摘"要：針對(duì)飛機(jī)故障檢修維修過程中面臨的新挑戰(zhàn)，本文通過對(duì)國內(nèi)外應(yīng)用研究現(xiàn)狀進(jìn)行分析，以飛參數(shù)據(jù)深度挖掘應(yīng)用為切入點(diǎn)，并與飛機(jī)故障檢修實(shí)際業(yè)務(wù)工作相結(jié)合，采用專家知識(shí)推理機(jī)，運(yùn)用專家知識(shí)和經(jīng)驗(yàn)，對(duì)飛機(jī)系統(tǒng)出現(xiàn)的故障進(jìn)行推理和判讀，構(gòu)建系統(tǒng)模型，采用自編碼器結(jié)構(gòu)進(jìn)行異常診斷，突破關(guān)鍵算法研究，設(shè)計(jì)研發(fā)了飛參數(shù)據(jù)治理和診斷模型系統(tǒng)，包含故障診斷、快速判讀、模型診斷、故障統(tǒng)計(jì)、故障檢修優(yōu)化等多個(gè)業(yè)務(wù)模塊，實(shí)現(xiàn)了基于數(shù)據(jù)分析的飛機(jī)故障檢修模式優(yōu)化應(yīng)用。

關(guān)鍵詞：故障檢修；飛參數(shù)據(jù)治理；模型構(gòu)建；自編碼器；異常檢測(cè)

隨著航空裝備使用頻率越來越多，飛機(jī)大修任務(wù)時(shí)間緊、任務(wù)重、要求高，航空維修企業(yè)不得不在保證質(zhì)量的前提下，盡量縮短大修周期，力爭(zhēng)做到快速大修、快速服務(wù)保障，使部隊(duì)快速形成戰(zhàn)斗力。同時(shí)，航空裝備轉(zhuǎn)型升級(jí)進(jìn)度加快，但延壽或超期服役的老舊裝備仍然承擔(dān)作戰(zhàn)作訓(xùn)任務(wù)，故障率居高不下，是質(zhì)量問題的高發(fā)期，航空維修工作面臨巨大挑戰(zhàn)。

飛機(jī)大修是對(duì)出現(xiàn)損傷的飛機(jī)按照技術(shù)標(biāo)準(zhǔn)對(duì)其進(jìn)行全面恢復(fù)技術(shù)狀態(tài)的修理，屬于基地級(jí)維修級(jí)別。目前，在飛機(jī)進(jìn)場(chǎng)后會(huì)針對(duì)飛參數(shù)據(jù)進(jìn)行初步判讀和特征提取，并整機(jī)接收故障檢修；飛機(jī)拆解完成后，機(jī)載相關(guān)設(shè)備送至修理工序車間并基于設(shè)計(jì)要求和工藝要求進(jìn)行檢修。當(dāng)前流程存在兩大痛點(diǎn)：一是在飛機(jī)進(jìn)場(chǎng)后開展的初步飛參判讀無法指導(dǎo)后期單個(gè)部附件的故障檢修工作，迫切需要結(jié)合歷史數(shù)據(jù)，針對(duì)所有系統(tǒng)開展前置數(shù)據(jù)分析并診斷故障狀態(tài)，以提升故障檢修效率。二是當(dāng)前各飛參數(shù)據(jù)與各部附件的關(guān)聯(lián)關(guān)系不明晰，故障數(shù)據(jù)與飛參數(shù)據(jù)無法有效銜接，存在數(shù)據(jù)資源未充分挖掘利用的情況。因此，針對(duì)飛機(jī)故障檢修工作中存在的問題，亟須充分利用歷史飛參數(shù)據(jù)進(jìn)行異常檢測(cè)，挖掘故障的規(guī)律和模式，構(gòu)建基于運(yùn)行機(jī)理和數(shù)據(jù)驅(qū)動(dòng)的故障檢修分析應(yīng)用流程，故障診斷結(jié)果識(shí)別飛機(jī)故障，并進(jìn)行故障檢修流程優(yōu)化，實(shí)現(xiàn)基于數(shù)據(jù)分析的飛機(jī)故障檢修模式優(yōu)化應(yīng)用。

