改進模糊C 均值的客機空調(diào)系統(tǒng)退化評估算法

丁建立，方正漢

（中國民航大學計算機科學技術(shù)學院，天津300300）

大型客機空調(diào)系統(tǒng)的作用是使飛機在不同的飛行狀況和外界條件下，維持駕駛艙、客艙、電子艙及貨艙環(huán)境參數(shù)的穩(wěn)定。良好的座艙環(huán)境不僅可以為乘客、機組人員提供舒適的工作生活條件，也能保障貨物安全、設(shè)備正常運行。飛機空調(diào)系統(tǒng)屬于多維復雜系統(tǒng)，故障原因多樣，在故障定位、診斷和排除等工作上一直存在著諸多難題[1]。在過去的空調(diào)系統(tǒng)維修過程中，一般按工卡，定時進行部件的更換或維修。但因飛機的運營環(huán)境不同、新舊程度不同，根據(jù)經(jīng)驗確定拆換周期會導致在實際維修中未出現(xiàn)故障的部件遭到過度修理，或部件提前出現(xiàn)故障未得到及時修理而影響飛機的運營[2?3]，造成維修成本的提高，降低了飛機部件的利用率。

隨著航電系統(tǒng)的發(fā)展，很多大型客機如波音787、空客A320 和A350 等都安裝了寬帶光纖網(wǎng)絡(luò)和大量傳感器、控制系統(tǒng)，產(chǎn)生了海量數(shù)據(jù)。飛行數(shù)據(jù)快速存儲記錄器（Quick access recorder，QAR）數(shù)據(jù)在基于大數(shù)據(jù)的飛機健康管理系統(tǒng)中得到了廣泛的應(yīng)用[4]。QAR 可以連續(xù)記錄長達600 h 的飛行原始數(shù)據(jù)，對1 000 多種數(shù)據(jù)進行采集，是進行飛機性能監(jiān)控、飛機維修排故的重要手段[5]。通過QAR 數(shù)據(jù)，可實現(xiàn)對飛機系統(tǒng)各個傳感器參數(shù)值及其變化的連續(xù)或定期的監(jiān)測，進行基于超限報警的拆修或維護[6]。QAR 數(shù)據(jù)與維修數(shù)據(jù)的整合使得通過大數(shù)據(jù)分析方式監(jiān)控飛機系統(tǒng)故障成為了可能[7]。

對于客機空調(diào)系統(tǒng)的健康管理方法，國內(nèi)外學者和機構(gòu)都進行了諸多研究，其中包括：在AIR?MAN 和AHM 平臺上的基于大數(shù)據(jù)分析的飛機監(jiān)控模型[8]，以及在飛機空調(diào)系統(tǒng)上的應(yīng)用，即通過維修經(jīng)驗設(shè)定空調(diào)參數(shù)報警門限值，以此構(gòu)建飛機空調(diào)系統(tǒng)監(jiān)控模型；通過改進BP 神經(jīng)網(wǎng)絡(luò)，建立基于環(huán)境溫度、初級與主級熱交換器進出口溫度的飛機熱交換器污垢厚度預(yù)測模型[9]；利用邏輯回歸模型對空調(diào)系統(tǒng)退化狀態(tài)進行評估，通過設(shè)置合理的報警閾值實現(xiàn)系統(tǒng)故障預(yù)警[10]，以及其他物理層面[11?13]與 統(tǒng) 計 學 層 面[14?16]的 空 調(diào) 系 統(tǒng) 退 化 狀 態(tài) 評 估方法。

而上述預(yù)測模型仍存在無法避免的問題。在構(gòu)建預(yù)測模型時常將數(shù)據(jù)分為正常狀態(tài)與故障狀態(tài)，使用故障前的10 個飛行循環(huán)作為故障狀態(tài)進行學習。實際客機空調(diào)系統(tǒng)在維修前的衰退程度不同，超過90%的飛機進入維修流程前的狀態(tài)并非性能完全失效狀態(tài)。數(shù)據(jù)標注上存在的困難導致了監(jiān)督學習方法面臨先驗知識不足的問題[17]，從而產(chǎn)生過擬合，進而導致預(yù)測模型魯棒性降低。性能衰退指標在不同工況下存在大幅振蕩，難以對系統(tǒng)進行更精確的性能衰退評價。

