浅谈预测性维修对航空维修业的影响

随着工业物联网、机器学习、AR等技术的兴起，航空维修技术不断迭代升级，维修理念也在从以定期检查、提前更换为主要维修手段的预防性维修转向基于数据分析、趋势分析的预测性维修。国内外的OEM厂商、MRO和航空公司等都在尝试开发预测性维修技术，提高维修效率，降低维修成本，提升飞机的运行品质和安全运行水平。本文从技术发展、技术应用、发展障碍和挑战、发展方式等角度浅谈预测性维修对航空维修业的影响，希望能对国内的OEM厂商、航空公司、MRO等开发预测性维修项目或开展预测性维修研究给予一定的参考和启示。

1

预测性维修的发展

作为当前最新的飞机健康管理理念，预测性维修是指通过获取飞机上每个部件实时的健康数据，对数据流进行管理并且持续整合最新的维护记录，通过算法对数据分类、分析、整合，以预测单个或多个部件的故障，实时管控整个机队的状况，从而降低维修成本，提升安全性。

据奥纬咨询统计，过去20年中飞机健康状态管理系统得到了蓬勃发展。自2001年空客推出AIRMAN后，各类健康状态管理系统不断迭代完善，经历了从预防性维修、故障数据报告、性能监控到基于大数据、机器学习和神经网络技术的预测性维修的过程，如图1所示。

图1 过去20年飞机健康状态管理系统发展图

2020年2月，欧洲航空安全局（EASA) 发布了人工智能路线图（以人为本的AI在航空领域的应用方法），更是将基于工业级应用的人工智能技术上升到整个欧盟的战略。其中，人工智能（AI）在航空维修中的应用是重要组成部分。EASA在报告中指出，通过数字化，维修体系各个环节的数据量正在稳步增长。因此，依靠AI处理这些 数据的需求也在增加。基于AI的预测性维修在大数据的推动下，可以预测故障并提供相应的维修措施，大大提升维修的效果和效率，降低不必要的成本浪费。目前，部分企业已经意识到预测性维修的价值，率先开发了预测性维修平台，如空客的SKYWISE、汉莎技术的Aviatar、法荷航工程的PROGNOS等。

图2 SKYWISE的主要功能

2017年，空客推出SKYWISE平台，基于空客最新的、最优化的机队管理理论，为整个航空产业链的用户提供领先的数据分析服务，如图2所示。通过众多伙伴间的技术合作，SKYWISE能够帮助航空公司提升安全性、可靠性，更好地优化内部运营流程，降低运营成本，提升航空公司在工程和维护方面的效率。通过预测性维修、飞机健康监控和可靠性分析三个模块交替和循环使用，形成机队管理的闭环控制，对运行的飞机进行全周期的动态管理。据悉，达美航空公司使用SKYWISE对空客A320与A330机型进行预测性维修，大幅减少了因突发故障导致的航班取消次数。此外，未发现故障（NFF）的概率也仅为5%。目前，空客和达美航空公司正在进一步合作，研发新的预测性维修解决方案用以向其他航空公司提供服务。据悉，预测性维修能够将空调、客舱增压系统、电源系统、起落架、刹车及气源系统的非计划事件发生概率降低10%～50%。

Aviatar平台是汉莎技术基于多年的维修经验、维修能力和大数据结合形成的健康管理平台。它不仅能够预测部件，而且能够将预测结果与实际维修工作相关联。汉莎技术表示，航空公司可以基于预测性维修产生的潜在收益获取竞争优势。潜在收益则取决于部件的工作环境和航空公司所采用的维修服务。对某些部件而言，可以将非计划性拆换次数减少30%～40%。

2

对现有维修理念和体系的影响

预测性维修的发展将对现有航空维修理念和维修体系造成重大的变革，无论是计划性维修还是非计划性维修维修模式都将会发生改变，维修效率也将有 较大的提升，航空器的持续运行品质和安全性也将显著提高。

2.1

计划性维修

2018年4月，国际民航维修审查委员会政策委员会（IMRBPB）发布了 《IP 180 AHM INTEGRATION IN MSG-3》，旨在同意在MSG-3的分析中运用飞机健康状态管理系统（AHM），如图3所示，以提升飞机系统的安全性和可靠性，加强航空公司对飞机状态的认知，促进更有效和更有利的计划性维修任务，进一步提升计划性维修的经济性。

