曹明，王鵬，左洪福，曾海軍，孫見忠，楊衛(wèi)東，魏芳，陳雪峰

1.中國航發(fā)商用航空發(fā)動(dòng)機(jī)有限責(zé)任公司，上海 201109 2.上海交通大學(xué) 航空航天學(xué)院，上海 200240 3.南京航空航天大學(xué) 能源與動(dòng)力學(xué)院，南京 210016 4.復(fù)旦大學(xué) 航空航天數(shù)據(jù)研究中心， 上海 200433 5.西安交通大學(xué) 機(jī)械工程學(xué)院，西安 710049

本文是“民用航空發(fā)動(dòng)機(jī)故障診斷與健康管理現(xiàn)狀、挑戰(zhàn)與機(jī)遇”系列綜述的第2篇。力求以需求分析和文獻(xiàn)綜述為基礎(chǔ)，全面闡述行業(yè)需求和民用航空發(fā)動(dòng)機(jī)故障診斷與健康管理發(fā)展現(xiàn)狀及未來熱點(diǎn)研發(fā)方向。

EHM (Engine Health Management)系統(tǒng)的功能始于故障診斷、預(yù)測(cè)，結(jié)束于基于視情的維護(hù)維修決策(圖1)。EHM 3個(gè)主要的故障診斷模塊(“上游”模塊)為：發(fā)動(dòng)機(jī)氣路性能退化、機(jī)械故障診斷和全權(quán)限數(shù)字式發(fā)動(dòng)機(jī)控制 (Full Authority Digital Engine Control，F(xiàn)ADEC)系統(tǒng)故障診斷；對(duì)于民用航空發(fā)動(dòng)機(jī)，這3個(gè)子系統(tǒng)的故障診斷功能分兩個(gè)層級(jí)完成：在機(jī)載系統(tǒng)上完成快速診斷，在地面綜合診斷系統(tǒng)上完成更詳細(xì)、準(zhǔn)確的故障診斷和預(yù)測(cè)。和發(fā)動(dòng)機(jī)氣路性能退化、機(jī)械故障診斷及FADEC3個(gè)“上游”模塊相比，圖1中地面綜合診斷、關(guān)鍵限壽件壽命估計(jì)、智能視情維護(hù)和維修3個(gè)模塊被認(rèn)為是“下游”模塊。本文將重點(diǎn)討論這3個(gè) “下游”模塊的需求、國內(nèi)外現(xiàn)狀與差距及解決方案和未來的研發(fā)方向。

圖1 EHM全流程Fig.1 EHM full process

地面綜合診斷系統(tǒng)是地面系統(tǒng)的一部分；它的主要功能是：① 完成機(jī)載系統(tǒng)由于計(jì)算資源限制無法完成的數(shù)據(jù)融合及精細(xì)診斷功能；② 提供顧客要求的定制分析平臺(tái)；③ 實(shí)現(xiàn)基于多源信息融合的發(fā)動(dòng)機(jī)故障診斷，提高診斷準(zhǔn)確率；航空發(fā)動(dòng)機(jī)是一個(gè)復(fù)雜的耦合系統(tǒng)，故障不僅導(dǎo)致故障零部件或子系統(tǒng)功能或性能喪失、變?nèi)?，還會(huì)引發(fā)其他相關(guān)聯(lián)零部件、子系統(tǒng)的狀態(tài)變化，導(dǎo)致多種故障狀態(tài)指示，基于數(shù)據(jù)融合的故障診斷可以提高診斷準(zhǔn)確率；④ 提供基于深度學(xué)習(xí)、知識(shí)圖譜等智能算法的故障診斷和預(yù)測(cè)平臺(tái)，從而實(shí)現(xiàn)基于數(shù)據(jù)的快速故障特征提取及診斷方法、流程的建立；⑤ 建立所監(jiān)測(cè)系統(tǒng)的數(shù)字雙胞胎，進(jìn)而實(shí)現(xiàn)基于數(shù)字孿生模型的故障診斷；⑥ 故障狀態(tài)指示 (Condition Indicator，CI)、健康指示 (Health Indicator，HI) 閾值管理。除了故障診斷和預(yù)測(cè)功能，對(duì)于民用航空發(fā)動(dòng)機(jī)，關(guān)重件的壽命預(yù)測(cè)也主要在地面綜合診斷系統(tǒng)里完成；從功能上將壽命管理作為一個(gè)單獨(dú)的模塊來對(duì)待。地面綜合診斷模塊和壽命管理模塊的輸出則為智能視情維護(hù)維修決策提供了輸入 (圖1(b))，從而完成從故障診斷、預(yù)測(cè)到維護(hù)維修決策的流程閉環(huán)。

民用航空發(fā)動(dòng)機(jī)市場(chǎng)競(jìng)爭(zhēng)激烈，必須在保障安全運(yùn)行、遵守適航規(guī)章的基礎(chǔ)上，通過科學(xué)有效的壽命管理實(shí)現(xiàn)發(fā)動(dòng)機(jī)全壽命期維修使用成本的最優(yōu)化。因此，及時(shí)準(zhǔn)確的壽命預(yù)測(cè)、科學(xué)合理的壽命管理是實(shí)現(xiàn)以上目標(biāo)的重要保證。發(fā)動(dòng)機(jī)EHM框架內(nèi)的壽命管理主要包括：發(fā)動(dòng)機(jī)關(guān)鍵部件的使用壽命監(jiān)控、壽命消耗計(jì)算、剩余壽命預(yù)測(cè)、延壽控制等，其目的是保障發(fā)動(dòng)機(jī)在復(fù)雜環(huán)境和使用條件下能夠安全運(yùn)行。壽命管理子系統(tǒng)已經(jīng)成為現(xiàn)代航空發(fā)動(dòng)機(jī)健康管理系統(tǒng)的一個(gè)重要功能模塊。壽命管理子系統(tǒng)根據(jù)發(fā)動(dòng)機(jī)關(guān)鍵部件壽命消耗、健康監(jiān)測(cè)、運(yùn)行狀態(tài)參數(shù)等數(shù)據(jù)信息預(yù)測(cè)發(fā)動(dòng)機(jī)在翼剩余可用壽命，為發(fā)動(dòng)機(jī)壽命管理和維修決策提供依據(jù)，消除潛在安全隱患和避免事故發(fā)生。

發(fā)動(dòng)機(jī)壽命管理技術(shù)包含整機(jī)和部件兩個(gè)層級(jí)。部件級(jí)壽命管理包括關(guān)鍵部件的使用壽命監(jiān)控和安全使用壽命預(yù)測(cè)；整機(jī)級(jí)壽命管理則涵蓋發(fā)動(dòng)機(jī)在翼使用壽命監(jiān)控和壽命預(yù)測(cè)。關(guān)鍵部件主要包括高能轉(zhuǎn)動(dòng)件和承壓件。這些發(fā)生非包容失效時(shí)可能導(dǎo)致危害性，甚至是災(zāi)難性的后果；同時(shí)，這些部件使用了昂貴的原材料、經(jīng)歷了復(fù)雜的設(shè)計(jì)過程、采用了先進(jìn)的制造工藝、承受了嚴(yán)格的質(zhì)量控制，制造成本高昂。因此，民用航空發(fā)動(dòng)機(jī)壽命管理必須考慮如何在保證安全的前提下，最大限度地使用關(guān)鍵零部件的有效使用壽命，降低產(chǎn)品全壽命周期成本。

智能維護(hù)維修決策系統(tǒng)是基于視情維護(hù)維修模式的頂層規(guī)劃設(shè)計(jì)。通過發(fā)動(dòng)機(jī)全壽命周期維修決策優(yōu)化，智能維護(hù)維修決策系統(tǒng)首先構(gòu)建發(fā)動(dòng)機(jī)全壽命周期數(shù)據(jù)模型，并在此基礎(chǔ)上針對(duì)不同部件、不同維修策略建立維修間隔確定方法，解決航空發(fā)動(dòng)機(jī)機(jī)隊(duì)送修時(shí)機(jī)優(yōu)化、維修工作范圍優(yōu)化。智能維護(hù)維修決策系統(tǒng)根據(jù)產(chǎn)品投入運(yùn)行后狀態(tài)和可靠性信息的反饋，從全壽命周期角度優(yōu)化發(fā)動(dòng)機(jī)在翼維修、離翼大修時(shí)間間隔和工作范圍，建立基于健康管理的使用維護(hù)策略和決策支持模型及方法。發(fā)動(dòng)機(jī)智能維護(hù)維修決策系統(tǒng)根據(jù)發(fā)動(dòng)機(jī)健康狀態(tài)及保障資源信息、飛行任務(wù)和目標(biāo)綜合決策，最大限度地發(fā)揮了系統(tǒng)效能、降低壽命周期成本，是航空公司面向全壽命、全機(jī)隊(duì)和全成本的決策優(yōu)化系統(tǒng)。

本文將順序展開論述民用航空發(fā)動(dòng)機(jī)地面綜合診斷、壽命管理、智能視情維護(hù)維修決策的需求、國內(nèi)外現(xiàn)狀與差距及解決方案和未來的研發(fā)方向。

1 地面綜合診斷與預(yù)測(cè)

發(fā)動(dòng)機(jī)地面綜合診斷是發(fā)動(dòng)機(jī)健康管理的重要組成部分，為此，發(fā)動(dòng)機(jī)OEM (Original Equipment Manufacturer) 廠商及航空公司都在不斷推動(dòng)發(fā)動(dòng)機(jī)地面綜合診斷系統(tǒng)的構(gòu)建和發(fā)展。以3大發(fā)動(dòng)機(jī)OEM：GE (General Electron，也稱通用電氣)、RR(Rolls Royce，也稱羅羅)、P&W (Pratt & Whitney，也稱普惠) 為代表的發(fā)動(dòng)機(jī)廠商已經(jīng)實(shí)現(xiàn)發(fā)動(dòng)機(jī)機(jī)載監(jiān)視數(shù)據(jù)的空地實(shí)時(shí)傳輸和遠(yuǎn)程故障診斷，可支持全球發(fā)動(dòng)機(jī)的健康管理，為運(yùn)營商合理安排發(fā)動(dòng)機(jī)飛行任務(wù)和維護(hù)維修提供服務(wù)支持。隨著發(fā)動(dòng)機(jī)數(shù)據(jù)采集、通信等技術(shù)的不斷發(fā)展，可用于發(fā)動(dòng)機(jī)綜合診斷的數(shù)據(jù)類型及數(shù)據(jù)量正在經(jīng)歷質(zhì)變性的增長(zhǎng)。與此同時(shí)，大數(shù)據(jù)分析及工業(yè)互聯(lián)網(wǎng)技術(shù)的發(fā)展為采用產(chǎn)生于發(fā)動(dòng)機(jī)不同階段、不同來源、不同類型的數(shù)據(jù)進(jìn)行綜合分析，在此基礎(chǔ)上不斷優(yōu)化民航發(fā)動(dòng)機(jī)服務(wù)和維護(hù)維修決策并發(fā)展新的服務(wù)模式提供了可能。

在此背景下，GE、RR、P&W等OEM廠商不斷推進(jìn)其發(fā)動(dòng)機(jī)地面綜合診斷系統(tǒng)的發(fā)展。GE公司推出了面向工業(yè)領(lǐng)域的基礎(chǔ)性的工業(yè)互聯(lián)網(wǎng)平臺(tái)Predix，為發(fā)動(dòng)機(jī)綜合診斷提供了基于大數(shù)據(jù)分析的綜合診斷平臺(tái)，能夠?qū)崿F(xiàn)對(duì)幾萬甚至十幾萬臺(tái)發(fā)動(dòng)機(jī)的實(shí)時(shí)監(jiān)測(cè)和診斷，支持發(fā)動(dòng)機(jī)運(yùn)行和燃油消耗的優(yōu)化，并減少意外停機(jī)時(shí)間。RR公司使用微軟公司的Azure云計(jì)算平臺(tái)收集和匯總來自世界各地的發(fā)動(dòng)機(jī)數(shù)據(jù)，并利用Cortana智能套件處理數(shù)據(jù)，支持基于大數(shù)據(jù)分析的發(fā)動(dòng)機(jī)的綜合診斷。P&W公司則通過與IBM在大數(shù)據(jù)分析領(lǐng)域的合作來推動(dòng)其發(fā)動(dòng)機(jī)數(shù)據(jù)分析業(yè)務(wù)，借助IBM的云服務(wù)能力實(shí)現(xiàn)對(duì)業(yè)務(wù)、工程和制造系統(tǒng)數(shù)據(jù)的云管理，并實(shí)現(xiàn)基于大數(shù)據(jù)分析的綜合診斷。P&W在2015年公布了一系列旨在改善發(fā)動(dòng)機(jī)性能并為客戶提供更好服務(wù)的大數(shù)據(jù)分析項(xiàng)目，并于2016年公布了旨在加強(qiáng)發(fā)動(dòng)機(jī)診斷維修服務(wù)的大數(shù)據(jù)項(xiàng)目。

1.1 地面綜合診斷需求

在新技術(shù)和健康管理服務(wù)模式發(fā)展的推動(dòng)下，發(fā)動(dòng)機(jī)地面綜合診斷系統(tǒng)面臨以下幾個(gè)亟待解決的需求：① 為不斷創(chuàng)新發(fā)展的發(fā)動(dòng)機(jī)健康管理服務(wù)模式提供支持。發(fā)動(dòng)機(jī)健康管理服務(wù)正在從數(shù)據(jù)和應(yīng)用服務(wù)向包修服務(wù)、飛行能力服務(wù)及定制化服務(wù)等多種形態(tài)的創(chuàng)新服務(wù)模式發(fā)展。不僅要求發(fā)動(dòng)機(jī)地面綜合診斷發(fā)展與之相匹配的業(yè)務(wù)模式，還要求發(fā)動(dòng)機(jī)地面綜合診斷系統(tǒng)架構(gòu)在功能、技術(shù)、適應(yīng)性、安全性、可擴(kuò)展性等方面滿足支撐其業(yè)務(wù)模式創(chuàng)新發(fā)展的需求。② 多源異構(gòu)數(shù)據(jù)采集及海量數(shù)據(jù)深度分析的需求?？捎糜诎l(fā)動(dòng)機(jī)綜合診斷的數(shù)據(jù)的第1個(gè)特點(diǎn)是來源眾多，類型復(fù)雜，既包括以監(jiān)測(cè)時(shí)序數(shù)據(jù)為代表的結(jié)構(gòu)化數(shù)據(jù)，又包括以孔探圖像為代表的非結(jié)構(gòu)化數(shù)據(jù)；第2個(gè)特點(diǎn)是發(fā)動(dòng)機(jī)綜合診斷可用的數(shù)據(jù)量很大，如LEAP發(fā)動(dòng)機(jī)單次飛行可生成1 TB的數(shù)據(jù)；第3個(gè)特點(diǎn)是數(shù)據(jù)關(guān)聯(lián)性強(qiáng)，發(fā)動(dòng)機(jī)各階段數(shù)據(jù)、不同維度測(cè)量數(shù)據(jù)、發(fā)動(dòng)機(jī)工作/性能退化/故障機(jī)理與狀態(tài)參數(shù)之間均存在相互關(guān)聯(lián)。發(fā)動(dòng)機(jī)地面綜合診斷涉及對(duì)上述數(shù)據(jù)的采集和深度分析處理，對(duì)系統(tǒng)數(shù)據(jù)架構(gòu)提出了挑戰(zhàn)。③ 滿足全方位安全防護(hù)的需求。發(fā)動(dòng)機(jī)地面綜合診斷系統(tǒng)需要面向OEM廠商、航空公司、第三方服務(wù)商(包括算法服務(wù)商、應(yīng)用服務(wù)商)等不同角色，不僅涉及來自上述各方的數(shù)據(jù)安全和業(yè)務(wù)隱私問題，甚至影響發(fā)動(dòng)機(jī)的飛行安全。因此需要解決好用戶認(rèn)證、訪問控制、數(shù)據(jù)安全、安全監(jiān)測(cè)等方面的問題，做好全方位的安全防護(hù)。

EHM系統(tǒng)通過實(shí)時(shí)跟蹤發(fā)動(dòng)機(jī)健康狀況，減少定期和不定期的地面維護(hù)時(shí)間，制定更加合理的維護(hù)計(jì)劃方案等途徑，提高發(fā)動(dòng)機(jī)的可靠性與利用率，減少維護(hù)費(fèi)用，保證飛行任務(wù)完成。

通過對(duì)國內(nèi)外發(fā)動(dòng)機(jī)地面綜合診斷技術(shù)應(yīng)用、研究差距的分析，分別在多信息融合的故障診斷技術(shù)、基于深度學(xué)習(xí)和智能算法的診斷預(yù)測(cè)技術(shù)、數(shù)字樣機(jī)及系統(tǒng)診斷技術(shù)、基于知識(shí)圖譜的發(fā)動(dòng)機(jī)故障診斷等4個(gè)方面進(jìn)行深入論證，以期最終實(shí)現(xiàn)以下目標(biāo)：

1) 通過多源信息融合提高故障診斷置信度。

2) 采用智能技術(shù)提高診斷和預(yù)測(cè)的準(zhǔn)確率及效率。

3) 構(gòu)建發(fā)動(dòng)機(jī)健康管理的知識(shí)圖譜，采用非結(jié)構(gòu)化數(shù)據(jù)和自然語言記錄提高診斷及維護(hù)維修決策質(zhì)量。

4) 建立航空發(fā)動(dòng)機(jī)全壽命周期的數(shù)字孿生樣機(jī)、實(shí)現(xiàn)基于數(shù)字孿生樣機(jī)的航空發(fā)動(dòng)機(jī)健康管理能力，包括狀態(tài)監(jiān)測(cè)與評(píng)估、故障診斷與壽命預(yù)測(cè)及相應(yīng)維修維護(hù)等功能。

1.2 多信息融合航空發(fā)動(dòng)機(jī)故障診斷技術(shù)

發(fā)動(dòng)機(jī)健康管理系統(tǒng)通過在民航發(fā)動(dòng)機(jī)的關(guān)鍵部位上安裝傳感器來測(cè)取相關(guān)數(shù)據(jù)并以此估算民航發(fā)動(dòng)機(jī)相關(guān)狀態(tài)性能。由于環(huán)境的改變和飛行員個(gè)人操作偏好，每次飛行的發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)存在比較明顯的差異，所以還需要結(jié)合飛機(jī)上的其他數(shù)據(jù)，如推力設(shè)置、引氣狀態(tài)等數(shù)據(jù)進(jìn)行發(fā)動(dòng)機(jī)健康狀態(tài)評(píng)估。這些經(jīng)過傳感器測(cè)取的參數(shù)再通過智能化處理后即能夠體現(xiàn)出民航發(fā)動(dòng)機(jī)健康狀態(tài)。它們都使用ACMS (Aircraft Condition Monitoring System)來獲取飛機(jī)健康數(shù)據(jù)，此監(jiān)控系統(tǒng)獲取的數(shù)據(jù)主要是如下幾種：第1類為快照式報(bào)告，此系統(tǒng)自動(dòng)采集飛機(jī)上指定傳感器獲取的數(shù)據(jù)，組織成報(bào)告。此操作從飛機(jī)起飛開始直至飛機(jī)降落結(jié)束。第2類報(bào)告是當(dāng)遇到飛機(jī)及發(fā)動(dòng)機(jī)處于異常狀態(tài)時(shí)自動(dòng)生成，如飛機(jī)起飛時(shí)發(fā)動(dòng)機(jī)喘振或渦輪燃?xì)鉁囟?(Turbine Gas Temperature，TGT) 過高等。此類報(bào)告蘊(yùn)含著這些異常狀態(tài)時(shí)的飛機(jī)及發(fā)動(dòng)機(jī)相關(guān)的關(guān)鍵數(shù)據(jù)，通過分析這些數(shù)據(jù)能夠快速有效的進(jìn)行故障排除。第3類報(bào)告為最終總結(jié)，在整個(gè)飛行過程結(jié)束時(shí)生成。該報(bào)告將呈現(xiàn)飛機(jī)及發(fā)動(dòng)機(jī)在整個(gè)飛行過程中的極限狀態(tài)數(shù)據(jù)，以及飛機(jī)在起飛和爬升期間的性能(推力等)信息。

