朱興動(dòng)，章思宇，范加利

(1. 海軍航空大學(xué)，山東 煙臺(tái) 264000；2. 海軍航空大學(xué)青島校區(qū)，山東 青島 266000)

飛機(jī)發(fā)動(dòng)機(jī)是飛機(jī)核心部分，發(fā)動(dòng)機(jī)的可靠性直接影響飛機(jī)能否正常完成飛行任務(wù)，因此對(duì)飛機(jī)發(fā)動(dòng)機(jī)的故障和維修記錄的統(tǒng)計(jì)分析就顯得尤為重要，對(duì)于提高飛行的安全性和整機(jī)的可靠性有著極大的作用。本文在充分查閱某型飛機(jī)的資料和相關(guān)單位搜集機(jī)務(wù)維修記錄與數(shù)據(jù)的基礎(chǔ)上，運(yùn)用多元統(tǒng)計(jì)分析理論，提出了一個(gè)基于Fisher判別分析法的分類預(yù)測模型，找出各影響因子與故障所在系統(tǒng)之間的內(nèi)在聯(lián)系[1]。

1 飛機(jī)發(fā)動(dòng)機(jī)分系統(tǒng)與數(shù)據(jù)結(jié)構(gòu)化

1.1 飛機(jī)發(fā)動(dòng)機(jī)分系統(tǒng)

發(fā)動(dòng)機(jī)作為飛機(jī)的核心組成部分，其本身結(jié)構(gòu)十分復(fù)雜。通過比對(duì)GJB4855—2003和技術(shù)資料可知，該型飛機(jī)中所有系統(tǒng)與飛機(jī)發(fā)動(dòng)機(jī)相關(guān)的有發(fā)動(dòng)機(jī)系統(tǒng)、發(fā)動(dòng)機(jī)起動(dòng)系統(tǒng)、發(fā)動(dòng)機(jī)操縱系統(tǒng)、發(fā)動(dòng)機(jī)指示及告警系統(tǒng)和動(dòng)力裝置系統(tǒng)五類[2]。據(jù)此，可以根據(jù)故障件型號(hào)將所有故障分到這五個(gè)系統(tǒng)中。

1.2 數(shù)據(jù)的預(yù)處理與標(biāo)準(zhǔn)化

飛機(jī)發(fā)動(dòng)機(jī)的維修記錄多為自然語言記錄，且項(xiàng)目較多，較為繁雜，不便于使用數(shù)據(jù)統(tǒng)計(jì)分析工具進(jìn)行分析判別。為了更有效地使用維修質(zhì)控記錄，需要進(jìn)行篩選和標(biāo)準(zhǔn)化等一系列數(shù)據(jù)預(yù)處理工作。

1)選擇影響故障分布的指標(biāo)

影響故障分布的指標(biāo)有很多，如發(fā)生故障時(shí)飛行的總時(shí)間、總架次、故障部位等。根據(jù)經(jīng)驗(yàn)，選取故障發(fā)生月份、故障發(fā)生部位、故障件返修次數(shù)、故障件修后時(shí)次、飛機(jī)修后工作時(shí)間、專業(yè)、發(fā)動(dòng)機(jī)修后工作時(shí)間、發(fā)現(xiàn)時(shí)機(jī)、故障件無故障工作時(shí)次等9個(gè)指標(biāo)作為故障分系統(tǒng)的因變量。在這九個(gè)指標(biāo)中，月份、故障發(fā)生部位、專業(yè)、發(fā)現(xiàn)時(shí)機(jī)為自然語言敘述，其余指標(biāo)為數(shù)值。

2)數(shù)據(jù)的標(biāo)準(zhǔn)化方法[3]

如使用SPSS工具對(duì)數(shù)據(jù)進(jìn)行分析，需按照一定的規(guī)則將部分非結(jié)構(gòu)化數(shù)據(jù)標(biāo)準(zhǔn)化。為此，本文使用自行編寫的程序，先掃描所有故障記錄，對(duì)各選定指標(biāo)的具體名稱，按照出現(xiàn)次數(shù)進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果按頻數(shù)從小到大排序，再賦予相應(yīng)的數(shù)值，完成自然語言記錄的標(biāo)準(zhǔn)化。最終，標(biāo)準(zhǔn)化的結(jié)果如表1所示。

