民用航空發(fā)動機故障診斷與健康管理現(xiàn)狀、挑戰(zhàn)與機遇Ⅱ:地面綜合診斷、壽命管理和智能維護維修決策

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)動機有限責任公司，上海 201109 2.上海交通大學 航空航天學院，上海 200240 3.南京航空航天大學 能源與動力學院，南京 210016 4.復旦大學 航空航天數(shù)據(jù)研究中心， 上海 200433 5.西安交通大學 機械工程學院，西安 710049

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

EHM (Engine Health Management)系統(tǒng)的功能始于故障診斷、預測，結束于基于視情的維護維修決策(圖1)。EHM 3個主要的故障診斷模塊(“上游”模塊)為：發(fā)動機氣路性能退化、機械故障診斷和全權限數(shù)字式發(fā)動機控制 (Full Authority Digital Engine Control，F(xiàn)ADEC)系統(tǒng)故障診斷；對于民用航空發(fā)動機，這3個子系統(tǒng)的故障診斷功能分兩個層級完成：在機載系統(tǒng)上完成快速診斷，在地面綜合診斷系統(tǒng)上完成更詳細、準確的故障診斷和預測。和發(fā)動機氣路性能退化、機械故障診斷及FADEC3個“上游”模塊相比，圖1中地面綜合診斷、關鍵限壽件壽命估計、智能視情維護和維修3個模塊被認為是“下游”模塊。本文將重點討論這3個 “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 完成機載系統(tǒng)由于計算資源限制無法完成的數(shù)據(jù)融合及精細診斷功能；② 提供顧客要求的定制分析平臺；③ 實現(xiàn)基于多源信息融合的發(fā)動機故障診斷，提高診斷準確率；航空發(fā)動機是一個復雜的耦合系統(tǒng)，故障不僅導致故障零部件或子系統(tǒng)功能或性能喪失、變?nèi)?，還會引發(fā)其他相關聯(lián)零部件、子系統(tǒng)的狀態(tài)變化，導致多種故障狀態(tài)指示，基于數(shù)據(jù)融合的故障診斷可以提高診斷準確率；④ 提供基于深度學習、知識圖譜等智能算法的故障診斷和預測平臺，從而實現(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)測系統(tǒng)的數(shù)字雙胞胎，進而實現(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。除了故障診斷和預測功能，對于民用航空發(fā)動機，關重件的壽命預測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單獨的模塊來對待。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維修決策提供了輸入 (圖1(b))，從而完成從故障診斷、預測到維護維修決策的流程閉環(huán)。

民用航空發(fā)動機市場競爭激烈，必須在保障安全運行、遵守適航規(guī)章的基礎上，通過科學有效的壽命管理實現(xiàn)發(fā)動機全壽命期維修使用成本的最優(yōu)化。因此，及時準確的壽命預測、科學合理的壽命管理是實現(xiàn)以上目標的重要保證。發(fā)動機EHM框架內(nèi)的壽命管理主要包括：發(fā)動機關鍵部件的使用壽命監(jiān)控、壽命消耗計算、剩余壽命預測、延壽控制等，其目的是保障發(fā)動機在復雜環(huán)境和使用條件下能夠安全運行。壽命管理子系統(tǒng)已經(jīng)成為現(xiàn)代航空發(fā)動機健康管理系統(tǒng)的一個重要功能模塊。壽命管理子系統(tǒng)根據(jù)發(fā)動機關鍵部件壽命消耗、健康監(jiān)測、運行狀態(tài)參數(shù)等數(shù)據(jù)信息預測發(fā)動機在翼剩余可用壽命，為發(fā)動機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)動機壽命管理技術包含整機和部件兩個層級。部件級壽命管理包括關鍵部件的使用壽命監(jiān)控和安全使用壽命預測；整機級壽命管理則涵蓋發(fā)動機在翼使用壽命監(jiān)控和壽命預測。關鍵部件主要包括高能轉(zhuǎn)動件和承壓件。這些發(fā)生非包容失效時可能導致危害性，甚至是災難性的后果；同時，這些部件使用了昂貴的原材料、經(jīng)歷了復雜的設計過程、采用了先進的制造工藝、承受了嚴格的質(zhì)量控制，制造成本高昂。因此，民用航空發(fā)動機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。

智能維護維修決策系統(tǒng)是基于視情維護維修模式的頂層規(guī)劃設計。通過發(fā)動機全壽命周期維修決策優(yōu)化，智能維護維修決策系統(tǒng)首先構建發(fā)動機全壽命周期數(shù)據(jù)模型，并在此基礎上針對不同部件、不同維修策略建立維修間隔確定方法，解決航空發(fā)動機機隊送修時機優(yōu)化、維修工作范圍優(yōu)化。智能維護維修決策系統(tǒng)根據(jù)產(chǎn)品投入運行后狀態(tài)和可靠性信息的反饋，從全壽命周期角度優(yōu)化發(fā)動機在翼維修、離翼大修時間間隔和工作范圍，建立基于健康管理的使用維護策略和決策支持模型及方法。發(fā)動機智能維護維修決策系統(tǒng)根據(jù)發(fā)動機健康狀態(tài)及保障資源信息、飛行任務和目標綜合決策，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、全機隊和全成本的決策優(yōu)化系統(tǒng)。

本文將順序展開論述民用航空發(fā)動機地面綜合診斷、壽命管理、智能視情維護維修決策的需求、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 地面綜合診斷與預測

發(fā)動機地面綜合診斷是發(fā)動機健康管理的重要組成部分，為此，發(fā)動機OEM (Original Equipment Manufacturer) 廠商及航空公司都在不斷推動發(fā)動機地面綜合診斷系統(tǒng)的構建和發(fā)展。以3大發(fā)動機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)動機廠商已經(jīng)實現(xiàn)發(fā)動機機載監(jiān)視數(shù)據(jù)的空地實時傳輸和遠程故障診斷，可支持全球發(fā)動機的健康管理，為運營商合理安排發(fā)動機飛行任務和維護維修提供服務支持。隨著發(fā)動機數(shù)據(jù)采集、通信等技術的不斷發(fā)展，可用于發(fā)動機綜合診斷的數(shù)據(jù)類型及數(shù)據(jù)量正在經(jīng)歷質(zhì)變性的增長。與此同時，大數(shù)據(jù)分析及工業(yè)互聯(lián)網(wǎng)技術的發(fā)展為采用產(chǎn)生于發(fā)動機不同階段、不同來源、不同類型的數(shù)據(jù)進行綜合分析，在此基礎上不斷優(yōu)化民航發(fā)動機服務和維護維修決策并發(fā)展新的服務模式提供了可能。

在此背景下，GE、RR、P&W等OEM廠商不斷推進其發(fā)動機地面綜合診斷系統(tǒng)的發(fā)展。GE公司推出了面向工業(yè)領域的基礎性的工業(yè)互聯(lián)網(wǎng)平臺Predix，為發(fā)動機綜合診斷提供了基于大數(shù)據(jù)分析的綜合診斷平臺，能夠?qū)崿F(xiàn)對幾萬甚至十幾萬臺發(fā)動機的實時監(jiān)測和診斷，支持發(fā)動機運行和燃油消耗的優(yōu)化，并減少意外停機時間。RR公司使用微軟公司的Azure云計算平臺收集和匯總來自世界各地的發(fā)動機數(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)動機的綜合診斷。P&W公司則通過與IBM在大數(shù)據(jù)分析領域的合作來推動其發(fā)動機數(shù)據(jù)分析業(yè)務，借助IBM的云服務能力實現(xiàn)對業(yè)務、工程和制造系統(tǒng)數(shù)據(jù)的云管理，并實現(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)動機性能并為客戶提供更好服務的大數(shù)據(jù)分析項目，并于2016年公布了旨在加強發(fā)動機診斷維修服務的大數(shù)據(jù)項目。

1.1 地面綜合診斷需求

在新技術和健康管理服務模式發(fā)展的推動下，發(fā)動機地面綜合診斷系統(tǒng)面臨以下幾個亟待解決的需求：① 為不斷創(chuàng)新發(fā)展的發(fā)動機健康管理服務模式提供支持。發(fā)動機健康管理服務正在從數(shù)據(jù)和應用服務向包修服務、飛行能力服務及定制化服務等多種形態(tài)的創(chuàng)新服務模式發(fā)展。不僅要求發(fā)動機地面綜合診斷發(fā)展與之相匹配的業(yè)務模式，還要求發(fā)動機地面綜合診斷系統(tǒng)架構在功能、技術、適應性、安全性、可擴展性等方面滿足支撐其業(yè)務模式創(chuàng)新發(fā)展的需求。② 多源異構數(shù)據(jù)采集及海量數(shù)據(jù)深度分析的需求。可用于發(fā)動機綜合診斷的數(shù)據(jù)的第1個特點是來源眾多，類型復雜，既包括以監(jiān)測時序數(shù)據(jù)為代表的結構化數(shù)據(jù)，又包括以孔探圖像為代表的非結構化數(shù)據(jù)；第2個特點是發(fā)動機綜合診斷可用的數(shù)據(jù)量很大，如LEAP發(fā)動機單次飛行可生成1 TB的數(shù)據(jù)；第3個特點是數(shù)據(jù)關聯(lián)性強，發(fā)動機各階段數(shù)據(jù)、不同維度測量數(shù)據(jù)、發(fā)動機工作/性能退化/故障機理與狀態(tài)參數(shù)之間均存在相互關聯(lián)。發(fā)動機地面綜合診斷涉及對上述數(shù)據(jù)的采集和深度分析處理，對系統(tǒng)數(shù)據(jù)架構提出了挑戰(zhàn)。③ 滿足全方位安全防護的需求。發(fā)動機地面綜合診斷系統(tǒng)需要面向OEM廠商、航空公司、第三方服務商(包括算法服務商、應用服務商)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)務隱私問題，甚至影響發(fā)動機的飛行安全。因此需要解決好用戶認證、訪問控制、數(shù)據(jù)安全、安全監(jiān)測等方面的問題，做好全方位的安全防護。

EHM系統(tǒng)通過實時跟蹤發(fā)動機健康狀況，減少定期和不定期的地面維護時間，制定更加合理的維護計劃方案等途徑，提高發(fā)動機的可靠性與利用率，減少維護費用，保證飛行任務完成。

通過對國內(nèi)外發(fā)動機地面綜合診斷技術應用、研究差距的分析，分別在多信息融合的故障診斷技術、基于深度學習和智能算法的診斷預測技術、數(shù)字樣機及系統(tǒng)診斷技術、基于知識圖譜的發(fā)動機故障診斷等4個方面進行深入論證，以期最終實現(xiàn)以下目標：

1) 通過多源信息融合提高故障診斷置信度。

2) 采用智能技術提高診斷和預測的準確率及效率。

3) 構建發(fā)動機健康管理的知識圖譜，采用非結構化數(shù)據(jù)和自然語言記錄提高診斷及維護維修決策質(zhì)量。

4) 建立航空發(fā)動機全壽命周期的數(shù)字孿生樣機、實現(xiàn)基于數(shù)字孿生樣機的航空發(fā)動機健康管理能力，包括狀態(tài)監(jiān)測與評估、故障診斷與壽命預測及相應維修維護等功能。

1.2 多信息融合航空發(fā)動機故障診斷技術

發(fā)動機健康管理系統(tǒng)通過在民航發(fā)動機的關鍵部位上安裝傳感器來測取相關數(shù)據(jù)并以此估算民航發(fā)動機相關狀態(tài)性能。由于環(huán)境的改變和飛行員個人操作偏好，每次飛行的發(fā)動機運行狀態(tài)存在比較明顯的差異，所以還需要結合飛機上的其他數(shù)據(jù)，如推力設置、引氣狀態(tài)等數(shù)據(jù)進行發(fā)動機健康狀態(tài)評估。這些經(jīng)過傳感器測取的參數(shù)再通過智能化處理后即能夠體現(xiàn)出民航發(fā)動機健康狀態(tài)。它們都使用ACMS (Aircraft Condition Monitoring System)來獲取飛機健康數(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類為快照式報告，此系統(tǒng)自動采集飛機上指定傳感器獲取的數(shù)據(jù)，組織成報告。此操作從飛機起飛開始直至飛機降落結束。第2類報告是當遇到飛機及發(fā)動機處于異常狀態(tài)時自動生成，如飛機起飛時發(fā)動機喘振或渦輪燃氣溫度 (Turbine Gas Temperature，TGT) 過高等。此類報告蘊含著這些異常狀態(tài)時的飛機及發(fā)動機相關的關鍵數(shù)據(jù)，通過分析這些數(shù)據(jù)能夠快速有效的進行故障排除。第3類報告為最終總結，在整個飛行過程結束時生成。該報告將呈現(xiàn)飛機及發(fā)動機在整個飛行過程中的極限狀態(tài)數(shù)據(jù)，以及飛機在起飛和爬升期間的性能(推力等)信息。

