曠 典，付堯明，房麗瑤

(中國(guó)民航飛行學(xué)院 航空工程學(xué)院，四川 廣漢 618307)

大數(shù)據(jù)挖掘分析在航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷中的應(yīng)用

曠 典，付堯明，房麗瑤

(中國(guó)民航飛行學(xué)院 航空工程學(xué)院，四川 廣漢 618307)

受到發(fā)動(dòng)機(jī)數(shù)據(jù)收集的限制，發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控和故障診斷結(jié)果較為模糊。隨著科學(xué)技術(shù)的不斷改進(jìn)，發(fā)動(dòng)機(jī)維修數(shù)據(jù)、使用數(shù)據(jù)和其它相關(guān)數(shù)據(jù)積累得越來(lái)越多，為進(jìn)一步提高發(fā)動(dòng)機(jī)監(jiān)控水平和診斷精度，在發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控和故障診斷中應(yīng)用大數(shù)據(jù)方法提供了可能。由初始數(shù)據(jù)庫(kù)、運(yùn)行數(shù)據(jù)庫(kù)、維修數(shù)據(jù)庫(kù)和其他相關(guān)數(shù)據(jù)庫(kù)組成發(fā)動(dòng)機(jī)大數(shù)據(jù)，在分析了多元多維度大數(shù)據(jù)來(lái)源的基礎(chǔ)上，建立了大數(shù)據(jù)模型的構(gòu)架，提出了發(fā)動(dòng)機(jī)大數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘方法、狀態(tài)量關(guān)聯(lián)度分析和加權(quán)分析，對(duì)未來(lái)的應(yīng)用給予展望。

航空發(fā)動(dòng)機(jī)；大數(shù)據(jù)挖掘分析；狀態(tài)監(jiān)控；故障診斷

0 引言

航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷，是指通過(guò)適當(dāng)方式監(jiān)控發(fā)動(dòng)機(jī)各工作狀態(tài)的相關(guān)參數(shù)，根據(jù)現(xiàn)有數(shù)據(jù)對(duì)發(fā)動(dòng)機(jī)的工作狀態(tài)進(jìn)行有效的判斷，完成已發(fā)生故障的診斷及未發(fā)生故障的預(yù)測(cè)，并提出維修技術(shù)建議[1]。狀態(tài)監(jiān)控與故障診斷技術(shù)可對(duì)發(fā)動(dòng)機(jī)進(jìn)行健康評(píng)估、壽命追蹤、維修決策、航材儲(chǔ)備等管理工作，以及對(duì)發(fā)動(dòng)機(jī)及部件故障進(jìn)行檢測(cè)、隔離、診斷和預(yù)測(cè)等工作，提高了飛行的安全性和維修保障的經(jīng)濟(jì)性。

目前，航空發(fā)動(dòng)機(jī)的狀態(tài)監(jiān)控與故障診斷的數(shù)據(jù)來(lái)源主要是發(fā)動(dòng)機(jī)傳感器測(cè)量參數(shù)。傳感器測(cè)量參數(shù)具有參數(shù)類(lèi)型少、樣本量小、數(shù)據(jù)單一的特點(diǎn)。在針對(duì)測(cè)量參數(shù)的分析處理上，如神經(jīng)網(wǎng)絡(luò)[2]評(píng)估方法、信息融合技術(shù)專(zhuān)家診斷方法[3]、網(wǎng)絡(luò)化Internet遠(yuǎn)程監(jiān)控方法[4]、智能技術(shù)方法[5]等都較為明顯的出現(xiàn)故障診斷準(zhǔn)確率低、定位精度差、預(yù)判結(jié)果模糊等問(wèn)題。隨著科學(xué)技術(shù)的不斷改進(jìn)，發(fā)動(dòng)機(jī)可測(cè)量的數(shù)據(jù)和新類(lèi)型數(shù)據(jù)越來(lái)越多，發(fā)動(dòng)機(jī)數(shù)據(jù)已初具大數(shù)據(jù)的模型，進(jìn)一步增大了發(fā)動(dòng)機(jī)診斷與預(yù)測(cè)的難度?；跀?shù)據(jù)的狀態(tài)監(jiān)控與診斷方法是對(duì)數(shù)據(jù)進(jìn)行特性提取，從而構(gòu)建數(shù)學(xué)模型，實(shí)現(xiàn)故障檢測(cè)和診斷預(yù)測(cè)的目的。因此，提高數(shù)據(jù)的選擇精度和寬度將使發(fā)動(dòng)機(jī)的診斷精度得到提高，而選擇科學(xué)的方法將進(jìn)一步提高其精度。

