已剪辑自: https://mp.weixin.qq.com/s/8zdj4zv3Yqe3UHMNgqYLWw
摘要
针对现代飞机装备在可靠性、安全性、维修保障性和成本等方面存在的问题，探究了飞行数据在民机故障预测与健康管理领域的最新技术发展及应用。介绍了民机飞行数据采集和译码原理，针对民机智能运维应用场景，结合机器学习和数字孪生等技术，重点介绍了围绕机载系统健康监测与预测维修、 发动机状态监控与寿命管理等应用场景的数据分析与建模方法，并结合实际工程问题给出了数据分析应用案例。开发的具有自主知识产权的民机飞行数据译码和智能化分析工具，可面向不同用户需求、不同机型开展客户化开发与部署，实现了民机的飞行安全监控和故障预警，可为民航运输安全、运营、保障等需求提供数字化、智慧化的关键理论与技术支撑。
现代飞机装备结构愈加复杂，综合化和电子化程度加深，带来了可靠性、安全性、维修保障性和成本等方面的问题。因此，如何对飞机进行故障预测与健康管理（Prognostics and Health Management, PHM），将机载设备维修模式由计划维修转变为预测维修，实现风险关口的前移，是如今民机运行安全领域的一大关键问题。
航空安全是航空运输业发展的立根之本，随着信息化和数字化新技术不断发展和应用，新一代航空器每一次飞行都会产生大量的数据，为“智慧航空器运行与安全监控”提供了海量的数据源，是促进民航业数字化转型、赋能“智慧民航”的基础和关键。基于航空大数据巧妙地运用数据分析技术，结合机器学习的先进算法和数字孪生建模等技术，开发民机PHM新技术，可以有效提高航空安全保障工作的质量，合理安排维修计划，降低运行成本。
在面向ＰＨＭ的民机飞行数据应用方面，目前已在空调系统健康监测、环控系统故障诊断、引气系统故障诊断、辅助动力装置（Auxiliary Power Unit, APU）健康评估与寿命预测、发动机寿命预测与故障预警、发动机数字孪生建模与性能退化趋势预测等领域均取得了显著成果，并基于所开发的PHM技术，与航空公司维修计划相整合，进行成本控制和安全保障。
根据可靠的统计资料，民航业每天产生近20TB数据，但目前学术界对这些航空大数据的应用不足其潜在价值的10％ 。因此航空运输业亟需充分发掘飞行数据的潜在价值，进行数字化、智能化运维升级。
本文旨在探究如何利用机载飞行数据，开发对飞机典型系统以及发动机部件进行系统健康监测及故障诊断的新方法，以便及时准确发出异常报警并进行预测维修，切实保障飞机的运行安全性、使用性、经济性。
1. 民机机载总线参数采集与译码
飞行数据一般是指飞机上各机载传感器在运行过程中记录下来的与飞机各系统和部件的工作状态、飞机飞行状态、外界飞行环境等相关的参数的集合。通常，飞行数据根据特定的ARINC规范存储在数据记录器中，主要包括数字飞行数据记录器（Digital Flight Data Recorder, DFDR）、快速存取记录器（Quick Access Recorder, QAR）、数字式飞机综合数据记录器（Digital Aids Recorder, DAR）等。
飞行数据译码的目的是准确地还原记录器（DFDR、QAR或DAR）记录的飞行参数，将数据记录器内的以二进制排列的原始数据转换成有单位的、直观的工程数据值。因此，译码是记录的逆过程，其关键点在于理清ARINC规范规定的映射关系
目前，民机主流机型（如737系列、787系列）使用的主要规范为ARINC 717和ARINC 767。
1.1 ARINC 717规范
ARINC 717规范是目前绝大多数民用运输飞机所采用的记录标准。ARINC 717是ARINC 573的扩展形式，提高了记录速度，并增加了“超级帧”记录方式， 用于记录长时间不变化的参数。在ARINC 717规范中，飞行数据通过一对双绞线
