基于状态维修的备件预测技术

2022-01-12刘端红陈圣斌

直升机技术 2021年4期

王鑫，刘端红，郝钢，陈圣斌

(1.中国直升机设计研究所，江西景德镇 333001；2.陆军装备部驻深圳地区航空军事代表室,广东深圳 518000)

0 引言

目前欧美国家的直升机维修，正从基于时间的计划维修转变为基于状态维修。定时维修是根据设计所确定的使用寿命限(SLL)或翻修间隔期(TBO)，对达到这一时限的部件进行拆卸/更换；而基于状态维修是实时地检测部件的损伤状态，一旦产品或部件达到设计所规定的损伤的门限值或阀值，就拆卸更换部件，确保飞行安全。因此，定时维修是部件总体(Component Population)(相同型号或相同部件号的产品/部件)的计划维修；而基于状态维修是产品个性化(Component Individual)的非计划维修。正如后文所述，部件在飞行中，其损伤状态受环境载荷、应力等各种因素随机变化的影响，因而它们达到损伤门限值的时间不尽相同。显然，传统的定时维修备件计算公式对于基于状态维修的备件规划是不适用的。

因此，欧洲直升机界在欧盟的三年行动计划中，提出了基于状态维修的备件预测技术，以实现敏捷-精业的维修活动，即以足够多的备件(精业)，迅速完成维修工作(敏捷)，从而降低备件贮存数量，降低维修费用。本文根据美国直升机协会第65届年会(2009)文集“PractialPrognostic for Condition-based Maintenance”一文，讨论了这一基于状态维修的备件预测技术，主要内容包括：预测技术，备件需求预测器的预测结构，备件需求预测器体系结构的实现，备件需求预测器的运行，应用实例及结论。

目前国内直升机领域也在开展基于状态维修的研究工作。通过本文的讨论，期与国内直升机同行共享国外的技术信息，促进国内直升机基于状态维修技术的发展。

1 预测技术

1.1 敏捷和精业困境的化解

为了实现基于状态维修的目标，需要建立机群的基于状态维修的备件保障网络。该网络根据直升机的使用状态，动态地提供与维修相匹配的足够多的备件，使该网络将所需备件配送到维修场地。

从维修的敏捷(性)来看，提供更多的备件以便及时地完成维修工作，就确保了维修的敏捷(性)。但是更多备件的贮备将占用更多的费用，降低了维修精业(性)。从维修精业(性)来看，应该用尽量少但足够的备件来满足维修保障要求，但这有可能降低维修的敏捷(性)。显然，基于状态维修的保障网络存在着敏捷和精业的矛盾，如图1所示。

图1 精业-敏捷的困境

为了化解这一维修备件保障网络的困境，欧洲直升机界在欧盟的三年行动计划中提出了维修保障(备件)资源或备件的预测技术。这项预测技术，对这一困境的化解起到了两个不同的作用：

1) 长时预测：根据机群的老化状态，机群的使用剖面，环境条件和可靠性的任何变化，能修改维修备件保障网络确定的备件，这就确保了尽可能精业(将部件控制到足够用)。

2) 短时预测：根据预测引导相应备件，从而取代传统维修方式的携带和配置更多(不必要)的外场或前线备件。这样既减少了备件，提高精业性；同时使用足够多(不多不少)的备件及时完成维修工作，满足敏捷性要求。

1.2 预测模型

在预测器中所使用的预测模型结构，必须不多不少，足以产生时间间隔。究竟采用什么技术能构建这一能力？这是预测健康管理(PHM)设计的一个关键问题。为了评估PHM技术对维护修理和大修(MRO)网络的影响，需要提供一种方法，以便将这一技术综合到每一外场可更换单元的统一的预测模型中。这一模型包含3个部分：维护手册的符合性；使用/误用的比例危险模型；直接指示缺陷的健康数据。

然而，研究表明，能使这一统一预测模型的3个部分进行协调的分析方法是难以实现的。于是欧盟三年行动计划的研究人员使用了为器材资源规划的离散事件模拟而研发的建模工具。使用这一过程建模的模拟法，就能由统一预测模型的所有3个部分构建比例危险模型(Proportional Hasard Model)，从而使预测几乎能用于所有外场可更换单元(LRU)。通过多次模拟运行，便能构建该模型，从而使用数据中的不同变量预测各个LRU使用缺陷的HUMS数据的充足性。这将确定预测器预测各个LRU故障的精度。通常情况下是没有充分的HUMS数据的，此时，该预测器是一个强化的预测故障概率的比例危险模型。这一故障概率远小于1，但它是随时间变化的。因此，至少要按图2的要求给出预测时间间隔中的时间隔离等级(Degree of Temporal Separetion)。