目前，國(guó)內(nèi)外對(duì)大數(shù)據(jù)技術(shù)越來(lái)越重視，電力行業(yè)運(yùn)用大數(shù)據(jù)挖掘技術(shù)在性能評(píng)估和異常檢測(cè)方面取得了很好的效果[6]，GE公司通過(guò)predix大數(shù)據(jù)平臺(tái)已在發(fā)動(dòng)機(jī)監(jiān)測(cè)工作方面取得優(yōu)異成績(jī)[7]，大數(shù)據(jù)方法在發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷領(lǐng)域的運(yùn)用已成為必然趨勢(shì)。大數(shù)據(jù)挖掘技術(shù)增大了各狀態(tài)參數(shù)的可用容量，將模式識(shí)別和數(shù)理統(tǒng)計(jì)相結(jié)合，并進(jìn)行深度分析，重點(diǎn)是對(duì)各潛在影響因素之間的關(guān)聯(lián)度進(jìn)行深度挖掘分析。本文提出構(gòu)建發(fā)動(dòng)機(jī)大數(shù)據(jù)源，在分析多元多維度大數(shù)據(jù)來(lái)源的基礎(chǔ)上，建立大數(shù)據(jù)模型的構(gòu)架，提出了大數(shù)據(jù)挖掘方法，以期將新的方法和算法引入到發(fā)動(dòng)機(jī)監(jiān)控與故障診斷方法中。

1 發(fā)動(dòng)機(jī)狀態(tài)多元多維度數(shù)據(jù)源

航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷需要對(duì)測(cè)量參數(shù)進(jìn)行選擇和采集，參數(shù)的來(lái)源主要是通過(guò)傳感器進(jìn)行收集。發(fā)動(dòng)機(jī)的直接測(cè)量參數(shù)包括風(fēng)扇振動(dòng)值、油門(mén)桿角度、氣路熱力參數(shù)(如發(fā)動(dòng)機(jī)各主要截面壓力P、溫度T、流量W，高低壓轉(zhuǎn)速n1、n2，推力值F等)、燃油流量FF、燃油消耗率sfc、滑油值N、可調(diào)靜子葉片VSV和可調(diào)引氣活門(mén)VBV角度等信息。涉及其它信息，如飛機(jī)測(cè)量參數(shù)包括馬赫數(shù)、飛行高度、真空速、大氣總溫總壓或發(fā)動(dòng)機(jī)進(jìn)口總溫總壓等。發(fā)動(dòng)機(jī)可用參數(shù)類(lèi)別較少，數(shù)據(jù)較單一，雖然隨著航班量的增加會(huì)提高相關(guān)參數(shù)的數(shù)據(jù)量，但數(shù)據(jù)限制會(huì)降低發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷的精準(zhǔn)度，很難作出適當(dāng)決策。如高壓壓氣機(jī)、高壓渦輪兩者效率下降故障都會(huì)引起低壓轉(zhuǎn)子轉(zhuǎn)速差Δn1、高壓轉(zhuǎn)子轉(zhuǎn)速差Δn2、排氣溫度差ΔEGT、燃油流量差ΔFF的改變，只對(duì)這四個(gè)參數(shù)進(jìn)行分析就無(wú)法達(dá)到精確診斷和故障隔離。為使診斷準(zhǔn)確，考慮引入高壓壓氣機(jī)和高壓渦輪相關(guān)聯(lián)的其他數(shù)據(jù)，如使用設(shè)計(jì)制造數(shù)據(jù)確定使用特性、使用歷史排故數(shù)據(jù)確定是否存在故障或拆裝人為因素，使用運(yùn)行環(huán)境參數(shù)確定是否存在影響因素(大氣PM2.5值會(huì)對(duì)渦輪導(dǎo)向器氣膜冷卻有影響)，使用孔探數(shù)據(jù)監(jiān)控葉片有無(wú)損傷，使用材料特性數(shù)據(jù)確定金屬工作極限，使用相關(guān)部件數(shù)據(jù)確定是否有影響等對(duì)壓氣機(jī)和渦輪故障診斷更精確，應(yīng)用適當(dāng)算法處理數(shù)據(jù)將使診斷效率更高。發(fā)動(dòng)機(jī)數(shù)據(jù)的融合務(wù)必使診斷精度提高，而發(fā)動(dòng)機(jī)數(shù)據(jù)既獨(dú)立多樣，又相互關(guān)聯(lián)，該數(shù)據(jù)的發(fā)展趨勢(shì)符合大數(shù)據(jù)容量大、處理速度快、類(lèi)型多樣化、價(jià)值大的特征[8]。