民航發(fā)動(dòng)機(jī)健康管理系統(tǒng)一般是使用飛機(jī)通信尋址報(bào)告系統(tǒng)(Aircraft Addressing and Reporting System，ACARS)將飛機(jī)上的數(shù)據(jù)傳輸?shù)降孛娼邮障到y(tǒng)，首先通過無線電或衛(wèi)星數(shù)據(jù)鏈路來傳輸報(bào)告，然后通過全球地面網(wǎng)絡(luò)將民航發(fā)動(dòng)機(jī)健康數(shù)據(jù)傳輸?shù)筋A(yù)定目的地。經(jīng)過民航發(fā)動(dòng)機(jī)健康管理軟件處理后的民航發(fā)動(dòng)機(jī)健康數(shù)據(jù)，最終也會(huì)上傳到這些民航發(fā)動(dòng)機(jī)的官方指定網(wǎng)站，從而方便航空公司實(shí)時(shí)的查看它們發(fā)動(dòng)機(jī)機(jī)隊(duì)的健康狀態(tài)來制定自己的機(jī)隊(duì)維修策略。

1.2.1 多信息融合故障診斷技術(shù)背景

單一狀態(tài)指示參數(shù)并不能總是完全反映實(shí)際發(fā)動(dòng)機(jī)本身的故障程度，對(duì)發(fā)動(dòng)機(jī)性能評(píng)估效率不高；這種情況下，采用基于來自多個(gè)傳感器的多源信息融合進(jìn)行診斷可以提高診斷精度。

航空發(fā)動(dòng)機(jī)是一個(gè)復(fù)雜的耦合動(dòng)力學(xué)系統(tǒng)，故障不僅導(dǎo)致本身所在子系統(tǒng)性能的變化和下降，也會(huì)影響關(guān)聯(lián)、耦合子系統(tǒng)的狀態(tài)變化，從而導(dǎo)致一個(gè)故障可以有多個(gè)不同的故障征兆。這方面的例子有，喘振可以在機(jī)匣振動(dòng)頻譜特性變化上體現(xiàn)，也可以通過分析類似頻段壓力脈動(dòng)來監(jiān)測(cè)；軸承或齒輪故障可以導(dǎo)致振動(dòng)信號(hào)變化，也可以引起滑油金屬屑末增加或在磁堵信號(hào)上有所體現(xiàn)。

多信息融合的故障診斷是基于多個(gè)不同類型或不同安裝位置的傳感器信息，輔以多參數(shù)以及歷史與經(jīng)驗(yàn)信息綜合處理的過程，主要流程環(huán)節(jié)包括對(duì)來自多個(gè)信息源的數(shù)據(jù)或信息的監(jiān)測(cè) (Detection)、關(guān)聯(lián) (Correlation)、估計(jì) (Estimation)和組合 (Combination)等處理。目的是充分利用已有的全部信息，提取出有價(jià)值的故障特征信息。和基于單一傳感器信號(hào)的診斷方法相比，多信息融合的故障診斷技術(shù)能夠降低虛警率和漏檢率，提高診斷精度。

1.2.2 多信息融合故障診斷方法

故障融合層級(jí)劃分主要取決于“起點(diǎn)”暨輸入信息的層級(jí)：原始數(shù)據(jù)、從原始數(shù)據(jù)中提取出的特征、根據(jù)提取出的特征所做出的“局部”診斷決策(區(qū)別于融合后的“全局”診斷決策)。故障數(shù)據(jù)融合因而分為數(shù)據(jù)層融合、特征層融合和決策層融合3個(gè)層次：數(shù)據(jù)層融合是直接在原始數(shù)據(jù)層上進(jìn)行融合，這也被視為最低層次的故障信號(hào)融合，其輸入是多傳感器測(cè)量的原始數(shù)據(jù)。該方法有幾個(gè)局限性，第一，原始數(shù)據(jù)的融合要求各傳感器信息來自同質(zhì)傳感器，非同質(zhì)傳感器此法不適用。第二，該融合方法輸入了原始數(shù)據(jù)，嚴(yán)格來講信息量遠(yuǎn)大于特征層融合和決策層融合，相應(yīng)地算法處理上也更有靈活性；但是原始數(shù)據(jù)的信息質(zhì)量卻并不好，由于未經(jīng)提取含有大量的無關(guān)信息和噪聲，所以數(shù)據(jù)層融合的故障診斷抗干擾能力較差，決策質(zhì)量并不好。第三，由于傳感器原始數(shù)據(jù)量較大，數(shù)據(jù)層融合對(duì)于運(yùn)算資源要求較高，實(shí)時(shí)處理較困難。

最高層級(jí)的故障融合策略是決策層融合，顧名思義其輸入是基于多個(gè)同質(zhì)或不同質(zhì)傳感器信號(hào)的“局部”故障診斷結(jié)果，也就是說輸入不再是CI’s的值，而是基于各個(gè)CI’s的診斷結(jié)果 (“局部”故障決策，可以認(rèn)為是“局部”HI), 其輸出是全局故障決策 (“全局”HI)。決策層融合的主要優(yōu)點(diǎn)是帶寬要求低，對(duì)于運(yùn)算處理資源要求最低；此外，該法魯棒性較好；即便少數(shù)傳感器通道給出不準(zhǔn)確的診斷，通過融合也能糾錯(cuò)得到正確的全局診斷結(jié)論。決策層融合的理論基礎(chǔ)是粗糙集理論，通過分類與約簡(jiǎn)獲取優(yōu)良的規(guī)則集合, 進(jìn)而實(shí)現(xiàn)準(zhǔn)確的決策。顯然，決策層融合的最終診斷準(zhǔn)確性和其輸入決策的質(zhì)量相關(guān)。相對(duì)于前述的數(shù)據(jù)層融合，決策層融合的靈活性降低了，因?yàn)槠漭斎胧且呀?jīng)“濃縮”的信息，無法再反映更底層信息的關(guān)聯(lián)性。

特征層融合則介于數(shù)據(jù)層融合和決策層融合兩者之間，是對(duì)原始信息處理后的故障特征進(jìn)行綜合分析和處理。其輸入可以理解為是狀態(tài)指示的值。對(duì)于故障診斷而言，其輸入為故障特征，其輸出通常是基于局部信息的局部故障結(jié)論或基于不同診斷方法的中間結(jié)論。該方法的主要優(yōu)點(diǎn)在于實(shí)現(xiàn)了可觀的信息壓縮，有利于實(shí)時(shí)處理，并且由于所提取的特征直接與決策分析有關(guān)，因而融合結(jié)果能最大限度地給出決策分析所需要的特征信息。由于它是介于數(shù)據(jù)層與決策層之間的中間層，如果使用得當(dāng)兼具數(shù)據(jù)層和決策層融合的優(yōu)點(diǎn)：① 運(yùn)算量適中、對(duì)于運(yùn)算處理資源要求不高，可以滿足實(shí)時(shí)診斷需求；② 其輸入不是局部診斷結(jié)論，因而較決策層融合靈活，可以挖掘出新的關(guān)聯(lián)性從而進(jìn)一步提高診斷精度。

在信息融合領(lǐng)域使用的主要數(shù)學(xué)工具或方法有概率論、推理網(wǎng)絡(luò)、模糊理論和神經(jīng)網(wǎng)絡(luò)等，其中使用較多的是貝葉斯方法、模糊理論、證據(jù)理論和神經(jīng)網(wǎng)絡(luò)。

1) 基于貝葉斯統(tǒng)計(jì)推理的信息融合

基于Bayes理論計(jì)算目標(biāo)屬性的融合概率可以表達(dá)為

(1)

式中:()是先驗(yàn)概率；()是模式為類故障的條件概率密度函數(shù)。貝葉斯推理是理論上較為完善的融合技術(shù)，但是，先驗(yàn)分布概率和條件概率密度函數(shù)需要較大量的故障數(shù)據(jù)才能總結(jié)出來，實(shí)際上很難操作；此外，如果不滿足數(shù)據(jù)之間相互獨(dú)立，或未知信息量大于已知信息量的時(shí)候融合過程就會(huì)呈現(xiàn)不穩(wěn)定性。這些都限制了貝葉斯統(tǒng)計(jì)推理融合方法的使用。

2) 基于模糊理論的融合方法

模糊理論是將普通集合的絕對(duì)隸屬關(guān)系靈活化，使元素對(duì)集合的隸屬度從原來的只能取0和1擴(kuò)充到[0,1] 區(qū)間中的任一數(shù)值，因此很適合對(duì)傳感器信息的不確定性進(jìn)行描述和處理。設(shè)系統(tǒng)中所有可能發(fā)生的故障原因集合為={,, …,}, 其中為故障原因種類的總數(shù), 由這些故障原因所引起的各種特征集合為={,, …,}, 其中為故障特征種類的總數(shù)。當(dāng)?shù)玫揭徽髡兹簶颖緸閧,, …,}，同時(shí)得到樣本各分量對(duì)特征的隸屬度為()時(shí)，就構(gòu)成了故障特征模糊矢量：

={(),(),…,()}

(2a)

假設(shè)該征兆樣本是由故障原因產(chǎn)生的，對(duì)各種原因的隸屬度為

={(),(),…,()}

(2b)

因?yàn)楣收显蚝吞卣髦g存在因果關(guān)系，所以根據(jù)模糊邏輯學(xué)原理可以得到和之間的關(guān)系為

=°

(3)

式中：“°”表示模糊邏輯操作；為模糊關(guān)系矩陣?；谀：碚摰墓收先诤戏椒ú僮骱?jiǎn)便，但其效果則取決于模糊邏輯操作的定義，需要迭代調(diào)節(jié)和實(shí)操經(jīng)驗(yàn)才能得到滿意的結(jié)果。

3) 基于Dempster-Shafer (D-S) 證據(jù)理論的融合方法

設(shè),, …,是同一識(shí)別框架=[,,…,]上的組基本概率分配，即給定個(gè)證據(jù)體對(duì)冪 2的元素(不含空集)(=1, 2, …, 2-1)的概率賦值，則D-S規(guī)則為

()·()…(2-1),≠?

(4a)

≠1

(4b)

D-S證據(jù)理論的缺陷是：① 從理論上來講各個(gè)證據(jù)必須是相互獨(dú)立的；② 證據(jù)合成規(guī)則缺乏完備理論基礎(chǔ),但這也是大部分融合方法共同面對(duì)的問題；③ 結(jié)果有可能違背直觀常理(Zadeh悖論)。

4) 基于神經(jīng)網(wǎng)絡(luò)的信息融合方法

神經(jīng)網(wǎng)絡(luò)應(yīng)用關(guān)于故障診斷的方式主要有系統(tǒng)辨識(shí)、模式識(shí)別、知識(shí)處理等方式。神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識(shí)采用神經(jīng)網(wǎng)絡(luò)模型擬合系統(tǒng)特性，特別適合非線性系統(tǒng)的系統(tǒng)辨識(shí)。將神經(jīng)網(wǎng)絡(luò)的輸出與實(shí)際系統(tǒng)的輸出相比得到殘差，殘差信息就是故障指示。

神經(jīng)網(wǎng)絡(luò)故障模式識(shí)別則采用神經(jīng)網(wǎng)絡(luò)作為分類器，利用其學(xué)習(xí)能力建設(shè)故障征兆與故障類型之間的映射關(guān)系—神經(jīng)網(wǎng)絡(luò)故障分類器模型；采用該模型可以直接由故障征兆得到故障類型。

神經(jīng)網(wǎng)絡(luò)知識(shí)處理是一種知識(shí)表達(dá)體系，信息處理通過大量稱為節(jié)點(diǎn)的簡(jiǎn)單處理單元之間的相互作用進(jìn)行。通過經(jīng)驗(yàn)樣本的學(xué)習(xí)，將專家知識(shí)以權(quán)值的形式儲(chǔ)存在網(wǎng)絡(luò)中，并利用網(wǎng)絡(luò)的信息保持性來完成診斷推理，較好地模擬了專家憑借經(jīng)驗(yàn)、直覺而不是復(fù)雜計(jì)算來推理。

在實(shí)際應(yīng)用中，針對(duì)一個(gè)故障診斷問題，首先需要分析用神經(jīng)網(wǎng)絡(luò)方法求解問題的性質(zhì)，然后根據(jù)故障診斷特點(diǎn)，構(gòu)造網(wǎng)絡(luò)模型和確定訓(xùn)練算法，最后通過網(wǎng)絡(luò)仿真分析，確定是否合適。具體思想框架與證據(jù)理論有點(diǎn)類似，求出每一個(gè)傳感器在某一癥狀下對(duì)故障集內(nèi)的各故障的隸屬度，作為神經(jīng)網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)的輸出即為融合后該癥狀屬于各類故障的隸屬度值。以BP (Back Propagation) 神經(jīng)網(wǎng)絡(luò)為例，其輸入一般是一個(gè)向量，也可以是一個(gè)矩陣或者3維或者高于3維的張量。如果是一個(gè)決策層融合問題，則輸入為多個(gè)診斷局部決策值，可以為0或1，也可以是除以閾值歸一化后顯示故障程度的值，組成一個(gè)向量；對(duì)于一個(gè)特征層融合問題，則輸入也可以是一個(gè)向量，其所含元素是各個(gè)特征量。對(duì)于上述情況，則融合結(jié)果可以表述為輸入的函數(shù)(圖2 中，針對(duì)多個(gè)故障是向量，輸入為故障特征向量或局部故障決策向量，輸出為全局故障決策向量)：

={-1-1[-2-2[(…())]]}

(5)

式中：為該網(wǎng)絡(luò)從輸入層到輸出層層數(shù)；(=1, 2,…,-1)是每一層輸入到輸出的權(quán)重矩陣；是該層的激活函數(shù) (Activation Function)。

圖2 基于BP網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)融合舉例Fig.2 Datafusion using BP neural network

和其他神經(jīng)網(wǎng)絡(luò)應(yīng)用類似，網(wǎng)絡(luò)層數(shù)越多則訓(xùn)練越容易落入局部最小值陷阱從而導(dǎo)致訓(xùn)練困難。是向量，涵蓋多個(gè)故障的診斷結(jié)果。神經(jīng)絡(luò)故障融合的主要問題是要求健康及故障特征空間全覆蓋的大量訓(xùn)練數(shù)據(jù)；此外，神經(jīng)網(wǎng)絡(luò)無法預(yù)測(cè)到訓(xùn)練數(shù)據(jù)以外的行為，如果有新故障行為出現(xiàn)則需要重新訓(xùn)練。也就是說，神經(jīng)網(wǎng)絡(luò)模型 “外插”決策能力較差。

1.2.3 國內(nèi)外研究現(xiàn)狀

美國是將信息融合技術(shù)應(yīng)用于航空發(fā)動(dòng)機(jī)故障診斷起步和發(fā)展最快的國家。信息融合技術(shù)目前已成熟應(yīng)用在航空發(fā)動(dòng)機(jī)健康管理(EHM)系統(tǒng)中。NASA設(shè)計(jì)了兩層融合對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行研究，第1層獲取特征信息并對(duì)發(fā)動(dòng)機(jī)健康狀況進(jìn)行評(píng)估，第2層通過結(jié)合飛行員、地勤人員的觀測(cè)數(shù)據(jù)和歷史維修、飛行數(shù)據(jù)對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行診斷，使用了GPA健康評(píng)價(jià)和AD異常監(jiān)視相結(jié)合的方法。

Volponi在其2005年的經(jīng)典論文里指出故障融合將提高飛行器和航空發(fā)動(dòng)機(jī)的故障診斷精度，并給出了一個(gè)通用的航空發(fā)動(dòng)機(jī)數(shù)據(jù)融合框架(圖3)。Volponi的先驅(qū)性工作在系統(tǒng)層級(jí)完備地實(shí)現(xiàn)了航空發(fā)動(dòng)機(jī)故障融合，對(duì)民用航空發(fā)動(dòng)機(jī)故障融合的實(shí)施直到現(xiàn)在仍然具有指導(dǎo)意義。Volponi提出的故障融合框架中有4個(gè)主要功能模塊：

1) 數(shù)據(jù)對(duì)齊模塊(Data Alignment Module)，其功能實(shí)際上是將高頻和低頻信號(hào)等時(shí)化，以便融合這兩類信號(hào)來反映特定時(shí)刻系統(tǒng)狀態(tài)。

2) 分析/模型模塊(Analysis/Models Module)，該模塊處理100 Hz以下的氣路信號(hào)和滑油屑末信號(hào)；需要指出，實(shí)際上結(jié)構(gòu)和振動(dòng)分析也具有相應(yīng)的分析模塊，在該框架里沒有明確標(biāo)出，而直接顯示為兩個(gè)在數(shù)據(jù)對(duì)齊模塊上方的特征提取(Feature Extraction) 的功能框。

3) 頂層故障診斷特征信息融合模塊 (High Level Diagnostic Feature Information Fusion Module)，該模塊的輸入是基于結(jié)構(gòu)傳感器(應(yīng)力、應(yīng)變測(cè)量)和振動(dòng)傳感器信號(hào)的結(jié)構(gòu)故障特征參數(shù)、轉(zhuǎn)子機(jī)械故障特征參數(shù)、及氣路和滑油系統(tǒng)故障特征參數(shù)，也就是各個(gè)子系統(tǒng)的狀態(tài)指示(CI)值，該模塊的輸出是發(fā)動(dòng)機(jī)的整體健康指示(HI)。

4)故障隔離推理機(jī)模塊 (Fault Isolation Reasoner Module)，這個(gè)模塊已經(jīng)不是單純的“故障融合”模塊，而是兼具“維護(hù)、維修決策模塊”功能；該模塊的輸入除了發(fā)動(dòng)機(jī)整體健康指示，還包括發(fā)動(dòng)機(jī)維護(hù)、維修歷史(Engine Maintenance History)及維護(hù)-維修人員和飛行機(jī)組觀察 (Maintainer/Pilot Observation)，模塊的輸出則是推薦的維護(hù)項(xiàng) (Recommended Maintenance Action)。

圖3所示框架基于特征層融合，如有必要未來民用航空發(fā)動(dòng)機(jī)故障融合框架里可以采用包含原始數(shù)據(jù)層、決策層融合的混合融合框架；此外，維護(hù)維修歷史數(shù)據(jù)及機(jī)組和維護(hù)維修人員觀察輸入除了作為故障隔離模塊輸入，還可以用作更上游的融合模塊輸入。

圖3 航空發(fā)動(dòng)機(jī)通用數(shù)據(jù)融合框架[17]Fig.3 A generic data fusion framework for aero engines [17]

Dempsey等成功地采用模糊理論構(gòu)建了軸承故障融合診斷方法，融合經(jīng)典的振動(dòng)軸承故障診斷特征：在軸承內(nèi)圈、外圈、保持架、及滾子故障特征頻率處的幅值和滑油金屬屑末檢測(cè)結(jié)果來評(píng)估軸承故障狀態(tài)。

國內(nèi)已經(jīng)開展了在實(shí)驗(yàn)室環(huán)境下運(yùn)用信息融合對(duì)航空發(fā)動(dòng)機(jī)故障診斷的研究。Chen等采用神經(jīng)網(wǎng)絡(luò)與粗糙集的方法成功地對(duì)磨損故障進(jìn)行了診斷。陳恬等開發(fā)了結(jié)合神經(jīng)網(wǎng)絡(luò)與D-S(Dempster-Shafer)證據(jù)理論的發(fā)動(dòng)機(jī)氣路部件故障診斷方法；通過使用改良的D-S證據(jù)理論對(duì)基于自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的兩個(gè)診斷子系統(tǒng)的診斷結(jié)果進(jìn)行決策融合降低了誤診率。蔡開龍等提出了一種基于T-S (Takagi-Sugeno) 模糊模型的故障診斷方法，在對(duì)模糊系統(tǒng)的參數(shù)優(yōu)化的同時(shí)實(shí)現(xiàn)了系統(tǒng)結(jié)構(gòu)的自適應(yīng)最優(yōu)化，并給出了閾值確定方法。魯峰等開展了基于信息熵的發(fā)動(dòng)機(jī)氣路故障融合診斷；孫見忠和左洪福提出了一種基于貝葉斯網(wǎng)絡(luò)的多源診斷機(jī)制，并應(yīng)用于發(fā)動(dòng)機(jī)氣路故障診斷；李業(yè)波等提出了基于IDE-ELM與SVD-Kalman的航空發(fā)動(dòng)機(jī)部件故障融合診斷技術(shù)。

