飛機(jī)視情維修的應(yīng)用現(xiàn)狀及發(fā)展

宋 彪，王 旭

（沈陽航空航天大學(xué)安全工程學(xué)院，沈陽 100136）

計(jì)算機(jī)匯編語言和相關(guān)信息工程技術(shù)在航空領(lǐng)域的不斷發(fā)展過程中，現(xiàn)代民用航空運(yùn)輸飛機(jī)設(shè)備逐步向著自動(dòng)化控制及機(jī)械、電器和液壓動(dòng)力一體化方向發(fā)展，日益復(fù)雜的結(jié)構(gòu)由許多系統(tǒng)、部件和附件組成。事后維修不僅對災(zāi)難性故障不能有很好的預(yù)防，還可能在不必要停場時(shí)間內(nèi)帶來新的風(fēng)險(xiǎn)（如檢修損傷、經(jīng)濟(jì)損失）。較為常用的定時(shí)維修方式逐漸在實(shí)際工作中暴露出其不足：①維修過剩，即將不必要的維修施加給使用狀態(tài)較好或沒有變壞跡象的設(shè)備，帶來經(jīng)濟(jì)損失和二次風(fēng)險(xiǎn)；②維修不足，設(shè)備在檢修期未到時(shí)產(chǎn)生局部故障，但受維修計(jì)劃制約繼續(xù)運(yùn)行，對飛機(jī)完成運(yùn)輸任務(wù)的安全性和可靠性都產(chǎn)生了巨大的影響。

視情維修（condition based maintenance，CBM）是一種針對設(shè)備工作的實(shí)際狀態(tài)和設(shè)備結(jié)構(gòu)、功能變化趨勢的維修管理方法，也是當(dāng)前國內(nèi)外研究的熱點(diǎn)問題之一。CBM通過機(jī)內(nèi)或外置檢測設(shè)備獲得實(shí)際狀態(tài)信息，準(zhǔn)確對設(shè)備當(dāng)前狀態(tài)描述。利用故障預(yù)測技術(shù)，設(shè)備維護(hù)人能對下一階段運(yùn)行狀態(tài)和可能發(fā)生的失效及故障進(jìn)行推理、預(yù)測，從而決策適當(dāng)時(shí)間點(diǎn)切入進(jìn)行維修，而不必等到定期維修時(shí)間或故障真正發(fā)生再做出反應(yīng)。在航空領(lǐng)域，無論是以可靠性為中心的維修（reliability centered maintenance，RCM），還是FAA的維修審查小組-3（maintenance steering group-3，MSG-3）規(guī)范，都將CBM作為維修方式或維修工作而采納[1]。20世紀(jì)90年代初美國民航B747飛機(jī)整機(jī)定期維修和視情維修項(xiàng)目比為1∶49。并且自2010年3月2日起中國國際航空公司簽約將近160架次波音系列飛機(jī)的信息連接到波音公司的數(shù)據(jù)網(wǎng)站（www.MyBoeingFleet.com），至此，由波音公司配套波音各個(gè)機(jī)型研發(fā)的以視情維修方法為中心的飛機(jī)健康管理信息將通過傳真、個(gè)人數(shù)字助手、e-mail或文件等方式實(shí)時(shí)傳達(dá)給合作公司。例如，波音數(shù)據(jù)網(wǎng)上的一條記錄為2007年4月29日代號(hào)為ZGCA099的B777執(zhí)行法國至北京飛行任務(wù)時(shí)網(wǎng)絡(luò)反饋有3項(xiàng)部件失效，燃油量分析器內(nèi)部失效和燃油箱（左2號(hào)）信號(hào)超限2項(xiàng)部件失效屬于低等級(jí)失效，建議完成當(dāng)天飛行任務(wù)后進(jìn)行航后檢查和維修，另一顯示的失效為機(jī)翼空氣流量損失屬于較高等級(jí)緊急失效，因此建議著陸后進(jìn)行過站維修。

1 CBM的概念和發(fā)展歷程

1.1 CBM的概念、理論依據(jù)及基本假設(shè)

關(guān)于CBM的定義有多種解釋，這里采用Moubray對CBM的描述，即用狀態(tài)評(píng)估檢查潛在故障，以此采取措施預(yù)防功能性故障，或者是避免功能性故障的后果[2]。

CBM的理論依據(jù)是P-F曲線[3-4]。P-F曲線描繪了設(shè)備狀態(tài)劣化的過程，如圖1所示。

圖1 P-F曲線圖Fig.1 P-F curve

根據(jù)圖1，為了預(yù)防功能失效發(fā)生，維修時(shí)機(jī)應(yīng)該選在F點(diǎn)以前，為了能夠盡可能地利用設(shè)備或機(jī)件的有效壽命，維修時(shí)機(jī)應(yīng)該在P點(diǎn)之后。這就是說應(yīng)該在P點(diǎn)和F點(diǎn)之間尋找一個(gè)合適的時(shí)間進(jìn)行維修，這就是CBM的基本思想。