發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷技術(shù)可對(duì)發(fā)動(dòng)機(jī)設(shè)計(jì)、制造、使用、維護(hù)、報(bào)廢等全壽命過(guò)程的所有數(shù)據(jù)進(jìn)行收集和分析，多元多維度數(shù)據(jù)構(gòu)成發(fā)動(dòng)機(jī)數(shù)據(jù)庫(kù)的大數(shù)據(jù)來(lái)源，包括：

(1)發(fā)動(dòng)機(jī)初始數(shù)據(jù)庫(kù)。發(fā)動(dòng)機(jī)初始數(shù)據(jù)庫(kù)主要是發(fā)動(dòng)機(jī)設(shè)計(jì)與制造階段的數(shù)據(jù)，包括發(fā)動(dòng)機(jī)構(gòu)型、適航等各類(lèi)清單和維修手冊(cè)。涉及到發(fā)動(dòng)機(jī)出廠信息、運(yùn)行參數(shù)、使用信息、維修保障信息以及與使用、維修保障過(guò)程相關(guān)的政策、法規(guī)、標(biāo)準(zhǔn)的信息總和。發(fā)動(dòng)機(jī)設(shè)計(jì)公式、資料、文件、規(guī)章制度、理論、代碼等也都可作為初始數(shù)據(jù)庫(kù)的一部分。

(2)發(fā)動(dòng)機(jī)運(yùn)行數(shù)據(jù)庫(kù)。發(fā)動(dòng)機(jī)運(yùn)行數(shù)據(jù)庫(kù)由發(fā)動(dòng)機(jī)運(yùn)行環(huán)境、時(shí)限和自身狀態(tài)信息構(gòu)成。運(yùn)行環(huán)境包括選擇航班航線、飛行時(shí)間、天氣狀況等。發(fā)動(dòng)機(jī)自身狀態(tài)涉及地面啟動(dòng)、起飛、巡航及近各階段收集數(shù)據(jù)。采集參數(shù)主要包括飛機(jī)速度、高度、位置、轉(zhuǎn)子速度、排氣溫度、氣路及油液壓力和溫度、發(fā)動(dòng)機(jī)振動(dòng)值等。

(3)發(fā)動(dòng)機(jī)維修數(shù)據(jù)庫(kù)。航空發(fā)動(dòng)機(jī)的維修包括航線使用維護(hù)、車(chē)間修理以及涉及相關(guān)維護(hù)的設(shè)備、航材和維修、管理人員等數(shù)據(jù)。航線使用維護(hù)數(shù)據(jù)通常是指涉及發(fā)動(dòng)機(jī)的原始報(bào)文、修理報(bào)告、飛行員或機(jī)組成員在事件發(fā)生時(shí)的觀察報(bào)告、由廠家提供的相關(guān)技術(shù)支持、孔探和瓷堵等檢查數(shù)據(jù)、航線和定檢排故數(shù)據(jù)、發(fā)動(dòng)機(jī)拆換和水洗記錄、各項(xiàng)工作工卡簽署、有關(guān)發(fā)動(dòng)機(jī)適航指令、特情維護(hù)等。車(chē)間修理數(shù)據(jù)通常是指發(fā)動(dòng)機(jī)事后修理構(gòu)型清單、服務(wù)通告SB、適航指令A(yù)D、車(chē)間排故數(shù)據(jù)、零部件制造人批準(zhǔn)書(shū)PMA的相關(guān)記錄數(shù)據(jù)、各項(xiàng)修理及進(jìn)程數(shù)據(jù)記錄、維修大綱、維修成本、排故方案等。維修設(shè)備數(shù)據(jù)主要包括廠房設(shè)施、普通工具、專(zhuān)用工具、特殊設(shè)備等。維修人力資源數(shù)據(jù)主要包括維修人員的學(xué)歷、維修經(jīng)歷、個(gè)人技能、培養(yǎng)方案、工作時(shí)間、工作內(nèi)容等。航材數(shù)據(jù)主要包括航材使用、周轉(zhuǎn)件庫(kù)存、報(bào)廢件記錄、消耗件記錄、返修件修理狀態(tài)水平、可用件狀態(tài)等。

