CN114819207A - 一种基于数据循证的航空器持续适航辅助管理系统及方法 - Google Patents

一种基于数据循证的航空器持续适航辅助管理系统及方法 Download PDF

Info

Publication number
CN114819207A
CN114819207A CN202210371422.4A CN202210371422A CN114819207A CN 114819207 A CN114819207 A CN 114819207A CN 202210371422 A CN202210371422 A CN 202210371422A CN 114819207 A CN114819207 A CN 114819207A
Authority
CN
China
Prior art keywords
data
qar
database
case
flight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210371422.4A
Other languages
English (en)
Inventor
苗佳禾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Civil Aviation Science and Technology
Original Assignee
China Academy of Civil Aviation Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Academy of Civil Aviation Science and Technology filed Critical China Academy of Civil Aviation Science and Technology
Publication of CN114819207A publication Critical patent/CN114819207A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)

Abstract

本发明提供了一种于数据循证的航空器持续适航辅助管理系统及方法，属于民航管理领域。所述系统包括：数据库层和应用层；所述数据库层包括：故障事件案例数据库、航空器使用信息数据库、航班机载QAR数据库和QAR参数清单数据库；所述应用层包括：故障事件案例管理模块、航班QAR数据分析模块和机队健康管理模块。本发明通过航空器/发动机实际运行数据与故障案例的深度融合赋能持续适航管理，能够为监管提供更为有力的数据循证手段，加强开展事件调查的主动性和便捷性；通过对上报的故障案例进行聚类，实现高频相似故障或异常的智能告警，引导监管更早地介入，并基于故障特征和QAR数据在行业内展开排查和跟踪，有助于安全窗口的前移。