传输；以帧（f）为单位循环记录，每帧数据４ s，每秒数据称为一个子帧（Subframe），又称副帧；每个子帧一般有64字、128 字、256 字、512 字或1024 字（Word）；每个字有12个数据位（bit），飞行参数被填充到字和位中，如图1所示
图1 ARINC 717 帧格式示意图
同时每秒数据（每个子帧）的第一个字是同步字， 大多数飞机用的是Teledyne格式同步字，少数老型飞机用Hamilton格式同步字。
1.2 ARINC 767 规范
ARINC 767旨在为增强型机载飞行记录器（Enhanced Airborne Flight Recorder, EAFR）的开发和安装提供设计指导，并不涉及飞行数据记录器系统的总体要求，但会考虑接口和系统标准。
ARINC 767规范同样采用“数据帧”的方式进行数据存储，但是这里的“数据帧”是记录参数带有时间标记的分组，如图2所示。“数据帧”主要由一组有序的参数、相关的帧标签（Frame Header）和时间戳组成， 每个唯一帧将由以下多个部分组成标头：同步字（2B，十六进制模式“EB90”）；帧长度（2B），以字节表示此帧的总长度；时间戳（4B），表示记录数据的相对时间（ms）；帧类型／ID 表示唯一帧标识的帧类型／ ID （2B）。
图2 ARINC 767数据帧结构
1.3 译码软件
手工译码效率较低，大量重复性的工作将会增加时间成本，因此译码一般由计算机通过译码软件自动完成。译码软件一般内置了多个机型飞行参数数据库，飞行参数数据库一般基于飞机参数规范手册的Data Recording Map，其包含了飞机所有参数的记录位置、参数类型和工程值计算方法。不同规范遵循不同的译码方式。
目前，已经自主开发了机载总线数据译码软件，软件基于PyQt进行界面设计，以MySQL为后台数据库对数据进行统一管理，以SQL Alchemy作为对象关系映射（Object Relational Mapping, ORM）框架连接数据库，如图3所示。该软件可以实现ARINC 717规范记录格式的数据译码，译码结果准确度较高。
图3 机载总线数据译码软件平台
2. 机载系统健康监测与预测维修
典型机载系统PHM模型开发流程如图４ 所示。首先，通过分析系统工作模式，梳理飞行参数，进一步建立健康监测参数体系，借助各种数据分析算法建立模型，评估典型机载系统／设备的健康状态，在故障发生前，结合历史工况信息和故障信息等多种信息资源进行状态评估和故障预测，实现系统的预测维修。
图4 典型机载系统PHM模型开发流程
2.1 引气系统健康监测技术
引气系统由许多反馈、控制和安全机制组成，因此简单分析可用的传感器参数，即预冷却器出口温度（POT）和流道压力（MP）可能不足以成为一个有效的健康监测解决方案，因为系统冗余和控制机制能够补偿故障或退化。
提取飞行阶段为巡航阶段且飞行高度为20000ft以上工况下的引气系统相关参数，使用LSTM-AE模型计算各传感器的重构误差。根据重构误差矩阵，进一 步计算系统健康指数（Health Index, HI），这里以12个传感器的RMS重构误差之和作为HI来表示系统的健康状态。图5展示了某飞机在一年内的健康指数。从图5中可以看出，维修记录中确认的390F传感器感测线的PCV故障能够清晰识别出来
图5 引气系统PCV故障健康指数
2.2 空调系统健康监测技术
