民用飛機預測維修技術研究進展

摘 要：民機維修理論伴隨航空科技進步在不斷往前發展，從定時翻修到以可靠性為中心的計劃維修，以及先進的視情與預測維修理念。現代民機測試性的發展，特別是系統/結構健康監測技術的發展和成熟，豐富了現有的持續適航概念和方法體系，在確保飛機滿足持續適航要求的前提下，飛機由經驗化的基于時間的計劃維修向更加高效的基于系統/結構實際健康狀態的維修轉變。本文總結了民用飛機預測維修技術的最新研究進展情況，從以傳統計劃維修模式為基礎引出預測維修模式，包括結構/系統預測維修任務分析方法、預測維修方案優化、預測維修關鍵技術以及在民機領域的應用情況。

關鍵詞：民機計劃維修； 預測維修； 系統/結構健康監測； 維修優化

中圖分類號：V267 文獻標識碼：A DOI：10.19452/j.issn1007-5453.2024.07.002

基金項目： 國家自然科學基金（U2233204）；上海民用飛機健康監控工程技術研究中心開放課題（GCZX-2022-02）

維修是為保持或恢復工程系統到其規定的技術狀態所進行的全部活動。它是一個非常廣泛的概念，涉及工程系統的各個組成部分，也貫穿于工程系統從設計到報廢的全生命周期過程。航空維修主要研究航空器的維修，包括飛機機身、發動機及機載系統的維修。航空器維修的直接目的是持續保持其處在規定的技術狀態下工作，即預防航空器及其組成系統的功能退化和故障及其產生的后果。而當其狀態受到破壞（即發生故障或遭到損壞）后，使其恢復到規定狀態。現代航空維修以最低的維修成本，盡可能地保持、恢復甚至延長其可靠性壽命，保證飛行安全，最大限度地提高其利用率。采取及時、合理的維修，航空器的使用可靠性和安全才有保障。

現代民機測試技術的發展，特別是系統/結構健康監測技術的發展和成熟，豐富了現有的持續適航概念和方法體系，在確保飛機滿足持續適航要求的前提下，飛機由經驗化的基于時間的計劃維修向更加高效的基于系統/結構實際健康狀態的維修轉變。飛機健康監測技術的引進將對目前的民機維修模式帶來一定的變化，將影響目前的飛機維修任務分析和計劃維修模式，一些傳統的依靠人工實施的定時檢查任務將可能被自動化的健康監測取代，還有相當一部分計劃維修任務將被取消，取而代之的是視情維修或預測維修，減少停機定檢時間和檢查的人工成本，有效地降低飛機的運營維護成本[1]。隨著健康管理技術的發展并在新一代民機上應用，未來的民機預測維修模式下，通過故障預測與健康管理（PHM）技術提前預判故障，從而將部分計劃以及非計劃維修任務轉換成預測維修，預期總的維修保障成本將大幅度降低。

近幾年航空PHM技術快速發展，部分技術具備較高的成熟度，民機PHM技術雖然在降低維修成本、提高飛機利用率等方面潛力無限，成為各國適航當局、飛機制造商、飛機用戶，以及相關研究單位所關注的熱點問題。但如何在民機維修工程實踐中應用這些技術，真正實現PHM預測維修模式的效益，從自身技術角度、適航法規與標準體系角度仍面臨不少挑戰[2-3]。技術層面上，由于飛機及其運行維護保障系統是一個非常復雜的體系，其中許多系統相互作用，系統的固有復雜性導致準確預測退化狀態是一個挑戰，實際運行中的飛機系統故障預測是一個挑戰性難題。飛機系統及部件在各種條件和環境下運行，其退化規律和狀態在很大程度上取決于運行環境和運行歷史，而且受到其他系統的性能和狀態的影響。通常預測模型在受控的實驗室環境中表現良好，但實驗室條件下無法真正模擬實際運行中的退化情況，因此在實際運行中故障預測表現不佳。采用預測性維修策略的一個重要的技術挑戰，即是否具備能夠解釋實際復雜多變運行環境下的高質量的系統或部件故障預測能力。適航法規與標準體系層面上，考慮航空業的高安全性要求，任何新技術或方法的采用都必須得到驗證，以保持或提高航空安全水平。在采用預測維修的情況下，需要驗證預測維修策略和技術的采用不會增加失效的可能性，并且仍然符合適航監管機構的要求和可接受的符合性方法。目前，這一問題并沒有得到有效解決，特別是對于數據驅動的預測維修方案，其預測模型的準確性、可靠性、可信性等問題有待解決。目前對于預測性維修技術的開發、測試和部署應用，缺乏行業標準方法、指導準則和法規，導致行業內各個參與方采用的驗證方法不一致、對要求的解讀不同以及安全評估的嚴格程度不同，最終影響了監管機構對預測性維修策略的批準。

本文總結了民用飛機預測維修技術的最新研究進展情況，從以傳統計劃維修模式為基礎引出預測維修模式，重點梳理分析了結構/系統預測維修任務分析方法、預測維修關鍵技術以及在民用航空領域的應用進展情況，為民機預測維修技術的研究和應用提供參考。

1 民航計劃維修模式

1.1 分析民機計劃維修任務

民機維修理論從定時翻修發展到以可靠性為中心的計劃維修，以及先進的視情維修和預測維修理念。目前，在役的民機型號主要以可靠性為中心的計劃維修為主，部分機載系統，如航空發動機逐漸實現了視情維修模式[4]。維修審查委員會報告（MRBR）通常稱為維修大綱，是飛機計劃維修要求的匯總文件，是保持航空器持續適航的基本文件，也是航空器承運人用于制訂維修方案和工卡的主要依據。民用飛機維修大綱制定需要一套科學的分析流程。目前，國外主流的維修大綱分析標準包括ATA MSG-3《運營商/制造商計劃維修制定文件》、ASDS400P《預防性維修制定與持續優化國際規范》、SAEJA1011《以可靠性為中心的維修過程評價準則》、MIL-STD-3034A《以可靠性為中心的維修過程》、NAVAIR00-25-403《海軍航空裝備以可靠性為中心的維修分析指南》等。其中，MSG-3標準中的分析方法因其兼顧安全、運行和經濟性，得到國際民航普遍認可和廣泛應用（見圖1）。從1968年維修指導小組（MSG）方法首次應用于波音747制定維修大綱，MSG從最初的以預防為主的維修思想開始，經歷了“用可靠性方法控制維修”、MSG-1、MSG-2、MSG-3。1994年，國際維修審查政策委員會（IMRPB）將MSG-3作為各國民航當局制定和批準運輸類飛機維修審查委員會報告（MRBR）的統一分析工具，MSG- 3在民用航空器制造行業內得到了普遍應用，并逐步從運輸類飛機擴大到通勤類飛機和旋翼機[5]。

MSG-3中計劃維修分析包含確定系統、結構、區域、防閃電/輻射4個主要領域的計劃維修任務和間隔，每個領域的分析方法都有各自不同的分析對象、邏輯圖、步驟、流程以及分析報告樣式，同時又具有一定的相互關聯性，并最終產生計劃維修要求中的維修任務和維修間隔[5]。圖2和圖3所示分別為民機系統、結構、區域，以及防閃電/輻射計劃維修任務的分析流程。