(4)其它相關(guān)數(shù)據(jù)庫(kù)。相關(guān)數(shù)據(jù)庫(kù)是與發(fā)動(dòng)機(jī)有關(guān)卻還未發(fā)現(xiàn)的相關(guān)聯(lián)數(shù)據(jù)。如不同地區(qū)的PM2.5值會(huì)對(duì)發(fā)動(dòng)機(jī)氣路產(chǎn)生不同影響。又如發(fā)動(dòng)機(jī)尾氣數(shù)據(jù)能在一定程度上反映發(fā)動(dòng)機(jī)燃燒室的燃燒情況。

2 發(fā)動(dòng)機(jī)大數(shù)據(jù)挖掘架構(gòu)

“大數(shù)據(jù)技術(shù)”是指從海量數(shù)據(jù)中快速提取到有價(jià)值信息的技術(shù)。大數(shù)據(jù)處理包括數(shù)據(jù)采集、數(shù)據(jù)處理與集成、數(shù)據(jù)挖掘分析、數(shù)據(jù)解釋和用戶(hù)呈現(xiàn)等流程[8]。對(duì)發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷進(jìn)行大數(shù)據(jù)技術(shù)的應(yīng)用，則需重點(diǎn)關(guān)注數(shù)據(jù)的收集處理和挖掘分析。發(fā)動(dòng)機(jī)大數(shù)據(jù)結(jié)構(gòu)復(fù)雜、數(shù)據(jù)多樣，對(duì)收集、存儲(chǔ)和處理的要求高，Hadoop的分布式文件系統(tǒng)HDFS可以有效的完成工作[9]。數(shù)據(jù)的挖掘過(guò)程則需運(yùn)用分布式并行化技術(shù)，Hadoop的Map Re duce平臺(tái)可有效完成映射、歸約、分類(lèi)等功能，能對(duì)分析系統(tǒng)的期望特征進(jìn)行表征[10]。

大數(shù)據(jù)的關(guān)鍵是集合所有的參數(shù)，把樣本作為整體，將所有參數(shù)都作為狀態(tài)量，而數(shù)據(jù)的組成也并非有效并行。通過(guò)Map Re duce平臺(tái)可對(duì)發(fā)動(dòng)機(jī)全部新數(shù)據(jù)進(jìn)行轉(zhuǎn)化，成為可識(shí)別的狀態(tài)參數(shù)。將狀態(tài)參數(shù)應(yīng)用于發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷中，利用大數(shù)據(jù)科學(xué)算法進(jìn)行深度挖掘，便可構(gòu)建出發(fā)動(dòng)機(jī)正常、故障、缺陷和失效等狀態(tài)的關(guān)系圖，并對(duì)故障進(jìn)行判別和預(yù)測(cè)。如圖1所示是發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷大數(shù)據(jù)處理系統(tǒng)框圖，與傳統(tǒng)的方法相比，大數(shù)據(jù)深度挖掘方法需更大的數(shù)據(jù)量和更好的科學(xué)算法，能對(duì)發(fā)動(dòng)機(jī)的預(yù)測(cè)和狀態(tài)識(shí)別更加準(zhǔn)確和可靠。

圖1發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷大數(shù)據(jù)處理系統(tǒng)框圖