Description

一种基于数据循证的航空器持续适航辅助管理系统及方法
技术领域
本发明属于民航管理领域，具体涉及一种基于数据循证的航空器持续适航辅助管理系统及方法。
背景技术
目前，先进民用客机的监控参数可达数千项，伴随飞机运行而产生的海量数据进一步改变了飞机的维护方式，其核心故障预测与健康管理(PHM， Prognosis HealthManagement)技术在以欧美为代表的航空发达国家的工业界和研究机构得到了充分的认可、推广和应用，并朝着更加标准化、综合化和智能化的方向发展。
作为全球航空市场的两大巨头，空客和波音公司均基于机载中央维护系统、空地数据链和地面软件平台，建立了成熟的飞机健康管理体系，实现空地一体化管理，提高飞行安全和航班运行效率，并根据用户需求持续升级完善。普惠、罗罗和GE作为全球动力系统的供应商三巨头，在全面占领民用喷气式发动机市场的同时，也致力于提供发动机状态监测、维护维修与机队管理的全套服务。
站在行业持续适航管理的角度，航空器的持续适航性是靠使用单位、维修企业以及设计制造部门的相互配合、共同努力并在政府机构的监管下得到的，对保证飞行安全具有极其重要的作用。因此，上述各方均有责任和义务提升持续适航管理的能力，在航空器运行过程中及时发现设计和制造缺陷，持续跟踪和保障其适航状态。2018年10月和2019年3月，短短5个多月内，波音737MAX 接连发生两起空难，其事后的事故调查报告均指向机动特性增强系统(MCAS) 严重的设计缺陷。同时，美国联邦航空局(FAA，Federal AviationAdministration)和波音公司在737MAX审定和培训过程中出现的严重问题也得以揭露。但事故的发生并非无迹可寻，印尼狮航JT610空难前一晚，飞机就遭遇了和第二天失事几乎一模一样的情况，因迎角探测器故障，MCAS在将近4分钟内，触发多达12次。实际上，MCAS的适航性问题早已隐藏于全球737MAX机队的日常飞行中，从这个角度看，强化航空器运营人、维修机构、制造厂商和监管机构在持续适航管理中的能力和角色对于促进民用航空安全管理具有重要的意义。
快速存取记录器(QAR，Quick Access Recorder)作为飞机上用于监控和记录飞行数据的装置，记录了飞行过程中包括飞行员操纵、飞机姿态、机载系统工作状态以及外界环境条件在内的诸多参数，其所记录的飞行数据均来源于机载总线，与飞行数据记录器(FDR，Flight Data Recorder)，即人们熟知的黑匣子所记录的参数同源，通过对数据进行译码能够还原飞机飞行的全过程。
当前QAR数据最为成熟的应用是作为飞行品质监控的核心数据，有效保证飞行安全，预防飞行事故的发生。中国民用航空局将QAR数据用于安全监管，以提升飞行安全管理水平。截至目前，在中国境内注册并营运的运输类飞机均装有QAR或等效设备。2017年，中国民航飞行品质监控基站正式投入运行，每天接收国内各航空公司超过3100架飞机、16000多个航班的QAR数据，用以监控航班飞行状况，及时发现运行风险。QAR数据也为飞行品质分析和不安全事件调查提供了有效的依据。
随着QAR的普及，如何将海量机载数据应用到维修和健康管理领域，挖掘故障模式和潜在的运行风险，强化数据循证和数据智慧在持续适航管理中扮演的角色，跟踪和保障航空器的持续适航性，从而更好地促进民用航空安全精细化管理，成为行业关注的重点之一。
目前行业的持续适航管理以使用困难报告(SDR，Service Difficulty Reports)系统作为重要的媒介，该系统如图1所示。使用困难报告用于以报告的形式对航空器在运行和维修过程中发现和出现在规章121.707和708中规定的系统、结构和部件的失效、缺陷或故障等事件进行记录、保存和提交。航空运营人除报告规章规定范围内的事件外，还应尽可能地报告涉及产品设计缺陷、修理质量问题、故障频繁出现、典型故障、原因无法确定等事件，为改进产品、提高维修管理水平、经验交流等提供帮助。根据国际民航组织的规定和航空器持续适航的要求，航空运营人应当向所在国民航当局和航空器制造厂家提交使用困难报告，以改进航空器产品的设计和提高航空器安全运营的可靠性。为避免重复故障发生，提高维修水平，航空运营人通过建立使用困难报告的调查程序，查明故障件或失效系统。对于一些重大事件或典型事件，局方会参与调查。对于经综合评估确认的不安全状态，适航当局会颁发相应的适航指令(AD， Airworthiness Directive)。
现有的使用困难报告、调查和管理程序切实支撑了持续适航领域的安全管理工作，使用困难报告系统也作为行业信息共享平台，汇聚各方经验，提高了维修管理水平和运营效率，但持续适航管理仍面临如下问题：
(1)报告本身具有滞后性，这一定程度上也会导致面向重大或典型事件时，监管响应和介入的滞后性；
(2)报告数据中包含大量描述性的非结构化文本数据，难于规范统一，并且缺少航空器/发动机实际运行的详细数据支撑，加大了监管的难度，减缓了对于同类突发高频事件的确认和响应速度；
(3)对于规章要求上报事件，缺乏更为及时和有力的手段实现监管的闭环管理；
(4)对机队健康状态监控和持续适航管理的能力和角色有待进一步提升。
发明内容
本发明的目的在于解决上述现有技术中存在的难题，提供一种基于数据循证的航空器持续适航辅助管理系统及方法，融合飞机/发动机故障案例和机载 QAR数据，加强数据循证和数据智慧在持续适航管理中的作用。飞机实际运行的QAR数据可以作为故障案例分析和调查的直接证据，通过历史数据得到的统计规律以及训练的模型算法可以作为机队健康管理的间接证据，既可以服务于局方监管，也可以服务于航空公司和制造厂商的机队健康管理，有助于各方提升持续适航管理的能力，在航空器运行过程中及时发现设计和制造缺陷，持续跟踪和保障其适航状态。