1"研究現(xiàn)狀

在國內(nèi)外飛參數(shù)據(jù)異常檢測(cè)和故障診斷方面，大多數(shù)是通過超限檢測(cè)、聚類、支持向量機(jī)等方法實(shí)現(xiàn)。由于飛參數(shù)據(jù)的異常檢測(cè)具有標(biāo)簽分布不均的性質(zhì)，參考文獻(xiàn)［1］中的學(xué)者提出了DAGMM模型，使用高斯混合模型擬合大量正常數(shù)據(jù)的模型。飛參數(shù)據(jù)本身具有一定的特征且在任何時(shí)候都應(yīng)當(dāng)滿足一定的分布規(guī)律，異常數(shù)據(jù)將違背其分布，或者位于分布中的小概率區(qū)域，而根據(jù)中心極限定理，飛參數(shù)據(jù)應(yīng)當(dāng)滿足高斯分布。近年來，神經(jīng)網(wǎng)絡(luò)越來越多地被用于飛參數(shù)據(jù)異常檢測(cè)和故障診斷，自編碼器和自回歸模型作為無監(jiān)督算法成為異常檢測(cè)的常用算法［23］，并且在大量實(shí)驗(yàn)中都取得了SOTA（stateoftheart）的效果。自編碼器常用于數(shù)據(jù)壓縮和特征提取。參考文獻(xiàn)［2］中的學(xué)者提出了利用自編碼器學(xué)習(xí)參數(shù)間的正常規(guī)律進(jìn)行輸入數(shù)據(jù)的重建，并且通過設(shè)置不同的窗口大小來判斷異常嚴(yán)重程度。不同于自編碼器重構(gòu)當(dāng)前時(shí)刻的結(jié)果，自回歸模型的基本思想是利用時(shí)間序列數(shù)據(jù)中的歷史觀測(cè)值來預(yù)測(cè)未來時(shí)刻的觀測(cè)結(jié)果。它假設(shè)當(dāng)前值是過去值的線性組合，其中每個(gè)過去值都與一個(gè)權(quán)重相關(guān)聯(lián)，這些權(quán)重可以通過最小化預(yù)測(cè)誤差來進(jìn)行估計(jì)。

綜上所述，相關(guān)專家學(xué)者已經(jīng)開始利用飛參數(shù)據(jù)進(jìn)行異常檢測(cè)，利用神經(jīng)網(wǎng)絡(luò)方法建立參數(shù)與異常事件的相關(guān)性模型開展異常檢測(cè)和故障診斷，但是所做的工作比較零散，未形成可以指導(dǎo)實(shí)際工作產(chǎn)品的應(yīng)用。因此，亟須開展基于飛參數(shù)據(jù)的數(shù)據(jù)治理和模型診斷，進(jìn)行飛機(jī)故障檢修模式優(yōu)化；充分利用歷史海量飛參數(shù)據(jù)，從歷史飛參數(shù)據(jù)中挖掘典型系統(tǒng)的故障規(guī)律；同時(shí)結(jié)合專家知識(shí)，采用數(shù)據(jù)驅(qū)動(dòng)和專家判據(jù)相結(jié)合的方式，識(shí)別飛機(jī)故障，輔助開展飛機(jī)故障檢修工作。

2"飛機(jī)故檢模式優(yōu)化技術(shù)應(yīng)用

2.1"系統(tǒng)架構(gòu)設(shè)計(jì)

為解決上述問題和充分發(fā)揮飛參數(shù)據(jù)在故障檢修工作中的作用，設(shè)計(jì)研發(fā)了飛參數(shù)據(jù)治理和診斷模型系統(tǒng)。系統(tǒng)平臺(tái)采用B/S架構(gòu)，包含數(shù)據(jù)采集層、數(shù)據(jù)資源層、服務(wù)資源層和信息應(yīng)用層四個(gè)層級(jí)（見圖1）。數(shù)據(jù)采集層用于獲取飛參數(shù)據(jù)、參數(shù)信息、任務(wù)數(shù)據(jù)等系統(tǒng)基礎(chǔ)數(shù)據(jù)。數(shù)據(jù)資源層包括數(shù)據(jù)庫、ETL工具等組件共同組成基礎(chǔ)的數(shù)據(jù)服務(wù)中心，為上層應(yīng)用提供統(tǒng)一的數(shù)據(jù)檢索、查詢、調(diào)用和提取接口。服務(wù)資源層包括前端服務(wù)、后臺(tái)服務(wù)等網(wǎng)站服務(wù)和模型診斷、快速判讀等數(shù)據(jù)分析服務(wù)。信息應(yīng)用層包含故障診斷、快速判讀、模型診斷、故障統(tǒng)計(jì)、故障檢修優(yōu)化等多個(gè)業(yè)務(wù)模塊，展示數(shù)據(jù)分析挖掘的結(jié)果，直觀地呈現(xiàn)出飛機(jī)的診斷分析結(jié)果和關(guān)聯(lián)任務(wù)。