具體指標(biāo)對(duì)應(yīng)的各名稱和值如下：

①月份：一至十二月分別賦值1～12。

②故障發(fā)生部位：1-彈艙，2-設(shè)備艙，3-后機(jī)身，4-電源艙，5 -其他，6-起落架艙，7-前機(jī)身，8-座艙，9-發(fā)動(dòng)機(jī)艙。

③-專業(yè)：1-綜合航電，2-電氣，3-儀表，4-飛機(jī)，5-機(jī)械，6-發(fā)動(dòng)機(jī)，7-特設(shè)。

表1 數(shù)據(jù)標(biāo)準(zhǔn)化結(jié)果

④發(fā)現(xiàn)時(shí)機(jī)：1-滑行，2-周期性工作，3-換季檢查，4-其他，5-飛行中，6-更換發(fā)動(dòng)機(jī)，7-定期檢查，8-空中，9-直接機(jī)務(wù)準(zhǔn)備，10-飛行后檢查，11-飛行啟動(dòng)，12-特定檢查，13-再次出動(dòng)準(zhǔn)備，14-機(jī)械日，15-預(yù)先機(jī)務(wù)準(zhǔn)備。

⑤系統(tǒng)：1-發(fā)動(dòng)機(jī)操作系統(tǒng)，2-動(dòng)力裝置，3-發(fā)動(dòng)機(jī)系統(tǒng)，4-發(fā)動(dòng)機(jī)操縱系統(tǒng)，5-發(fā)動(dòng)機(jī)指示及告警系統(tǒng)。

除上述4個(gè)自然語言描述的指標(biāo)和發(fā)動(dòng)機(jī)系統(tǒng)之外，故障件修后時(shí)次、飛機(jī)修后時(shí)間、發(fā)動(dòng)機(jī)修后工作時(shí)間、故障件無故障工作時(shí)次的數(shù)據(jù)均為數(shù)值，為更便于進(jìn)行數(shù)據(jù)分析，將發(fā)動(dòng)機(jī)修后工作時(shí)間、故障修后時(shí)次、飛機(jī)修后工作時(shí)間、故障件無故障工作時(shí)次等幾個(gè)數(shù)值較大的指標(biāo)進(jìn)行概化，分為0，0-500，500-1 000，1 000-1 500，1 500-2 000，2 000小時(shí)以上6個(gè)檔次，并根據(jù)不同檔次從大到小依次按0-6賦值。

通過以上規(guī)則，使用自行編寫的數(shù)據(jù)標(biāo)準(zhǔn)化程序完成數(shù)據(jù)標(biāo)準(zhǔn)化，為統(tǒng)計(jì)及計(jì)算過程做好數(shù)據(jù)準(zhǔn)備。

2 數(shù)據(jù)分析與模型的建立

2.1 影響指標(biāo)篩選

影響發(fā)動(dòng)機(jī)故障分布的指標(biāo)多種多樣，且每個(gè)指標(biāo)對(duì)于分類結(jié)果的影響并不相同，為了簡化模型與計(jì)算過程，需要通過一定的分析手段去除一些非關(guān)鍵的指標(biāo)。

使用SPSS統(tǒng)計(jì)分析軟件，得到組均值均等性檢驗(yàn)表如表2所示。

表2中，各統(tǒng)計(jì)量含義和取值范圍如下所示。

Wilks Lambda∶Wilks Lambda是組內(nèi)平方和與總平方和之比，取值范圍為0～1，值越小說明該因素對(duì)模型影響越大[4]。

F：即F檢驗(yàn)，用于檢驗(yàn)?zāi)Ｐ椭械母鱾€(gè)因素是否可以用于模型的估計(jì)，F(xiàn)沒有取值范圍，值越大說明該因素越適合模型。

