数据科学在航空制造业中的应用与分析

李富强

（中国航空工业集团公司成都飞机设计研究所 四川成都 610091）

目前，数据科学正在对工程实践中的前沿技术进行大范围重构，而且这一重构很可能是跨科学、技术和工业领域的。数据科学与20 世纪60年代的科学计算革命十分相似，后者造就了革命性的工程范式，实现了对复杂工程系统的精确仿真。实际上，科学计算通过基于物理的模拟器实现了飞机的原型设计，为航空制造业节约了大量成本［1］。

通过近年在数据收集和存储能力上的大幅提升，工程领域应用数据已不再新鲜，很多领域已经进入了数据密集型分析的新时代。作为高新技术产业的航空制造业，是典型的数据密集型领域，通过科学地应用这些数据，可在很多方面进行数据驱动型分析，帮助实现技术优化，便于进一步应用机器学习技术和数字孪生技术。

1 数据科学与航空制造业

对于数据科学和航空制造业的融合发展来说，能够产生巨大影响的因素主要包括：（1）正在不断增长的海量数据；（2）高性能计算的进步；（3）传感技术、数据存储和数据传输的进步；（4）统计学和应用数学领域中可扩展性算法的进步；（5）对开源软件和基础研究的大量投入［2］。相较于其他领域，航空制造业更具有实现数据驱动进步的机会，因为航空制造业不仅积累有大量数据而且工程实践往往已经建立在有约束的多目标优化框架上，非常适合基于数据驱动的分析。现代航空制造的每个阶段都是数据密集型的，包括制造、测试和服务。

通常，数据驱动的发现模式被称为第四范式，第四范式并非要扮演取代者的角色，它实际上是对所建立的理论、试验和数值研究模式进行补充。在过去的半个世纪里，第四范式同计算科学的出现有着显著的平行关系，不是取代，而是对理论和试验的增强。就像现在实现的计算能力水平一样，将来数据科学也会达到预期的水平。航空制造业的数据密集型转型可以从过去数十年的数字化转型中吸取经验［3］。在转型过程中，可能最明显的变化就是研究人员和工程师团队会形成专业知识和基本的数据科学能力。与此同时，航空制造业研究和开发周期也将发生改变。

2 数据科学的应用与分析

随着数据科学的不断发展，尤其是在端到端数据库管理和操作上的不断改进，在设计、制造和测试整个过程中创建数字线程就成为可能，进而可能显著优化航空设计和制造流程。国外已经在飞机设计和预测性装配等方面进行了有益探索，有的已经取得了相当大的成功。

2.1 应用案例

2.1.1 飞机设计与测试

V-22是一种多用途倾旋翼作战飞机，设计初衷是能像直升机一样起降，同时又具有固定翼飞机的航程和速度。要实现这些能力会有相当大的工程挑战，如倾转旋翼的工作机制、空气动力学和控制系统。V-22的研发和测试一度因工程延误、成本超支和安全事故而陷入困境。为此，有研究尝试使用数据科学和数字孪生来帮助V-22的设计和测试。研究的结论是，数字孪生技术不但有助于安全问题的解决，而且有助于按计划进行设计。

V-22的评审组在2001年建议“扩展高下降率测试和编队试飞，目的是在所有适当的飞行条件下充分确定和了解飞行包线的高风险部分”。评审组进一步建议使用高风险、高下降率的测试结果来更新飞机的限制边界并将其应用于飞行模拟器。此外，由于2004年4月发生了一起涉及高下降率和编队飞行的事故，按要求进行了额外的高下降率测试。调查的结果是，事故由一种被称作涡环状态的气动条件引起。涡环状态是旋翼飞机在低速前进和高速下降时发生的一种非定常气动条件，在这种气动条件下，由于旋翼飞机无法飞离旋翼尾流，导致了高度不稳定气流的产生。对于直升机来说，这种情况通常会导致高下降率；而对于倾旋翼飞机而言，则通常会导致滚降。这两种情况都很危险，尤其是在离地面很近的地方。所以，涡环状态仍然是一个非常重要的研究领域。

数字孪生的目标是架起一座沟通物理世界和虚拟世界的桥梁。相较于传统的建模而言，数字孪生有两大不同点：（1）通过实际数据不断学习并更新内部模型；（2）跨系统集成一个或多个物理模型的数据［4］。为了让数字孪生不断学习，需要进行测试、更新和再测试。以V-22为例，数字孪生可以从涡环状态的建模开始，然后加入试飞数据。离散建模可以作为一种数据驱动方法来解释和更新模型的散度。在编队飞行期间，V-22的飞行员至少经历了两次严重的非指令性滚转。鉴于此，V-22进行了大量的编队飞行和高下降率试飞。对于跨系统综合多模型来说，将涡环状态模型和编队飞行模型结合起来是一种较为理想的做法。在有数据可用的情况下，综合的目标就是模型收敛，或是连接物理和虚拟状态，使数字模型可以精确表示物理环境。集成非定常、非线性、多物理模型并非易事，使用实时降阶模型有助于发现和探索试飞中有显著模型差异的部分。当将两个模型合并形成一个数字孪生体时，在机器学习优化中，使用物理知识学习和自定义正则化有助于维持物理约束条件［5］。利用这种增强模型，从大量的模拟中学习是有好处的，飞行测试可以被减少至几个关键的试验条件：安全、关键任务和模型确认。