2.2"系統(tǒng)基本原理

飛參數(shù)據(jù)治理和診斷模型系統(tǒng)對(duì)上傳的飛參數(shù)據(jù)進(jìn)行數(shù)據(jù)抽取和數(shù)據(jù)治理，并將其存儲(chǔ)至服務(wù)器后臺(tái)和數(shù)據(jù)中心進(jìn)行數(shù)據(jù)共享?；陲w機(jī)各系統(tǒng)運(yùn)行機(jī)理和專家知識(shí)構(gòu)建機(jī)理分析判據(jù)，通過專家知識(shí)推理機(jī)模塊進(jìn)行故障診斷?；跉v史海量飛參數(shù)據(jù)，構(gòu)建不同專業(yè)系統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)異常檢測(cè)模型，識(shí)別不屬于正常數(shù)據(jù)的異常規(guī)律。通過將異?，F(xiàn)象定位到具體時(shí)間段和具體參數(shù)，關(guān)聯(lián)到具體的故障檢修任務(wù)，對(duì)異常部件進(jìn)行重點(diǎn)排查。

在積累的飛參歷史數(shù)據(jù)的基礎(chǔ)上，開展快速判讀、模型診斷，對(duì)所有飛機(jī)的狀態(tài)進(jìn)行監(jiān)控，實(shí)現(xiàn)故障檢修工作優(yōu)化。利用構(gòu)建的故障診斷模型對(duì)相關(guān)系統(tǒng)進(jìn)行健康診斷，顯示診斷結(jié)果，同時(shí)將飛參數(shù)據(jù)診斷結(jié)果與對(duì)應(yīng)的故障信息、故障檢修工藝知識(shí)、處置建議等進(jìn)行關(guān)聯(lián)。

2.3"診斷概覽模塊

展示所有飛機(jī)的歷史飛行履歷和各架次數(shù)據(jù)分析診斷結(jié)果。通過數(shù)據(jù)分析的手段，能夠從飛參數(shù)據(jù)中發(fā)現(xiàn)隱蔽性故障，定位故障源，使得維修人員能夠快速準(zhǔn)確地找到故障位置，避免了不必要的等待和檢測(cè)，提高維修的精度，縮短維修時(shí)間。

2.4"模型診斷模塊

展示通過神經(jīng)網(wǎng)絡(luò)算法模型得到的不同飛機(jī)系統(tǒng)的診斷概覽，給出各系統(tǒng)模型的診斷結(jié)果和該架次不同時(shí)間異常參數(shù)的總數(shù)。針對(duì)特定的飛機(jī)部件，基于歷史飛參正常數(shù)據(jù)構(gòu)建數(shù)據(jù)分析模型，學(xué)習(xí)各系統(tǒng)正常的運(yùn)行規(guī)律，能夠迅速識(shí)別異常模式和潛在故障，從而提高故障診斷的效率和準(zhǔn)確性。通過模型預(yù)測(cè)結(jié)果和實(shí)際結(jié)果的誤差對(duì)比，定位到異常發(fā)生時(shí)刻和具體參數(shù)，指導(dǎo)維修人員精確定位故障源，從而避免不必要的檢查和更換，降低維修成本。

2.5"快速判讀模塊

展示快速判讀的診斷結(jié)果，包括飛行履歷、事件名稱、事件類型、開始時(shí)間、結(jié)束時(shí)間、持續(xù)時(shí)間。顯示某一具體分析結(jié)果的詳細(xì)信息，包括判據(jù)信息、相關(guān)參數(shù)及對(duì)應(yīng)的故障檢修任務(wù)。快速判讀模塊通過讀取專家知識(shí)庫，對(duì)飛參數(shù)據(jù)中的關(guān)鍵性能參數(shù)進(jìn)行分析判讀，便于機(jī)務(wù)人員快速了解飛機(jī)的健康狀態(tài)及各項(xiàng)性能指標(biāo)。通過運(yùn)用專家知識(shí)和經(jīng)驗(yàn)，對(duì)飛機(jī)系統(tǒng)出現(xiàn)的故障進(jìn)行推理和判讀，能夠更加準(zhǔn)確地識(shí)別故障的類型和原因，快速輸出診斷結(jié)果和維修建議，以減少維修人員的工作量和診斷時(shí)間，提高維修效率。