MSG思想是航空運輸協會集體智慧的結晶，它是飛機設計制造方、使用維修方和管理當局共同研究的成果，也是各國管理當局共同認可和使用的工作原理。MSG維修思想和利用可靠性方法控制維修原理相結合，最高的安全標準、滿意的可靠性水平和良好的經濟效益是MSG思想的核心，具體體現在以下幾個方面：（1）在管理當局的參與下，航空公司和飛機設計制造方使用MSG方法制訂的維修大綱，是一組能夠真正保持航空器設計安全性和可靠性水平的工作或會有經濟效益的工作。這個過程也是對飛機設計的重新評審。（2）通過采用新的設計思想和新的技術，不斷提高飛機的安全性、可靠性和維修性，為MSG思想的發展提供了物質基礎。這些新的思想和技術主要包括：損傷容限、冗余度和備用系統設計思想；防錯、容錯和系統安全性設計思想；電子計算機和數字技術；盡可能采用單元體或模塊設計；中央維護計算機系統，并通過空地數據鏈實現地面實時監控、及時維修。（3）航空公司在維修大綱框架的基礎上，補充運行環境、使用經驗和管理當局要求，制訂公司的維修方案；通過完成相應的預定維修工作和補充的非預定維修工作，應用可靠性方法，實施對飛機的有效維修和監控，不斷調整維修工作要求，必要時完成改裝，保持飛機的持續適航性。（4）航空器使用和維修中發現的故障和偏離，除本單位進行持續監控分析或可靠性分析外，還應按照管理當局和制造方要求及時報告；設計、使用和管理當局三方合作，共同使航空器保持最高的安全水平、盡可能高的可靠性狀況，爭取好的經濟效益。

1.2 制訂民機計劃維修方案

現代飛機計劃維修模式以MSG-3/RCM框架下制定的維修大綱為基礎，綜合型號審定維修要求項目、適航限制項目，以及適航指令和服務通告等形成維修計劃文件，在此基礎上考慮用戶的飛機實際運行狀況、維修能力等最終形成客戶化的維修方案，確保飛機投入運營后的持續適航（見圖4）。其中，維修計劃文件也叫MPD，是航空器制造方為了幫助航空公司和用戶盡快制訂符合運行規章要求的維修方案而以維修大綱為框架編寫的指導性維修技術文件，便于航空公司參照該文件更好地執行維修大綱即MRB報告和相關的規章制度。適航限制項目（ALI）是在型號審定過程中規定的某些結構項目（包括機體、發動機、螺旋槳）的使用限制。審定維修要求（CMR）是按照CCAR-25.1308，在航空器設計、審定期間，作為型號合格審定運行限制而要求的定期維護/檢查任務。通過CMR確認危險或致命的失效狀況，通過必要的修理或更換使航空器恢復到正常的適航狀態。各民航當局的適航標準都將計劃維修要求作為持續適航文件的重要內容，編制計劃維修要求文件也是航空器制造廠家或者型號合格證持有人的責任。國際上行業的通用做法是將計劃維修要求分為適航性限制和制造廠家建議兩部分組成。適航性限制部分主要是為滿足適航標準而確定的結構適航性限制項目、審定維修要求和時壽件等要求，由適航審定部門結合型號合格審定過程批準；制造廠家建議部分則一般由航空器評審組（AEG）負責評審，針對一些較大的航空器還成立專門的維修審查委員會（MRB），并以發布MRBR的方式予以批準或公布。航空公司用戶維修方案，是航空公司根據制造廠編寫的維修方案或者直接根據維修大綱、維修計劃文件、客戶化維修計劃文件等，結合本航空公司的維修能力等實際情況而編寫的適合本航空公司使用的維修方案，是航空器持續適航的基本要求，也是航空器運行的基本要求。維修方案是否科學，不僅關系到飛機的安全與適航，而且直接影響到飛機維修的成本，只有結合航空公司自身的實際情況，通過可靠性數據采集分析和工程評估，科學動態地優化維修方案，才能真正實現以最低的維修費用保證飛機的持續適航[6]。

現代飛機基本上形成了以預防性維修為基礎的計劃維修模式，已發展成為民航行業內一種成熟的維修模式。目前的計劃維修模式下，飛機需要定期停場，執行計劃維修任務，如C檢、D檢等。此外，還會因為故障等導致非計劃停場維修。如以常見窄體客機為例，大概有2/3停場時間是執行計劃維修，而非計劃維修導致的停場時間占1/3左右。民機現有的計劃維修模式在確保飛機持續適航安全方面的有效性得到驗證，但在效率和成本方面還有較大的改進空間，同時存在有過修和欠維修的這一矛盾問題，一旦飛機運行中發生故障，需要根據故障指示來進行故障隔離，通常在飛機著陸后進行，后續的維修準備、航線可更換件（LRU）替換甚至飛機派遣問題被進一步推遲，就會導致維護成本較高和航班延誤或取消的經濟損失。故綜合考慮飛機性能和技術的有效性并將其與經濟性結合，也是發展推進維修模式使其更加成熟的重要環節。此外，在制定初始維修大綱的過程中對于計劃維修任務間隔（含門檻值和重復間隔）的選擇，由于缺少必要的數據，通常采取保守策略以保證飛機安全性。在航空器投入運行后，需要建立航空器機隊使用數據的收集、處理、分析的完整的可靠性管理體系，對維修任務進行持續優化，定期評估并修訂航空器的維修方案。

2 民機預測維修模式

2.1 民機健康管理與預測維修

飛機健康管理（AHM）的核心基礎是利用先進的傳感器技術集成，借助各種算法和智能模型，完成系統的狀態監測、故障診斷/預測，然后依據診斷或預測信息（預先診斷部件或系統完成其功能的狀態，包括確定部件的剩余壽命或正常工作的時間）、可用的資源、使用需求對維修活動做出適當的決策，避免“過修”和“失修”問題，提高系統的利用率，從而合理地權衡了使用、維修中安全和經濟的矛盾，確保全壽命周期的成本最低。民機健康管理技術伴隨著航空科技，特別是航電技術的進步而不斷發展。以波音、空客為代表的系列化機型的發展，第一代的機械、模擬系統，以手動測試、告警燈、信號燈等方式提示故障，到20世紀80年代的數字航電系統，90年代以波音777為代表的模塊化航電、中央維護系統，飛機機載健康管理技術得到長足發展，到2010年前后，以波音787飛機為代表，出現了機載維護系統（OMS）以及空地一體實時故障診斷與預測系統，新一代民機健康管理呈現出監控實時化、診斷智能化以及維修精細化的發展趨勢[7]。

民機維修理論的發展，離不開新技術的采用，特別是飛機機載維護系統、健康監測技術的發展。實質上主制造商（OEM）及用戶改善飛機維修的需求，促進了飛機健康管理技術的發展，反之新技術的應用，也促進民機維修理論向前發展。現代民機測試性的發展，特別是系統/結構健康監測技術的發展和成熟，豐富了現有的持續適航概念和方法體系，在確保飛機滿足持續適航要求的前提下，飛機由經驗化的基于時間的計劃維修向更加高效的基于系統/結構實際健康狀態的維修轉變。PHM預測維修模式是基于設備退化信息的維修，通過不斷或者定期或連續地檢測/探查設備退化指標來確定正確的時間執行必要的維護工作。預測性維修和傳統維修策略相比可以減少民機非計劃維護時間及航班延誤，提高民機利用率。目前，在役的民機型號仍然主要以計劃維修模式為主，部分機載系統（如航空發動機）逐漸實現了視情維修模式。

隨著新一代飛機上逐步應用PHM技術，未來的飛機預測維修模式將會從兩個方面降低維修保障成本：一是自動化的PHM監測能夠減少很多計劃維修任務，執行A/C/D定檢任務的停機時間和維修成本進一步降低；二是PHM對系統狀態的有效監測能夠大幅度減少非計劃維修任務，減少非計劃維修導致的航班延誤取消等間接成本。通過PHM技術提前預測故障，部分原本可能導致非計劃維修的任務得以提前轉換為PHM預測維修。這一發展趨勢將進一步提高維修效率，使飛機運營更加經濟高效。

