原创 | 看过《中国机长》，我开始关心航空预测性维修这件事了

看过《中国机长》的朋友，一定对当时机长精湛的驾驶技术和临危不乱的处置记忆深刻。同时，也对风挡玻璃的突发失效有些担忧。那么在不远的将来，有没有办法能够预知并解决这类问题呢？

随着工业物联网、机器学习、AR等技术的兴起，航空维修技术正在随之迭代升级。维修理念也在发生转变，从定期检查、提前更换为主要维修手段的预防性维修向基于数据分析、趋势分析的预测性维修转变。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。

一、预测性维修的发展

预测性维修（Predictive Maintenance，简称PdM）是以状态为依据(Condition Based)的维修，在机器运行时，对它的主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定装备所处的状态，预测装备状态未来的发展趋势，依据装备的状态发展趋势和可能的故障模式，预先制定预测性维修计划，确定机器应该修理的时间、内容、方式和必需的技术和物资支持。预测性维修集装备状态监测、故障诊断、故障（状态）预测、维修决策支持和维修活动于一体，是一种新兴的维修方式。

EASA(欧洲航空安全局) 2020年2月发布了人工智能路线图（A human-centric approach to AI in aviation），如下图所示：

其中，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，维修组织各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的预测性维修在大机队数据的推动下，可以预测故障并提供相应的维修措施。目前，行业的领军企业已经意识到预测性维修的价值，开发了行业内领先的预测性维修平台包括空客的Skywise（智慧天空），GE的发动机健康管理系统，汉莎技术的Aviatar，法航工程的PROGNOS等。这些平台都在部分系统或部件的运用中取得了一定的成果。

空客SKYWISE平台2017年推出，基于空客最新的机队管理理论，可以为整个航空产业链的用户提供领先的数据分析服务，通过与众多技术伙伴进行合作，SKYWISE能够帮助航空公司提升安全性、可靠性，更好的优化内部运营流程，降低运营成本，大大提升在工程和维护方面的工作效率。通过预测性维修、飞机健康监控和可靠性分析三个模块的交替和循环使用，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。

达美航空使用空客的 Skywise 对A320与A330机型进行维修预测，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，空客和达美正在进一步合作，研发新的维修预测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、增压系统、电力单元、起落架、刹车及气动系统的非计划事件发生概率降低10%-50%。

汉莎技术的Aviatar平台不仅能够预测部件，而且能够将预测结果与实际维修工作相关联。用户采用预测性维修技术的潜在收益取决于部件的工作环境和航空公司所使用的维修服务。对某些部件而言，可以将非计划性拆卸次数减少80%，而对于另外一些部件而言，减少量可能为30%-40%，甚至仅为10%。

国内许多航空公司也在开展预测性维修的研究，比如春秋航空与空客合作开发SKYWISE应用，山东航空建立了监控软件对B737电子流量活门进行监控等等。简言之，预测性维修正在业内蓬勃发展，相信在5-10年内会给行业带来巨大的变化。

二、对现有维修体系的巨大影响

预测性维修的发展将对现有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效率都会较大的提升，航空器的持续运行品质和安全性也将显著提高。

（1）计划性维修方面

2018年4月，IMRBPB（国际民航维修审查政策委员会）发布了《IP 180 AHM INTEGRATION IN MSG-3》.主旨是同意在MSG-3的分析中运用AHM（aircraft health management），以提升航空系统的安全性和可靠性，加强航空器运营人对飞机状态的认知，促进更有效和更有利的维修项目。空客在2019年举办的A350机型ISC会议上向所有A350飞机运营人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（基于SKYWISE）的运用。

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是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，并就数据的读取情况进行视情更换。大大提升了效率和维护精确性。

（2）非计划性维修方面

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、波音等整机制造厂商以及GE和RR等发动机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，也可以提前通知维修准备、维修实施的各个部门准备好工装、航材、排故手册等维修资源，大大提升了维修效率，减少了飞机意外停场时间。

（3）部件预测性维修方面

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。几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”。非发动机部件方面的研究近几年才开始兴起，伴随着波音787，空客A350等具有E化（数字化）能力飞机的出现，飞机自身传感器上升到百万级，数据采集能力也大大提升，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。