3"關(guān)鍵算法

由于飛參數(shù)據(jù)具有標(biāo)簽分布不均勻的特點(diǎn)，即具有無異常數(shù)據(jù)或異常數(shù)據(jù)稀少的問題，無法通過常見的有監(jiān)督學(xué)習(xí)進(jìn)行異常診斷，因此考慮采用自編碼器結(jié)構(gòu)進(jìn)行異常檢測(cè)。自編碼器是一種常見的神經(jīng)網(wǎng)絡(luò)架構(gòu)。通過構(gòu)建一種無監(jiān)督的自編碼器算法模型學(xué)習(xí)正常數(shù)據(jù)的構(gòu)建規(guī)律，并利用學(xué)習(xí)完成的模型進(jìn)行異常檢測(cè)，對(duì)數(shù)據(jù)的正常形態(tài)進(jìn)行預(yù)測(cè)，當(dāng)實(shí)際數(shù)據(jù)與預(yù)測(cè)的正常形態(tài)數(shù)據(jù)偏差較大的數(shù)據(jù)被認(rèn)為是異常數(shù)據(jù)。

3.1"算法設(shè)計(jì)

自編碼器由編碼器和解碼器兩部分組成（見圖2）。編碼器部分接收輸入數(shù)據(jù)，并通過一系列的編碼操作將其轉(zhuǎn)換為一個(gè)隱藏層表示。這個(gè)隱藏層表示通常比原始輸入數(shù)據(jù)的維度要低，從而實(shí)現(xiàn)了數(shù)據(jù)壓縮。編碼器的目標(biāo)是學(xué)習(xí)一個(gè)有效的表示，能夠捕捉到輸入數(shù)據(jù)的關(guān)鍵特征。解碼器部分接收編碼器的隱藏層表示，并通過一系列的解碼操作將其重構(gòu)為與原始輸入數(shù)據(jù)尺寸相同的輸出。解碼器的目標(biāo)是盡可能地恢復(fù)原始輸入數(shù)據(jù)，以實(shí)現(xiàn)重構(gòu)的目標(biāo)。自編碼器通過最小化輸入數(shù)據(jù)與重構(gòu)輸出之間的差異來進(jìn)行訓(xùn)練，這可以通過使用一種稱為重構(gòu)誤差的損失函數(shù)來實(shí)現(xiàn)。

首先，構(gòu)建一個(gè)自編碼器用于讓模型學(xué)習(xí)數(shù)據(jù)的正常形態(tài)。對(duì)于輸入的第i個(gè)特征數(shù)據(jù)，節(jié)點(diǎn)的特征是tw到t1時(shí)間窗口內(nèi)的時(shí)序數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼，每個(gè)節(jié)點(diǎn)在周圍節(jié)點(diǎn)的信息后得到一個(gè)新的節(jié)點(diǎn)特征，這個(gè)新特征是對(duì)下一時(shí)刻各參數(shù)值預(yù)測(cè)的結(jié)果值的特征，即綜合考慮各個(gè)關(guān)聯(lián)傳感器和歷史數(shù)據(jù)后預(yù)測(cè)下一時(shí)刻各個(gè)傳感器在正常情況下的特征值。解碼器的輸入是編碼器的輸出，解碼器的作用是將下一時(shí)刻的特征值重新映射到一維空間，對(duì)于每一個(gè)解碼器的輸出是長(zhǎng)度為N的一維向量Y，每個(gè)值代表著各個(gè)傳感器在t時(shí)刻的預(yù)測(cè)值。

其次，在異常檢測(cè)模型中，先將輸入數(shù)據(jù)通過編碼器壓縮到低維空間，然后利用解碼器重構(gòu)輸入數(shù)據(jù)。飛參異常檢測(cè)的訓(xùn)練數(shù)據(jù)全部或絕大部分都為正常數(shù)據(jù)，自編碼器通過不斷縮小重構(gòu)誤差，學(xué)習(xí)正常數(shù)據(jù)的規(guī)律特征。利用訓(xùn)練好的模型進(jìn)行異常檢測(cè)，若輸入數(shù)據(jù)為正常數(shù)據(jù)，模型可以根據(jù)學(xué)習(xí)到的規(guī)律進(jìn)行重構(gòu)，重構(gòu)誤差較小；若輸入數(shù)據(jù)中出現(xiàn)了異常數(shù)據(jù)，由于違背了訓(xùn)練時(shí)學(xué)習(xí)到的正常規(guī)律，最終模型的輸出會(huì)得到較大的重構(gòu)誤差。