設(shè)備的大部分故障是其技術(shù)狀態(tài)劣化的結(jié)果，而狀態(tài)的劣化有一個(gè)由量變到質(zhì)變的過程。在這個(gè)過程中，總有些征兆可查，即表現(xiàn)為“潛在故障”。因此，CBM遵從的基本假設(shè)為：第一、屬于機(jī)械設(shè)備或系統(tǒng)性能衰退的各種故障具有過程性。此類故障開始時(shí)不會(huì)隨即造成功能失效，因此從檢測到故障征兆至發(fā)展成系統(tǒng)功能失效之間，伴隨不同異常征兆的時(shí)間段反映了系統(tǒng)性能衰退過程[5]。第二、出現(xiàn)信息庫內(nèi)征兆即能被準(zhǔn)確及時(shí)地檢測到。設(shè)備機(jī)件、零部件、原件的磨損、疲勞、老化、燒蝕、腐蝕、失調(diào)等故障模式大都存在由潛在故障發(fā)展到功能故障的過程，即CBM故障機(jī)理分析的立足點(diǎn)。根據(jù)不解體測試的結(jié)果，當(dāng)維修對象的某一個(gè)或多個(gè)指示裝置顯示設(shè)備將要產(chǎn)生失效或設(shè)備性能下降時(shí)決定進(jìn)行調(diào)整、維修或更換，從而避免“功能失效”的發(fā)生過程。

1.2 CBM的發(fā)展歷程

航空維修思想發(fā)展歷經(jīng)了故障后維修、以預(yù)防為主的維修和以可靠性為中心的維修這一過程。而按一般維修方式分，有修復(fù)性維修（corrective maintenance，CM）、事后維修（failure based maintenance，F(xiàn)BM）、定時(shí)維修（time based maintenance，TBM）、視情維修（condition based maintenance，CBM）等[6]維修策略，如圖 2、圖3所示。

圖2 一般維修方式分類及優(yōu)缺點(diǎn)圖Fig.2 General maintenance classification，advantages and disadvantages

圖3 維修思想和一般維修方式聯(lián)系圖Fig.3 Diagram for connection between repair research and general

CBM方法是隨著狀態(tài)監(jiān)控技術(shù)和故障預(yù)測技術(shù)廣泛應(yīng)用而興起的一種新的維修策略[7]，與傳統(tǒng)定時(shí)維修不同，重點(diǎn)是通過對系統(tǒng)運(yùn)行狀態(tài)分析來做出維修決策。盡可能將維修管理決策實(shí)施在每個(gè)系統(tǒng)出現(xiàn)失效、故障前，減小發(fā)生故障的概率，降低維修過程不必要的資源浪費(fèi)，優(yōu)化維修計(jì)劃過程，大大提高飛機(jī)系統(tǒng)及元件設(shè)備的功能可靠度。以RCM為指導(dǎo)思想的CBM，首先以對系統(tǒng)關(guān)鍵部件的可靠度分析為基礎(chǔ)，其次再以維修中各種因素的適用性、高效性和經(jīng)濟(jì)性為判據(jù)，最終決定預(yù)防性維修工作，以及具體的維修時(shí)間、修復(fù)方法和檢測活動(dòng)要求。未來，單一TBM模式將逐步轉(zhuǎn)變?yōu)镃M、TBM和CBM等多種方式共存的局面[1，8]。

2 CBM的主要內(nèi)容和發(fā)展現(xiàn)狀

2.1 CBM的主要內(nèi)容

CBM的目的不是消除故障，而是盡可能準(zhǔn)確地預(yù)測故障何時(shí)何處發(fā)生并給出解決辦法，其內(nèi)容如圖4所示。

圖4 CBM過程圖Fig.4 CBM flow scheme

1）狀態(tài)監(jiān)測層

實(shí)現(xiàn)對材料狀況、部件或子系統(tǒng)特性的測試，主要輸入為來自人員的檢查、各傳感器及控制系統(tǒng)經(jīng)過信號(hào)處理后的數(shù)據(jù)，輸出為檢測部件或子系統(tǒng)的狀態(tài)，即是否有潛在故障。

2）故障預(yù)測層

評(píng)估和預(yù)測被監(jiān)測系統(tǒng)未來的狀態(tài)趨勢，是否或何時(shí)能引起功能失效。

3）決策推理優(yōu)化過程

接受狀態(tài)監(jiān)測、狀態(tài)評(píng)估和故障預(yù)測部分的數(shù)據(jù)，做出適時(shí)維修活動(dòng)和解決措施的決定。

以飛機(jī)為對象，4層結(jié)構(gòu)中數(shù)據(jù)信號(hào)獲取和處理、狀態(tài)監(jiān)測和評(píng)估等2層從飛機(jī)平臺(tái)上獲得，是視情維修任務(wù)載荷管理的主要內(nèi)容，這2層的功能可直接借助飛機(jī)子系統(tǒng)中的傳感器、處理器以及分布式系統(tǒng)互聯(lián)網(wǎng)絡(luò)和計(jì)算單元具體實(shí)現(xiàn)。而故障預(yù)測、決策支持階段等2層功能需更強(qiáng)的計(jì)算處理資源，以及更加廣泛、完整、全局性的數(shù)據(jù)資料和歷史性檔案，主要由地面相應(yīng)的子系統(tǒng)或設(shè)備來實(shí)現(xiàn)。

應(yīng)用到渦扇發(fā)動(dòng)機(jī)上的CBM，按照圖5中顯示的流程信息進(jìn)行。零件故障的物理問題直接或間接的引起渦扇發(fā)動(dòng)機(jī)單元或子系統(tǒng)性能退化；細(xì)小的元件退化可令可探測到的參數(shù)產(chǎn)生改變；監(jiān)測到不正常參數(shù)改變，當(dāng)改變超過參數(shù)健康范圍時(shí)，決定隔離性能已退化的原件；進(jìn)行故障預(yù)測和推理決策，批準(zhǔn)維修零件故障物理問題。