民航發(fā)動機健康管理系統(tǒng)一般是使用飛機通信尋址報告系統(tǒng)(Aircraft Addressing and Reporting System，ACARS)將飛機上的數(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)鏈路來傳輸報告，然后通過全球地面網(wǎng)絡將民航發(fā)動機健康數(shù)據(jù)傳輸?shù)筋A定目的地。經(jīng)過民航發(fā)動機健康管理軟件處理后的民航發(fā)動機健康數(shù)據(jù)，最終也會上傳到這些民航發(fā)動機的官方指定網(wǎng)站，從而方便航空公司實時的查看它們發(fā)動機機隊的健康狀態(tài)來制定自己的機隊維修策略。

1.2.1 多信息融合故障診斷技術背景

單一狀態(tài)指示參數(shù)并不能總是完全反映實際發(fā)動機本身的故障程度，對發(fā)動機性能評估效率不高；這種情況下，采用基于來自多個傳感器的多源信息融合進行診斷可以提高診斷精度。

航空發(fā)動機是一個復雜的耦合動力學系統(tǒng)，故障不僅導致本身所在子系統(tǒng)性能的變化和下降，也會影響關聯(lián)、耦合子系統(tǒng)的狀態(tài)變化，從而導致一個故障可以有多個不同的故障征兆。這方面的例子有，喘振可以在機匣振動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來監(jiān)測；軸承或齒輪故障可以導致振動信號變化，也可以引起滑油金屬屑末增加或在磁堵信號上有所體現(xiàn)。

多信息融合的故障診斷是基于多個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)驗信息綜合處理的過程，主要流程環(huán)節(jié)包括對來自多個信息源的數(shù)據(jù)或信息的監(jiān)測 (Detection)、關聯(lián) (Correlation)、估計 (Estimation)和組合 (Combination)等處理。目的是充分利用已有的全部信息，提取出有價值的故障特征信息。和基于單一傳感器信號的診斷方法相比，多信息融合的故障診斷技術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

故障融合層級劃分主要取決于“起點”暨輸入信息的層級：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個層次：數(shù)據(jù)層融合是直接在原始數(shù)據(jù)層上進行融合，這也被視為最低層次的故障信號融合，其輸入是多傳感器測量的原始數(shù)據(jù)。該方法有幾個局限性，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)，嚴格來講信息量遠大于特征層融合和決策層融合，相應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)層融合對于運算資源要求較高，實時處理較困難。

最高層級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同質(zhì)或不同質(zhì)傳感器信號的“局部”故障診斷結果，也就是說輸入不再是CI’s的值，而是基于各個CI’s的診斷結果 (“局部”故障決策，可以認為是“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)點是帶寬要求低，對于運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確的診斷，通過融合也能糾錯得到正確的全局診斷結論。決策層融合的理論基礎是粗糙集理論，通過分類與約簡獲取優(yōu)良的規(guī)則集合, 進而實現(xiàn)準確的決策。顯然，決策層融合的最終診斷準確性和其輸入決策的質(zhì)量相關。相對于前述的數(shù)據(jù)層融合，決策層融合的靈活性降低了，因為其輸入是已經(jīng)“濃縮”的信息，無法再反映更底層信息的關聯(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，是對原始信息處理后的故障特征進行綜合分析和處理。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論或基于不同診斷方法的中間結論。該方法的主要優(yōu)點在于實現(xiàn)了可觀的信息壓縮，有利于實時處理，并且由于所提取的特征直接與決策分析有關，因而融合結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，如果使用得當兼具數(shù)據(jù)層和決策層融合的優(yōu)點：① 運算量適中、對于運算處理資源要求不高，可以滿足實時診斷需求；② 其輸入不是局部診斷結論，因而較決策層融合靈活，可以挖掘出新的關聯(lián)性從而進一步提高診斷精度。

在信息融合領域使用的主要數(shù)學工具或方法有概率論、推理網(wǎng)絡、模糊理論和神經(jīng)網(wǎng)絡等，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。

1) 基于貝葉斯統(tǒng)計推理的信息融合

基于Bayes理論計算目標屬性的融合概率可以表達為

(1)

式中:()是先驗概率；()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，但是，先驗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)才能總結出來，實際上很難操作；此外，如果不滿足數(shù)據(jù)之間相互獨立，或未知信息量大于已知信息量的時候融合過程就會呈現(xiàn)不穩(wěn)定性。這些都限制了貝葉斯統(tǒng)計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隸屬關系靈活化，使元素對集合的隸屬度從原來的只能取0和1擴充到[0,1] 區(qū)間中的任一數(shù)值，因此很適合對傳感器信息的不確定性進行描述和處理。設系統(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?shù)玫揭徽髡兹簶颖緸閧,, …,}，同時得到樣本各分量對特征的隸屬度為()時，就構成了故障特征模糊矢量：

={(),(),…,()}

(2a)

假設該征兆樣本是由故障原因產(chǎn)生的，對各種原因的隸屬度為

={(),(),…,()}

(2b)

因為故障原因和特征之間存在因果關系，所以根據(jù)模糊邏輯學原理可以得到和之間的關系為

=°

(3)

式中：“°”表示模糊邏輯操作；為模糊關系矩陣?；谀：碚摰墓收先诤戏椒ú僮骱啽悖湫Ч麆t取決于模糊邏輯操作的定義，需要迭代調(diào)節(jié)和實操經(jīng)驗才能得到滿意的結果。

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

設,, …,是同一識別框架=[,,…,]上的組基本概率分配，即給定個證據(jù)體對冪 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 從理論上來講各個證據(jù)必須是相互獨立的；② 證據(jù)合成規(guī)則缺乏完備理論基礎,但這也是大部分融合方法共同面對的問題；③ 結果有可能違背直觀常理(Zadeh悖論)。

4) 基于神經(jīng)網(wǎng)絡的信息融合方法

神經(jīng)網(wǎng)絡應用關于故障診斷的方式主要有系統(tǒng)辨識、模式識別、知識處理等方式。神經(jīng)網(wǎng)絡系統(tǒng)辨識采用神經(jīng)網(wǎng)絡模型擬合系統(tǒng)特性，特別適合非線性系統(tǒng)的系統(tǒng)辨識。將神經(jīng)網(wǎng)絡的輸出與實際系統(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)絡故障模式識別則采用神經(jīng)網(wǎng)絡作為分類器，利用其學習能力建設故障征兆與故障類型之間的映射關系—神經(jīng)網(wǎng)絡故障分類器模型；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)絡知識處理是一種知識表達體系，信息處理通過大量稱為節(jié)點的簡單處理單元之間的相互作用進行。通過經(jīng)驗樣本的學習，將專家知識以權值的形式儲存在網(wǎng)絡中，并利用網(wǎng)絡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、直覺而不是復雜計算來推理。

在實際應用中，針對一個故障診斷問題，首先需要分析用神經(jīng)網(wǎng)絡方法求解問題的性質(zhì)，然后根據(jù)故障診斷特點，構造網(wǎng)絡模型和確定訓練算法，最后通過網(wǎng)絡仿真分析，確定是否合適。具體思想框架與證據(jù)理論有點類似，求出每一個傳感器在某一癥狀下對故障集內(nèi)的各故障的隸屬度，作為神經(jīng)網(wǎng)絡的輸入，網(wǎng)絡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)絡為例，其輸入一般是一個向量，也可以是一個矩陣或者3維或者高于3維的張量。如果是一個決策層融合問題，則輸入為多個診斷局部決策值，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，組成一個向量；對于一個特征層融合問題，則輸入也可以是一個向量，其所含元素是各個特征量。對于上述情況，則融合結果可以表述為輸入的函數(shù)(圖2 中，針對多個故障是向量，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重矩陣；是該層的激活函數(shù) (Activation Function)。

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

和其他神經(jīng)網(wǎng)絡應用類似，網(wǎng)絡層數(shù)越多則訓練越容易落入局部最小值陷阱從而導致訓練困難。是向量，涵蓋多個故障的診斷結果。神經(jīng)絡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練數(shù)據(jù)；此外，神經(jīng)網(wǎng)絡無法預測到訓練數(shù)據(jù)以外的行為，如果有新故障行為出現(xiàn)則需要重新訓練。也就是說，神經(jīng)網(wǎng)絡模型 “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應用于航空發(fā)動機故障診斷起步和發(fā)展最快的國家。信息融合技術目前已成熟應用在航空發(fā)動機健康管理(EHM)系統(tǒng)中。NASA設計了兩層融合對發(fā)動機故障進行研究，第1層獲取特征信息并對發(fā)動機健康狀況進行評估，第2層通過結合飛行員、地勤人員的觀測數(shù)據(jù)和歷史維修、飛行數(shù)據(jù)對發(fā)動機故障進行診斷，使用了GPA健康評價和AD異常監(jiān)視相結合的方法。

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)動機的故障診斷精度，并給出了一個通用的航空發(fā)動機數(shù)據(jù)融合框架(圖3)。Volponi的先驅(qū)性工作在系統(tǒng)層級完備地實現(xiàn)了航空發(fā)動機故障融合，對民用航空發(fā)動機故障融合的實施直到現(xiàn)在仍然具有指導意義。Volponi提出的故障融合框架中有4個主要功能模塊：

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

2) 分析/模型模塊(Analysis/Models Module)，該模塊處理100 Hz以下的氣路信號和滑油屑末信號；需要指出，實際上結構和振動分析也具有相應的分析模塊，在該框架里沒有明確標出，而直接顯示為兩個在數(shù)據(jù)對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構傳感器(應力、應變測量)和振動傳感器信號的結構故障特征參數(shù)、轉(zhuǎn)子機械故障特征參數(shù)、及氣路和滑油系統(tǒng)故障特征參數(shù)，也就是各個子系統(tǒng)的狀態(tài)指示(CI)值，該模塊的輸出是發(fā)動機的整體健康指示(HI)。

4)故障隔離推理機模塊 (Fault Isolation Reasoner Module)，這個模塊已經(jīng)不是單純的“故障融合”模塊，而是兼具“維護、維修決策模塊”功能；該模塊的輸入除了發(fā)動機整體健康指示，還包括發(fā)動機維護、維修歷史(Engine Maintenance History)及維護-維修人員和飛行機組觀察 (Maintainer/Pilot Observation)，模塊的輸出則是推薦的維護項 (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)動機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，維護維修歷史數(shù)據(jù)及機組和維護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)動機通用數(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建了軸承故障融合診斷方法，融合經(jīng)典的振動軸承故障診斷特征：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結果來評估軸承故障狀態(tài)。

國內(nèi)已經(jīng)開展了在實驗室環(huán)境下運用信息融合對航空發(fā)動機故障診斷的研究。Chen等采用神經(jīng)網(wǎng)絡與粗糙集的方法成功地對磨損故障進行了診斷。陳恬等開發(fā)了結合神經(jīng)網(wǎng)絡與D-S(Dempster-Shafer)證據(jù)理論的發(fā)動機氣路部件故障診斷方法；通過使用改良的D-S證據(jù)理論對基于自組織競爭網(wǎng)絡和BP神經(jīng)網(wǎng)絡的兩個診斷子系統(tǒng)的診斷結果進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，在對模糊系統(tǒng)的參數(shù)優(yōu)化的同時實現(xiàn)了系統(tǒng)結構的自適應最優(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)動機氣路故障融合診斷；孫見忠和左洪福提出了一種基于貝葉斯網(wǎng)絡的多源診斷機制，并應用于發(fā)動機氣路故障診斷；李業(yè)波等提出了基于IDE-ELM與SVD-Kalman的航空發(fā)動機部件故障融合診斷技術。