在特定条件下压缩机出口温度是能够表征空调系统热交换器工作状态的最佳参数，根据相关性计算，选择与压缩机出口温度有较强相关性的静温（SAT）、总温（TAT）、高压转子转速（N2 ）和混合总管温度（MFDT）这４ 个参数作为辅助监测参数，压缩机出口温度（RAMT）作为主监测参数，用于挖掘数据中隐藏的潜在信息，基于MSET（Multi variate State Estimation Technique，多元状态估计技术）算法建立空调系统热交换器基线模型。用基线模型求出的RAMT预测值与监测到的真实值进行差值计算，对偏差值进行监控。调系统压缩机出口温度平均偏差值MΔRAMT（Left ACS）序列在第657个飞行循环超过了故障预警阈值。比故障发生提前了49个飞行循环监测到异常。在监测到异常后，可以合理安排热交换器维修时间，避免由于空调系统热交换器故障导致的非计划维修。
图6 空调系统压缩机出口温度偏差值序列
2.3 APU健康评估
对于APU系统，从理论上讲，排气温度（EGT）可以准确表示涡轮机械的实际性能。但是由于外界因素的影响，例如环境温度和压力、APU工作载荷以及其他因素等，原始EGT数据在各种运行条件下都会发生很大波动，从而难以表征APU的实际性能衰退。
APU的ACMS报文记录了起动大发期间ＡＰＵ的各种工作参数，选择了TAT，进口导流叶片（Inlet Guide Vane, IGV）开度，负载压气机进口压力，负载压气机进口温度、转速、引气流量、引气压力、滑油温度以及APU发电机功率作为预测变量，将EGT用作该模型的响应变量。使用随机森林算法建立计算APU健康指数的性能基线模型，以EGT预测值与真实值之间的偏差值作为健康指数。
将APU整个寿命周期中健康指数与原始数据中EGT进行了比较，如图7所示。可以看出，从EGT原始数据（蓝色）中很难识别出的APU退化状态，而使用健康指数（黄色）可以很好地表征APU性能退化趋势， 这将有助于APU的健康监测和失效预测。
2.4 APU剩余寿命预测
根据2.3节得到表征APU性能退化状态的健康指数后，进一步利用动态线性模型（Dynamic Linear Model, DLM）来描述APU性能退化，进行剩余寿命预测。根据健康指数将APU软失效阈值设置为60，这也在APU的维修记录中得到了支持，因为所统计的22台APU基本都在该阈值附近失效并进行了大修。
图7 全寿命周期健康指数与原始EGT对比
以编号0015的APU为例，该APU在整个寿命周期内共产生了970个ACMS报文。在第801和第894个ＡCMS报文循环预测的失效时间的分布分别在图8和图9中以红线表示。由于预测结果为分布形式，带有不确定性（黑色点划线表示的95％置信度区间），蓝色虚线为退化预测的平均健康指数。
图8 第801个ACMS报文循环预测
图9 第894个ACMS报文循环预测
从图8和图9可以看出，不同阶段预测的寿命是不同的，APU的寿命预测精度随退化阶段的不同而变化，越是临近失效，预测寿命越接近实际寿命。
3. 发动机状态监控与寿命管理
发动机状态监测数据体系来源广泛，具有多模态、 不同时空尺度的特征，可从不同角度、不同层级反映发动机整机－系统－零部件的状态，如图10所示。如何充分发挥飞行数据的价值实现基于智慧运维的发动机视情维修，更好地节约维修的时间和经济成本是需要重点解决的问题。
图10 航空发动机非结构化、多模态飞行数据
3.1 发动机关键件剩余寿命预测
发动机关键件剩余寿命预测技术采用失效物理与数据驱动融合的方法实现对个体关键件的可靠性进行评估。传统的关键件寿命监控和预测方法通常是基于简单的累计使用时间或者飞行的循环数对寿命消耗进行追踪，由于没有考虑单机状态下个体发动机使用条件的差异，因此会导致过于保守的寿命评估结果。
可基于一种新提出的累积损伤指数模型进行损伤累积与剩余寿命评估，以关键件失效样本协变量信息为输入进行模型的参数估计，以个体发动机性能监控数据为模型输入进行个体关键件的损伤累积，最终得到关键件未来运行循环对应的累积失效率，根据失效率阈值可计算剩余寿命，如图11所示。
图11 发动机关键件剩余寿命
3.2 发动机气路部件故障预警技术