本文以A320 大型客機空調(diào)系統(tǒng)為例，在現(xiàn)有空調(diào)健康管理方法的基礎(chǔ)上，以FCM 算法[18]為基礎(chǔ)，引入左右空調(diào)組件的監(jiān)控數(shù)據(jù)建立模型。彌補了數(shù)據(jù)不平衡與先驗知識不足的問題，提高了模型在不同工況下的魯棒性，優(yōu)化了現(xiàn)有健康管理平臺的性能衰退評價標準。

1 大型客機空調(diào)系統(tǒng)

現(xiàn)代民航大型客機空調(diào)系統(tǒng)廣泛使用的制冷原理為空氣循環(huán)制冷，其原理為使用外界沖壓空氣作為冷卻介質(zhì)，熱空氣經(jīng)過初級熱交換器冷卻后再進行壓縮，再經(jīng)過主級熱交換器冷卻。壓縮空氣進入渦輪進行膨脹做功，從而得到合適溫度、壓力的氣體，其優(yōu)點在于使用的冷卻介質(zhì)是空氣，成本低易于維護。可以通過一個系統(tǒng)同時完成壓力與溫度的控制。缺點在于相較于使用蒸發(fā)制冷其精度低，依賴飛機發(fā)動機的工作才能運行。大型客機空調(diào)系統(tǒng)原理圖如圖1 所示。

飛機在飛行時通過發(fā)動機引氣，在地面時使用地面氣源車或APU 引氣。熱空氣進入空調(diào)系統(tǒng)先通過初級熱交換器與沖壓空氣進行熱交換；后進入ACM（Air cycle machine）中的壓縮機進行壓縮；再通過主級熱交換器與沖壓空氣進行熱交換；隨后通過再加熱器與冷凝器使氣體溫度在露點附近波動，使氣體中的水分在通過冷凝器后凝結(jié)在水分離器的外壁上，從而得到干燥空氣防止飛機部件遭到侵蝕。得到的干燥空氣通過ACM 中的渦輪進行膨脹做功，進一步降低溫度。使用旁通活門調(diào)節(jié)一定的熱空氣與渦輪輸出的冷空氣進行混合后得到溫度、壓力合適的氣體，輸送到空調(diào)管道中。大型客機空調(diào)系統(tǒng)常見的故障主要有熱交換器堵塞、ACM 軸承磨損、ACM 方形膠圈老化等。

2 改進模糊C 均值的大型客機空調(diào)退化評估算法

2.1 模糊C 均值算法

對于大型客機空調(diào)系統(tǒng)數(shù)據(jù)而言，使用模糊C均值（Fuzzy C?means, FCM）聚類可以有效避免先驗知識不足的問題，且該方法在小樣本條件下的航空發(fā)動機性能監(jiān)測領(lǐng)域得到了一定程度的應(yīng)用[17]。FCM 聚類算法是一種基于目標函數(shù)的無監(jiān)督模糊聚類算法。通過FCM 算法可計算飛機空調(diào)系統(tǒng)處于正常狀態(tài)與故障狀態(tài)的聚類中心，再通過數(shù)據(jù)點與每個聚類中心的距離判定其從屬于某個中心。FCM 由Dunn[19]首先提出，并由Bezdek[20]作為硬C 均值算法的一種推廣，其原理如下：確定數(shù)據(jù)集X ={ x1,x2,…,xn}聚類類別數(shù)c，其中2≤c≤n。FCM 聚類通過不斷的迭代更新劃分矩陣U 與聚類中心V，使目標函數(shù)收斂。目標函數(shù)為

圖1 大型客機空調(diào)系統(tǒng)原理圖Fig.1 Principle diagram of air conditioning system for large passenger aircraft

式中：uik為數(shù)據(jù)集中第k 條數(shù)據(jù)xk對第i 類的隸屬度，其中uik∈[0,1]，模糊矩陣U =(uik)c×n即為劃分矩陣；V={v1,v2,…,vc}為各個類別的聚類中心；m 為加權(quán)指數(shù)，根據(jù)Pal 等[21]的實驗結(jié)論m 的最佳取值范圍為[1.5,2.5]；dik表示樣本xk與聚類中心vi之間的距離，通常使用歐氏距離：=||xk-vi||2。對于大型客機空調(diào)系統(tǒng)而言，uik為空調(diào)數(shù)據(jù)中第k 條報文數(shù)據(jù)xk對正常、故障兩種工作狀態(tài)的隸屬度；dik表示空調(diào)數(shù)據(jù)xk與正常、故障兩種工作狀態(tài)的聚類中心vi的距離。