1.2.4 航空發(fā)動機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)在實驗室環(huán)境下開展了大量的故障融合理論、算法研究并應用于航空發(fā)動機氣路和機械故障診斷。但是實際成功應用于航空發(fā)動機的例子還很少，航空發(fā)動機融合診斷理論、應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

針對航空發(fā)動機多源數(shù)據(jù)源，選取最優(yōu)化的融合方案。發(fā)動機的多源數(shù)據(jù)融合對象有多種搭配：同一個振動傳感器經(jīng)過不同的頻域、時頻域信號處理得到同源故障狀態(tài)指示，這種同源狀態(tài)指示融合的價值及其優(yōu)化融合方案仍然是有待回答的問題。發(fā)動機機匣不同位置的振動傳感器信號的故障特征融合方法，即不同源但同質(zhì)信號故障特征的融合方法也需要詳細研究、評估。需要指出，對于上述的同源同質(zhì)、不同源同質(zhì)信號，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。通過融合基于振動傳感器信號和基于氣路壓力脈動傳感器的故障特征、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。針對不同源、類似質(zhì)信號也可以施行數(shù)據(jù)層融合。通過融合基于振動傳感器信號和基于金屬屑末傳感器信號的特征、局部故障決策融合可以提高發(fā)動機機械故障診斷的精度，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)、細致的試驗和理論分析來解決。需要論證、研發(fā)適用于不同異構數(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，混合層融合診斷及其在航空發(fā)動機故障診斷上的應用尚未被系統(tǒng)地評估。

3) 考慮使用及維護維修歷史的綜合狀態(tài)評估

航空發(fā)動機故障狀態(tài)的評估還沒有考慮維護維修歷史等因素；也就是說，目前的狀態(tài)評估僅限于狀態(tài)，而沒有綜合考慮“使用”“維護”“維修”因素。

4) 考慮傳感器信號置信度的航空發(fā)動機多信息融合故障診斷

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

1.3 基于深度學習的故障診斷和預測技術

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，即深度學習理論，開啟了深度學習在學術界和工業(yè)界的浪潮。深度學習旨在通過模擬大腦的學習過程，構建深層次的模型，結合海量的訓練數(shù)據(jù)，來學習數(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，最終提升分類或預測的精度。深度學習在圖像識別、語音識別、工業(yè)機器人等領域都展現(xiàn)了前所未有的應用前景。在故障診斷與預測領域，基于深度學習技術的智能故障診斷預測方法也引起了廣泛關注，學者們已經(jīng)開展了大量的研究。目前國內(nèi)外研發(fā)人員已經(jīng)探索了一些深度學習方法例如自動編碼器、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、深度置信網(wǎng)絡、殘差神經(jīng)網(wǎng)絡等在智能故障診斷與預測中的應用。

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也是通過學習得到的，只是這個學習主體是故障診斷研發(fā)人員。研發(fā)人員按照開發(fā)流程，嘗試一些傳感信號的特征提取方法，并依據(jù)統(tǒng)計方法設置閾值然后進行診斷方法驗證。根據(jù)使用效果研究人員會對算法、閾值進行調(diào)整，以獲取滿意的漏檢率、虛警率及診斷精度，這就是一個HIL (Human In Loop) 學習過程。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，而且開發(fā)時間較長。如果診斷對象發(fā)生了改變，則需要重新開展研發(fā)活動來發(fā)展新的診斷算法系統(tǒng)，系統(tǒng)的成熟也需要時間，導致系統(tǒng)的時效性較差。此外，在一個新系統(tǒng)設計過程中，雖然開展了失效模式效果和嚴酷度分析(Failure Mode Effect Criticality Analysis，簡寫為FMECA或FMEA)，在投放市場的初期不可避免地會碰到新的故障模式，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。基于深度學習的診斷、預測技術則可以快速的給出診斷方案，因為其學習的主體不再是研發(fā)人員，而是基于神經(jīng)網(wǎng)絡的人工智能，能夠根據(jù)輸入快速自動迭代找到最優(yōu)解。

1.3.2 方法簡介及國內(nèi)外現(xiàn)狀

表1總結了國內(nèi)外最近基于深度學習的系統(tǒng)故障診斷及其在航空發(fā)動機和燃氣輪機健康管理方面的應用工作。國外最近開展的工作包括：深度學習在飛機MRO (Maintenance，Repair，Overhaul)上的應用綜述和總結，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)絡學習的故障診斷、分類方法及其在航空發(fā)動機EHM的應用。

表1 基于深度學習的故障診斷與預測研發(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)最近在基于深度學習的健康管理和航空發(fā)動機應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。文成林和呂菲亞對于基于深度學習的故障診斷方法給出了比較完備的綜述，該文介紹了深度學習常用的4種網(wǎng)絡及各自的特點，并指出了基于深度學習故障診斷目前面臨的主要問題：① 多傳感器測量下樣本的特征維數(shù)較高，且具有強關聯(lián)性；② 海量數(shù)據(jù)中有價值/有效信息有限，因而干擾信息過多；③ 訓練數(shù)據(jù)分布不均勻、樣本數(shù)量過小，導致診斷空間覆蓋不完備。沈濤等對于基于深度學習的旋轉(zhuǎn)機械故障診斷進行了總結性回顧，除了SAE (Stacked Auto E)、DBN (Deep Belief Network)、CNN (Convolutional Neural Networks)、RNN (Recurrent Neural Network)，還涵蓋了生成對抗網(wǎng)絡 (Generative Adversarial Network，GAN)。他們還提出了一些指導性的意見：① 深度學習和多種特征提取技術融合診斷相結合能進一步提高深度學習故障診斷的精度;② 過度去噪、去噪不足會使原始的信號失真，并降低故障診斷效率甚至準確度；③ 如果通過增加單一的深度學習模型深度來提高模型效果，會出現(xiàn)梯度消失問題，導致計算過于復雜并影響準確率。除了深度學習故障診斷方法方面的工作，Shen等提出了一種全卷積網(wǎng)絡 (FCN) 的最新算法來識別和定位飛機發(fā)動機管道鏡圖像的損傷。成功地從內(nèi)窺鏡圖像中識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。

雖然深度學習網(wǎng)絡DAE (Deep Auto Encoder)、 LSTM (Long Short-Term Memory)、CNNs、DBNs、BP等以及這些網(wǎng)絡的混合模型在航空發(fā)動機診斷、預測上的應用已被廣泛研究，但是成功的實際應用案例在文獻上尚未見到。這方面實用性的工作在國內(nèi)尤其匱乏。

1.3.3 基于深度學習的航空發(fā)動機故障診斷和預測研發(fā)方向

雖然國內(nèi)外的研發(fā)人員已經(jīng)在過去10年里取得了很多進展，深度學習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習的故障診斷仍然離實際應用有很大距離，未來的航空發(fā)動機基于深度學習的故障診斷與預測實用化主攻方向總結如下：

1) 利用航空公司現(xiàn)有運維數(shù)據(jù)開展基于深度學習的航空發(fā)動機故障診斷與預測研究

利用航空公司現(xiàn)有的已標注(數(shù)據(jù)帶故障標簽)運維數(shù)據(jù)進行基于深度學習的航空發(fā)動機故障診斷與預測研究。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)，甄別新的潛在關聯(lián)故障、早期故障指示；采用深度學習建立相應的故障檢測和故障隔離、分類模型。通過神經(jīng)網(wǎng)絡輸入-輸出敏感性排序選擇關鍵亞健康、故障指示，并通過實際案例和基于物理原理的解釋性確認其正確性。

2) 無監(jiān)督算法批量樣本標注方法研究及驗證

現(xiàn)有的智能故障診斷方法是以有標簽的樣本為前提的，這些樣本往往是通過人為標注的。目前基于人工診斷的樣本標注技術效率較低，受主觀因素影響較大，同時需要有大量的先驗知識與數(shù)據(jù)處理技術，難以適應大數(shù)據(jù)的發(fā)展要求。未來發(fā)展方向之一是采用無監(jiān)督學習算法，發(fā)現(xiàn)無標簽樣本內(nèi)部的聯(lián)系；通過綜合各個聚類信息，對樣本進行批量標注，為智能故障診斷方法提供前提條件，進而降低智能診斷預測技術應用難度。

3) 深度學習與物理原理結合從而提高深度學習模型可解釋性和外插性能

就深度學習網(wǎng)絡本身而言，限制其應用的瓶頸之一仍然是可解釋性問題。研發(fā)人員多年前就意識到將已知的原理、機理反映在神經(jīng)網(wǎng)絡的輸入和結構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)絡模型外插特性差的問題，還能夠解決神經(jīng)網(wǎng)絡模型解釋性。將已知的知識融入神經(jīng)網(wǎng)絡的輸入及結構從而得到“可解釋的”深度神經(jīng)網(wǎng)絡診斷模型將提高診斷和預測精度。

4) 高故障敏感特征提取方法研究及驗證

現(xiàn)有的智能故障診斷方法，主要是提取有區(qū)分度特征進行診斷，但有區(qū)分度的特征具有一定隨機性，不能完全保證是故障特征，這限制了模型的泛化能力。因為模型提取了其他帶有區(qū)分性的特征(例如工況特征)時，往往會掩蓋故障特征，導致診斷效果下降。未來可以通過綜合各個故障的直接相關特點，基于稀疏特征提取思想，研究高故障敏感特征提取方法。再利用微弱故障實驗以驗證模型準確性。

5) 高效訓練與診斷方法研究及驗證

現(xiàn)有的基于深度學習的智能故障診斷預測方法為保證診斷精度，往往選取深層網(wǎng)絡結構，網(wǎng)絡加深帶來的是網(wǎng)絡優(yōu)化參數(shù)規(guī)模變大，在采用大數(shù)據(jù)訓練模型時占用大量的時間與存儲資源，同時深層結構也導致診斷效率下降，難以應用于實時診斷中。需要通過開發(fā)先進的參數(shù)優(yōu)化方法，在保證淺層結構下提高模型診斷能力，建立高效訓練與診斷模型?，F(xiàn)有的深度學習智能故障診斷預測方法研究是在大數(shù)據(jù)前提下開展的，但在實際中，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)訓練參數(shù)權重以及數(shù)據(jù)增強的方式，建立樣本不平衡智能診斷預測模型，再利用不平衡故障數(shù)據(jù)集以驗證模型準確性。

6) 欠定情況下智能診斷方法研究及驗證

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)目等于或多于振動源信號的數(shù)目，其不適用于欠定情況。欠定情況使得機械設備振動源信號的分離難度大大增加，可能導致振動源信號的錯分情況，進而導致故障源的錯誤判別。需要基于機械設備信號的稀疏性，建立欠定情況下智能診斷方法。

7) 時變工況智能診斷預測模型建立及驗證

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，但實際中，尤其是航空航天領域的機械設備，運行工況往往是時變的，這給智能故障診斷的應用帶來了困難。因為各種工況因素相互疊加，導致信息的復雜度呈指數(shù)級上升，而基于數(shù)據(jù)驅(qū)動的深度學習算法是以數(shù)據(jù)為前提的，若要滿足如此龐大復雜度的訓練樣本難度非常大。需要針對時變工況下難以采用基于深度學習的智能故障診斷預測方法的問題，基于信息降維思想，建立時變工況智能診斷預測模型。

1.4 數(shù)字孿生樣機及系統(tǒng)診斷技術

1.4.1 數(shù)字孿生技術背景

數(shù)字孿生概念最早于2003年由Grieves在美國密歇根大學的產(chǎn)品全生命周期管理課程上明確提出，當時被稱作“鏡像空間模型”，后又被定義為“信息鏡像模型”和“數(shù)字孿生”。嚴格從技術層面來講，數(shù)字孿生并不是一個全新的領域，其理論基礎早已存在，是最近這二十多年的計算機軟硬件發(fā)展帶來的指數(shù)級增長的算力讓數(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象的所有特性和行為，在理想狀況下所有通過測試、觀察對象實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)字孿生實例模型 (Digital Twin Instance, DTI)。DTP包含了所有能夠用來描述和制造該對象的通用性的信息：設計要求、3D模型及相應尺寸、材料特性、制造工藝、服務方案、和廢品處理等；而DTI則描述了一個特定的對象，包括3D模型及相應尺寸和公差;目前和過去的材料特性，所有該對象經(jīng)歷過的正常操作和維護維修，當前模型測量和測試結果，更換過的零部件及更換時間，過去、現(xiàn)在的操作狀態(tài)下測量記錄和相應的未來預測；運行DTP、DTI的環(huán)境被稱作DTE (Digital Twin Environment);其子系統(tǒng)、零部件的壽命預測精度。