图3 AHM在MRBR任务中的应用与展示

空客在2019年10月举办的A350机型工业指导委员会（ISC）会议上，向所有运营A350飞机的航空公司介绍了空客准备在最新机型A350维修大纲（MRBR）中增加预测性维修技术的运用。预计新版MRBR（R06版）将在2021年底的ISC会议上提交审批。目前，空客正在积极与EASA和航空公司宣贯、交流、磋商，推进项目的实施和开展。

例如， 压力调节器滤芯勤务的工作，传统的MSG-3分析方法得出的维修间隔为750FH（飞行小时），而采用AHM状态监控后，每7天读取一次压差数据，并根据数据的读取情况进行视情更换，可大大提升维修效率和经济性。

2.2

非计划性维修

非计划性维修指飞机发生突发故障，造成意外的停场维修。目前，包括空客、波音、GE、罗罗等OEM厂商都开发了相关的状态监控系统。例如，空客的AIRMAN，可以通过空地数据链的传输，实时跟踪飞机的技术状态。当飞机在空中飞行时，工程师可以通过远程趋势监控，及时发现一些潜在的故障，及时与机组沟通告知操作事项，紧急时可通知机组预先做出决策，寻找备降机场，保证飞机的安全运行。此外，飞机落地前AIRMAN也可以提前通知生产准备和实施维修的各个部门，以便准备好工装、航材、排故手册等维修资料，大大提升了维修效率，减少了飞机意外停场时间。

2.3

部件预测性维修

发动机作为整架飞机价值最高的部件，业内对发动机的趋势监控研究已持续了数十年。各大发动机厂商也都开发出了性能优异的趋势监控软件，帮助客户提升发动机机队管理能力，避免发动机突发故障造成不安全事件，做到“早发现，早排查”。近几年非发动机部件方面的研究也开始兴起，伴随着波音787、空客A350等具有E化（数字化）能力飞机的出现，飞机传感器数量上升到百万级，数据采集能力大大提升，使之对飞机机上各部件进行监控和预测性分析成为了可能。

图4 SKYWISE界面展示

3

发展障碍和挑战

通过上文的论述和分析，不难发现预测性维修对整个航空维修体系、航空器的运行安全有着明显的促进作用，但也面临着许多障碍和挑战。其中包括传统飞机数据缺乏、工程技术能力不足、数据使用限制等。有报告指出，预测性维修发展的最大障碍是缺乏工程专业知识，行业中具备有效实施预测性维修能力的公司为数不多，即拥有大型自有机队或第三方数据且掌握了数十年的维修经验的公司很少。此外，缺乏数据共享、性能更优、成本更低的机载通信服务，这些都在影响预测性维修技术的普及。

1）数据缺乏

预测性维修的基础是数据，而数据的主要来源是传感器。传统飞机的传感器数量明显少于最新的机型。例如，波音777能够发出的警告数据是波音737 NG的4倍。装备FOMAX（Flight Ops & MAintenance eXchange）系统的A320飞机可利用参数为24000 项，每个航段可存储约12GB的数据。数据量是未安装FOMAX飞机的数倍。因此，如果要对传统机型进行预测性维修，需要增加相应的传感器或者其他运行数据。增设传感器又可能涉及物理限制和法规限 制，这都对预测性维修的开展形成了很大的障碍。此外，尽管航空公司、MRO对传统飞机拥有更多的维护经验，但是由于缺少数据采集能力而导致维修数据缺乏；相比之下，新型飞机数据量大，且新飞机可靠性较高，能解决关键故障的预测，但是维护实践经验较少。

2）数据使用限制

数据控制对于预测性维修技术的推广影响很大。预测性维修极大地改变了航空公司与OEM厂商以及MRO的合作方式。然而，越来越多的OEM厂商因为数据保护等原因被限制访问航空公司、MRO和其他参与者的运营数据。航空公司内部系统的整合，数据接口问题同样会妨碍预测性维修开展。另外，法规方面的限制也会阻碍了数据共享。因此发展新技术的同时，航空法规也需要进一步跟进，监管者必须找到适应新飞机维修方式的监管方法。