3 發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷大數(shù)據(jù)挖掘方法

發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷大數(shù)據(jù)挖掘技術(shù)的思路是對(duì)發(fā)動(dòng)機(jī)全狀態(tài)量數(shù)據(jù)進(jìn)行關(guān)聯(lián)性深度挖掘，分別得到發(fā)動(dòng)機(jī)正常運(yùn)行模式所對(duì)應(yīng)的參數(shù)指標(biāo)和發(fā)動(dòng)機(jī)故障缺陷時(shí)所對(duì)應(yīng)的參數(shù)，將得到的數(shù)據(jù)進(jìn)行比較，可得出發(fā)動(dòng)機(jī)各測(cè)量參數(shù)相對(duì)應(yīng)的發(fā)動(dòng)機(jī)健康狀況并作出預(yù)測(cè)判斷。其中大數(shù)據(jù)挖掘分析方法的重點(diǎn)是各發(fā)動(dòng)機(jī)全參數(shù)的關(guān)聯(lián)規(guī)則、發(fā)動(dòng)機(jī)狀態(tài)量相應(yīng)關(guān)聯(lián)度及其加權(quán)[11]。

3.1 發(fā)動(dòng)機(jī)全參數(shù)關(guān)聯(lián)規(guī)則挖掘

設(shè)I={i1,i2,…,im}為所有項(xiàng)目的集合，D為事務(wù)數(shù)據(jù)庫(kù)。X、Y是I的子集，即X?I，Y?I且X∩Y=?，邏輯蘊(yùn)含式X→Y就是關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則最重要的指標(biāo)是支持度sup port(X→Y)=P(X∪Y)和置信度confidence(X→Y)=P(X|Y)。要使關(guān)聯(lián)規(guī)則有意義，需確定支持度和置信度的最小量閾值[12]。

發(fā)動(dòng)機(jī)全參數(shù)關(guān)聯(lián)規(guī)則挖掘系統(tǒng)框圖如圖2所示。發(fā)動(dòng)機(jī)維修大數(shù)據(jù)庫(kù)則可看作項(xiàng)目數(shù)據(jù)庫(kù)I。X1、X2、Y1、Y2則分別為發(fā)動(dòng)機(jī)初始數(shù)據(jù)庫(kù)、發(fā)動(dòng)機(jī)運(yùn)行數(shù)據(jù)庫(kù)、發(fā)動(dòng)機(jī)維修數(shù)據(jù)庫(kù)、其它相關(guān)數(shù)據(jù)庫(kù)。其中，關(guān)聯(lián)1-6則為X1、X2、Y1、Y2相互之間的支持度和置信度，空白部分為未發(fā)現(xiàn)部分?jǐn)?shù)據(jù)庫(kù)。在對(duì)發(fā)動(dòng)機(jī)某種故障進(jìn)行診斷或監(jiān)控時(shí)需確立故障事務(wù)數(shù)據(jù)庫(kù)D，通過(guò)關(guān)聯(lián)規(guī)則對(duì)X1、X2、Y1、Y2子數(shù)據(jù)庫(kù)全參數(shù)進(jìn)行關(guān)聯(lián)性挖掘分析，在給定兩個(gè)最小閾值量的情況下，可確定異常模式所對(duì)應(yīng)的所有參數(shù)，包括不同模式下多參數(shù)的組合、各參數(shù)的提取和合并、參數(shù)權(quán)重的細(xì)分等結(jié)果。

圖2 發(fā)動(dòng)機(jī)全參數(shù)關(guān)聯(lián)規(guī)則挖掘系統(tǒng)框圖

3.2 發(fā)動(dòng)機(jī)狀態(tài)量關(guān)聯(lián)度分析

前面提到，目前發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控和故障診斷主要數(shù)據(jù)來(lái)源是發(fā)動(dòng)機(jī)測(cè)量參數(shù)和飛機(jī)測(cè)量參數(shù)，數(shù)據(jù)較為單一。較少的狀態(tài)量信息對(duì)發(fā)動(dòng)機(jī)的健康狀況很難反映完全，相關(guān)性較小。對(duì)航空發(fā)動(dòng)機(jī)而言，輸入量與輸出量可看成一個(gè)強(qiáng)非線性的方程組，而發(fā)動(dòng)機(jī)大數(shù)據(jù)概念是將所有的數(shù)據(jù)看作是全狀態(tài)量，無(wú)輸入輸出的區(qū)別，重點(diǎn)關(guān)注發(fā)動(dòng)機(jī)各狀態(tài)參數(shù)的關(guān)聯(lián)度。

