【摘要】本文以飞机状态监控为研究对象，分析了当前状态监控的应用背景。面对飞机/系统的故障诊断和健康评估问题的复杂性，采用深度学习方法对传感器采集数据进行特征表达，完成状态信息从数据向知识的转化。在实现准确的故障诊断和精确的健康评估的同时，也为OSA-CBM体系提供了基于知识和专家系统的决策支持。结合OSA-CBM体系的特征，制定了系统实施构架，并对系统的应用领域进行了分析，为OSA-CBM在民用飞机上的应用提供了实施思路。

【关键词】OSA-CBM；状态监控与预测；机载维护系统

1引言

随着民用飞机向复杂化集成化的方向不断地发展，飞机/系统的故障现象也趋于复杂，但与此同时，随着新技术在飞机上的应用，飞机/系统的故障诊断技术也产生了新的发展空间，传统的电子设备故障诊断技术开始逐步向故障预测与健康监控的方向发展。20世纪90年代初期，NASA研究机构提出了“飞行器健康监控(VHM)”概念，通过适当选择和使用传感器和软件来监测空间飞行目标的“健康”。20世纪90年代末，美国研发的JSF项目为故障预测与健康管理技术诞生带来了契机，故障预测与健康管理是JSF项目实现经济承受性、保障性和生存性目标的一个关键所在。近年来已提出了基于“状态维修体制”，在美国由波音公司牵头，来自工业部门、科研院所等10多个组织机构制定了视情维修的开放体系结构，用于指导实际工作应用于机械和电子等领域。这种维修体制是以飞机的健康参数指标为基础，实时监测系统的状态，当预测到即将发生故障时，就立即进行检修，这就能够确保系统不会发生大的故障，同时还克服了维修过剩的缺点。

2OSA-CBM标准

OSA-CBM标准是以ISO13374[1,5,6]为基础用于规范基于状态的维修系统（CBM系统）设计，以及各CBM系统之间数据交换的开放标准。使用该标准可以有效的节省开发设计费用，提高系统的协作能力，增强产品及企业竞争力。标准的OSA-CBM分为六层，各层之间相互独立，通过接口进行数据交互。

3状态监测

3.1面向民用飞机健康管理的状态监测层

状态监测层（SD）处理数据获取层（DA）以及数据处理层（DM）传输的数据。民用飞机包含了大量的，功能结构复杂的系统，从这些系统采集得到的数据必然是同样大量，并且数据类型的组成复杂。面向民用飞机健康管理的状态监测层需要对这些数据进行处理，然后分析数据特征指标，通过对特征指标的实时监控实现对飞机健康状态的监测。民用飞机健康状态的变化主要是由于飞机/系统的故障状态引起。造成系统故障状态的可能因素包括人为失误、材料缺陷、制造误差、使用环境波动等固有成因，以及器件疲劳、磨损和老化等演化规律。不用的诱因引发的故障状态可能相同，也可能不同；并且实际的故障状态也存在由单一因素诱发或多种因素并发的可能。这给对民用飞机系统故障状态的成因分析和准确诊断提出了很大的挑战。状态监测层需要完成对系统数据的信息综合，因此必须从故障系统的数据中准确地提取出故障的特征，完成对系统故障的精确分析和准确定位。

3.2状态监测层

（SD）实施构架OSA-CBM体系中的状态监测层（SD）在“状态维修体制”中处于核心地位。状态监测层接受机载系统采集的数据，并对数据进行特征提取，实现飞机状态信息从数据层到专家知识层的进一步分析和综合。飞机机载传感器网络实时地采集与飞机健康状态有关的状态信息，如结构系统的应力、震动信号，电子系统的电压、电流信号、燃油系统的温度信号等，这些数据经过数据处理层（DM）的预处理（如粗大误差过滤、数据平滑、数据的时频域转换等），被输入状态监测层（SD）进行特征提取。飞机是否处于健康状态，是由多个系统的健康状态共同决定，状态监测需要完成飞机的状态信息由数据域到飞机故障诊断知识域的转变。从采集到的状态数据中分析、诊断出飞机/系统的故障状况，并与正常状态进行对比，完成对飞机健康状态的实时评估。

由于飞机的故障状态以及健康状态均为基于知识的评价，因此，对飞机健康状态的实时监测就必须完成被监测的状态信息由数据到知识的转换。深度学习方法具有强大的数据特征表达能力，通过构建深度的多层神经网络，达到输入状态数据到输出状态模式的目的。经过这种转化，机载传感器网络采集的状态数据就可以被用来对飞机健康状态进行判定，实现基于“状态维修体制”（CBM）的决策。

参考文献

[1]张秋菊,张冬梅.电子系统故障预测与健康管理技术研究[J].光电技术应用,2012,27(1):19-24.

[2]孙博,康锐,谢劲松.故障预测与健康管理系统研究和应用现状综述[J].系统工程与电子技术,2007,29(10):1762-1767.

[3]赵宁社,翟正军,王国庆.新一代航空电子综合化及预测与健康管理技术[J].测控技术,2010,30():1-5,9.

作者：余汇 单位：上海飞机设计研究院