熊毅234房紅征234

(1.上海飛機客戶服務有限公司，上海 200241; 2.北京航天測控技術有限公司，北京 100041;3.北京市高速交通工具智能診斷與健康管理重點實驗室，北京 100041;4.裝備全壽命周期狀態(tài)監(jiān)測與健康管理技術與應用國家地方聯(lián)合工程研究中心，北京 100041)

0 引言

飛機飛行過程中產(chǎn)生成百上千種飛行參數(shù)和數(shù)量龐大的飛行數(shù)據(jù)，但是目前這些數(shù)據(jù)并沒有得到充分有效的利用，飛機的維修還處在以定期維修和事后維修為主的階段。隨著航空技術的不斷發(fā)展，利用飛行數(shù)據(jù)進行故障預測，轉(zhuǎn)變民機維修模式向視情維修發(fā)展變得越來越有必要。

目前，國內(nèi)外各大航空公司正在使用的民機故障預測方法主要有以下3種：傳統(tǒng)模式，飛機通信尋址報告系統(tǒng)(aircraft communication addressing and reporting system，ACARS)報文模式以及快速存取記錄器(quick access recorder，QAR)數(shù)據(jù)模式[1-3]。傳統(tǒng)的民機故障預測技術主要根據(jù)飛機維修日志和記錄數(shù)據(jù)進行整理和分析，結合工程師經(jīng)驗和飛機故障原理和特點，預測系統(tǒng)故障的發(fā)生[4]。這種傳統(tǒng)的故障預測技術掌握的信息有限，且主要依據(jù)經(jīng)驗，因此預測準確性有限，并沒有得到大面積推廣使用。ACARS報文種類很多，對故障預測有用的主要是飛機運行控制(Airplane Operational Control，AOC)報文，已有成熟的開發(fā)軟件用于記錄和分析ACARS數(shù)據(jù)鏈信息，既可以實時監(jiān)控飛機，也可以預測部分飛機故障的發(fā)生[5-6]。然而，ACARS模式具有數(shù)據(jù)不連續(xù)(間隔下傳)和記錄參數(shù)少等缺點，在一定程度上限制了ACARS報文數(shù)據(jù)在故障預測技術上的應用。

基于QAR飛行數(shù)據(jù)的飛機故障預測系統(tǒng)通過飛行數(shù)據(jù)譯碼獲得豐富的飛行數(shù)據(jù)，運用飛行數(shù)據(jù)查詢、飛行參數(shù)變化曲線圖和超限報告等支持手段，對飛機各系統(tǒng)及部件運行狀態(tài)進行監(jiān)控，以便及時發(fā)現(xiàn)故障征兆信息。然后根據(jù)獲得的故障征兆對飛機故障進行預測[7-9]。其目的是通過預測輔助機務維修工程師提前發(fā)現(xiàn)飛機系統(tǒng)故障，減少意外故障帶來的航班延誤影響，提高運行效率。

本文首先對基于QAR數(shù)據(jù)的民用飛機故障預測技術路線進行了說明，并介紹了曲線擬合和時間序列兩種適用于民機飛行數(shù)據(jù)故障預測方法，并對基于飛行數(shù)據(jù)的民機故障預測系統(tǒng)的實現(xiàn)進行了詳細描述，最后利用航空公司實際的波音飛機飛行數(shù)據(jù)和故障案例對本文提出的方法進行了驗證。

1 技術路線

作為飛機上裝載的快速存取記錄器，QAR記錄著飛行過程中產(chǎn)生的成百上千種飛行參數(shù)數(shù)據(jù)。鑒于此，本文采用QAR數(shù)據(jù)，結合民機關鍵系統(tǒng)常見故障模式，分析QAR數(shù)據(jù)中系統(tǒng)傳感器采集參數(shù)的變化情況，預測系統(tǒng)關鍵部件故障發(fā)生的時間，從而合理制定維修計劃，保障飛行安全。

