羅智勇 劉潔 宋海方 謝永興

摘要：通過維修分類和CBM+的定義說明了CBM+的理念內(nèi)涵，簡(jiǎn)要介紹了CBM+的核心RCM和CBM以及它們之間的關(guān)系，并從CBM+的核心出發(fā)分析了當(dāng)前CBM+的限制，最后結(jié)合美軍人工智能技術(shù)在CBM+中的應(yīng)用討論了幾點(diǎn)啟示。

關(guān)鍵詞：人工智能；CBM+；航空維修

Keywords：artificial intelligence；condition based maintenance plus；MRO

CBM+即Condition Based Maintenance Plus，為增強(qiáng)型視情維修。美國(guó)國(guó)防部（Department of Defense，DOD）自2006年以來一直在使用CBM+流程、技術(shù)和基于知識(shí)的能力作為增加物資戰(zhàn)備和控制生命周期成本的戰(zhàn)略[1]。2007年在國(guó)防部指令4151.22中確立了CBM+策略，并于2008年1月發(fā)布了CBM+指南。2018年，美國(guó)空軍選擇B-1和C-5作為CBM+的試點(diǎn)并取得了理想效果[2]。2019年CBM+開始在美國(guó)空軍中逐步推廣，根據(jù)美軍快速維持辦公室（Rapid Sustainment Office，RSO）2021年度第一季度報(bào)告，在2021年底CBM+將擴(kuò)展到C-5、C-130、C-17、B-52、F-15等16個(gè)空軍飛機(jī)平臺(tái)。

本文基于視情維修理論，梳理了CBM+中的各項(xiàng)關(guān)系，并結(jié)合美軍依靠人工智能技術(shù)發(fā)展應(yīng)用CBM+，提出了幾點(diǎn)啟示。

1 CBM+概述

1.1維修類別

根據(jù)執(zhí)行方法，維修分為三個(gè)類別——事后維修、預(yù)防性維修和預(yù)測(cè)性維修。三類維修的簡(jiǎn)單說明見表1。

根據(jù)設(shè)備的特性和環(huán)境，這些方法中的任何一種都可以使用。但是，實(shí)際中通常會(huì)選擇向更有效、更主動(dòng)的維護(hù)策略。

1.2 CBM+簡(jiǎn)介

美軍國(guó)防部4145.22號(hào)指南[1]中將CBM+定義為一種適當(dāng)?shù)牧鞒?、技術(shù)、應(yīng)用的集成，CBM+是將維護(hù)從故障發(fā)生時(shí)的計(jì)劃外的被動(dòng)方法，轉(zhuǎn)變?yōu)橛蔂顟B(tài)感應(yīng)和基于綜合決策分析驅(qū)動(dòng)的、更主動(dòng)更具預(yù)測(cè)性的方法，如圖1。符號(hào)“+”代表著添加與聯(lián)合，很難將CBM+定義在單個(gè)目標(biāo)上，因?yàn)樗w了廣泛的技術(shù)和實(shí)踐的內(nèi)容，包含了預(yù)測(cè)性維修的技術(shù)、理念、流程和工具。隨著各類新技術(shù)的出現(xiàn)，CBM+的內(nèi)容日益豐富。

2 CBM+的核心和限制

CBM+的核心是可靠性為中心的維修（Reliability-Centered Maintenance，RCM）和視情維修（Condition Based Maintenance，CBM）。RCM是CBM+的第一步，RCM根據(jù)系統(tǒng)可靠性特征和預(yù)期的操作環(huán)境確定裝備或設(shè)備適用維修方式技術(shù)，決策邏輯樹如圖2[3]。

CBM是使用傳感器或便攜式設(shè)備進(jìn)行數(shù)據(jù)測(cè)量，或者進(jìn)行第一手觀察，將觀察的狀態(tài)和測(cè)量數(shù)據(jù)作為有效依據(jù)進(jìn)行維護(hù)。CBM是實(shí)施CBM+的基礎(chǔ)，它通過數(shù)據(jù)確定預(yù)測(cè)性維修中能探測(cè)的潛在故障點(diǎn)，圖3中的P點(diǎn)，以此作為實(shí)施維修的參考點(diǎn)。

CBM+的核心可以理解為采用一定的算法將收集的數(shù)據(jù)處理為有助于裝備維修的有關(guān)信息，然后依據(jù)信息能實(shí)施預(yù)測(cè)性維修，如圖4。