圖5 渦扇發(fā)動(dòng)機(jī)視情維修信息流圖表Fig.5 Diagram indicating information flow for turbine engine gas path

總之，隨著CBM各主要技術(shù)和理論的發(fā)展，其方法也得以不斷優(yōu)化，而且更新型適用的復(fù)雜系統(tǒng)狀態(tài)監(jiān)控、基于物理模型的故障預(yù)測和維修決策模型優(yōu)化方法逐漸成為研究焦點(diǎn)。

2.2 CBM狀態(tài)監(jiān)控發(fā)展歷程

飛機(jī)狀態(tài)監(jiān)控流程主要包括機(jī)載系統(tǒng)化數(shù)據(jù)采集，將單點(diǎn)數(shù)據(jù)參數(shù)轉(zhuǎn)化成趨勢變化參數(shù)，再運(yùn)用網(wǎng)絡(luò)將趨勢參數(shù)實(shí)時(shí)傳回到地面數(shù)據(jù)庫，組成機(jī)隊(duì)的狀態(tài)信息數(shù)據(jù)庫。從100%的人工監(jiān)控發(fā)展到100%的機(jī)器監(jiān)控，主要經(jīng)歷4個(gè)發(fā)展階段[9-10]。

1）人工記錄

普遍應(yīng)用在民用和軍用飛機(jī)發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控的早期方法。飛機(jī)穩(wěn)定巡航時(shí)，由飛行員或機(jī)械師人工記錄駕駛艙儀表數(shù)據(jù)，輸入終端數(shù)據(jù)庫，再借助于軟件分析。缺點(diǎn)：因?yàn)橛涗浄绞矫摴?jié)，容易在讀出、抄寫和錄入三階段出現(xiàn)錯(cuò)誤，工作效率低，監(jiān)控參數(shù)少，準(zhǔn)確性差。

2）機(jī)載記錄

利用數(shù)字飛行記錄器或快速記錄器中連續(xù)記錄的參數(shù)重放，僅對發(fā)動(dòng)機(jī)工作狀況進(jìn)行監(jiān)控。優(yōu)點(diǎn)：避免記錄環(huán)節(jié)可能出現(xiàn)的大部分失誤，相對人工記錄準(zhǔn)確度提高。缺點(diǎn)：對象僅限于發(fā)動(dòng)機(jī)，記錄部分參數(shù)，數(shù)據(jù)有限。

3）飛機(jī)狀態(tài)監(jiān)控系統(tǒng)

使用飛機(jī)狀態(tài)監(jiān)控系統(tǒng)（aircraft condition monitoring system，ACMS）連續(xù)監(jiān)控飛行數(shù)據(jù)鏈，記錄匯總數(shù)據(jù)以報(bào)告方式呈遞[11-12]。優(yōu)點(diǎn)：易于使用，監(jiān)控范圍廣，準(zhǔn)確度和精度提高。缺點(diǎn)：前期投入、人員專業(yè)培訓(xùn)費(fèi)用高。

4）實(shí)時(shí)監(jiān)控和人工智能

運(yùn)用ACMS和飛機(jī)通信尋址、報(bào)告系統(tǒng)（ACARS）實(shí)時(shí)將狀態(tài)數(shù)據(jù)傳遞給地面數(shù)據(jù)庫，再用人工智能系統(tǒng)進(jìn)行實(shí)時(shí)解析，選用有效的故障診斷、隔離措施。優(yōu)點(diǎn)：實(shí)時(shí)性，及時(shí)的地面數(shù)據(jù)庫數(shù)據(jù)分析能對飛機(jī)正常運(yùn)行給予幫助及指導(dǎo)，地面維修也可以提前如期準(zhǔn)備，減少飛機(jī)過站、停場等進(jìn)站維修時(shí)間，進(jìn)一步提高飛行安全性和經(jīng)濟(jì)性。

ACMS是飛機(jī)上主要安裝的機(jī)載數(shù)據(jù)采集和處理系統(tǒng)，能以實(shí)時(shí)方式收集數(shù)據(jù)，對發(fā)動(dòng)機(jī)狀態(tài)和飛機(jī)性能進(jìn)行監(jiān)控以及特殊的工程研究。而現(xiàn)行最先進(jìn)的飛機(jī)發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控系統(tǒng)（SKYMON）正是建立在先進(jìn)的機(jī)載數(shù)據(jù)采集、通信設(shè)備、空地?cái)?shù)據(jù)通信網(wǎng)絡(luò)、計(jì)算機(jī)與計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)上全新的ACMS。這種機(jī)載數(shù)據(jù)采集和空地?cái)?shù)據(jù)通信系統(tǒng)在國外部分航空公司已經(jīng)應(yīng)用，特別是應(yīng)用于飛機(jī)、發(fā)動(dòng)機(jī)的狀態(tài)監(jiān)控上。

2.3 航空發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控系統(tǒng)主要內(nèi)容

1）氣路性能監(jiān)控

發(fā)動(dòng)機(jī)氣路性能監(jiān)控GPA（gas path analysis）技術(shù)早期由Urban[13]在1972年提出來的，理論依據(jù)是發(fā)動(dòng)機(jī)所監(jiān)控的基本熱力參數(shù)與各氣路部件的特性（效率、流通能力等）之間存在著嚴(yán)格的氣動(dòng)熱力學(xué)關(guān)系，因而可通過利用流量連續(xù)性、能量守恒等理論建立起精確的數(shù)學(xué)模型。在模型中描述了測量參數(shù)隨發(fā)動(dòng)機(jī)單元體的幾何參數(shù)、工作狀態(tài)以及性能參數(shù)之間的變化關(guān)系[14]。但總體來講，為建立駕駛艙內(nèi)可觀測發(fā)動(dòng)機(jī)健康參數(shù)的可用發(fā)動(dòng)機(jī)傳感器數(shù)量不足，同時(shí)關(guān)于元件健康的監(jiān)控中也有一些失效與突然間改變的參數(shù)變化趨勢，那么，一般在線的不可測量的檢測方法是根據(jù)故障監(jiān)察和故障隔離方法制定的[15]。