1.2.4 航空發(fā)動(dòng)機(jī)多信息融合故障診斷方法發(fā)展方向

綜上國內(nèi)外研究院所已經(jīng)在實(shí)驗(yàn)室環(huán)境下開展了大量的故障融合理論、算法研究并應(yīng)用于航空發(fā)動(dòng)機(jī)氣路和機(jī)械故障診斷。但是實(shí)際成功應(yīng)用于航空發(fā)動(dòng)機(jī)的例子還很少，航空發(fā)動(dòng)機(jī)融合診斷理論、應(yīng)用問題仍然有許多待解決的問題：

1) 優(yōu)化數(shù)據(jù)融合方案

針對(duì)航空發(fā)動(dòng)機(jī)多源數(shù)據(jù)源，選取最優(yōu)化的融合方案。發(fā)動(dòng)機(jī)的多源數(shù)據(jù)融合對(duì)象有多種搭配：同一個(gè)振動(dòng)傳感器經(jīng)過不同的頻域、時(shí)頻域信號(hào)處理得到同源故障狀態(tài)指示，這種同源狀態(tài)指示融合的價(jià)值及其優(yōu)化融合方案仍然是有待回答的問題。發(fā)動(dòng)機(jī)機(jī)匣不同位置的振動(dòng)傳感器信號(hào)的故障特征融合方法，即不同源但同質(zhì)信號(hào)故障特征的融合方法也需要詳細(xì)研究、評(píng)估。需要指出，對(duì)于上述的同源同質(zhì)、不同源同質(zhì)信號(hào)，除了特征層、決策層融合，從理論上講數(shù)據(jù)層融合也是可行的。通過融合基于振動(dòng)傳感器信號(hào)和基于氣路壓力脈動(dòng)傳感器的故障特征、局部故障決策可以提高氣路故障診斷的精度，這是不同源但類似質(zhì)融合的例子。針對(duì)不同源、類似質(zhì)信號(hào)也可以施行數(shù)據(jù)層融合。通過融合基于振動(dòng)傳感器信號(hào)和基于金屬屑末傳感器信號(hào)的特征、局部故障決策融合可以提高發(fā)動(dòng)機(jī)機(jī)械故障診斷的精度，這就是不同源、不同質(zhì)融合。所有這些信息融合診斷方法的適用性和潛力都需要系統(tǒng)、細(xì)致的試驗(yàn)和理論分析來解決。需要論證、研發(fā)適用于不同異構(gòu)數(shù)據(jù)組合的融合方法。

2) 探索混合層融合診斷

除了數(shù)據(jù)層、特征層和決策層融合診斷技術(shù)，混合層融合診斷及其在航空發(fā)動(dòng)機(jī)故障診斷上的應(yīng)用尚未被系統(tǒng)地評(píng)估。

3) 考慮使用及維護(hù)維修歷史的綜合狀態(tài)評(píng)估

航空發(fā)動(dòng)機(jī)故障狀態(tài)的評(píng)估還沒有考慮維護(hù)維修歷史等因素；也就是說，目前的狀態(tài)評(píng)估僅限于狀態(tài)，而沒有綜合考慮“使用”“維護(hù)”“維修”因素。

4) 考慮傳感器信號(hào)置信度的航空發(fā)動(dòng)機(jī)多信息融合故障診斷

目前的航空發(fā)動(dòng)機(jī)多信息融合故障診斷方法尚未明確考慮故障診斷與預(yù)測(cè)的終極信息源-傳感器信號(hào)的置信度；這方面的例子有金屬屑末傳感器、振動(dòng)傳感器信號(hào)等。需要建立量化傳感器置信度的信息融合算法。傳感器置信度評(píng)估有兩層意思：① 傳感原理和制造工藝等導(dǎo)致的傳感器設(shè)計(jì)置信度；② 隨著服役時(shí)間的增加，傳感器性能下降導(dǎo)致的置信度下降。以傳統(tǒng)的線性權(quán)重融合算法為例，傳感器的置信度由其相應(yīng)的特征權(quán)重反映，而權(quán)重并未嚴(yán)格量化，尤其是由于傳感器退化、老化導(dǎo)致的置信度下降未得到考慮，導(dǎo)致漏檢、虛警等。

1.3 基于深度學(xué)習(xí)的故障診斷和預(yù)測(cè)技術(shù)

1.3.1 研究背景

2015年Hinton等在《Nature》上發(fā)表文章“Deep learning”，探討了一種處理大數(shù)據(jù)的工具，即深度學(xué)習(xí)理論，開啟了深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的浪潮。深度學(xué)習(xí)旨在通過模擬大腦的學(xué)習(xí)過程，構(gòu)建深層次的模型，結(jié)合海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)數(shù)據(jù)中隱含的特征，從而刻畫數(shù)據(jù)豐富的內(nèi)在信息，最終提升分類或預(yù)測(cè)的精度。深度學(xué)習(xí)在圖像識(shí)別、語音識(shí)別、工業(yè)機(jī)器人等領(lǐng)域都展現(xiàn)了前所未有的應(yīng)用前景。在故障診斷與預(yù)測(cè)領(lǐng)域，基于深度學(xué)習(xí)技術(shù)的智能故障診斷預(yù)測(cè)方法也引起了廣泛關(guān)注，學(xué)者們已經(jīng)開展了大量的研究。目前國內(nèi)外研發(fā)人員已經(jīng)探索了一些深度學(xué)習(xí)方法例如自動(dòng)編碼器、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、殘差神經(jīng)網(wǎng)絡(luò)等在智能故障診斷與預(yù)測(cè)中的應(yīng)用。

故障診斷方法萬變不離其宗，是采用故障特征(一般系參數(shù)形式)及特征參數(shù)的值來開展的，通過融合多個(gè)故障指示可以提高其診斷精度。傳統(tǒng)的故障診斷方法其實(shí)也是通過學(xué)習(xí)得到的，只是這個(gè)學(xué)習(xí)主體是故障診斷研發(fā)人員。研發(fā)人員按照開發(fā)流程，嘗試一些傳感信號(hào)的特征提取方法，并依據(jù)統(tǒng)計(jì)方法設(shè)置閾值然后進(jìn)行診斷方法驗(yàn)證。根據(jù)使用效果研究人員會(huì)對(duì)算法、閾值進(jìn)行調(diào)整，以獲取滿意的漏檢率、虛警率及診斷精度，這就是一個(gè)HIL (Human In Loop) 學(xué)習(xí)過程。但是這種傳統(tǒng)的HIL診斷開發(fā)方法要求開發(fā)者具備專業(yè)知識(shí)，而且開發(fā)時(shí)間較長(zhǎng)。如果診斷對(duì)象發(fā)生了改變，則需要重新開展研發(fā)活動(dòng)來發(fā)展新的診斷算法系統(tǒng)，系統(tǒng)的成熟也需要時(shí)間，導(dǎo)致系統(tǒng)的時(shí)效性較差。此外，在一個(gè)新系統(tǒng)設(shè)計(jì)過程中，雖然開展了失效模式效果和嚴(yán)酷度分析(Failure Mode Effect Criticality Analysis，簡(jiǎn)寫為FMECA或FMEA)，在投放市場(chǎng)的初期不可避免地會(huì)碰到新的故障模式，這種情況下傳統(tǒng)的故障診斷研發(fā)方法無法給出快速的故障診斷解決方案。基于深度學(xué)習(xí)的診斷、預(yù)測(cè)技術(shù)則可以快速的給出診斷方案，因?yàn)槠鋵W(xué)習(xí)的主體不再是研發(fā)人員，而是基于神經(jīng)網(wǎng)絡(luò)的人工智能，能夠根據(jù)輸入快速自動(dòng)迭代找到最優(yōu)解。

1.3.2 方法簡(jiǎn)介及國內(nèi)外現(xiàn)狀

表1總結(jié)了國內(nèi)外最近基于深度學(xué)習(xí)的系統(tǒng)故障診斷及其在航空發(fā)動(dòng)機(jī)和燃?xì)廨啓C(jī)健康管理方面的應(yīng)用工作。國外最近開展的工作包括：深度學(xué)習(xí)在飛機(jī)MRO (Maintenance，Repair，Overhaul)上的應(yīng)用綜述和總結(jié)，及基于MLP (Multilayer Perceptron)、RBF (Redial-basis Function)、DNM (Deep Belief Network)、TDNN (Time-delayed Neural Network)等類型的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的故障診斷、分類方法及其在航空發(fā)動(dòng)機(jī)EHM的應(yīng)用。

表1 基于深度學(xué)習(xí)的故障診斷與預(yù)測(cè)研發(fā)工作[25-45]Table 1 Research and development on deep learning & its application on diagnostics and prognostics[25-45]

續(xù)表

國內(nèi)最近在基于深度學(xué)習(xí)的健康管理和航空發(fā)動(dòng)機(jī)應(yīng)用方面的工作相比國外文章數(shù)量要更多一些，研究工作也更豐富。文成林和呂菲亞對(duì)于基于深度學(xué)習(xí)的故障診斷方法給出了比較完備的綜述，該文介紹了深度學(xué)習(xí)常用的4種網(wǎng)絡(luò)及各自的特點(diǎn)，并指出了基于深度學(xué)習(xí)故障診斷目前面臨的主要問題：① 多傳感器測(cè)量下樣本的特征維數(shù)較高，且具有強(qiáng)關(guān)聯(lián)性；② 海量數(shù)據(jù)中有價(jià)值/有效信息有限，因而干擾信息過多；③ 訓(xùn)練數(shù)據(jù)分布不均勻、樣本數(shù)量過小，導(dǎo)致診斷空間覆蓋不完備。沈濤等對(duì)于基于深度學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障診斷進(jìn)行了總結(jié)性回顧，除了SAE (Stacked Auto E)、DBN (Deep Belief Network)、CNN (Convolutional Neural Networks)、RNN (Recurrent Neural Network)，還涵蓋了生成對(duì)抗網(wǎng)絡(luò) (Generative Adversarial Network，GAN)。他們還提出了一些指導(dǎo)性的意見：① 深度學(xué)習(xí)和多種特征提取技術(shù)融合診斷相結(jié)合能進(jìn)一步提高深度學(xué)習(xí)故障診斷的精度;② 過度去噪、去噪不足會(huì)使原始的信號(hào)失真，并降低故障診斷效率甚至準(zhǔn)確度；③ 如果通過增加單一的深度學(xué)習(xí)模型深度來提高模型效果，會(huì)出現(xiàn)梯度消失問題，導(dǎo)致計(jì)算過于復(fù)雜并影響準(zhǔn)確率。除了深度學(xué)習(xí)故障診斷方法方面的工作，Shen等提出了一種全卷積網(wǎng)絡(luò) (FCN) 的最新算法來識(shí)別和定位飛機(jī)發(fā)動(dòng)機(jī)管道鏡圖像的損傷。成功地從內(nèi)窺鏡圖像中識(shí)別出兩種主要類型的損傷，即裂縫和燒傷，并在這些圖像上高精度地提取出它們的損傷區(qū)域。

雖然深度學(xué)習(xí)網(wǎng)絡(luò)DAE (Deep Auto Encoder)、 LSTM (Long Short-Term Memory)、CNNs、DBNs、BP等以及這些網(wǎng)絡(luò)的混合模型在航空發(fā)動(dòng)機(jī)診斷、預(yù)測(cè)上的應(yīng)用已被廣泛研究，但是成功的實(shí)際應(yīng)用案例在文獻(xiàn)上尚未見到。這方面實(shí)用性的工作在國內(nèi)尤其匱乏。

1.3.3 基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)故障診斷和預(yù)測(cè)研發(fā)方向

雖然國內(nèi)外的研發(fā)人員已經(jīng)在過去10年里取得了很多進(jìn)展，深度學(xué)習(xí)理論和方法仍然在持續(xù)發(fā)展和成熟的過程中?；谏疃葘W(xué)習(xí)的故障診斷仍然離實(shí)際應(yīng)用有很大距離，未來的航空發(fā)動(dòng)機(jī)基于深度學(xué)習(xí)的故障診斷與預(yù)測(cè)實(shí)用化主攻方向總結(jié)如下：

1) 利用航空公司現(xiàn)有運(yùn)維數(shù)據(jù)開展基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)故障診斷與預(yù)測(cè)研究

利用航空公司現(xiàn)有的已標(biāo)注(數(shù)據(jù)帶故障標(biāo)簽)運(yùn)維數(shù)據(jù)進(jìn)行基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)故障診斷與預(yù)測(cè)研究。通過分析比較健康階段、早期亞健康階段、和故障階段數(shù)據(jù)，甄別新的潛在關(guān)聯(lián)故障、早期故障指示；采用深度學(xué)習(xí)建立相應(yīng)的故障檢測(cè)和故障隔離、分類模型。通過神經(jīng)網(wǎng)絡(luò)輸入-輸出敏感性排序選擇關(guān)鍵亞健康、故障指示，并通過實(shí)際案例和基于物理原理的解釋性確認(rèn)其正確性。

2) 無監(jiān)督算法批量樣本標(biāo)注方法研究及驗(yàn)證

現(xiàn)有的智能故障診斷方法是以有標(biāo)簽的樣本為前提的，這些樣本往往是通過人為標(biāo)注的。目前基于人工診斷的樣本標(biāo)注技術(shù)效率較低，受主觀因素影響較大，同時(shí)需要有大量的先驗(yàn)知識(shí)與數(shù)據(jù)處理技術(shù)，難以適應(yīng)大數(shù)據(jù)的發(fā)展要求。未來發(fā)展方向之一是采用無監(jiān)督學(xué)習(xí)算法，發(fā)現(xiàn)無標(biāo)簽樣本內(nèi)部的聯(lián)系；通過綜合各個(gè)聚類信息，對(duì)樣本進(jìn)行批量標(biāo)注，為智能故障診斷方法提供前提條件，進(jìn)而降低智能診斷預(yù)測(cè)技術(shù)應(yīng)用難度。

3) 深度學(xué)習(xí)與物理原理結(jié)合從而提高深度學(xué)習(xí)模型可解釋性和外插性能

就深度學(xué)習(xí)網(wǎng)絡(luò)本身而言，限制其應(yīng)用的瓶頸之一仍然是可解釋性問題。研發(fā)人員多年前就意識(shí)到將已知的原理、機(jī)理反映在神經(jīng)網(wǎng)絡(luò)的輸入和結(jié)構(gòu)上不但能夠提高建模效率、提高精度、并部分解決神經(jīng)網(wǎng)絡(luò)模型外插特性差的問題，還能夠解決神經(jīng)網(wǎng)絡(luò)模型解釋性。將已知的知識(shí)融入神經(jīng)網(wǎng)絡(luò)的輸入及結(jié)構(gòu)從而得到“可解釋的”深度神經(jīng)網(wǎng)絡(luò)診斷模型將提高診斷和預(yù)測(cè)精度。

4) 高故障敏感特征提取方法研究及驗(yàn)證

現(xiàn)有的智能故障診斷方法，主要是提取有區(qū)分度特征進(jìn)行診斷，但有區(qū)分度的特征具有一定隨機(jī)性，不能完全保證是故障特征，這限制了模型的泛化能力。因?yàn)槟Ｐ吞崛×似渌麕в袇^(qū)分性的特征(例如工況特征)時(shí)，往往會(huì)掩蓋故障特征，導(dǎo)致診斷效果下降。未來可以通過綜合各個(gè)故障的直接相關(guān)特點(diǎn)，基于稀疏特征提取思想，研究高故障敏感特征提取方法。再利用微弱故障實(shí)驗(yàn)以驗(yàn)證模型準(zhǔn)確性。

5) 高效訓(xùn)練與診斷方法研究及驗(yàn)證

現(xiàn)有的基于深度學(xué)習(xí)的智能故障診斷預(yù)測(cè)方法為保證診斷精度，往往選取深層網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)加深帶來的是網(wǎng)絡(luò)優(yōu)化參數(shù)規(guī)模變大，在采用大數(shù)據(jù)訓(xùn)練模型時(shí)占用大量的時(shí)間與存儲(chǔ)資源，同時(shí)深層結(jié)構(gòu)也導(dǎo)致診斷效率下降，難以應(yīng)用于實(shí)時(shí)診斷中。需要通過開發(fā)先進(jìn)的參數(shù)優(yōu)化方法，在保證淺層結(jié)構(gòu)下提高模型診斷能力，建立高效訓(xùn)練與診斷模型?，F(xiàn)有的深度學(xué)習(xí)智能故障診斷預(yù)測(cè)方法研究是在大數(shù)據(jù)前提下開展的，但在實(shí)際中，大數(shù)據(jù)的前提是片面的，主要表現(xiàn)在樣本的極不平衡上。訓(xùn)練集中的普遍狀況是無故障樣本占絕大多數(shù)，而故障樣本極為稀有。這使得智能故障診斷模型在參數(shù)優(yōu)化上發(fā)生整體偏移?？赡艿慕鉀Q方案是通過調(diào)節(jié)訓(xùn)練參數(shù)權(quán)重以及數(shù)據(jù)增強(qiáng)的方式，建立樣本不平衡智能診斷預(yù)測(cè)模型，再利用不平衡故障數(shù)據(jù)集以驗(yàn)證模型準(zhǔn)確性。

6) 欠定情況下智能診斷方法研究及驗(yàn)證

現(xiàn)有基于盲源分離的智能故障診斷方法，大多數(shù)是基于適定或超定情況，即傳感器數(shù)目等于或多于振動(dòng)源信號(hào)的數(shù)目，其不適用于欠定情況。欠定情況使得機(jī)械設(shè)備振動(dòng)源信號(hào)的分離難度大大增加，可能導(dǎo)致振動(dòng)源信號(hào)的錯(cuò)分情況，進(jìn)而導(dǎo)致故障源的錯(cuò)誤判別。需要基于機(jī)械設(shè)備信號(hào)的稀疏性，建立欠定情況下智能診斷方法。

7) 時(shí)變工況智能診斷預(yù)測(cè)模型建立及驗(yàn)證

現(xiàn)有的故障診斷方法基本的工況前提是診斷過程中工況不變，但實(shí)際中，尤其是航空航天領(lǐng)域的機(jī)械設(shè)備，運(yùn)行工況往往是時(shí)變的，這給智能故障診斷的應(yīng)用帶來了困難。因?yàn)楦鞣N工況因素相互疊加，導(dǎo)致信息的復(fù)雜度呈指數(shù)級(jí)上升，而基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)算法是以數(shù)據(jù)為前提的，若要滿足如此龐大復(fù)雜度的訓(xùn)練樣本難度非常大。需要針對(duì)時(shí)變工況下難以采用基于深度學(xué)習(xí)的智能故障診斷預(yù)測(cè)方法的問題，基于信息降維思想，建立時(shí)變工況智能診斷預(yù)測(cè)模型。

1.4 數(shù)字孿生樣機(jī)及系統(tǒng)診斷技術(shù)

1.4.1 數(shù)字孿生技術(shù)背景

數(shù)字孿生概念最早于2003年由Grieves在美國密歇根大學(xué)的產(chǎn)品全生命周期管理課程上明確提出，當(dāng)時(shí)被稱作“鏡像空間模型”，后又被定義為“信息鏡像模型”和“數(shù)字孿生”。嚴(yán)格從技術(shù)層面來講，數(shù)字孿生并不是一個(gè)全新的領(lǐng)域，其理論基礎(chǔ)早已存在，是最近這二十多年的計(jì)算機(jī)軟硬件發(fā)展帶來的指數(shù)級(jí)增長(zhǎng)的算力讓數(shù)字孿生建模變成了可能并快速發(fā)展。Grieves定義數(shù)字孿生模型為一整套虛擬信息能夠完全地描述對(duì)象的所有特性和行為，在理想狀況下所有通過測(cè)試、觀察對(duì)象實(shí)體能夠得到的信息都可以被數(shù)字孿生模型所反映。數(shù)字孿生模型被分為兩類：數(shù)字孿生原型模型 (Digital Twin Prototype, DTP)、數(shù)字孿生實(shí)例模型 (Digital Twin Instance, DTI)。DTP包含了所有能夠用來描述和制造該對(duì)象的通用性的信息：設(shè)計(jì)要求、3D模型及相應(yīng)尺寸、材料特性、制造工藝、服務(wù)方案、和廢品處理等；而DTI則描述了一個(gè)特定的對(duì)象，包括3D模型及相應(yīng)尺寸和公差;目前和過去的材料特性，所有該對(duì)象經(jīng)歷過的正常操作和維護(hù)維修，當(dāng)前模型測(cè)量和測(cè)試結(jié)果，更換過的零部件及更換時(shí)間，過去、現(xiàn)在的操作狀態(tài)下測(cè)量記錄和相應(yīng)的未來預(yù)測(cè)；運(yùn)行DTP、DTI的環(huán)境被稱作DTE (Digital Twin Environment);其子系統(tǒng)、零部件的壽命預(yù)測(cè)精度。