發(fā)動(dòng)機(jī)狀態(tài)關(guān)聯(lián)度分析是對(duì)發(fā)動(dòng)機(jī)多元多維度狀態(tài)量進(jìn)行關(guān)聯(lián)性分析。通常，協(xié)方差矩陣可表征狀態(tài)量之間的“狀態(tài)關(guān)聯(lián)度”。設(shè)

為發(fā)動(dòng)機(jī)的全部狀態(tài)參數(shù)大集合，其中xij代表i狀態(tài)下第j個(gè)狀態(tài)量的值。矩陣的每一行xi=[xi1,xi2,…,xij](j=1,2,…,n) 代表發(fā)動(dòng)機(jī)工作的各種狀態(tài)向量，其中每一項(xiàng)代表一個(gè)參數(shù)值，如xi=[n1,n2,EGT,FF,F,T3,…]，則發(fā)動(dòng)機(jī)的“狀態(tài)量關(guān)聯(lián)度”可用X的相關(guān)系數(shù)定義為Ω=corr(X)。

發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控和故障診斷對(duì)信息量的反饋要求較大，而“狀態(tài)變動(dòng)關(guān)聯(lián)度”則恰好滿(mǎn)足條件。它能反映發(fā)動(dòng)機(jī)的運(yùn)行狀況，可對(duì)發(fā)動(dòng)機(jī)的調(diào)控方式進(jìn)行評(píng)估。因此令x0=[x01,x02,…,x0j]為發(fā)動(dòng)機(jī)正常工作狀態(tài)的向量，Δxi=xi-x0為發(fā)動(dòng)機(jī)各工作狀態(tài)改變異常量，則

在某狀態(tài)下發(fā)動(dòng)機(jī)的狀態(tài)參數(shù)變化值為Δxi=[Δn1,Δn2,ΔEGT,ΔFF,ΔF,ΔT3,…]，則發(fā)動(dòng)機(jī)的“狀態(tài)變動(dòng)關(guān)聯(lián)度”可用ΔX的相關(guān)系數(shù)定義為∑=corr(ΔX)。

3.3 發(fā)動(dòng)機(jī)狀態(tài)量加權(quán)分析

發(fā)動(dòng)機(jī)狀態(tài)量加權(quán)反應(yīng)了其重要程度，對(duì)構(gòu)建決策模型影響較大，選擇合適的權(quán)重系數(shù)和必要的模型修正能提高發(fā)動(dòng)機(jī)的故障預(yù)測(cè)能力和診斷精度。權(quán)重參數(shù)的設(shè)定原則如下：

依照維修大綱、風(fēng)險(xiǎn)管理辦法、特情維護(hù)等對(duì)發(fā)動(dòng)機(jī)各部件進(jìn)行重要度分析，并按照重大故障發(fā)生率/維修記錄統(tǒng)計(jì)等情況，對(duì)發(fā)動(dòng)機(jī)各狀態(tài)量的重要度進(jìn)行加權(quán)。根據(jù)發(fā)動(dòng)機(jī)故障排故時(shí)間統(tǒng)計(jì)、人力資源安排、航班延誤率數(shù)據(jù)等，考慮發(fā)動(dòng)機(jī)故障對(duì)公司正常運(yùn)營(yíng)的影響和嚴(yán)重后果，對(duì)發(fā)動(dòng)機(jī)及部件故障進(jìn)行嚴(yán)重度加權(quán)。根據(jù)已有監(jiān)控?cái)?shù)據(jù)和實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)，判斷監(jiān)測(cè)方式監(jiān)測(cè)狀態(tài)量獲取程度的準(zhǔn)確性和有效性，對(duì)監(jiān)測(cè)方式設(shè)定成熟度權(quán)重系數(shù)。

