人工智能在CBM+中的应用研究

罗智勇 刘洁 宋海方 谢永兴

摘要：通过维修分类和CBM+的定义说明了CBM+的理念内涵，简要介绍了CBM+的核心RCM和CBM以及它们之间的关系，并从CBM+的核心出发分析了当前CBM+的限制，最后结合美军人工智能技术在CBM+中的应用讨论了几点启示。

关键词：人工智能；CBM+；航空维修

Keywords：artificial intelligence；condition based maintenance plus；MRO

CBM+即Condition Based Maintenance Plus，为增强型视情维修。美国国防部（Department of Defense，DOD）自2006年以来一直在使用CBM+流程、技术和基于知识的能力作为增加物资战备和控制生命周期成本的战略[1]。2007年在国防部指令4151.22中确立了CBM+策略，并于2008年1月发布了CBM+指南。2018年，美国空军选择B-1和C-5作为CBM+的试点并取得了理想效果[2]。2019年CBM+开始在美国空军中逐步推广，根据美军快速维持办公室（Rapid Sustainment Office，RSO）2021年度第一季度報告，在2021年底CBM+将扩展到C-5、C-130、C-17、B-52、F-15等16个空军飞机平台。

本文基于视情维修理论，梳理了CBM+中的各项关系，并结合美军依靠人工智能技术发展应用CBM+，提出了几点启示。

1 CBM+概述

1.1维修类别

根据执行方法，维修分为三个类别——事后维修、预防性维修和预测性维修。三类维修的简单说明见表1。

根据设备的特性和环境，这些方法中的任何一种都可以使用。但是，实际中通常会选择向更有效、更主动的维护策略。

1.2 CBM+简介

美军国防部4145.22号指南[1]中将CBM+定义为一种适当的流程、技术、应用的集成，CBM+是将维护从故障发生时的计划外的被动方法，转变为由状态感应和基于综合决策分析驱动的、更主动更具预测性的方法，如图1。符号“+”代表着添加与联合，很难将CBM+定义在单个目标上，因为它涵盖了广泛的技术和实践的内容，包含了预测性维修的技术、理念、流程和工具。随着各类新技术的出现，CBM+的内容日益丰富。

2 CBM+的核心和限制

CBM+的核心是可靠性为中心的维修（Reliability-Centered Maintenance，RCM）和视情维修（Condition Based Maintenance，CBM）。RCM是CBM+的第一步，RCM根据系统可靠性特征和预期的操作环境确定装备或设备适用维修方式技术，决策逻辑树如图2[3]。

CBM是使用传感器或便携式设备进行数据测量，或者进行第一手观察，将观察的状态和测量数据作为有效依据进行维护。CBM是实施CBM+的基础，它通过数据确定预测性维修中能探测的潜在故障点，图3中的P点，以此作为实施维修的参考点。

CBM+的核心可以理解为采用一定的算法将收集的数据处理为有助于装备维修的有关信息，然后依据信息能实施预测性维修，如图4。

如今，随着老旧机型的改装升级，飞机上的传感器越来越丰富，同时随着信息技术发展，数据的传输、转换和存储问题也逐步解决。数据不再是限制CBM+实施应用的主要因素，关键是如何将数据转换为信息进而形成决策。但是现在的数据体量空前巨大，这种大已经远远超出了传统计算处理数据的能力，导致数据专业人员难以对其进行分析、管理并获取信息。例如，洛克希德马丁公司需要多个工人花费数月的时间分析C-130J“超级大力神”飞机的飞行数据，因为全球部署了进行搜救、科研、空中加油等各项工作的大约2500架C-130飞机，每架飞机每个飞行小时就会产生72000行的数据。

3 人工智能在CBM+中的应用

人工智能（Artificial Intelligence，AI）是机器或计算机程序思考和学习的能力。它提供了计算机执行传统上需要人类智能完成任务的能力。机器学习（Machine learning，ML）是AI的子集，是指访问数据时可以自行学习的系统。借助AI和ML技术，能够帮助处理庞大而复杂的数据。面对庞杂的飞机传感器数据和维护历史记录，在CBM+中使用AI既能改善维护数据质量又能迅速完成数据分析获得装备信息。下面以美军为例介绍人工智能在CBM+中的应用。