Mussomeli等介紹了DT在制造過程中的應(yīng)用。Domone指出DT技術(shù)將提高民用航空器及其子系統(tǒng)、零部件的壽命預(yù)測(cè)精度。西門子公司的Auweraer指出(圖4)驗(yàn)證后的系統(tǒng)數(shù)字孿生模型大大加快了產(chǎn)品設(shè)計(jì)周期，要解決今天的產(chǎn)品設(shè)計(jì)和制造所面臨的挑戰(zhàn)就必須系統(tǒng)地采用數(shù)字孿生技術(shù)。該研究的結(jié)論有3點(diǎn)：① 數(shù)字孿生建模技術(shù)是現(xiàn)代產(chǎn)品設(shè)計(jì)和制造的基石，目前的主要挑戰(zhàn)是多學(xué)科復(fù)雜系統(tǒng)的建模及各種建模工具的接口；② 數(shù)字孿生建模技術(shù)提供了所有位置的虛擬傳感能力；③ 和完全物理模型相比，深度學(xué)習(xí)提供了一個(gè)有價(jià)值的高效建模選項(xiàng)。

圖4 渦輪葉片氣動(dòng)、冷卻、葉片受力、溫度場(chǎng)和變形數(shù)字孿生模型[51]Fig.4 Digital twin model for turbine blade aerodynamics, cooling, blade stress, temperature and deformation[51]

近年來，國內(nèi)針對(duì)數(shù)字孿生技術(shù)也展開了相關(guān)研究。劉大同等等對(duì)于數(shù)字孿生技術(shù)的技術(shù)體系和關(guān)鍵技術(shù)進(jìn)行了論證，并指出了挑戰(zhàn)和未來發(fā)展趨勢(shì)。莊存波等總結(jié)了智能制造中產(chǎn)品數(shù)字孿生體的基本內(nèi)涵，提出了產(chǎn)品數(shù)字孿生體的體系結(jié)構(gòu)，并闡述了產(chǎn)品數(shù)字孿生體在產(chǎn)品設(shè)計(jì)階段、制造階段和服務(wù)階段的實(shí)施途徑。陶飛等從物理融合、模型融合、數(shù)據(jù)融合和服務(wù)融合4個(gè)維度上，分析了數(shù)字孿生車間信息物理融合的基礎(chǔ)理論與關(guān)鍵技術(shù)基礎(chǔ)。

波音信息服務(wù)(Boeing Information Services)副總裁Norén在2012年的全球飛機(jī)健康管理(Aircraft Health Management, AHM)峰會(huì)上題為“數(shù)字航空公司”(The Digital Airline)的報(bào)告中指出(圖5)，從波音777到波音787不到10年的時(shí)間里，每趟航班的數(shù)據(jù)量增加了超過30倍，全球航司的數(shù)據(jù)量在2010年為6.8 TB，2030年將達(dá)到至少1 000 TB；他明確提出波音的愿景：致力于為“數(shù)字航空公司”提供數(shù)字運(yùn)維管理平臺(tái)。漢莎航空技術(shù)公司也將數(shù)字孿生技術(shù)視為未來提高飛行器可用度的性能監(jiān)控和預(yù)測(cè)維護(hù)的手段。摩天宇(MTU)的Ross給出了MTU的數(shù)字化路線圖(圖6)，在該路線圖上DT占據(jù)了顯著位置，將被用來開展預(yù)測(cè)性分析和預(yù)測(cè)性維護(hù)等。羅羅正在開發(fā)基于云的數(shù)字孿生技術(shù)，利用發(fā)動(dòng)機(jī)實(shí)時(shí)傳感數(shù)據(jù)模擬每臺(tái)發(fā)送機(jī)性能，進(jìn)而減少不必要的維護(hù)和計(jì)劃外停飛時(shí)間。羅羅在其最新的發(fā)動(dòng)機(jī)機(jī)型上以幾百甚至上千赫茲的高采樣率采集建立整機(jī)性能模型所需要的數(shù)據(jù)，然后再將相關(guān)數(shù)據(jù)輸入到Microsoft Azure數(shù)據(jù)云上預(yù)測(cè)關(guān)鍵的發(fā)動(dòng)機(jī)系統(tǒng)動(dòng)力學(xué)參數(shù)，并與發(fā)動(dòng)機(jī)健康狀態(tài)行為進(jìn)行比較。在偏差大于設(shè)定閾值時(shí)報(bào)警，并發(fā)出相應(yīng)的維護(hù)、維修提醒。截至目前，羅羅宣稱其已經(jīng)采用數(shù)字孿生技術(shù)避免了約5%的計(jì)劃外停機(jī)。

圖5 數(shù)字航空公司[55]Fig.5 Digital airline[55]

圖6 MTU的數(shù)字化路線圖[56]Fig.6 MTU’s digitalization road map[56]

王嶺提出一種基于數(shù)字孿生的航空發(fā)動(dòng)機(jī)低壓渦輪單元體對(duì)接技術(shù)。劉婷等論述了數(shù)字孿生技術(shù)在航空發(fā)動(dòng)機(jī)全壽命周期從設(shè)計(jì)階段、試驗(yàn)階段、制造裝配階段、到運(yùn)行維修階段的應(yīng)用。呂延全研究了基于數(shù)字孿生的生產(chǎn)管控模式。崔一輝等通過應(yīng)用實(shí)例驗(yàn)證了數(shù)字孿生技術(shù)在智能生產(chǎn)線上的實(shí)現(xiàn)途徑。劉魁等簡(jiǎn)要論述了數(shù)字孿生技術(shù)的發(fā)展和主要驅(qū)動(dòng)技術(shù)，闡述了在航空發(fā)動(dòng)機(jī)運(yùn)行維護(hù)中的重要意義。

總的來說，國內(nèi)數(shù)字孿生技術(shù)在航空發(fā)動(dòng)機(jī)故障診斷健康管理領(lǐng)域的應(yīng)用仍在起步階段，現(xiàn)階段主要受限于一些相對(duì)簡(jiǎn)單的局部應(yīng)用，在深度、廣度上都還比較欠缺，系統(tǒng)性的工作尚未開展。

1.4.2 基于數(shù)字孿生建模的發(fā)動(dòng)機(jī)診斷技術(shù)需求及未來發(fā)展方向

圖7給出了采用數(shù)字孿生模型進(jìn)行發(fā)動(dòng)機(jī)故障診斷與預(yù)測(cè)、及維護(hù)維修決策的流程。除了尺寸及公差幾何數(shù)據(jù)和材料特性等參數(shù)外，環(huán)境參數(shù)、運(yùn)行工況參數(shù)都是數(shù)字孿生模型的輸入。需要指出，每一臺(tái)發(fā)動(dòng)機(jī)都有一個(gè)自己特定的數(shù)字孿生，其幾何尺寸精確反映公差值，而其環(huán)境、運(yùn)行工況等也高度保真(完全吻合其真實(shí)經(jīng)歷的環(huán)境和工況)，這樣就確保了孿生模型有和發(fā)動(dòng)機(jī)完全一樣的輸入。在全壽命周期的早期(這個(gè)階段系統(tǒng)一般處于健康狀態(tài))，通過反復(fù)迭代縮小孿生模型輸出和物理模型輸出的誤差來確保孿生數(shù)字模型的精確性；在該環(huán)節(jié)，一般采用物理模型傳感器信號(hào)作為系統(tǒng)輸出。除了物理模型上安裝的傳感器外，數(shù)字孿生模型的任何位置都可以設(shè)置虛擬傳感器。

圖7 基于數(shù)字孿生的航空發(fā)動(dòng)機(jī)健康管理Fig.7 Aeroengine EHM based on digital twin

如果數(shù)字孿生模型的輸出和發(fā)動(dòng)機(jī)產(chǎn)生超過指定閾值的誤差時(shí)，就要懷疑是否有故障發(fā)生，而相應(yīng)傳感信號(hào)的差值向量(由多個(gè)傳感器輸出組成)則被用來決定故障類型及故障定位。故障診斷結(jié)果通過維護(hù)維修確認(rèn)，故障診斷誤差反饋信息則被用來對(duì)診斷方法進(jìn)行修正。

數(shù)字孿生模型還可以被用來進(jìn)行故障擴(kuò)散機(jī)理研究，通過在維護(hù)維修過程中確認(rèn)故障發(fā)生并觀察故障特性(比方說裂紋的位置、走向、大小及深度等)，可以在孿生模型里開展故障建模并模擬故障擴(kuò)展、擴(kuò)散的過程；通過與實(shí)際觀察到的故障幾何特性進(jìn)行比較，可以完成故障的精確建模進(jìn)而估計(jì)該系統(tǒng)、子系統(tǒng)、零部件的有效剩余壽命。

必須指出，孿生數(shù)字模型是一對(duì)多的，也就是說針對(duì)單臺(tái)份發(fā)動(dòng)機(jī)可以有多個(gè)孿生模型，每一個(gè)對(duì)應(yīng)其特定的物理特性，例如可以有結(jié)構(gòu)動(dòng)力學(xué)模型、熱管理模型等，熱管理模型里又可以有空氣系統(tǒng)和滑油系統(tǒng)模型。

孿生數(shù)字模型是全壽命周期模型，隨著物理模型的退化一起演進(jìn)；數(shù)字孿生模擬系統(tǒng)的健康狀態(tài)，也能夠反映系統(tǒng)的亞健康和故障狀態(tài)，以及零部件更換等全部維護(hù)維修歷史帶來的系統(tǒng)特性變化。比較常見的數(shù)字孿生模型建模方法有有限單元法 (Finite Element Algorithm，F(xiàn)EA)、計(jì)算流體力學(xué) (Computational Fluid Dynamics，CFD，也可以理解為流場(chǎng)有限單元法)、集中參數(shù)物理模型、卡爾曼濾波器和基于神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的建模方法。上述數(shù)字孿生模型建模方法中的FEA、CFD、集中參數(shù)物理模型是基于物理原理的建模；而深度學(xué)習(xí)則是基于輸入-輸出映射的純數(shù)字模型，并不直接反映現(xiàn)象背后的物理原理；卡爾曼濾波器則介于物理原理模型和純數(shù)字模型之間。

研發(fā)人員可以根據(jù)對(duì)于系統(tǒng)的理解程度選取相應(yīng)的建模方法，對(duì)于了解很少又較復(fù)雜的系統(tǒng)，可以采用深度學(xué)習(xí)建模，對(duì)于原理非常清楚的系統(tǒng)則可以考慮采用集中參數(shù)的物理模型；對(duì)于理解程度、復(fù)雜程度居于上述兩者之間的系統(tǒng)，可以混合神經(jīng)網(wǎng)絡(luò)和物理模型建模。當(dāng)然，建模方法的選取也和輸入輸出測(cè)量有關(guān)系。

鑒于國內(nèi)基于發(fā)動(dòng)機(jī)數(shù)字孿生的故障診斷與預(yù)測(cè)基礎(chǔ)性、系統(tǒng)性的工作還比較欠缺的局面，下面這幾個(gè)方向應(yīng)該是我們亟待努力的方向：

1) 發(fā)動(dòng)機(jī)數(shù)字樣機(jī)數(shù)據(jù)保障層的研究與構(gòu)建

研究支撐發(fā)動(dòng)機(jī)數(shù)字孿生技術(shù)的信號(hào)及數(shù)據(jù)輸入，完成傳感系統(tǒng)的架構(gòu)搭建；研究先進(jìn)智能的信號(hào)處理方法，實(shí)現(xiàn)從海量復(fù)雜的數(shù)據(jù)提取和構(gòu)建系統(tǒng)特征的最重要信息，反映發(fā)動(dòng)機(jī)各系統(tǒng)的實(shí)時(shí)物理特性；搭建快速可靠的數(shù)據(jù)傳輸網(wǎng)絡(luò)，將這些數(shù)據(jù)快速傳輸給地面系統(tǒng)，實(shí)現(xiàn)數(shù)字孿生系統(tǒng)的實(shí)時(shí)跟蹤。研究基于分布式云服務(wù)器的發(fā)動(dòng)機(jī)全壽命周期數(shù)據(jù)的存儲(chǔ)和管理技術(shù)，實(shí)現(xiàn)數(shù)據(jù)的高度讀取和安全冗余備份，構(gòu)建以安全私有云為核心的數(shù)據(jù)中心和數(shù)據(jù)管理體系。

2) 發(fā)動(dòng)機(jī)數(shù)字樣機(jī)建模計(jì)算層的研究與驗(yàn)證

研究發(fā)動(dòng)機(jī)不同部件級(jí)的工作機(jī)理和特性，建立能夠高度表征部件性能的數(shù)字模型或仿真模型，開展部件級(jí)試驗(yàn)進(jìn)行模型驗(yàn)證與優(yōu)化；研究多尺度多領(lǐng)域的融合建模，從不同領(lǐng)域視角對(duì)發(fā)動(dòng)機(jī)系統(tǒng)或部件進(jìn)行跨領(lǐng)域融合建模，實(shí)現(xiàn)不同系統(tǒng)接口基于機(jī)理層面的深度融合，研究能夠同時(shí)體現(xiàn)不同長(zhǎng)度、時(shí)間尺度以及耦合范圍的多尺度建模方法，實(shí)現(xiàn)不同模型的有效連接。研究譬如深度機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的技術(shù)方法等智能算法，實(shí)現(xiàn)發(fā)動(dòng)機(jī)系統(tǒng)數(shù)據(jù)的深度特征提取和建模，研究多尺度多模型的方法對(duì)傳感數(shù)據(jù)進(jìn)行多層次多尺度的解析，挖掘和學(xué)習(xí)其中蘊(yùn)含的相關(guān)關(guān)系、邏輯關(guān)系和主要特征，建立基于數(shù)據(jù)驅(qū)動(dòng)的發(fā)動(dòng)機(jī)模型。研究數(shù)據(jù)驅(qū)動(dòng)與物理模型有效的融合方法，實(shí)現(xiàn)兩者在原理層面的融合和互補(bǔ)，將高精度的傳感數(shù)據(jù)統(tǒng)計(jì)特性與系統(tǒng)的機(jī)理模型合理、有效地結(jié)合起來，獲得高精度的發(fā)動(dòng)機(jī)數(shù)字孿生系統(tǒng)。

3) 發(fā)動(dòng)機(jī)數(shù)字樣機(jī)功能層的研究與驗(yàn)證：關(guān)鍵零部件數(shù)字孿生模型及其在故障診斷與預(yù)測(cè)中的應(yīng)用

從EHM需求上來講，整機(jī)數(shù)字孿生模型并非總是必要。有些零部件、子系統(tǒng)故障后果嚴(yán)重(例如發(fā)動(dòng)機(jī)風(fēng)扇葉片非包容事故)，亟需基于數(shù)字孿生的零部件、子系統(tǒng)級(jí)故障診斷、預(yù)測(cè)解決方案。開展發(fā)動(dòng)機(jī)關(guān)鍵部件和子系統(tǒng)的退化建模和壽命估計(jì)工作，建立性能退化和壽命預(yù)測(cè)高精度模型，為發(fā)動(dòng)機(jī)健康狀態(tài)的管理提供指導(dǎo)和評(píng)估依據(jù)，并開展相關(guān)性能退化和壽命試驗(yàn)進(jìn)行零部件、子系統(tǒng)級(jí)的驗(yàn)證和優(yōu)化。針對(duì)這類零部件、子系統(tǒng)著手開發(fā)數(shù)字孿生模型，不僅為后續(xù)的整機(jī)建模打下了基礎(chǔ)，也提供了一個(gè)相對(duì)快速、簡(jiǎn)潔的故障診斷和預(yù)測(cè)工具。這樣的從簡(jiǎn)至繁的發(fā)動(dòng)機(jī)數(shù)字孿生模型開發(fā)流程從開發(fā)能力發(fā)展的角度也提供了階梯式進(jìn)步的途徑。

4) 發(fā)動(dòng)機(jī)數(shù)字樣機(jī)功能層的研究與驗(yàn)證：整機(jī)級(jí)多學(xué)科數(shù)字孿生模型及其在故障診斷與預(yù)測(cè)中的應(yīng)用

航空發(fā)動(dòng)機(jī)是一個(gè)高度復(fù)雜的系統(tǒng)，涉及到氣動(dòng)熱力和傳熱、機(jī)械系統(tǒng)(含滑油系統(tǒng))、FADEC系統(tǒng)(含燃油系統(tǒng))、短艙結(jié)構(gòu)和管路、結(jié)構(gòu)建模等。整機(jī)級(jí)數(shù)字孿生模型由上述相互耦合的子系統(tǒng)模型構(gòu)成。各個(gè)子系統(tǒng)模型選用不同的建模方式：從傳統(tǒng)的常微分偏微分方程、線性和非線性回歸模型、線性和非線性卡爾曼濾波器、直到深度學(xué)習(xí)網(wǎng)絡(luò)等智能建模工具，因而，整機(jī)數(shù)字孿生模型建模的難度大、復(fù)雜性高。此外，由于動(dòng)力學(xué)時(shí)間尺度差異等原因，各個(gè)子系統(tǒng)的積分、時(shí)間步長(zhǎng)迥異，甚至?xí)袛?shù)量級(jí)的差異，給發(fā)動(dòng)機(jī)整機(jī)級(jí)數(shù)字孿生模型求解帶來挑戰(zhàn)。針對(duì)發(fā)動(dòng)機(jī)在使用過程中存在的故障和退化現(xiàn)象，研究其故障和退化機(jī)理，在功能層開展針對(duì)發(fā)動(dòng)機(jī)整機(jī)故障建模分析、預(yù)測(cè)與診斷工作，建立發(fā)動(dòng)機(jī)整機(jī)系統(tǒng)的故障導(dǎo)入高精度模型，開展基于發(fā)動(dòng)機(jī)整機(jī)數(shù)字樣機(jī)的仿真分析，建立發(fā)動(dòng)機(jī)整機(jī)故障表征和診斷機(jī)制，并開展相關(guān)故障導(dǎo)入試驗(yàn)進(jìn)行驗(yàn)證和優(yōu)化。對(duì)于發(fā)動(dòng)機(jī)中需要協(xié)同工作的復(fù)雜系統(tǒng)集群，開展協(xié)同執(zhí)行任務(wù)的可執(zhí)行性評(píng)估和個(gè)體自身狀態(tài)感知，輔助集群任務(wù)的執(zhí)行過程決策。在對(duì)系統(tǒng)集群中每個(gè)個(gè)體的狀態(tài)深度感知的基礎(chǔ)上，開展進(jìn)一步依據(jù)系統(tǒng)健康狀態(tài)實(shí)現(xiàn)基于集群的系統(tǒng)維護(hù)保障，實(shí)現(xiàn)發(fā)動(dòng)機(jī)整機(jī)的視情維護(hù)保障。整機(jī)數(shù)字樣機(jī)也提供了從發(fā)動(dòng)機(jī)系統(tǒng)整體的角度評(píng)估故障融合策略及優(yōu)化傳感方案的平臺(tái)。

1.5 基于知識(shí)圖譜的發(fā)動(dòng)機(jī)故障診斷

國內(nèi)學(xué)者在應(yīng)用歐美飛機(jī)發(fā)動(dòng)機(jī)健康管理系統(tǒng)的基礎(chǔ)上，對(duì)系統(tǒng)數(shù)據(jù)庫的建構(gòu)上取得一定成效。但是隨著互聯(lián)網(wǎng)在社會(huì)中越來越廣泛的運(yùn)用，面向用戶的C/S (Client/Server) 結(jié)構(gòu)數(shù)據(jù)庫技術(shù)將不能滿足當(dāng)前飛機(jī)和發(fā)動(dòng)機(jī)健康管理的要求，從而導(dǎo)致國內(nèi)的民航飛機(jī)或發(fā)動(dòng)機(jī)健康管理水平與國外先進(jìn)技術(shù)的差距也將變得越來越大。