B公司是一家地区型航空公司，希望提升飞机的客舱运行品质。但他们面临维护数据、客舱报告和故障信息难以整合的问题，从而不能精确的掌握客舱维修情况。使用SKYWISE预测性维修平台后，B公司有能力将各类信息整合在一起。识别出长期有问题的座椅，以便建立优先级不同的维修计划。另外，还建立了每个座位的监控趋势，排除航电、娱乐系统的问题。据悉，B公司每年可以减少客舱维护成本200-400万美元。

某航空公司通过二次开发，实现了对IDG（整体传动发电机）的趋势监控。通过对趋势的预测，提供更优维护建议，每年可以节省大约320万元。

三、发展障碍和挑战

通过上文的分析我们发现预测性维修对整个航空维修体系，运行安全有着明显的促进作用，但也面临着许多挑战和障碍。其中包括数据缺乏，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专业能力的企业为数不多。例如，拥有大型自有机队或第三方合约，以及掌握了数十年的维修专业知识的企业很少。此外，数据共享、性能更优成本更低的机载通信以及行业内对于二手件拆换的意愿等因素是否成熟，这些都在影响预测性维修技术的普及之路。

（1）数据缺乏

维修预测基础是数据。数据的来源是通过传感器。传统的飞机的传感器数量明显少于最新的机型。例如，波音777能够发出的警报是波音737 NG的4倍。装备FOMAX（Flight Ops & MAintenance eXchange）系统的A320飞机可利用的参数24,000项，每个航段可存储约12GB的数据。数据量是没有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。

（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以及MRO的合作方式。然而，越来越多的OEM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，某些政府机构也会阻碍数据共享。因此，航空法规也需要进一步发展，监管者必须找到适应这种新的飞机维修方式的监管方法。

（3）难以匹配用户的需求

许多机器学习的算法可解释性比较差，怎么让公司的高层认同，怎么让专业的工程师认同，成为了一个难题。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3-4个月，甚至更长的时间才能有进展，难以满足其需求。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不好。许多突发故障或部件瞬时失效，难以通过预测发现。

（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。但是实际能获得收益又难以计算，这也是许多企业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百分九十甚至更高的。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的巨大挑战。

四、如何有效的进行预测性维修

目前业内关于预测性维修的讨论非常热烈。那么除了复杂的算法之外，应当怎么做才能有效的进行预测性维修呢？讨论这个问题需要从理念、方法、技术、三个层面去分析。

（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，与技术的应用深度融合。

（2）方法层面

1）能方便地获取数据。为了在采集数据时不给工程师增加额外负担。数据采集方式应尽可能的自动化，如工作单开中的检查结果应能自动提取形成结构化数据，或利用无线射频识别电子标签（RFID）和3D扫描技术等。无论是航线维修或定检维修，工程师都能方便地利用移动设备查询预测维修的结果、工卡、维修手册等。

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；需要结合实际的实际的运行环境，航班情况调整计划性维修的实施时间。可通过维修计划的优化、意外停场的减少，部件大修成本的减低等衡量经济收益。

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，加强对算法的研发，提升预测准确性。

（3）技术层面

机器学习、AI等技术如何与航空维修技术相融合？就目前的经验看，时序算法对部件故障缺陷的预测是非常有效的。

例如：对A350飞机气体分离组件（ASM）的持续监控，提前预测组件的性能衰退，及时告知工程师和维修人员进行更换。

此外，微软ASURE平台也已开发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，提供了飞机引擎的剩余使用寿命 (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。

数据在经过分析，处理后转入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，在技术层面一定会有快速发展。

五、未来展望

相信在未来很长一段时间，预测性维修都将是热词。OEM、MRO和航空公司对数据的争夺将进一步升温。行业的竞争格局也将从目前群雄逐鹿的状态发展出多寡头垄断的格局。合则利，预测性维修要取得最佳的效果需要融合设计数据、运行数据和维修数据。所以多方合作，加强数据整合是取得跃进式发展的必由之路。相信在底层框架，传感器、算法等技术的不断发展下，预测性维修将在航空维修中承担越来越重要的角色，持续保证航空器的运行安全和运行品质。

参考资料

ISI 46.26.00016 FOMAX standards - description and roadmap

ISI 47.00.00036 IGGS - ACMS report 035

IP 180 AHM INTEGRATION IN MSG-3

EASA-AI-ROADMAP-V1.0

空中客车skywise官网：

https://www.airbus.com/aircraft/support-services/skywise.html

微软AZURE官网：

https://docs.microsoft.com/zh-cn/azure/app-service/

编辑：文婧

校对：林亦霖