民機計劃維修要求包含系統、結構、區域、防閃電/輻射4個主要領域的計劃維修任務和間隔，目前民機預測維修技術及應用相關研究以結構和系統為主，這兩部分也是民機計劃維修要求中的主要組成部分。下面將分別展開介紹民機結構、系統預測維修任務分析方法。

2.2 民機結構預測維修任務分析

2.2.1 考慮SHM的飛機結構維修任務分析

針對民機結構計劃維修任務分析，2007年國際維修政策委員會（IMRBPB）提出IP92文件建議修訂MSG-3結構維修任務分析邏輯[8]，增加基于結構健康監測（SHM）的結構維修任務。在2009年的修訂中，提出了計劃結構健康監測（S-SHM）的概念，即按照固定的時間計劃去使用/運行/讀取結構健康監測系統，并將S-SHM作為新的維修任務方式取代傳統基于人工的定期結構檢查。同年，IMRBPB發布了IP105文件[9]，提出了自動結構健康監測（A-SHM），即沒有固定的時間計劃去實施結構健康監測，而是持續地監控結構并在必要的時間觸發維護人員實施維修活動。

在經MSG-3分析確定了所有重要結構件的初始計劃維修任務后，通過對當前成熟SHM技術的可行性和適應性分析，選擇合適的SHM系統以取代部分結構的定時維修任務。目前傳統的MSG-3分析中，針對結構定時檢查這一大類維修任務，只提供了一般目視檢查（GVI）、詳細目視檢查（DET）以及特殊詳細檢查（SDI）三種檢查方式，但引進成熟的SHM技術后，部分傳統的結構檢查任務可由SHM取而代之。

SHM按照運行模式不同可分為“計劃的（定時的）”和“自動的（持續的）”兩種模式。S-SHM按照固定的時間計劃去使用/運行/讀取結構健康監測系統；A-SHM沒有固定的時間計劃去實施結構健康監測，而是持續地監控結構并在必要的時間觸發維護人員實施維修活動。結構健康監測系統按照監測參數的不同，可分為“損傷監測”和“使用監測”兩種類型。結構損傷監測系統借助傳感器直接監測結構的損傷狀態；結構使用監測系統監測傳感器不直接監測結構的損傷退化狀態，而是監測結構使用相關的各種參數，如環境參數、載荷參數等，借此推斷結構的損傷退化狀態。

S-SHM系統通過定期的檢查結構狀態，讀取監測數據，通過內置的軟件和算法判斷結構性能是否出現下降，這與維修任務類型中的“功能檢查”的定義一致，即通過定量的檢查來判斷部件或系統的一項或多項功能（性能）是否在特定的極限范圍內。因此，結構健康監測的應用將豐富目前的結構計劃維修任務的工作類型的選擇范圍，在傳統的三種基本的檢查/功能檢查類中增加了S-SHM工作類型，即GVI、DET、SDI和S-SHM。顯然，S-SHM相對于其他傳統的檢查方法具有明顯的優勢，不需要對飛機結構進行拆解，縮短了飛機停場時間、減少了人力成本等。A-SHM持續的監控結構并在必要的時間觸發維修活動，A-SHM監控的結構件完全轉為視情維修，從MSG-3分析的角度ASHM將不會產生任何計劃維修任務，因此，A-SHM的應用將可能取消一部分計劃檢查任務，從而大大降低結構的維護成本。

IMRBPB IP92/105文件中，提出的考慮結構健康監測技術的結構維修任務分析邏輯決斷程序如圖5所示。

2.2.2 考慮SHM的飛機結構維修方案優化

結構健康監測技術的應用豐富和改變了目前的基于MSG-3的結構維修任務分析方法。在經MSG-3分析確定了所有重要結構件的初始計劃維修任務后，通過對當前成熟SHM技術的可行性和適應性進行分析，選擇合適的SHM以取代部分結構的定時維修任務。雖然IP92和IP105為MSG-3計劃維修模式下融合結構SHM技術提供了頂層指導，但缺乏對SHM任務的適用性評估及具體實施準則和可參考的成功商業案例[10]。2013年，美國汽車工程師學會（SAE）頒布了ARP6461，提供了將SHM納入飛機維修方案的一般指導信息，以及符合現行航空法規和飛機結構設計與維修慣例的驗證和適航性要求和建議，作為OEM以及參與商業航空SHM解決方案開發和認證的監管機構和其他利益相關者的共同參考。Speckmann等[11]總結了在役飛機引入SHM的挑戰和效益，并建議在現有計劃維修模式下將SHM逐步引入航空業。Pattabhiraman等[12]基于SHM提出了CBM-Skip策略，以借助機載SHM系統跳過不必要的定期結構維護，并認為該策略比傳統定期維護可節省大量成本。Fitzwater等[13]將SHM與傳統的結構維修計劃相結合，對F-15特定的損傷容限結構進行了SHM成本效益分析，認為將多個結構問題包含到更大系統中的系統方法可能更具有成本效益。Piotrowski等[14]介紹了Delta航空在波音737飛機現有結構維修方案中融合SHM技術所做的努力，在當前計劃維修模式下通過對特定結構細節的“熱點”定期監控，是從計劃維護模式過渡到完全基于狀體的預測維護方案所需的第一步。巴西宇航工業的觀點類似，為避免與傳統計劃維護實踐矛盾或違背當前適航法規與標準體系的大多數問題，在民機結構維修方案中先從Scheduled SHM應用開始更容易取得突破[15]。

對于給定的結構元件，其檢查門檻值和重復檢查間隔取決于所采用的檢查方法，GVI、DET以及SDI檢查方式都有不同的裂紋檢測閾值。考慮S-SHM的結構維修模式與現有結構計劃維修模式一致，不同之處在于考慮S-SHM的結構維修模式下，重要結構件的檢查是通過在線SHM設備實現的，避免實施人工檢查所需要的結構拆解、檢查、安裝等一系列的維修活動，因此檢查成本將顯著降低。因此，與傳統的基于無損檢測（NDE）的檢查方法相比，SHM技術的引進可以施行更加頻繁的自主檢查，然而頻繁的實施SHM檢查帶來一個新問題就是可能會導致虛警事件上升，引起不必要的停機檢查活動，增加了額外的維修成本和運營成本。顯然，不管采用傳統的NDE檢查方法還是新興的SHM監測技術，最優的檢查間隔和修理閾值的確定需建立在結構失效風險和維修成本權衡的基礎上。孫見忠等[10]提出了一種基于風險與成本分析的融合SHM技術的飛機結構檢查任務規劃方法（見圖6，其中，SFPOF為單次飛行失效概率，PCR為結構修理概率，ares，depot為車間修理閾值，ares，field為航線修閾值。）解決新型SHM技術融入現有民機計劃維修模式中的問題，可以在不改變現有的飛機計劃定檢維修模式的情況下，有效融合基于S-SHM的新型結構檢查策略到現有的結構維修計劃中，可以在權衡結構失效風險和壽命周期維護成本的基礎上確定最優的結構檢查間隔和修理閾值。

2.3 民機系統預測維修任務分析

2.3.1 考慮PHM的飛機系統維修任務分析

針對考慮PHM技術的民機系統維修任務分析，2018年，IMRBPB發布IP180[16]，IP180參考了行業的相關標準規范，如SAE ARP6803、ARP5120、ARP6255等，提出了一個融入PHM的MSG-3系統/動力裝置維修任務分析邏輯，即在傳統MSG-3分析流程結束后得到的傳統維修任務基礎上，開展PHM任務邏輯分析（定義為維修任務第三層分析），邏輯流程如圖7所示。