图2 预测的预后影响

2 备件需求预测器的预测结构

离散事件模拟(DES)预测方法使用了蒙特卡洛法，预测基于TBO限制，比例危险和可靠性数据以及平台交换率的平均维修需求。如果HUMS报告了比例危险数据的任一变化或者建立了健康告警，那么LRU随时间变化的故障概率剖面便要予以修改，以便反映与HUMS告警或比例危险模型变化相关的预测时间间隔，其余平台的故障概率要予以降低，以确保机群的整体可靠性特征通过模拟来保持。

预测期是一关键因素，它将确定预测器特性。预测期小于HUMS预测时间间隔的情况下，预测器能确定哪一个平台在这一预测期以及什么时间发生失效，以便如上所述提供网络的敏捷性特征。对于这样的能力，需要近于实时的HUMS数据及时地更新预测模型。对于较长的预测期，HUMS参数的初始状态对于预测几乎没有多大影响。长时预测的实质就是能预计MRO回路性能。LRU能够返回到使用，然后再发生失效，在LRU的整个寿命周期里，预测出维护修理和大修回路(MRO)性能。使用离散事件模拟，能使预测建立在相同的初始数据上，并且改变预测期以便提供需求评估，并提供该需求对网络的影响，以指引器材和调节网络。维修预测需求要素汇总见图3。

图3 预测器的结构

模拟器有3个主要部分，由不同数据源产生的输入进入模拟引擎，产生预测器输出。

输入的组成是：

1) 直升机使用：是飞行率的实际分布；

2) HUMS数据：由比例危险数据和具有相应时间间隔的健康事件组成，是输入最复杂的要素，是确定预测精度的要素；

3) LRU的可靠性：预测需反映LRU的整个可靠性特征；

4) LRU的更换和修理周期时间：需要这些后勤系统特征，以便对长时间模拟提供更换的LRU；

5) 产品能力：是一些限制，如LRU备件数，维修中心的能力，不是统计数，而是对其结构预测给出的强制性或硬性的限制。

所有这些数据，除能力之外，都是统计性的数据，需要DES方法以便能控制大量的随机过程。利用用于产生预测模型的DES技术中的相同蒙塔卡洛方法，综合大量的随机过程，使预测器运行。

模拟需要网络的结构单元包括：

1) 在平台中的LRU结构；

2) 机群中平台的分布；

3) 机群的地理分布。

这些都是已知的，但是对于短期预测，就需要这些结构单元近于实时的分布。

模拟的结果是维修事件的统计评估及它们对MRO回路的影响，可能要加入关键的性能指示以便能对机群和MRO回路予以测量，如处于贮存的附加的LRU数量及相应平台的待机时间。

3 备件需求预测器体系结构的实现

备件需求的维修需求预测器，是为欧洲的第6个工程宇航技术计划-SMMAR实时的机动可达技术计划建造的。SMMAR的目标是提供一种新的必须的基础结构以便实现一种基于后勤的维修保障网络，实现基于状态维修的技术。维修需求预测器是其关键部件之一，其体系结构(Architectare)如图4所示。

图4 离散事件模拟维修需求预测

这种离散事件模拟(DES)的维修需求预测器的结构是，其中的机群和MRO网络的目前状态是从支持数据管理系统产生，以便生成初始或T0状态。有几个功能用来确定数据和施加在整个预测时间里的已知的一些限制。这些限制可能包括机群的部署变化、使用剖面的变化，在MRO网络结构中提出的变化、周转时间(TAT)和可靠性的改进。

在平台使用基地和维修中心的每一个LRU，在网络中都是以一个结点来表示的。这些控制模拟的状态变量和参数都用来构建模拟网络。在维修需求预测器中，这是数据驱动的过程。这样，网络结构随时间发生的任何变化，都会自动地更新模拟节点结构。

