對比如表1所示。其中，負值表明預測的故障發(fā)生點晚于實際故障發(fā)生點，因此被認為是失敗的預測。

表1 3種不同方法下設備剩余壽命(RUL)預測誤差的結果對比Tab.1 Numerical results of three algorithms during RUL prediction 時間單元

3.2.2 UTC基于深度學習的故障預測技術

美國聯(lián)合技術公司(UTC)是一家多元化制造企業(yè)，同時也是重要的航空裝備供應商，旗下的子公司普惠公司是世界領先的飛機發(fā)動機設計、制造與服務商。目前,聯(lián)合技術公司正在進行基于深度學習的故障預測研究。在2016年公布的一段視頻中，來自聯(lián)合技術研究中心的工程師通過應用深度信念網(wǎng)絡(Deep Belief Network，DBN)，在普惠發(fā)動機采集的歷史傳感器數(shù)據(jù)基礎上構建了發(fā)動機的運行狀態(tài)還原模型，并成功實現(xiàn)了對發(fā)動機狀態(tài)參數(shù)值的預估。同時，使用深度自編碼器(Deep Auto-Encoders)降低了模型重塑的誤差，提高了發(fā)動機狀態(tài)預測的效果[7]。在基于深度學習模型預測的發(fā)動機運行狀態(tài)基礎上,機載實時數(shù)據(jù)分析系統(tǒng)可實時監(jiān)控飛機發(fā)動機的工作狀態(tài)并預測其變化趨勢,并將相關信息傳送給飛機任務系統(tǒng)，具體流程如圖4所示。

圖4 UTC基于深度學習的發(fā)動機狀態(tài)預測技術示意圖Fig.4 Deep-learning based approach for engine prognostics

3.2.3 通用電氣GE的數(shù)字雙胞胎模型

美國通用電氣公司(GE)是世界上最大的提供技術和服務業(yè)務的跨國公司，其旗下的GE航空集團同時也是世界領先的民用、軍用、公務及通用飛機噴氣、渦漿和渦油發(fā)動機及部件和集成系統(tǒng)的供應商。GE計劃于2017年部署數(shù)字雙胞胎模型(Digital Twin),如圖5所示。Digital Twin本質上是一種基于噴氣發(fā)動機傳感數(shù)據(jù)、數(shù)字化發(fā)動機物理模型以及虛擬現(xiàn)實技術的綜合大數(shù)據(jù)分析技術，通過將發(fā)動機的操作數(shù)據(jù)添加到對應的數(shù)字雙胞胎模型中進行虛擬現(xiàn)實操作，數(shù)字模型可以給出發(fā)動機零部件的更換建議，GE據(jù)此可以得出一個基于環(huán)境變化而不是時間變化的發(fā)動機維護計劃，從而使得維護計劃更有針對性，極大地提高了GE旗下物理資產的利用價值[8]。

圖5 GE數(shù)字雙胞胎技術示意圖Fig.5 Illustration of GE’s Digital Twin

4 航空大數(shù)據(jù)技術展望

根據(jù)對國外航空大數(shù)據(jù)技術發(fā)展與應用的總結分析可知，航空大數(shù)據(jù)技術的發(fā)展在未來會呈現(xiàn)以下幾個趨勢：

一是數(shù)據(jù)存儲量較以往將更加龐大，尤其是新一代民用客機和軍用飛機，機體內部的傳感器數(shù)量多，各系統(tǒng)之間信息交聯(lián)較以往更加復雜，采集的相關參數(shù)種類也更加多樣化。航空數(shù)據(jù)資源的日益豐富，也將進一步擴展航空大數(shù)據(jù)技術應用的場景與領域。

二是隨著分析數(shù)據(jù)量的增多以及航空裝備本身存在的系統(tǒng)耦合性，單純的統(tǒng)計分析方法將難以準確描述航空裝備本身狀態(tài)的變化，以深度學習為代表的人工智能技術不依賴復雜系統(tǒng)內部邏輯關系的表達，對于航空裝備復雜系統(tǒng)級故障的耦合非線性問題有較強的抗干擾能力，在航空大數(shù)據(jù)分析技術中將扮演重要角色。

三是隨著虛擬現(xiàn)實技術的引入，大數(shù)據(jù)可視化技術有望有效提升工程人員的感知與分析能力，進而實現(xiàn)更為高效的人機交互，從而推動大數(shù)據(jù)可視化技術從單純的數(shù)據(jù)解釋與表達功能向飛行器設計、裝備制造與維修過程中的排故等實用功能的轉變。