Mussomeli等介紹了DT在制造過程中的應用。Domone指出DT技術將提高民用航空器及其子系統(tǒng)、零部件的壽命預測精度。西門子公司的Auweraer指出(圖4)驗證后的系統(tǒng)數(shù)字孿生模型大大加快了產(chǎn)品設計周期，要解決今天的產(chǎn)品設計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。該研究的結論有3點：① 數(shù)字孿生建模技術是現(xiàn)代產(chǎn)品設計和制造的基石，目前的主要挑戰(zhàn)是多學科復雜系統(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，深度學習提供了一個有價值的高效建模選項。

圖4 渦輪葉片氣動、冷卻、葉片受力、溫度場和變形數(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)針對數(shù)字孿生技術也展開了相關研究。劉大同等等對于數(shù)字孿生技術的技術體系和關鍵技術進行了論證，并指出了挑戰(zhàn)和未來發(fā)展趨勢。莊存波等總結了智能制造中產(chǎn)品數(shù)字孿生體的基本內(nèi)涵，提出了產(chǎn)品數(shù)字孿生體的體系結構，并闡述了產(chǎn)品數(shù)字孿生體在產(chǎn)品設計階段、制造階段和服務階段的實施途徑。陶飛等從物理融合、模型融合、數(shù)據(jù)融合和服務融合4個維度上，分析了數(shù)字孿生車間信息物理融合的基礎理論與關鍵技術基礎。

波音信息服務(Boeing Information Services)副總裁Norén在2012年的全球飛機健康管理(Aircraft Health Management, AHM)峰會上題為“數(shù)字航空公司”(The Digital Airline)的報告中指出(圖5)，從波音777到波音787不到10年的時間里，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)字運維管理平臺。漢莎航空技術公司也將數(shù)字孿生技術視為未來提高飛行器可用度的性能監(jiān)控和預測維護的手段。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，將被用來開展預測性分析和預測性維護等。羅羅正在開發(fā)基于云的數(shù)字孿生技術，利用發(fā)動機實時傳感數(shù)據(jù)模擬每臺發(fā)送機性能，進而減少不必要的維護和計劃外停飛時間。羅羅在其最新的發(fā)動機機型上以幾百甚至上千赫茲的高采樣率采集建立整機性能模型所需要的數(shù)據(jù)，然后再將相關數(shù)據(jù)輸入到Microsoft Azure數(shù)據(jù)云上預測關鍵的發(fā)動機系統(tǒng)動力學參數(shù)，并與發(fā)動機健康狀態(tài)行為進行比較。在偏差大于設定閾值時報警，并發(fā)出相應的維護、維修提醒。截至目前，羅羅宣稱其已經(jīng)采用數(shù)字孿生技術避免了約5%的計劃外停機。

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)動機低壓渦輪單元體對接技術。劉婷等論述了數(shù)字孿生技術在航空發(fā)動機全壽命周期從設計階段、試驗階段、制造裝配階段、到運行維修階段的應用。呂延全研究了基于數(shù)字孿生的生產(chǎn)管控模式。崔一輝等通過應用實例驗證了數(shù)字孿生技術在智能生產(chǎn)線上的實現(xiàn)途徑。劉魁等簡要論述了數(shù)字孿生技術的發(fā)展和主要驅(qū)動技術，闡述了在航空發(fā)動機運行維護中的重要意義。

總的來說，國內(nèi)數(shù)字孿生技術在航空發(fā)動機故障診斷健康管理領域的應用仍在起步階段，現(xiàn)階段主要受限于一些相對簡單的局部應用，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)動機診斷技術需求及未來發(fā)展方向

圖7給出了采用數(shù)字孿生模型進行發(fā)動機故障診斷與預測、及維護維修決策的流程。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，每一臺發(fā)動機都有一個自己特定的數(shù)字孿生，其幾何尺寸精確反映公差值，而其環(huán)境、運行工況等也高度保真(完全吻合其真實經(jīng)歷的環(huán)境和工況)，這樣就確保了孿生模型有和發(fā)動機完全一樣的輸入。在全壽命周期的早期(這個階段系統(tǒng)一般處于健康狀態(tài))，通過反復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置虛擬傳感器。

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

如果數(shù)字孿生模型的輸出和發(fā)動機產(chǎn)生超過指定閾值的誤差時，就要懷疑是否有故障發(fā)生，而相應傳感信號的差值向量(由多個傳感器輸出組成)則被用來決定故障類型及故障定位。故障診斷結果通過維護維修確認，故障診斷誤差反饋信息則被用來對診斷方法進行修正。

數(shù)字孿生模型還可以被用來進行故障擴散機理研究，通過在維護維修過程中確認故障發(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展、擴散的過程；通過與實際觀察到的故障幾何特性進行比較，可以完成故障的精確建模進而估計該系統(tǒng)、子系統(tǒng)、零部件的有效剩余壽命。

必須指出，孿生數(shù)字模型是一對多的，也就是說針對單臺份發(fā)動機可以有多個孿生模型，每一個對應其特定的物理特性，例如可以有結構動力學模型、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；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)、計算流體力學 (Computational Fluid Dynamics，CFD，也可以理解為流場有限單元法)、集中參數(shù)物理模型、卡爾曼濾波器和基于神經(jīng)網(wǎng)絡深度學習的建模方法。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；而深度學習則是基于輸入-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)對于系統(tǒng)的理解程度選取相應的建模方法，對于了解很少又較復雜的系統(tǒng)，可以采用深度學習建模，對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；對于理解程度、復雜程度居于上述兩者之間的系統(tǒng)，可以混合神經(jīng)網(wǎng)絡和物理模型建模。當然，建模方法的選取也和輸入輸出測量有關系。

鑒于國內(nèi)基于發(fā)動機數(shù)字孿生的故障診斷與預測基礎性、系統(tǒng)性的工作還比較欠缺的局面，下面這幾個方向應該是我們亟待努力的方向：

1) 發(fā)動機數(shù)字樣機數(shù)據(jù)保障層的研究與構建

研究支撐發(fā)動機數(shù)字孿生技術的信號及數(shù)據(jù)輸入，完成傳感系統(tǒng)的架構搭建；研究先進智能的信號處理方法，實現(xiàn)從海量復雜的數(shù)據(jù)提取和構建系統(tǒng)特征的最重要信息，反映發(fā)動機各系統(tǒng)的實時物理特性；搭建快速可靠的數(shù)據(jù)傳輸網(wǎng)絡，將這些數(shù)據(jù)快速傳輸給地面系統(tǒng)，實現(xiàn)數(shù)字孿生系統(tǒng)的實時跟蹤。研究基于分布式云服務器的發(fā)動機全壽命周期數(shù)據(jù)的存儲和管理技術，實現(xiàn)數(shù)據(jù)的高度讀取和安全冗余備份，構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)動機數(shù)字樣機建模計算層的研究與驗證

研究發(fā)動機不同部件級的工作機理和特性，建立能夠高度表征部件性能的數(shù)字模型或仿真模型，開展部件級試驗進行模型驗證與優(yōu)化；研究多尺度多領域的融合建模，從不同領域視角對發(fā)動機系統(tǒng)或部件進行跨領域融合建模，實現(xiàn)不同系統(tǒng)接口基于機理層面的深度融合，研究能夠同時體現(xiàn)不同長度、時間尺度以及耦合范圍的多尺度建模方法，實現(xiàn)不同模型的有效連接。研究譬如深度機器學習和人工智能領域的技術方法等智能算法，實現(xiàn)發(fā)動機系統(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傳感數(shù)據(jù)進行多層次多尺度的解析，挖掘和學習其中蘊含的相關關系、邏輯關系和主要特征，建立基于數(shù)據(jù)驅(qū)動的發(fā)動機模型。研究數(shù)據(jù)驅(qū)動與物理模型有效的融合方法，實現(xiàn)兩者在原理層面的融合和互補，將高精度的傳感數(shù)據(jù)統(tǒng)計特性與系統(tǒng)的機理模型合理、有效地結合起來，獲得高精度的發(fā)動機數(shù)字孿生系統(tǒng)。

3) 發(fā)動機數(shù)字樣機功能層的研究與驗證：關鍵零部件數(shù)字孿生模型及其在故障診斷與預測中的應用

從EHM需求上來講，整機數(shù)字孿生模型并非總是必要。有些零部件、子系統(tǒng)故障后果嚴重(例如發(fā)動機風扇葉片非包容事故)，亟需基于數(shù)字孿生的零部件、子系統(tǒng)級故障診斷、預測解決方案。開展發(fā)動機關鍵部件和子系統(tǒng)的退化建模和壽命估計工作，建立性能退化和壽命預測高精度模型，為發(fā)動機健康狀態(tài)的管理提供指導和評估依據(jù)，并開展相關性能退化和壽命試驗進行零部件、子系統(tǒng)級的驗證和優(yōu)化。針對這類零部件、子系統(tǒng)著手開發(fā)數(shù)字孿生模型，不僅為后續(xù)的整機建模打下了基礎，也提供了一個相對快速、簡潔的故障診斷和預測工具。這樣的從簡至繁的發(fā)動機數(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步的途徑。

4) 發(fā)動機數(shù)字樣機功能層的研究與驗證：整機級多學科數(shù)字孿生模型及其在故障診斷與預測中的應用

航空發(fā)動機是一個高度復雜的系統(tǒng)，涉及到氣動熱力和傳熱、機械系統(tǒng)(含滑油系統(tǒng))、FADEC系統(tǒng)(含燃油系統(tǒng))、短艙結構和管路、結構建模等。整機級數(shù)字孿生模型由上述相互耦合的子系統(tǒng)模型構成。各個子系統(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、直到深度學習網(wǎng)絡等智能建模工具，因而，整機數(shù)字孿生模型建模的難度大、復雜性高。此外，由于動力學時間尺度差異等原因，各個子系統(tǒng)的積分、時間步長迥異，甚至會有數(shù)量級的差異，給發(fā)動機整機級數(shù)字孿生模型求解帶來挑戰(zhàn)。針對發(fā)動機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理，在功能層開展針對發(fā)動機整機故障建模分析、預測與診斷工作，建立發(fā)動機整機系統(tǒng)的故障導入高精度模型，開展基于發(fā)動機整機數(shù)字樣機的仿真分析，建立發(fā)動機整機故障表征和診斷機制，并開展相關故障導入試驗進行驗證和優(yōu)化。對于發(fā)動機中需要協(xié)同工作的復雜系統(tǒng)集群，開展協(xié)同執(zhí)行任務的可執(zhí)行性評估和個體自身狀態(tài)感知，輔助集群任務的執(zhí)行過程決策。在對系統(tǒng)集群中每個個體的狀態(tài)深度感知的基礎上，開展進一步依據(jù)系統(tǒng)健康狀態(tài)實現(xiàn)基于集群的系統(tǒng)維護保障，實現(xiàn)發(fā)動機整機的視情維護保障。整機數(shù)字樣機也提供了從發(fā)動機系統(tǒng)整體的角度評估故障融合策略及優(yōu)化傳感方案的平臺。

1.5 基于知識圖譜的發(fā)動機故障診斷

國內(nèi)學者在應用歐美飛機發(fā)動機健康管理系統(tǒng)的基礎上，對系統(tǒng)數(shù)據(jù)庫的建構上取得一定成效。但是隨著互聯(lián)網(wǎng)在社會中越來越廣泛的運用，面向用戶的C/S (Client/Server) 結構數(shù)據(jù)庫技術將不能滿足當前飛機和發(fā)動機健康管理的要求，從而導致國內(nèi)的民航飛機或發(fā)動機健康管理水平與國外先進技術的差距也將變得越來越大。

在飛機健康管理領域，中國民航機務維修水平跟國外發(fā)達國家有較大距離，民航機務維修的發(fā)展也相對緩慢，相對于國內(nèi)機隊數(shù)量及航空運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立自主研發(fā)和制造的民用航空發(fā)動機，缺少完全屬于自己的EHM系統(tǒng)，從而難以掌握發(fā)動機運維的第一手數(shù)據(jù)，也無法及時了解到飛機的飛行情況。