依據(jù)維修/運(yùn)行歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，對(duì)發(fā)動(dòng)機(jī)的工作狀態(tài)進(jìn)行長(zhǎng)期的實(shí)時(shí)監(jiān)測(cè)和分析管理，通過(guò)數(shù)學(xué)算法和數(shù)據(jù)挖掘等方式，不斷修正權(quán)重系數(shù)，可高效利用狀態(tài)參數(shù)并進(jìn)行發(fā)動(dòng)機(jī)健康狀態(tài)的評(píng)估。

4 發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷大數(shù)據(jù)挖掘分析應(yīng)用前景

隨著航空業(yè)的高速發(fā)展，發(fā)動(dòng)機(jī)的數(shù)據(jù)越來(lái)越海量化。發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷要跟隨大數(shù)據(jù)化發(fā)展，關(guān)鍵之處在于有更好的大數(shù)據(jù)挖掘算法，如基于粒度計(jì)算的關(guān)聯(lián)挖掘算法[13]和基于云計(jì)算平臺(tái)的并行關(guān)聯(lián)規(guī)律挖掘算法[14]。

美國(guó)通用電氣公司已經(jīng)開(kāi)發(fā)了predix數(shù)據(jù)平臺(tái)，負(fù)責(zé)接收大約35000臺(tái)發(fā)動(dòng)機(jī)的關(guān)鍵飛行數(shù)據(jù)包，而相關(guān)CFM56數(shù)據(jù)包飛行參數(shù)從280個(gè)增至480個(gè)，數(shù)據(jù)采集容量寬度增大。predix根據(jù)收集的大數(shù)據(jù)進(jìn)行分析并將通知記錄單(CNR)反饋給客戶(hù)。該系統(tǒng)預(yù)測(cè)異常事件的精準(zhǔn)率達(dá)到86%[7]。

在我國(guó)，國(guó)航、南航、東航等大型航空公司目前都有自主或與IT企業(yè)合作開(kāi)發(fā)的數(shù)據(jù)管理分析系統(tǒng)。涉及的方向包括旅客服務(wù)、空中管制、飛行狀態(tài)等各個(gè)方面[15-16]。大數(shù)據(jù)的發(fā)展積極推動(dòng)著整個(gè)航空業(yè)的發(fā)展。

目前，在國(guó)內(nèi)的航空發(fā)動(dòng)機(jī)維修市場(chǎng)和研發(fā)領(lǐng)域中，大數(shù)據(jù)挖掘分析技術(shù)在發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷的具體運(yùn)用都較少，但隨著與發(fā)動(dòng)機(jī)相關(guān)的各項(xiàng)數(shù)據(jù)的跨越式增長(zhǎng)，大數(shù)據(jù)方法的精準(zhǔn)化評(píng)估也會(huì)越來(lái)越多的在發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷領(lǐng)域得到應(yīng)用。

5 結(jié)語(yǔ)

本文指出傳統(tǒng)狀態(tài)監(jiān)控與故障診斷數(shù)據(jù)量單一的局限性，提出構(gòu)建航空發(fā)動(dòng)機(jī)全參數(shù)大數(shù)據(jù)庫(kù)，建立大數(shù)據(jù)挖掘模型，在發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷領(lǐng)域引入大數(shù)據(jù)挖掘分析方法，并深入分析發(fā)動(dòng)機(jī)大數(shù)據(jù)之間的相互關(guān)系。對(duì)大數(shù)據(jù)技術(shù)在發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷領(lǐng)域進(jìn)行了展望。大數(shù)據(jù)關(guān)聯(lián)分析應(yīng)結(jié)合具體數(shù)據(jù)進(jìn)行關(guān)聯(lián)和加權(quán)，而在發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷方面的具體應(yīng)用則有待進(jìn)一步的研究。

[1] 范作民,孫春林,白杰.航空發(fā)動(dòng)機(jī)故障診斷導(dǎo)論[M].北京:科學(xué)出版社,2004:1-20.

[2] 趙軍,侯寬新,賴(lài)安卿.基于徑向基神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)氣路故障診斷[J].計(jì)算機(jī)測(cè)量與控制,2016,24(7):76-81.

[3] 王志鵬.基于信息融合技術(shù)的故障診斷方法的研究及應(yīng)用[D].大連:大連理工大學(xué),2001.