df1：表示自由度。

表2 組均值均等性檢驗(yàn)表

df2：無特殊意義，需滿足df1+df2=N，N為模型的樣本數(shù)量。

Sig.：Sig.表示顯著性，取值范圍為0～1，值越小說明組間的差異越顯著。

在篩選過程中，最需要關(guān)注的是顯著性指標(biāo)。由表中數(shù)據(jù)最后一列Sig.值可以看出，月份、故障件返修次數(shù)和發(fā)現(xiàn)時(shí)機(jī)3個(gè)指標(biāo)的值超過了0.05，這就意味著，在0.05的顯著水平上，不能拒絕月份、故障件返修次數(shù)和發(fā)現(xiàn)時(shí)機(jī)這三個(gè)指標(biāo)在分組的均值相等的假設(shè)，即認(rèn)為其余六個(gè)指標(biāo)在分組的均值是有顯著差異的。因此，可以認(rèn)為月份、故障件返修次數(shù)和發(fā)現(xiàn)時(shí)機(jī)這三個(gè)指標(biāo)對(duì)于分類影響不大，為簡化模型和計(jì)算，之后的計(jì)算過程中將不再考慮這三個(gè)指標(biāo)。

2.2 Fisher判別分析

2.2.1 Fisher判別法簡介

Fisher判別法是一種經(jīng)典的分組判別法，其基本思想是將高維的數(shù)據(jù)點(diǎn)投影到低維空間，使得數(shù)據(jù)點(diǎn)更加聚集。當(dāng)分組數(shù)為k時(shí)，指標(biāo)為p個(gè)，借助方差分析構(gòu)造出k個(gè)判別函數(shù)，函數(shù)的通式如下所示：

(1)

其中，確定參數(shù)ci的原則是使組間差距最大，組內(nèi)差距最小。對(duì)于一個(gè)未分類的樣本數(shù)據(jù)，將p個(gè)指標(biāo)分別代入求出Fi值后，值最大的對(duì)應(yīng)的分組即為該樣本所在組[5]。

2.2.2 數(shù)據(jù)集檢驗(yàn)

在使用Fisher判別分析前，需要對(duì)數(shù)據(jù)進(jìn)行檢驗(yàn)，以便確定Fisher法是否適用于目前的數(shù)據(jù)集。檢驗(yàn)的方法主要是通過計(jì)算數(shù)據(jù)集的Fisher典型判別函數(shù)得分情況，即計(jì)算典型判別式的特征值和在組差異的顯著性值。特征值占總體特征值的比例越大，也即正則相關(guān)性值越大，說明典型函數(shù)的判別能力越強(qiáng)，顯著性值越小，說明該典型函數(shù)在分組時(shí)的差異更顯著。

將數(shù)據(jù)輸入程序，經(jīng)過計(jì)算獲得如表3、4所示的結(jié)果。

表3 特征值

表4 Wilks Lambda

由表3和表4的檢驗(yàn)結(jié)果可以看出，分組需要四個(gè)Fisher典型判別函數(shù)。其中判別函數(shù)1至判別函數(shù)3在顯著水平0.05上判別效果是顯著的，且前三個(gè)判別函數(shù)可以解釋整體方差的99.8%，說明前三個(gè)函數(shù)可以較好的對(duì)數(shù)據(jù)集進(jìn)行分組，即該數(shù)據(jù)集可以通過Fisher判別犯法進(jìn)行分組的。因此可以認(rèn)為，F(xiàn)isher判別分析是適用于當(dāng)前數(shù)據(jù)集的[6]。

2.2.3 系統(tǒng)分組模型的建立

Fisher判別法致力于尋找一個(gè)最能夠反映組與組之間差異的投影方向，即尋找使組之間差異最大，每個(gè)組內(nèi)部離差平方和最小的線性判別函數(shù)[7]。

多個(gè)分組的Fisher判別函數(shù)系數(shù)的求法如下所述，設(shè)有k個(gè)分組G1，G2，…，Gk，其均值和協(xié)方差矩陣分別為μ1，μ2，…，μk和Σ1，Σ2，…，Σk，從k個(gè)分組中抽取一個(gè)含p個(gè)指標(biāo)的觀測樣本，假定建立的判別函數(shù)為

C(Y)=c1Y1+…+cpYpC′Y

(2)

其中，系數(shù)c1，c2，…，cp確定的原則是使得組間差達(dá)到最大，而組內(nèi)差到達(dá)最小。

當(dāng)X∈Gi時(shí)，有

i=1，2，…，k

(3)

令

(4)