經過PHM維修任務分析后，可能得到的候選任務類型包括兩類：（1）PHM在功能上部分地等效傳統維修任務，即可以解決由傳統任務覆蓋的部分失效原因，該類PHM候選任務定義為綜合PHM維修任務。這是一個由PHM補充的傳統任務，它可以改變范圍、間隔或任務程序，如傳統任務補充PHM后，由定期維修任務轉換為視情維修任務。在這種情況下，PHM不能完全滿足傳統任務的目的，即并非所有失效原因都被PHM覆蓋。（2）PHM在功能上完全等效傳統維修任務，即可以解決由傳統任務覆蓋的全部失效原因，該類PHM候選任務定義為PHM替代任務。這是一個由PHM功能完全等效傳統任務，它可以改變維修任務類型或程序，如傳統的定期人工檢查/功能檢查任務，完全由PHM替代。

2.3.2 考慮PHM的飛機系統維修方案優化

IP180從MSG-3邏輯和流程角度考慮融入PHM，在初始維修大綱制定時完成PHM任務分析，即考慮融入PHM技術后的維修任務是作為傳統任務的補充或完全取代。閆洪勝等[17]提出了基于PHM的維修模式的概念，運用蒙特卡羅仿真的方法建立了傳統維修模式和基于PHM維修模式的維修成本模型，綜合評價了PHM模式下的經濟效益。Rodrigues等[18]考慮到PHM技術可以提前獲得組件的剩余使用壽命（RUL）的估計值，結合系統架構信息和對象系統所有組件的RUL估計，提出了系統級維修計劃決策支持方法，以最大限度降低了安全約束下的部件更換成本。但是，IP180沒有考慮PHM任務如何在飛機維修管理中具體應用與驗證，即缺少PHM維修模式在航空公司維修管理中的落地實踐方法。孫見忠等[19]以波音737NG空調系統為例，開展了民機系統預測維修應用驗證研究，首先建立基于快速存取記錄器（QAR）數據驅動的空調系統PHM模型，設計了空調系統PHM維修模式，并基于歷史運行數據開展了計劃維修模式與預測維修模式下維修成本對比分析。研究表明，基于PHM的維修模式不僅可以取消部分定期檢查工作，還可以通過提前監測來減少非計劃的維修事件，進而降低民機系統全壽命周期維修成本。成本效益分析表明，實施PHM預測維修比傳統計劃維修可降低成本40%以上。

在傳統的MSG-3計劃維修模式下，針對波音737NG空調系統熱交換器有三項計劃維修工作，見表1。其中熱交換器計劃拆換工作是飛機制造商推薦的維修工作計劃文件（MPD）要求，其維修間隔是2000飛行循環，主要工作是拆換裝機時間（TSI）即將達到2000飛行循環的熱交換器，然后通過開展離位深度清潔（主要是清洗熱交換器冷熱兩端：沖壓空氣端和引氣端）和滲透測試等工作；另外，航空公司工程部門針對空調系統故障高發導致非計劃維修事件問題，在現有MPD計劃維修任務基礎上，額外增加兩項計劃維修工作，即熱交換器的在翼清潔與管道溫度定期檢查。在翼清潔工作主要是通過在翼的沖洗熱交換器沖壓空氣端，以恢復其性能，兩個月進行一次計劃在翼清潔；空調分配管溫度檢測工作是航空公司為了測試左右空調系統混合輸出的穩定性，保障艙室有合適溫度輸入，該項工作只是檢測表征空調組件性能，對部件性能恢復不起作用。此外，空調系統超溫、組件跳開等突發故障，航線維修人員要根據不正常事件的影響情況判定是進行在翼清潔還是拆換送修，因此而導致非計劃維修事件的發生，具有一定的隨機性，如圖8所示。

民機空調系統健康監測技術的引進對目前的空調維修任務制定和優化帶來一定的變化，基于IP180邏輯，可以借助空調系統PHM取消部分的定期檢查任務（管道溫度檢查），將定期在翼清潔任務、定期拆換任務轉變為視情維修任務。空調系統基于PHM的維修模式如圖9所示，實施基于PHM監控的維修模式可以取消定時管道溫度檢查工作，取消一個傳統的計劃周期為14天的管道溫度測試工作可以減少1.5工時/次。另一方面，傳統的在翼清潔工作改變為動態的基于熱交換器性能評估的視情開展在翼清潔工作，平均維修時長為4工時。原有的2000FC的計劃送修工作，需要獲得廠家和局方批準才可以實施，因此現行維修模式下此項維修任務正常進行，但通過監控可以發現熱交換器性能嚴重退化，從而提前開展拆換送修工作，避免非計劃拆換工作。

借助離散事件仿真開展兩種維修模式的維修事件仿真，計劃維修和PHM維修模式下的各類維修事件發生次數對比如圖10所示。對比兩種維修模式下的拆換事件可以發現，PHM維修模式下的拆換送修次數比較多，主要是因為PHM維修模式下的拆換送修次數是定期拆換事件和PHM識別出的可提前拆換送修的事件之和，通過提前拆換送修可以避免不正常事件的發生。PHM維修模式下的不正常事件的產生主要來自漏警產生，但算法的漏警率控制在可接受的范圍內，所以不正常事件的產生也是極少數的，而在傳統計劃維修模式下的不正常事件較多，也會造成很多航班延誤成本的支出。

根據仿真結果和成本評估模型，分別計算空調系統PHM維修模式實施5年、10年、15年、20年周期內，計劃維修和基于PHM監控維修的總成本，見表2。結果表明，對于一架飛機的空調系統維護而言，PHM維修模式實施5年可以節約40%左右的維修成本。數據表明，實施PHM維修模式具有明顯的經濟效益，可以大幅度節約維修成本。以空調系統PHM維修模式實施周期為10年計，單架飛機可節省維修成本40萬元左右，某航空公司150余架飛機的機隊可節省維修成本在6000萬元左右，即每年可以為航空公司節約6000萬元維修成本。

3 預測維修關鍵技術

民機預測維修需要解決4個問題：為什么維修；需要維修什么；什么時候維修；怎么安排維修。為解決這些關鍵問題，預測性維修的關鍵技術包括PHM技術（由健康監測技術、故障診斷技術和故障預測技術組成）和預測性維修決策技術，邏輯關系如圖11所示。

3.1 健康監測技術

民機健康監測技術是開展預測性維修的前提，是表征飛機系統或關鍵部件性能狀態和健康水平的重要手段，解決“為什么維修”的問題。民機構型復雜，涉及多個運行工況和使用環境，不同組成部分的性能指標或退化規律不同，難以實現整機級健康監測，一般都是開展系統或關鍵部件的健康監測。按民機監測對象分類，可以分為結構健康監測和系統健康監測。

民機結構健康監測是利用在民機結構中布設的先進傳感器實現在線獲取該區域結構健康狀況相關信息（如裂紋、應力、應變等），結合數據處理技術和建模方法，提取表征結構健康狀態的特征參數，實現結構狀態完整性和可靠性評估。