借助系统运行期间收集的健康发动机的性能参数数据样本，利用基于数据驱动的多元状态估计来获得系统的基线模型，根据每台发动机实测的数据建立起的“个性化”的基线模型能更准确地反映实际运行条件个体发动机的特性。
发动机气路故障预警技术主要通过对发动机气路相关性能参数偏差值序列的变化进行监测，来实现异常监测参数序列的及时预警。采用贝叶斯统计方法用于气路性能参数的分析，提出了一种基于自适应动态线性模型的发动机气路性能状态监控方法，并借助贝叶斯因子来监测参数序列的异常，从而实现及时预警。
实践中民航发动机状态监控依赖于几个关键的状态参数的偏差值，例如起飞阶段的排气温度裕度（EGTM），以及巡航阶段的燃油流量偏（DFF）、高压转子转速偏差（DN2）、排气温度偏差（DEGT）等。性能参数偏差值序列如图12 所示。气路部件气路故障发生后，偏差值序列出现异常，但由于噪声较大，故障征兆淹没在噪声中，仅靠人的经验难以直接从趋势图中识别出来。而根据图13所示的累积贝叶斯因子，在故障发生后随着观测信息的增加，异常证据将进一步积累，其对数值迅速降低，可排除序列结构异常或者观测野值的存在，从而准确触发预警。
图12 性能参数偏差值序列
图13 累积贝叶斯因子
3.3 发动机数字孪生建模技术
对于整机性能建模，采取基于GasTurb的部件特性图缩放方法建模，零部件数字孪生体构建流程如图14所示。该模型输入为发动机的运行条件（海拔、标准温度偏差等）和环境条件（大气温度、大气压力等）、 工作过程参数（压气机流量、压气机压比、燃烧室出口温度、涵道比、压气机压比、涡轮前温度等）以及预测的部件效率和管道恢复系数，通过基于GasTurb进行设计点性能匹配和非设计点性能匹配，最终得到总体性能模型，模型输出数据为整机性能参数（油耗等）， 各站位的压力、温度、流量，部件效率以及EGT 等参数，同时模型还可对不同工况点进仿真，输出不同工况点下整机及各站位的温度、压力和流量等参数。
图14 零部件数字孪生体构建流程
3.4 发动机性能退化趋势预测
发动机性能退化趋势预测技术主要通过研究发动机整机级性能退化规律来评估在翼发动机的性能可靠性和在翼剩余寿命。
在性能退化趋势预测中，发动机EGTM是衡量发动机整机性能的一项综合指标。采用状态空间模型对发动机的性能退化建模，利用一个线性增长模型（局部线性增长（递减）、斜率可变）作为状态方程来描述系统的退化轨迹，借助贝叶斯共轭推理来估计模型的未知参数，进一步根据贝叶斯状态预测方法来预测EGTM未来的趋势，并估计EGTM到达阈值的时间，即在翼寿命，如图15所示。在考虑每台个体发动机的实际使用载荷、故障、维修等因素对发动机使用可靠性的影响的前提下，借助实测的EGTM参数来动态地估计发动机的可靠度，如图16所示。
图15 发动机失效时间分布
图16 发动机可靠度函数
4. 民机飞行数据译码与智能化分析平台
Flight Data X（简称FDX）软件平台是自主开发的具有自主知识产权的民机飞行数据译码与智能化分析工具，突破了民机机载总线数据的自主译码与深度挖掘基础构件开发技术，并运用机器学习等智能数据分析技术，实现民机的飞行安全监控和故障预警，可为民航运输安全、运营、保障等需求提供数字化、智慧化的关键基础设施支撑。平台底层数据基于大数据服务器系统架构，采用四节点集群部署，支持民机及发动机机载参数敏捷译码、ACARS报文定义逻辑、报文格式定义、ACARS报文解析、特征参数提取、状态监测模型、 故障预测模型、性能退化趋势预测模型、故障诊断模型和预测维修决策等模型和方法的开发、测试与部署应用，可面向不同用户需求和不同机型，开展客户化开发与部署。
4.1 FDX软件平台架构
软件平台架构由基础数据层、技术层和应用层组成，如图17所示。按照MVC设计思想分为三层架构， 应用Web服务层提供页面与用户进行人机交互；JavaEE 层提供后台逻辑，可为前台页面提供数据支撑；基础数据层采用星环大数据平台，可对结构化数据进行表存储，并可为非结构化数据提供文件存储。