例如：專家系統(tǒng)（expert system，ES）、參數(shù)估計(jì)（parameter estimation）、貝葉斯理論（bayesian theory，BT）、主成分分析[16]（principalcomponentanalysis，PCA）、支持向量機(jī)[17]（support vector machines，SVM）等，都是文獻(xiàn)中曾引用過用于發(fā)動(dòng)機(jī)氣路性能監(jiān)控的算法。

2）振動(dòng)監(jiān)控

振動(dòng)信號(hào)是發(fā)動(dòng)機(jī)狀態(tài)監(jiān)控與故障診斷常用于監(jiān)控結(jié)構(gòu)狀態(tài)問題的數(shù)據(jù)。在旋轉(zhuǎn)過程中，不完全平衡的轉(zhuǎn)動(dòng)部件會(huì)產(chǎn)生不同程度振動(dòng)，振幅增大的時(shí)間過長可引起有關(guān)轉(zhuǎn)子平衡的變化，其征兆信息就是所監(jiān)控的振動(dòng)信號(hào)。再有配合不當(dāng)、元件磨損和部件損傷也是引起轉(zhuǎn)子振動(dòng)的重要原因，如損壞的風(fēng)扇葉片或齒輪失效。當(dāng)可以使用高振動(dòng)頻率測量工具在飛機(jī)上處理信號(hào)收集和發(fā)送時(shí)時(shí)，將開創(chuàng)出更多改善現(xiàn)狀的新方法。

3）滑油系統(tǒng)監(jiān)控

潤滑系統(tǒng)監(jiān)控診斷時(shí)需關(guān)注如油污染物之類的情況。因?yàn)閭鞲衅鞅O(jiān)測個(gè)體部件，所以按照分類給出了內(nèi)部部件磨損跡象和損傷級(jí)數(shù)，還要注意金屬碎片可能造成隔離損傷的情況。監(jiān)測數(shù)據(jù)包括：滑油消耗率監(jiān)控、滑油磨粒監(jiān)控、滑油品質(zhì)狀況監(jiān)控和滑油溫度與壓力監(jiān)控[18]。

4）控制系統(tǒng)監(jiān)控

發(fā)動(dòng)機(jī)大型組件監(jiān)控的關(guān)鍵作用是控制系統(tǒng)失效監(jiān)測和隔離。這種監(jiān)控方式是基于控制系統(tǒng)傳感器和主要位置的反饋（連續(xù)的或開關(guān)的）。伴隨全權(quán)數(shù)字電子發(fā)動(dòng)機(jī)操縱機(jī)構(gòu)的問世，專注于自測的線路要求確?？刂葡到y(tǒng)自身的完整性，來提供必要水平的可替換組件失效隔離。

在飛機(jī)狀態(tài)監(jiān)控工作中，不但受到傳感器精度和位置的影響，而且狀態(tài)監(jiān)控系統(tǒng)的構(gòu)建也為快捷有效的工作提供了平臺(tái)?，F(xiàn)在不少以CBM開發(fā)的健康管理方法就以便捷、準(zhǔn)確的飛機(jī)狀態(tài)監(jiān)控為基礎(chǔ)提出，因此做好監(jiān)控工作就做好了CBM的第一步。

2.3 CBM故障預(yù)測模型現(xiàn)狀及發(fā)展

視情維修中故障預(yù)測的基本原則是參考設(shè)備過去和現(xiàn)在狀態(tài)，對未來狀態(tài)的可靠預(yù)測，目的是及時(shí)安排改進(jìn)活動(dòng)[19]。傳統(tǒng)的基于人工目視方法和傳感器數(shù)據(jù)來診斷已基本轉(zhuǎn)變?yōu)榛谥悄芟到y(tǒng)的預(yù)測。因此需要借助各種先進(jìn)的傳感器，使用智能模型預(yù)測手段，關(guān)注系統(tǒng)各種變量（如振動(dòng)模式、溫度、壓力、電阻等）的關(guān)系或關(guān)鍵元件標(biāo)準(zhǔn)水平上微小的變化，這些都可能是故障的先兆。

故障預(yù)測系統(tǒng)應(yīng)當(dāng)具備檢測由于設(shè)備狀態(tài)退化而導(dǎo)致潛在故障的能力，并監(jiān)測其進(jìn)一步劣化的過程。故障預(yù)測系統(tǒng)根據(jù)當(dāng)前設(shè)備狀態(tài)和使用負(fù)載情況，通過與給定適當(dāng)?shù)年P(guān)鍵參數(shù)檢測閾值進(jìn)行比對，預(yù)測可能出現(xiàn)失效、故障的時(shí)間[20]。

1）研究內(nèi)容

①分析設(shè)備所處狀態(tài)劣化過程所處階段（正常階段、性能下降階段或者功能失效階段）。②判斷致使設(shè)備狀態(tài)下降至正常水平以下的故障模式，并評(píng)價(jià)偏離正常水平的程度。③通過評(píng)價(jià)是否達(dá)到功能要求或剩余壽命計(jì)算以預(yù)測部件狀態(tài)。

