深度学习在C-130J飞机预测性维修中的应用和启示

宋海方 刘洁 汪时交 梁志帅

摘要：预测性维修是减少维修工作量和维修资源、提高装备可用性的新的维修模式，实现预测性维修的关键是构建预测模型和算法。以深度学习为代表的新一代人工智能技术为预测模型和算法提供了条件。本文分析了当前C-130J飞机维修保障存在的主要问题和困难，重点研究了深度学习技术在飞机预测性维修中的应用，论述了应用深度学习技术的主要困难和解决问题的思路，最后从技术和管理的角度论述了在装备预测性维修中应用深度学习技术的启示。

关键词：预测性维修；深度学习；C-130J

Keywords：predictive maintenance；deep learning；C-130J

C-130“大力神”运输机是洛克希德马丁公司设计生产的一款中型战术运输机，该型号飞机有着悠久的历史，并且衍生了多个型号。目前，全球有70个国家和地区部署了大约2500架C-130系列飞机，用于执行搜救、医疗救治、运输、作战、空中加油等任务，如图1所示。C-130的广泛部署使得任何可能引起飞机停飞或影响飞机适航性的事件都会引起全球关注，也会直接给用户带来损失。

预测性维修（Predictive Maintenance，PdM）是一种新的维修理念和模式，预测性维修通过优化维修资源和过程、以最少的维修工作达到最高装备可用性。预测性维修通过预测特定部件何时失效、仅在真正需要时才进行维修，可避免大量维修、特别是过度维修的同时，降低装备的非预期停场时间和使用成本。在C-130飞机中实施预测性维修，具有重大军事和经济效益。本文以C-130系列飞机的最新型号C-130J“超级大力神”飞机为例，研究深度学习（Deep Learning）技术在C-130J飞机预测性维修中的应用。

1 C-130J飞机维修保障的基本情况

目前，C-130J“超级大力神”在全球交付数量超过450架，有21个国家拥有该型飞机，累计飞行时间超过200万小时。根据美国政府问责办公室（Government Accountability Office，GAO）的最新报道，2011-2019年美国空军的120架C-130J飞机只有九分之四满足飞机可用性（aircraft availability）目标，但是没有一架满足任务执行率（mission capability）的要求。C-130J飞机可用性和任务执行率的目标达成情况如图2所示。

C-130J的计划内基地维修（programmed depot maintenance）是在空军的华纳罗宾斯空军后勤中心（Warner Robins Air Logistics Complex，WRALC）完成；C-130J的发动机和螺旋桨的维修主要由罗罗公司通过基于性能的后勤（Performance Based Logistics，PBL）合同完成；空军保障中心和国防后勤局负责管理C-130J与其他项目的通用零部件；洛克希德马丁公司通过PBL合同提供C-130J的专用零部件。根据GAO的分析，C-130J的可用性和任务执行率没有达成目标的原因主要包括：

● 非预期部件替换和修理（Unexpected replacement of parts and repairs）

● 非计划维修（Unscheduled maintenance）

● 减少制造来源（Diminishing manufacturing source）

● 部件淘汰（Parts obsolescence）

● 部件短缺和延期（Parts shortage and delay）

不能执行任务的飞机主要是因为维修不能执行任务（not mission capable maintenance，NMCM）和因为供应不能执行任务（not mission capable supply，NMCS）。

据2018财年统计，美国空军共计120架C-130J飞机，总的使用和保障（operation and support）成本约为11.43亿美元，其中，维修成本（maintenance cost）约为3.91亿美元。平均每架飞机的使用和保障成本约为953万美元，其中326万美元为维修成本。在C-130J飞机维修保障中应用预测性维修，可以减少非预期的部件修理和替换、非计划维修等带来的影响，同时可以前置储备相关零部件，避免部件短缺对飞机使用造成的影响。