3.2"異常檢測(cè)

大數(shù)據(jù)中心極限定理是統(tǒng)計(jì)學(xué)中的一個(gè)重要概念，它描述了當(dāng)從一個(gè)總體中抽取大量獨(dú)立隨機(jī)樣本時(shí)，無論原始總體的分布形態(tài)如何，樣本均值的分布將近似服從于正態(tài)分布。大數(shù)據(jù)中心極限定理的重要性在于它提供了在統(tǒng)計(jì)推斷中使用正態(tài)分布進(jìn)行假設(shè)檢驗(yàn)和區(qū)間估計(jì)的理論依據(jù)。例如，在對(duì)總體參數(shù)進(jìn)行估計(jì)或假設(shè)檢驗(yàn)時(shí)，即使原始數(shù)據(jù)不滿足正態(tài)分布假設(shè)，只要樣本容量足夠大，根據(jù)中心極限定理，樣本均值的分布將近似服從于正態(tài)分布，從而使得對(duì)總體參數(shù)的推斷更為可靠。

3.3"測(cè)試驗(yàn)證

根據(jù)故障記錄描述，200324_02_61087.csv架次的“右發(fā)動(dòng)機(jī)滑油壓差”參數(shù)在1768918657位置異常。通過異常檢測(cè)模型，能夠識(shí)別到該異常狀態(tài)。異常檢測(cè)位置如圖3所示，橫坐標(biāo)表示異常數(shù)據(jù)點(diǎn)的個(gè)數(shù)，縱坐標(biāo)表示異常指數(shù)，異常指數(shù)4～6的位置為識(shí)別到的異常檢測(cè)位置。圖4為“右發(fā)動(dòng)機(jī)滑油壓差”參數(shù)，通過真實(shí)值與預(yù)測(cè)值的對(duì)比曲線圖能夠發(fā)現(xiàn)，在異常時(shí)刻位置，真實(shí)值與預(yù)測(cè)值差距較大。

4"結(jié)論

針對(duì)飛機(jī)故障檢修維修過程中面臨的新挑戰(zhàn)，通過對(duì)國內(nèi)外應(yīng)用研究現(xiàn)狀進(jìn)行分析，以飛參數(shù)據(jù)深度挖掘應(yīng)用為切入點(diǎn)，突破關(guān)鍵算法研究，開展了飛參數(shù)據(jù)治理和模型構(gòu)建系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。通過深入挖掘歷史飛參數(shù)據(jù)，并與飛機(jī)故障檢修實(shí)際業(yè)務(wù)工作相結(jié)合，采用專家知識(shí)推理機(jī)，運(yùn)用專家知識(shí)和經(jīng)驗(yàn)，對(duì)飛機(jī)系統(tǒng)出現(xiàn)的故障進(jìn)行推理和判讀；采用神經(jīng)網(wǎng)絡(luò)的異常檢測(cè)模型學(xué)習(xí)飛機(jī)各部件正常運(yùn)行規(guī)律，識(shí)別異常模式和潛在故障，通過定位到具體參數(shù)和異常時(shí)間段，輔助開展故障檢修維修工作。通過精確的故障診斷，可以避免不必要的維修和更換，降低維修成本。

參考文獻(xiàn)：

［1］DENG"A，HOOI"B.Graph"neural"networkbased"anomaly"detection"in"multivariate"time"series［J］.In"Proceedings"of"the"AAAI"conference"on"artificial"intelligence，2021，35（5）：40274035.

［2］ZHANG"C，SONG"D，CHEN"Y，et"al.A"deep"neural"network"for"unsupervised"anomaly"detection"and"diagnosis"in"multivariate"time"series"data［J］.In"Proceedings"of"the"AAAI"conference"on"artificial"intelligence，2019，33（01）：14091416.

［3］ZHANG"T"F，MA"F"M.Improved"rough"kmeans"clustering"algo"rithm"based"on"weighted"distance"measure"with"Gaussian"function［J］.International"Journal"of"Computer"Mathematics，2017，94（4）：663675.

作者簡(jiǎn)介：何姍（1989—"），女，漢族，安徽安慶人，碩士研究生，中級(jí)工程師，研究方向：航空維修。