基于维护信息的飞机驾驶舱效应预测

姜 南，马存宝

（1.西安阎良航空高技术产业基地管委会投资服务二局，陕西 西安710089；2.西北工业大学航空学院，陕西 西安710072）

0 引言

预测健康管理技术可以有效降低运行费用并提高可用性［1］，伴随着PHM技术成为新一代飞机设计和使用中的重要组成部分，它代表从被动式到主动式的转变［2］。在飞机航线维护工作中，驾驶仓效应（FDE）故障的维修和排除是一件比较困难的工作，花费高［3］。如果识别出维护信息和出现驾驶舱效应的预测关系，那么就可以在飞机子系统失效之前进行维护以防止出现FDE。根据飞机健康管理地面子系统收到的维护信息和故障信息，建立维护信息和故障信息的预测关系；再通过获取MMSG的出现时间，计算距离将要出现FDE的时间间隔TTF（time to FDE），以实现预测未来故障的目的。

1 基本概念

1.1 驾驶舱效应

飞机驾驶舱前面板的显示器构成综合显示系统，可以显示来自飞机众多系统的飞行、导航和发动机方面的故障指示。这些指示包括主飞行显示的故障报告、导航显示屏上显示的故障旗和EICAS主显示屏上的信息，统称为驾驶舱效应（FDE）。

1.2 维护信息

飞机各子系统BITE检测到故障并进行隔离后，将故障情况以FDE的形式显示出来，并以维护信息（MMSG）数据的形式传给中央维护系统。MMSG提供详细故障信息给机务人员，机务人员根据它制定维修措施。

2 驾驶舱效应预测方法

飞机故障预测系统收到维护信息数据和故障信息数据之后，首先要对维护信息数据和故障信息数据进行筛选，确定哪些维护信息可能预测故障，再建立可能的维护信息和故障信息的预测关系，最后通过MMSG的出现时刻，计算距离出现对应FDE的时间间隔TTF。下面将阐述基于MMSG预测FDE的具体方法。

2.1 读取MMSG数据与FDE数据

维护信息数据和故障信息数据来源于中央维护计算机，MMSG和（或）FDE发生期间，维护信息数据和故障数据都与惟一的标识相联系。故障信息／状态信息可通过数据链或数据记录卡下载到地面处理系统中分析［4］。

2.2 消除坏值

试飞时，飞行员为测试目的而引入的坏值以及从CMC未能完整下载数据的坏值都需要消除。

2.3 识别潜在重要的MMSG－FDE对

潜在重要的 MMSG－FDE对意味着特定MMSG有可能预测特定的FDE，该MMSG和该FDE构成一个MMSG－FDE对。

一个特定FDE在连续的架次出现，就构成FDE串，识别潜在重要的MMSG－FDE对的第1步是识别出FDE串。一个MMSG出现在FDE串附近，则MMSG与FDE构成潜在重要的对。

2.4 确定真正重要的MMSG－FDE对

对于每个潜在重要 MMSG－FDE对，要识别出真正重要MMSG－FDE对。该步骤需要计算以下几个参数。

①特定MMSG在特定FDE串之前和之中出现的次数，用M（b／w）来表示；②特定 MMSG在特定FDE串之前以及不在FDE串中出现的次数，用M（b／wo）来表示；③特定MMSG在特定FDE串之后出现的次数，用 M（a）来表示。先将 M（b／w），M（b／wo），M（a）分别除以特定MMSG出现的总数（用M（t）来表示），再将 M（b／w），M（b／wo），M（a）分别除以特定FDE出现的总数（用F（t）来表示），得到潜在重要MMSG－FDE对的6个重要数据分别为M（b／w）／M（t），M（b／wo）／M（t），M（a）／M（t），M（b／w）／F（t），M（b／wo）／F（t），M（a）／F（t）。

这6个重要数据中任意一个值超过（或十分接近）1，那么数据就要删除，即潜在重要 MMSGFDE对被排除。此时，未被排除的 MMSG－FDE对再利用以上已得到6个重要数据，计算4个列指标，Col.A，Col.B，Col.C，Col.D 分别为 M（b／w）／M（t）－M（a）／M（t）；M（b／wo）／M（t）－M （a）／M（t）；M（b／w）／F（t）－M（a）／F（t）；M（b／wo）／F（t）－M （a）／F（t）。

确定真正重要MMSG－FDE对的流程如图1所示。先对A，B，C，D4列的值进行排名，值越大，排名就越靠前。接下来对每一个MMSG－FDE对所对应的Col.A的排名与Col.C的排名进行相加，用AC rank表示；对应的Col.B的排名与Col.D的排名进行相加，用B－D rank表示。接下来，A－C rank和B－D rank需要与预定义的截止门限进行比较，排名过于靠后的，其预测能力越差，将予以删除。例如：当A－C rank和B－D rank都大于200（预定义）时，表明这个MMSG－FDE对不重要，可以再次滤除。而截止门限并不固定，而是可以在50～350之间变动。如果仅仅Col.A的值比较高，说明MMSG是个触发器，对FDE不可预测；如果Col.B的值比较高，说明MMSG是个先兆，对FDE可预测。

图1 确定真正重要MMSG－FDE对的流程

如果MMSG与FDE来自同一章，用Col.B的值与0.05比较，如果 Col.B 值＞0.05，则说明MMSG－FDE对是重要的（可预测的）。因此，重要MMSG－FDE对被识别出来。如果MMSG与FDE不是来自同一ATA章，用Col.B的值与0.4进行比较，如果Col.B 值＞0.4，则说明 MMSG－FDE对是重要的（可预测的）。因此，重要 MMSG－FDE对被识别出来。