民機系統健康監測是利用機載數據構建數據驅動監測模型，實現民機系統的健康狀態評估，目前較多研究主要是針對具有退化趨勢或明顯健康特征的典型系統，如環控系統、液壓系統、發動機系統等。數據驅動的民機系統健康監測方法可以分成基于統計分析、基于解析模型、基于機器學習和基于深度學習方法。基于統計分析方法是基于數理統計分析技術，通過挖掘大量的歷史數據和分析多個過程變量的相關性，確定具有表征意義的特征量，以此實現具體系統的健康評估。基于解析模型方法是通過數學模型的期望輸出值與實際測量值之間的殘差信號一致性來反映監測對象的健康評估狀態。基于機器學習的方法是通過利用民機系統的歷史運行數據來訓練，如支持向量機（SVM）、神經網絡（NN）、高斯過程（GP）等算法模型，然后基于訓練好的模型進行健康狀態評估，對于航空工程的多學科領域都有重要作用[20]。隨著大數據技術和人工智能算法的發展，在民機系統健康監測方面，更多的深度學習網絡被建立并應用于健康監測，具有代表性的網絡有自動編碼器（AE）、長短期記憶網絡（LSTM）、門控循環單元網絡（GRU）、卷積神經網絡（CNN）、深度信念網絡（DBN）等。

3.2 故障診斷技術

民機故障診斷技術是開展預測性維修的基礎，是確定維修對象的重要手段，解決“需要維修什么”的問題。經典的P-F曲線解釋了機械設備性能退化的過程，即正常狀態、健康退化狀態和故障狀態三個階段，健康監測與評估主要應用于系統部件的退化過程，而故障診斷則是進行故障模式識別及原因分析。故障診斷方法可以分為定性分析和定量分析兩大類。

基于定性分析的故障診斷方法是結合定性分析工具和行業專家知識經驗，基于專家知識的方法根據最新的狀態信息，對比過去和現在的連續狀況，對分析對象的性質、特點、發展變化規律做出判斷，并形成一種定性診斷的規則，包括基于規則的專家系統診斷方法、基于模糊的專家系統診斷方法和基于D-S證據理論診斷方法。

基于定量分析的故障診斷方法是利用各類傳感器的監測數據和歷史記錄數據，經過數據處理、建模、分析后，實現系統的故障診斷，不需要精確的系統模型。這類方法又可分為基于統計分析故障診斷方法、基于信號處理故障診斷方法和基于機器學習故障診斷方法。統計分析方法是基于數理統計分析技術，通過挖掘大量的歷史數據和分析多個過程變量的相關性，確定具有表征意義的特征量，并以此來進行故障診斷。Sun Ruiqian等[21]提出了在多源不確定性條件下提取特征并采用改進卡爾曼濾波器對航空發動機進行故障檢測。信號處理方法就是對傳感器采集的各種信號進行處理和分析，如振動信號、溫度信號、聲音信號等，提取與故障相關的時頻域特征，并基于故障分類或識別方法進行診斷。類似于基于機器學習的健康監測方法，該類故障診斷方法也是利用大量的運行數據和歷史故障樣本數據來實現機器學習模型訓練和參數優化，進而得到診斷精確度較好的模型實現故障診斷。隨著大數據和人工智能的發展，基于深度學習的故障診斷方法也被廣泛深入研究，該類方法可以視作基于機器學習的故障診斷方法的發展。

3.3 故障預測技術

民機故障預測技術是開展預測性維修的核心，又可以稱為RUL預測，是預測維修對象故障發生時間和RUL的重要手段，解決“什么時候維修”的問題。故障預測對于安全運行和維修保障具有重要意義，很多方法和模型被提出并深入研究。歸納目前有關故障預測方法，可分為基于可靠性理論的方法、基于失效物理模型的方法、基于數據驅動的方法。

基于可靠性理論的故障預測傳統方法，都是基于同類型部件、設備或系統的故障統計記錄來擬合其壽命或失效分布，并以此來預測待測對象。目前已有許多成熟且被廣泛使用的可靠性模型，如泊松分布（Poison）、威布爾分布（Weibull）、指數分布（Exponential）、對數一正態分布（LogNormal）等。其中，應用最廣泛的就是威布爾分布，因其能適用包括“浴盆曲線”中的機械設備早期失效等多種情況。這類方法已得到方法應用，但存在技術缺陷，這類方法只提供了同類對象的整體性能評估與失效預測，缺乏個體故障信息，即無法給維修人員提供運行設備特定部件狀況。

基于物理機理的故障預測方法需要對設備或系統的設計構造和運行原理十分清楚，以便于建立用于描述系統及失效的物理模型。這類模型通常解析數學模型表示，試圖綜合特定系統結構原理、部件缺陷產生公式和已有的監測數據，以此獲得“知識充分”的故障預測輸出。基于物理模型的故障預測結果是最精確的，因為模擬了整個設備系統的結構與功能原理。但是，對于大多數工業設備和系統而言，這類方法實用性不強，尤其是航空器系統故障預測領域。主要原因有：一是構造這樣的物理模型極其困難，二是這樣的物理模型主要是針對單一故障建模，在實際運行中失效原因可能是多重故障導致的。

基于數據驅動的故障預測方法不需要對象系統精確的物理模型和先驗知識，以采集的數據為基礎，通過挖掘采集到的數據中所內含的信息進行預測分析。這類方法避免了前兩類方法的部分缺點，成為了一種較為實用的故障預測方法。隨著大數據技術和人工智能的發展，基于數據驅動的故障預測技術發展迅猛，深度學習網絡應用于預測模型。但是，該類方法也存在兩方面難點：一是安全性要求比較高的復雜重要設備的故障數據獲取比較困難；二是所獲得的數據具有不確定性和不完整性。

上述健康監測、故障診斷與故障預測技術統稱為健康管理技術，是工業和學術界熱點研究領域。關于民機健康管理技術研究主要集中數據驅動的模型方法，根據建模訓練數據是否有標簽可以分為有監督學習算法和無監督學習算法，不同類型的建模方式適用于不同的數據條件和建模目的。表3總結了近些年部分民機健康管理模型。

3.4 維修決策技術

民機預測維修決策技術是開展預測性維修的技術支持，是統籌計劃維修、非計劃維修、預測維修等多類型維修任務和規劃維修資源的重要手段，解決“怎么安排維修”的問題。維修決策是指根據飛機的實際情況、運營需求和維修資源約束，選擇合適的維修策略、維修任務、維修時機和維修場地完成維修工作，以最大限度地提高飛機的安全性和運營效率，解決“怎么安排維修”的問題。預測維修的前提是可以監測并表征系統的退化過程，這一過程有兩種情況：離散型和連續型，也對應著不同的表征方式。根據維護對象的組成，可以分成單系統和組合多系統兩種情況。因此，預測性維修決策可以分為4類：單系統離散退化狀態的預測性維修決策、單系統連續退化狀態的預測性維修決策、多系統離散退化狀態的預測性維修決策、多系統連續退化狀態的預測性維修決策[42]。Zhu Qiushi等[43]提出復雜系統中單調隨機退化的單部件的維修決策模型，假定在一個復雜系統中其他部件仍采用傳統的定時維修策略，而選取的單調退化部件的工作性能要求設定警告限制，當監控結果接近控制基線時準備開展維修措施。葛恩順等[44]針對不完全維修情況下的單部件和整個退化系統開展維修決策研究，遵循實際工程中設備維修不可能“修復如新”且修復后退化速率會加快的原則，基于Gamma過程建立退化部件和整個系統的維修決策模型，以定期檢測獲取部件和系統狀態，當劣化狀態超過規定閾值時開展維修，并引入蒙特卡羅算法仿真驗證模型可行性和有效性。Walter等[45]根據系統狀態的Bayesian更新理論，基于系統內所有部件的狀態（正常工作、帶有缺陷、失效）以及系統可靠性框圖，提出復雜系統的維修決策模型，而該模型中假定部件的失效是隨機且服從固定形狀參數的威布爾分布。以上的研究主要集中于單一故障模式下設備或系統的退化與維修，并且假定環境或維修操作等因素對模型沒有影響，因此研究存在明顯的局限性。Liu Xiao等[46]研究多重故障模式相互作用下的設備視情維修建模方法，針對退化系統多重故障相互作用相互影響建立序貫檢測條件下多級控制限制的維修模型，相比于單一故障模式而言這類模型適用性更強。

