V2500 发动机短舱维修间隔确定方法

■ 陈键 孙良臣/中国南方航空股份有限公司工程技术分公司沈阳基地

0 引言

维修是保证飞机持续适航的重要手段，在整个运营期间必须重点关注。国外主制造商的航空基础雄厚，积累了大量历史数据，可以用来支持飞机维修大纲的制定[1]。对于现行飞机的维修大纲，发动机短舱件的维修要求仅包含在区域检查项目中。为了更好地维护V2500 发动机短舱部件，必须制定具体的维修要求，其中维修间隔的确定尤为关键，维修间隔的设置直接影响到飞机的可靠性和维修成本[2]。

1 基于成本和可用性的分析方法

1.1 维修间隔制定策略及可用性和成本分析

假定在每次检测中，正常结构仍然原样使用，仅当发生损伤时才需恢复到新的状态。如果在检查时发现系统工作，假设系统保持不变；当检测到故障时，在维修/更换时间后更新。推导出由于检查和维修/更换而导致随机停机的可用性模型，如图1所示，然后将恒定检查时间和维修/更换时间作为特例进行研究。

图1 检查周期示意图

首先研究预期的周期时间，如表1 所示。对于特定的X0、Y0、X1，周期时长为：

表1 周期时间

预期的周期时间为：

预期不能工作的时间为：

一个周期内的预期总成本包括以下成本：

1.2 损伤数据的整理

对于航司V2500 发动机短舱的原始维修纪录，分别按进气道、风扇罩、C 涵道、平移门和尾喷5个主要部件进行记录，删除重复或错误的记录，留下每个部件不同时间下的唯一记录。对于同一主要部件的多次维修记录，则使用后面的时间减去前一个时间，获得其维修间隔。对于短舱系统采取以上的相同操作，若同一次维修了多个部件，仅作一次记录数据。

1.3 确定最优检查间隔

威布尔分布作为一个典型寿命分布模型，在飞机及部件可靠性评估方面有着广泛应用[3-5]。基于经过数据整理的维修记录数据，获得进气道、风扇罩、C 涵道、平移门和尾喷等5 个主要部件的维修信息和寿命，然后采用MATLAB程 序“weibull_parameters_get.m”，分别获得各自部件双参数威布尔分布的参数beta 和eta。维修平均工时（TR）、平均检查工时（TW）、检修停机时间（TF）、维修平均费用（CR）、单位停机成本（CL）及单位检查费用（CW）均来自航司内部数据，获得的最终输入数据见表2。将最终数据代入公式（3）和公式（6），便可获得基于可用性和成本的最优检查间隔及相应的优化曲线，如图2、图3所示。通过确定曲线的极值，便可得到两种分析方法的最优检查间隔。

表2 参数数据

图2 各部件可用性最大的最优检查间隔

图3 各部件成本最低的最优检查间隔

2 基于大数据和AI 模型的分析方法

监督学习就是分类，通过已有的训练样本去训练得到一个最优模型，然后利用这个最优模型将所有输入映射为相应的输出，对输出进行判断实现分类，这就对未知数据进行了分类。监督学习中的K-近邻方法（K-Nearest Neighbor，KNN）[6，7]和 支 持 向 量 机（SVM）[8]均可用于分析V2500 发动机短舱的维修记录数据。在对发动机短舱的维修记录数据进行大数据分析建模时考虑基于特征进化的损伤模型，即将包括发动机位置（左/右）、损伤部位（左/右）、损伤是否超手册（是/否）和损伤威胁维修方案（修理/更换）等损伤特征的持续记录作为大数据分析的数据向量，以考虑这些客观特征对飞机（机队）维修数据模型的影响。

对于V2500 发动机短舱的维修记录数据，采用matlab 的coxphfit 函数拟合，可 得η=1485.2，β=2.6814，γ0=0.0422，γ1=0.0194，γ2=0.0327，γ3=0.0159。（Zti=0，1，2，3）分别代表相应的特征参数：发动机（Engine，0-左，1-右）；部位（Position，0-左侧，1-右侧）；是否超 手 册（Manual，0- 否，1- 是）；损伤威胁维修方案（Damage，0-修理，1-更换）；修理的部件（1-进气道，2-风扇罩，3-C 涵道，4-平移门，5-尾喷，LR 为保留参数）。采用python 的scikit-learn 库进行机器学习，分为数据加载、数据预处理、数据划分、数据训练和效果评估等步骤。

2.1 K-近邻方法（K-Nearest Neighbor，KNN）

通过计算每个训练样例到待分类样品的距离，取与待分类样品距离最近的K个训练样例，K个样品中哪个类别的训练样例占多数，则待分类样品就属于哪个类别。如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分类样本所属的类别。KNN 方法在类别决策时，只与极少量的相邻样本有关。由于KNN 方法主要靠周围有限的邻近的样本来判断，而不是靠判别类域的方法来确定所属类别，因此对于类域的交叉或重叠较多的待分类样本集来说，该方法较其他方法更为适合。

上述案例中KNN 模型设置neighbor 数目为5，test_size=0.2。通过训练模型，可预测各飞机发动机短舱下次出现故障的部件和时间间隔，如表3所示。

表3 KNN方法预测结果

2.2 支持向量机（SVM）

支持向量机（SVM）就是找到一个平面，让两个分类集合的支持向量或者所有的数据（LSSVM）离分类平面最远；SVR 回归，就是找到一个回归平面，让一个集合的所有数据到该平面的距离最近。SVR 是支持向量回归（support vector regression）的英文缩写，是支持向量机（SVM）的重要应用分支。

上述案例中SVR 模型设置test_size=0.2。通过训练模型，预测各飞机发动机短舱下次出现故障的部件和时间间隔，如表4 所示。

表4 SVR方法预测结果

3 结论

采用基于成本和可用性的分析方法时，只需要获得发动机短舱部件的维修间隔记录，就可以通过威布尔分布拟合获得其寿命分布，在已知维修成本和时间基本信息的情况下获得稳定的最优维修间隔。基于大数据和AI 模型的分析方法不预先假设发动机短舱部件的维修间隔分布，而是基于已有的记录数据（包括历史维修间隔和其他损伤信息）预测短舱部件的下一次故障时间（即维修间隔）。

基于成本和可用性的分析方法的优点是：需要的记录数据较少；数据确定的情况下，结果稳定。缺点是：只能获得固定的最优检测间隔；只能利用维修记录中的时间信息，无法利用其他与损伤相关的参数/变量信息。

基于大数据和AI 模型的分析方法的优点是可以预测每个部件下次的失效日期，可以对每个部件设定不同的检测间隔；可以综合利用维修记录中包括时间在内的所有与损伤相关的参数/变量信息。缺点是需要大量的记录数据以训练模型，在数据较少时获得的模型的可靠性较低，且每次训练可能得到不同的模型，结果不稳定，不同方法的结果存在差异。

综上，在确定V2500 发动机短舱维修间隔时，应尽可能记录与发动机短舱部件的维修、服役历史、服役环境相关的所有信息并对其进行电子化整理，建立相关的数据库，通过综合使用上述两种方法，制定更加准确的维修间隔。