B相當(dāng)于組間差，E相當(dāng)于組內(nèi)差，使用判別分析的思想，構(gòu)造的最大特征根，而系數(shù)向量C為最大特征根對(duì)應(yīng)的特征向量[8]。

(5)

求得Δ(C)極大值，即可得到判別函數(shù)，顯然B0，E0均為負(fù)定矩陣，Δ(C)的極大值方程為

|B0-λE0|=0

(6)

根據(jù)以上計(jì)算思想，將數(shù)據(jù)集輸入SPSS統(tǒng)計(jì)分析軟件，使用SPSS聚類分析功能進(jìn)行模型的訓(xùn)練[9]，獲得系統(tǒng)判別函數(shù)的系數(shù)如下表所示。

表5 分類函數(shù)系數(shù)

由表5可得六個(gè)系統(tǒng)判別函數(shù)分別為：

F1=5756x1-0801x2+3337x3+2495x4-

5395x5+0936x6-35932

(7)

F2=5998x1-1261x2+3416x3+3443x4-

4290x5+0676x6-41841

(8)

F3=5866x1-0821x2+3079x3+2946x4-

3939x5+1044x6-36858

(9)

F4=6231x1-0657x2+3300x3+2268x4-

7391x5+1744x6-35855

(10)

F5=5415x1-1046x2+3555x3+3220x4-

5345x5+0485x6-33337

(11)

其中，x1為故障發(fā)生部位，x2為故障件修后時(shí)次，x3為飛機(jī)修后時(shí)間，x4為專業(yè)，x5為故發(fā)動(dòng)機(jī)修后工作時(shí)間，x6為故障件無故障工作時(shí)次。

假設(shè)故障發(fā)生在起落架艙，故障專業(yè)類別為特設(shè)專業(yè)，且該故障件的修后時(shí)次為141.3小時(shí)，該機(jī)發(fā)動(dòng)機(jī)修后工作時(shí)間為100小時(shí)，距飛機(jī)上次大修時(shí)間為1000小時(shí)，該故障件的無故障工作時(shí)間為200小時(shí)，在這種情況下，根據(jù)前文所述的數(shù)據(jù)標(biāo)準(zhǔn)化方法，向判別函數(shù)組中代入以下參數(shù)：

通過計(jì)算可得到各方程的值為

根據(jù)Fisher判別法的判別標(biāo)準(zhǔn)，由于在5個(gè)F值中F5最大，故認(rèn)為若符合上述情況時(shí)，故障最有可能發(fā)生在系統(tǒng)5，即發(fā)動(dòng)機(jī)指示及告警系統(tǒng)中。

模型的分類效果如圖1所示。

由圖可以看出，第1、4、5三組與其他分組之間相距較遠(yuǎn)，分類效果較好，而2、3組之間距離較近，導(dǎo)致系統(tǒng)分類可能會(huì)出現(xiàn)差錯(cuò)，影響分類結(jié)果的準(zhǔn)確性。

3 模型的檢驗(yàn)與效果評(píng)估

為了檢驗(yàn)?zāi)Ｐ偷呐袛嘟Y(jié)果的正確性，下面將使用歐氏距離法進(jìn)行驗(yàn)證[10]。

3.1 歐氏距離法原理

歐氏距離法是一種通過計(jì)算觀測點(diǎn)到組質(zhì)心距離，通過比較距離大小來進(jìn)型分類的方法[11]，觀測點(diǎn)到組質(zhì)心距離最近，則說明觀測點(diǎn)屬于該組。

歐氏距離法分兩步，第一步計(jì)算觀測點(diǎn)坐標(biāo)值，計(jì)算公式如下所示：

(12)

其中，方程的個(gè)數(shù)由典型函數(shù)判別式個(gè)數(shù)來確定，Xi為計(jì)算出的坐標(biāo)值，xi為輸入?yún)?shù)，n為輸入?yún)?shù)的個(gè)數(shù)。

第二步則通過歐氏距離計(jì)算公式得到觀測點(diǎn)坐標(biāo)值到質(zhì)心的距離，公式如下所示：

(13)

其中，X為組質(zhì)心坐標(biāo)值，n為坐標(biāo)的維數(shù)。

3.2 模型檢驗(yàn)