本发明是通过以下技术方案实现的：
本发明的第一个方面，提供了一种基于数据循证的航空器持续适航辅助管理系统，所述系统包括：数据库层和应用层；
所述数据库层包括：故障事件案例数据库、航空器使用信息数据库、航班机载QAR数据库和QAR参数清单数据库；
所述应用层包括：故障事件案例管理模块、航班QAR数据分析模块和机队健康管理模块。
本发明的进一步改进在于：
所述故障事件案例数据库用于存储故障事件信息；
所述航空器使用信息数据库用于存储航空器运营航班信息；
所述航班机载QAR数据库用于分航段存储QAR数据经译码后的工程值文件；
所述QAR参数清单数据库用于存储各机型对应译码库的参数文档。
本发明的进一步改进在于：
所述故障事件案例数据库和航空器使用信息数据库均采用结构化存储；
所述航班机载QAR数据库和QAR参数清单数据库均采用文件存储。
本发明的进一步改进在于：
所述故障事件案例管理模块包括：
案例增删改查子模块：与故障事件案例数据库连接；对案例数据进行逐条新增、批量导入、修改和删除；
案例多维统计分析子模块：与故障事件案例数据库连接；对案例数据进行交互式的多维统计分析及可视化；
案例分析子模块：分别与故障事件案例数据库和航空器使用信息数据库连接；根据案例发生日期、航空器注册号和航班号，从航空器使用信息数据库中获得航空器在案例发生当次和前序的航班信息以及QAR数据文件名，并按照起飞时间排序；
案例智能监控子模块：与故障事件案例数据库连接；分析案例之间的相似度，实现相似故障案例的自动分类，并根据设定的阈值对监控时段内高频次、高相似度上报案例发出告警，并对标记的重点案例持续跟踪，监控并推送相似案例的上报情况。
本发明的进一步改进在于：
所述航班QAR数据分析模块包括：
参数剖面管理子模块：与QAR参数清单数据库连接；根据QAR数据对应的译码库版本号查看飞机译码库的参数清单，提供参数剖面，并提供参数选择项；
数据批处理和调用子模块：分别与故障事件案例数据库、航空器使用信息数据库和航班机载QAR数据库连接；根据故障事件案例集中案例发生日期、航空器注册号和航班号，从航空器使用信息数据库获得航空器在案例发生当次和前序k次的航班信息；从航班机载QAR数据库中批量提取和导出QAR数据；
案例数据分析子模块：对特定案例发生当次和前序航班QAR数据进行分析。
本发明的进一步改进在于：
所述机队健康管理模块包括：
基于大数据的状态监控子模块：通过大数据模型算法对机队的异常状态进行识别和告警；
故障异常定向筛查子模块：遍历航班QAR数据库，筛查故障和异常状态；
性能趋势监控子模块：按照航班起飞时间进行排序，选取参数和数据压缩方式，查看QAR数据相关性能参数的变化规律；监控和跟踪飞机系统、发动机性能变化、衰退规律，评估和管理机队的性能和健康状态；
数据算法管理平台子模块：对数据集和算法进行管理，实现数据集的划分、保存、导入导出，实现模型算法的开发、导入和验证。
本发明的进一步改进在于：
基于大数据的状态监控、故障异常定向筛查和性能趋势监控这三个子模块均与航空器使用信息数据库和航班机载QAR数据库连接，并调用数据算法管理平台子模块中的算法，实现用户机队健康管理。
本发明的第二个方面，提供了一种基于数据循证的航空器持续适航辅助管理方法，所述方法是利用上述系统实现的，所述方法包括：
故障事件案例管理模块中的案例智能监控子模块在监控到过去一段时期系统出现高频次、高相似度的故障案例上报后，发出告警；
在确认故障均指向同一机型的A系统后，航班QAR数据分析模块中的参数剖面管理子模块选取该机型A系统的相关参数剖面，同时数据批处理和调用子模块提取故障发生当次及前序航班QAR数据，案例数据分析子模块循证故障发生的数据表征；
机队健康管理模块中的数据算法管理平台子模块在航班机载QAR数据库中对行业内所有航班该故障的发生进行筛查，并与故障事件案例管理模块中的查询和统计的该故障上报情况进行核对，形成监管的闭环。
本发明还提供了第二种基于数据循证的航空器持续适航辅助管理方法，所述方法是利用上述系统实现的，所述方法包括：
航班QAR数据分析模块中的数据批处理和调用子模块提取待分析机型的无异常/故障标签的QAR数据；
机队健康管理模块中的数据算法管理平台子模块中通过无监督机器学习开发M系统异常检测算法；
故障事件案例管理模块中的案例增删改查子模块查询待分析机型的M系统的故障异常案例；
航班QAR数据分析模块中的数据批处理和调用子模块提取故障案例前序航班QAR数据对M系统异常检测算法进行验证，获得验证后的算法，并将验证后的算法发送给机队健康管理模块中的基于大数据的状态监控子模块；
基于大数据的状态监控子模块利用验证后的算法实现M系统异常状态预测预警。
本发明还提供了第三种基于数据循证的航空器持续适航辅助管理方法，所述方法是利用上述系统实现的，所述方法包括：
航班QAR数据分析模块中的数据批处理和调用子模块访问航空器使用信息数据库，提取多台同一种型号的发动机的全寿命周期的QAR数据；
机队健康管理模块中的数据算法管理平台子模块研究该种型号的发动机的衰退规律和预测算法，同时性能趋势监控子模块对该种型号的发动机的性能进行监控和跟踪。
与现有技术相比，本发明的有益效果是：
本发明通过航空器/发动机实际运行数据与故障案例的深度融合赋能持续适航管理，能够为监管提供更为有力的数据循证手段，加强开展事件调查的主动性和便捷性；通过对上报的故障案例进行聚类，实现高频相似故障或异常的智能告警，引导监管更早地介入，并基于故障特征和QAR数据在行业内展开排查和跟踪，有助于安全窗口的前移；通过数据循证的手段对规章要求上报的事件进行筛查，能够实现监管的闭环管理，促进安全文化；基于大量航班运行历史数据，研究模型算法，将航班QAR数据资源转化为机队健康状态监控、评估和管理的数据智慧，能够为民航持续安全运营提供强有力的支撑。