反觀國外，作為飛機發(fā)動機制造商的通用電氣，羅羅等公司能時刻掌握到他們所賣出的飛機及發(fā)動機的運行數(shù)據(jù)，從而在飛機及發(fā)動機監(jiān)控以及維修方面掌握著主動權。相對而言，作為飛機及發(fā)動機的擁有者，中國民航在這方面卻處于天然的劣勢，中國民航的飛機及發(fā)動機的健康管理系統(tǒng)還很不成熟，借助知識圖譜、信息融合、深度學習、數(shù)字孿生等技術提升健康管理系統(tǒng)，實現(xiàn)對國外健康管理系統(tǒng)的追趕十分必要。

1.5.1 知識圖譜及其關鍵技術

知識圖譜是最近一二十年新出現(xiàn)的技術。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)商務的需要構建了各領域的知識圖譜(Knowledge Graph)，我國的高?？蒲袡C構也同步在各個應用領域開展了知識圖譜的構建及其應用探索。Ji等對知識圖譜的基本概念、理論進展及其應用給出了一個詳細的綜述，并指出了未來的研究展望：① 復雜推理(Complex Reasoning)；② 統(tǒng)一的知識表達和推理框架；③ 知識表達和注入的可解釋性。Yan等對知識圖譜的搭建方法進行了總結(圖8)，從概念提取 (Entity Extraction)、關系提取 (Relation Extraction)、知識圖譜推理 (Knowledge Graph Reasoning and Inference)、知識圖譜數(shù)據(jù)存儲和管理 (Knowledge Graph Storage and Management)等角度展開論述了知識圖譜的搭建方法。

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

知識圖譜以結構化數(shù)據(jù)處理，運用三元體，點、線、面的方式表示本體之間的關系，利用關系來組織所有的對象(實體)，形成有向圖結構。所謂知識，指的是點或邊對應的信息。知識圖譜以語義分析技術為基礎，以模型為核心，基于數(shù)據(jù)，利用深度神經(jīng)網(wǎng)絡、NLP (Natural Language Processing) 框架語義理解等智能處理技術對輸入的字、詞、篇章進行多層次、多維度的信息分析，提供可遠程調(diào)用的實體抽取、關系抽取和屬性抽取等算法服務接口能力。達到構建多領域知識圖譜平臺，服務不同行業(yè)和應用場景。

以航空發(fā)動機故障診斷和維護維修為例，其知識圖譜可以通過以下步驟建立：

1) 獲取大量的發(fā)動機正常或者有故障的電子履歷本、發(fā)動機知識信息數(shù)據(jù)庫、發(fā)動機電子化手冊數(shù)據(jù)庫以及其他各種發(fā)動機的故障數(shù)據(jù)源。

2) 采用機器學習方法抽取概念、關系。

3) 在專家系統(tǒng)里輸入所有基于實際經(jīng)驗和機器學習方法挖掘出的發(fā)動機故障知識，構建發(fā)動機故障知識圖譜。

4) 并形成基于知識圖譜的推理功能。

構建完成的知識圖譜就可以支撐故障診斷以及問答系統(tǒng)等，方便機務人員使用。

構建知識圖譜的關鍵技術主要分為3部分：

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

2) 知識融合：當知識從各個數(shù)據(jù)源下獲取時需要提供統(tǒng)一的術語將各個數(shù)據(jù)源獲取的知識融合成一個龐大的知識庫。提供統(tǒng)一術語的結構或者數(shù)據(jù)被稱為本體，本體不僅提供了統(tǒng)一的術語字典，還構建了各個術語間的關系以及限制。本體可以讓用戶非常方便和靈活的根據(jù)自己的業(yè)務建立或者修改數(shù)據(jù)模型。通過數(shù)據(jù)映射技術建立本體中術語和不同數(shù)據(jù)源抽取知識中詞匯的映射關系，進而將不同數(shù)據(jù)源的數(shù)據(jù)融合在一起。同時不同源的實體可能會指向現(xiàn)實世界的同一個客體，這時需要使用實體匹配將不同數(shù)據(jù)源相同客體的數(shù)據(jù)進行融合。不同本體間也會存在某些術語描述同一類數(shù)據(jù)，那么對這些本體間則需要本體融合技術把不同的本體融合。最后融合而成的知識庫需要一個存儲、管理的解決方案。知識存儲和管理的解決方案會根據(jù)用戶查詢場景的不同采用不同的存儲架構如 NoSQL 或者關系數(shù)據(jù)庫。同時大規(guī)模的知識庫也符合大數(shù)據(jù)的特征，因此需要傳統(tǒng)的大數(shù)據(jù)平臺如 Spark 或者 Hadoop 提供高性能計算能力，支持快速運算。

3) 知識計算及應用：知識計算主要是根據(jù)圖譜提供的信息得到更多隱含的知識，如通過本體或者規(guī)則推理技術可以獲取數(shù)據(jù)中存在的隱含知識，而鏈接預測則可預測實體間隱含的關系。同時使用社會計算的不同算法提供知識間關聯(lián)的路徑，通過不一致檢測技術發(fā)現(xiàn)數(shù)據(jù)中的噪聲和缺陷。

研究人員注意到知識圖譜技術甄別新實體及識別實體之間關系的潛力，已經(jīng)開始關注知識圖譜技術在系統(tǒng)故障診斷上的應用前景。Sun和Wang采用基于貝葉斯理論的多層知識圖譜開展了針對復雜工業(yè)系統(tǒng)的故障診斷。劉瑞宏等構建了電信領域知識圖譜，并將電信網(wǎng)絡領域零散的專家經(jīng)驗及產(chǎn)品、案例知識和故障數(shù)據(jù)關聯(lián)，采用知識圖譜推理技術進行網(wǎng)絡故障智能診斷。趙倩提出了數(shù)控設備故障領域知識圖譜構建方法，構建了數(shù)控設備故障本體模型，提出了針對結構化故障數(shù)據(jù)的知識獲取方法，采用了基于模式規(guī)則的數(shù)據(jù)映射機制，最終實現(xiàn)并驗證了該方法的有效性和合理性。張敏杰等提出了電氣設備知識圖譜技術組件框架，并將該框架在電力公司的變壓器設備信息靈活問答、變壓器故障報告自動化提取場景中進行了驗證。雖然國內(nèi)外研發(fā)人員已經(jīng)對基于知識圖譜的故障診斷開展了一些研究，截至目前，知識圖譜技術在航空領域應用還非常少。

1.5.2 知識圖譜在航空發(fā)動機故障診斷上的應用研究必要性

近些年民用發(fā)動機健康管理研究人員已經(jīng)開始關注深度學習等智能化手段在發(fā)動機故障診斷與預測上的應用，以及基于此的維護維修決策。除了揭示已知的故障狀態(tài)指示、維護和維修觸發(fā)指示之間的關聯(lián)并通過信息融合等手段提高診斷精度和優(yōu)化維護維修決策，智能EHM還有一系列更重要的任務：

1) 搜尋目前未知的與故障發(fā)生、及最合適的維護維修時間節(jié)點相關的信息。

2) 開發(fā)基于這些新信息的故障、維護維修指示。

3) 與已知的故障、維護維修指示進行特征或者決策融合。

這一系列任務的完成就離不開知識圖譜技術。如前述，航空發(fā)動機知識圖譜的原始數(shù)據(jù)來源包括電子履歷本、發(fā)動機知識信息數(shù)據(jù)庫、發(fā)動機電子化手冊數(shù)據(jù)庫以及其他各種發(fā)動機的故障和維護維修數(shù)據(jù)源。發(fā)動機的故障和維護維修數(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)、外場故障診斷和無損探傷及維護維修記錄、大修記錄等。發(fā)動機的故障和維護維修記錄數(shù)據(jù)不僅包括結構化的數(shù)據(jù)，比如維護維修技師在手持無線平臺(手機、iPad等)按照系統(tǒng)設定好的菜單輸入的選項(“Yes”或“No”，及各種相關測量值)，也包括非結構化的自然語言輸入。目前的深度學習、數(shù)據(jù)挖掘方法都側(cè)重于結構化的數(shù)據(jù)。而對于非結構化的、基于自然語言的輸入，則務必首先抽取概念，然后再建立概念之間的關系；這兩個任務就對應知識圖譜中概念(Asset)的提取及關系(Relationship)的建立。

在產(chǎn)品研發(fā)試制階段及產(chǎn)品投入市場運營的早期階段，開發(fā)人員對于產(chǎn)品在不同運營環(huán)境下的性能及故障特征并不完全了解，對于維護維修時機的把握也會經(jīng)歷一個學習、優(yōu)化、逐漸完善的過程。知識圖譜技術提供了一個快速的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)動機健康管理系統(tǒng)知識圖譜的構建

在日常故障診斷與維修保養(yǎng)中，有些故障診斷方法對于構建發(fā)動機知識圖譜能提供很好的數(shù)據(jù)源，反過來基于數(shù)據(jù)源構建的知識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) 基于手冊的故障診斷是通過深入分析飛機故障隔離手冊和飛機維護手冊的詳細內(nèi)容記載，構建出民航飛機及發(fā)動機的故障診斷系統(tǒng)模型，并以此為基礎制作出一個能夠?qū)崿F(xiàn)電子化手冊的管理與智能搜索、自動關聯(lián)相關手冊、更改和完善電子化手冊內(nèi)容，從而實現(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行處理和分析，從而有效地提高決策的準確性。對于民航發(fā)動機這種復雜環(huán)境工作的復雜系統(tǒng)，單純依靠單一的信息源進行故障診斷往往很難獲得可信的診斷結果，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鍵是運用和模仿曾經(jīng)的有益經(jīng)驗來處理相似故障，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)。

構建發(fā)動機知識圖譜的數(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)動機機型全球使用者的有效信息，比如使用該機型的用戶名稱、用戶主要業(yè)務，使用日期，使用時長，過程中的機型服務航線、維修信息等，總之與用戶有關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)動機用戶等在從事航空運營中使用不同發(fā)動機機型等與發(fā)動機有關的信息，比如公司名稱、公司地址、公司核心業(yè)務，公司的主要航線、飛機種類與數(shù)量、發(fā)動機的種類與數(shù)量、該公司的股東信息、財務信息以及客運貨運等信息，是數(shù)據(jù)庫中的核心部分。

3) 機型信息數(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型、不同機型的信息，使用戶對不同發(fā)動機機型信息有初步的認知，使各使用用戶，如航空公司、維修基地等對各種不同類型的發(fā)動機的使用情況掌握，主要包括不同發(fā)動機機型的基本介紹、基本尺寸、改型尺寸、安裝配置、適用機型、最大推力、基本性能以及對維修間隔的特殊要求等。

4) 故障案例數(shù)據(jù)庫：主要機載該型發(fā)動機在不同的運行時間、航程中的各種不同程度的發(fā)動機故障案例，包括故障發(fā)生時的航線、飛機類型、故障現(xiàn)象、維修方式、維修時間等，以及故障發(fā)生時統(tǒng)計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行快速檢索等。

5) 電子化手冊數(shù)據(jù)庫:主要是將發(fā)動機不同機型的常用以及重要手冊電子化以不同格式存儲，用于機型培訓、故障診斷等信息支持，為用戶提供下載與上傳等服務，發(fā)動機正常手冊包括：飛機維修手冊、故障排除手冊、結構修理手冊、圖解零件目錄、最低設備清單、構型偏離清單及其他修理和改裝文件和不常見的適航指令、服務通告、服務信函等。

6) 知識信息數(shù)據(jù)庫：主要是不同發(fā)動機機型在設計、制造、運行、維修等過程中積累的或匯集的大量運行、維修等經(jīng)驗，主要包括裝配某種發(fā)動機的飛機不同結構與系統(tǒng)的常見故障以及帶來的影響程度、發(fā)動機運行的常見故障以及飛機與發(fā)動機匹配運行過程中存在的問題等、記錄著飛機電子系統(tǒng)以及自動控制系統(tǒng)的機載設備故障等的維修經(jīng)驗期及其他與維修過程中的經(jīng)驗、知識等。