通過SPSS計(jì)算可得源數(shù)據(jù)集的標(biāo)準(zhǔn)化典型函數(shù)判別式和組質(zhì)心處函數(shù)分別如表6和表7所示，由前文所述，由于第四個(gè)方程的置信度未到達(dá)要求，故僅用前三個(gè)方程進(jìn)行計(jì)算。

表6 標(biāo)準(zhǔn)化典型函數(shù)判別式系數(shù)

表7 組質(zhì)心處函數(shù)

由表中系數(shù)可得觀測點(diǎn)的坐標(biāo)公式如下所示：

X1=-0265x1-0830x2+0008x3+0439x4+

1585x5-0495x6-0369

(14)

X2=0479x1+0434x2-0363x3-0333x4-

974x5+0601x6-2354

(15)

X3=0605x1-0072x2+0287x3+0497x4-

1101x5±0003x6-7684

(16)

其中，x1為故障發(fā)生部位，x2為故障件修后時(shí)次，x3為飛機(jī)修后時(shí)間，x4為專業(yè)，x5為故發(fā)動(dòng)機(jī)修后工作時(shí)間，x6為故障件無故障工作時(shí)次。

代入前文所述的參數(shù)，由公式(14)、(15)、(16)通過計(jì)算可得該觀測點(diǎn)的坐標(biāo)如下所示：

再將觀測點(diǎn)的坐標(biāo)代入公式(13)中，使用表7 中的組質(zhì)心函數(shù)得到該觀測點(diǎn)到各質(zhì)心的距離為

可以看出，D5的距離最短，因此認(rèn)為在該情況下發(fā)生的故障是屬于系統(tǒng)5，即發(fā)動(dòng)機(jī)指示及告警系統(tǒng)，這與通過模型判斷所得結(jié)果相一致，說明模型計(jì)算所得結(jié)果是準(zhǔn)確的。

3.3 模型效果評(píng)估

常用的預(yù)測模型有許多種，如趨勢外推模型，線性回歸模型，神經(jīng)網(wǎng)絡(luò)等等。下面使用多元線性回歸預(yù)測模型[12]來對(duì)數(shù)據(jù)進(jìn)行分析預(yù)測。

通過SPSS軟件計(jì)算得到多元回歸預(yù)測模型如式(17)所示，擬合效果如圖2所示：

Y=-0172x1-0064x2+0109x3+0065x4-

0409x5-0161x6+5188

(17)

其中，x1為故障發(fā)生部位，x2為故障件修后時(shí)次，x3為飛機(jī)修后時(shí)間，x4為專業(yè)，x5為故發(fā)動(dòng)機(jī)修后工作時(shí)間，x6為故障件無故障工作時(shí)次。

圖2 多元線性回歸預(yù)測模型擬合效果

通過實(shí)際的數(shù)據(jù)檢驗(yàn)，多元線性回歸模型的綜合預(yù)測正確率為40.9%，而Fisher故障分系統(tǒng)預(yù)測模型的最終預(yù)測正確率為74.4%，可見在預(yù)測正確率上，分系統(tǒng)預(yù)測模型的預(yù)測效果優(yōu)于多元線性回歸模型。

4 結(jié)束語

本文使用Fisher判別法，設(shè)計(jì)了一種系統(tǒng)故障預(yù)測模型，并使用歐氏距離法驗(yàn)證了模型預(yù)測的準(zhǔn)確性。相比于其他常用預(yù)測分析模型，本模型采用Fisher判別分析思想，易于理解和實(shí)際應(yīng)用，且分類效果較為良好。通過大量實(shí)際維修記錄數(shù)據(jù)的檢驗(yàn)，該模型可以對(duì)70%以上的數(shù)據(jù)樣本進(jìn)行正確分類。但是，由于機(jī)務(wù)維修記錄往往存在錯(cuò)漏和不準(zhǔn)確的現(xiàn)象，導(dǎo)致預(yù)測結(jié)果的準(zhǔn)確率會(huì)受到一定的影響。隨著維修記錄的數(shù)據(jù)不斷增加，新的影響指標(biāo)的加入，該模型的預(yù)測準(zhǔn)確性將會(huì)隨之增加，同時(shí)挖掘出數(shù)據(jù)與數(shù)據(jù)之間更有價(jià)值的信息。