2）故障預(yù)測分類

關(guān)于故障預(yù)測方法的分類，目前不同研究機(jī)構(gòu)和組織的提法不盡一致。從目前主要應(yīng)用的技術(shù)和研究工作總體看來，主要可分為以下幾類，如圖6所示。

圖6 故障預(yù)測方法分類圖Fig.6 Fault prediction classification diagram

第一種，基于統(tǒng)計(jì)可靠性（reliability and statistics based or probability-based）的故障預(yù)測技術(shù)，即基于特征進(jìn)化/統(tǒng)計(jì)趨勢的預(yù)測或基于經(jīng)驗(yàn)的預(yù)測。

基于經(jīng)驗(yàn)的預(yù)測方法不需要對象精確的數(shù)學(xué)模型。其最典型的兩種應(yīng)用形式是：專家系統(tǒng)和模糊邏輯。專家系統(tǒng)廣泛應(yīng)用于故障診斷階段，PROMISE系統(tǒng)[21]實(shí)時(shí)提交設(shè)備故障發(fā)生時(shí)間信息及自定義的嚴(yán)重程度，并隨之預(yù)報(bào)一個(gè)時(shí)間段內(nèi)可能發(fā)生的潛在故障及故障的有關(guān)情況。預(yù)測階段應(yīng)用的專家系統(tǒng)結(jié)合能力較強(qiáng)，如與神經(jīng)網(wǎng)絡(luò)技術(shù)的結(jié)合等[22]。模糊邏輯提供表達(dá)和處理模糊概念的機(jī)制，模糊邏輯往往與其他技術(shù)結(jié)合應(yīng)用，例如：某火炮故障預(yù)測方法是由動(dòng)態(tài)模糊邏輯與專家系統(tǒng)相結(jié)合的[23]。鑒于模糊邏輯系統(tǒng)應(yīng)用的是靜態(tài)知識(shí)庫在表達(dá)的過程中不具備時(shí)間參數(shù)，因此也就無法模擬和預(yù)測零部件的失效過程，實(shí)用性不高。

第二種，基于數(shù)據(jù)驅(qū)動(dòng)（data-driven）的故障預(yù)測技術(shù)，基于人工智能（artificial intelligence，AI）的預(yù)測。

基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測技術(shù)的典型模型有神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫模型等。神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用得較多，ZHANG[24]等人計(jì)算軸承的剩余壽命，曾借助使用神經(jīng)網(wǎng)絡(luò)模型對失效發(fā)展過程給予多變量趨勢跟蹤。TSE[25]等人應(yīng)用回歸神經(jīng)網(wǎng)絡(luò)（recurrent neural net works，RNN）模型預(yù)測設(shè)備失效、故障等狀態(tài)的發(fā)展趨勢。還發(fā)展出了幾種特殊預(yù)測方式，如小波神經(jīng)網(wǎng)絡(luò)（wavelet neural networks，WNN）[26]、模糊神經(jīng)網(wǎng)絡(luò)（fuzzy neural net-works，F(xiàn)NN）等[27]。在機(jī)械故障診斷預(yù)測應(yīng)用的隱馬爾可夫模型（hidden markov model，HMM），因其在區(qū)分、識(shí)別聲音的領(lǐng)域有較優(yōu)秀的作為，得到普遍使用。QIU[28]等人探討研究隱馬爾可夫模型的識(shí)別算法應(yīng)用于機(jī)械系統(tǒng)潛在失效和細(xì)微故障的發(fā)現(xiàn)、識(shí)別問題上。根據(jù)大量應(yīng)用實(shí)例選取HMM的初始模型仍需要依靠經(jīng)驗(yàn)，而且對于設(shè)備元件展現(xiàn)在物理狀態(tài)下的隱含內(nèi)容仍不能給出充分解釋，因此也不帶有廣泛的強(qiáng)制性。

第三種，基于模型（model-driven）的故障預(yù)測技術(shù)，又基于物理模型的故障預(yù)測。

應(yīng)用基于模型的故障預(yù)測技術(shù)，通常由該領(lǐng)域?qū)＜医?jīng)過大量數(shù)據(jù)統(tǒng)計(jì)和驗(yàn)證給出對象系統(tǒng)的數(shù)學(xué)模型。該故障預(yù)測技術(shù)的優(yōu)點(diǎn)在于抓住系統(tǒng)內(nèi)在本質(zhì)的特征，利用模型參數(shù)表現(xiàn)系統(tǒng)故障的特征，從而得到即時(shí)故障預(yù)測。將對設(shè)備、元件故障機(jī)理逐步地理解運(yùn)用于修正模型，預(yù)測精度也可以漸漸提高[29]。

LIANG等[30]首先以系統(tǒng)進(jìn)行振動(dòng)信號(hào)響應(yīng)及故障機(jī)理分析為基礎(chǔ)，建立系統(tǒng)觀測變量與故障特征變量間的關(guān)系模型。其次使用遞推最小二乘法（recursive least square，RLS）實(shí)時(shí)調(diào)整參數(shù)，目的是預(yù)測系統(tǒng)的故障特性變化趨勢。