在飛機(jī)健康管理領(lǐng)域，中國民航機(jī)務(wù)維修水平跟國外發(fā)達(dá)國家有較大距離，民航機(jī)務(wù)維修的發(fā)展也相對(duì)緩慢，相對(duì)于國內(nèi)機(jī)隊(duì)數(shù)量及航空運(yùn)營量的提升更是表現(xiàn)出了滯后性。這主要是由于我國目前沒有獨(dú)立自主研發(fā)和制造的民用航空發(fā)動(dòng)機(jī)，缺少完全屬于自己的EHM系統(tǒng)，從而難以掌握發(fā)動(dòng)機(jī)運(yùn)維的第一手?jǐn)?shù)據(jù)，也無法及時(shí)了解到飛機(jī)的飛行情況。

反觀國外，作為飛機(jī)發(fā)動(dòng)機(jī)制造商的通用電氣，羅羅等公司能時(shí)刻掌握到他們所賣出的飛機(jī)及發(fā)動(dòng)機(jī)的運(yùn)行數(shù)據(jù)，從而在飛機(jī)及發(fā)動(dòng)機(jī)監(jiān)控以及維修方面掌握著主動(dòng)權(quán)。相對(duì)而言，作為飛機(jī)及發(fā)動(dòng)機(jī)的擁有者，中國民航在這方面卻處于天然的劣勢(shì)，中國民航的飛機(jī)及發(fā)動(dòng)機(jī)的健康管理系統(tǒng)還很不成熟，借助知識(shí)圖譜、信息融合、深度學(xué)習(xí)、數(shù)字孿生等技術(shù)提升健康管理系統(tǒng)，實(shí)現(xiàn)對(duì)國外健康管理系統(tǒng)的追趕十分必要。

1.5.1 知識(shí)圖譜及其關(guān)鍵技術(shù)

知識(shí)圖譜是最近一二十年新出現(xiàn)的技術(shù)。以google為代表的國外互聯(lián)網(wǎng)公司基于搜索引擎及互聯(lián)網(wǎng)商務(wù)的需要構(gòu)建了各領(lǐng)域的知識(shí)圖譜(Knowledge Graph)，我國的高?？蒲袡C(jī)構(gòu)也同步在各個(gè)應(yīng)用領(lǐng)域開展了知識(shí)圖譜的構(gòu)建及其應(yīng)用探索。Ji等對(duì)知識(shí)圖譜的基本概念、理論進(jìn)展及其應(yīng)用給出了一個(gè)詳細(xì)的綜述，并指出了未來的研究展望：① 復(fù)雜推理(Complex Reasoning)；② 統(tǒng)一的知識(shí)表達(dá)和推理框架；③ 知識(shí)表達(dá)和注入的可解釋性。Yan等對(duì)知識(shí)圖譜的搭建方法進(jìn)行了總結(jié)(圖8)，從概念提取 (Entity Extraction)、關(guān)系提取 (Relation Extraction)、知識(shí)圖譜推理 (Knowledge Graph Reasoning and Inference)、知識(shí)圖譜數(shù)據(jù)存儲(chǔ)和管理 (Knowledge Graph Storage and Management)等角度展開論述了知識(shí)圖譜的搭建方法。

圖8 知識(shí)圖譜的搭建舉例[63]Fig.8 Example of knowledge graph construction[63]

知識(shí)圖譜以結(jié)構(gòu)化數(shù)據(jù)處理，運(yùn)用三元體，點(diǎn)、線、面的方式表示本體之間的關(guān)系，利用關(guān)系來組織所有的對(duì)象(實(shí)體)，形成有向圖結(jié)構(gòu)。所謂知識(shí)，指的是點(diǎn)或邊對(duì)應(yīng)的信息。知識(shí)圖譜以語義分析技術(shù)為基礎(chǔ)，以模型為核心，基于數(shù)據(jù)，利用深度神經(jīng)網(wǎng)絡(luò)、NLP (Natural Language Processing) 框架語義理解等智能處理技術(shù)對(duì)輸入的字、詞、篇章進(jìn)行多層次、多維度的信息分析，提供可遠(yuǎn)程調(diào)用的實(shí)體抽取、關(guān)系抽取和屬性抽取等算法服務(wù)接口能力。達(dá)到構(gòu)建多領(lǐng)域知識(shí)圖譜平臺(tái)，服務(wù)不同行業(yè)和應(yīng)用場(chǎng)景。

以航空發(fā)動(dòng)機(jī)故障診斷和維護(hù)維修為例，其知識(shí)圖譜可以通過以下步驟建立：

1) 獲取大量的發(fā)動(dòng)機(jī)正?；蛘哂泄收系碾娮勇臍v本、發(fā)動(dòng)機(jī)知識(shí)信息數(shù)據(jù)庫、發(fā)動(dòng)機(jī)電子化手冊(cè)數(shù)據(jù)庫以及其他各種發(fā)動(dòng)機(jī)的故障數(shù)據(jù)源。

2) 采用機(jī)器學(xué)習(xí)方法抽取概念、關(guān)系。

3) 在專家系統(tǒng)里輸入所有基于實(shí)際經(jīng)驗(yàn)和機(jī)器學(xué)習(xí)方法挖掘出的發(fā)動(dòng)機(jī)故障知識(shí)，構(gòu)建發(fā)動(dòng)機(jī)故障知識(shí)圖譜。

4) 并形成基于知識(shí)圖譜的推理功能。

構(gòu)建完成的知識(shí)圖譜就可以支撐故障診斷以及問答系統(tǒng)等，方便機(jī)務(wù)人員使用。

構(gòu)建知識(shí)圖譜的關(guān)鍵技術(shù)主要分為3部分：

1) 知識(shí)獲?。涸谔幚矸墙Y(jié)構(gòu)化數(shù)據(jù)方面，首先要對(duì)用戶的非結(jié)構(gòu)化數(shù)據(jù)提取正文。當(dāng)?shù)玫秸奈谋竞?，需要通過自然語言技術(shù)識(shí)別文章中的實(shí)體(也就是所謂的entity extraction)，實(shí)體識(shí)別通常有兩種方法，一種是用戶本身有一個(gè)知識(shí)庫則可以使用實(shí)體鏈接將文章中可能的候選實(shí)體鏈接到用戶的知識(shí)庫上。另一種是當(dāng)用戶沒有知識(shí)庫則需要使用命名實(shí)體識(shí)別技術(shù)識(shí)別文章中的實(shí)體。若正文文本中存在實(shí)體的別名或者簡(jiǎn)稱還需要構(gòu)建實(shí)體間的同義詞表，這樣可以使不同實(shí)體具有相同的描述。為了得到不同粒度的知識(shí)還可能需要提取文中的關(guān)鍵詞，獲取正文文本的潛在主題等。當(dāng)用戶獲得實(shí)體后，則需要關(guān)注實(shí)體間的關(guān)系，我們稱為實(shí)體關(guān)系識(shí)別(Relational Extraction)，有些實(shí)體關(guān)系識(shí)別的方法會(huì)利用句法結(jié)構(gòu)來幫助確定兩個(gè)實(shí)體間的關(guān)系，因此在有些算法中會(huì)利用依存分析或者語義解析。如果用戶不僅僅想獲取實(shí)體間的關(guān)系，還想獲取一個(gè)事件的詳細(xì)內(nèi)容，那么則需要確定事件的觸發(fā)詞并獲取事件相應(yīng)描述的句子，同時(shí)識(shí)別事件描述句子中實(shí)體對(duì)應(yīng)事件的角色。除了非結(jié)構(gòu)化數(shù)據(jù)，還會(huì)有半結(jié)構(gòu)化數(shù)據(jù)方面；針對(duì)這類數(shù)據(jù)主要的工作是通過包裝器學(xué)習(xí)半結(jié)構(gòu)化數(shù)據(jù)的抽取規(guī)則。由于半結(jié)構(gòu)化數(shù)據(jù)具有大量的重復(fù)性的結(jié)構(gòu)，因此對(duì)數(shù)據(jù)進(jìn)行少量的標(biāo)注，可以讓機(jī)器學(xué)出一定的規(guī)則進(jìn)而在整個(gè)站點(diǎn)下使用規(guī)則對(duì)同類型或者符合某種關(guān)系的數(shù)據(jù)進(jìn)行抽取。用戶的數(shù)據(jù)一般存儲(chǔ)在生產(chǎn)系統(tǒng)的數(shù)據(jù)庫中，需要通過 ETL (Extract Transform Load) 工具對(duì)用戶生產(chǎn)系統(tǒng)下的數(shù)據(jù)進(jìn)行重新組織、清洗、檢測(cè)最后得到符合用戶使用目的數(shù)據(jù)。

2) 知識(shí)融合：當(dāng)知識(shí)從各個(gè)數(shù)據(jù)源下獲取時(shí)需要提供統(tǒng)一的術(shù)語將各個(gè)數(shù)據(jù)源獲取的知識(shí)融合成一個(gè)龐大的知識(shí)庫。提供統(tǒng)一術(shù)語的結(jié)構(gòu)或者數(shù)據(jù)被稱為本體，本體不僅提供了統(tǒng)一的術(shù)語字典，還構(gòu)建了各個(gè)術(shù)語間的關(guān)系以及限制。本體可以讓用戶非常方便和靈活的根據(jù)自己的業(yè)務(wù)建立或者修改數(shù)據(jù)模型。通過數(shù)據(jù)映射技術(shù)建立本體中術(shù)語和不同數(shù)據(jù)源抽取知識(shí)中詞匯的映射關(guān)系，進(jìn)而將不同數(shù)據(jù)源的數(shù)據(jù)融合在一起。同時(shí)不同源的實(shí)體可能會(huì)指向現(xiàn)實(shí)世界的同一個(gè)客體，這時(shí)需要使用實(shí)體匹配將不同數(shù)據(jù)源相同客體的數(shù)據(jù)進(jìn)行融合。不同本體間也會(huì)存在某些術(shù)語描述同一類數(shù)據(jù)，那么對(duì)這些本體間則需要本體融合技術(shù)把不同的本體融合。最后融合而成的知識(shí)庫需要一個(gè)存儲(chǔ)、管理的解決方案。知識(shí)存儲(chǔ)和管理的解決方案會(huì)根據(jù)用戶查詢場(chǎng)景的不同采用不同的存儲(chǔ)架構(gòu)如 NoSQL 或者關(guān)系數(shù)據(jù)庫。同時(shí)大規(guī)模的知識(shí)庫也符合大數(shù)據(jù)的特征，因此需要傳統(tǒng)的大數(shù)據(jù)平臺(tái)如 Spark 或者 Hadoop 提供高性能計(jì)算能力，支持快速運(yùn)算。

3) 知識(shí)計(jì)算及應(yīng)用：知識(shí)計(jì)算主要是根據(jù)圖譜提供的信息得到更多隱含的知識(shí)，如通過本體或者規(guī)則推理技術(shù)可以獲取數(shù)據(jù)中存在的隱含知識(shí)，而鏈接預(yù)測(cè)則可預(yù)測(cè)實(shí)體間隱含的關(guān)系。同時(shí)使用社會(huì)計(jì)算的不同算法提供知識(shí)間關(guān)聯(lián)的路徑，通過不一致檢測(cè)技術(shù)發(fā)現(xiàn)數(shù)據(jù)中的噪聲和缺陷。

研究人員注意到知識(shí)圖譜技術(shù)甄別新實(shí)體及識(shí)別實(shí)體之間關(guān)系的潛力，已經(jīng)開始關(guān)注知識(shí)圖譜技術(shù)在系統(tǒng)故障診斷上的應(yīng)用前景。Sun和Wang采用基于貝葉斯理論的多層知識(shí)圖譜開展了針對(duì)復(fù)雜工業(yè)系統(tǒng)的故障診斷。劉瑞宏等構(gòu)建了電信領(lǐng)域知識(shí)圖譜，并將電信網(wǎng)絡(luò)領(lǐng)域零散的專家經(jīng)驗(yàn)及產(chǎn)品、案例知識(shí)和故障數(shù)據(jù)關(guān)聯(lián)，采用知識(shí)圖譜推理技術(shù)進(jìn)行網(wǎng)絡(luò)故障智能診斷。趙倩提出了數(shù)控設(shè)備故障領(lǐng)域知識(shí)圖譜構(gòu)建方法，構(gòu)建了數(shù)控設(shè)備故障本體模型，提出了針對(duì)結(jié)構(gòu)化故障數(shù)據(jù)的知識(shí)獲取方法，采用了基于模式規(guī)則的數(shù)據(jù)映射機(jī)制，最終實(shí)現(xiàn)并驗(yàn)證了該方法的有效性和合理性。張敏杰等提出了電氣設(shè)備知識(shí)圖譜技術(shù)組件框架，并將該框架在電力公司的變壓器設(shè)備信息靈活問答、變壓器故障報(bào)告自動(dòng)化提取場(chǎng)景中進(jìn)行了驗(yàn)證。雖然國內(nèi)外研發(fā)人員已經(jīng)對(duì)基于知識(shí)圖譜的故障診斷開展了一些研究，截至目前，知識(shí)圖譜技術(shù)在航空領(lǐng)域應(yīng)用還非常少。

1.5.2 知識(shí)圖譜在航空發(fā)動(dòng)機(jī)故障診斷上的應(yīng)用研究必要性

近些年民用發(fā)動(dòng)機(jī)健康管理研究人員已經(jīng)開始關(guān)注深度學(xué)習(xí)等智能化手段在發(fā)動(dòng)機(jī)故障診斷與預(yù)測(cè)上的應(yīng)用，以及基于此的維護(hù)維修決策。除了揭示已知的故障狀態(tài)指示、維護(hù)和維修觸發(fā)指示之間的關(guān)聯(lián)并通過信息融合等手段提高診斷精度和優(yōu)化維護(hù)維修決策，智能EHM還有一系列更重要的任務(wù)：

1) 搜尋目前未知的與故障發(fā)生、及最合適的維護(hù)維修時(shí)間節(jié)點(diǎn)相關(guān)的信息。

2) 開發(fā)基于這些新信息的故障、維護(hù)維修指示。

3) 與已知的故障、維護(hù)維修指示進(jìn)行特征或者決策融合。

這一系列任務(wù)的完成就離不開知識(shí)圖譜技術(shù)。如前述，航空發(fā)動(dòng)機(jī)知識(shí)圖譜的原始數(shù)據(jù)來源包括電子履歷本、發(fā)動(dòng)機(jī)知識(shí)信息數(shù)據(jù)庫、發(fā)動(dòng)機(jī)電子化手冊(cè)數(shù)據(jù)庫以及其他各種發(fā)動(dòng)機(jī)的故障和維護(hù)維修數(shù)據(jù)源。發(fā)動(dòng)機(jī)的故障和維護(hù)維修數(shù)據(jù)源涵蓋但不限于在線EHM系統(tǒng)記錄的數(shù)據(jù)、在翼故障診斷和無損探傷數(shù)據(jù)、外場(chǎng)故障診斷和無損探傷及維護(hù)維修記錄、大修記錄等。發(fā)動(dòng)機(jī)的故障和維護(hù)維修記錄數(shù)據(jù)不僅包括結(jié)構(gòu)化的數(shù)據(jù)，比如維護(hù)維修技師在手持無線平臺(tái)(手機(jī)、iPad等)按照系統(tǒng)設(shè)定好的菜單輸入的選項(xiàng)(“Yes”或“No”，及各種相關(guān)測(cè)量值)，也包括非結(jié)構(gòu)化的自然語言輸入。目前的深度學(xué)習(xí)、數(shù)據(jù)挖掘方法都側(cè)重于結(jié)構(gòu)化的數(shù)據(jù)。而對(duì)于非結(jié)構(gòu)化的、基于自然語言的輸入，則務(wù)必首先抽取概念，然后再建立概念之間的關(guān)系；這兩個(gè)任務(wù)就對(duì)應(yīng)知識(shí)圖譜中概念(Asset)的提取及關(guān)系(Relationship)的建立。

在產(chǎn)品研發(fā)試制階段及產(chǎn)品投入市場(chǎng)運(yùn)營的早期階段，開發(fā)人員對(duì)于產(chǎn)品在不同運(yùn)營環(huán)境下的性能及故障特征并不完全了解，對(duì)于維護(hù)維修時(shí)機(jī)的把握也會(huì)經(jīng)歷一個(gè)學(xué)習(xí)、優(yōu)化、逐漸完善的過程。知識(shí)圖譜技術(shù)提供了一個(gè)快速的EHM系統(tǒng)性能提升和功能完善的途徑，值得國內(nèi)EHM研發(fā)人員重視。

1.5.3 發(fā)動(dòng)機(jī)健康管理系統(tǒng)知識(shí)圖譜的構(gòu)建

在日常故障診斷與維修保養(yǎng)中，有些故障診斷方法對(duì)于構(gòu)建發(fā)動(dòng)機(jī)知識(shí)圖譜能提供很好的數(shù)據(jù)源，反過來基于數(shù)據(jù)源構(gòu)建的知識(shí)圖譜又能有利于故障診斷的工作。這些故障診斷方法分別是以下3種：

1) 基于手冊(cè)的故障診斷是通過深入分析飛機(jī)故障隔離手冊(cè)和飛機(jī)維護(hù)手冊(cè)的詳細(xì)內(nèi)容記載，構(gòu)建出民航飛機(jī)及發(fā)動(dòng)機(jī)的故障診斷系統(tǒng)模型，并以此為基礎(chǔ)制作出一個(gè)能夠?qū)崿F(xiàn)電子化手冊(cè)的管理與智能搜索、自動(dòng)關(guān)聯(lián)相關(guān)手冊(cè)、更改和完善電子化手冊(cè)內(nèi)容，從而實(shí)現(xiàn)數(shù)據(jù)庫管理的故障智能診斷系統(tǒng)。

2) 基于信息融合的故障診斷是將同一系統(tǒng)內(nèi)安裝的諸多傳感器所獲取的所有信息綜合進(jìn)行處理和分析，從而有效地提高決策的準(zhǔn)確性。對(duì)于民航發(fā)動(dòng)機(jī)這種復(fù)雜環(huán)境工作的復(fù)雜系統(tǒng)，單純依靠單一的信息源進(jìn)行故障診斷往往很難獲得可信的診斷結(jié)果，引入信息融合可以提高系統(tǒng)故障診斷的可信度與可靠度。

3) 基于案例推理的故障診斷方法關(guān)鍵是運(yùn)用和模仿曾經(jīng)的有益經(jīng)驗(yàn)來處理相似故障，這些“曾經(jīng)有效”的故障解決方案為新的故障分析提供參考和依據(jù)。

構(gòu)建發(fā)動(dòng)機(jī)知識(shí)圖譜的數(shù)據(jù)源主要有以下6種：

1) 用戶信息庫：該數(shù)據(jù)庫主要是作為某種發(fā)動(dòng)機(jī)機(jī)型全球使用者的有效信息，比如使用該機(jī)型的用戶名稱、用戶主要業(yè)務(wù)，使用日期，使用時(shí)長(zhǎng)，過程中的機(jī)型服務(wù)航線、維修信息等，總之與用戶有關(guān)的常見可以公開的信息等都可以在該數(shù)據(jù)庫中顯現(xiàn)。

2) 公司信息數(shù)據(jù)庫：主要是指不同的航空公司或者發(fā)動(dòng)機(jī)用戶等在從事航空運(yùn)營中使用不同發(fā)動(dòng)機(jī)機(jī)型等與發(fā)動(dòng)機(jī)有關(guān)的信息，比如公司名稱、公司地址、公司核心業(yè)務(wù)，公司的主要航線、飛機(jī)種類與數(shù)量、發(fā)動(dòng)機(jī)的種類與數(shù)量、該公司的股東信息、財(cái)務(wù)信息以及客運(yùn)貨運(yùn)等信息，是數(shù)據(jù)庫中的核心部分。

3) 機(jī)型信息數(shù)據(jù)庫：主要是指某公司或某區(qū)域或全球不同公司使用的某機(jī)型、不同機(jī)型的信息，使用戶對(duì)不同發(fā)動(dòng)機(jī)機(jī)型信息有初步的認(rèn)知，使各使用用戶，如航空公司、維修基地等對(duì)各種不同類型的發(fā)動(dòng)機(jī)的使用情況掌握，主要包括不同發(fā)動(dòng)機(jī)機(jī)型的基本介紹、基本尺寸、改型尺寸、安裝配置、適用機(jī)型、最大推力、基本性能以及對(duì)維修間隔的特殊要求等。

4) 故障案例數(shù)據(jù)庫：主要機(jī)載該型發(fā)動(dòng)機(jī)在不同的運(yùn)行時(shí)間、航程中的各種不同程度的發(fā)動(dòng)機(jī)故障案例，包括故障發(fā)生時(shí)的航線、飛機(jī)類型、故障現(xiàn)象、維修方式、維修時(shí)間等，以及故障發(fā)生時(shí)統(tǒng)計(jì)的該故障或相似故障的發(fā)生數(shù)、處理難度、最大的影響后果等，并能采用不同檢索方法進(jìn)行快速檢索等。