構建發(fā)動機健康管理系統(tǒng)的知識圖譜，有兩種構建思路：首先基于已有的診斷及維護維修經(jīng)驗建立發(fā)動機故障專家系統(tǒng)，也就是初步的一個知識圖譜；然后采用采用機器學習方法從大量故障數(shù)據(jù)源中抽取故障相關概念和關系，不斷充實完善發(fā)動機故障知識圖譜；再由發(fā)動機專家對擴充后的知識圖譜驗證，并進一步完善、補充。另一個思路是直接從海量發(fā)動機故障數(shù)據(jù)源通過機器學習方法抽取概念、關系，首先形成一個機器構建的發(fā)動機故障知識圖譜，然后再補充發(fā)動機專家的故障知識，并進行正確性驗證和分析，最終形成構建發(fā)動機健康管理系統(tǒng)的知識圖譜?；谏鲜鲋R圖譜構建的基本方法，對發(fā)動機故障中的氣路故障、振動故障的少量數(shù)據(jù)進行了簡單的知識圖譜構建舉例(圖9)。實際的知識圖譜網(wǎng)絡要比圖9示例復雜龐大的多，是融合了多維度信息的海量數(shù)據(jù)的關系網(wǎng)絡圖。

圖9 航空發(fā)動機氣路、振動故障知識圖譜的搭建舉例Fig.9 Example of knowledge graph construction for aero engine gas path and vibration diagnostics

1.5.4 知識圖譜在發(fā)動機診斷上的應用及未來發(fā)展方向

截至目前已開展的知識圖譜在故障診斷及維護維修決策的應用工作都還沒有進入實際應用階段，在民用航空方面的研發(fā)就更少。因而，基于知識圖譜的航空發(fā)動機故障診斷及預測的未來研發(fā)重點需要從基礎搭建開始：

1) 采用知識圖譜對于現(xiàn)有的故障診斷專家系統(tǒng)進行補充、完善。現(xiàn)有的主力民用發(fā)動機機型故障診斷系統(tǒng)主要還是依賴機載傳感器和在翼無損檢測捕捉發(fā)動機健康狀態(tài)，并開展維護、維修。EHM系統(tǒng)可以及時發(fā)現(xiàn)絕大部分發(fā)動機故障，但仍有一小部分故障未被及時發(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客機發(fā)動機包容事故)。采用知識圖譜深入分析以前未被梳理到的信號(也即知識圖譜里的概念提取)、信號分析方法及數(shù)據(jù)融合得到的新狀態(tài)指示(也即知識圖譜里的關系提取和學習)，將降低EHM漏檢率和虛警率。采用在役主流民用發(fā)動機機型運維數(shù)據(jù)，針對相應主要故障失效模式、維護(水洗)和維修記錄，有針對性地甄別潛在的故障指示及維護維修觸發(fā)指示，并采用知識圖譜技術建立更完備的故障CI集和維護維修觸發(fā)指示集。

2) 采用知識圖譜將維護維修及備件更換記錄、航線狀況等信息都納入成為發(fā)動機EHM系統(tǒng)輸入，對子系統(tǒng)和零部件健康狀況進行綜合評估。提取維護維修記錄、航線狀況語言描述里的概念，并將其和從機載傳感器及在翼、離翼無損探傷和孔探等得到的結構化、半結構化、和無結構的信息進行融合，完成知識圖譜推理(Knowledge Graph Reasoning and Inference)，得到多角度的更準確地狀態(tài)評估。

3) 建立發(fā)動機知識圖譜數(shù)據(jù)存儲和管理(Knowledge Graph Storage and Management) 平臺。

2 航空發(fā)動機壽命管理

2.1 發(fā)動機健康管理框架內(nèi)的壽命管理背景

發(fā)動機健康管理(EHM)框架內(nèi)的壽命管理主要包括：發(fā)動機關鍵部件的使用壽命監(jiān)控、壽命消耗計算、剩余壽命預測、延壽控制等，其目的是保障發(fā)動機在復雜環(huán)境和使用條件下能夠安全運行。隨著航空發(fā)動機技術的不斷發(fā)展，壽命管理子系統(tǒng)逐漸成為現(xiàn)代航空發(fā)動機健康管理系統(tǒng)的一個重要功能模塊。

壽命管理子系統(tǒng)根據(jù)發(fā)動機關鍵部件壽命消耗、健康監(jiān)測、運行狀態(tài)參數(shù)等數(shù)據(jù)信息預測發(fā)動機在翼剩余可用壽命，為發(fā)動機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)動機市場競爭激烈，必須在保障安全運行、遵守適航規(guī)章的基礎上，通過科學有效的壽命管理實現(xiàn)發(fā)動機全壽命期維修使用成本的最優(yōu)化。因此，及時準確的壽命預測、科學合理的壽命管理是實現(xiàn)以上目標的重要保證。

民航業(yè)對發(fā)動機壽命管理的需求主要來自6個方面：

1) 飛行安全：通過壽命管理提高機隊運行可靠性和安全性，預防重大運行事件，避免運行中斷，提高發(fā)動機在翼使用壽命。

2) 可靠性監(jiān)控：通過準確的壽命預估實現(xiàn)發(fā)動機實時可靠性監(jiān)控。

3) 維修決策：通過壽命管理減少不必要的在翼維護，包括航線計劃性維護、特殊檢查、非計劃換發(fā)、振動監(jiān)控等，優(yōu)化維修決策，增強發(fā)動機排故技術能力。

4) 備發(fā)預測：通過可預測的送修管理，減少備發(fā)數(shù)，降低備發(fā)成本。

5) 航材管理：通過準確的機隊可靠性預測改進航材與備件供應。

6) 成本分析：提高發(fā)動機大修成本預估的準確性，優(yōu)化發(fā)動機修理成本。

2.2 EHM壽命管理方法

圖10所示為某發(fā)動機OEM公司壽命管理及相關聯(lián)的活動，在一定程度上反映了發(fā)動機壽命管理的角色、價值，以及壽命管理技術的復雜性。發(fā)動機壽命管理技術包含整機和部件兩個層級。部件級壽命管理包括關鍵部件的使用壽命監(jiān)控和安全使用壽命預測；整機級壽命管理包括發(fā)動機在翼使用壽命監(jiān)控和可靠壽命預測。關鍵部件主要包括高能轉(zhuǎn)動件和承壓件，發(fā)生非包容失效時可能導致危害性，甚至是災難性的后果。同時，這些部件使用了昂貴的原材料、經(jīng)歷了復雜的設計過程、采用了先進的制造工藝、承受了嚴格的質(zhì)量控制，成本高昂。因此，民用航空發(fā)動機壽命管理必須考慮如何在保證安全的前提下，最大限度地使用關鍵部件的壽命，降低其全壽命期成本。

圖10 民用航空發(fā)動機壽命管理及關聯(lián)活動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

早期的發(fā)動機壽命管理以使用壽命檢測為主。20世紀七八十年代，美國和英國的研究人員開始進行航空發(fā)動機使用監(jiān)測技術的研究。英國國防部開發(fā)了發(fā)動機渦輪葉片壽命監(jiān)測器，應用于鷂式戰(zhàn)斗機。俄羅斯航空發(fā)動機中央研究院對壽命管理進行了比較深入的研究，指出基于狀態(tài)的維修是支持發(fā)動機壽命管理最可靠的方法。北約研究與技術組織本世紀初推出的研究報告，介紹了渦輪發(fā)動機壽命控制及損傷消耗監(jiān)測方法。美國通用電氣的研究人員對燃氣渦輪壽命管理方法進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)濟性，并歸納了多種航空發(fā)動機常見的壽命管理方法。美國空軍有專門的“發(fā)動機壽命管理計劃”來處理運營中的發(fā)動機的壽命更新與維護。美國機械工程協(xié)會在2004年的渦輪技術學術會議中專門介紹了航空發(fā)動機壽命管理。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，定量研究結構破裂的風險，預測發(fā)動機渦輪旋轉(zhuǎn)件的壽命。

壽命消耗計算和延壽控制是壽命管理工作的重要內(nèi)容。壽命消耗計算主要采用以疲勞損傷理論和斷裂力學為基礎的循環(huán)計數(shù)法。Wiseman和Guo專門研究了發(fā)動機延壽控制技術。在航空發(fā)動機壽命預測領域，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損傷模型對航空發(fā)動機渦輪葉片剩余壽命的多種影響因素進行研究，發(fā)現(xiàn)分階段氧化損傷對渦輪葉片的疲勞壽命起著至關重要的作用。Xi等通過傳遞矩陣變換將多維特征融合為單一監(jiān)測指標，并用融合指標對航空發(fā)動機剩余壽命進行預測。Liu等以趨勢單調(diào)性和失效幅值一致性為指標優(yōu)劣的評判準則，并以此為目標對特征指標進行加權融合構造最優(yōu)監(jiān)測指標用于航空發(fā)動機剩余壽命預測。Mosallam等采用無監(jiān)督信息度量從多傳感器信號中選取敏感信號，再用主分量分析和經(jīng)驗模式分解從多源信號特征集中提取主成分衰退趨勢作為健康指標，對航空發(fā)動機剩余壽命進行預測。Ragab等提出了一種基于Kaplan-Meier生存分析、同時使用時間數(shù)據(jù)和狀態(tài)監(jiān)測數(shù)據(jù)的剩余壽命預測方法，并將其應用于航空發(fā)動機剩余壽命預測。

發(fā)動機運行過程所經(jīng)歷的環(huán)境和載荷是造成發(fā)動機系統(tǒng)/部件失效(退化)的根本原因，因此，發(fā)動機狀態(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)的剩余壽命預測模型。在基于退化數(shù)據(jù)的壽命預測建模方面，Lu和Meeker提出了用通用退化路徑模型描述退化數(shù)據(jù)來估計產(chǎn)品的失效時間分布；Crk進一步利用多元、多重回歸分析進行退化路徑的參數(shù)化建模。這些基于統(tǒng)計的方法具有較廣泛的通用性，可用于發(fā)動機性能退化建模和在翼剩余壽命預測。在基于退化的剩余壽命預測領域， Al-Dahidi等針對設備群通常經(jīng)歷不同的運行狀態(tài)而影響狀態(tài)監(jiān)測數(shù)據(jù)和設備退化過程的問題，提出了一種三階段異構機群數(shù)據(jù)剩余壽命預測方法：首先采用半馬爾可夫模型將衰退過程進行無監(jiān)督階段劃分，然后采用極大似然估計和Fisher信息矩估計狀態(tài)空間轉(zhuǎn)移參數(shù)，最后通過蒙特卡洛仿真預測剩余壽命，并將該方法應用于航空發(fā)動機剩余壽命預測。在上述退化模型的基礎上，Hu等采用相關向量機、指數(shù)擬合、遞歸神經(jīng)網(wǎng)絡等5種模型對航空發(fā)動機剩余壽命進行預測，并采用3種加權方法將不同模型的預測結果進行融合，得到更為準確的最終剩余壽命預測結果。

發(fā)動機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測是壽命管理技術難點問題之一。早在20世紀70年代，David就提出了考慮多種失效模式的競爭性風險評估理論。Misra闡述了一個復雜系統(tǒng)通常存在多種失效模式，當某種失效模式發(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爭的現(xiàn)象稱為競爭性法則。Teresa和Yeh研究了同時具有衰退和隨機沖擊兩類失效模式的多態(tài)系統(tǒng)，認為退化過程服從半馬爾可夫過程，假設兩次連續(xù)狀態(tài)的到達時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沖擊失效模式的系統(tǒng)可靠性問題，假設隨機沖擊服從泊松過程，而沖擊力是獨立同分布的隨機變量。Pham和Xie提出了一種包含兩個相互依賴的隨機過程的檢測模型，可用于具有檢查和維修過程的系統(tǒng)安全性評估。Huang和Askin研究了假定兩種失效模式相互獨立條件下的競爭失效模型。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Petri網(wǎng)建立了基于狀態(tài)的維修模型。Bunea和Mazzuchi在假設兩種不同失效模式相互獨立的基礎上，建立了加速應力條件下的競爭失效模型。Amari和Misra研究了有序的多狀態(tài)系統(tǒng)的動態(tài)可靠性和不同失效模式及隨機沖擊條件下的可靠性建模問題，并假設各失效模式相互獨立。Li和Pham研究了不同失效模式及隨機沖擊條件下多狀態(tài)退化系統(tǒng)的可靠性建模問題，同樣假設各失效模式間相互獨立?？傊?，對于多失效模式系統(tǒng)壽命預測的研究多數(shù)是在假設各失效模式相互獨立基礎上開展的，針對多失效模式相關的問題，特別是航空發(fā)動機多失效模式相關情況下的在翼壽命預測問題有待進一步研究。