附图说明
图1使用困难报告系统关系图；
图2本发明系统的组成结构示意图；
图3本发明系统的组成结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述：
我国作为民航大国，注册的航空器均加装了QAR设备，并在持续的运行中不断积累海量机载数据。QAR数据能够连续、完整地记录飞机/发动机各系统在实际运行中的状态，这使得通过QAR数据赋能持续适航管理成为可能。大数据时代下的持续适航管理，应在现有体系框架下强化数据循证和数据智慧所扮演的角色，在如下方面实现突破：
(1)关联故障案例发生当日航班和前序航班的机载数据，加强数据在故障案例分析和调查中的循证作用，强化调查的手段和便捷性；
(2)通过算法快速检索和关联相似的故障案例，通过数据挖掘相同的故障模式，对于高频故障实现智能告警、排查和持续跟踪监控，促使监管更早地介入，前移安全窗口，这在新引进航空器和国产民机投运的初期阶段尤为重要；
(3)对于规章要求上报的事件，通过故障特征/算法对机队历史运行数据进行筛查，实现监管的闭环管理；
(4)基于大数据开展对机队健康状态的监控和管理，实现异常和故障的早期筛查和预警；
(5)开发故障诊断、性能评估和趋势预测算法，提升机队健康管理能力。
本发明主要面向行业监管，对航空公司和制造厂商的持续适航管理工作也有一定的参考和借鉴作用。
如图2所示，本发明提供的基于数据循证的航空器持续适航辅助管理系统包括：数据库层和应用层，具体如下：
数据库层包括：故障事件案例数据库、航空器使用信息数据库、航班机载 QAR数据库和QAR参数清单数据库，并对底层数据进行科学有效的组织和管理，便于应用层对数据的快速检索和调用(底层数据的组织和管理主要指下面阐述的各个数据库包含的字段信息以及数据的存储形式(结构化存储/文件存储)，是各数据库之间进行关联以及各功能模块调用数据的基础。)。
所述故障事件案例数据库用于结构化存储故障事件信息，所述故障事件信息包括但不限于使用困难报告规章规定范围内的事件、导致重要后果(航班返航、备降、滑回、中断起飞、地面停车、空中停车)以及2小时以上延误的不正常事件、涉及产品设计缺陷、修理质量问题、故障频繁出现、典型故障、故障原因无法确定的事件等。具体的，所述故障事件案例数据库采用结构化表格对案例进行存储，字段包括：案例编号、上报单位、发生日期、航班号、飞行阶段、起飞机场、降落机场、运营人、航空器注册号、飞机型号、发动机型号、发动机序列号、故障件/故障部位、故障模式、故障对应的ATA章节、故障现象、故障后果、故障原因、处理措施以及问题的完整描述。
所述航空器使用信息数据库用于结构化存储航空器运营航班信息，所述航空器运营航班信息包括：航班号、航空公司、起降机场、起飞时间(14位时间格式)、飞机机型、发动机机型、飞机注册号、发动机序列号、异常/故障标签、 QAR数据文件名、译码库版本号。航空器使用信息数据库存储了机队航空器每日的航班信息。
所述航班机载QAR数据库用于分航段存储QAR数据经译码后的工程值文件 (csv格式)。航班机载QAR数据库存储了机队每个航班的机载QAR数据。
所述QAR参数清单数据库用于存储各机型对应译码库的参数文档，参数文档包括：参数名、含义、对应ATA章节、数据类型、单位、值域、精度、数据源等信息，供用户在数据提取过程中查询和选择飞机/发动机系统的相关参数，建立参数剖面。
结构化存储是指采用数据库二维表结构存储数据。四个数据库中，故障事件案例数据库和航空器使用信息数据库均采用结构化存储，航班机载QAR数据库和QAR参数清单数据库均采用文件存储。
所述应用层包括三大模块，分别为：故障事件案例管理模块、航班QAR数据分析模块和机队健康管理模块，这三大模块及各子模块的功能实现全部依赖于底层数据的支持，三大模块的功能设计如下：
故障事件案例管理模块：
该模块用于支持对故障事件案例数据库的维护，包括案例的增加、批量导入、修改和删除；支持交互式的多维统计分析及可视化，包括案例类别、机型、对应的ATA章节、飞行阶段、时间等多个维度，便于用户快速掌握案例分布特点，从而有针对性地开展更深层次的数据分析和挖掘工作。
该模块用于支持用户对特定标签或字段包含特定关键词的案例进行快速检索，用户可通过返回结果逐条查看和筛选感兴趣的记录，标记并新建分组，创建和保存定制化的案例集。对于特定案例，用户可以在查阅案例数据的基础上，关联案例发生当次和前序航班的QAR数据，循证故障发生的深层原因、征兆，评估飞行员的处置和决策。由于案例数据的部分字段对应非结构化的文本数据，模块构建算法对案例相似度进行度量，对于用户检索或选中的故障案例，系统将自动推送高相似度案例以供查阅。
该模块能够通过算法(对于故障事件案例数据库中存储的案例条目，可以采用现有的聚类分析、文本相似判定和匹配等算法来度量案例之间的相似度，实现相似故障案例的自动分类。)对案例进行聚类，根据阈值设定对监控时段内高频次、高相似度上报案例发出告警，并对用户标记的重点案例持续跟踪，监控相似案例的上报情况。
所述故障事件案例管理模块包括了4个子模块，分别为：案例增删改查子模块、案例多维统计分析子模块、案例分析子模块、案例智能监控子模块，下面详细地阐述各子模块功能以及各子模块与底层数据库、各子模块之间的功能衔接和数据交互：
1.案例增删改查子模块：
该子模块与故障事件案例数据库连接，支持用户对故障事件案例数据库的访问、维护和管理，包括对案例数据进行逐条新增、批量导入、修改和删除。
在案例查询方面，该子模块支持用户对特定标签或字段包含特定关键词的案例进行快速检索，如根据故障后果字段筛选发动机空中停车的故障案例、根据飞机型号和故障对应的ATA章节字段筛选某机型空调系统(对应ATA章节号 21)的故障案例、筛选问题的完整描述中包含关键词“裂纹”的故障案例。用户可根据返回的筛选结果点击感兴趣的案例条目，点击后，会启动案例分析子模块查阅详细的案例数据。