5) 電子化手冊(cè)數(shù)據(jù)庫:主要是將發(fā)動(dòng)機(jī)不同機(jī)型的常用以及重要手冊(cè)電子化以不同格式存儲(chǔ)，用于機(jī)型培訓(xùn)、故障診斷等信息支持，為用戶提供下載與上傳等服務(wù)，發(fā)動(dòng)機(jī)正常手冊(cè)包括：飛機(jī)維修手冊(cè)、故障排除手冊(cè)、結(jié)構(gòu)修理手冊(cè)、圖解零件目錄、最低設(shè)備清單、構(gòu)型偏離清單及其他修理和改裝文件和不常見的適航指令、服務(wù)通告、服務(wù)信函等。

6) 知識(shí)信息數(shù)據(jù)庫：主要是不同發(fā)動(dòng)機(jī)機(jī)型在設(shè)計(jì)、制造、運(yùn)行、維修等過程中積累的或匯集的大量運(yùn)行、維修等經(jīng)驗(yàn)，主要包括裝配某種發(fā)動(dòng)機(jī)的飛機(jī)不同結(jié)構(gòu)與系統(tǒng)的常見故障以及帶來的影響程度、發(fā)動(dòng)機(jī)運(yùn)行的常見故障以及飛機(jī)與發(fā)動(dòng)機(jī)匹配運(yùn)行過程中存在的問題等、記錄著飛機(jī)電子系統(tǒng)以及自動(dòng)控制系統(tǒng)的機(jī)載設(shè)備故障等的維修經(jīng)驗(yàn)期及其他與維修過程中的經(jīng)驗(yàn)、知識(shí)等。

構(gòu)建發(fā)動(dòng)機(jī)健康管理系統(tǒng)的知識(shí)圖譜，有兩種構(gòu)建思路：首先基于已有的診斷及維護(hù)維修經(jīng)驗(yàn)建立發(fā)動(dòng)機(jī)故障專家系統(tǒng)，也就是初步的一個(gè)知識(shí)圖譜；然后采用采用機(jī)器學(xué)習(xí)方法從大量故障數(shù)據(jù)源中抽取故障相關(guān)概念和關(guān)系，不斷充實(shí)完善發(fā)動(dòng)機(jī)故障知識(shí)圖譜；再由發(fā)動(dòng)機(jī)專家對(duì)擴(kuò)充后的知識(shí)圖譜驗(yàn)證，并進(jìn)一步完善、補(bǔ)充。另一個(gè)思路是直接從海量發(fā)動(dòng)機(jī)故障數(shù)據(jù)源通過機(jī)器學(xué)習(xí)方法抽取概念、關(guān)系，首先形成一個(gè)機(jī)器構(gòu)建的發(fā)動(dòng)機(jī)故障知識(shí)圖譜，然后再補(bǔ)充發(fā)動(dòng)機(jī)專家的故障知識(shí)，并進(jìn)行正確性驗(yàn)證和分析，最終形成構(gòu)建發(fā)動(dòng)機(jī)健康管理系統(tǒng)的知識(shí)圖譜。基于上述知識(shí)圖譜構(gòu)建的基本方法，對(duì)發(fā)動(dòng)機(jī)故障中的氣路故障、振動(dòng)故障的少量數(shù)據(jù)進(jìn)行了簡(jiǎn)單的知識(shí)圖譜構(gòu)建舉例(圖9)。實(shí)際的知識(shí)圖譜網(wǎng)絡(luò)要比圖9示例復(fù)雜龐大的多，是融合了多維度信息的海量數(shù)據(jù)的關(guān)系網(wǎng)絡(luò)圖。

圖9 航空發(fā)動(dòng)機(jī)氣路、振動(dòng)故障知識(shí)圖譜的搭建舉例Fig.9 Example of knowledge graph construction for aero engine gas path and vibration diagnostics

1.5.4 知識(shí)圖譜在發(fā)動(dòng)機(jī)診斷上的應(yīng)用及未來發(fā)展方向

截至目前已開展的知識(shí)圖譜在故障診斷及維護(hù)維修決策的應(yīng)用工作都還沒有進(jìn)入實(shí)際應(yīng)用階段，在民用航空方面的研發(fā)就更少。因而，基于知識(shí)圖譜的航空發(fā)動(dòng)機(jī)故障診斷及預(yù)測(cè)的未來研發(fā)重點(diǎn)需要從基礎(chǔ)搭建開始：

1) 采用知識(shí)圖譜對(duì)于現(xiàn)有的故障診斷專家系統(tǒng)進(jìn)行補(bǔ)充、完善?，F(xiàn)有的主力民用發(fā)動(dòng)機(jī)機(jī)型故障診斷系統(tǒng)主要還是依賴機(jī)載傳感器和在翼無損檢測(cè)捕捉發(fā)動(dòng)機(jī)健康狀態(tài)，并開展維護(hù)、維修。EHM系統(tǒng)可以及時(shí)發(fā)現(xiàn)絕大部分發(fā)動(dòng)機(jī)故障，但仍有一小部分故障未被及時(shí)發(fā)現(xiàn)最終釀成慘劇(例如2018年4月17日美國西南航空公司波音737客機(jī)發(fā)動(dòng)機(jī)包容事故)。采用知識(shí)圖譜深入分析以前未被梳理到的信號(hào)(也即知識(shí)圖譜里的概念提取)、信號(hào)分析方法及數(shù)據(jù)融合得到的新狀態(tài)指示(也即知識(shí)圖譜里的關(guān)系提取和學(xué)習(xí))，將降低EHM漏檢率和虛警率。采用在役主流民用發(fā)動(dòng)機(jī)機(jī)型運(yùn)維數(shù)據(jù)，針對(duì)相應(yīng)主要故障失效模式、維護(hù)(水洗)和維修記錄，有針對(duì)性地甄別潛在的故障指示及維護(hù)維修觸發(fā)指示，并采用知識(shí)圖譜技術(shù)建立更完備的故障CI集和維護(hù)維修觸發(fā)指示集。

2) 采用知識(shí)圖譜將維護(hù)維修及備件更換記錄、航線狀況等信息都納入成為發(fā)動(dòng)機(jī)EHM系統(tǒng)輸入，對(duì)子系統(tǒng)和零部件健康狀況進(jìn)行綜合評(píng)估。提取維護(hù)維修記錄、航線狀況語言描述里的概念，并將其和從機(jī)載傳感器及在翼、離翼無損探傷和孔探等得到的結(jié)構(gòu)化、半結(jié)構(gòu)化、和無結(jié)構(gòu)的信息進(jìn)行融合，完成知識(shí)圖譜推理(Knowledge Graph Reasoning and Inference)，得到多角度的更準(zhǔn)確地狀態(tài)評(píng)估。

3) 建立發(fā)動(dòng)機(jī)知識(shí)圖譜數(shù)據(jù)存儲(chǔ)和管理(Knowledge Graph Storage and Management) 平臺(tái)。

2 航空發(fā)動(dòng)機(jī)壽命管理

2.1 發(fā)動(dòng)機(jī)健康管理框架內(nèi)的壽命管理背景

發(fā)動(dòng)機(jī)健康管理(EHM)框架內(nèi)的壽命管理主要包括：發(fā)動(dòng)機(jī)關(guān)鍵部件的使用壽命監(jiān)控、壽命消耗計(jì)算、剩余壽命預(yù)測(cè)、延壽控制等，其目的是保障發(fā)動(dòng)機(jī)在復(fù)雜環(huán)境和使用條件下能夠安全運(yùn)行。隨著航空發(fā)動(dòng)機(jī)技術(shù)的不斷發(fā)展，壽命管理子系統(tǒng)逐漸成為現(xiàn)代航空發(fā)動(dòng)機(jī)健康管理系統(tǒng)的一個(gè)重要功能模塊。

壽命管理子系統(tǒng)根據(jù)發(fā)動(dòng)機(jī)關(guān)鍵部件壽命消耗、健康監(jiān)測(cè)、運(yùn)行狀態(tài)參數(shù)等數(shù)據(jù)信息預(yù)測(cè)發(fā)動(dòng)機(jī)在翼剩余可用壽命，為發(fā)動(dòng)機(jī)壽命管理和維修決策提供依據(jù)，消除潛在安全隱患和避免事故發(fā)生。民用航空發(fā)動(dòng)機(jī)市場(chǎng)競(jìng)爭(zhēng)激烈，必須在保障安全運(yùn)行、遵守適航規(guī)章的基礎(chǔ)上，通過科學(xué)有效的壽命管理實(shí)現(xiàn)發(fā)動(dòng)機(jī)全壽命期維修使用成本的最優(yōu)化。因此，及時(shí)準(zhǔn)確的壽命預(yù)測(cè)、科學(xué)合理的壽命管理是實(shí)現(xiàn)以上目標(biāo)的重要保證。

民航業(yè)對(duì)發(fā)動(dòng)機(jī)壽命管理的需求主要來自6個(gè)方面：

1) 飛行安全：通過壽命管理提高機(jī)隊(duì)運(yùn)行可靠性和安全性，預(yù)防重大運(yùn)行事件，避免運(yùn)行中斷，提高發(fā)動(dòng)機(jī)在翼使用壽命。

2) 可靠性監(jiān)控：通過準(zhǔn)確的壽命預(yù)估實(shí)現(xiàn)發(fā)動(dòng)機(jī)實(shí)時(shí)可靠性監(jiān)控。

3) 維修決策：通過壽命管理減少不必要的在翼維護(hù)，包括航線計(jì)劃性維護(hù)、特殊檢查、非計(jì)劃換發(fā)、振動(dòng)監(jiān)控等，優(yōu)化維修決策，增強(qiáng)發(fā)動(dòng)機(jī)排故技術(shù)能力。

4) 備發(fā)預(yù)測(cè)：通過可預(yù)測(cè)的送修管理，減少備發(fā)數(shù)，降低備發(fā)成本。

5) 航材管理：通過準(zhǔn)確的機(jī)隊(duì)可靠性預(yù)測(cè)改進(jìn)航材與備件供應(yīng)。

6) 成本分析：提高發(fā)動(dòng)機(jī)大修成本預(yù)估的準(zhǔn)確性，優(yōu)化發(fā)動(dòng)機(jī)修理成本。

2.2 EHM壽命管理方法

圖10所示為某發(fā)動(dòng)機(jī)OEM公司壽命管理及相關(guān)聯(lián)的活動(dòng)，在一定程度上反映了發(fā)動(dòng)機(jī)壽命管理的角色、價(jià)值，以及壽命管理技術(shù)的復(fù)雜性。發(fā)動(dòng)機(jī)壽命管理技術(shù)包含整機(jī)和部件兩個(gè)層級(jí)。部件級(jí)壽命管理包括關(guān)鍵部件的使用壽命監(jiān)控和安全使用壽命預(yù)測(cè)；整機(jī)級(jí)壽命管理包括發(fā)動(dòng)機(jī)在翼使用壽命監(jiān)控和可靠壽命預(yù)測(cè)。關(guān)鍵部件主要包括高能轉(zhuǎn)動(dòng)件和承壓件，發(fā)生非包容失效時(shí)可能導(dǎo)致危害性，甚至是災(zāi)難性的后果。同時(shí)，這些部件使用了昂貴的原材料、經(jīng)歷了復(fù)雜的設(shè)計(jì)過程、采用了先進(jìn)的制造工藝、承受了嚴(yán)格的質(zhì)量控制，成本高昂。因此，民用航空發(fā)動(dòng)機(jī)壽命管理必須考慮如何在保證安全的前提下，最大限度地使用關(guān)鍵部件的壽命，降低其全壽命期成本。

圖10 民用航空發(fā)動(dòng)機(jī)壽命管理及關(guān)聯(lián)活動(dòng)Fig.10 Life management and relevant activities of civil aero engine

2.3 國內(nèi)外壽命管理研究現(xiàn)狀及發(fā)展趨勢(shì)

早期的發(fā)動(dòng)機(jī)壽命管理以使用壽命檢測(cè)為主。20世紀(jì)七八十年代，美國和英國的研究人員開始進(jìn)行航空發(fā)動(dòng)機(jī)使用監(jiān)測(cè)技術(shù)的研究。英國國防部開發(fā)了發(fā)動(dòng)機(jī)渦輪葉片壽命監(jiān)測(cè)器，應(yīng)用于鷂式戰(zhàn)斗機(jī)。俄羅斯航空發(fā)動(dòng)機(jī)中央研究院對(duì)壽命管理進(jìn)行了比較深入的研究，指出基于狀態(tài)的維修是支持發(fā)動(dòng)機(jī)壽命管理最可靠的方法。北約研究與技術(shù)組織本世紀(jì)初推出的研究報(bào)告，介紹了渦輪發(fā)動(dòng)機(jī)壽命控制及損傷消耗監(jiān)測(cè)方法。美國通用電氣的研究人員對(duì)燃?xì)鉁u輪壽命管理方法進(jìn)行了比較全面的綜述，提出旋轉(zhuǎn)類零件的壽命管理影響安全性，氣路部件的壽命管理影響經(jīng)濟(jì)性，并歸納了多種航空發(fā)動(dòng)機(jī)常見的壽命管理方法。美國空軍有專門的“發(fā)動(dòng)機(jī)壽命管理計(jì)劃”來處理運(yùn)營中的發(fā)動(dòng)機(jī)的壽命更新與維護(hù)。美國機(jī)械工程協(xié)會(huì)在2004年的渦輪技術(shù)學(xué)術(shù)會(huì)議中專門介紹了航空發(fā)動(dòng)機(jī)壽命管理。美國西南研究院的研究人員用3D有限元和概率法分析旋轉(zhuǎn)件的裂紋增長(zhǎng)，定量研究結(jié)構(gòu)破裂的風(fēng)險(xiǎn)，預(yù)測(cè)發(fā)動(dòng)機(jī)渦輪旋轉(zhuǎn)件的壽命。

壽命消耗計(jì)算和延壽控制是壽命管理工作的重要內(nèi)容。壽命消耗計(jì)算主要采用以疲勞損傷理論和斷裂力學(xué)為基礎(chǔ)的循環(huán)計(jì)數(shù)法。Wiseman和Guo專門研究了發(fā)動(dòng)機(jī)延壽控制技術(shù)。在航空發(fā)動(dòng)機(jī)壽命預(yù)測(cè)領(lǐng)域，美國、英國的研究人員率先起步，迄今已有大量研究工作。Abu等利用N/S損傷模型對(duì)航空發(fā)動(dòng)機(jī)渦輪葉片剩余壽命的多種影響因素進(jìn)行研究，發(fā)現(xiàn)分階段氧化損傷對(duì)渦輪葉片的疲勞壽命起著至關(guān)重要的作用。Xi等通過傳遞矩陣變換將多維特征融合為單一監(jiān)測(cè)指標(biāo)，并用融合指標(biāo)對(duì)航空發(fā)動(dòng)機(jī)剩余壽命進(jìn)行預(yù)測(cè)。Liu等以趨勢(shì)單調(diào)性和失效幅值一致性為指標(biāo)優(yōu)劣的評(píng)判準(zhǔn)則，并以此為目標(biāo)對(duì)特征指標(biāo)進(jìn)行加權(quán)融合構(gòu)造最優(yōu)監(jiān)測(cè)指標(biāo)用于航空發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)。Mosallam等采用無監(jiān)督信息度量從多傳感器信號(hào)中選取敏感信號(hào)，再用主分量分析和經(jīng)驗(yàn)?zāi)Ｊ椒纸鈴亩嘣葱盘?hào)特征集中提取主成分衰退趨勢(shì)作為健康指標(biāo)，對(duì)航空發(fā)動(dòng)機(jī)剩余壽命進(jìn)行預(yù)測(cè)。Ragab等提出了一種基于Kaplan-Meier生存分析、同時(shí)使用時(shí)間數(shù)據(jù)和狀態(tài)監(jiān)測(cè)數(shù)據(jù)的剩余壽命預(yù)測(cè)方法，并將其應(yīng)用于航空發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)。

發(fā)動(dòng)機(jī)運(yùn)行過程所經(jīng)歷的環(huán)境和載荷是造成發(fā)動(dòng)機(jī)系統(tǒng)/部件失效(退化)的根本原因，因此，發(fā)動(dòng)機(jī)狀態(tài)和性能參數(shù)可用來表征其退化過程，建立基于狀態(tài)和性能數(shù)據(jù)的剩余壽命預(yù)測(cè)模型。在基于退化數(shù)據(jù)的壽命預(yù)測(cè)建模方面，Lu和Meeker提出了用通用退化路徑模型描述退化數(shù)據(jù)來估計(jì)產(chǎn)品的失效時(shí)間分布；Crk進(jìn)一步利用多元、多重回歸分析進(jìn)行退化路徑的參數(shù)化建模。這些基于統(tǒng)計(jì)的方法具有較廣泛的通用性，可用于發(fā)動(dòng)機(jī)性能退化建模和在翼剩余壽命預(yù)測(cè)。在基于退化的剩余壽命預(yù)測(cè)領(lǐng)域， Al-Dahidi等針對(duì)設(shè)備群通常經(jīng)歷不同的運(yùn)行狀態(tài)而影響狀態(tài)監(jiān)測(cè)數(shù)據(jù)和設(shè)備退化過程的問題，提出了一種三階段異構(gòu)機(jī)群數(shù)據(jù)剩余壽命預(yù)測(cè)方法：首先采用半馬爾可夫模型將衰退過程進(jìn)行無監(jiān)督階段劃分，然后采用極大似然估計(jì)和Fisher信息矩估計(jì)狀態(tài)空間轉(zhuǎn)移參數(shù)，最后通過蒙特卡洛仿真預(yù)測(cè)剩余壽命，并將該方法應(yīng)用于航空發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)。在上述退化模型的基礎(chǔ)上，Hu等采用相關(guān)向量機(jī)、指數(shù)擬合、遞歸神經(jīng)網(wǎng)絡(luò)等5種模型對(duì)航空發(fā)動(dòng)機(jī)剩余壽命進(jìn)行預(yù)測(cè)，并采用3種加權(quán)方法將不同模型的預(yù)測(cè)結(jié)果進(jìn)行融合，得到更為準(zhǔn)確的最終剩余壽命預(yù)測(cè)結(jié)果。

發(fā)動(dòng)機(jī)存在著多種潛在失效模式。多種失效模式下的可靠性壽命預(yù)測(cè)是壽命管理技術(shù)難點(diǎn)問題之一。早在20世紀(jì)70年代，David就提出了考慮多種失效模式的競(jìng)爭(zhēng)性風(fēng)險(xiǎn)評(píng)估理論。Misra闡述了一個(gè)復(fù)雜系統(tǒng)通常存在多種失效模式，當(dāng)某種失效模式發(fā)生系統(tǒng)就失效，而其他失效模式不再發(fā)生，將各失效模式相互競(jìng)爭(zhēng)的現(xiàn)象稱為競(jìng)爭(zhēng)性法則。Teresa和Yeh研究了同時(shí)具有衰退和隨機(jī)沖擊兩類失效模式的多態(tài)系統(tǒng)，認(rèn)為退化過程服從半馬爾可夫過程，假設(shè)兩次連續(xù)狀態(tài)的到達(dá)時(shí)間間隔為有限均值的連續(xù)分布，提出了基于狀態(tài)和壽命的更換策略。Klutke和Yang研究了具有退化和隨機(jī)沖擊失效模式的系統(tǒng)可靠性問題，假設(shè)隨機(jī)沖擊服從泊松過程，而沖擊力是獨(dú)立同分布的隨機(jī)變量。Pham和Xie提出了一種包含兩個(gè)相互依賴的隨機(jī)過程的檢測(cè)模型，可用于具有檢查和維修過程的系統(tǒng)安全性評(píng)估。Huang和Askin研究了假定兩種失效模式相互獨(dú)立條件下的競(jìng)爭(zhēng)失效模型。Zuo等將系統(tǒng)按退化失效和突發(fā)失效劃分為兩部分，提出了一種混合失效模型。Hosseini等假定系統(tǒng)既存在退化失效又存在泊松失效，利用廣義隨機(jī)Petri網(wǎng)建立了基于狀態(tài)的維修模型。Bunea和Mazzuchi在假設(shè)兩種不同失效模式相互獨(dú)立的基礎(chǔ)上，建立了加速應(yīng)力條件下的競(jìng)爭(zhēng)失效模型。Amari和Misra研究了有序的多狀態(tài)系統(tǒng)的動(dòng)態(tài)可靠性和不同失效模式及隨機(jī)沖擊條件下的可靠性建模問題，并假設(shè)各失效模式相互獨(dú)立。Li和Pham研究了不同失效模式及隨機(jī)沖擊條件下多狀態(tài)退化系統(tǒng)的可靠性建模問題，同樣假設(shè)各失效模式間相互獨(dú)立?？傊瑢?duì)于多失效模式系統(tǒng)壽命預(yù)測(cè)的研究多數(shù)是在假設(shè)各失效模式相互獨(dú)立基礎(chǔ)上開展的，針對(duì)多失效模式相關(guān)的問題，特別是航空發(fā)動(dòng)機(jī)多失效模式相關(guān)情況下的在翼壽命預(yù)測(cè)問題有待進(jìn)一步研究。