針對壽命管理技術中的剩余壽命預測問題，根據(jù)實際使用的數(shù)據(jù)類型，將剩余壽命預測建模方法歸納為3大類(表2)。第1類為傳統(tǒng)的可靠性分析方法，借助機隊平均可靠性指標來評估個體剩余壽命；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、隨機過程及狀態(tài)空間模型等，模型參數(shù)估計采用最大似然估計法，也有采用貝葉斯參數(shù)估計法。由于退化數(shù)據(jù)通常來自個體系統(tǒng)，這就使得基于退化數(shù)據(jù)來預測個體剩余壽命成為可能，特別是近幾年隨著系統(tǒng)故障預測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注，在理論和應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測的精度，但物理模型建模通常建立在掌握了大量的產(chǎn)品設計數(shù)據(jù)的基礎上，難度較大，這是影響其實際應用的主要原因。

表2 剩余壽命預測建模方法比較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)的剩余壽命預測建模方法研究，而基于環(huán)境/載荷數(shù)據(jù)的剩余壽命預測建模方法則相對較少，有待進一步研究?，F(xiàn)代民機狀態(tài)監(jiān)測系統(tǒng)記錄的海量數(shù)據(jù)通常與結構/系統(tǒng)的使用環(huán)境載荷參數(shù)有關，這些數(shù)據(jù)一般具有數(shù)據(jù)量大、連續(xù)采樣、多源性、動態(tài)的特點。如何充分利用這些動態(tài)環(huán)境載荷數(shù)據(jù)用于系統(tǒng)/部件使用可靠性評估或剩余壽命預測，已經(jīng)成為當前挖掘機載“大數(shù)據(jù)”的一個新的研究方向；將對航空公司保障飛行安全、制定更高效的運營維護計劃和零部件庫存以及延長發(fā)動機壽命和減少意外中斷事件具有重要意義。

在發(fā)動機壽命管理技術的工程應用方面，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)動機渦輪葉片壽命監(jiān)控系統(tǒng)，并成功應用于鷂式戰(zhàn)斗機；美、英、澳大利亞等國倡導使用的HUMS系統(tǒng)，對直升飛機發(fā)動機、結構等進行健康與使用監(jiān)測，可以提供全時段的發(fā)動機和機械傳動系統(tǒng)的健康信息以及運行狀態(tài)，對發(fā)動機進行健康診斷與剩余壽命預測；美國普惠公司集成了多種剩余壽命預測技術，開發(fā)了一套先進的發(fā)動機壽命預測系統(tǒng)。美國國防部和美國國家航天局聯(lián)合開發(fā)了作戰(zhàn)飛機健康管理系統(tǒng)，將關鍵部件或系統(tǒng)失效的預測功能作為系統(tǒng)的重要功能模塊，從航空安全的角度對推進系統(tǒng)健康監(jiān)測的價值和作用進行了闡述；常用的發(fā)動機壽命管理流程(圖11)涵蓋了多個分析步驟，包括：初始安全壽命計算、飛行剖面定義、傳熱分析、應力分析、材料數(shù)據(jù)獲取、低周疲勞壽命計算、分析評估、壽命限制值調(diào)整等。

圖11 國產(chǎn)發(fā)動機壽命管理流程Fig.11 Life management process of domestically made aero engines

國內(nèi)學者在航空發(fā)動機壽命預測領域雖起步較晚，但也開展了大量的研究工作，在航空發(fā)動機壽命預測的基礎理論和方法研究中取得一定成果。Li等基于分布函數(shù)和廣義應力—強度干涉模型計算了航空發(fā)動機的累積疲勞損傷，在應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法則來評估航空發(fā)動機一級渦輪盤的疲勞壽命。Feng等提出了一種基于核主分量分析的航空發(fā)動機剩余壽命預測方法，該方法首先利用核主分量分析對監(jiān)測數(shù)據(jù)進行預處理，得到能反映衰退趨勢的健康指標，而后建立了基于維納過程的衰退模型進行壽命預測。Liu等針對部分傳感器信號無法為航空發(fā)動機失效預測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選擇方法，選擇對航空發(fā)動機衰退過程敏感的傳感器信號進行壽命預測。Lu等對比了多種動態(tài)濾波監(jiān)測算法在航空發(fā)動機氣路狀態(tài)監(jiān)測中的應用效果，對比結果顯示，約束擴展卡爾曼粒子濾波能夠更準確地從測量值中估計發(fā)動機氣道的運行狀態(tài)，從而更適用于發(fā)動機氣道的狀態(tài)監(jiān)測。在基于機器學習算法的壽命預測研究方面，Yuan等基于長短期記憶神經(jīng)網(wǎng)絡提出了一種航空發(fā)動機的剩余壽命預測方法，與傳統(tǒng)方法相比，取得了較高的預測精度。南京航空航天大學的胡昊磊等運用性能退化可靠性理論和隨機過程方法分析發(fā)動機性能退化過程，運用威布爾分布建立基于隨機過程的模型來預測民用航空發(fā)動機整個機隊的平均壽命，為維修規(guī)劃提供依據(jù)。任淑紅等、周玉輝和康銳分別進行了基于帶漂移的布朗運動模型預測民航發(fā)動機實時性能可靠性和基于退化失效模型的旋轉(zhuǎn)機械壽命預測方法的研究。

在發(fā)動機壽命預測、關鍵部件壽命消耗監(jiān)控等研究方面，張逸民等在1981年通過數(shù)理統(tǒng)計方法分析航空渦輪發(fā)動機翻修可靠性與壽命。吳學亮等以英國斯貝MK202發(fā)動機為例，介紹了西方國家軍用航空發(fā)動機的現(xiàn)行壽命控制方法，闡述了控制關鍵零件使用壽命的意義。洪杰等設計了航空發(fā)動機關鍵件使用壽命監(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)動機關鍵零部件的壽命消耗，對其使用壽命進行監(jiān)控，對剩余壽命進行預測，確定維修方案(圖11)。

針對發(fā)動機等高可靠性、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，實現(xiàn)了極小失效數(shù)據(jù)條件下的可靠性評估和壽命預測。國內(nèi)學者在小樣本無失效數(shù)據(jù)的可靠性分析及壽命預測領域開展了大量研究工作。李偉認為，由于航空發(fā)動機的系統(tǒng)復雜性，可能同時存在突發(fā)失效和退化失效兩類失效模式，提出了基于競爭失效的發(fā)動機可靠性分析思路。南京航空航天大學王華偉等根據(jù)失效模式特征將航空發(fā)動機的失效劃分為性能失效、結構強度失效及突發(fā)失效3大類，針對不同失效模式特點，分別采用Gamma過程、Wiener過程和Weibull分布模型建立不同的發(fā)動機可靠性及壽命預測模型。

2.4 發(fā)動機壽命管理發(fā)展趨勢

綜上述，國內(nèi)發(fā)動機關鍵件壽命預測及損傷評估、整機在翼剩余壽命預測、壽命預測算法開發(fā)及驗證等各個方面距離世界先進水平還有差距，亟需在關鍵性的壽命管理技術及算法上開展研發(fā)。航空發(fā)動機壽命管理技術的未來主要需求是：

1) 發(fā)動機關鍵部件的壽命監(jiān)控與壽命預測趨于數(shù)字化、智能化、實時化。

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

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

3) 發(fā)動機維修策略由被動式維修、預防性維修發(fā)展到視情維修、預測性維修，未來將趨向于智能化維修，對健康管理系統(tǒng)框架內(nèi)的壽命管理技術提出了更高要求。

3 航空發(fā)動機智能維護維修決策

3.1 研究背景

國內(nèi)外航空發(fā)動機維修管理模式總結歸納可分為總翻修壽命與定時翻修壽命、單元體視情翻修的兩種維修管理體系?？偡迚勖c定時翻修管理體系，整機采取定時翻修的模式，這種模式下總壽命和翻修壽命均較短，經(jīng)濟成本非常高。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)濟成本壽命作為發(fā)動機總壽命的終結點。這種模式下每臺發(fā)動機和關鍵零部件發(fā)揮了最大的壽命潛力，其經(jīng)濟性較好。無論從科學性、安全性和經(jīng)濟性角度，單元體視情翻修管理模式比總翻修壽命與定時翻修壽命體系具有明顯的優(yōu)勢。

總體上，歐美先進國家的先進軍民用航空發(fā)動機均已發(fā)展進入單元體視情翻修管理體系，特別是近幾年來，伴隨預測與健康管理 (PHM) 理論與技術逐漸應用于新一代先進發(fā)動機，進一步促進了發(fā)動機視情維修策略的落地和成熟。在此基礎上，國外發(fā)動機主制造商進一步提出了“發(fā)動機“智能維護”的理念，其特點是利用工業(yè)人工智能技術挖掘海量運維數(shù)據(jù)，用于“智能維護”決策支持。

3.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢

3.2.1 基于健康管理的發(fā)動機單元體視情維修模式設計

縱觀歐美航空發(fā)動機的壽命管理，經(jīng)歷了由修復性維修 (CM) 向定時維修(TBM)、由定時維修向視情維修 (CBM) 的發(fā)展過程。早在20世紀70年代基本上完成了“機群壽命管理”向基于循環(huán)壽命監(jiān)控為核心的“單機壽命管理”過渡。西方國家對關鍵件有循環(huán)壽命指標要求的航空發(fā)動機，均加裝了歷程記錄儀進行單機壽命監(jiān)控。在單機壽命監(jiān)控與狀態(tài)監(jiān)測基礎上，實現(xiàn)了發(fā)動機的視情維修。隨著視情維修技術的發(fā)展，以預測維修為代表的CBM+(Condition-Based Maintenance Plus) 技術已在航空領域開始應用。在此背景下，一些先進的理論與技術，如預測與健康管理(Prognostics and Health Management, PHM)、擴展的基于狀態(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)達國家得到了長足的發(fā)展，并正被新一代發(fā)動機所采用，是實現(xiàn)其經(jīng)濟可承受性和自主式保障的關鍵，成為當今世界上先進軍用和民用航空發(fā)動機發(fā)展的重要標志。基于單元體的視情維修體制也成為國外四代機發(fā)動機維修保障模式發(fā)展的一個重要趨勢。

國內(nèi)在民機PHM維修模式方面有一定研究基礎，而在RCM/MSG計劃維修任務分析基礎上，融合民機系統(tǒng)PHM技術，實現(xiàn)基于PHM的發(fā)動機視情維修模式設計方面的研究剛剛起步。

3.2.2 發(fā)動機在翼技術狀態(tài)管理與下發(fā)時機預測

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

送修時限預測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限的各個因素并分別確定各單因素對應的送修時限，然后再取其中的最小值作為發(fā)動機的最終送修時限。間接法不直接采用各影響因素進行送修時限預測，可將影響因素分為四大類：故障狀態(tài)、時間狀態(tài)、性能狀態(tài)和初始狀態(tài)，通過權值函數(shù)將各個因素的指標值轉(zhuǎn)化為權值，再根據(jù)權值計算故障測評值、時間測評值、性能測評值、初始測評值及各個因素對應的送修時限，最終得到綜合測評值及綜合送修時限。送修時機優(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)動機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帶來以下3方面的嚴重問題：大大增加庫存成本；在拆換高峰季節(jié)很難找到租賃發(fā)動機，尤其是夏天，容易因缺發(fā)造成飛機AOG (Aircraft On Ground)，帶來巨大經(jīng)濟損失；拆換率不均衡還會引起 TAT (Turn Around Time)時間過長，維修廠負荷過重，發(fā)動機維修不能按時正常返回。

3.2.3 發(fā)動機返廠維修工作等級與范圍決策優(yōu)化

維修工作范圍直接影響著發(fā)動機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)動機設計經(jīng)驗及運維數(shù)據(jù)建立了基于巡航趨勢偏差的維修工作指南，該成果已應用于對CF6、GE90、CFM56系列發(fā)動機的維修決策中。AerData公司開發(fā)EFPAC軟件能針對特定的送修間隔，綜合民航發(fā)動機自新時間和健康狀態(tài)等因素對維修 工作范圍進行優(yōu)化，并對優(yōu)化得到的維修工作范圍的成本進行預測。此外，各民航發(fā)動機制造商還編制了維修工作范圍制定指導文件，比如普惠公司的維修計劃指導(Maintenance Planning Guide，MPG)、CFMI公司的工作范圍計劃指導(Work-scope Planning Guide，WPG)等。