如今，隨著老舊機(jī)型的改裝升級(jí)，飛機(jī)上的傳感器越來越豐富，同時(shí)隨著信息技術(shù)發(fā)展，數(shù)據(jù)的傳輸、轉(zhuǎn)換和存儲(chǔ)問題也逐步解決。數(shù)據(jù)不再是限制CBM+實(shí)施應(yīng)用的主要因素，關(guān)鍵是如何將數(shù)據(jù)轉(zhuǎn)換為信息進(jìn)而形成決策。但是現(xiàn)在的數(shù)據(jù)體量空前巨大，這種大已經(jīng)遠(yuǎn)遠(yuǎn)超出了傳統(tǒng)計(jì)算處理數(shù)據(jù)的能力，導(dǎo)致數(shù)據(jù)專業(yè)人員難以對(duì)其進(jìn)行分析、管理并獲取信息。例如，洛克希德馬丁公司需要多個(gè)工人花費(fèi)數(shù)月的時(shí)間分析C-130J“超級(jí)大力神”飛機(jī)的飛行數(shù)據(jù)，因?yàn)槿虿渴鹆诉M(jìn)行搜救、科研、空中加油等各項(xiàng)工作的大約2500架C-130飛機(jī)，每架飛機(jī)每個(gè)飛行小時(shí)就會(huì)產(chǎn)生72000行的數(shù)據(jù)。

3 人工智能在CBM+中的應(yīng)用

人工智能（Artificial Intelligence，AI）是機(jī)器或計(jì)算機(jī)程序思考和學(xué)習(xí)的能力。它提供了計(jì)算機(jī)執(zhí)行傳統(tǒng)上需要人類智能完成任務(wù)的能力。機(jī)器學(xué)習(xí)（Machine learning，ML）是AI的子集，是指訪問數(shù)據(jù)時(shí)可以自行學(xué)習(xí)的系統(tǒng)。借助AI和ML技術(shù)，能夠幫助處理龐大而復(fù)雜的數(shù)據(jù)。面對(duì)龐雜的飛機(jī)傳感器數(shù)據(jù)和維護(hù)歷史記錄，在CBM+中使用AI既能改善維護(hù)數(shù)據(jù)質(zhì)量又能迅速完成數(shù)據(jù)分析獲得裝備信息。下面以美軍為例介紹人工智能在CBM+中的應(yīng)用。

3.1機(jī)器學(xué)習(xí)提高數(shù)據(jù)質(zhì)量

美國(guó)空軍當(dāng)前采用PANDATATECH公司的數(shù)據(jù)質(zhì)量方法（DQM）。此方法使用動(dòng)態(tài)的機(jī)器學(xué)習(xí)建模能夠幫助操作人員驗(yàn)證來自傳感器的信號(hào)，具體步驟如圖5。經(jīng)過DQM之后能突出關(guān)鍵數(shù)據(jù)，能夠獲得更高質(zhì)量的信息，進(jìn)而能更好地幫助維修工作[4]。相對(duì)于人工數(shù)據(jù)處理，DQM可以節(jié)省超過50%用于清潔、映射和驗(yàn)證傳感器信號(hào)的時(shí)間，并且數(shù)據(jù)量越龐雜時(shí)使用DQM的優(yōu)勢(shì)越明顯。例如，處理450萬個(gè)數(shù)據(jù)節(jié)點(diǎn)人工驗(yàn)證大約需要1天，而DQM只需用6分鐘。該方法雖然不能直接完成決策，但是它能優(yōu)化自動(dòng)化中出現(xiàn)的錯(cuò)報(bào)和誤報(bào)，幫助其他算法做出更好的決策，減少不必要的維護(hù)。DQM極大改善了輸入的數(shù)據(jù)質(zhì)量，使數(shù)據(jù)專業(yè)人員能夠減少重復(fù)性的和時(shí)間密集型的數(shù)據(jù)處理任務(wù)，使其能將時(shí)間和精力集中在數(shù)據(jù)分析上。

3.2人工智能識(shí)別部件風(fēng)險(xiǎn)

C3.AI公司為美國(guó)空軍提供了一套預(yù)測(cè)維修系統(tǒng)，此系統(tǒng)通過人工智能驅(qū)動(dòng)進(jìn)行分析預(yù)測(cè)，從而能夠提高資產(chǎn)可靠性、確定預(yù)防措施的優(yōu)先級(jí)。系統(tǒng)包括全面的有監(jiān)督和無監(jiān)督人工智能算法套件、非結(jié)構(gòu)化文本的自然語言算法，可用于解決多個(gè)部件的故障情況。系統(tǒng)為航空兵部隊(duì)管理人員和維護(hù)人員提供了全部飛機(jī)的風(fēng)險(xiǎn)情況，系統(tǒng)可以查看推進(jìn)、液壓、燃料、電力、飛行儀表、起落架等飛機(jī)中所有受監(jiān)視的子系統(tǒng)。通過簡(jiǎn)單直觀的屏幕，維護(hù)人員可以有效地評(píng)估發(fā)生故障的可能性。如圖6，0.64分表明X13飛機(jī)的引擎系統(tǒng)在接下來的30個(gè)飛行小時(shí)內(nèi)發(fā)生故障的可能性較高，通過人工智能驅(qū)動(dòng)的預(yù)測(cè)性分析你可以看見AAE80部件是最可能壞的部件。美軍已部署在C-5、B-2兩個(gè)機(jī)型上并證明該系統(tǒng)具備提前10～50飛行小時(shí)預(yù)測(cè)故障的能力，使用該系統(tǒng)能使飛機(jī)可用性增加40%，受監(jiān)控系統(tǒng)的計(jì)劃外維護(hù)減少20%～40%。