2.2 改進FCM 算法

客機上裝有左右兩套空調(diào)組件，不僅維持了左右平衡，同時也保證了其中之一出現(xiàn)故障的情況下，整個系統(tǒng)可以繼續(xù)維持駕駛艙、客艙、電子艙及貨倉環(huán)境參數(shù)的穩(wěn)定。因此本文引入了左右空調(diào)組件的狀態(tài)差衡量樣本xk與聚類中心vi之間的距離，距離公式為

式中：dik表示第k 條樣本xk與聚類中心vi之間的距離；xkjL、xkjR表示樣本xk第j 維的左右組件數(shù)據(jù)，其中不包括旁通活門相關(guān)參數(shù)。經(jīng)過修正后的dik同時也受空調(diào)系統(tǒng)的左右組件差值影響，其差值越大樣本xk距離正常狀態(tài)聚類中心的距離越遠。

2.3 改進FCM 聚類算法的迭代過程

（1）確定聚類中心個數(shù)c，加權(quán)指數(shù)m，算法終止閾值ε，初始聚類中心V={v1,v2,…,vc}

（2）根據(jù)當前的聚類中心數(shù)和聚類中心計算每一個像素點屬于每一類的隸屬度

（3）根據(jù)當前的隸屬度更新各聚類中心

2.4 監(jiān)測參數(shù)選擇

QAR 數(shù)據(jù)中包含大量未經(jīng)分類的飛行器數(shù)據(jù)，從中分離出監(jiān)測空調(diào)系統(tǒng)所需的數(shù)據(jù)是重要的一步。與空調(diào)系統(tǒng)相關(guān)的內(nèi)容包括飛機性能參數(shù)如飛機號、記錄時間、大氣總溫、大氣靜溫、大氣靜壓、馬赫數(shù)、飛行高度；以及空調(diào)系統(tǒng)自身傳感器參數(shù)如：壓縮機出口溫度、水分離器溫度、沖壓空氣入口活門開度、旁通活門開度。除此之外，根據(jù)飛機空調(diào)系統(tǒng)原理加入空調(diào)系統(tǒng)上游引氣系統(tǒng)參數(shù)：APU 通氣閥門狀態(tài)、預(yù)冷器出口溫度、預(yù)冷器入口壓力、監(jiān)測參數(shù)如表1 所示。

為了直觀比較初級、主級熱交換器性能變化，本文中還加入了初級熱交換器效率、主級熱交換器效率兩個參數(shù)。通常航空公司使用的評價標準為

表1 大型客機空調(diào)系統(tǒng)參數(shù)集Table 1 Parameter set of aircraft air conditioning sys?tem for large passenger aircraft

式中：EprHX為初級熱交換器溫度效率；EmHX為主級熱交換器溫度效率；Ttpo為預(yù)冷器出口溫度；Tcot為壓縮機出口溫度；Ttw為水分離器溫度；Tsat為大氣靜溫。

3 實驗驗證分析

3.1 數(shù)據(jù)樣本選擇

實驗選擇某飛機維修企業(yè)2019 年上半年維修記錄中的所有A320 屬于ATA 章節(jié)Air?Condition的航班QAR 數(shù)據(jù)，表2 中列舉了全部轉(zhuǎn)入維修流程的航班數(shù)據(jù)，以及部分出現(xiàn)告警進入監(jiān)控流程的航班數(shù)據(jù)。

表2 大型客機空調(diào)系統(tǒng)數(shù)據(jù)集Table 2 Data set of aircraft air conditioning system for large passenger aircraft

3.2 數(shù)據(jù)預(yù)處理

當飛機處于不同的工作方式時，引氣氣源有所不同；飛機在每一次飛行中處于不同的飛行階段（起飛、巡航、降落）時，使用的引氣氣源也不同。其中在地面使用地面氣源車供氣或通過APU 引氣。該方式很大程度上繞過了客機空調(diào)系統(tǒng)直接為機艙提供了低壓氣源，因此本實驗通過APU 通氣閥門狀態(tài)以及飛行高度等參數(shù)為參考，去除了在這些氣源下的空調(diào)數(shù)據(jù)，僅使用飛機巡航狀態(tài)以發(fā)動機引氣為氣源的數(shù)據(jù)進行實驗。

數(shù)據(jù)樣本中不同參數(shù)之間的量綱不同，直接進行模型訓練容易導致模型無法收斂。因此為了提高收斂速度以及模型精確度，通常在進行模型訓練之前需對樣本進行標準化處理。本實驗選擇對數(shù)據(jù)樣本參數(shù)進行L2 標準化處理。標準化公式為