針對(duì)壽命管理技術(shù)中的剩余壽命預(yù)測(cè)問題，根據(jù)實(shí)際使用的數(shù)據(jù)類型，將剩余壽命預(yù)測(cè)建模方法歸納為3大類(表2)。第1類為傳統(tǒng)的可靠性分析方法，借助機(jī)隊(duì)平均可靠性指標(biāo)來評(píng)估個(gè)體剩余壽命；第2類為基于狀態(tài)/性能數(shù)據(jù)的方法，如退化路徑模型、隨機(jī)過程及狀態(tài)空間模型等，模型參數(shù)估計(jì)采用最大似然估計(jì)法，也有采用貝葉斯參數(shù)估計(jì)法。由于退化數(shù)據(jù)通常來自個(gè)體系統(tǒng)，這就使得基于退化數(shù)據(jù)來預(yù)測(cè)個(gè)體剩余壽命成為可能，特別是近幾年隨著系統(tǒng)故障預(yù)測(cè)與健康管理研究的興起，基于退化數(shù)據(jù)的分析方法獲得了廣泛的關(guān)注，在理論和應(yīng)用方面開展了大量的研究；第3類是基于環(huán)境/載荷數(shù)據(jù)的建模方法，這方面的研究較少，雖然PoF等基于物理模型的分析方法能夠提高剩余壽命預(yù)測(cè)的精度，但物理模型建模通常建立在掌握了大量的產(chǎn)品設(shè)計(jì)數(shù)據(jù)的基礎(chǔ)上，難度較大，這是影響其實(shí)際應(yīng)用的主要原因。

表2 剩余壽命預(yù)測(cè)建模方法比較Table 2 Comparisons of modeling methodologies for remaining useful life prediction

國外已開展了大量的基于狀態(tài)/性能數(shù)據(jù)的剩余壽命預(yù)測(cè)建模方法研究，而基于環(huán)境/載荷數(shù)據(jù)的剩余壽命預(yù)測(cè)建模方法則相對(duì)較少，有待進(jìn)一步研究?，F(xiàn)代民機(jī)狀態(tài)監(jiān)測(cè)系統(tǒng)記錄的海量數(shù)據(jù)通常與結(jié)構(gòu)/系統(tǒng)的使用環(huán)境載荷參數(shù)有關(guān)，這些數(shù)據(jù)一般具有數(shù)據(jù)量大、連續(xù)采樣、多源性、動(dòng)態(tài)的特點(diǎn)。如何充分利用這些動(dòng)態(tài)環(huán)境載荷數(shù)據(jù)用于系統(tǒng)/部件使用可靠性評(píng)估或剩余壽命預(yù)測(cè)，已經(jīng)成為當(dāng)前挖掘機(jī)載“大數(shù)據(jù)”的一個(gè)新的研究方向；將對(duì)航空公司保障飛行安全、制定更高效的運(yùn)營維護(hù)計(jì)劃和零部件庫存以及延長(zhǎng)發(fā)動(dòng)機(jī)壽命和減少意外中斷事件具有重要意義。

在發(fā)動(dòng)機(jī)壽命管理技術(shù)的工程應(yīng)用方面，國外已經(jīng)取得了很多成果，主要包括：英國國防部開發(fā)了發(fā)動(dòng)機(jī)渦輪葉片壽命監(jiān)控系統(tǒng)，并成功應(yīng)用于鷂式戰(zhàn)斗機(jī)；美、英、澳大利亞等國倡導(dǎo)使用的HUMS系統(tǒng)，對(duì)直升飛機(jī)發(fā)動(dòng)機(jī)、結(jié)構(gòu)等進(jìn)行健康與使用監(jiān)測(cè)，可以提供全時(shí)段的發(fā)動(dòng)機(jī)和機(jī)械傳動(dòng)系統(tǒng)的健康信息以及運(yùn)行狀態(tài)，對(duì)發(fā)動(dòng)機(jī)進(jìn)行健康診斷與剩余壽命預(yù)測(cè)；美國普惠公司集成了多種剩余壽命預(yù)測(cè)技術(shù)，開發(fā)了一套先進(jìn)的發(fā)動(dòng)機(jī)壽命預(yù)測(cè)系統(tǒng)。美國國防部和美國國家航天局聯(lián)合開發(fā)了作戰(zhàn)飛機(jī)健康管理系統(tǒng)，將關(guān)鍵部件或系統(tǒng)失效的預(yù)測(cè)功能作為系統(tǒng)的重要功能模塊，從航空安全的角度對(duì)推進(jìn)系統(tǒng)健康監(jiān)測(cè)的價(jià)值和作用進(jìn)行了闡述；常用的發(fā)動(dòng)機(jī)壽命管理流程(圖11)涵蓋了多個(gè)分析步驟，包括：初始安全壽命計(jì)算、飛行剖面定義、傳熱分析、應(yīng)力分析、材料數(shù)據(jù)獲取、低周疲勞壽命計(jì)算、分析評(píng)估、壽命限制值調(diào)整等。

圖11 國產(chǎn)發(fā)動(dòng)機(jī)壽命管理流程Fig.11 Life management process of domestically made aero engines

國內(nèi)學(xué)者在航空發(fā)動(dòng)機(jī)壽命預(yù)測(cè)領(lǐng)域雖起步較晚，但也開展了大量的研究工作，在航空發(fā)動(dòng)機(jī)壽命預(yù)測(cè)的基礎(chǔ)理論和方法研究中取得一定成果。Li等基于分布函數(shù)和廣義應(yīng)力—強(qiáng)度干涉模型計(jì)算了航空發(fā)動(dòng)機(jī)的累積疲勞損傷，在應(yīng)用了載荷譜分析和累積疲勞損傷理論后，通過使用N/S曲線和Miner法則來評(píng)估航空發(fā)動(dòng)機(jī)一級(jí)渦輪盤的疲勞壽命。Feng等提出了一種基于核主分量分析的航空發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)方法，該方法首先利用核主分量分析對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，得到能反映衰退趨勢(shì)的健康指標(biāo)，而后建立了基于維納過程的衰退模型進(jìn)行壽命預(yù)測(cè)。Liu等針對(duì)部分傳感器信號(hào)無法為航空發(fā)動(dòng)機(jī)失效預(yù)測(cè)提供有用信息的問題，提出了一種基于熵的敏感傳感器信號(hào)選擇方法，選擇對(duì)航空發(fā)動(dòng)機(jī)衰退過程敏感的傳感器信號(hào)進(jìn)行壽命預(yù)測(cè)。Lu等對(duì)比了多種動(dòng)態(tài)濾波監(jiān)測(cè)算法在航空發(fā)動(dòng)機(jī)氣路狀態(tài)監(jiān)測(cè)中的應(yīng)用效果，對(duì)比結(jié)果顯示，約束擴(kuò)展卡爾曼粒子濾波能夠更準(zhǔn)確地從測(cè)量值中估計(jì)發(fā)動(dòng)機(jī)氣道的運(yùn)行狀態(tài)，從而更適用于發(fā)動(dòng)機(jī)氣道的狀態(tài)監(jiān)測(cè)。在基于機(jī)器學(xué)習(xí)算法的壽命預(yù)測(cè)研究方面，Yuan等基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)提出了一種航空發(fā)動(dòng)機(jī)的剩余壽命預(yù)測(cè)方法，與傳統(tǒng)方法相比，取得了較高的預(yù)測(cè)精度。南京航空航天大學(xué)的胡昊磊等運(yùn)用性能退化可靠性理論和隨機(jī)過程方法分析發(fā)動(dòng)機(jī)性能退化過程，運(yùn)用威布爾分布建立基于隨機(jī)過程的模型來預(yù)測(cè)民用航空發(fā)動(dòng)機(jī)整個(gè)機(jī)隊(duì)的平均壽命，為維修規(guī)劃提供依據(jù)。任淑紅等、周玉輝和康銳分別進(jìn)行了基于帶漂移的布朗運(yùn)動(dòng)模型預(yù)測(cè)民航發(fā)動(dòng)機(jī)實(shí)時(shí)性能可靠性和基于退化失效模型的旋轉(zhuǎn)機(jī)械壽命預(yù)測(cè)方法的研究。

在發(fā)動(dòng)機(jī)壽命預(yù)測(cè)、關(guān)鍵部件壽命消耗監(jiān)控等研究方面，張逸民等在1981年通過數(shù)理統(tǒng)計(jì)方法分析航空渦輪發(fā)動(dòng)機(jī)翻修可靠性與壽命。吳學(xué)亮等以英國斯貝MK202發(fā)動(dòng)機(jī)為例，介紹了西方國家軍用航空發(fā)動(dòng)機(jī)的現(xiàn)行壽命控制方法，闡述了控制關(guān)鍵零件使用壽命的意義。洪杰等設(shè)計(jì)了航空發(fā)動(dòng)機(jī)關(guān)鍵件使用壽命監(jiān)視系統(tǒng)。壽命管理流程包括：通過飛行參數(shù)記錄飛行剖面數(shù)據(jù)，跟蹤航空發(fā)動(dòng)機(jī)關(guān)鍵零部件的壽命消耗，對(duì)其使用壽命進(jìn)行監(jiān)控，對(duì)剩余壽命進(jìn)行預(yù)測(cè)，確定維修方案(圖11)。

針對(duì)發(fā)動(dòng)機(jī)等高可靠性、高成本產(chǎn)品普遍存在的失效數(shù)少、樣本數(shù)不足問題，傅惠民等建立了不同狀態(tài)間不完全數(shù)據(jù)的損傷折算公式，實(shí)現(xiàn)了極小失效數(shù)據(jù)條件下的可靠性評(píng)估和壽命預(yù)測(cè)。國內(nèi)學(xué)者在小樣本無失效數(shù)據(jù)的可靠性分析及壽命預(yù)測(cè)領(lǐng)域開展了大量研究工作。李偉認(rèn)為，由于航空發(fā)動(dòng)機(jī)的系統(tǒng)復(fù)雜性，可能同時(shí)存在突發(fā)失效和退化失效兩類失效模式，提出了基于競(jìng)爭(zhēng)失效的發(fā)動(dòng)機(jī)可靠性分析思路。南京航空航天大學(xué)王華偉等根據(jù)失效模式特征將航空發(fā)動(dòng)機(jī)的失效劃分為性能失效、結(jié)構(gòu)強(qiáng)度失效及突發(fā)失效3大類，針對(duì)不同失效模式特點(diǎn)，分別采用Gamma過程、Wiener過程和Weibull分布模型建立不同的發(fā)動(dòng)機(jī)可靠性及壽命預(yù)測(cè)模型。

2.4 發(fā)動(dòng)機(jī)壽命管理發(fā)展趨勢(shì)

綜上述，國內(nèi)發(fā)動(dòng)機(jī)關(guān)鍵件壽命預(yù)測(cè)及損傷評(píng)估、整機(jī)在翼剩余壽命預(yù)測(cè)、壽命預(yù)測(cè)算法開發(fā)及驗(yàn)證等各個(gè)方面距離世界先進(jìn)水平還有差距，亟需在關(guān)鍵性的壽命管理技術(shù)及算法上開展研發(fā)。航空發(fā)動(dòng)機(jī)壽命管理技術(shù)的未來主要需求是：

1) 發(fā)動(dòng)機(jī)關(guān)鍵部件的壽命監(jiān)控與壽命預(yù)測(cè)趨于數(shù)字化、智能化、實(shí)時(shí)化。

2) 大數(shù)據(jù)環(huán)境下的壽命監(jiān)控、壽命預(yù)測(cè)依賴多元數(shù)據(jù)融合的方法(圖12)。

圖12 大數(shù)據(jù)環(huán)境下的壽命預(yù)測(cè)Fig.12 Remaining useful life prediction using “big data” approach

3) 發(fā)動(dòng)機(jī)維修策略由被動(dòng)式維修、預(yù)防性維修發(fā)展到視情維修、預(yù)測(cè)性維修，未來將趨向于智能化維修，對(duì)健康管理系統(tǒng)框架內(nèi)的壽命管理技術(shù)提出了更高要求。

3 航空發(fā)動(dòng)機(jī)智能維護(hù)維修決策

3.1 研究背景

國內(nèi)外航空發(fā)動(dòng)機(jī)維修管理模式總結(jié)歸納可分為總翻修壽命與定時(shí)翻修壽命、單元體視情翻修的兩種維修管理體系。總翻修壽命與定時(shí)翻修管理體系，整機(jī)采取定時(shí)翻修的模式，這種模式下總壽命和翻修壽命均較短，經(jīng)濟(jì)成本非常高。單元體視情翻修管理體系，沒有總壽命和翻修次數(shù)的限制，通常將翻修的經(jīng)濟(jì)成本壽命作為發(fā)動(dòng)機(jī)總壽命的終結(jié)點(diǎn)。這種模式下每臺(tái)發(fā)動(dòng)機(jī)和關(guān)鍵零部件發(fā)揮了最大的壽命潛力，其經(jīng)濟(jì)性較好。無論從科學(xué)性、安全性和經(jīng)濟(jì)性角度，單元體視情翻修管理模式比總翻修壽命與定時(shí)翻修壽命體系具有明顯的優(yōu)勢(shì)。

總體上，歐美先進(jìn)國家的先進(jìn)軍民用航空發(fā)動(dòng)機(jī)均已發(fā)展進(jìn)入單元體視情翻修管理體系，特別是近幾年來，伴隨預(yù)測(cè)與健康管理 (PHM) 理論與技術(shù)逐漸應(yīng)用于新一代先進(jìn)發(fā)動(dòng)機(jī)，進(jìn)一步促進(jìn)了發(fā)動(dòng)機(jī)視情維修策略的落地和成熟。在此基礎(chǔ)上，國外發(fā)動(dòng)機(jī)主制造商進(jìn)一步提出了“發(fā)動(dòng)機(jī)“智能維護(hù)”的理念，其特點(diǎn)是利用工業(yè)人工智能技術(shù)挖掘海量運(yùn)維數(shù)據(jù)，用于“智能維護(hù)”決策支持。

3.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)

3.2.1 基于健康管理的發(fā)動(dòng)機(jī)單元體視情維修模式設(shè)計(jì)

縱觀歐美航空發(fā)動(dòng)機(jī)的壽命管理，經(jīng)歷了由修復(fù)性維修 (CM) 向定時(shí)維修(TBM)、由定時(shí)維修向視情維修 (CBM) 的發(fā)展過程。早在20世紀(jì)70年代基本上完成了“機(jī)群壽命管理”向基于循環(huán)壽命監(jiān)控為核心的“單機(jī)壽命管理”過渡。西方國家對(duì)關(guān)鍵件有循環(huán)壽命指標(biāo)要求的航空發(fā)動(dòng)機(jī)，均加裝了歷程記錄儀進(jìn)行單機(jī)壽命監(jiān)控。在單機(jī)壽命監(jiān)控與狀態(tài)監(jiān)測(cè)基礎(chǔ)上，實(shí)現(xiàn)了發(fā)動(dòng)機(jī)的視情維修。隨著視情維修技術(shù)的發(fā)展，以預(yù)測(cè)維修為代表的CBM+(Condition-Based Maintenance Plus) 技術(shù)已在航空領(lǐng)域開始應(yīng)用。在此背景下，一些先進(jìn)的理論與技術(shù)，如預(yù)測(cè)與健康管理(Prognostics and Health Management, PHM)、擴(kuò)展的基于狀態(tài)的維修(Condition Based Maintenance plus, CBM+)、自主保障(Autonomic Logistics, AL)等在歐美等航空發(fā)達(dá)國家得到了長(zhǎng)足的發(fā)展，并正被新一代發(fā)動(dòng)機(jī)所采用，是實(shí)現(xiàn)其經(jīng)濟(jì)可承受性和自主式保障的關(guān)鍵，成為當(dāng)今世界上先進(jìn)軍用和民用航空發(fā)動(dòng)機(jī)發(fā)展的重要標(biāo)志?；趩卧w的視情維修體制也成為國外四代機(jī)發(fā)動(dòng)機(jī)維修保障模式發(fā)展的一個(gè)重要趨勢(shì)。

國內(nèi)在民機(jī)PHM維修模式方面有一定研究基礎(chǔ)，而在RCM/MSG計(jì)劃維修任務(wù)分析基礎(chǔ)上，融合民機(jī)系統(tǒng)PHM技術(shù)，實(shí)現(xiàn)基于PHM的發(fā)動(dòng)機(jī)視情維修模式設(shè)計(jì)方面的研究剛剛起步。

3.2.2 發(fā)動(dòng)機(jī)在翼技術(shù)狀態(tài)管理與下發(fā)時(shí)機(jī)預(yù)測(cè)

發(fā)動(dòng)機(jī)在翼技術(shù)狀態(tài)管理的工作主要包括發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控、發(fā)動(dòng)機(jī)水洗和發(fā)動(dòng)機(jī)故障診斷與部件更換以及下發(fā)時(shí)間管理等。目前，對(duì)于發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控主要包括兩方面的工作，一是發(fā)動(dòng)機(jī)性能參數(shù)的監(jiān)控，主要包括飛機(jī)起飛和巡航階段的發(fā)動(dòng)機(jī)參數(shù)；另一方面的工作主要包括日常的維修檢查和勤務(wù)，主要內(nèi)容是目視或詳細(xì)目視檢查、孔探檢查、無損探傷檢查、滑油消耗量檢查與記錄、清洗發(fā)動(dòng)機(jī)等。

送修時(shí)限預(yù)測(cè)可分為直接法和間接法兩種。直接法是首先分析影響送修時(shí)限的各個(gè)因素并分別確定各單因素對(duì)應(yīng)的送修時(shí)限，然后再取其中的最小值作為發(fā)動(dòng)機(jī)的最終送修時(shí)限。間接法不直接采用各影響因素進(jìn)行送修時(shí)限預(yù)測(cè)，可將影響因素分為四大類：故障狀態(tài)、時(shí)間狀態(tài)、性能狀態(tài)和初始狀態(tài)，通過權(quán)值函數(shù)將各個(gè)因素的指標(biāo)值轉(zhuǎn)化為權(quán)值，再根據(jù)權(quán)值計(jì)算故障測(cè)評(píng)值、時(shí)間測(cè)評(píng)值、性能測(cè)評(píng)值、初始測(cè)評(píng)值及各個(gè)因素對(duì)應(yīng)的送修時(shí)限，最終得到綜合測(cè)評(píng)值及綜合送修時(shí)限。送修時(shí)機(jī)優(yōu)化屬于組合優(yōu)化問題。與函數(shù)優(yōu)化問題不同，由于“組合爆炸” 很多組合優(yōu)化問題的求解非常困難。發(fā)動(dòng)機(jī)拆換率不均衡是國內(nèi)外所有航空公司面臨的共同難題。大幅度變化的拆換率會(huì)帶來以下3方面的嚴(yán)重問題：大大增加庫存成本；在拆換高峰季節(jié)很難找到租賃發(fā)動(dòng)機(jī)，尤其是夏天，容易因缺發(fā)造成飛機(jī)AOG (Aircraft On Ground)，帶來巨大經(jīng)濟(jì)損失；拆換率不均衡還會(huì)引起 TAT (Turn Around Time)時(shí)間過長(zhǎng)，維修廠負(fù)荷過重，發(fā)動(dòng)機(jī)維修不能按時(shí)正常返回。

