基于OSA-CBM的飛機狀態(tài)監(jiān)控技術研究

上海飛機設計研究院　余　匯

基于OSA-CBM的飛機狀態(tài)監(jiān)控技術研究

上海飛機設計研究院余匯

本文以飛機狀態(tài)監(jiān)控為研究對象，分析了當前狀態(tài)監(jiān)控的應用背景。面對飛機/系統(tǒng)的故障診斷和健康評估問題的復雜性，采用深度學習方法對傳感器采集數據進行特征表達，完成狀態(tài)信息從數據向知識的轉化。在實現準確的故障診斷和精確的健康評估的同時，也為OSA-CBM體系提供了基于知識和專家系統(tǒng)的決策支持。結合OSA-CBM體系的特征，制定了系統(tǒng)實施構架，并對系統(tǒng)的應用領域進行了分析，為OSA-CBM在民用飛機上的應用提供了實施思路。

OSA-CBM；狀態(tài)監(jiān)控與預測；機載維護系統(tǒng)

1　引言

隨著民用飛機向復雜化集成化的方向不斷地發(fā)展，飛機/系統(tǒng)的故障現象也趨于復雜，但與此同時，隨著新技術在飛機上的應用，飛機/系統(tǒng)的故障診斷技術也產生了新的發(fā)展空間，傳統(tǒng)的電子設備故障診斷技術開始逐步向故障預測與健康監(jiān)控的方向發(fā)展。20世紀90年代初期，NASA 研究機構提出了“飛行器健康監(jiān)控（VHM）”概念，通過適當選擇和使用傳感器和軟件來監(jiān)測空間飛行目標的“健康”［1］。20世紀90年代末，美國研發(fā)的JSF項目為故障預測與健康管理技術誕生帶來了契機，故障預測與健康管理是JSF項目實現經濟承受性、保障性和生存性目標的一個關鍵所在［2］。

近年來已提出了基于“狀態(tài)維修體制”，在美國由波音公司牽頭，來自工業(yè)部門、科研院所等10多個組織機構制定了視情維修的開放體系結構，用于指導實際工作應用于機械和電子等領域［3］。這種維修體制是以飛機的健康參數指標為基礎，實時監(jiān)測系統(tǒng)的狀態(tài)，當預測到即將發(fā)生故障時，就立即進行檢修，這就能夠確保系統(tǒng)不會發(fā)生大的故障，同時還克服了維修過剩的缺點。

2　OSA-CBM標準

OSA-CBM標準是以ISO13374［1，5，6］為基礎用于規(guī)范基于狀態(tài)的維修系統(tǒng)（CBM系統(tǒng)）設計，以及各CBM系統(tǒng)之間數據交換的開放標準。使用該標準可以有效的節(jié)省開發(fā)設計費用，提高系統(tǒng)的協(xié)作能力，增強產品及企業(yè)競爭力。標準的OSA-CBM分為六層，各層之間相互獨立，通過接口進行數據交互。

3　狀態(tài)監(jiān)測

3.1面向民用飛機健康管理的狀態(tài)監(jiān)測層

狀態(tài)監(jiān)測層（SD）處理數據獲取層（DA）以及數據處理層（DM）傳輸的數據。民用飛機包含了大量的，功能結構復雜的系統(tǒng)，從這些系統(tǒng)采集得到的數據必然是同樣大量，并且數據類型的組成復雜。面向民用飛機健康管理的狀態(tài)監(jiān)測層需要對這些數據進行處理，然后分析數據特征指標，通過對特征指標的實時監(jiān)控實現對飛機健康狀態(tài)的監(jiān)測。

民用飛機健康狀態(tài)的變化主要是由于飛機/系統(tǒng)的故障狀態(tài)引起。造成系統(tǒng)故障狀態(tài)的可能因素包括人為失誤、材料缺陷、制造誤差、使用環(huán)境波動等固有成因，以及器件疲勞、磨損和老化等演化規(guī)律。不用的誘因引發(fā)的故障狀態(tài)可能相同，也可能不同；并且實際的故障狀態(tài)也存在由單一因素誘發(fā)或多種因素并發(fā)的可能。這給對民用飛機系統(tǒng)故障狀態(tài)的成因分析和準確診斷提出了很大的挑戰(zhàn)。狀態(tài)監(jiān)測層需要完成對系統(tǒng)數據的信息綜合，因此必須從故障系統(tǒng)的數據中準確地提取出故障的特征，完成對系統(tǒng)故障的精確分析和準確定位。

3.2狀態(tài)監(jiān)測層（SD）實施構架

OSA-CBM體系中的狀態(tài)監(jiān)測層（SD）在“狀態(tài)維修體制”中處于核心地位。狀態(tài)監(jiān)測層接受機載系統(tǒng)采集的數據，并對數據進行特征提取，實現飛機狀態(tài)信息從數據層到專家知識層的進一步分析和綜合，如圖1所示。

圖1　狀態(tài)監(jiān)測層（SD）實施構架

飛機機載傳感器網絡實時地采集與飛機健康狀態(tài)有關的狀態(tài)信息，如結構系統(tǒng)的應力、震動信號，電子系統(tǒng)的電壓、電流信號、燃油系統(tǒng)的溫度信號等，這些數據經過數據處理層（DM）的預處理（如粗大誤差過濾、數據平滑、數據的時頻域轉換等），被輸入狀態(tài)監(jiān)測層（SD）進行特征提取。飛機是否處于健康狀態(tài)，是由多個系統(tǒng)的健康狀態(tài)共同決定，狀態(tài)監(jiān)測需要完成飛機的狀態(tài)信息由數據域到飛機故障診斷知識域的轉變。從采集到的狀態(tài)數據中分析、診斷出飛機/系統(tǒng)的故障狀況，并與正常狀態(tài)進行對比，完成對飛機健康狀態(tài)的實時評估。

由于飛機的故障狀態(tài)以及健康狀態(tài)均為基于知識的評價，因此，對飛機健康狀態(tài)的實時監(jiān)測就必須完成被監(jiān)測的狀態(tài)信息由數據到知識的轉換。深度學習方法具有強大的數據特征表達能力，通過構建深度的多層神經網絡，達到輸入狀態(tài)數據到輸出狀態(tài)模式的目的。經過這種轉化，機載傳感器網絡采集的狀態(tài)數據就可以被用來對飛機健康狀態(tài)進行判定，實現基于“狀態(tài)維修體制”（CBM）的決策。

［1］張秋菊，張冬梅.電子系統(tǒng)故障預測與健康管理技術研究［J］.光電技術應用，2012，27（1）：19-24.

［2］孫博，康銳，謝勁松.故障預測與健康管理系統(tǒng)研究和應用現狀綜述［J］.系統(tǒng)工程與電子技術，2007，29（10）：1762-1767.

［3］趙寧社，翟正軍，王國慶.新一代航空電子綜合化及預測與健康管理技術［J］.測控技術，2010，30（）：1-5，9.