客機空調(diào)數(shù)據(jù)中正常樣本數(shù)量遠遠多于故障樣本，而分類算法常用于訓練的數(shù)據(jù)集各類樣本數(shù)量大致相等的情況下。因此為了解決數(shù)據(jù)不平衡帶來的少數(shù)類分類準確率較低的問題，本實驗采用了smote 算法對數(shù)據(jù)集進行了處理。其算法如下：

（1）對于少數(shù)類中的每一個樣本xi，計算其以歐氏距離為標準最近的k 個樣本作為其k 近鄰；

（2）根據(jù)少數(shù)類樣本所需的放大比例設(shè)置采樣倍率N，對于少數(shù)類中的每一個樣本xi，從其k 近鄰中隨機選擇N 次樣本x?=(x?1,x?2,…,x?n)；

（3）對于每一個隨機選出的近鄰x?j，按照如下公式構(gòu)建新樣本

圖2 大型客機空調(diào)旁通活門開度數(shù)據(jù)Fig.2 Pack bypass valve position data of large passen?ger aircraft

旁通活門開度參數(shù)對于判斷飛機空調(diào)系統(tǒng)的運行狀態(tài)有著至關(guān)重要的作用。旁通活門的打開會提高空調(diào)系統(tǒng)出口溫度的數(shù)值，而對于降溫效率低下的空調(diào)系統(tǒng)，旁通活門常處于關(guān)閉狀態(tài)。

圖2 是飛機B?185X 維修前2 月旁通活門開度變化情況，可以看到該參數(shù)在空調(diào)性能正常或衰退時波動較大，不利于對衰退特征的觀測。因而本實驗對該參數(shù)根據(jù)維修時點進行分段后，進行了窗口寬度為25 的均值濾波。

圖3 大型客機空調(diào)旁通活門開度濾波后數(shù)據(jù)Fig.3 Pack bypass valve position data of large passen?ger aircraft after filtering

圖3 是飛機B?185X 維修前2 月旁通活門開度數(shù)據(jù)經(jīng)過濾波后的圖像，由圖3 可更明顯地觀察到性能衰退特征。

3.3 訓練模型參數(shù)設(shè)置

本實驗為對比改進FCM 算法與其他機器學習模型的效果，驗證改進FCM 算法的有效性。除改進FCM 模型外，還訓練了使用BP 神經(jīng)網(wǎng)絡(luò)算法及邏輯回歸算法的模型，還訓練了使用邏輯回歸算法的模型[10]及BP 神經(jīng)網(wǎng)絡(luò)算法[22]。

實驗中以故障記錄中出現(xiàn)性能衰退前的數(shù)據(jù)及正常數(shù)據(jù)作為正常狀態(tài)性能數(shù)據(jù)，以故障記錄中維修前5 日數(shù)據(jù)作為故障數(shù)據(jù)進行模型訓練。分別使用出現(xiàn)性能衰減暫進入監(jiān)控流程及出現(xiàn)性能衰減已進入維修流程的兩類數(shù)據(jù)作為測試數(shù)據(jù)。

邏輯回歸方法及BP 神經(jīng)網(wǎng)絡(luò)方法模型訓練過程中設(shè)置性能正常數(shù)據(jù)的輸出為1，性能失效數(shù)據(jù)的輸出為0。其中BP 神經(jīng)網(wǎng)絡(luò)方法根據(jù)多次試驗對比，選定使用2 隱藏層，隱藏層神經(jīng)元數(shù)量為12,8。邏輯回歸方法使用Sigmod 函數(shù)為邏輯回歸函數(shù)。改進FCM 方法設(shè)置最大聚類數(shù)量c=2，加權(quán)指數(shù)m=2，距離函數(shù)為歐式距離。

3.4 實驗結(jié)果對比與分析

對于出現(xiàn)性能衰減已進入維修流程的數(shù)據(jù)而言，以飛機B?185X 的數(shù)據(jù)為例，3 種方法的結(jié)果如圖4～6 所示。3 種方法得到的性能曲線趨勢相似。

在基于邏輯回歸算法與基于BP 神經(jīng)網(wǎng)絡(luò)算法的結(jié)果中，開始的450 個飛行循環(huán)顯示狀態(tài)正常，隨后在50 個飛行循環(huán)顯現(xiàn)出幅度在0.2～0.5 的較大波動，最后50 個飛行循環(huán)顯示處于失效狀態(tài)，經(jīng)過維修后性能狀態(tài)指標立刻恢復到1.0 附近。出現(xiàn)這樣的波動以及突變的原因主要是數(shù)據(jù)難于標注真實的性能衰退狀態(tài)值，僅標注正常與失效兩種狀態(tài)會導致中間狀態(tài)缺失，易造成學習結(jié)果過擬合。因此監(jiān)督學習在空調(diào)系統(tǒng)壽命預(yù)測問題上無法得到良好的效果。