案例数据既包含标签数据，还包含非结构化的文本数据，模块能够应用算法对案例相似度进行度量，对于用户检索或选中的故障案例，系统将自动推送高相似度案例以供查阅。该子模块还支持用户对案例进行标记和新建分组，创建、导出、保存并访问定制化的案例集。在保存时仅需保存案例编号，读取时便可通过故障事件案例数据库关联出案例数据。
2.案例多维统计分析子模块：
该子模块连接故障事件案例数据库，支持用户实现对故障事件案例数据交互式的多维统计分析及可视化，包括案例类别、机型、对应的ATA章节、飞行阶段、时间等多个维度，便于用户快速掌握案例分布特点，从而有针对性地开展更深层次的数据分析和挖掘工作。
3.案例分析子模块：
该子模块支持用户查阅具体案例详细的案例数据。该子模块分别与故障事件案例数据库和航空器使用信息数据库连接,能够根据案例发生日期、航空器注册号和航班号，从航空器使用信息数据库中获得航空器在案例发生当次和前序的航班信息以及QAR数据文件名，并按照起飞时间(14位时间格式)排序，用户可跳至航班QAR数据分析模块中的数据批处理和调用子模块实现案例QAR数据的提取、处理、调用，并通过航班QAR数据分析模块中的案例分析子模块循证故障发生的深层原因、征兆，评估飞行员的处置和决策。
4.案例智能监控子模块：
该子模块与故障事件案例数据库连接，对于存储的案例条目，采用聚类分析、文本相似判定和匹配等现有算法度量案例之间的相似度，实现相似故障案例的自动分类，并根据阈值设定(时段、频次、相似度)对监控时段内高频次、高相似度上报案例发出告警，并对用户标记的重点案例持续跟踪，监控并推送相似案例的上报情况。
航班QAR数据分析模块：
该模块支持用户根据定制化的案例集(故障事件案例管理模块中的案例增删改查子模块支持用户对案例进行标记和新建分组，创建、导出、保存并访问定制化的案例集。航班QAR数据分析模块能够访问用户存储的案例集。)，批量关联航班QAR数据(包括故障/事件发生当次和前序指定数量的航班)(该模块能够根据故障事件案例发生日期、航空器注册号和航班号关联航空器使用信息数据库，返回航空器在案例发生当次和前序k次(可指定数量)的航班信息以及QAR数据文件名，并按照起飞时间(14位时间格式)排序。)，从而面向故障诊断和预测算法(该算法指的是用户可能需要针对特定故障模式自行开发故障诊断和预测算法，需要筛选相应故障案例并获取QAR数据，以创建算法研究数据集。)创建研究数据集(根据批量关联的QAR数据文件名，从航班机载QAR 数据库中批量提取和导出QAR数据。)。
该模块支持QAR数据的批量提取和导出。对于数据提取过程中的参数剖面选择，模块能够根据待提取QAR数据所对应译码库的参数清单，提供常用的典型参数剖面供用户选择，并通过引导界面引导用户根据飞机/发动机系统对应的 ATA章节选择参数项。在参数选择过程中，参数名、含义、对应ATA章节、数据类型、单位、值域、精度、数据源均为必须提供给用户参考的信息，以确保数据使用的准确性和有效性。模块支持用户对创建的参数剖面进行保存和管理。
该模块内置并支持用户开发算法(该模块可调用系统内置的基于python语言的算法开发平台，支持用户选择系统默认算法或自行开发算法，对QAR数据进行批量预处理、特征提取和统计分析。)，对QAR数据进行批量预处理、特征提取和统计分析。
对于特定案例分析，该模块支持QAR数据可视化和探索性数据分析功能，包括但不限于按照时间序列实现多参数并行可视化输出、绘制反映参数相关性的散点图矩阵、绘制性能参数演化趋势图等。
航班QAR数据分析模块包括了3个子模块，分别为：参数剖面管理子模块、数据批处理和调用子模块、案例数据分析子模块，下面分开并相对更为详细地阐述各子模块功能以及各子模块与底层数据库、各子模块之间的功能衔接和数据交互：
1.参数剖面管理子模块：
该子模块与QAR参数清单数据库连接，支持用户在QAR数据提取过程中访问，根据QAR数据对应的译码库版本号查看飞机译码库的参数清单，提供常用的典型参数剖面供用户选择，并提供参数选择项，通过引导界面引导用户根据飞机/发动机各个系统/子系统/部件对应的ATA章节(航空器系统部件通用代码)选择参数。在参数选择过程中，参数名、含义、对应ATA章节、数据类型、单位、值域、精度、数据源均为必须提供给用户参考的信息，以确保数据使用的准确性和有效性。模块支持用户对自定义创建的参数剖面进行保存和管理。
2.数据批处理和调用子模块：
该子模块分别连接故障事件案例数据库、航空器使用信息数据库和航班机载QAR数据库，用于根据故障事件案例集(可以是在故障事件案例管理模块中的案例增删改查子模块中查询标记的案例，也可以是用户保存的定制化案例集) 中案例发生日期、航空器注册号和航班号，从航空器使用信息数据库中获得航空器在案例发生当次和前序k次(可指定数量)的航班信息，从航班机载QAR 数据库中批量提取和导出QAR数据，面向特定故障模式的故障诊断和预测算法开发需求，创建自定义研究数据集。该子模块同时支持用户直接访问航空器使用信息数据库，查询相关航班信息，提取QAR数据。
该子模块可调用系统内置的基于python语言的算法开发平台，支持用户选择系统默认算法或自行开发算法，实现对QAR数据进行批量预处理、特征提取和统计分析。
提取和处理后的数据集可保存至机队健康管理模块-数据算法管理平台子模块，用于机队健康管理模型算法的开发。
3.案例数据分析子模块：
该子模块支持对特定案例发生当次和前序航班QAR数据的分析功能，模块支持QAR数据可视化和探索性数据分析功能，包括但不限于按照时间序列实现多参数并行可视化输出、绘制反映参数相关性的散点图矩阵、绘制性能参数演化趋势图等。