目前國內(nèi)研究發(fā)動機維修等級決策方法主要是通過建立發(fā)動機監(jiān)測參數(shù)與維修等級的關系的模型，從而給出在一定維修目標下的發(fā)動機維修等級。梁劍針對發(fā)動機送修等級決策問題，引入變精度粗糙集理論挖掘發(fā)動機狀態(tài)-送修等級決策規(guī)則。提出了基于變精度粗糙集理論的信息熵啟發(fā)約簡算法以改善對知識不確定性信息的描述，給出了發(fā)動機送修等級決策優(yōu)化方法。張海軍應用變精度粗糙集理論研究了發(fā)動機狀態(tài)信息與單元體性能參數(shù)之間的關系，提出了一種基于信息熵屬性約簡的航空公司發(fā)動機維修等級決策方法。張海軍等基于民航發(fā)動機的狀態(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和狀態(tài)參數(shù)之間內(nèi)在關聯(lián)性的決策規(guī)則。鄭波為降低航空公司維修成本,增強送修等級決策科學性,研究并提出基于PSO-SVM的民航發(fā)動機送修等級決策算法。付旭云和鐘詩勝將發(fā)動機各單元體各維修級別能夠恢復的整機性能值表示為一個梯形模糊數(shù),建立單元體性能恢復值分配優(yōu)化的模糊機會約束規(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的單元體性能恢復值分配優(yōu)化模型。

3.2.4 基于狀態(tài)監(jiān)控的發(fā)動機使用維護流程與決策支持系統(tǒng)

20世紀90年代以后，隨著神經(jīng)網(wǎng)絡等人工智能方法的成熟發(fā)展，美國空軍研究實驗室和英國航空公司等將氣路診斷和其它診斷技術相融合開發(fā)了相關發(fā)動機維修決策支持系統(tǒng)。美國普惠公司的研究人員開發(fā)一套集PHM的噴氣發(fā)動機壽命預測系統(tǒng)并帶有對關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等公司應用。

近幾年隨著網(wǎng)絡、大數(shù)據(jù)以及人工智能技術的發(fā)展，網(wǎng)絡化的發(fā)動機健康管理系統(tǒng)是新的發(fā)展趨勢。監(jiān)控數(shù)據(jù)由飛機ACARS系統(tǒng)實時傳輸給發(fā)動機OEM，由廠家和航空公司同時對發(fā)動機狀態(tài)趨勢進行監(jiān)控分析，跟傳統(tǒng)的用戶獨立監(jiān)控方式相比，OEM與航空公司共同監(jiān)控可加強對發(fā)動機性能趨勢監(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)絡化發(fā)動機健康監(jiān)控服務，如MTU的“ECM@MTU”系統(tǒng)、EZECM的“EMMPowered”系統(tǒng)，第三方系統(tǒng)對所有發(fā)動機型號，其輸出均為統(tǒng)一格式，非常便于用戶記錄數(shù)據(jù)，這對運營著多種機型的機隊用戶來說非常有利。

國內(nèi)開發(fā)的航空發(fā)動機健康管理與維修決策支持系統(tǒng)，可以對發(fā)動機的拆發(fā)時間、單元體維修級別以及維修工作范圍等進行決策；開發(fā)的民航發(fā)動機全壽命管理系統(tǒng)，通過采集、管理、處理并預測在翼航空發(fā)動機的性能參數(shù)，為航空發(fā)動機性能仿真和維修策略的制定提供決策支持; 開發(fā)的發(fā)動機性能預測與維修成本控制系統(tǒng)、民航發(fā)動機集成維修管理系統(tǒng)，實現(xiàn)機隊維修信息的統(tǒng)一管理、決策的綜合分析以及資源的合理配置; 開發(fā)的機群視情維修調(diào)度軟件系統(tǒng)將發(fā)動機機隊的計劃調(diào)度和維修成本實現(xiàn)了自動尋優(yōu)計算，提高發(fā)動機工程管理和梯次調(diào)度的效率。除了維修決策支持系統(tǒng)的開發(fā)外，對多個方面的航空發(fā)動機維修決策內(nèi)容進行了研究，為發(fā)動機維修決策支持系統(tǒng)的開發(fā)和完善提供了技術支撐。國內(nèi)在視情維修決策技術研究和系統(tǒng)開發(fā)方面基本處于剛剛起步階段，還沒有完備的發(fā)動機智能計劃和動態(tài)調(diào)度的軟件。

3.3 基于健康管理的視情維修設計未來發(fā)展方向

基于健康管理的視情維修設計優(yōu)化方法的研究內(nèi)容包括5項，如圖13所示：① 基于健康管理的視情維修模式頂層設計方法研究；② 面向外場運營和維護數(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)動機在翼技術狀態(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)動機離翼維修決策方法研究；⑤ 基于健康管理信息融合的發(fā)動機使用維護流程和方法研究。

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

3.3.1 頂層設計方法

圖14給出了基于健康管理的航空發(fā)動機視情維修設計優(yōu)化方法總體技術路線。發(fā)動機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維修任務分析框架基礎上，考慮融入PHM監(jiān)測的發(fā)動機維修任務分析。在RCM/MSG-3的流程基礎上，將基于PHM監(jiān)測的檢查方式增加到下層邏輯分析過程，并考慮利用先進的機載監(jiān)測傳感器和維護系統(tǒng)代替人工操作檢查或功能檢查，節(jié)約維修工時和成本。

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

圖15 設計階段：基于RCM/MSG分析的視情維修任務制定流程Fig.15 Design phase: condition MRO planning based on RCM/MSG analysis

3.3.2 面向外場運營和維護數(shù)據(jù)的多源信息管理

發(fā)動機健康狀態(tài)、壽命評估及維修決策相關的信息存在于多種數(shù)據(jù)源中，除其材料、設計、制造數(shù)據(jù)資源外，還包括在線傳感器監(jiān)測數(shù)據(jù)、離線檢測/檢查報告、維修歷史記錄、故障記錄和大修報告等。發(fā)動機視情維修決策依賴于從這些多源異構、不同時間尺度的 數(shù)據(jù)中充分挖掘出發(fā)動機健康狀態(tài)及典型結構件(盤、軸、機匣等)壽命相關的信息。多層級、多模態(tài)、全過程的集成數(shù)據(jù)模型是建立實現(xiàn)航空發(fā)動機全壽命運維數(shù)據(jù)集成管理的基礎。推薦以BOM (Bill Of Material)為主線組織發(fā)動機外場使用與運維中涉及的眾多數(shù)據(jù)，將各階段產(chǎn)品數(shù)據(jù)關聯(lián)起來并對其進行管理和控制，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)動機多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)動機在翼技術狀態(tài)管理

在翼技術狀態(tài)管理是保障飛行安全并延長發(fā)動機在翼壽命的關鍵，包括：① 融合氣路/振動/滑油等多路健康監(jiān)測與診斷信息的發(fā)動機外場故障隔離；② 發(fā)動機單機在翼使用時間的預測與主動管理；③ 發(fā)動機機隊送修時機優(yōu)化與備發(fā)預測。

1) 基于多源健康信息與智能算法與的發(fā)動機外場故障隔離推理方法研究

用貝葉斯多源信息融合方法實現(xiàn)發(fā)動機多源數(shù)據(jù)的關聯(lián)性分析和深度挖掘，以常規(guī)的氣路可測狀態(tài)參數(shù)為主，而其他狀態(tài)監(jiān)控信息或經(jīng)驗信息則以先驗信息的形式引進氣路分析，借助多模態(tài)深度學習架構實現(xiàn)多源信息的融合與故障智能推理，提高發(fā)動機故障定位的準確性。

2) 發(fā)動機單機在翼使用時間的預測與主動管理

發(fā)動機整機在翼使用壽命主要取決于兩個關鍵因素，即發(fā)動機關鍵件的壽命損耗、性能衰退狀況。而整機性能退化具有較大不確定性，因此為準確預測發(fā)動機下發(fā)期限，在考慮系統(tǒng)單個參數(shù)之間的相關性的基礎上，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)動機性能退化可靠性模型和基于系統(tǒng)健康指數(shù)的發(fā)動機剩余壽命預測與可靠性評估方法。研究上次送修等級、運行環(huán)境、減推力起飛以及外場維護等維修活動，對發(fā)動機性能衰退的影響機理，建立基于多源信息融合的性能衰退剩余壽命預測方法。

3) 基于排序理論的發(fā)動機機隊送修時機優(yōu)化與備發(fā)預測

① 基于排序理論的發(fā)動機機隊送修時機優(yōu)化方法。發(fā)動機機隊維修保障成本是調(diào)度方案、備用發(fā)數(shù)量、計劃期長度和保障率等相關因素的函數(shù)，其中調(diào)度方案又是排序規(guī)則、梯次使用和發(fā)動機在翼壽命的函數(shù)。在分析發(fā)動機拆換歷史記錄基礎上，依據(jù)機隊發(fā)動機平均送修間隔和一定的備發(fā)數(shù)量、計劃期長度等情況，以保障率為約束條件，研究排序規(guī)則對中長期機隊保障成本的影響，選擇最優(yōu)送修方案，在此基礎上進一步優(yōu)化方案以均衡機隊下發(fā)率。

② 基于仿真模型的機隊發(fā)動機備發(fā)預測方法。建立發(fā)動機備件預測仿真模型，模型使用最大似然擬合歷史時間間隔數(shù)據(jù)和當前機翼數(shù)據(jù)的組合，首先采用發(fā)動機的平均拆換率來參數(shù)化一個概率分布以實現(xiàn)仿真的輸入。進一步，構建發(fā)動機送修等級函數(shù)以及發(fā)動機的修理周期分布函數(shù)，考慮修理車間的容量限制和機隊規(guī)模等因素，仿真出每天的備件數(shù)量。最后根據(jù)保障率水平的指標確定機隊的備發(fā)件數(shù)，將其作為發(fā)動機備件數(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)動機離翼維修決策

1) 基于限壽件及硬件損傷的最低維修范圍

由于發(fā)動機各部件之間結構和功能上關聯(lián)性和復雜性，單機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)準確評估的基礎上，首先滿足限壽件以及其他硬件損傷修復的基礎上確定最低維修等級和范圍，進一步根據(jù)航空發(fā)動機性能恢復要求，以單機最低維修范圍為基礎，確定各單元體的維修等級，從而實現(xiàn)單元體維修決策的精確化和發(fā)動機維修的整體最優(yōu)化。

2) 送修目標導向的發(fā)動機維修工作范圍優(yōu)化

標導向的發(fā)動機維修工作范圍優(yōu)化流程如圖17 所示。航空發(fā)動機維修工作范圍包括其各組成單元體的維修級別、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)容的確定方法相對簡單，因此，航空發(fā)動機維修工作范圍優(yōu)化主要指的是其各組成單元體的維修級別的優(yōu)化。

圖17 航空發(fā)動機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 論

EHM的終極價值是通過智能視情維護維修保證乘客和機組人員的生命財產(chǎn)安全從而提供優(yōu)質(zhì)的客戶體驗、保證發(fā)動機機隊最大的可用率和最小的備發(fā)率、優(yōu)化航司的運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維修決策3個模塊實現(xiàn)。以GE、P&W、RR為首的國外OEM都將EHM視為核心競爭力，并紛紛推出全包服務方案；此外，三大OEM最近都在智能視情診斷與預測及維護維修決策上發(fā)力，希望進一步擴大其在OEM市場的份額和優(yōu)勢,這給國內(nèi)的民用發(fā)動機OEM帶來了極大的競爭壓力和研發(fā)動力。本綜述重點討論了EHM“下游”3個模塊地面綜合診斷、壽命管理和智能視情維護維修決策的需求、必要性、現(xiàn)狀及未來發(fā)展趨勢和熱點技術。包括基于深度學習、數(shù)字孿生模型、知識圖譜的故障診斷與預測、壽命管理、維護維修決策，都進行了討論。

致 謝

中國航發(fā)商用航空發(fā)動機有限責任公司馬晶瑋、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。