图17 软件平台架构示意图
4.2 FDX软件平台功能
4.2.1 机载数据总线参数敏捷译码
FDX软件平台支持机载数据总线参数敏捷译码， 提供客户化报文逻辑、参数提取和特征计算的功能，可为面向特定应用场景的数据流管道搭建提供基础数据。
用户可根据需要进行飞行参数数据译码，在初始化界面中选择译码文件，可以单个添加或者通过文件夹批量添加文件，选择译码库之后进行译码。译码完成后，用户可根据不同应用场景的需求，导出适合的译码参数进行研究，并可进行个性化需求定制，实现飞行数据的敏捷译码。
4.2.2 面向特定业务问题的数据流管道搭
FDX平台支持面向具体业务问题的数据流管的快速搭建，可根据应用场景的不同，搭建数据流管道解决特定业务问题，可以在管道中配置不同的算法链， 实现原数据－中间数据集－应用数据集的灵活配置， 支持具体业务模型快速搭建，从而提高数据分析利用效率。支持MATLAB、Python等多语言算法的嵌入，例如第三方AI算法等，并支持由多个基础算法组合得到问题解决方案，从而实现底层原始数据到大数据分析再到功能场景开发的应用数据的直接处理。
4.2.3 FDX机载系统预测维修功能
机载系统预测维修应用中主要分析数据为QAR数据，维修记录可作为机器学习标记，报文数据可作为补充，对这些数据进行数据处理后用于模型开发，对机载系统进行健康监测、故障隔离与诊断，监测结果可用于维修决策，从而实现机载系统智能维护。在机载系统预测维修方面，针对机队故障频发、安全影响较大的机载系统，包括APU、引气系统、空调系统、飞控系统、 液压系统等，搭建了面向健康监测、故障诊断与维修决策具体业务问题的数据流管道，并完成算法链和软件代码的开发，实现了上述机载系统的实时健康监测和预测维修。
4.2.4 FDX发动机寿命管理功能
在发动机寿命管理方面，针对发动机性能评估与趋势预测、部附件监测、剩余寿命预测等特定业务问题，FDX支持利用大量运维数据构建的发动机数字孪生模型和数据流管道，实现发动机数字孪生模型、机队全寿命运维决策支持等相应软件代码的开发，从而实现对发动机整机及系统级状态监控、关键件寿命管理与机队维修决策支持等功能。
FDX支持搭建航空发动机全寿命周期数字孪生应用框架，可对航空发动机全寿命设计制造数据进行管理，提供构建物理场高精度仿真，实现了整机级和零部件设计参数敏感度分析和关键件剩余寿命预测等可靠性评估功能。FDX航空发动机可靠性与运维数字孪生建模平台在载荷场的快速映射中实现了数据的降维和多种机器学习模型的应用，在数字孪生体建模中同时考虑整机功率等级对参数的影响以及不同的失效模式（如涡轮叶片蠕变、热机械疲劳失效模式和热障涂层失效模式），将物理仿真模型可视化，清晰展示每一个涡轮叶片温度、应力变化情况，从而预测其剩余寿命。
本文介绍了目前在民机PHM领域飞行数据的应用成果，并开发了一套集成化飞行数据分析平台。所开发的机载总线数据译码软件实现了飞行数据的自主译码，大幅减少了译码任务的时间、人力成本，并具有较高的准确度。从机载系统与发动机两个主要应用场景出发，基于飞行数据等多元数据，应用机器学习、数字孪生等方法，针对不同的系统和部件进行了健康监测、健康评估、故障预警、可靠性分析、剩余寿命预测等技术的分析总结。该FDX飞行数据开发平台集记载数据总线参数敏捷译码、机载系统预测维修功能、发动机寿命管理功能为一体，可进行面向特定业务问题的数据流管道搭建，便于快捷地开发数据分析方法与模型。期望该平台能够促进民机PHM技术的协同发展与应用成果转化，提高民机“智慧运维”水平。
文章来源《测控技术》
作者：朱昕昀，颜子琛，杨彩琼，孙见忠
作者单位：南京航空航天大学 民航学院