3）难以匹配用户的需求

预测性维修主要依靠机器学习和神经网络算法。但是这些算法的可解释性较差，如何使公司的管理层和专业的工程师认同，成为了难题。此外，见效慢也是一个障碍，航空公司受到运行、监管等外界压力往往想要快速得到结果，而预测性维修方案往往需要耗费较长的时间逐步积累数据，否则校准模型难以有进展。此外，现有的预测技术对于业内重大典型的故障预测效果并没有展现出优势。许多突发故障或部件瞬时失效，难以通过预测发现。例如，液压管路裂纹产生的瞬间失效导致液压油箱漏空，进而造成起落架重力放，目前还很难依靠现有的数据分析主动发现。

4）投入产出比难以计算

对预测性维修技术前期投入是巨大的，哪怕是选择购买平台服务的形式都 需要付出高额的成本。但是实际所获得的收益又却是难以计算的，可谓是潜在收益，如减少了AOG次数，使得利用率提升，运营收益升高；或者是提前发现小故障，减少大修成本等。但是这些经济层面的数据较难量化和计算，这也是许多公司在做决策时踌躇的原因。

5）预测的准确性

目前，机器学习算法的准确性基本能达到90%甚至更高。但是对于航空维修业来说，任何的偏差都有可能造成灾难性后果或严重的经济损失。因此，如何提升算法的准确度是摆在维修专家和数据科学家面前的巨大挑战。

4

有效开展预测性维修的途径

目前，业内关于预测性维修的讨论非常热烈。那么，除了加强收集数据、研究先进算法之外，应当如何才能有效开展预测性维修呢？笔者认为需要从理 念、方法、技术三个层面去分析。

4.1

理念层面

公司自上而下需要形成数字化转型的理念，思维模式要向数据驱动、数据决策转变。将自身的实际情况、已有的维修经验、维修能力与预测性维修、大数据分析等技术结合，对公司管理流程进行再造，将运行数据尽可能地数字化，再与技术应用进行深度融合。

据悉，国内航空公司已着手尝试各种方式开发预测性维修应用，以点带面推动着数字化转型。例如，厦门航空举办了维修数据算法大赛，通过竞赛的形式激发员工开发数字化应用。参赛选手利用发生故障前后15天的QAR作为训练数据，利用Python建立算法模型锁定故障，预测故障。又如，春秋航空与空客合作开发SKYWISE应用；山东航空建立监控软件对波音737电子流量活门进行监控等等。

4.2

方法层面

2）增加算法的可解释性，充分信任预测结果。在数字化时代的工程师必须充分信任诊断的结论，而不仅仅是凭经验做出判断。此外，算法工程师应尽可能增加算法的可解释性使工程师更相信预测结果。

3）维修计划智能化匹配。在制订维修计划时，需要利用数据确定何时进行计划外的部件拆换；结合实际的运行环境和航班情况调整计划性维修的实施时间。

4）供应链管理应为预测性维修提供支持。对预测性维修建议做出敏捷快速响应，确保各个生产要素准备到位进行维修工作。

5）对基础框架的改造，增设传感器，利用5G技术加强航空器与后台服务器的通信和交互，持续投入对算法的研发，提升预测准确性。

4.3

技术层面

例如，对A350飞机气体分离组件（ASM）持续监控，如图5、6所示，提前预测ASM组件的性能衰退 ( 监测值大于6)，及时告知工程师和维修人员进行更换。

此外，应用开源的数据分析平台也是快速部署预测性维修应用的好手段。微软ASURE平台就是很好的例子，如图7所示，ASURE上设置了针对航空航天的预测性方案模板。该模板结合使用寿命，运行环境等参数，提供了航空发动机的剩余使用寿命 (RUL) 计算试验。用户可通过注入自己的数据集进行客户化的分析。经过数据分析处理后可转入Power BI，工程师可以在这个界面进行可视化分析。将机器学习的结果与实际工程经验进行匹配和融合。随着政府、企业和大学等对AI技术的投入越来越多，在技术层面一定会取得快速发展。