人工智能在CBM+中的應用研究

羅智勇 劉潔 宋海方 謝永興

摘要：通過維修分類和CBM+的定義說明了CBM+的理念內涵，簡要介紹了CBM+的核心RCM和CBM以及它們之間的關系，并從CBM+的核心出發分析了當前CBM+的限制，最后結合美軍人工智能技術在CBM+中的應用討論了幾點啟示。

關鍵詞：人工智能；CBM+；航空維修

Keywords：artificial intelligence；condition based maintenance plus；MRO

CBM+即Condition Based Maintenance Plus，為增強型視情維修。美國國防部（Department of Defense，DOD）自2006年以來一直在使用CBM+流程、技術和基于知識的能力作為增加物資戰備和控制生命周期成本的戰略[1]。2007年在國防部指令4151.22中確立了CBM+策略，并于2008年1月發布了CBM+指南。2018年，美國空軍選擇B-1和C-5作為CBM+的試點并取得了理想效果[2]。2019年CBM+開始在美國空軍中逐步推廣，根據美軍快速維持辦公室（Rapid Sustainment Office，RSO）2021年度第一季度報告，在2021年底CBM+將擴展到C-5、C-130、C-17、B-52、F-15等16個空軍飛機平臺。

本文基于視情維修理論，梳理了CBM+中的各項關系，并結合美軍依靠人工智能技術發展應用CBM+，提出了幾點啟示。

1 CBM+概述

1.1維修類別

根據執行方法，維修分為三個類別——事后維修、預防性維修和預測性維修。三類維修的簡單說明見表1。

根據設備的特性和環境，這些方法中的任何一種都可以使用。但是，實際中通常會選擇向更有效、更主動的維護策略。

1.2 CBM+簡介

美軍國防部4145.22號指南[1]中將CBM+定義為一種適當的流程、技術、應用的集成，CBM+是將維護從故障發生時的計劃外的被動方法，轉變為由狀態感應和基于綜合決策分析驅動的、更主動更具預測性的方法，如圖1。符號“+”代表著添加與聯合，很難將CBM+定義在單個目標上，因為它涵蓋了廣泛的技術和實踐的內容，包含了預測性維修的技術、理念、流程和工具。隨著各類新技術的出現，CBM+的內容日益豐富。

2 CBM+的核心和限制

CBM+的核心是可靠性為中心的維修（Reliability-Centered Maintenance，RCM）和視情維修（Condition Based Maintenance，CBM）。RCM是CBM+的第一步，RCM根據系統可靠性特征和預期的操作環境確定裝備或設備適用維修方式技術，決策邏輯樹如圖2[3]。

CBM是使用傳感器或便攜式設備進行數據測量，或者進行第一手觀察，將觀察的狀態和測量數據作為有效依據進行維護。CBM是實施CBM+的基礎，它通過數據確定預測性維修中能探測的潛在故障點，圖3中的P點，以此作為實施維修的參考點。

CBM+的核心可以理解為采用一定的算法將收集的數據處理為有助于裝備維修的有關信息，然后依據信息能實施預測性維修，如圖4。

如今，隨著老舊機型的改裝升級，飛機上的傳感器越來越豐富，同時隨著信息技術發展，數據的傳輸、轉換和存儲問題也逐步解決。數據不再是限制CBM+實施應用的主要因素，關鍵是如何將數據轉換為信息進而形成決策。但是現在的數據體量空前巨大，這種大已經遠遠超出了傳統計算處理數據的能力，導致數據專業人員難以對其進行分析、管理并獲取信息。例如，洛克希德馬丁公司需要多個工人花費數月的時間分析C-130J“超級大力神”飛機的飛行數據，因為全球部署了進行搜救、科研、空中加油等各項工作的大約2500架C-130飛機，每架飛機每個飛行小時就會產生72000行的數據。

3 人工智能在CBM+中的應用

人工智能（Artificial Intelligence，AI）是機器或計算機程序思考和學習的能力。它提供了計算機執行傳統上需要人類智能完成任務的能力。機器學習（Machine learning，ML）是AI的子集，是指訪問數據時可以自行學習的系統。借助AI和ML技術，能夠幫助處理龐大而復雜的數據。面對龐雜的飛機傳感器數據和維護歷史記錄，在CBM+中使用AI既能改善維護數據質量又能迅速完成數據分析獲得裝備信息。下面以美軍為例介紹人工智能在CBM+中的應用。