2.5 识别MMSG串和FDE串

在确定了能够预测FDE的MMSG－FDE对后，就可以计算MMSG出现到FDE出现的时间间隔，即TTF，其单位可以是飞行次数，也可以是飞行小时。

为了计算TTF，需要识别出每个 MMSG－FDE对的MMSG串和FDE串，所采用的方法是计算滑动平均，下面也称作强度。

2.5.1 识别 MMSG串

对于某飞机上出现的某个 MMSG，MMSG强度的定义为：在某次飞行及其前（Y－1）次飞行中MMSG出现的次数与飞行总数Y之商，即以Y次飞行为窗口的MMSG出现次数的滑动平均值。Y会随着不同ATA章节的MMSG而改变。

每一个飞行MMSG强度都完成计算后，MMSG强度超过预设门限的飞行被识别出来。当MMSG强度大于门限时，每一个连续航班序列就是一个MMSG串。

2.5.2 识别FDE串

在飞行过程中，当一个FDE强度超过一个预设门限，这样的飞行被识别出来。而这个预设门限不同于MMSG门限，当FDE强度大于该门限时，每一个连续航班序列就是一个FDE串。

2.6 确定TTF

对于一个MMSG和一个相关FDE的出现，从MMSG串开始到相关FDE串开始之间的架次就是出现FDE的时间间隔，即TTF。在大量TTF历史数据中，由MMSG引发FDE出现的时间间隔中的最大值，称为最大小时数，由MMSG引发FDE出现的时间间隔中的最小值，称为最小小时数。所有MMSG引发FDE出现的时间间隔中，MMSG引发FDE的事件中有25%的数量出现在P25＿小时内。同理，可以得到P50＿小时、P75＿小时、P90＿小时的关键点。

根据以上几个关键点，连接画出TTF曲线，便得到MMSG引发FDE的概率随时间的变化情况。

3 预测算例

假设MMSG在特定FDE串之前和之中出现了4次，即M（b／w）＝4；特定 MMSG在特定FDE串之前以及不在之中出现了2次，即M（b／wo）＝2；特定MMSG在特定FDE串之后出现了1次，即M（a）＝1；特定 MMSG出现总次数为5次，即M（t）＝5。

为说明筛选真正重要的 MMSG－FDE对的过程，假设以下2种情况作为示例。

a.情况1。假设特定FDE出现总次数为2次，即F（t）＝2，则：

由于存在比1大的参数。因此，该潜在MMSG－FDE对要删除。

b.情况2。假设特定FDE出现总次数为8次，F（t）＝8；

因为参数均小于1，所以潜在 MMSG－FDE对要保留下来。如表1所示。

表1 指标列表

根据前面所提方法，对A，B，C，D列的参数值进行排列。若A列排名为第2名，C列排名为第3名，则A－C Rank＝2＋3＝5＜200（预设门限）。

根据MMSG强度和FDE强度，由此识别出MMSG串、FDE串。2个串头时间间隔就是TTF。以下算例的目的为说明预测FDE的方法。历史实际统计的TTF值（单位：h）共100个，由小到大排列后如下：

1.71，1.72，…，1.99，2.00，2.32，…，5.92，6.00，…，12.95，13.00，…，14.35，14.50，15.11，15.34，15.59，16.37，16.80，17.12，17.43，17.67，17.88，18.00；

这100个TTF值中，有25个值在2h以内，有50个值在6h以内，有75个值在13h以内，有90个值在14.5h以内，即，P25＝2.00h，P50＝6.00h，P75＝13.00h，P90＝14.50h。

以上关键点对应的时间百分数如下：

PT25＝2／18×100% ＝11.11%；

PT50＝6／18×100% ＝33.33%；

PT75＝13／18×100% ＝72.22%；

PT90＝14.5／18×100% ＝80.56%；

连接以上关键点，可以画出TTF分布曲线图，如图2所示。图2中横坐标代表时间百分比，纵坐标代表MMSG引发成为FDE的概率。折线表示TTF分布情况。竖线代表变成FDE的紧迫性，它表示MMSG出现一段时间后，当前MMSG引发FDE的可能性。例如：当一个可预测的维护信息出现5.4h（即图2中时间百分比30%）后，由TTF分布图可知，该MMSG引发成为FDE的概率为46.2%。维修人员可以根据这个概率的大小，决定是否进行与该FDE相关的预防性维修，避免FDE出现而造成飞行事件或非计划维修增多。

图2 TTF分布曲线

4 结束语

基于维护信息的飞机驾驶舱效应预测，通过筛选可预测MMSG－FDE对，进而建立维护信息与驾驶舱效应的预测关系，构建出TTF图，最终预测FDE出现的时间及概率。该方法对于飞机故障进行预防性维修，保证飞机的安全性和任务完备性，以及降低维护费用具有重要意义。

［1］ Cao Zhisheng，Ma Lin，Liu Rui，et al.Combine RCM and PHM to impact on logistics system［A］.Prognostics and System Health Management Conference（PHM－Shenzhen）［C］.2011.1－4.

［2］ 龙 凤，王 忠，程绪建，等.航天电子产品的PHM技术研究［J］.微电子学与计算机，2010，27（10）：96.－100

［3］ Wu Jingmin.Research on the key points of life－cycle control and analysis of civil aircraft maintenance costs［D］.Nanjing：Nanjing University of Aeronautics and Astronautics，2006.

［4］ 赵瑞云.民用飞机记载维护系统的中央维护系统功能［J］.中国民航大学学报，2008，26（5）：39－42.