采用QAR數(shù)據(jù)對民用飛機進行故障預測的技術路線如下所示：

1)采集飛機QAR數(shù)據(jù)并對數(shù)據(jù)進行解析。QAR原始數(shù)據(jù)為二進制結構，無法直接用于工程分析。因此，需要通過譯碼軟件將采集參數(shù)轉(zhuǎn)化為工程數(shù)據(jù)。目前，QAR數(shù)據(jù)的譯碼軟件主要包括AIRFASE、AGS兩種；

2)將解析后的數(shù)據(jù)存儲至數(shù)據(jù)庫中。由于對民機進行故障預測需要積累大量的數(shù)據(jù)樣本且QAR數(shù)據(jù)包含的參數(shù)類型眾多，因此需要建立專有數(shù)據(jù)庫對數(shù)據(jù)進行管理；

3)明確影響飛機關鍵系統(tǒng)故障的所有QAR參數(shù)，建立關鍵系統(tǒng)參數(shù)模板；

4)數(shù)據(jù)預處理。實際中，由于受到工作環(huán)境的影響，QAR數(shù)據(jù)往往會產(chǎn)生波動且存在缺失值。為了保證故障預測結果的精度，因此，對數(shù)據(jù)進行分析之前需要對數(shù)據(jù)進行預處理，提高數(shù)據(jù)分析的精度。

5)建立故障預測模型，預測滑油系統(tǒng)參數(shù)未來某一段時間內(nèi)的變化趨勢，判斷飛機相應部件的故障發(fā)生時間，合理制定維修計劃，實現(xiàn)飛機的視情維修。

2 基于QAR數(shù)據(jù)的民機故障預測方法

基于飛行數(shù)據(jù)的故障預測方法，一般先根據(jù)所觀測的歷史數(shù)據(jù)來假設某個模型，然后經(jīng)過模型參數(shù)的估計，得到相應的預測值，為了提高預測精度，必須建立比較合理的模型。

不同的預測方法有各自的優(yōu)缺點，對于不同類型的數(shù)據(jù)、性能參數(shù)可以采用不同的方法進行預測。針對民機QAR數(shù)據(jù)特點，本文選取曲線擬合和時間序列兩種預測方法進行預測。

表1 兩種預測方法比較

2.1 基于曲線擬合的性能預測方法

基于曲線擬合的性能預測方法通過對參數(shù)的歷史數(shù)據(jù)進行擬合，分析歷史數(shù)據(jù)之間的依賴關系，用一個近似的曲線方程表示參數(shù)歷史數(shù)據(jù)，并利用得到的解析方程對參數(shù)未來變化趨勢進行預測。具體包括全局多項式擬合和分段多項式擬合兩種處理方法[10]。

全局多項式擬合預測法：首先設置擬合多項式的最高階次，利用最小二乘法選擇擬合誤差最小的階數(shù)來計算擬合多項式的系數(shù)。得到擬合多項式之后將待預測數(shù)據(jù)代入擬合公式，便可以獲得參數(shù)的預測值。但是當數(shù)據(jù)劇烈變化時，數(shù)據(jù)趨勢不能準確擬合，無法準確進行參數(shù)預測。

分段多項式擬合預測法：依據(jù)參數(shù)的變化特點，把參數(shù)歷史數(shù)據(jù)分成兩段，以第一段為輸入，第二段為輸出，通過計算得到兩段數(shù)據(jù)之間的函數(shù)關系式，然后將第二段數(shù)據(jù)為輸入，代入得到的函數(shù)關系式，即可得到第三段數(shù)據(jù)的預測結果。

采用如下k階多項式公式擬合，

(1)

計算k階多項式擬合結果與真實數(shù)據(jù)的誤差值，以擬合誤差最小的k值作為多項式的階數(shù)。即使輸入?yún)?shù)數(shù)據(jù)(xi，yi)，i=1，2，...，m，的擬合誤差ri=p(xi)-yi，(i=1，…，m)的平方和最小，

(2)

