基于QAR數據的民用飛機故障預測及驗證

熊毅234房紅征234

(1.上海飛機客戶服務有限公司，上海 200241; 2.北京航天測控技術有限公司，北京 100041;3.北京市高速交通工具智能診斷與健康管理重點實驗室，北京 100041;4.裝備全壽命周期狀態監測與健康管理技術與應用國家地方聯合工程研究中心，北京 100041)

0 引言

飛機飛行過程中產生成百上千種飛行參數和數量龐大的飛行數據，但是目前這些數據并沒有得到充分有效的利用，飛機的維修還處在以定期維修和事后維修為主的階段。隨著航空技術的不斷發展，利用飛行數據進行故障預測，轉變民機維修模式向視情維修發展變得越來越有必要。

目前，國內外各大航空公司正在使用的民機故障預測方法主要有以下3種：傳統模式，飛機通信尋址報告系統(aircraft communication addressing and reporting system，ACARS)報文模式以及快速存取記錄器(quick access recorder，QAR)數據模式[1-3]。傳統的民機故障預測技術主要根據飛機維修日志和記錄數據進行整理和分析，結合工程師經驗和飛機故障原理和特點，預測系統故障的發生[4]。這種傳統的故障預測技術掌握的信息有限，且主要依據經驗，因此預測準確性有限，并沒有得到大面積推廣使用。ACARS報文種類很多，對故障預測有用的主要是飛機運行控制(Airplane Operational Control，AOC)報文，已有成熟的開發軟件用于記錄和分析ACARS數據鏈信息，既可以實時監控飛機，也可以預測部分飛機故障的發生[5-6]。然而，ACARS模式具有數據不連續(間隔下傳)和記錄參數少等缺點，在一定程度上限制了ACARS報文數據在故障預測技術上的應用。

基于QAR飛行數據的飛機故障預測系統通過飛行數據譯碼獲得豐富的飛行數據，運用飛行數據查詢、飛行參數變化曲線圖和超限報告等支持手段，對飛機各系統及部件運行狀態進行監控，以便及時發現故障征兆信息。然后根據獲得的故障征兆對飛機故障進行預測[7-9]。其目的是通過預測輔助機務維修工程師提前發現飛機系統故障，減少意外故障帶來的航班延誤影響，提高運行效率。

本文首先對基于QAR數據的民用飛機故障預測技術路線進行了說明，并介紹了曲線擬合和時間序列兩種適用于民機飛行數據故障預測方法，并對基于飛行數據的民機故障預測系統的實現進行了詳細描述，最后利用航空公司實際的波音飛機飛行數據和故障案例對本文提出的方法進行了驗證。

1 技術路線

作為飛機上裝載的快速存取記錄器，QAR記錄著飛行過程中產生的成百上千種飛行參數數據。鑒于此，本文采用QAR數據，結合民機關鍵系統常見故障模式，分析QAR數據中系統傳感器采集參數的變化情況，預測系統關鍵部件故障發生的時間，從而合理制定維修計劃，保障飛行安全。

采用QAR數據對民用飛機進行故障預測的技術路線如下所示：

1)采集飛機QAR數據并對數據進行解析。QAR原始數據為二進制結構，無法直接用于工程分析。因此，需要通過譯碼軟件將采集參數轉化為工程數據。目前，QAR數據的譯碼軟件主要包括AIRFASE、AGS兩種；

2)將解析后的數據存儲至數據庫中。由于對民機進行故障預測需要積累大量的數據樣本且QAR數據包含的參數類型眾多，因此需要建立專有數據庫對數據進行管理；

3)明確影響飛機關鍵系統故障的所有QAR參數，建立關鍵系統參數模板；

4)數據預處理。實際中，由于受到工作環境的影響，QAR數據往往會產生波動且存在缺失值。為了保證故障預測結果的精度，因此，對數據進行分析之前需要對數據進行預處理，提高數據分析的精度。

5)建立故障預測模型，預測滑油系統參數未來某一段時間內的變化趨勢，判斷飛機相應部件的故障發生時間，合理制定維修計劃，實現飛機的視情維修。

2 基于QAR數據的民機故障預測方法

基于飛行數據的故障預測方法，一般先根據所觀測的歷史數據來假設某個模型，然后經過模型參數的估計，得到相應的預測值，為了提高預測精度，必須建立比較合理的模型。

不同的預測方法有各自的優缺點，對于不同類型的數據、性能參數可以采用不同的方法進行預測。針對民機QAR數據特點，本文選取曲線擬合和時間序列兩種預測方法進行預測。

表1 兩種預測方法比較

2.1 基于曲線擬合的性能預測方法

基于曲線擬合的性能預測方法通過對參數的歷史數據進行擬合，分析歷史數據之間的依賴關系，用一個近似的曲線方程表示參數歷史數據，并利用得到的解析方程對參數未來變化趨勢進行預測。具體包括全局多項式擬合和分段多項式擬合兩種處理方法[10]。

