羅智勇 劉潔 宋海方 謝永興
摘要:通過維修分類和CBM+的定義說明了CBM+的理念內(nèi)涵,簡要介紹了CBM+的核心RCM和CBM以及它們之間的關(guān)系,并從CBM+的核心出發(fā)分析了當(dāng)前CBM+的限制,最后結(jié)合美軍人工智能技術(shù)在CBM+中的應(yīng)用討論了幾點(diǎn)啟示。
關(guān)鍵詞:人工智能;CBM+;航空維修
Keywords:artificial intelligence;condition based maintenance plus;MRO
CBM+即Condition Based Maintenance Plus,為增強(qiáng)型視情維修。美國國防部(Department of Defense,DOD)自2006年以來一直在使用CBM+流程、技術(shù)和基于知識的能力作為增加物資戰(zhàn)備和控制生命周期成本的戰(zhàn)略[1]。2007年在國防部指令4151.22中確立了CBM+策略,并于2008年1月發(fā)布了CBM+指南。2018年,美國空軍選擇B-1和C-5作為CBM+的試點(diǎn)并取得了理想效果[2]。2019年CBM+開始在美國空軍中逐步推廣,根據(jù)美軍快速維持辦公室(Rapid Sustainment Office,RSO)2021年度第一季度報(bào)告,在2021年底CBM+將擴(kuò)展到C-5、C-130、C-17、B-52、F-15等16個(gè)空軍飛機(jī)平臺。
本文基于視情維修理論,梳理了CBM+中的各項(xiàng)關(guān)系,并結(jié)合美軍依靠人工智能技術(shù)發(fā)展應(yīng)用CBM+,提出了幾點(diǎn)啟示。
1 CBM+概述
1.1維修類別
根據(jù)執(zhí)行方法,維修分為三個(gè)類別——事后維修、預(yù)防性維修和預(yù)測性維修。三類維修的簡單說明見表1。
根據(jù)設(shè)備的特性和環(huán)境,這些方法中的任何一種都可以使用。但是,實(shí)際中通常會選擇向更有效、更主動的維護(hù)策略。
1.2 CBM+簡介
美軍國防部4145.22號指南[1]中將CBM+定義為一種適當(dāng)?shù)牧鞒?、技術(shù)、應(yīng)用的集成,CBM+是將維護(hù)從故障發(fā)生時(shí)的計(jì)劃外的被動方法,轉(zhuǎn)變?yōu)橛蔂顟B(tài)感應(yīng)和基于綜合決策分析驅(qū)動的、更主動更具預(yù)測性的方法,如圖1。符號“+”代表著添加與聯(lián)合,很難將CBM+定義在單個(gè)目標(biāo)上,因?yàn)樗w了廣泛的技術(shù)和實(shí)踐的內(nèi)容,包含了預(yù)測性維修的技術(shù)、理念、流程和工具。隨著各類新技術(shù)的出現(xiàn),CBM+的內(nèi)容日益豐富。
2 CBM+的核心和限制
CBM+的核心是可靠性為中心的維修(Reliability-Centered Maintenance,RCM)和視情維修(Condition Based Maintenance,CBM)。RCM是CBM+的第一步,RCM根據(jù)系統(tǒng)可靠性特征和預(yù)期的操作環(huán)境確定裝備或設(shè)備適用維修方式技術(shù),決策邏輯樹如圖2[3]。
CBM是使用傳感器或便攜式設(shè)備進(jìn)行數(shù)據(jù)測量,或者進(jìn)行第一手觀察,將觀察的狀態(tài)和測量數(shù)據(jù)作為有效依據(jù)進(jìn)行維護(hù)。CBM是實(shí)施CBM+的基礎(chǔ),它通過數(shù)據(jù)確定預(yù)測性維修中能探測的潛在故障點(diǎn),圖3中的P點(diǎn),以此作為實(shí)施維修的參考點(diǎn)。
CBM+的核心可以理解為采用一定的算法將收集的數(shù)據(jù)處理為有助于裝備維修的有關(guān)信息,然后依據(jù)信息能實(shí)施預(yù)測性維修,如圖4。