机队健康管理模块：
该模块包括：基于大数据的状态监控子模块、故障异常定向筛查子模块、性能趋势监控子模块和数据算法管理平台子模块，其中，数据算法管理平台子模块主要实现用户数据集管理以及算法开发和管理，基于大数据的状态监控、故障异常定向筛查和性能趋势监控这三个子模块与航空器使用信息数据库和航班机载QAR数据库连接，调用数据算法管理平台子模块中的算法，实现用户机队健康管理的相关需求，具体如下：
1，所述基于大数据的状态监控子模块通过现有的大数据模型算法(例如可以采用one-class SVM、DBSCAN、Isolation Forest等常规异常检测算法即可实现相关需求。)对机队的异常状态进行识别和告警。针对监控的目标机型和目标系统，基于系统中大量的历史航班数据，通过有监督或无监督学习训练异常检测模型，并通过故障案例发生当次和前序航班(有标签)的机载QAR数据验证模型效果，完成模型算法的开发，从而实现航空器异常状态的预测预警(航班机载QAR数据库中存储了机队每日飞行航班的QAR数据，异常检测算法能够通过航班QAR数据实现航空器异常状态的判别。)。
2，所述故障异常定向筛查子模块支持用户根据特征、故障诊断和预测算法 (这里的算法是指用户根据需求自行开发的，用于具体异常/故障的筛查、诊断和预测。)遍历航班QAR数据库，有针对性地筛查故障和异常状态，一方面用于筛查运营人对规章要求上报事件的上报情况，实现监管的闭环管理；另一方面，对于原因暂时无法确定的异常情况，也能及时根据数据特征进行摸排，动员各方力量展开调查；此外，还能够针对某种特定故障进行预测(航班机载QAR数据库中存储了机队每日飞行航班的QAR数据，故障预测算法能够对目标故障进行预测和告警。)，促进安全精细化管理，提升机队运营效率。
3，所述性能趋势监控子模块支持用户通过航空器使用信息数据库选定飞机 /发动机，按照航班起飞时间进行排序，选取参数和数据压缩方式(日、月)，查看QAR数据相关性能参数的变化规律。模块还支持通过算法(指用户根据需求自行开发的。)监控和跟踪飞机系统/发动机性能变化/衰退规律，评估和管理机队的性能和健康状态。
4，所述数据算法管理平台子模块支持用户对数据集和算法进行管理，实现数据集的划分、保存、导入导出，实现模型算法的开发、导入和验证。该子模块可调用系统内置的基于python语言的算法开发平台，支持用户根据需求自行开发基于大数据的状态监控、故障异常定向筛查以及性能趋势监控的相关算法。
上述系统种的各个模块均采用计算机编程实现，对数据进行统计、分析、预警等等可以采用现有的多种算法来实现。上述系统的应用以及其对持续适航管理的支持和辅助作用在方法和手段上是十分灵活的。上述系统深度融合了故障事件案例数据、航空器使用信息数据和航空器/发动机实际运行机载QAR数据，赋能持续适航管理工作，所谓数据循证的核心在于飞机实际运行的QAR数据可以作为故障案例分析和调查的直接证据，通过历史数据得到的统计规律以及训练的模型算法可以作为机队健康管理的间接证据。
下面结合系统在具体场景中的应用案例介绍基于数据循证的航空器持续适航辅助管理方法：
【实施例一】
故障事件案例管理模块中的案例智能监控子模块在监控到过去一段时期系统出现高频次、高相似度的故障案例上报后，会发出告警，用户结合故障事件案例管理模块中的案例分析子模块逐一查阅详细的案例数据，在确认故障均指向同一机型的A系统后，航班QAR数据分析模块中的参数剖面管理子模块选取该机型A系统的相关参数剖面，同时数据批处理和调用子模块提取故障发生当次及前序航班QAR数据，在案例数据分析子模块中循证故障发生的数据表征，并通过多方(航空公司、制造厂商等)确认故障原因并展开调查，探讨航空器的持续适航性。通过故障特征分析，确认QAR数据中能够反映故障发生和征兆的特征参数，机队健康管理模块中的数据算法管理平台子模块利用故障定向筛查(诊断)算法，在航班机载QAR数据库中对行业内所有航班该故障的发生进行筛查，并与故障事件案例管理模块中的查询和统计的该故障上报情况进行核对，形成监管的闭环；由于该故障在发生前QAR数据中存在明显的故障征兆量，即故障可预测，利用开发故障预测算法对该故障进行预测和告警，提升机队运行安全和效率。
在上述过程中，故障航班实际运行的QAR数据作为故障案例分析和调查的直接证据，故障定向筛查(诊断)算法和故障预测算法可以作为机队健康管理的间接证据，均通过航班实际飞行QAR数据循证而来。
【实施例二】
某机型(待分析机型)M系统的传感器测量参数众多，系统中存储了其大量“健康态”飞行的QAR数据，航班QAR数据分析模块中的数据批处理和调用子模块提取该待分析机型的无异常/故障标签的QAR数据，在机队健康管理模块中的数据算法管理平台子模块中通过无监督机器学习开发M系统异常检测算法；故障事件案例管理模块中的案例增删改查子模块查询待分析机型的M系统的故障异常案例，航班QAR数据分析模块中的数据批处理和调用子模块提取故障案例前序航班QAR数据对算法进行验证(可以采用现有的多种方法进行验证，在此不再赘述。)，获得验证后的算法，并将验证后的算法发送给机队健康管理模块中的基于大数据的状态监控子模块，基于大数据的状态监控子模块利用该验证后的算法实现M系统异常状态预测预警，从而辅助机队健康管理。
【实施例三】
发动机排气温度(EGT)是反映发动机性能衰退的重要指标，航班QAR数据分析模块中的数据批处理和调用子模块访问航空器使用信息数据库，提取多台同一种型号的发动机的全寿命周期的QAR数据，在机队健康管理模块中的数据算法管理平台子模块研究该种型号的发动机的衰退规律和预测算法，同时性能趋势监控子模块对该种型号的发动机性能进行监控和跟踪。
最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (10)