预测时间或预测期对预测精度有重大影响。T0状态包含状态数据，如：LRU在MRO链中的部署或布置，机群中平台的配置。大量来自预测网间连接器的参数，如变化率和使用参数，在一段时间必须予以收集，以便对它们目前的值进行合理评估。这一段收集时间要反映这一预测期。对于短期预测，这些参数，如变化率等是一短时期的局部状态。重要的是，对于长期预测，这些参数的短期变化将会产生一个有偏差的结果。同样，对于短期预测，使用长期数据收集也会产生一个有偏差且不精确的结果。

预测时间也会影响包含在T0状态中的状态数据。预测时间较短，则T0状态具有较精确的数据，因为与直升机飞行结果对网络造成的变化相比较，输出状态更取决于输入状态。对于长时间预计，主导输出状态的是飞行率和MRO回路的性能，而不是输入状态。这是系统设计的问题，超出了本文的范围，在此不加赘述。

离散事件模拟使用了蒙特卡洛法来产生输出Tn状态，而模拟计算网络中每一结点的输出是状态变量和相应的KPT。Tn状态包括许多变量的统计估算，如LRU更换次数和修理次数的估算。这些统计能用于对未来状态提供无偏差的估算，或最有利或最不利的评估。

4 备件需求预测器的运行

维修需求预测器的结构如图3所示。输入状态T0包括在存取数据库(access database)中，并在数据库中进行管理。预测器有几个预测网间连接器，与RCM和企业资源规划数据库相连，以便提取状态变量数据和所收集的参数。DES模拟引擎是一民用货架包。模拟控制和结果报告都是通过EXCEL来管理。

LRU的MRO网络模拟由标准结点构建，这些标准结点由T0数据库自动成形。MRO网络中结点的类型反映了在这一结点上可能承担的维修深度，即：1级是在平台上；2级是脱离平台；3级是拆卸LRU模块更换；4级是模块大修或修理。每个结点都有周转时间和能力。这些结点组合起来表示MRO网络维修中心的能力。其他结点包括备用LRU库和部件库。备件、新部件、模块和LRU能使用预测生产计划来产生结点，这些单元也可以报废或废弃。

模拟网络中有一个虚幻(phantom)结点即CRDC(中央资源和配发控制)，用来实现所谓软导航规则。根据严格的网络定义，LRU和模块不通过MRO回路导航。当出现短缺和其他限制时，MRO管理就予以干涉，通过改变到结点的器材方向使周转时间(TAT)减到最小。这样就有了可用资源以减少或缓解供应中断。显然，CRDC在模拟中的作用是通过引导到网络中的器材走向来模拟管理。CRDC不是优化器，但含有一组表征管理作用的规则，以确保合理地表示网络特征，因此是根据真实世界的网络特征，而不是网络的理想表示来提供精确预测。

网络的CRDC和支持民用层模拟(invention)是虚构时，其特征是能根据预测的需求引导通向网络的器材流。预测的器材需求，通过民用层传送到CRDC，然后在LRU故障时，CRDC根据准则(如：减少TAT和减小费用)确定将需求发送到故障的LRU。这样便提供了MRO网络的敏捷性。特征能模拟投资于预测能力的主要获益，是根据预测需求管理一个敏捷的网络，同时具有上述讨论所产生的获益。

最后有一使用级的结点，在DES中产生故障剖面(failure profile)，是通过模拟直升机的飞行过程来实现的。直升机是在与交换率统计分布相符的时间飞行。应用可靠性准则和评估比例危险参数，对每一次飞行，应用由预测网间连接器产生的可靠性和比例危险统计所定义的故障发生概率来评估故障的发生。如果统计评估的结果是LRU已发生故障，直升机要维修以便下次飞行；如果统计分析结果是LRU将要故障，直升机允许继续飞行直到用尽预测的时间间隔。事件通过民用层在剩余预测时间间隔的模拟中报告给CRDC。维修中心确认LRU将要提供的最短周转时间，经过多轮模拟运行，产生预测模型拆卸率和维修需求的统计值。同样，网络对需求响应的敏捷性也就测定了，正如模拟中基于预测需求引导网络的器材一样。那么，这一模拟方法的主要获益是：预测模型和网络的敏捷性同时确定。