[4] 張?zhí)旌?民航發(fā)動(dòng)機(jī)遠(yuǎn)程故障診斷技術(shù)研究[D].南京:南京航空航天大學(xué),2001.

[5] 郝英.基于智能技術(shù)的民航發(fā)動(dòng)機(jī)故障診斷和壽命預(yù)測(cè)研究[D].南京:南京航空航天大學(xué),2006.

[6] 嚴(yán)英杰,盛戈皞,王輝,等.基于高維隨機(jī)矩陣大數(shù)據(jù)分析模型的輸變電設(shè)備關(guān)鍵性能評(píng)估方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2016,36(2):435-445.

[7] BRODERICK S.GE力推以結(jié)果為導(dǎo)向的大數(shù)據(jù)分析[J].航空維修與工程,2016(5):74-75.

[8] 劉智慧,張泉靈.大數(shù)據(jù)技術(shù)研究綜述[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2014,48 (6):957-972.

[9] DAS T K,KUMAR P M. BIG Data Analytics:A Framework for Unstructured Data Analysis[J].International Journal of Engineering and Technology.International Journal of Engineering & Technology,2013,5(1).

[10] 王秀磊,劉鵬.大數(shù)據(jù)關(guān)鍵技術(shù)[J].中興通訊技術(shù),2013,19(4):17-21.

[11] 宮宇,呂金壯.大數(shù)據(jù)挖掘分析在電力設(shè)備狀態(tài)評(píng)估中的應(yīng)用[J].南方電網(wǎng)技術(shù),2014,8(6):74-77.

[12] 元昌安.數(shù)據(jù)挖掘原理與SPSS Clementine應(yīng)用寶典[M].北京:電子工業(yè)出版社,2009.

[13] 苗苗苗.數(shù)據(jù)挖掘中海量數(shù)據(jù)處理算法的研究與實(shí)現(xiàn)[D].西安:西安建筑科技大學(xué),2012.

[14] 陳勇.一種基于云計(jì)算的大數(shù)據(jù)關(guān)聯(lián)規(guī)律挖掘分析方法[J].無(wú)線電工程,2017,47(3):8-11.

[15] CHEN S,HUANG Y,HUANG W.Big Data Analytics on Aviation Social Media The Case of China Southern Airlines on Sina Weibo[C].IEEE Second International Conference on Big Data Computing Service & Applications,2016:152-155.

[16] 王立鑫.航空企業(yè)基于大數(shù)據(jù)技術(shù)進(jìn)行數(shù)據(jù)分析的研究[C].中國(guó)航空學(xué)會(huì).探索 創(chuàng)新 交流——第六屆中國(guó)航空學(xué)會(huì)青年科技論壇,沈陽(yáng)，2014:914-917.

[責(zé)任編輯、校對(duì)：周千]

Abstract：Limited by data collection,the results of engine condition monitoring and fault diagnosis are vague.With the continued development of technology,more and more engine maintenance data,use data,and other relevant data are accumulated,making it possible to further improve the monitoring level and diagnosis precision of engines and to apply big data method in engine condition monitoring and fault diagnosis.This article presents the engine big data consisting of initial database, operated database,maintenance database and other related database,establishes the structure of large data model on the basis of analyzing the multiple dimensional large data sources, puts forward the engine large data association rule mining method,states correlation analysis and weighted analysis,and puts forward the outlook for the future application.

Keywords：aircraft engine;large data mining analysis;condition monitoring;fault diagnosis

ApplicationofBigDataMiningAnalysisinAircraftEngineConditionMonitoringandFaultDiagnosis

KUANGDian,FUYao-ming,FANGLi-Yao

(Aviation Engineering College,Civil Aviation Flight University of China,Guanghan 618307,China)

TP311.13；V263.6

A

1008-9233(2017)05-0042-05

2017-06-19

中國(guó)民用航空飛行學(xué)院研究生創(chuàng)新項(xiàng)目(X2016-32)

曠典(1990-)，男，四川綿竹人，碩士研究生，主要從事航空發(fā)動(dòng)機(jī)故障診斷與狀態(tài)監(jiān)控研究。