根據(jù)故障預(yù)測方法的難點(diǎn)：預(yù)測不確定性、預(yù)測缺乏通用的方法、對象數(shù)據(jù)獲取困難、預(yù)測驗(yàn)證困難等[31]。未來研究方向一是采用混合故障預(yù)測算法（hybrid prognostic algorithms），吸收各方法優(yōu)點(diǎn)同時(shí)彌補(bǔ)不足，使得優(yōu)化算法。二是運(yùn)用預(yù)測信息交互技術(shù)，綜合故障預(yù)測系統(tǒng)信息使其多元化，并將其融合成關(guān)于系統(tǒng)狀態(tài)的、有用的知識(shí)。三是仿真驗(yàn)證系統(tǒng)開發(fā)，對安全性要求高的系統(tǒng)進(jìn)行建模仿真驗(yàn)證，可以降低危險(xiǎn)性，同時(shí)利用實(shí)際系統(tǒng)中的經(jīng)驗(yàn)數(shù)據(jù)，修正模型，提高精確性，對于預(yù)測算法開發(fā)和驗(yàn)證工作將起到極大的輔助作用。

2.4 CBM決策模型現(xiàn)狀及發(fā)展

CBM決策過程就是根據(jù)飛機(jī)狀態(tài)監(jiān)控內(nèi)容得到的故障預(yù)測信息，最終決定某時(shí)采用某種維修行為的策略。例如，發(fā)動(dòng)機(jī)壽命與其關(guān)鍵特性（如：可靠性、維修成本、設(shè)備價(jià)格等）間的最優(yōu)化平衡點(diǎn)就是航空發(fā)動(dòng)機(jī)CBM決策策略的取用值[32]。

單部件CBM決策的基礎(chǔ)是部件劣化過程模型，因此維修決策模型基本分為兩大類[33-34]：第一類是利用數(shù)理統(tǒng)計(jì)理論，建立部件狀態(tài)和剩余壽命之間的統(tǒng)計(jì)分布，依據(jù)監(jiān)測數(shù)據(jù)預(yù)測失效模型中的變化趨勢和參數(shù)變化，將限制條件選為費(fèi)用等，求出最優(yōu)化邊界。較有代表性的模型有時(shí)間延遲模型、沖擊模型等。

1）時(shí)間延遲模型（delay time model，DTM）

該模型將狀態(tài)信息轉(zhuǎn)化為時(shí)間進(jìn)行分析，對部件的剩余壽命進(jìn)行估計(jì)。1984年CHRISTER和WALLER[35]首次提出，將設(shè)備的壽命周期分為缺陷形成和故障發(fā)生（即延遲時(shí)間）兩個(gè)階段，并以CBM的檢查閾值和頻率作為決策變量建立了維修優(yōu)化模型進(jìn)行建模分析。Coolen[36]等對DTM模型進(jìn)行更新，因此誕生了競爭風(fēng)險(xiǎn)模型（competing risk model，CRM），將敏感性分析運(yùn)用到建模參數(shù)上，還借用非參數(shù)預(yù)測推理方法討論含有競爭風(fēng)險(xiǎn)的維修決策優(yōu)化問題。

2）沖擊模型（shock model，SM）

YEH[37]在Taylor基礎(chǔ)上提出一種多閾值維修策略，并解釋維修始終無法恢復(fù)到初始元件特性，強(qiáng)調(diào)沖擊模型在描述系統(tǒng)狀態(tài)變更時(shí)的優(yōu)勢，但仍存在系統(tǒng)優(yōu)化問題。李澤慧等提出Poisson沖擊模型[38]，忽略某一沖擊對系統(tǒng)造成的損失，對連續(xù)兩次沖擊造成的影響進(jìn)行分析，結(jié)論是當(dāng)沖擊間隔小于系統(tǒng)閾值時(shí)，會(huì)因造成的疊加沖擊而使系統(tǒng)產(chǎn)生故障。

其他模型主要是直接建立部件狀態(tài)劣化量變化的描述模型。如比例危險(xiǎn)模型（proportional hazards model）又稱Cox模型，能準(zhǔn)確地反映工程實(shí)際情形，克服對系統(tǒng)維修決策建模時(shí)偏重于應(yīng)用數(shù)學(xué)技巧而帶來的缺點(diǎn)，如普及型差、容易忽略有重要價(jià)值的狀態(tài)參數(shù)、故障模式等信息。KALBNEISCH等提出了加速壽命模型[39]（accelerated life model），ASCHER等提出比例強(qiáng)度模型（proportional intensities model）[40]，以上 2種模型克服了需要嚴(yán)格假設(shè)條件的限制，拓寬了該模型在CBM在決策模塊的應(yīng)用。

第二類習(xí)慣于將部件狀態(tài)空間離散化，應(yīng)用馬爾可夫決策過程[11]（Markov decision processes，MDP）或半馬爾可夫決策過程進(jìn)行維修工作時(shí)間、內(nèi)容等優(yōu)化。

MDP是研究隨機(jī)序貫決策問題較突出的理論，由俄國科學(xué)家MARKOV提出，其特定的假定前提是系統(tǒng)的狀態(tài)變化具有“無后效性”，即系統(tǒng)后發(fā)的狀態(tài)變化僅與前一狀態(tài)有關(guān)，與以前變化的狀態(tài)無關(guān)。HOWARD和WELL又將俄國學(xué)者M(jìn)arkov的理論推廣到半馬爾可夫過程。YEH[41-42]借用MDP模型對部件劣化過程的維修策略進(jìn)行多種優(yōu)化。CHEN和TRIVEDI[43]研究優(yōu)化了隨機(jī)劣化系統(tǒng)中的一般維修策略過程。張秀斌[44]等借用MDP優(yōu)化多維信息的發(fā)動(dòng)機(jī)CBM問題。雖然該模型只對狀態(tài)劣化進(jìn)行簡單描述，但是應(yīng)用在處理復(fù)雜維修決策時(shí)使用了多種分析、研究方法，適用性較強(qiáng)。