对于长时间或长期预测，运用健康和使用监控(HUM)关键指示的检测概率，结合可靠性数据，就能为CRDC产生健康和使用监控(HUM)报告，使敏捷网络在整个预测时间间隔里进行预测。

离散事件模拟控制利用蒙特卡洛方法，因此，控制面板加入到维修需求预测器中以便管理该方法。这一方法需要管理，因为模拟中每一输出变量和KPT，在预测时间里将运行不同的次数以便产生一个统计上的有效输出。以前小机群以额定的飞行率飞行，而一个大机群则要高强度飞行以产生稳定输出。在其结果中，不是所有模拟要素都是相同的权重，因此，模拟是由结果中具有最大权重的要素控制的。

在控制面板上，使用者可以选择16个表示网络性能的变量，用以管理蒙特卡洛的运行处理。控制面板显示了这一模拟收敛为一稳定的输出状态。当其置信的时间间隔接近到使用者设定的均值系数时，控制板转换成绿屏。当所有指示为绿色时，模拟结束。结束后，其输出就能查询。Tn输出状态变量和关键性能指示(KPI)的相关文件就能产生，并输出到优化器的程序和ERP系统中。这样就能使用许多图表以便审查数据。

所预测的Tn状态是能验证的。自动验证装置嵌入在维修需求预测器中的，使用蒙特卡洛法控制模拟。当一组选择的变量和KPT都达到了时间间隔，且认为能表征网络特征时，在标准预测时间间隔所预测的Tn状态便与实际的T0状态相比较。一旦达到了足够的预测时间间隔，对这些状态下的依从(deference)统计数据进行审查是很有意义的，能调整其模拟网络结构和参数以消除系统误差。这种方法提供了模拟必要的置信度，因此也就提供了预测必要的置信度。

5 应用实例

总数为100架安装有HUMS的直升机机群每年总飞行任务为150,000次。为了保养或维护这100架直升机，要有40台发动机储备，且大多数要储存在用户的储存库。MRO供应商评估，这一储存量会导致每年丧失4000飞行小时的使用可用性。在可用性签约合同中，MRO供应商对所有储存和整个后勤链的管理都负有责任，并且也认识到，降低储存量且重新设计后勤链，才有可能从可用性签约合同中获取更高的价值。

引起大多数直升机停飞的外场可更换单元是发动机。因此，以发动机作为研究对象。涉及到直升机可用性的任何事情都对MRO供应商造成财务负担。这便成了敏捷性的基本度量。

因为依赖供应链，MRO供应商需了解在修理环路上备用发动机的数量会对使用可用性造成什么影响。其目标是确定所需备用发动机的最佳数量。因此，把目前40台备用发动机的减少作为有效性获益的一个关键变量，而获得这一有效性获益的代价或费用可能要以直升机可用性的损失来度量。

使用维修数据预测器的目的是研究和了解降低或减少在后勤链内周转的发动机数量对直升机可用性的影响。此预测器以不同的贮存数量运行，其结果如图5所示。图中是以损失的飞行小时来量化表征减少贮存量的影响。正如预料的那样，贮存数量越低，整个机群使用可用性的损失就越高。

MRO供应商从图5获得所要求的信息，通过反复配置后勤链中的贮存来判断免费贮存库中发动机的数量。将费用引入到图5中，得出的结果是25台为最佳的免费发动机(free engines)数量，但这仍给MRO供应商留下了每年损失2000飞行小时的负担。尽管有较高的费效，但是这一损失可能对用户造成重大影响。

图5 网络规模优化

使用预测来提高网络的敏捷性，是用维修需求预测器的民用层来模拟的，并且要把所提出的预测模型的模拟加入到模拟中运行来评估网络敏捷的管理。

网络精业性的优化设定点是根据25台发动机的贮存量建立的。预测的影响通过改变所推荐的预测时间间隔来估算。按可用性损失做出的图形如图6所示。通常预测的时间间隔越长，就有越好的时机使MRO供应商将备用发动机引导到需要发动机的直升机上。有了告警时间，也使MRO供应商有另一个时机改进网络的敏捷性，并预测实施维修所需人力资源。

模拟结果见图6。结果表明，根据MRO供应商目前的后勤组织机构，对于14天的预测时间间隔，整个机群可用度的损失减少到只有70飞行小时。对于MRO供应商的合同目的和14天的预测时间间隔，这是一个可接受的可用性损失。