以上的研究主要集中于單一故障模式下設備或系統的退化與維修，并且假定環境或維修操作等因素對模型沒有影響，因此研究存在明顯的局限性。預測性維護（PdM）可以視為增強的基于狀態的維修，是基于預后的維護概念，其必要前提條件是飛機中設計了先進的預測和健康管理系統。預測性維修是在基于狀態維修（CBM）的基礎上，融合預測信息，在故障預測時間之前完成修復性工作，可以理解為增強的基于狀態維修（CBM+）。在飛機現有的PHM水平和監測能力下，不管是PdM，還是CBM，都不能完全取消周期性檢查維修任務，這類維修任務決策一般考慮如何調整優化計劃維修方案，使之能夠兼容新的維修任務。

H？lzel等[47]模擬基于預后的PdM的維護概念，提出了一種飛機全生命周期仿真中的維修任務打包與調度優化方法（AIIRMAP），考慮基于預后的PdM對于全壽命周期的經濟性影響，與傳統的例行檢查（字母檢）相比，在必須進行相同數量的維護工作的情況下，所提出的方法的維護成本更低。Deng Qichen等[48]為了將基于預測生成的任務安排到AMP中，提出了一種用于飛機維修檢查調度的超前近似動態規劃方法，該研究設計了一個動態規劃框架，采用混合前瞻調度策略，即先在確定性準確預測的基礎上為重型飛機維護制定最優決策，然后根據隨機預測來確定輕型飛機維護決策，目的是盡量減少維護檢查之間浪費的總使用間隔，同時減少對額外維護插槽的需要，以實現減少維護檢查的次數、提升飛機的可用性。通過實際運行的飛機機隊維修數據驗證了所提出的方法在減少維護成本和增加收益方面的有效性。Tseremoglou等[49]認為在原本CBM策略下，飛機維護檢查規劃（AMCS）問題中考慮系統的預測信息將使得整個調度問題變得十分復雜，而且由于預測的不確定性，這使得考慮預測信息的維修決策是一項具有挑戰性的工作。對不確定性下的資源約束型調度優化問題研究，混合整數線性規劃（MILP）[50]是一個很好的解決辦法，但致命的缺點是問題復雜度隨著所考慮的飛機機隊規模和所考慮的任務數量呈指數級增長。人工智能的最新進展已經證明了深度強化學習（DRL）算法可以緩解這類優化問題中維度爆炸難題，DRL可以實現維護計劃的實時優化，但容易陷入局部最優，不能保證得到全局最優結果。Pater等[51]考慮將RUL預測方法整合到維修決策框架中，提出了基于不完善RUL預測的飛機發動機的預測維護調度方法。該研究先構建了一種卷積神經網絡模型來獲取RUL預測結果，預測值是隨時間動態變化的，再設計一個基于閾值預警的線性程序來安排飛機維護任務調度優化。使用20架飛機，合計40臺渦扇發動機的運行數據來驗證所提方法的合理性，經過基于報警機制的預測性維修框架，發動機故障造成的維修成本僅占總成本的7.4%，表現出較好的優越性。

4 民機預測維修支持平臺

隨著民機預測維修規章制度的不斷完善以及相關關鍵技術的發展，民機PdM正在獲得越來越多的應用，國內外飛機主制造商、供應商、MRO廠商、航空公司紛紛推出了集成化預測性維修應用軟件平臺和服務。這些平臺通過實時監測和分析飛機數據，提供了先進的維修預測和管理功能，有助于提高航空器的可用性、減少維修成本，并優化整體運營效率。

波音于2017年6月宣布啟動AnalytX平臺，旨在幫助航空公司降低燃料成本，執行預測性維護。在此之后2022年9月，波音還推出了一種專門幫助航司進行預測維修和主動維護的新的基于云的數字解決方案Insight Accelerator，通過人工智能和機器學習幫助航空公司規劃預測性維護，并減少計劃外維護，從而快速準確地識別部件過早退化或故障的指標[52-53]。空客自2017年6月推出預測維修平臺Skywise以來，已發展成為航空業領先的開放數據平臺，為超過一萬架飛機提供預測維修服務[54]。航空公司和MRO通常是預測性維護的最終用戶，他們通過與工業界合作或自主研發的形式來開展預測性維護工作。2017年，漢莎航空面向航司、MRO等推出了“AVIATAR”平臺，在其各個模塊中，預測性健康分析應用程序是預測性維護的基礎，能夠利用來自飛機、系統和部件的實時數據預測運行過程中的故障[55]。國內航司用戶也積極參與開發具有自主知識產權的民機預測維修平臺，南航在國內飛機健康系統研發中起步較早，開發出了具有南航特色的飛機健康管理系統，名為“南航遠程診斷實時跟蹤系統”，2022年系統正式更名為南航“天瞳”系統，使用了最新的機務云平臺技術，具備PC/移動雙平臺，可對波音、空客、巴航工業、中國商飛四大主流機型同時進行監控[56]。國航突破了飛機故障診斷和性能預測的關鍵技術，搭建起以數據為核心的飛機狀態預測與維修作業管理平臺（APCM），實現了多源數據的集成和應用，包括實時故障管理、飛機系統性能預測、維修作業管理，具備基于飛機狀態的維修方案制定與優化能力，為實現全壽命數字化維修提供了技術基礎[57]。

飛機預測維修平臺都具有實時監測、數據管理、大數據分析和故障預測的特性，因為這些特性是實現預測維修的基本要素。對于飛機主制造商提供的平臺，如波音的Insight Accelerator、空客的Skywise平臺，都通過提供內嵌的人工智能（AI）/機器學習（ML）特性，為其客戶提供更加靈活的客戶化定制能力。另外，能夠提供專家經驗也是大部分平臺實現維修決策的重要支撐。對于飛機運營商或者MRO廠家來說，以維修業務為導向，他們所開發的平臺（如AVIATAR、APCM）基本具備維修管理的功能，以實現具體的維修計劃調度與優化。從飛機主制造商和供應商的角度來說，他們的平臺基本具備自定義報警功能，以滿足不同客戶的需求。

5 結束語

民機維修理論的發展，離不開民機新技術的采用，特別是飛機機載維護系統、健康監測技術的發展。飛機健康監測技術的引進將改變目前的飛機維修分析和計劃維修模式，極大地減少停機時間和檢查的人工成本，有效地降低飛機的運營維護成本。近幾年航空PHM技術得到長足發展，部分技術具備較高的成熟度，但如何在民機維修工程實踐中應用這些技術，真正實現PHM預測維修模式的效益仍面臨不少挑戰，包括技術層級以及適航法規與標準體系層面，需要監管機構、行業組織、工業界、學術界以及科研單位等相關利益方共同參與推動民機預測維修技術的發展及落地應用。

預測維修作為新一代民機先進的維修保障理念，國外民機制造商與局方密切配合，正在逐步開展預測維修的應用。國產民機研制進程中，考慮了機載健康管理技術和系統，在維修大綱制定階段，正在研究驗證基于PHM的預測維修任務優化，以充分發揮基于PHM的預測維修的優勢，提高國產民機利用率、降低維修成本。

參考文獻

[1]Smith M， Sulcs P F， Walthall R， et al. Design and implementation of Aircraft System Health Management （ASHM） utilizing exist‐ing data feeds[R]. SAE Technical Paper 2015-01-2587， 2015.