圖4 邏輯回歸算法性能曲線Fig.4 Results of logistic regression algorithm

圖5 BP 神經(jīng)網(wǎng)絡(luò)算法性能曲線Fig.5 Results of BP neural network algorithm

圖6 改進FCM 算法性能曲線Fig.6 Results of improved FCM algorithm

在基于改進FCM 算法的結(jié)果中，前450 飛行循環(huán)顯示性能指標在0.9 左右浮動，在維修前的150 個飛行循環(huán)穩(wěn)步下降到0.2 以下，經(jīng)過維修后性能狀態(tài)指標立刻恢復到在0.9 左右浮動的正常狀態(tài)。由于改進FCM 算法方法是基于其與性能正常狀態(tài)基準的距離，因此結(jié)果并不會產(chǎn)生前兩種方法的大幅波動。

對于出現(xiàn)性能衰減已進入維修流程的數(shù)據(jù)而言，以飛機B?679X 為例，F(xiàn)CM 算法與改進FCM 算法結(jié)果如圖7 所示。 BP 神經(jīng)網(wǎng)絡(luò)算法結(jié)果一直維持在性能正常的1 左右，而基于FCM 算法的結(jié)果在0.8 左右波動，這體現(xiàn)出FCM 對于性能狀態(tài)的前期退化具有一定的敏感性。而基于改進的FCM算法的結(jié)果在0～500 個飛行循環(huán)的時間內(nèi)性能狀態(tài)指標已經(jīng)下降到0.7 附近，隨后該飛機因為人工檢測到組件出口溫度過高而被轉(zhuǎn)入了監(jiān)控流程。因此該方法可以更好的反應(yīng)性能狀態(tài)的前期退化，提早檢測出故障風險。對于ACM 等易磨損部件的維修有重要的參考價值。

圖7 性能狀態(tài)指標對比圖Fig.7 Performance state indicators contrast diagram

在客機健康管理平臺中，飛機性能健康狀況分為：正常、監(jiān)控、轉(zhuǎn)故障3 種狀態(tài)。圖8 是飛機B?185X 的空調(diào)數(shù)據(jù)使用改進FCM 算法的結(jié)果經(jīng)過窗口尺寸25 的均值濾波后的圖像。通過參考性能狀態(tài)指標的評估，將各類按照評估數(shù)值分為：正 常(0.75,1.0]，監(jiān) 控(0.2,0.75]，轉(zhuǎn) 故 障(0,0.2]。在性能狀態(tài)指標低于門限值時，及時安排維修工作可以有效地降低維修成本，提高飛機部件的利用率。

圖8 性能狀態(tài)指標評估門限Fig.8 Performance state indicator evaluation threshold

以飛機B?679X 為例，基于改進FCM 算法的性能狀態(tài)指標如圖9 所示。根據(jù)設(shè)定的門限值程序可自動在約第350 個飛行循環(huán)處檢測出空調(diào)系統(tǒng)性能產(chǎn)生了衰退，相比人工監(jiān)控的方法提早了約250 個飛行循環(huán)的時間。對于提早檢測故障風險、實現(xiàn)預(yù)測維修提供了有力的技術(shù)支持。

圖9 轉(zhuǎn)入監(jiān)控狀態(tài)時間點對比圖Fig.9 Comparison of time points in monitoring status

4 結(jié) 論

（1）基于FCM 算法的大型客機空調(diào)系統(tǒng)狀態(tài)退化評估方法，能夠有效地解決其他方法面臨的先驗知識不足及數(shù)據(jù)不平衡的問題，相較于現(xiàn)有其他方法有更好的實際效果，更好地反映出了飛機由性能正常到性能退化的中間過程。

（2）基于改進的FCM 算法的大型客機空調(diào)系統(tǒng)狀態(tài)退化評估結(jié)果，能夠更敏感地反映出部件的前期退化。根據(jù)該算法提供的性能狀態(tài)指標可制定更為精準的故障評估標準。

（3）結(jié)合基于改進的FCM 算法的大型客機空調(diào)系統(tǒng)狀態(tài)退化評估結(jié)果，可以設(shè)置合理的故障報警門限值。提早檢測出故障風險，實現(xiàn)預(yù)測維修，為航空公司安排航班計劃與維修計劃，降低運行成本提供了有力的技術(shù)支持。