2 深度学习在预测性维修中应用的困难

预测性维修可以减少使用成本、最小化停场时间，同时提高整体的装备健康水平和性能。但实现预测性维修需要三个关键条件：

（1）在装备上安装状态监控传感器，（实时）发送性能数据和装备健康信息；

（2）物联网（Internet of Things，IoT）技术，使得信息在软件、硬件和云技术之间连通，该项技术本质上用于收集和分析海量数据；

（3）预测模型和算法，对数据进行预测，从而得到失效预测结果。

其中，预测模型和算法是预测性维修的核心，通常也是實现预测性维修的关键和难点。预测模型和算法的一般流程如图3所示。

输入的数据主要包括传感器数据和其他的一些数据（如历史数据、FEMA的分析数据等），这些数据可以用来检验和训练预测模型，当模型训练完成后，就可以对新输入的数据进行预测，预测结果包括对装备的状态监控，当超过一定的门限时发出警报，从而提醒用户观察或更换可能失效的部件。预测模型可以根据实际的维修工作对模型进行修正，并且根据实际维修工作优化后续的预测结果。

传统的预测模型和算法需要人工提取特征，这不仅需要较强的专业知识，而且预测模型和算法的效率和泛化能力也受到一定的限制。以深度学习为代表的新一代人工智能技术为预测性维修的实现提供了新的技术框架，深度学习的一个重要特点是可以自动从数据中提取特征，避免了人工提取特征的局限性。但是深度学习在预测性维修中的应用存在以下主要困难：一是深度学习需要大量的数据资源；二是这些数据资源需要集中处理；三是深度学习的使用门槛较高，开发难度较大。作为C-130J飞机的原始设备制造商，洛克希德马丁公司主要通过以下几种方式克服深度学习在预测性维修的应用难题。

首先，C-130J飞机在全球有大量用户，仅此一种机型全球交付就超过450架，每架飞机有600多个传感器，每个飞行小时会产生72000行数据，这些数据包含着包括失效部件故障代码在内的重要信息，因此对于C-130J而言，深度学习需要的大量数据不是主要问题。

其次，C-130J飞机由全球20多个国家和地区使用，这些分布在不同国家和地区的飞机数据需要进行集中处理。洛克希德马丁公司为全球超过300架C-130J飞机设置了一个中央数据存储库，用于集中存储、处理和共享数据。超大数据的整理和排序给洛克希德马丁带来了很大的挑战，由于这些数据采用不同的格式，所以刚开始洛克希德马丁公司每个月都需要3名员工专门对数据进行整理。

最后，深度学习解决方案的开发门槛较高，是一项需要具备高级技能的专家工作。洛克希德马丁公司为了快速将深度学习应用于C-130J的维修预测，投资使用了SAS Viya平台。该平台提供了人工智能和数据管理框架，借助该平台可以自动处理所有数据（例如前面提到的数据整理和排序等工作），同时利用其编程接口可以构建预测性维修模块，从而指导C-130J飞机的维修和供应工作。

3 SAS Viya深度学习工具的应用

SAS Viya 是一个开放式的分析平台，可用于处理多种类型的数据。该平台包含了一个标准的代码库，支持SAS和其他语言，如Python、R、Java和Lua等语言的编程。该平台支持云端和现场服务，同时提供了理解深度学习过程必不可少的数据可视化服务。SAS Viya的整体框架如图4所示。

SAS Viya可以通过Linux的yum安装RPM包的方式，或者由Ansible自动运行一系列yum指令的方式，在单台计算机或多台计算机上完成部署。SAS Viya支持自动、批量导入不同格式的数据，可以在SAS客户端SAS Studio或者SAS提供的其他语言的编程接口，使用SAS的深度学习组件，对来自不同国家和用户的C-130J的数据建立中央存储库，集中处理，使用的深度学习工具可以使系统从收集的维修历史数据中得到学习，从而为飞机的维修决策和备件供应前置提供实时的最佳方案。图5为SAS Studio中的一个数据分析可视化实例。

例如，如果故障代码触发了某个零件的更换，而该零件后来在80%的时间被发现处于良好的工作状态，则系统会从该错误中吸取教训，并且下一次将建议在更换之前进行更强大的故障排除；如果客户拒绝该建议并采取不同的措施，则系统也会从中吸取教训。