1.一种基于数据循证的航空器持续适航辅助管理系统，其特征在于：所述系统包括：数据库层和应用层；
所述数据库层包括：故障事件案例数据库、航空器使用信息数据库、航班机载QAR数据库和QAR参数清单数据库；
所述应用层包括：故障事件案例管理模块、航班QAR数据分析模块和机队健康管理模块。
2.根据权利要求1所述的基于数据循证的航空器持续适航辅助管理系统，其特征在于：所述故障事件案例数据库用于存储故障事件信息；
所述航空器使用信息数据库用于存储航空器运营航班信息；
所述航班机载QAR数据库用于分航段存储QAR数据经译码后的工程值文件；
所述QAR参数清单数据库用于存储各机型对应译码库的参数文档。
3.根据权利要求2所述的基于数据循证的航空器持续适航辅助管理系统，其特征在于：所述故障事件案例数据库和航空器使用信息数据库均采用结构化存储；
所述航班机载QAR数据库和QAR参数清单数据库均采用文件存储。
4.根据权利要求3所述的基于数据循证的航空器持续适航辅助管理系统，其特征在于：所述故障事件案例管理模块包括：
案例增删改查子模块：与故障事件案例数据库连接；对案例数据进行逐条新增、批量导入、修改和删除；
案例多维统计分析子模块：与故障事件案例数据库连接；对案例数据进行交互式的多维统计分析及可视化；
案例分析子模块：分别与故障事件案例数据库和航空器使用信息数据库连接；根据案例发生日期、航空器注册号和航班号，从航空器使用信息数据库中获得航空器在案例发生当次和前序的航班信息以及QAR数据文件名，并按照起飞时间排序；
案例智能监控子模块：与故障事件案例数据库连接；分析案例之间的相似度，实现相似故障案例的自动分类，并根据设定的阈值对监控时段内高频次、高相似度上报案例发出告警，并对标记的重点案例持续跟踪，监控并推送相似案例的上报情况。
5.根据权利要求4所述的基于数据循证的航空器持续适航辅助管理系统，其特征在于：所述航班QAR数据分析模块包括：
参数剖面管理子模块：与QAR参数清单数据库连接；根据QAR数据对应的译码库版本号查看飞机译码库的参数清单，提供参数剖面，并提供参数选择项；
数据批处理和调用子模块：分别与故障事件案例数据库、航空器使用信息数据库和航班机载QAR数据库连接；根据故障事件案例集中案例发生日期、航空器注册号和航班号，从航空器使用信息数据库获得航空器在案例发生当次和前序k次的航班信息；从航班机载QAR数据库中批量提取和导出QAR数据；
案例数据分析子模块：对特定案例发生当次和前序航班QAR数据进行分析。
6.根据权利要求5所述的基于数据循证的航空器持续适航辅助管理系统，其特征在于：所述机队健康管理模块包括：
基于大数据的状态监控子模块：通过大数据模型算法对机队的异常状态进行识别和告警；
故障异常定向筛查子模块：遍历航班QAR数据库，筛查故障和异常状态；
性能趋势监控子模块：按照航班起飞时间进行排序，选取参数和数据压缩方式，查看QAR数据相关性能参数的变化规律；监控和跟踪飞机系统、发动机性能变化、衰退规律，评估和管理机队的性能和健康状态；
数据算法管理平台子模块：对数据集和算法进行管理，实现数据集的划分、保存、导入导出，实现模型算法的开发、导入和验证。
7.根据权利要求6所述的基于数据循证的航空器持续适航辅助管理系统，其特征在于：所述,基于大数据的状态监控、故障异常定向筛查和性能趋势监控这三个子模块均与航空器使用信息数据库和航班机载QAR数据库连接，并调用数据算法管理平台子模块中的算法，实现用户机队健康管理。
8.一种基于数据循证的航空器持续适航辅助管理方法，其特征在于：所述方法是利用如权利要求1-7任一项所述的系统实现的，所述方法包括：
故障事件案例管理模块中的案例智能监控子模块在监控到过去一段时期系统出现高频次、高相似度的故障案例上报后，发出告警；
在确认故障均指向同一机型的A系统后，航班QAR数据分析模块中的参数剖面管理子模块选取该机型A系统的相关参数剖面，同时数据批处理和调用子模块提取故障发生当次及前序航班QAR数据，案例数据分析子模块循证故障发生的数据表征；
机队健康管理模块中的数据算法管理平台子模块在航班机载QAR数据库中对行业内所有航班该故障的发生进行筛查，并与故障事件案例管理模块中的查询和统计的该故障上报情况进行核对，形成监管的闭环。
9.一种基于数据循证的航空器持续适航辅助管理方法，其特征在于：所述方法是利用如权利要求1-7任一项所述的系统实现的，所述方法包括：
航班QAR数据分析模块中的数据批处理和调用子模块提取待分析机型的无异常/故障标签的QAR数据；
机队健康管理模块中的数据算法管理平台子模块中通过无监督机器学习开发M系统异常检测算法；
故障事件案例管理模块中的案例增删改查子模块查询待分析机型的M系统的故障异常案例;
航班QAR数据分析模块中的数据批处理和调用子模块提取故障案例前序航班QAR数据对M系统异常检测算法进行验证，获得验证后的算法，并将验证后的算法发送给机队健康管理模块中的基于大数据的状态监控子模块；
基于大数据的状态监控子模块利用验证后的算法实现M系统异常状态预测预警。
10.一种基于数据循证的航空器持续适航辅助管理方法，其特征在于：所述方法是利用如权利要求1-7任一项所述的系统实现的，所述方法包括：
航班QAR数据分析模块中的数据批处理和调用子模块访问航空器使用信息数据库，提取多台同一种型号的发动机的全寿命周期的QAR数据；
机队健康管理模块中的数据算法管理平台子模块研究该种型号的发动机的衰退规律和预测算法，同时性能趋势监控子模块对该种型号的发动机的性能进行监控和跟踪。
CN202210371422.4A 2022-03-22 2022-04-08 一种基于数据循证的航空器持续适航辅助管理系统及方法 Pending CN114819207A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022102815124 2022-03-22
CN202210281512 2022-03-22