利用曲線擬合進行參數(shù)預測的流程如圖1所示。

圖1 曲線擬合法預測流程圖

曲線擬合法預測的假設條件是：

1)假設待預測的參數(shù)數(shù)據(jù)沒有跳躍式的變化，即數(shù)據(jù)的變化過程是漸進的。

2)假設所研究的民航客機各子系統(tǒng)的功能、結構等基本保持不變，即假定根據(jù)歷史數(shù)據(jù)建立的擬合公式能適用于未來，能代表參數(shù)未來的變化趨勢。

由以上兩個假設條件可知，該方法是數(shù)據(jù)漸進變化過程的一種統(tǒng)計預測方法，適用于參數(shù)變化緩慢的情況。即先利用數(shù)學模型擬合參數(shù)變化趨勢曲線，再運用該模型外推預測參數(shù)未來的變化情況。

基于曲線擬合外推的性能預測方法的主要步驟為：

1)依據(jù)參數(shù)變化特點選擇擬合方法模型，設定最高擬合階次。

2)進行多項式擬合訓練，計算擬合公式。

3)依據(jù)訓練結果優(yōu)化擬合過程。

4)利用擬合公式進行外推預測。

對于參數(shù)隨時間緩慢周期變化的數(shù)據(jù)，該方法的預測效果比較好，對周期變化參數(shù)的預測比較適用。

2.2 基于時間序列的趨勢預測方法

時間序列預測法是以參數(shù)時間序列能反映出的故障現(xiàn)象的發(fā)展過程和規(guī)律性，進行引申外推，預測其發(fā)展趨勢的方法。它是通過編制和分析時間序列，根據(jù)時間序列所反映出來的發(fā)展過程、方向和趨勢，進行類推或延伸，借以預測設備工作狀態(tài)在下一段時間可能達到的水平[11-12]。

所謂時間序列分析法，就是把預測對象的歷史數(shù)據(jù)按照一定的時間間隔進行排列，形成一個隨時間變化的參數(shù)序列，建立相應的數(shù)據(jù)隨時間變化的模型，并將該模型外推到未來進行預測[13-14]。常用方法有回歸分析法、移動平均法、指數(shù)平滑法、自回歸滑動平均(autoregressive moving average，ARMA)模型等。該方法有效的前提是參數(shù)過去的變化規(guī)律會延續(xù)到未來。

本文主要對ARMA模型在這方面的應用進行了研究。ARMA模型不但可以揭示動態(tài)數(shù)據(jù)的變化規(guī)律，預測其未來值，并且能從多方面輔助研究系統(tǒng)特性。對于滿足正態(tài)、平穩(wěn)、零均值條件的時間序列{xt}，若xt的取值不但與前p步的各個取值有關，并且還與其前q步的激勵有關，則ARMA模型可以用下式表示，該模型由自回歸過程(Auto-Regressive Model，AR)和移動平均過程(Moving Average Model，MA)兩部分組成，記為ARMA(p，q)，其中，p代表自回歸的最大階數(shù)，q代表移動平均部分的最大階數(shù)。

(1-φ1L-φ2L2-…-φpLp)xt=

(1+θ1L-θ2L2+…+θqLq)at

(3)

Φ(L)xt=Θ(L)ut

(4)

式中，Φ(L)和Θ(L)分別表示L的p、q階特征多項式。

基于時間序列法的故障預測具體步驟如圖2所示。

圖2 時間序列預測方法流程圖

ARMA模型預測的過程可描述如下：

1)獲取觀察值序列；

2)平穩(wěn)性檢驗、差分運算；

3)白噪聲檢驗；

4)擬合ARMA模型；

5)調(diào)用模型對遙測數(shù)據(jù)進行預測。

時間序列分析法的優(yōu)點是所需歷史數(shù)據(jù)少、工作量少，前提條件是影響預測對象的各因素不發(fā)生突變，適合序列變化比較均勻的短期預測，不適用于中長期預測。此種方法主要用于實現(xiàn)在沒有其他狀態(tài)、事件發(fā)生時的趨勢預測。

3 基于QAR數(shù)據(jù)的故障預測系統(tǒng)實現(xiàn)