5 結束語

綜上，以美國為主的西方發(fā)達國家意識到在迅猛發(fā)展的信息化社會，數(shù)據(jù)是重要的戰(zhàn)略資源，已率先在航空領域開展基于大數(shù)據(jù)技術的研究與應用。通過建立規(guī)范化收集、利用和整合各方面數(shù)據(jù)資源的機制，研究深度挖掘海量數(shù)據(jù)的新手段和方法，構建能夠存儲和處理海量數(shù)據(jù)的軟硬件能力，西方發(fā)達國家在航空大數(shù)據(jù)技術領域的研究進展較以往達到了一個新的高度。同時，通過集成最新的人工智能技術、虛擬現(xiàn)實技術，美國研究人員極大地拓展了大數(shù)據(jù)技術在航空工業(yè)領域應用的內涵，為處理海量高維航空數(shù)據(jù)以及復雜系統(tǒng)級故障難以預測的問題探索出了一條新的方向?！笆濉逼陂g，我國將全面啟動實施航空發(fā)動機和燃氣輪機重大專項，同時包括C919、C929大飛機在內的一大批航空科研項目也將進入關鍵節(jié)點，亟待大數(shù)據(jù)技術在上述項目實施過程中的保駕護航。通過以大數(shù)據(jù)為資源和技術抓手大力提升航空領域的信息化支撐水平，大數(shù)據(jù)技術將會在航空領域獲得更大程度的探索和應用，從而進一步推動大數(shù)據(jù)+航空的領域化技術研究與發(fā)展。

[1] 馬世龍，烏尼日其其格，李小平．大數(shù)據(jù)與深度學習綜述[J]．智能系統(tǒng)學報，2016,11(6):728-742.

MA Shilong，WUNIRI Qiqige，LI Xiaoping.Deep learning with big data: state of the art and development [J]．CAAI Transactions on Intelligent Systems，2016,11(6):728-742.(in Chinese)

[2] 張俊林. 大數(shù)據(jù)日知錄[M].北京：電子工業(yè)出版社,2014.

[3] SAFRAN.Diagnostics and management[EB/OL].[2017-04-10].https://www.safran-aircraft-engines.com/services/single-aisle-commercial-jet-engines/engineering-and-consulting-services.

[4] 張建業(yè)，張鵬.飛行數(shù)據(jù)的時間序列分析方法及其應用[M].北京：國防工業(yè)出版社，2013.

[5] NGRAIN.Battle damage assessment and repair for the F-35 and F-22[EB/OL].[2017-04-10].http://www.ngrain.com/lockheed-martin.

[6] National Aeronautics and Space Administration. Results and Discussions[EB/OL].[2017-04-10]. https://ti.arc.nasa.gov/tech/dash/pcoe/data-driven-prognostics/results.

[7] REDDY K K. Applying deep learning for prognostic health monitoring of aerospace and building systems[EB/OL].(2016-11-07)[2017-04-10].http://videolectures.net/kdd2016_reddy_deep_learning.

[8] BABCOCK C.GE plans software platform for creating‘Digital Twins’[EB/OL].(2016-07-21)[2017-04-10].http://www.eetimes.com/document.asp?doc_id=1330173.

Development and Application of Big Data Technology in Aviation Industry

LIU Fengkai1，LI Qian2

(1.AVIC China Aero-Polytechnology Establishment，Beijing 100028，China；2.North China Institute of Computing Technology, Beijing 100083, China)

Big data technology has developed rapidly in such area as Internet, e-commerce and finance. However, the value of big data technology has not yet been fully realized in aviation industry. As a matter of fact, big data technology possesses great potential in the fields of aircraft design, system-level prognostics and aviation repair and maintenance, which deserves in-depth research and exploration. This paper introduces big data′s basic concept and its architecture,followed by analysis of applications of related technology in aviation industry under the context of big data life cycle with emphasis on application of big data technology in prognostics.Finally,it points out the developing trend of aviation big data technology in the future according to the application status of U.S.'s big data technology in aviation field.

aviation industry；big data；system-level prognostics；application prospect

10.3969/j.issn.1001-893x.2017.07.020

劉豐愷，李茜.航空大數(shù)據(jù)技術的發(fā)展與應用[J].電訊技術，2017,57(7):849-854.[LIU Fengkai，LI Qian.Development and application of big data technology in aviation industry[J].Telecommunication Engineering,2017,57(7):849-854.]

2017-04-25；

2017-06-22 Received date:2017-04-25；Revised date：2017-06-22

TP274

A

1001-893X(2017)07-0849-06

劉豐愷(1987—)，男，北京人，碩士，工程師，主要研究方向為基于大數(shù)據(jù)的故障預測技術；

Email: titikai@163.com

李 茜(1983—)，女，山西人，碩士，高級工程師，主要研究方向為大數(shù)據(jù)技術。

**通信作者：titikai@163.com Corresponding author：titikai@163.com