但是對于整個(gè)飛機(jī)系統(tǒng)，多部件系統(tǒng)維修決策技術(shù)研究現(xiàn)在依然很少涉及。難點(diǎn)之一，在于系統(tǒng)中部件間關(guān)系的定義、部件關(guān)鍵度的選定等。曾提出過一種分類方式，即部件間的相互聯(lián)系可以分為：經(jīng)濟(jì)性依賴關(guān)系、結(jié)構(gòu)依賴關(guān)系和隨機(jī)依賴關(guān)系[40]。難點(diǎn)之二，部件失效一般分為突發(fā)和劣化失效兩類[8]，每種維修手段對應(yīng)各異的失效方式。對于同時(shí)具有突發(fā)和劣化失效可能部件，如何考慮部件聯(lián)系及經(jīng)濟(jì)相關(guān)性等條件下，在系統(tǒng)層對所選取的每種維修方式組合優(yōu)化將成為多部件系統(tǒng)維修決策面臨的難題。

3 結(jié)語

伴隨著CBM復(fù)雜系統(tǒng)狀態(tài)監(jiān)控、故障預(yù)測和維修決策優(yōu)化方法的不斷發(fā)展，逐步產(chǎn)生了故障預(yù)測與健康管理（prognostics and health management，PHM）分析方法，此方法不僅包括傳感器布局設(shè)計(jì)、數(shù)據(jù)信息處理、故障診斷、壽命預(yù)測、智能決策等內(nèi)容，還增加了對系統(tǒng)及人的管理功能，使得其應(yīng)用領(lǐng)域非常廣泛，包括航空航天機(jī)械/電子產(chǎn)品功能安全、計(jì)算機(jī)硬/軟件安全和化工企業(yè)工藝安全等領(lǐng)域。并且由波音公司開發(fā)飛機(jī)健康管理（airplane health management，AHM）及由美國國家航空航天局（national aeronautics and space administration，NASA）開發(fā)的飛行器綜合健康管理（integrated vehicle health management，IVHM）也得到了發(fā)展。

飛機(jī)CBM狀態(tài)監(jiān)控、故障預(yù)測和維修決策優(yōu)化的技術(shù)體系為實(shí)現(xiàn)CBM最優(yōu)策略提供根本保證。多傳感器性能組合、多參數(shù)融合、基于網(wǎng)絡(luò)的狀態(tài)管理、PHM、剩余壽命預(yù)測與管理、多部件和復(fù)雜系統(tǒng)的維修策略綜合優(yōu)化、開放式系統(tǒng)架構(gòu)（OSA-CBM）等新興技術(shù)與理論即將成為CBM方法的發(fā)展重點(diǎn)。因此隨著CBM中各項(xiàng)技術(shù)和理論進(jìn)一步完善，會(huì)使得國內(nèi)外航空安全技術(shù)及管理事業(yè)有長足進(jìn)步，并且CBM方法也會(huì)得到廣泛應(yīng)用。

[1]MOUBRAY J.以可靠性為中心的維修[M].北京：機(jī)械工業(yè)出版社，1995.

[2]常士基.現(xiàn)代民用航空維修工程管理[M].太原：山西科學(xué)技術(shù)出版社，2002.

[3]李 強(qiáng).民航發(fā)動(dòng)機(jī)健康管理技術(shù)與方法研究[D].南京：南京航空航天大學(xué)，2008.

[4]李鄭琦，陳躍良.飛機(jī)視情維修策略及模型研究[J].航空科學(xué)技術(shù)，2011（3）：28-30.

[5]左洪福，戎 翔，張海軍.航空發(fā)動(dòng)機(jī)狀態(tài)與壽命管理和維修決策優(yōu)化方法綜述[C]//第一屆維修工程國際學(xué)術(shù)會(huì)議論文集，2006.

[6]戎 翔，左洪福.航空發(fā)動(dòng)機(jī)視情維修理論與技術(shù)綜述[C]//第四屆長三角科技論壇航空航天與長三角經(jīng)濟(jì)發(fā)展分論壇暨第三屆全國航空維修技術(shù)學(xué)術(shù)年會(huì)，2007.

[7]甘茂治，康建設(shè)，高 崎.軍用裝備維修工程學(xué)[M].北京：國防工業(yè)出版社，1999.

[8]程志軍.多部件系統(tǒng)視情維修決策技術(shù)研究[D].長沙：國防科學(xué)技術(shù)大學(xué)，2007.

[9]陳 光.航空發(fā)動(dòng)機(jī)設(shè)計(jì)手冊[M].北京：航空工業(yè)出版社，2000.

[10]常繼百.民航發(fā)動(dòng)機(jī)性能監(jiān)控和預(yù)測方法研究[D].南京：南京航空航天大學(xué)，2004.

[11]JONATHAN S L，SANJAY G，RICHARD M.A Survey of intelligent control and health management technologies for aircraft propulsion systems[J].Journal of Aerospace Computing，Information and Communication.2004（1）：552-555.

[12]彭云飛.航空發(fā)動(dòng)機(jī)狀態(tài)參數(shù)處理技術(shù)及其應(yīng)用研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2009.

[13]OGAJI S O T，SAMPATH S，SINGH R.Parameter selection for diagnosing a gas-turbine′s performance-deterioration[J].Applied Energy，2002，73（1）：25-46.