飛機飛行過程中產(chǎn)生大量的飛行參數(shù)數(shù)據(jù)，本文采用航后飛行數(shù)據(jù)，結合民機關鍵系統(tǒng)常見故障模式，分析飛行數(shù)據(jù)中系統(tǒng)傳感器采集參數(shù)的變化情況，預測系統(tǒng)關鍵部件故障發(fā)生的時間，從而合理制定維修計劃，保障飛行安全。

3.1 建立系統(tǒng)數(shù)據(jù)庫

由于對民機進行故障預測需要積累大量的數(shù)據(jù)樣本且飛行數(shù)據(jù)包含的參數(shù)類型眾多，因此需要建立專有數(shù)據(jù)庫對數(shù)據(jù)進行管理，準確可靠的數(shù)據(jù)源是實現(xiàn)民機故障預測數(shù)學模型的重要輸入。實施故障預測系統(tǒng)的第一步就是建立系統(tǒng)數(shù)據(jù)庫。

系統(tǒng)數(shù)據(jù)庫主要存儲系統(tǒng)管理、飛行數(shù)據(jù)譯碼及其應用、故障預測系統(tǒng)需用的重要數(shù)據(jù)，包括用戶管理庫、飛行參數(shù)庫、故障預測算法庫3個主要部分。

3.2 采集數(shù)據(jù)并進行解析

明確影響飛機關鍵系統(tǒng)故障的所有QAR參數(shù)，建立關鍵系統(tǒng)參數(shù)模板。

采集飛機QAR數(shù)據(jù)并對數(shù)據(jù)進行解析。QAR原始數(shù)據(jù)為二進制結構，無法直接用于工程分析。因此，需要通過譯碼軟件將采集參數(shù)轉(zhuǎn)化為工程數(shù)據(jù)。將解析后的數(shù)據(jù)存儲至數(shù)據(jù)庫中。

3.3 性能參數(shù)選擇及閾值確認

參數(shù)可以反映飛機系統(tǒng)、子系統(tǒng)、部附件性能的變化，部分參數(shù)可由機載設備直接采集。在飛行各階段分別記錄參數(shù)的變化情況，必要時將這些參數(shù)轉(zhuǎn)換成標準狀態(tài)下的數(shù)值，并與缺省設置或客戶化的性能參數(shù)進行比較，可以得到偏差的變化情況。通過對偏差及偏差的變化趨勢進行分析，可以判斷部附件的健康狀態(tài)，實現(xiàn)對部附件的性能監(jiān)控；通過及時發(fā)現(xiàn)參數(shù)與標準值之間的偏差異?；騾?shù)的變化趨勢異常，分析產(chǎn)生異常的原因，可以為預防和排除故障提供依據(jù)。

對于確定的特征參數(shù)數(shù)據(jù)，可以實時與閾值進行比較。閾值應反映出特征參數(shù)的正常工作范圍，當參數(shù)超限時進行報警處理。

圖3 超限報警

系統(tǒng)接受經(jīng)過解析的QAR數(shù)據(jù)，若某些數(shù)據(jù)出現(xiàn)幅值變化很大，而與之有關聯(lián)動作的參數(shù)在同時刻或按要求時序并沒有發(fā)生相應的變化時，則確定該時刻的數(shù)據(jù)為野點，對其進行剔除。對剔除野點之后的數(shù)據(jù)還要進行平滑處理，并選擇特征參數(shù)。這里的特征參數(shù)可能是參數(shù)數(shù)據(jù)的原始形式，也可能是性能參數(shù)的各種統(tǒng)計參數(shù)，例如均值、極值、均方根值等，根據(jù)不同系統(tǒng)的不同工作狀態(tài)，可以作出相應的判斷。

3.4 預測模型選擇及預警

本文選取基于時間序列和曲線擬合的數(shù)學模型用于飛機關鍵部件和參數(shù)的趨勢預測，適用于實現(xiàn)與待分析參數(shù)當變化率突然發(fā)生變化時，在沒有其他狀態(tài)、事件發(fā)生時的趨勢預測。實現(xiàn)功能主要包括參數(shù)時間序列建模、實時預測模型建模、參數(shù)預測、故障預警等。在實際應用中的具體步驟包括：