3.1机器学习提高数据质量

美国空军当前采用PANDATATECH公司的数据质量方法（DQM）。此方法使用动态的机器学习建模能够帮助操作人员验证来自传感器的信号，具体步骤如图5。经过DQM之后能突出关键数据，能够获得更高质量的信息，进而能更好地帮助维修工作[4]。相对于人工数据处理，DQM可以节省超过50%用于清洁、映射和验证传感器信号的时间，并且数据量越庞杂时使用DQM的优势越明显。例如，处理450万个数据节点人工验证大约需要1天，而DQM只需用6分钟。该方法虽然不能直接完成决策，但是它能优化自动化中出现的错报和误报，帮助其他算法做出更好的决策，减少不必要的维护。DQM极大改善了输入的数据质量，使数据专业人员能够减少重复性的和时间密集型的数据处理任务，使其能将时间和精力集中在数据分析上。

3.2人工智能识别部件风险

C3.AI公司为美国空军提供了一套预测维修系统，此系统通过人工智能驱动进行分析预测，从而能够提高资产可靠性、确定预防措施的优先级。系统包括全面的有监督和无监督人工智能算法套件、非结构化文本的自然语言算法，可用于解决多个部件的故障情况。系统为航空兵部队管理人员和维护人员提供了全部飞机的风险情况，系统可以查看推进、液压、燃料、电力、飞行仪表、起落架等飞机中所有受监视的子系统。通过简单直观的屏幕，维护人员可以有效地评估发生故障的可能性。如图6，0.64分表明X13飞机的引擎系统在接下来的30个飞行小时内发生故障的可能性较高，通过人工智能驱动的预测性分析你可以看见AAE80部件是最可能坏的部件。美军已部署在C-5、B-2两个机型上并证明该系统具备提前10～50飞行小时预测故障的能力，使用该系统能使飞机可用性增加40%，受监控系统的计划外维护减少20%～40%。

4 启示

如上分析美军人工智能技术在CBM+中的应用，可以得出以下三点启示。

1）转变维修思维，以数据驱动维修。CBM+之所以能够提高效能，缩短维护周期，降低成本，提高装备可用性和可靠性，是因为CBM+能够利用数据准确评估航空装备的状态并预测故障，让维修更具针对性、更加可控。从预防维修和事后维修的劳动密集性经验为主的方式，变为精准计划预测为主。这样的转变需要维修人员充分依靠数据相信CBM+精准的决策信息，航空装备维修不再是依靠经验和工作量来确保维修质量。

2）合理利用人工智技术实施维修。数据改变了现有的维修方式，但是庞大的数据体量和杂乱的数据格式空前增加了处理分析的难度，如果仅仅依靠专业人员进行数据分析处理会花费大量的时间，所以需要引入人工智能技术帮助人员处理。但是使用人工智能技术并不是意味着所有维修决策完全不用人参与、全凭算法分析，或者说现在的技术还无法实现无人化。在数据处理的哪一个环节加入人工智能能够最大程度地实现可靠性和效能的最大化，是我们需要研究探索的。目前美军将人工智能技术应用在了数据整理和风险评估两个环节，我们可以以此为鉴在航空装备维修中合理应用人工智能技术。

3）使用新技术挖掘历史数据的价值。美军目前实施CBM+计划的B-1和C-5飞机都是服役几十年时间的老机型，对我军实施CBM+有非常重要的参考价值。有很多服役时间较长的飞机在维护过程中采集并存储了各种来源的数据，如历史维护记录、机器中的传感器数据和天气数据等。但是过去由于技术限制，没有办法分析各类数据与故障的相关性。如今，我们可以使用新技术應用新开发的算法对历史数据实施分析，尝试将历史数据转变为有意义的装备故障趋势，以确保维修人员更正确更全面的认识数据和知识，进一步帮助航空装备提高维修可用性和可靠性，降低平均停场时间和维护成本。

参考文献

[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