如今,隨著老舊機(jī)型的改裝升級,飛機(jī)上的傳感器越來越豐富,同時(shí)隨著信息技術(shù)發(fā)展,數(shù)據(jù)的傳輸、轉(zhuǎn)換和存儲問題也逐步解決。數(shù)據(jù)不再是限制CBM+實(shí)施應(yīng)用的主要因素,關(guān)鍵是如何將數(shù)據(jù)轉(zhuǎn)換為信息進(jìn)而形成決策。但是現(xiàn)在的數(shù)據(jù)體量空前巨大,這種大已經(jīng)遠(yuǎn)遠(yuǎn)超出了傳統(tǒng)計(jì)算處理數(shù)據(jù)的能力,導(dǎo)致數(shù)據(jù)專業(yè)人員難以對其進(jìn)行分析、管理并獲取信息。例如,洛克希德馬丁公司需要多個(gè)工人花費(fèi)數(shù)月的時(shí)間分析C-130J“超級大力神”飛機(jī)的飛行數(shù)據(jù),因?yàn)槿虿渴鹆诉M(jìn)行搜救、科研、空中加油等各項(xiàng)工作的大約2500架C-130飛機(jī),每架飛機(jī)每個(gè)飛行小時(shí)就會產(chǎn)生72000行的數(shù)據(jù)。
3 人工智能在CBM+中的應(yīng)用
人工智能(Artificial Intelligence,AI)是機(jī)器或計(jì)算機(jī)程序思考和學(xué)習(xí)的能力。它提供了計(jì)算機(jī)執(zhí)行傳統(tǒng)上需要人類智能完成任務(wù)的能力。機(jī)器學(xué)習(xí)(Machine learning,ML)是AI的子集,是指訪問數(shù)據(jù)時(shí)可以自行學(xué)習(xí)的系統(tǒng)。借助AI和ML技術(shù),能夠幫助處理龐大而復(fù)雜的數(shù)據(jù)。面對龐雜的飛機(jī)傳感器數(shù)據(jù)和維護(hù)歷史記錄,在CBM+中使用AI既能改善維護(hù)數(shù)據(jù)質(zhì)量又能迅速完成數(shù)據(jù)分析獲得裝備信息。下面以美軍為例介紹人工智能在CBM+中的應(yīng)用。
3.1機(jī)器學(xué)習(xí)提高數(shù)據(jù)質(zhì)量
美國空軍當(dāng)前采用PANDATATECH公司的數(shù)據(jù)質(zhì)量方法(DQM)。此方法使用動態(tài)的機(jī)器學(xué)習(xí)建模能夠幫助操作人員驗(yàn)證來自傳感器的信號,具體步驟如圖5。經(jīng)過DQM之后能突出關(guān)鍵數(shù)據(jù),能夠獲得更高質(zhì)量的信息,進(jìn)而能更好地幫助維修工作[4]。相對于人工數(shù)據(jù)處理,DQM可以節(jié)省超過50%用于清潔、映射和驗(yàn)證傳感器信號的時(shí)間,并且數(shù)據(jù)量越龐雜時(shí)使用DQM的優(yōu)勢越明顯。例如,處理450萬個(gè)數(shù)據(jù)節(jié)點(diǎn)人工驗(yàn)證大約需要1天,而DQM只需用6分鐘。該方法雖然不能直接完成決策,但是它能優(yōu)化自動化中出現(xiàn)的錯(cuò)報(bào)和誤報(bào),幫助其他算法做出更好的決策,減少不必要的維護(hù)。DQM極大改善了輸入的數(shù)據(jù)質(zhì)量,使數(shù)據(jù)專業(yè)人員能夠減少重復(fù)性的和時(shí)間密集型的數(shù)據(jù)處理任務(wù),使其能將時(shí)間和精力集中在數(shù)據(jù)分析上。
3.2人工智能識別部件風(fēng)險(xiǎn)
C3.AI公司為美國空軍提供了一套預(yù)測維修系統(tǒng),此系統(tǒng)通過人工智能驅(qū)動進(jìn)行分析預(yù)測,從而能夠提高資產(chǎn)可靠性、確定預(yù)防措施的優(yōu)先級。系統(tǒng)包括全面的有監(jiān)督和無監(jiān)督人工智能算法套件、非結(jié)構(gòu)化文本的自然語言算法,可用于解決多個(gè)部件的故障情況。系統(tǒng)為航空兵部隊(duì)管理人員和維護(hù)人員提供了全部飛機(jī)的風(fēng)險(xiǎn)情況,系統(tǒng)可以查看推進(jìn)、液壓、燃料、電力、飛行儀表、起落架等飛機(jī)中所有受監(jiān)視的子系統(tǒng)。通過簡單直觀的屏幕,維護(hù)人員可以有效地評估發(fā)生故障的可能性。如圖6,0.64分表明X13飛機(jī)的引擎系統(tǒng)在接下來的30個(gè)飛行小時(shí)內(nèi)發(fā)生故障的可能性較高,通過人工智能驅(qū)動的預(yù)測性分析你可以看見AAE80部件是最可能壞的部件。美軍已部署在C-5、B-2兩個(gè)機(jī)型上并證明該系統(tǒng)具備提前10~50飛行小時(shí)預(yù)測故障的能力,使用該系統(tǒng)能使飛機(jī)可用性增加40%,受監(jiān)控系統(tǒng)的計(jì)劃外維護(hù)減少20%~40%。
4 啟示
如上分析美軍人工智能技術(shù)在CBM+中的應(yīng)用,可以得出以下三點(diǎn)啟示。