3.1機器學習提高數據質量

美國空軍當前采用PANDATATECH公司的數據質量方法（DQM）。此方法使用動態的機器學習建模能夠幫助操作人員驗證來自傳感器的信號，具體步驟如圖5。經過DQM之后能突出關鍵數據，能夠獲得更高質量的信息，進而能更好地幫助維修工作[4]。相對于人工數據處理，DQM可以節省超過50%用于清潔、映射和驗證傳感器信號的時間，并且數據量越龐雜時使用DQM的優勢越明顯。例如，處理450萬個數據節點人工驗證大約需要1天，而DQM只需用6分鐘。該方法雖然不能直接完成決策，但是它能優化自動化中出現的錯報和誤報，幫助其他算法做出更好的決策，減少不必要的維護。DQM極大改善了輸入的數據質量，使數據專業人員能夠減少重復性的和時間密集型的數據處理任務，使其能將時間和精力集中在數據分析上。

3.2人工智能識別部件風險

C3.AI公司為美國空軍提供了一套預測維修系統，此系統通過人工智能驅動進行分析預測，從而能夠提高資產可靠性、確定預防措施的優先級。系統包括全面的有監督和無監督人工智能算法套件、非結構化文本的自然語言算法，可用于解決多個部件的故障情況。系統為航空兵部隊管理人員和維護人員提供了全部飛機的風險情況，系統可以查看推進、液壓、燃料、電力、飛行儀表、起落架等飛機中所有受監視的子系統。通過簡單直觀的屏幕，維護人員可以有效地評估發生故障的可能性。如圖6，0.64分表明X13飛機的引擎系統在接下來的30個飛行小時內發生故障的可能性較高，通過人工智能驅動的預測性分析你可以看見AAE80部件是最可能壞的部件。美軍已部署在C-5、B-2兩個機型上并證明該系統具備提前10～50飛行小時預測故障的能力，使用該系統能使飛機可用性增加40%，受監控系統的計劃外維護減少20%～40%。

4 啟示

如上分析美軍人工智能技術在CBM+中的應用，可以得出以下三點啟示。

1）轉變維修思維，以數據驅動維修。CBM+之所以能夠提高效能，縮短維護周期，降低成本，提高裝備可用性和可靠性，是因為CBM+能夠利用數據準確評估航空裝備的狀態并預測故障，讓維修更具針對性、更加可控。從預防維修和事后維修的勞動密集性經驗為主的方式，變為精準計劃預測為主。這樣的轉變需要維修人員充分依靠數據相信CBM+精準的決策信息，航空裝備維修不再是依靠經驗和工作量來確保維修質量。

2）合理利用人工智技術實施維修。數據改變了現有的維修方式，但是龐大的數據體量和雜亂的數據格式空前增加了處理分析的難度，如果僅僅依靠專業人員進行數據分析處理會花費大量的時間，所以需要引入人工智能技術幫助人員處理。但是使用人工智能技術并不是意味著所有維修決策完全不用人參與、全憑算法分析，或者說現在的技術還無法實現無人化。在數據處理的哪一個環節加入人工智能能夠最大程度地實現可靠性和效能的最大化，是我們需要研究探索的。目前美軍將人工智能技術應用在了數據整理和風險評估兩個環節，我們可以以此為鑒在航空裝備維修中合理應用人工智能技術。

3）使用新技術挖掘歷史數據的價值。美軍目前實施CBM+計劃的B-1和C-5飛機都是服役幾十年時間的老機型，對我軍實施CBM+有非常重要的參考價值。有很多服役時間較長的飛機在維護過程中采集并存儲了各種來源的數據，如歷史維護記錄、機器中的傳感器數據和天氣數據等。但是過去由于技術限制，沒有辦法分析各類數據與故障的相關性。如今，我們可以使用新技術應用新開發的算法對歷史數據實施分析，嘗試將歷史數據轉變為有意義的裝備故障趨勢，以確保維修人員更正確更全面的認識數據和知識，進一步幫助航空裝備提高維修可用性和可靠性，降低平均停場時間和維護成本。

參考文獻

[1] Rapid Sustainment Office Quarterly Report January[EB/OL]，2020，[2020-05].https：//assets.ctfassets.net/elw46xkgivuo/1q0MuaIkYkkq8INwSgpLTl/546c3e8e9beace55f7369dced7777205/ RSO-Quarterly-Report-Q12020.pdf

[2] US Air Force turns to data ana- lytics to solve B-1， C-5 maintenance challenges[EB/OL]，[2018-09-25]. https：// www.defensenews.com/digital-show-dailies/air-force-association/

[3] Reliability-Centered Maintenance（RCM） Handbook[EB/OL]，2017，[2017-04-18]. http：//mscn7training.com/ TrainingDocs

[4]Gustavo Sanchez. Machine Learning Validation of Time Series Signals to Reduce Mistakes in Digital Algorithms for Maintenance， Optimization， and Automation[J]. the Offshore Technology Conference， Houston， Texas.2019