[14]陳大光，韓鳳學(xué)，唐耿林.多狀態(tài)氣路分析法診斷發(fā)動(dòng)機(jī)故障的分析[J].航空動(dòng)力學(xué)報(bào)，1994（9）：349-352.

[15]LI，Y G.Performance-analysis-based gas turbine diagnostics[J].Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2002，216（5）：363-377.

[16]孫春林，范作民.發(fā)動(dòng)機(jī)故障診斷的主成分算法[J].航空學(xué)報(bào)，1998，19（3）：342-345.

[17]尉詢楷，陸 波，汪 誠.支持向量機(jī)在航空發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用[J].航空動(dòng)力學(xué)報(bào)，2004，19（6）：844-848.

[18]陳 果，左洪福.潤滑油金屬磨粒的分類參數(shù)研究[J].航空學(xué)報(bào)，2002，23（3）：279-281.

[19]張寶珍.國外綜合診斷、預(yù)測與健康管理技術(shù)的發(fā)展及應(yīng)用[J].計(jì)算機(jī)測量與控制，2008，16（5）：591-594.

[20]曾慶虎.機(jī)械傳動(dòng)系統(tǒng)關(guān)鍵零部件故障預(yù)測技術(shù)研究[D].長沙：國防科學(xué)技術(shù)大學(xué)，2010.

[21]梁 旭，李行善，張 磊，等.支持視情維修的故障預(yù)測技術(shù)研究[J].測控技術(shù)，2007，26（6）：5-8，14.

[22]GARGA A K，MCCLINTIC K T，YANG C C，et al.Hybrid Reasoning for Prognostic Learning in CBM systems[C]//Aerospace Conference Proceedings，USA，March 10-17，2001:2957-299.

[23]秦俊奇，曹立軍.基于動(dòng)態(tài)模糊綜合評(píng)判的故障預(yù)測方法[J].計(jì)算機(jī)工程，2005，31（12）：172-174.

[24]ZHANG S.Multivariable trend analysis using neural net-works for intelligent diagnostics of rotating machinery[J].Journal of Engineering for Gas Turbines and Power，1997，119（2）：378-384.

[25]TSE P W，LI L，TU P.Intelligent predictive decision support system for condition-based maintenance[J].International Journal of Advanced Manufacturing Technology，2001,17(5):383-391.

[26]譚曉棟.基于HSMM的滾動(dòng)軸承故障預(yù)測技術(shù)[D].長沙：國防科學(xué)技術(shù)大學(xué)，2008.

[27]WANG P，VACHTSEVANOS G.Fault prognostics using dynamic wavelet neural networks[J].IEEE Proceedings of Systems Readiness Technology Conference，2001，15（4）：349-365.

[28]QIU H，LIAO H T，LEE J.Degradation assessment for machinery prognostics using hidden Markovamodels[J].Proceedings of the ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference，2005：531-537.

[29]彭 宇，劉大同，彭喜元.故障預(yù)測與健康管理技術(shù)綜述[J].電子測量與儀器學(xué)報(bào)，2010（1）：1-9.

[30]QIU.J，ZHANG.C，SETH B B，LIANG S Y.Damage mechanics approach for bearing life time prognostics[J].Mechanical Systems and Signal Processing，2002.16（5），817-829.

[31]曾聲奎，Pecht M G，吳 際.故障預(yù)測與健康管理（PHM）技術(shù)的現(xiàn)狀與發(fā)展[J].航空學(xué)報(bào)，2005，24（5）：626-632.

[32]謝慶華，張 琦，盧 涌.航空發(fā)動(dòng)機(jī)單部件視情維修優(yōu)化決策[J].解放軍理工大學(xué)學(xué)報(bào)，2005，6（6）：575-578.

[33]DEKKER R.Application of maintenance optimization models[J].Reliability Engineering & System Safety，1996，51（3）：229-240.

[34]WANG H.A survey of maintenance policies of deteriorating systems[J].European Journal of Operational Research，2002，139（3）：469-489.

[35]張海軍.民航發(fā)動(dòng)機(jī)性能評(píng)估方法與視情維修決策模型研究[D].南京：南京航空航天大學(xué)，2007.

[36]COOLEN F P A，COOLEN-SCHRIJNER P，YANK J.No parametric Predictive Inference in Reliability[J].Reliability Engineering and System Safety，2002，78（2）：185-193.

[37]P & W Corporation.PW4000 Type Engine Ranking Reports[R].2001.

[38]劉 燕.RB211-535E4發(fā)動(dòng)機(jī)性能趨勢變化分析[J].航空工程與維修，2000（3）：27-28.

[39]KALBNEISCH J D，PREMICE R L.The Statistical Analysis of Failure Time Data[M].New York：John Wiley & Sons，lnc.，1980.

[40]程志君.多部件系統(tǒng)視情維修決策技術(shù)研究[D].長沙：國防科學(xué)技術(shù)大學(xué)，2007.

[41]LAM C T，YEH R H.Optimal maintenance-policies for deteriorating systems under Various maintenance strategies[J].IEEE transactions on reliability，1994，43（3）：423-430.

[42]YEH R H.Optimal inspection and replacement po1icies for multistate deteriorating systems[J].European Journal of Operational Research，1996：248-259.

[43]CHEN D，TRIVEDI K.Optimization for condition-based maintenance with semi-Markov decision process[J].Reliability Engineering and System Safety，2005.25-29.

[44]張秀斌.視情維修決策模型及其應(yīng)用研究[D].長沙：國防科技大學(xué)，2003.