2.1.2 预测性装配与填隙

在飞机制造中，由于飞机组件来自全球各地，因此公差会很高。即使零件是按照规范生产的，但是由于制造公差会叠加在大型结构上，所以组装时结构件之间很可能会有明显的间隙。在零件与零件组装中，其中一项最费时、费力的工作就是按照飞机的工程标称形状进行填隙。现代飞机可能需要数以千计的定制垫片来填充飞机结构件之间的间隙。在飞机制造中，为了获得最佳气动效率，需要严格按照工程标称构型来进行生产。工程标称构型要求不仅要消除间隙，同时，还要保持结构性能和最小化下拉力，而这些都需要用到垫片。

以前，需要人工测量间隙，制造并塞入定制垫片，通常还会涉及拆卸和重新组装。近年来，三维扫描技术的进步使组装前进行表面测量成为现实，也就是预测性填隙。间隙填充是一个很耗时的过程，需要成本很高的人工检测，而且随着计量设备越来越复杂，产生了海量数据需要进行计算。这两种情况，无论是哪一种，都会造成工期大幅延误。

针对预测性装配与填隙，有研究者提出了一种基于数据科学的预测性填隙策略，目的是从历史数据中学习间隙分布，然后设计出优化后的稀疏感知策略，从而简化数据收集和处理。新的方法基于以下假设，即飞机上的垫片分布存在一定的模式，而这些模式可以从历史生产数据中挖掘出来，并可以用于减轻未来飞机的数据收集和处理负担。具体而言，就是利用鲁棒性主成分分析法（RPCA）来抽取间隙测量中的低维模式，同时，将离群值排除掉。鲁棒性主成分分析法基于计算有效的奇异值分解（SVD），能够在飞机测量中生成绝大多数相关的空间结构，识别出不同飞机的高方差区域［6］。接下来，就是获得优化后的稀疏传感器。这种方法在波音公司内部被称作“在传感器存在不确定性情况下的像素识别技术”（PIXI-DUST）。该方法通过54 架典型的波音商用飞机的历史生产数据进行了成功的演示验证，验证中，仅使用通常所需激光扫描点的3%，就成功预测了在期望测量公差范围内99%的垫片间隙，而且所有结果都经过了严格的交叉验证。

这一方法在对填隙的预测上结合了鲁棒性降维和稀疏传感器优化算法，大大减少了对飞机进行填隙所需的测量次数，尤其是使用鲁棒性主成分分析法从飞机的历史生产数据中提取到了相干模式。因此，鲁棒性主成分分析法被用于生成高维飞机计量数据的低维表示。

2.2 航空制造业应用数据科学的机会

随着数据科学的发展，航空制造业将进一步实现同数据密集型分析技术和机器学习技术的融合，届时，航空制造业将在方方面面感受到数据科学所带来的变革性影响。

2.2.1 制造工厂

工艺设计、再利用与标准化、过程控制、安全性、生产能力、再生产能力、检验、自动化、钻孔及填隙等。

2.2.2 测试与评估

流水线测试、认证、异常检测及数据驱动建模等。

2.2.3 飞机

检查、设计与性能、材料、维护、预研产品研发。

2.2.4 人机交互

高级设计界面、交互可视化、自然语言交互。

2.2.5 业务运营

供应链、销售、人力资源及市场。

如图1所示，除了这些工程实践上的改进外，数据密集型分析的进步也正在推动航空关键领域基础研究的发展，如流体力学和材料科学。尤为重要的是，通过将数据科学同现有方法和工作流程相结合，不仅可以实现预测性分析的重大变革，还能直接从数据中获得设计见解。

图1 数据驱动型的航空制造业

2.3 航空制造业应用数据科学面临的挑战

尽管在航空制造业中通过融合数据科学有着巨大的潜在收益，但同时也面临着诸多挑战。首先，安全在航空制造业中是十分重要的一个方面，因此，数据驱动模型必须是可认证和可验证的，必须能够基于训练数据进行泛化，能够进行解释和说明。另外，收集海量数据可能会导致数据抵押，只是简单地对这些数据进行收集和维护，其成本就高得令人却步，更不要说这些数据对下游分析来说还非常麻烦。在航空领域，客户多样性极高，通常需要很多公司和机构来分别完成培训与认证，其行业稳健程度远高于其他行业。此外，工业部门和国防部门之间也存在着根本性的差异，限制了设计共享、技术转让和联合测试。实际上，就拿波音公司来说，对商用和军用飞行器的测试与评估也是近年才纳入一个部门，而且很多工作仍然是分开来做。

3 结语

数据科学的迅速发展已在很多前沿关键技术的突破上起到了积极作用。随着机器学习技术的不断发展，数据将会在越来越多的领域发展越来越大的作用，很有可能会发展成为未来工程领域的核心能力。在数据科学的垂直应用领域中，航空制造业有着得天独厚的优势。航空制造业本身就是一个数据密集型领域，在过去的发展中积累了大量的数据，尤其是在设计、制造、测试和产品支持方面，这方面的特点尤其明显，可作为应用数据科学的优先发展领域。从美国在这方面的应用实践来看，数据科学能够通过技术优化来为航空制造业提质增效。未来，随着机器学习技术的不断发展，数据科学为航空制造业带来的价值将会更加凸显。