1)轉(zhuǎn)變維修思維,以數(shù)據(jù)驅(qū)動維修。CBM+之所以能夠提高效能,縮短維護(hù)周期,降低成本,提高裝備可用性和可靠性,是因?yàn)镃BM+能夠利用數(shù)據(jù)準(zhǔn)確評估航空裝備的狀態(tài)并預(yù)測故障,讓維修更具針對性、更加可控。從預(yù)防維修和事后維修的勞動密集性經(jīng)驗(yàn)為主的方式,變?yōu)榫珳?zhǔn)計(jì)劃預(yù)測為主。這樣的轉(zhuǎn)變需要維修人員充分依靠數(shù)據(jù)相信CBM+精準(zhǔn)的決策信息,航空裝備維修不再是依靠經(jīng)驗(yàn)和工作量來確保維修質(zhì)量。
2)合理利用人工智技術(shù)實(shí)施維修。數(shù)據(jù)改變了現(xiàn)有的維修方式,但是龐大的數(shù)據(jù)體量和雜亂的數(shù)據(jù)格式空前增加了處理分析的難度,如果僅僅依靠專業(yè)人員進(jìn)行數(shù)據(jù)分析處理會花費(fèi)大量的時(shí)間,所以需要引入人工智能技術(shù)幫助人員處理。但是使用人工智能技術(shù)并不是意味著所有維修決策完全不用人參與、全憑算法分析,或者說現(xiàn)在的技術(shù)還無法實(shí)現(xiàn)無人化。在數(shù)據(jù)處理的哪一個(gè)環(huán)節(jié)加入人工智能能夠最大程度地實(shí)現(xiàn)可靠性和效能的最大化,是我們需要研究探索的。目前美軍將人工智能技術(shù)應(yīng)用在了數(shù)據(jù)整理和風(fēng)險(xiǎn)評估兩個(gè)環(huán)節(jié),我們可以以此為鑒在航空裝備維修中合理應(yīng)用人工智能技術(shù)。
3)使用新技術(shù)挖掘歷史數(shù)據(jù)的價(jià)值。美軍目前實(shí)施CBM+計(jì)劃的B-1和C-5飛機(jī)都是服役幾十年時(shí)間的老機(jī)型,對我軍實(shí)施CBM+有非常重要的參考價(jià)值。有很多服役時(shí)間較長的飛機(jī)在維護(hù)過程中采集并存儲了各種來源的數(shù)據(jù),如歷史維護(hù)記錄、機(jī)器中的傳感器數(shù)據(jù)和天氣數(shù)據(jù)等。但是過去由于技術(shù)限制,沒有辦法分析各類數(shù)據(jù)與故障的相關(guān)性。如今,我們可以使用新技術(shù)應(yīng)用新開發(fā)的算法對歷史數(shù)據(jù)實(shí)施分析,嘗試將歷史數(shù)據(jù)轉(zhuǎn)變?yōu)橛幸饬x的裝備故障趨勢,以確保維修人員更正確更全面的認(rèn)識數(shù)據(jù)和知識,進(jìn)一步幫助航空裝備提高維修可用性和可靠性,降低平均停場時(shí)間和維護(hù)成本。
參考文獻(xiàn)
[1] Rapid Sustainment Office Quarterly Report January[EB/OL],2020,[2020-05].https://assets.ctfassets.net/elw46xkgivuo/1q0MuaIkYkkq8INwSgpLTl/546c3e8e9beace55f7369dced7777205/ RSO-Quarterly-Report-Q12020.pdf
[2] US Air Force turns to data ana- lytics to solve B-1, C-5 maintenance challenges[EB/OL],[2018-09-25]. https:// www.defensenews.com/digital-show-dailies/air-force-association/
[3] Reliability-Centered Maintenance(RCM) Handbook[EB/OL],2017,[2017-04-18]. http://mscn7training.com/ TrainingDocs
[4]Gustavo Sanchez. Machine Learning Validation of Time Series Signals to Reduce Mistakes in Digital Algorithms for Maintenance, Optimization, and Automation[J]. the Offshore Technology Conference, Houston, Texas.2019