4 啟示

如上分析美軍人工智能技術(shù)在CBM+中的應(yīng)用，可以得出以下三點(diǎn)啟示。

1）轉(zhuǎn)變維修思維，以數(shù)據(jù)驅(qū)動(dòng)維修。CBM+之所以能夠提高效能，縮短維護(hù)周期，降低成本，提高裝備可用性和可靠性，是因?yàn)镃BM+能夠利用數(shù)據(jù)準(zhǔn)確評(píng)估航空裝備的狀態(tài)并預(yù)測(cè)故障，讓維修更具針對(duì)性、更加可控。從預(yù)防維修和事后維修的勞動(dòng)密集性經(jīng)驗(yàn)為主的方式，變?yōu)榫珳?zhǔn)計(jì)劃預(yù)測(cè)為主。這樣的轉(zhuǎn)變需要維修人員充分依靠數(shù)據(jù)相信CBM+精準(zhǔn)的決策信息，航空裝備維修不再是依靠經(jīng)驗(yàn)和工作量來確保維修質(zhì)量。

2）合理利用人工智技術(shù)實(shí)施維修。數(shù)據(jù)改變了現(xiàn)有的維修方式，但是龐大的數(shù)據(jù)體量和雜亂的數(shù)據(jù)格式空前增加了處理分析的難度，如果僅僅依靠專業(yè)人員進(jìn)行數(shù)據(jù)分析處理會(huì)花費(fèi)大量的時(shí)間，所以需要引入人工智能技術(shù)幫助人員處理。但是使用人工智能技術(shù)并不是意味著所有維修決策完全不用人參與、全憑算法分析，或者說現(xiàn)在的技術(shù)還無法實(shí)現(xiàn)無人化。在數(shù)據(jù)處理的哪一個(gè)環(huán)節(jié)加入人工智能能夠最大程度地實(shí)現(xiàn)可靠性和效能的最大化，是我們需要研究探索的。目前美軍將人工智能技術(shù)應(yīng)用在了數(shù)據(jù)整理和風(fēng)險(xiǎn)評(píng)估兩個(gè)環(huán)節(jié)，我們可以以此為鑒在航空裝備維修中合理應(yīng)用人工智能技術(shù)。

3）使用新技術(shù)挖掘歷史數(shù)據(jù)的價(jià)值。美軍目前實(shí)施CBM+計(jì)劃的B-1和C-5飛機(jī)都是服役幾十年時(shí)間的老機(jī)型，對(duì)我軍實(shí)施CBM+有非常重要的參考價(jià)值。有很多服役時(shí)間較長(zhǎng)的飛機(jī)在維護(hù)過程中采集并存儲(chǔ)了各種來源的數(shù)據(jù)，如歷史維護(hù)記錄、機(jī)器中的傳感器數(shù)據(jù)和天氣數(shù)據(jù)等。但是過去由于技術(shù)限制，沒有辦法分析各類數(shù)據(jù)與故障的相關(guān)性。如今，我們可以使用新技術(shù)應(yīng)用新開發(fā)的算法對(duì)歷史數(shù)據(jù)實(shí)施分析，嘗試將歷史數(shù)據(jù)轉(zhuǎn)變?yōu)橛幸饬x的裝備故障趨勢(shì)，以確保維修人員更正確更全面的認(rèn)識(shí)數(shù)據(jù)和知識(shí)，進(jìn)一步幫助航空裝備提高維修可用性和可靠性，降低平均停場(chǎng)時(shí)間和維護(hù)成本。

參考文獻(xiàn)

[1] Rapid Sustainment Office Quarterly Report January[EB/OL]，2020，[2020-05].https：//assets.ctfassets.net/elw46xkgivuo/1q0MuaIkYkkq8INwSgpLTl/546c3e8e9beace55f7369dced7777205/ RSO-Quarterly-Report-Q12020.pdf

[2] US Air Force turns to data ana- lytics to solve B-1， C-5 maintenance challenges[EB/OL]，[2018-09-25]. https：// www.defensenews.com/digital-show-dailies/air-force-association/

[3] Reliability-Centered Maintenance（RCM） Handbook[EB/OL]，2017，[2017-04-18]. http：//mscn7training.com/ TrainingDocs

[4]Gustavo Sanchez. Machine Learning Validation of Time Series Signals to Reduce Mistakes in Digital Algorithms for Maintenance， Optimization， and Automation[J]. the Offshore Technology Conference， Houston， Texas.2019