1)獲取與狀態(tài)和飛行事件無關的參數(shù)設置信息，包括飛機編號、分系統(tǒng)、部件、參數(shù)、參數(shù)閾值、實時預測模型采樣點數(shù)等相關的信息設置。

2)預測算法加載。根據(jù)不同參數(shù)建立參數(shù)變化的自回歸滑動平均模型(ARMA)或擬合曲線。

3)參數(shù)值預測。采用前述的ARMA模型或多項式擬合外推預測法進行預測，給出一定時間后的參數(shù)預測值。

4)故障預警。將參數(shù)預測值與門限值比較，判斷是否發(fā)生故障并預測故障發(fā)生時間。

4 基于QAR數(shù)據(jù)的故障預測驗證

4.1 預測準確率計算方法

本文預測通過選取航空公司歷史實際數(shù)據(jù)，推測后續(xù)的數(shù)據(jù)變化趨勢，并與后續(xù)實際數(shù)據(jù)進行比較，以計算預測的準確率指標。利用相對平均誤差，用以評定本項目所采用的預測方法在典型數(shù)據(jù)和案例中的準確性。預測結果的相對平均誤差avg_dy和預測準確率pre_Acc的計算方法如下：

(5)

其中：di為第i個預測值，yi為第i個實際值，n為預測結果的數(shù)據(jù)長度。

4.2 故障案例驗證

利用航空公司波音飛機實際飛行數(shù)據(jù)對本文提出的故障預測方法進行了有效性驗證。通過對空調(diào)、滑油系統(tǒng)關鍵參數(shù)變化趨勢進行預測并與參數(shù)閾值進行比較，可以提前預知故障并進行報警。

選取某航空公司QAR數(shù)據(jù)空調(diào)組件流量參數(shù)ADEPPT AC PACK FLOW 2建立故障預測模型。以2015年1月24日-2015年1月26日該飛機兩個航班的飛行巡航階段空調(diào)組件流量參數(shù)QAR數(shù)據(jù)作為輸入，采用ARMA模型預測未來航段的空調(diào)組件流量數(shù)據(jù)變化趨勢，并與該參數(shù)正常范圍閾值(240,400)進行比較，得到在27日航段出現(xiàn)空調(diào)組件流量過低的故障預測結果，經(jīng)比較與實際案例情況一致。

圖4 空調(diào)組件流量預測測試結果

利用27日飛行數(shù)據(jù)，對該預測的結果進行準確性計算與評估。將預測數(shù)據(jù)與該飛機1月27日實際飛行數(shù)據(jù)進行比對，其結果如圖5所示。

圖5 預測結果比對計算

通過計算，在該組典型測試數(shù)據(jù)條件下，本課題所研究的故障模型預測準確率為95.83%。

本文從波音空調(diào)和滑油系統(tǒng)案例庫中隨機選擇了的10組故障案例飛行數(shù)據(jù)樣本進行測試，本文所研究預測方法準確率均在90%以上。

將預測準確度按照從大到小的順序排列，計算不同置信度下的預測準確度，如圖6所示。

圖6 不同置信度下的預測準確度

當預測準確率在95%時，其置信度落在[70%,75%]區(qū)間；當置信度為95%時，其預測準確度能夠高于93.5%。

5 結束語

本文介紹了基于飛行數(shù)據(jù)的民用飛機故障預測及驗證。首先對基于QAR數(shù)據(jù)的民用飛機故障預測技術路線進行了說明。其次介紹了本文所采用的基于QAR數(shù)據(jù)的兩種故障預測方法。再次，介紹了基于飛行數(shù)據(jù)的故障預測系統(tǒng)實現(xiàn)。最后利用波音飛機空調(diào)滑油系統(tǒng)關鍵參數(shù)飛行數(shù)據(jù)對本文提出的故障預測技術進行了有效性驗證。