[2]Wenk L. Guidance update on using SHM for continued airworthiness of aero structures[C]//Proceedings of the Fifth European Workshop on Structural Health Monitoring， 2010.

[3]Foote P. New Guidelines for implementation of structural health monitoring in aerospace applications[J]. SAE International Journal of Aerospace， 2013， 6（2）： 525-533.

[4]左洪福， 蔡景， 吳昊， 等. 航空維修工程學[M].北京： 科學出版社，2011. Zuo Hongfu， Cai Jing， Wu Hao， et al. Aviation maintenance engineering[M]. Beijing： Science Press， 2011. （in Chinese）

[5]ATA MSG-3 Operator/Manufacturer scheduled maintenance development[S].Air Transport Association （ATA） of America， 2009.

[6]Pohya A A， Wicke K， Kilian T. Evolution/Optimization Guidelines IMRBPB Issue Paper 44 （Issue 3） [S]. EASA， 2011.

[7]Przytula K W， Allen D， Vian J， et al. Health monitoring for commercial aircraft systems[C]. International Congress of the Aeronautical Sciences， 2008.

[8]International Maintenance Review Board Policy Board. IP 92 Definition of Structural Health Monitoring （SHM）/Addition to MSG-3[S]. International Maintenance Review Board Policy Board， 2007.

[9]International Maintenance Review Board Policy Board. IP 105 Further definition of Structural Health Monitoring （SHM）/ Addition to MSG-3[S]. International Maintenance Review Board Policy Board， 2009.

[10]Sun Jianzhong， Chen Dan， Yan Hongsheng， et al. Integration of scheduled structural health monitoring with airline mainte‐nance program based on risk analysis[J]. Proceedings of the In‐stitution of Mechanical Engineers， Part O： Journal of Risk and Reliability， 2018， 232（1）： 92-104.

[11]Speckmann H， Daniel J P. Structural health monitoring for airliner， from research to user requirements， a European view[C]. CANEUS 2004 Conference on Micro-Nano-Technologies Monterey， 2004.

[12]Pattabhiraman S， Gogu C， Kim H， et al. Skipping unnecessary structural airframe maintenance using an on-board structural health monitoring system[J]. Journal of Risk and Reliability， 2012， 226 （5）： 549-560.

[13]Fitzwater L， Davis C， Torng T， et al. Cost/Benefit analysis for integration of non-deterministic analysis and in-situ monitoring for structural integrity[C]. 52nd AIAA/ASME/ASCE/AHS/ ASC Structures， Structural Dynamics and Materials Confer‐ence Denver， 2011.

[14]Piotrowski D， Roach D， Melton A， et al. Implementation of structural health monitoring （SHM） into an airline maintenance program[J]. Structural Health Monitoring， 2015， 232（1）： 92-104.

[15]Malere J， Santos L. Challenges for costs and benefits evaluation of IVHM systems[J]. SAE International Journal of Aerospace， 2013， 6（2）： 484-491.

[16]International Maintenance Review Board Policy Board. IP 180 Aircraft Health Monitoring （AHM） integration in MSG-3[S]. International Maintenance Review Board Policy Board， 2010.

[17]Yan Hongsheng， Zuo Hongfu， Sun Jianzhong， et al. Cost effectiveness evaluation model for civil aircraft maintenance based on Prognostics and Health Management[C]. 2017 International Conference on Sensing， Diagnostics， Prognostics， and Control， 2017.

[18]Rodrigues L， Gomes J P P， Jo？o P， et al. Use of PHM informa‐tion and system architecture for optimized aircraft maintenance planning[J]. IEEE Systems Journal， 2015， 9（4）： 1197-1207.

[19]孫見忠，解志峰，閆洪勝，等.民機PHM預測維修模式在空調系統的應用[J]. 南京航空航天大學學報，2021，53（6）：952-964. Sun Jianzhong， Xie Zhifeng，Yan Hongsheng， et al. Application of civil aircraft PHM predictive maintenance mode in air conditioning system[J]. Nanjing University of Aeronautics and Astronautics，2021，53（6）：952-964.（in Chinese）

[20]Le Clainche S， Ferrer E， Gibson S， et al. Improving aircraft performance using machine learning： A review[J]. Aerospace Science and Technology， 2023，15： 108354.

[21]Sun Ruiqian， Han Xiaobao， Chen Yingxue， et al. Hyperelliptic Kalman filter-based aeroengine sensor fault FDIA system under multi-source uncertainty[J]. Aerospace Science and Technology， 2023， 132： 108058.

[22]Rao P S， Mohan S， Chindam V. AI based on-board diagnostic and prognostic health management system[C]. Annual Conference of the Prognostics and Health Management Society， 2015.

[23]Spina P R， Torella G， Venturini M. The use of expert systems for gas turbine diagnostics and maintenance[C]. Asme Turbo Expo： Power for Land， Sea， and Air， 2002.

[24]Wang FangYuan， Sun JianZhong， Liu Xinchao， et al. Aircraft auxiliary power unit performance assessment and remaining useful life evaluation for predictive maintenance[J]. Proceed‐ings of the Institution of Mechanical Engineers， Part A： Journal of Power and Energy， 2019， 234（6）： 804-816.

[25]Tang Chen， Cui Yulian， Wu Chunzhi，et al. Application of lifting wavelet and random forest in compound fault diagnosis of gearbox[C]. Young Scientists Forum 2017， 2018.

[26]Zhang Junfang， Luo Tingting， Peng Yukun， et al. Fault diagnosis method based on modified random forests[J]. Computer Integrated Manufacturing Systems， 2009， 15（4）： 777-785.

[27]韓華， 谷波， 任能.基于主元分析與支持向量機的制冷系統故障診斷方法c8d735a77981ccfcd4d4243bb5df5b3a[J].上海交通大學學報， 2011， 45（9）： 1355-1363. Han Hua， Gu Bo， Ren Neng. Fault diagnosis method for refrigeration system based on principal component analysis and support vector machine[J]. Journal of Shanghai Jiaotong University， 2011， 45（9）：1355-1363. （in Chinese）

[28]Ordó？ez C， Lasheras F S， Roca-Pardi？as J， et al. A hybrid ARIMA SVM model for the study of the remaining useful life of aircraft engines[J]. Journal of Computational and Applied Mathematics， 2019， 346： 184-191.

[29]Li Ke， Zhang Yuelei， Li Zhixiong. Application research of Kalman filter and SVM applied to condition monitoring and fault diagnosis[J]. Applied Mechanics and Materials， 2012，121： 268-272.

[30]Nieto P J G， García-Gonzalo E， Lasheras F S， et al. Hybrid PSO SVM-based method for forecasting of the remaining useful life for aircraft engines and evaluation of its reliability[J]. Reliability Engineering & System Safety， 2015， 138： 219-231.

[31]Mack D L C， Biswas G， Koutsoukos X D， et al. Learning bayesian network structures to augment aircraft diagnostic reference models[J]. IEEE Transactions on Automation Science and Engineering， 2016， 14（1）： 358-369.

[32]Zaidan M A， Harrison R F， Mills A R， et al. Bayesian hierarchi‐cal models for aerospace gas turbine engine prognostics[J]. Ex‐pert Systems with Applications， 2015， 42（1）： 539-553.