洛克希德马丁称这种服务是“智能诊断”（intelligent diagnostics），本质上这是借助深度学习工具实现预测性维修的过程和方法。借助SAS框架搭建的系统已经产生了作用，减少了大约95%的数据清理（data cleaning）时间，并且只用少量的科研团队就可以快速为用户提供减少飞机停飞的成本和结果。在最近的一项调查中，洛克希德马丁公司与C-130J的某用户合作，三个月内跟踪了20架飞机的50个零部件，洛克希德马丁公司利用其基于SAS Viya组件构建的预测性维修模型，将停飞时间减少了1400小时。借助现成的商业化的深度学习工具，洛克希德马丁公司将传统的“应对式”（reactive）后勤维修模式，转换为了更加积极主动（proactive）的模式。

除了在C-130J飞机的预测性维修中使用了SAS框架之外，洛克希德马丁公司还在F-35“闪电”II战机的基于性能的保障（Performance Based Logistics，PBL）中使用了SAS Viya的组件，从而以便捷、快速的方式实现了从传统维修供应到预测性维修供应的转变。

4 主要启示

预测性维修可以最大程度地减少维修工作量和维修资源，同时提高装备的可用性和战备完好性。将商业化的深度学习框架和工具用于装备的预测性维修，可以大大减少预测模型和算法的实现难度，缩短预测性维修模块的部署周期。想要在装备预测性维修中成功运用和部署这些工具，重点需要从技术和管理两个方面进行。

一是从技术的角度，需要结合具体的应用场景，立足现有的装备和机载传感器系统，充分利用现有数据和历史数据，建立预测性维修的整体框架，尽可能采用现成的深度学习工具。目前，国外的深度学习工具如谷歌公司的Tensor Flow、Facebook的 PyTorch，国内公司如百度的“飞桨”（PaddlePaddle）、华为公司的MindSpore等，这些工具为深度学习的广泛应用提供了较为完成的解决方案，在装备预测性维修中要尽可能利用自主可控的深度学习工具，降低应用门槛和实施风險，在尽量短的时间内完成基于深度学习的预测性维修模型的部署和运行。

二是从管理的角度优化顶层设计和预测性维修的实施和推广。以装备型号为主要分类依据，利用现有的安全网络建立不同装备维修数据的集中存储和处理中心，利用现有数据训练预测模型，将预测结果与新产生的维修数据对比并对训练模型进行更新，待模型完善后，按照部件的重要程度，根据组件、分系统和系统等不同层级，采用逐步推广的方式，将预测性维修模型应用于该型号的所有装备。

參考文献

[1] https：//www.rtinsights.com/ lockheed-martin-teams-up-with-sas-onaircraft-analytics/

[2] https：//washingtontechnology.com/articles/2018/04/18/lock- heed-sas-f35-sustainment-effort.aspx

[3] https：//www.sas.com/en_us/software/viya.html

[4] 陈雷.深度学习与MindSpore实践[M].北京：清华大学出版社，2020.

[5] 于祥.深度学习与飞桨PaddlePaddle Fluid实战[M].北京：人民邮电出版社，2019.

[6] SAS Viya. Built for innovation so you can you’re your biggest analytical challenges – solution overview，PDF is available on： https：//www.sas.com/content/ dam/SAS/en_us/ doc/overviewbrochure/ sas-viya-108233.pdf

[7] Lockheed Martin. C-130 aircrew and maintenance training. PDF is available on： https：//www.lockheedmartin.com/content/dam/lockheed-martin/aero/documents/ sustainment/MG170493-021_Website_ HTC_blue.pdf

[8] Government Accountability Office. Weapon System Sustainment： Aircraft Mission Capable Generally Did Not Meet Goals and Cost of Sustainment Selected Weapon Systems Varied Widely [R]. 441 G St. N.W. Washington， DC 20548. November 2020.

[9] Inspector General of U.S. Department of Defense. Excess Inventory Acquired on Performance-based Logistics Contracts to Sustain the Air Force’s C-130J Aircraft [R]. Washington， DC 20548. September 2014.

[10] https：//limblecmms.com/predictive-maintenance/

[11] Timrek Heisler. C-130 Hercules： Background， Sustainment， Modernization， Issues for Congress [R]. Congressional Research Service， CRS Report， June 24， 2014. PDF is available on： https：//fas.org/ sgp/crs/weapons/R43618.pdf