全局多項式擬合預測法：首先設置擬合多項式的最高階次，利用最小二乘法選擇擬合誤差最小的階數來計算擬合多項式的系數。得到擬合多項式之后將待預測數據代入擬合公式，便可以獲得參數的預測值。但是當數據劇烈變化時，數據趨勢不能準確擬合，無法準確進行參數預測。

分段多項式擬合預測法：依據參數的變化特點，把參數歷史數據分成兩段，以第一段為輸入，第二段為輸出，通過計算得到兩段數據之間的函數關系式，然后將第二段數據為輸入，代入得到的函數關系式，即可得到第三段數據的預測結果。

采用如下k階多項式公式擬合，

(1)

計算k階多項式擬合結果與真實數據的誤差值，以擬合誤差最小的k值作為多項式的階數。即使輸入參數數據(xi，yi)，i=1，2，...，m，的擬合誤差ri=p(xi)-yi，(i=1，…，m)的平方和最小，

(2)

利用曲線擬合進行參數預測的流程如圖1所示。

圖1 曲線擬合法預測流程圖

曲線擬合法預測的假設條件是：

1)假設待預測的參數數據沒有跳躍式的變化，即數據的變化過程是漸進的。

2)假設所研究的民航客機各子系統的功能、結構等基本保持不變，即假定根據歷史數據建立的擬合公式能適用于未來，能代表參數未來的變化趨勢。

由以上兩個假設條件可知，該方法是數據漸進變化過程的一種統計預測方法，適用于參數變化緩慢的情況。即先利用數學模型擬合參數變化趨勢曲線，再運用該模型外推預測參數未來的變化情況。

基于曲線擬合外推的性能預測方法的主要步驟為：

1)依據參數變化特點選擇擬合方法模型，設定最高擬合階次。

2)進行多項式擬合訓練，計算擬合公式。

3)依據訓練結果優化擬合過程。

4)利用擬合公式進行外推預測。

對于參數隨時間緩慢周期變化的數據，該方法的預測效果比較好，對周期變化參數的預測比較適用。

2.2 基于時間序列的趨勢預測方法

時間序列預測法是以參數時間序列能反映出的故障現象的發展過程和規律性，進行引申外推，預測其發展趨勢的方法。它是通過編制和分析時間序列，根據時間序列所反映出來的發展過程、方向和趨勢，進行類推或延伸，借以預測設備工作狀態在下一段時間可能達到的水平[11-12]。

所謂時間序列分析法，就是把預測對象的歷史數據按照一定的時間間隔進行排列，形成一個隨時間變化的參數序列，建立相應的數據隨時間變化的模型，并將該模型外推到未來進行預測[13-14]。常用方法有回歸分析法、移動平均法、指數平滑法、自回歸滑動平均(autoregressive moving average，ARMA)模型等。該方法有效的前提是參數過去的變化規律會延續到未來。

本文主要對ARMA模型在這方面的應用進行了研究。ARMA模型不但可以揭示動態數據的變化規律，預測其未來值，并且能從多方面輔助研究系統特性。對于滿足正態、平穩、零均值條件的時間序列{xt}，若xt的取值不但與前p步的各個取值有關，并且還與其前q步的激勵有關，則ARMA模型可以用下式表示，該模型由自回歸過程(Auto-Regressive Model，AR)和移動平均過程(Moving Average Model，MA)兩部分組成，記為ARMA(p，q)，其中，p代表自回歸的最大階數，q代表移動平均部分的最大階數。

(1-φ1L-φ2L2-…-φpLp)xt=

(1+θ1L-θ2L2+…+θqLq)at

(3)

Φ(L)xt=Θ(L)ut

(4)

式中，Φ(L)和Θ(L)分別表示L的p、q階特征多項式。

基于時間序列法的故障預測具體步驟如圖2所示。

圖2 時間序列預測方法流程圖

ARMA模型預測的過程可描述如下：

1)獲取觀察值序列；

2)平穩性檢驗、差分運算；

3)白噪聲檢驗；

4)擬合ARMA模型；

5)調用模型對遙測數據進行預測。

時間序列分析法的優點是所需歷史數據少、工作量少，前提條件是影響預測對象的各因素不發生突變，適合序列變化比較均勻的短期預測，不適用于中長期預測。此種方法主要用于實現在沒有其他狀態、事件發生時的趨勢預測。

3 基于QAR數據的故障預測系統實現

飛機飛行過程中產生大量的飛行參數數據，本文采用航后飛行數據，結合民機關鍵系統常見故障模式，分析飛行數據中系統傳感器采集參數的變化情況，預測系統關鍵部件故障發生的時間，從而合理制定維修計劃，保障飛行安全。

3.1 建立系統數據庫

由于對民機進行故障預測需要積累大量的數據樣本且飛行數據包含的參數類型眾多，因此需要建立專有數據庫對數據進行管理，準確可靠的數據源是實現民機故障預測數學模型的重要輸入。實施故障預測系統的第一步就是建立系統數據庫。