[33]梁坤， 左洪福， 孫見忠， 等. 基于貝葉斯網絡工況分類的民機引氣系統異常檢測[J]. 宇航計測技術， 2014， 34（6）： 76-85. Liang Kun， Zuo Hongfu， Sun Jianzhong， et al. Abnormal detection of bleed air system for civil aircraft based on Bayesian network condition classification[J]. Astronautical Measurement Technology， 2014， 34（6）： 76-85. （in Chinese）

[34]殷鍇， 鐘詩勝， 那媛， 等.基于BP神經網絡的航空發動機故障檢測技術研究[J]. 航空發動機， 2017， 43（1）：5. Yin Kai， Zhong Shisheng， Na Yuan， et al. Research on aeroengine fault detection technology based on BP neural network [J]. Aeroengine， 2017， 43（1）：5. （in Chinese）

[35]崔建國， 林澤力， 陳希成， 等.飛機液壓系統健康狀態綜合評估技術研究[J].控制工程， 2014， 21（3）：446-449. Cui Jianguo， Lin Zeli， Chen Xicheng， et al. Research on comprehensive evaluation technology for aircraft hydraulic system health status[J]. Control Engineering， 2014， 21（3）： 446-449. （in Chinese）

[36]Soualhi A， Clerc G， Razik H. Detection and diagnosis of faults in induction motor using an improved artificial ant clustering technique[J]. IEEE Transactions on Industrial Electronics， 2012， 60（9）： 4053-4062.

[37]田瑤瑤， 張惠娟， 楊忠， 等. 基于小波包和SOM神經網絡的電作動器故障診斷[J]. 應用科技， 2018， 45（1）：1-6. Tian Yaoyao， Zhang Huijuan， Yang Zhong， et al. Fault diagnosis of electric actuators based on wavelet packet and SOM neural network[J]. Applied Science and Technology， 2018， 45（1）：1-6. （in Chinese）

[38]Prabakaran K， Kaushik S， Mouleeshuwarapprabu R， et al. Selforganizing map based fault detection and isolation scheme for pneumatic actuator[J]. ISSR Journal， 2014（3）： 1361-1369.

[39]Wang Xinqing， Huang Jie， Ren Guoting， et al. A hydraulic fault diagnosis method based on sliding-window spectrum feature and deep belief network[J]. Journal of Vibroengineering， 2017， 19（6）： 4272-4284.

[40]Chen Longting， Xu Guanghua， Zhang Sicong， et al. Health indicator construction of machinery based on end-to-end trainable convolution recurrent neural networks[J]. Journal of Manufacturing Systems， 2020， 54：1-11.

[41]Ellefsen A L， Bjorlykhaug E， Aesoy V， et al. Remaining useful life predictions for turbofan engine degradation using semi- supervised deep architecture[J]. Reliability Engineering and System Safety， 2019， 182： 240-251.

[42]Alaswad S， Xiang Yisha. A review on condition-based mainte‐nance optimization models for stochastically deteriorating sys‐tem[J]. Reliability Engineering and System Safety， 2017， 157： 54-63.

[43]Zhu QiuShi， Peng Hao， Timmermans B， et al. A conditionbased maintenance model for a single component in a system with scheduled and unscheduled downs[J]. International Journal of Production Economics， 2017， 193： 365-380.

[44]葛恩順， 李慶民， 黃傲林， 等. 不完全維修下的單部件系統視情維修及更換策略[J]. 系統工程與電子技術， 2012（12）：2509-2513. Ge Enshun， Li Qingmin， Huang Aolin， et al. Conditional main‐tenance and replacement strategies for single component sys‐tems under incomplete maintenance[J]. Systems Engineering and Electronic Technology， 2012 （12）： 2509-2513. （in Chinese）

[45]Walter G， Flapper S D. Condition-based maintenance for complex systems based on current component status and Bayesian updating of component reliability[J]. Reliability Engineering and System Safety， 2017， 168： 227-239.

[46]Liu Xiao， Li JingRui， Al-Khalifa K N， et al. Condition-based maintenance for continuously monitored degrading systems with multiple failure modes[J]. IIE Transactions （Institute of Industrial Engineers）， 2013，45（4）： 422-435.

[47]H？lzel N B， Schr？der C， Schilling T， et al. A Maintenance Packaging and Scheduling Optimization Method for Future Aircraft[C]. Air Transport and Operations Symposium. DLR， 2012： 343-353.

[48]Deng Qichen， Santos B E. A stochastic aircraft maintenance and crew scheduling problem with multiple check types and aircraft availability constraints[J]. European Journal of Operational Research， 2022，299（2）： 814-833.

[49]Tseremoglou I， Van Kessel P J， Santos B F. A Comparative study of optimization models for condition-based maintenance scheduling of an aircraft fleet[J]. Aerospace， 2023， 10（2）： 120.

[50]van Kessel P J， Freeman F C， Santos B F. Airline maintenance task rescheduling in a disruptive environment [J]. European Journal of Operational Research， 2023， 308（2）： 605-621.

[51]De Pater I， Reijns A， Mitici M. Alarm-based predictive maintenance scheduling for aircraft engines with imperfect Remaining Useful Life prognostics[J]. Reliability Engineering and System Safety， 2022， 221： 108341.

[52]Boeing. Predictive maintenance： Insight accelerator/Boeing services [Z]. Boeing， 2023.

[53]Boeing. Insight accelerator [Z]. Boeing， 2023.

[54]Bernard W， Hoffmann A. SKYWISE-Big data platform as a foundation of airlines predictive and health monitoring[C]. PHM Society Asia-Pacific Conference， 2023.

[55]Lufthansa-Technik. AVIATAR[Z]. Lufthansa- Technik， 2021.

[56]李欣. 南方航空飛機健康管理系統發展策略研究[J]. 航空維修與工程， 2022（9）： 20-23. Li Xin. Research on the development strategy of china southern airlines’ aircraft health management system [J]. Aviation Mainte‐nance & Engineering， 2022（9）： 20-23. （in Chinese）

[57]李磊， 李明宇， 趙昶升， 等. 飛機健康管理系統告警等級調整方法研究[J]. 航空維修與工程， 2019（11）： 50-53. Li Lei， Li Mingyu， Zhao Changsheng， et al. Research on the ad‐justment method of alarm levels in aircraft health management system [J]. Aviation Maintenance & Engineering， 2019（11）： 50-53. （in Chinese）

Research Progress in Predictive Maintenance Technology of Civil Aircraft

Sun Jianzhong， Zuo Hongfu， Yan Hongsheng， Zhu Xinyun， Duan Sizheng Nanjing University of Aeronautics and Astronautics， Nanjing 210016，China

Abstract： The strategy of civil aircraft maintenance is constantly advancing with the progess of aviation technology， from time-based overhaul to reliability centered scheduled maintenance， as well as advanced condition based and predictive maintenance concepts. The development of modern civil aircraft testability， especially the development and application of system/structural health monitoring technology， has enriched the existing concept and methods of continuous airworthiness. While ensuring that the aircraft meets the requirements of continuous airworthiness， the aircraft has shifted from empirical time-based scheduled maintenance to more efficient maintenance based on the actual health status of the system/structure. This paper summarizes the latest research progress of predictive maintenance technology for civil aircraft， and introduces predictive maintenance mode based on traditional scheduled maintenance， including structural/system predictive maintenance task analysis methods， maintenance plan optimization， key technologies of predictive maintenance， and their applications in the field of civil aircraft.

Key Words： civil aircraft scheduled maintenance； predictive maintenance； system/structural health monitoring； maintenance optimization