3.2.3 發(fā)動(dòng)機(jī)返廠維修工作等級(jí)與范圍決策優(yōu)化

維修工作范圍直接影響著發(fā)動(dòng)機(jī)的維修成本以及修后性能。美國通用電氣公司 (General Electric，GE)根據(jù)多年的發(fā)動(dòng)機(jī)設(shè)計(jì)經(jīng)驗(yàn)及運(yùn)維數(shù)據(jù)建立了基于巡航趨勢(shì)偏差的維修工作指南，該成果已應(yīng)用于對(duì)CF6、GE90、CFM56系列發(fā)動(dòng)機(jī)的維修決策中。AerData公司開發(fā)EFPAC軟件能針對(duì)特定的送修間隔，綜合民航發(fā)動(dòng)機(jī)自新時(shí)間和健康狀態(tài)等因素對(duì)維修 工作范圍進(jìn)行優(yōu)化，并對(duì)優(yōu)化得到的維修工作范圍的成本進(jìn)行預(yù)測(cè)。此外，各民航發(fā)動(dòng)機(jī)制造商還編制了維修工作范圍制定指導(dǎo)文件，比如普惠公司的維修計(jì)劃指導(dǎo)(Maintenance Planning Guide，MPG)、CFMI公司的工作范圍計(jì)劃指導(dǎo)(Work-scope Planning Guide，WPG)等。

目前國內(nèi)研究發(fā)動(dòng)機(jī)維修等級(jí)決策方法主要是通過建立發(fā)動(dòng)機(jī)監(jiān)測(cè)參數(shù)與維修等級(jí)的關(guān)系的模型，從而給出在一定維修目標(biāo)下的發(fā)動(dòng)機(jī)維修等級(jí)。梁劍針對(duì)發(fā)動(dòng)機(jī)送修等級(jí)決策問題，引入變精度粗糙集理論挖掘發(fā)動(dòng)機(jī)狀態(tài)-送修等級(jí)決策規(guī)則。提出了基于變精度粗糙集理論的信息熵啟發(fā)約簡(jiǎn)算法以改善對(duì)知識(shí)不確定性信息的描述，給出了發(fā)動(dòng)機(jī)送修等級(jí)決策優(yōu)化方法。張海軍應(yīng)用變精度粗糙集理論研究了發(fā)動(dòng)機(jī)狀態(tài)信息與單元體性能參數(shù)之間的關(guān)系，提出了一種基于信息熵屬性約簡(jiǎn)的航空公司發(fā)動(dòng)機(jī)維修等級(jí)決策方法。張海軍等基于民航發(fā)動(dòng)機(jī)的狀態(tài)監(jiān)控信息,提出了采用變精度粗糙集 (Variable Precision Rough Set, VPRS) 理論方法來挖掘反映送修等級(jí)和狀態(tài)參數(shù)之間內(nèi)在關(guān)聯(lián)性的決策規(guī)則。鄭波為降低航空公司維修成本,增強(qiáng)送修等級(jí)決策科學(xué)性,研究并提出基于PSO-SVM的民航發(fā)動(dòng)機(jī)送修等級(jí)決策算法。付旭云和鐘詩勝將發(fā)動(dòng)機(jī)各單元體各維修級(jí)別能夠恢復(fù)的整機(jī)性能值表示為一個(gè)梯形模糊數(shù),建立單元體性能恢復(fù)值分配優(yōu)化的模糊機(jī)會(huì)約束規(guī)劃模型。付旭云等建立了確定條件下和不確定條件下以維修成本最小為目標(biāo)的單元體性能恢復(fù)值分配優(yōu)化模型。

3.2.4 基于狀態(tài)監(jiān)控的發(fā)動(dòng)機(jī)使用維護(hù)流程與決策支持系統(tǒng)

20世紀(jì)90年代以后，隨著神經(jīng)網(wǎng)絡(luò)等人工智能方法的成熟發(fā)展，美國空軍研究實(shí)驗(yàn)室和英國航空公司等將氣路診斷和其它診斷技術(shù)相融合開發(fā)了相關(guān)發(fā)動(dòng)機(jī)維修決策支持系統(tǒng)。美國普惠公司的研究人員開發(fā)一套集PHM的噴氣發(fā)動(dòng)機(jī)壽命預(yù)測(cè)系統(tǒng)并帶有對(duì)關(guān)鍵件的壽命跟蹤和維修決策功能。Jardine等開發(fā)了基于CBM技術(shù)的裝備維修優(yōu)化與定壽、延壽決策軟件EXAKTtm，并被波音、空客、RR、NASA等公司應(yīng)用。

近幾年隨著網(wǎng)絡(luò)、大數(shù)據(jù)以及人工智能技術(shù)的發(fā)展，網(wǎng)絡(luò)化的發(fā)動(dòng)機(jī)健康管理系統(tǒng)是新的發(fā)展趨勢(shì)。監(jiān)控?cái)?shù)據(jù)由飛機(jī)ACARS系統(tǒng)實(shí)時(shí)傳輸給發(fā)動(dòng)機(jī)OEM，由廠家和航空公司同時(shí)對(duì)發(fā)動(dòng)機(jī)狀態(tài)趨勢(shì)進(jìn)行監(jiān)控分析，跟傳統(tǒng)的用戶獨(dú)立監(jiān)控方式相比，OEM與航空公司共同監(jiān)控可加強(qiáng)對(duì)發(fā)動(dòng)機(jī)性能趨勢(shì)監(jiān)控的力度。除OEM外，目前一些第三方的維修企業(yè)也可提供類似的網(wǎng)絡(luò)化發(fā)動(dòng)機(jī)健康監(jiān)控服務(wù)，如MTU的“ECM@MTU”系統(tǒng)、EZECM的“EMMPowered”系統(tǒng)，第三方系統(tǒng)對(duì)所有發(fā)動(dòng)機(jī)型號(hào)，其輸出均為統(tǒng)一格式，非常便于用戶記錄數(shù)據(jù)，這對(duì)運(yùn)營著多種機(jī)型的機(jī)隊(duì)用戶來說非常有利。

國內(nèi)開發(fā)的航空發(fā)動(dòng)機(jī)健康管理與維修決策支持系統(tǒng)，可以對(duì)發(fā)動(dòng)機(jī)的拆發(fā)時(shí)間、單元體維修級(jí)別以及維修工作范圍等進(jìn)行決策；開發(fā)的民航發(fā)動(dòng)機(jī)全壽命管理系統(tǒng)，通過采集、管理、處理并預(yù)測(cè)在翼航空發(fā)動(dòng)機(jī)的性能參數(shù)，為航空發(fā)動(dòng)機(jī)性能仿真和維修策略的制定提供決策支持; 開發(fā)的發(fā)動(dòng)機(jī)性能預(yù)測(cè)與維修成本控制系統(tǒng)、民航發(fā)動(dòng)機(jī)集成維修管理系統(tǒng)，實(shí)現(xiàn)機(jī)隊(duì)維修信息的統(tǒng)一管理、決策的綜合分析以及資源的合理配置; 開發(fā)的機(jī)群視情維修調(diào)度軟件系統(tǒng)將發(fā)動(dòng)機(jī)機(jī)隊(duì)的計(jì)劃調(diào)度和維修成本實(shí)現(xiàn)了自動(dòng)尋優(yōu)計(jì)算，提高發(fā)動(dòng)機(jī)工程管理和梯次調(diào)度的效率。除了維修決策支持系統(tǒng)的開發(fā)外，對(duì)多個(gè)方面的航空發(fā)動(dòng)機(jī)維修決策內(nèi)容進(jìn)行了研究，為發(fā)動(dòng)機(jī)維修決策支持系統(tǒng)的開發(fā)和完善提供了技術(shù)支撐。國內(nèi)在視情維修決策技術(shù)研究和系統(tǒng)開發(fā)方面基本處于剛剛起步階段，還沒有完備的發(fā)動(dòng)機(jī)智能計(jì)劃和動(dòng)態(tài)調(diào)度的軟件。

3.3 基于健康管理的視情維修設(shè)計(jì)未來發(fā)展方向

基于健康管理的視情維修設(shè)計(jì)優(yōu)化方法的研究?jī)?nèi)容包括5項(xiàng)，如圖13所示：① 基于健康管理的視情維修模式頂層設(shè)計(jì)方法研究；② 面向外場(chǎng)運(yùn)營和維護(hù)數(shù)據(jù)的多源信息管理方法研究；③ 基于智能優(yōu)化和多源信息融合的發(fā)動(dòng)機(jī)在翼技術(shù)狀態(tài)管理方法研究；④ 基于智能優(yōu)化和多源信息融合的發(fā)動(dòng)機(jī)離翼維修決策方法研究；⑤ 基于健康管理信息融合的發(fā)動(dòng)機(jī)使用維護(hù)流程和方法研究。

圖13 基于健康管理的視情維修設(shè)計(jì)優(yōu)化方法Fig.13 EHM-based MRO

3.3.1 頂層設(shè)計(jì)方法

圖14給出了基于健康管理的航空發(fā)動(dòng)機(jī)視情維修設(shè)計(jì)優(yōu)化方法總體技術(shù)路線。發(fā)動(dòng)機(jī)視情維修工程分析框架與流程如圖15所示，基于傳統(tǒng)RCM/MSG-3維修任務(wù)分析框架基礎(chǔ)上，考慮融入PHM監(jiān)測(cè)的發(fā)動(dòng)機(jī)維修任務(wù)分析。在RCM/MSG-3的流程基礎(chǔ)上，將基于PHM監(jiān)測(cè)的檢查方式增加到下層邏輯分析過程，并考慮利用先進(jìn)的機(jī)載監(jiān)測(cè)傳感器和維護(hù)系統(tǒng)代替人工操作檢查或功能檢查，節(jié)約維修工時(shí)和成本。

圖14 基于健康管理的視情維修決策技術(shù)總體研究路線圖Fig.14 Overall research path map for EHM-based MRO

圖15 設(shè)計(jì)階段：基于RCM/MSG分析的視情維修任務(wù)制定流程Fig.15 Design phase: condition MRO planning based on RCM/MSG analysis

3.3.2 面向外場(chǎng)運(yùn)營和維護(hù)數(shù)據(jù)的多源信息管理

發(fā)動(dòng)機(jī)健康狀態(tài)、壽命評(píng)估及維修決策相關(guān)的信息存在于多種數(shù)據(jù)源中，除其材料、設(shè)計(jì)、制造數(shù)據(jù)資源外，還包括在線傳感器監(jiān)測(cè)數(shù)據(jù)、離線檢測(cè)/檢查報(bào)告、維修歷史記錄、故障記錄和大修報(bào)告等。發(fā)動(dòng)機(jī)視情維修決策依賴于從這些多源異構(gòu)、不同時(shí)間尺度的 數(shù)據(jù)中充分挖掘出發(fā)動(dòng)機(jī)健康狀態(tài)及典型結(jié)構(gòu)件(盤、軸、機(jī)匣等)壽命相關(guān)的信息。多層級(jí)、多模態(tài)、全過程的集成數(shù)據(jù)模型是建立實(shí)現(xiàn)航空發(fā)動(dòng)機(jī)全壽命運(yùn)維數(shù)據(jù)集成管理的基礎(chǔ)。推薦以BOM (Bill Of Material)為主線組織發(fā)動(dòng)機(jī)外場(chǎng)使用與運(yùn)維中涉及的眾多數(shù)據(jù)，將各階段產(chǎn)品數(shù)據(jù)關(guān)聯(lián)起來并對(duì)其進(jìn)行管理和控制，從而保證產(chǎn)品數(shù)據(jù)一致性和有效性。BOM 集成原理如圖16所示。

圖16 航空發(fā)動(dòng)機(jī)多BOM 集成數(shù)據(jù)模型Fig.16 Integrated multi-BOM digital model for aero engines

3.3.3 基于智能優(yōu)化和多源信息融合的發(fā)動(dòng)機(jī)在翼技術(shù)狀態(tài)管理

在翼技術(shù)狀態(tài)管理是保障飛行安全并延長(zhǎng)發(fā)動(dòng)機(jī)在翼壽命的關(guān)鍵，包括：① 融合氣路/振動(dòng)/滑油等多路健康監(jiān)測(cè)與診斷信息的發(fā)動(dòng)機(jī)外場(chǎng)故障隔離；② 發(fā)動(dòng)機(jī)單機(jī)在翼使用時(shí)間的預(yù)測(cè)與主動(dòng)管理；③ 發(fā)動(dòng)機(jī)機(jī)隊(duì)送修時(shí)機(jī)優(yōu)化與備發(fā)預(yù)測(cè)。

1) 基于多源健康信息與智能算法與的發(fā)動(dòng)機(jī)外場(chǎng)故障隔離推理方法研究

用貝葉斯多源信息融合方法實(shí)現(xiàn)發(fā)動(dòng)機(jī)多源數(shù)據(jù)的關(guān)聯(lián)性分析和深度挖掘，以常規(guī)的氣路可測(cè)狀態(tài)參數(shù)為主，而其他狀態(tài)監(jiān)控信息或經(jīng)驗(yàn)信息則以先驗(yàn)信息的形式引進(jìn)氣路分析，借助多模態(tài)深度學(xué)習(xí)架構(gòu)實(shí)現(xiàn)多源信息的融合與故障智能推理，提高發(fā)動(dòng)機(jī)故障定位的準(zhǔn)確性。

2) 發(fā)動(dòng)機(jī)單機(jī)在翼使用時(shí)間的預(yù)測(cè)與主動(dòng)管理

發(fā)動(dòng)機(jī)整機(jī)在翼使用壽命主要取決于兩個(gè)關(guān)鍵因素，即發(fā)動(dòng)機(jī)關(guān)鍵件的壽命損耗、性能衰退狀況。而整機(jī)性能退化具有較大不確定性，因此為準(zhǔn)確預(yù)測(cè)發(fā)動(dòng)機(jī)下發(fā)期限，在考慮系統(tǒng)單個(gè)參數(shù)之間的相關(guān)性的基礎(chǔ)上，分別研究基于單參數(shù)(如EGTM)、多參數(shù)如(DEGT、DN2、DFF、AOC等)的航空發(fā)動(dòng)機(jī)性能退化可靠性模型和基于系統(tǒng)健康指數(shù)的發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)與可靠性評(píng)估方法。研究上次送修等級(jí)、運(yùn)行環(huán)境、減推力起飛以及外場(chǎng)維護(hù)等維修活動(dòng)，對(duì)發(fā)動(dòng)機(jī)性能衰退的影響機(jī)理，建立基于多源信息融合的性能衰退剩余壽命預(yù)測(cè)方法。

3) 基于排序理論的發(fā)動(dòng)機(jī)機(jī)隊(duì)送修時(shí)機(jī)優(yōu)化與備發(fā)預(yù)測(cè)

① 基于排序理論的發(fā)動(dòng)機(jī)機(jī)隊(duì)送修時(shí)機(jī)優(yōu)化方法。發(fā)動(dòng)機(jī)機(jī)隊(duì)維修保障成本是調(diào)度方案、備用發(fā)數(shù)量、計(jì)劃期長(zhǎng)度和保障率等相關(guān)因素的函數(shù)，其中調(diào)度方案又是排序規(guī)則、梯次使用和發(fā)動(dòng)機(jī)在翼壽命的函數(shù)。在分析發(fā)動(dòng)機(jī)拆換歷史記錄基礎(chǔ)上，依據(jù)機(jī)隊(duì)發(fā)動(dòng)機(jī)平均送修間隔和一定的備發(fā)數(shù)量、計(jì)劃期長(zhǎng)度等情況，以保障率為約束條件，研究排序規(guī)則對(duì)中長(zhǎng)期機(jī)隊(duì)保障成本的影響，選擇最優(yōu)送修方案，在此基礎(chǔ)上進(jìn)一步優(yōu)化方案以均衡機(jī)隊(duì)下發(fā)率。

② 基于仿真模型的機(jī)隊(duì)發(fā)動(dòng)機(jī)備發(fā)預(yù)測(cè)方法。建立發(fā)動(dòng)機(jī)備件預(yù)測(cè)仿真模型，模型使用最大似然擬合歷史時(shí)間間隔數(shù)據(jù)和當(dāng)前機(jī)翼數(shù)據(jù)的組合，首先采用發(fā)動(dòng)機(jī)的平均拆換率來參數(shù)化一個(gè)概率分布以實(shí)現(xiàn)仿真的輸入。進(jìn)一步，構(gòu)建發(fā)動(dòng)機(jī)送修等級(jí)函數(shù)以及發(fā)動(dòng)機(jī)的修理周期分布函數(shù)，考慮修理車間的容量限制和機(jī)隊(duì)規(guī)模等因素，仿真出每天的備件數(shù)量。最后根據(jù)保障率水平的指標(biāo)確定機(jī)隊(duì)的備發(fā)件數(shù)，將其作為發(fā)動(dòng)機(jī)備件數(shù)量的重要參考。

3.3.4 基于智能優(yōu)化和多源信息融合的發(fā)動(dòng)機(jī)離翼維修決策

1) 基于限壽件及硬件損傷的最低維修范圍

由于發(fā)動(dòng)機(jī)各部件之間結(jié)構(gòu)和功能上關(guān)聯(lián)性和復(fù)雜性，單機(jī)維修范圍的合理確定需建立在精確的故障診斷以及單元體健康狀態(tài)準(zhǔn)確評(píng)估的基礎(chǔ)上，首先滿足限壽件以及其他硬件損傷修復(fù)的基礎(chǔ)上確定最低維修等級(jí)和范圍，進(jìn)一步根據(jù)航空發(fā)動(dòng)機(jī)性能恢復(fù)要求，以單機(jī)最低維修范圍為基礎(chǔ)，確定各單元體的維修等級(jí)，從而實(shí)現(xiàn)單元體維修決策的精確化和發(fā)動(dòng)機(jī)維修的整體最優(yōu)化。

2) 送修目標(biāo)導(dǎo)向的發(fā)動(dòng)機(jī)維修工作范圍優(yōu)化

標(biāo)導(dǎo)向的發(fā)動(dòng)機(jī)維修工作范圍優(yōu)化流程如圖17 所示。航空發(fā)動(dòng)機(jī)維修工作范圍包括其各組成單元體的維修級(jí)別、壽命件的更換清單、附件工作指令等內(nèi)容。由于更換的壽命件清單、附件工作指令等內(nèi)容的確定方法相對(duì)簡(jiǎn)單，因此，航空發(fā)動(dòng)機(jī)維修工作范圍優(yōu)化主要指的是其各組成單元體的維修級(jí)別的優(yōu)化。

圖17 航空發(fā)動(dòng)機(jī)維修工作范圍智能優(yōu)化流程Fig.17 Intelligent optimization of aero engine MRO work scope

4 結(jié) 論

EHM的終極價(jià)值是通過智能視情維護(hù)維修保證乘客和機(jī)組人員的生命財(cái)產(chǎn)安全從而提供優(yōu)質(zhì)的客戶體驗(yàn)、保證發(fā)動(dòng)機(jī)機(jī)隊(duì)最大的可用率和最小的備發(fā)率、優(yōu)化航司的運(yùn)維成本從而提高盈利率，這主要是通過“下游”的地面綜合診斷、壽命管理和智能視情維護(hù)維修決策3個(gè)模塊實(shí)現(xiàn)。以GE、P&W、RR為首的國外OEM都將EHM視為核心競(jìng)爭(zhēng)力，并紛紛推出全包服務(wù)方案；此外，三大OEM最近都在智能視情診斷與預(yù)測(cè)及維護(hù)維修決策上發(fā)力，希望進(jìn)一步擴(kuò)大其在OEM市場(chǎng)的份額和優(yōu)勢(shì),這給國內(nèi)的民用發(fā)動(dòng)機(jī)OEM帶來了極大的競(jìng)爭(zhēng)壓力和研發(fā)動(dòng)力。本綜述重點(diǎn)討論了EHM“下游”3個(gè)模塊地面綜合診斷、壽命管理和智能視情維護(hù)維修決策的需求、必要性、現(xiàn)狀及未來發(fā)展趨勢(shì)和熱點(diǎn)技術(shù)。包括基于深度學(xué)習(xí)、數(shù)字孿生模型、知識(shí)圖譜的故障診斷與預(yù)測(cè)、壽命管理、維護(hù)維修決策，都進(jìn)行了討論。

致 謝

中國航發(fā)商用航空發(fā)動(dòng)機(jī)有限責(zé)任公司馬晶瑋、劉虔、邵傳金、凡非龍等為本文撰寫提供了幫助；西安交通大學(xué)趙志斌老師在投稿、退修過程中提供了協(xié)助，在此一并表示感謝。