系統數據庫主要存儲系統管理、飛行數據譯碼及其應用、故障預測系統需用的重要數據，包括用戶管理庫、飛行參數庫、故障預測算法庫3個主要部分。

3.2 采集數據并進行解析

明確影響飛機關鍵系統故障的所有QAR參數，建立關鍵系統參數模板。

采集飛機QAR數據并對數據進行解析。QAR原始數據為二進制結構，無法直接用于工程分析。因此，需要通過譯碼軟件將采集參數轉化為工程數據。將解析后的數據存儲至數據庫中。

3.3 性能參數選擇及閾值確認

參數可以反映飛機系統、子系統、部附件性能的變化，部分參數可由機載設備直接采集。在飛行各階段分別記錄參數的變化情況，必要時將這些參數轉換成標準狀態下的數值，并與缺省設置或客戶化的性能參數進行比較，可以得到偏差的變化情況。通過對偏差及偏差的變化趨勢進行分析，可以判斷部附件的健康狀態，實現對部附件的性能監控；通過及時發現參數與標準值之間的偏差異常或參數的變化趨勢異常，分析產生異常的原因，可以為預防和排除故障提供依據。

對于確定的特征參數數據，可以實時與閾值進行比較。閾值應反映出特征參數的正常工作范圍，當參數超限時進行報警處理。

圖3 超限報警

系統接受經過解析的QAR數據，若某些數據出現幅值變化很大，而與之有關聯動作的參數在同時刻或按要求時序并沒有發生相應的變化時，則確定該時刻的數據為野點，對其進行剔除。對剔除野點之后的數據還要進行平滑處理，并選擇特征參數。這里的特征參數可能是參數數據的原始形式，也可能是性能參數的各種統計參數，例如均值、極值、均方根值等，根據不同系統的不同工作狀態，可以作出相應的判斷。

3.4 預測模型選擇及預警

本文選取基于時間序列和曲線擬合的數學模型用于飛機關鍵部件和參數的趨勢預測，適用于實現與待分析參數當變化率突然發生變化時，在沒有其他狀態、事件發生時的趨勢預測。實現功能主要包括參數時間序列建模、實時預測模型建模、參數預測、故障預警等。在實際應用中的具體步驟包括：

1)獲取與狀態和飛行事件無關的參數設置信息，包括飛機編號、分系統、部件、參數、參數閾值、實時預測模型采樣點數等相關的信息設置。

2)預測算法加載。根據不同參數建立參數變化的自回歸滑動平均模型(ARMA)或擬合曲線。

3)參數值預測。采用前述的ARMA模型或多項式擬合外推預測法進行預測，給出一定時間后的參數預測值。

4)故障預警。將參數預測值與門限值比較，判斷是否發生故障并預測故障發生時間。

4 基于QAR數據的故障預測驗證

4.1 預測準確率計算方法

本文預測通過選取航空公司歷史實際數據，推測后續的數據變化趨勢，并與后續實際數據進行比較，以計算預測的準確率指標。利用相對平均誤差，用以評定本項目所采用的預測方法在典型數據和案例中的準確性。預測結果的相對平均誤差avg_dy和預測準確率pre_Acc的計算方法如下：

(5)

其中：di為第i個預測值，yi為第i個實際值，n為預測結果的數據長度。

4.2 故障案例驗證

利用航空公司波音飛機實際飛行數據對本文提出的故障預測方法進行了有效性驗證。通過對空調、滑油系統關鍵參數變化趨勢進行預測并與參數閾值進行比較，可以提前預知故障并進行報警。

選取某航空公司QAR數據空調組件流量參數ADEPPT AC PACK FLOW 2建立故障預測模型。以2015年1月24日-2015年1月26日該飛機兩個航班的飛行巡航階段空調組件流量參數QAR數據作為輸入，采用ARMA模型預測未來航段的空調組件流量數據變化趨勢，并與該參數正常范圍閾值(240,400)進行比較，得到在27日航段出現空調組件流量過低的故障預測結果，經比較與實際案例情況一致。

圖4 空調組件流量預測測試結果

利用27日飛行數據，對該預測的結果進行準確性計算與評估。將預測數據與該飛機1月27日實際飛行數據進行比對，其結果如圖5所示。

圖5 預測結果比對計算

通過計算，在該組典型測試數據條件下，本課題所研究的故障模型預測準確率為95.83%。

本文從波音空調和滑油系統案例庫中隨機選擇了的10組故障案例飛行數據樣本進行測試，本文所研究預測方法準確率均在90%以上。

將預測準確度按照從大到小的順序排列，計算不同置信度下的預測準確度，如圖6所示。

圖6 不同置信度下的預測準確度

當預測準確率在95%時，其置信度落在[70%,75%]區間；當置信度為95%時，其預測準確度能夠高于93.5%。

5 結束語

本文介紹了基于飛行數據的民用飛機故障預測及驗證。首先對基于QAR數據的民用飛機故障預測技術路線進行了說明。其次介紹了本文所采用的基于QAR數據的兩種故障預測方法。再次，介紹了基于飛行數據的故障預測系統實現。最后利用波音飛機空調滑油系統關鍵參數飛行數據對本文提出的故障預測技術進行了有效性驗證。