Publications (1)

Publication Number Publication Date
CN114819207A true CN114819207A (zh) 2022-07-29

Family

ID=82535146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210371422.4A Pending CN114819207A (zh) 2022-03-22 2022-04-08 一种基于数据循证的航空器持续适航辅助管理系统及方法

Country Status (1)

Country Link
CN (1) CN114819207A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114300A (zh) * 2022-08-30 2022-09-27 青岛民航凯亚系统集成有限公司 基于图数据库的适航规章结构化处理方法
CN116049259A (zh) * 2023-01-28 2023-05-02 深圳市瑞达飞行科技有限公司 Qar参数回算方法、装置、计算机设备及存储介质
CN116415818A (zh) * 2023-06-12 2023-07-11 中国民航科学技术研究院 基于聚类算法的飞机进近阶段风险点确认方法和系统
CN117273478A (zh) * 2023-08-21 2023-12-22 中国民航科学技术研究院 融合规则与案例的告警处置决策方法、系统及存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114300A (zh) * 2022-08-30 2022-09-27 青岛民航凯亚系统集成有限公司 基于图数据库的适航规章结构化处理方法
CN116049259A (zh) * 2023-01-28 2023-05-02 深圳市瑞达飞行科技有限公司 Qar参数回算方法、装置、计算机设备及存储介质
CN116049259B (zh) * 2023-01-28 2023-11-24 深圳市瑞达飞行科技有限公司 Qar参数回算方法、装置、计算机设备及存储介质
CN116415818A (zh) * 2023-06-12 2023-07-11 中国民航科学技术研究院 基于聚类算法的飞机进近阶段风险点确认方法和系统
CN116415818B (zh) * 2023-06-12 2023-09-12 中国民航科学技术研究院 基于聚类算法的飞机进近阶段风险点确认方法和系统
CN117273478A (zh) * 2023-08-21 2023-12-22 中国民航科学技术研究院 融合规则与案例的告警处置决策方法、系统及存储介质
CN117273478B (zh) * 2023-08-21 2024-04-12 中国民航科学技术研究院 融合规则与案例的告警处置决策方法及系统

Similar Documents

Publication Publication Date Title
CN114819207A (zh) 一种基于数据循证的航空器持续适航辅助管理系统及方法
Dangut et al. An integrated machine learning model for aircraft components rare failure prognostics with log-based dataset
Manco et al. Fault detection and explanation through big data analysis on sensor streams
US8378853B2 (en) Intelligent crew alerting system and method for aircraft and other vehicle applications
EP3156862B1 (en) Methods and apparatus for the creation and use of reusable fault model components in fault modeling and complex system prognostics
US8209300B2 (en) Online tracking of life-limited parts
CN113359664B (zh) 故障诊断与维护系统、方法、设备及存储介质
Li et al. Civil aircraft big data platform
Meseroll et al. Data mining navy flight and maintenance data to affect repair
US11299288B2 (en) Method of presenting flight data of an aircraft and a graphical user interface for use with the same
US8775348B2 (en) Method and system for automatic analysis of failure or state messages
Zeng et al. [Retracted] Analysis of Abnormal Flight and Controllers Data Based on DBSCAN Method
Li et al. Overview of application in data mining techniques to qar data ansys
Girdner An integrated system safety model of the national airspace system
Weerasinghe et al. Predictive maintenance and performance optimisation in aircrafts using data analytics
CN111488832B (zh) 一种机场飞行区机位适用性检查作业规范的自动识别方法
Zhaobing et al. Application architecture and typical cases of big data technology in health management of civil aircraft system
Knight et al. Intelligent management of helicopter health and usage management systems data
CN110057590B (zh) 面向机群的航空发动机外场数据管理系统及方法
Lam et al. Human Reliability Analysis in Aviation Accidents: A Review
Miao et al. Data Evidence-Based Aircraft Continuing Airworthiness Management Assistant System and Applications
Lam et al. Human Error, Reliability, Resilience, and Performance, Vol. 82, 2023, 21–32 AHFE
Liu et al. Constructing knowledge graph for prognostics and health management of on-board train control system based on big data and xgboost
Rui et al. PHM Verification and Validation of Aviation Equipment Based on System Engineering
US20230385405A1 (en) System, method, and program for analyzing vehicle system logs

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination