网格诊断扼杀飞机故障萌芽

　　汽车罢工了再送去维修，是很常见的事情;轮船在航行时坏了，似乎也没什么大不了的;可是对于飞机来说，能从天上掉下来了再去维修吗?

　　收集引擎状态数据

　　飞机如出现故障，将直接关系到乘务人员的生命安全，这就要求飞机引擎必须能在恶劣环境下极度可靠地运行。为达到这个目的，飞机维护人员必须先对飞机引擎的工作状态有一个非常全面而准确的了解，然后确定这架飞机能否安全地再次执行飞行任务。

　　那么，工作人员是怎样知道飞机引擎的工作状态的呢?

　　一般而言，主动的故障诊断和预报，可以通过阈值和区间探测实现，并能够在安全和适宜的时刻进行修复工作，最小化对系统维护的影响。在这种情况下，我们称这种故障诊断和预报系统为“可预测维护系统”。

　　飞机设计者正是应用了可预测维护系统原理，将飞机引擎先进的机械系统和电器控制系统紧密地结合在一起，形成了一个检测系统。这个系统具有极强的感应和监控能力，能采集飞机引擎详实的状态数据，以便工作人员进行性能分析，并为飞机的维护提供数据参考。

　　理论上，故障诊断的基础是应用陈述性知识和过程性知识来监视和分析传感器数据。因此传感器需要采集陈述性知识数据和过程性知识数据。在这个采集的过程中，被监控系统的特性决定了数据采集量的大小，一般需要很大的数据存储容量。采集的数据除了静态数据、文本数据、图像数据之外经常还涉及到动态数据，因此数据采集的粒度也各不相同，可能是秒、毫秒或更短。

　　故障诊断和预报系统不仅需要采集传感器数据，而且还需要采集非陈述性知识，比如通过诊断目前状态来预测系统未来，形成预报程序的过程。所有采集到的数据，包括可能的故障、过去的故障、过去诊断方法的历史数据以及其它一些启发性信息。

　　排查故障面临挑战

　　飞机引擎诊断系统一般是采用对比的方法排查飞机引擎的故障。在进行故障诊断的时候，诊断系统需要将引擎传感器的数据和理想引擎模型进行比较，从而发现问题。为了告诉飞行员怎么处理才能将故障影响降到最低以及降落后飞机维护人员怎样排除引擎故障，系统提供了以往的引擎性能和故障的操作日志。

　　如果在数据档案中找到相似异常事件，立刻访问相应的操作数据库，取出所有与这些事件相关的支持信息，如维修步骤或者正确的补救行动。这对于故障诊断和预报系统的能力增强非常有益。

　　但是，要真正做好故障诊断和预报面临着几大挑战:

　　首先，诊断系统所采集的数据类型主要是一直在随时间变化的实数类型变量。每次飞行都会产生将近1GB的数据，这些数据的存储将需要巨大容量的数据存储设施，这些设施通常分布在不同的地理位置上，涉及多个组织。

　　其次，为了探测引擎产生的数据特征并分析其类型，必须开发先进的模式匹配和数据挖掘方法。这些方法必须能够处理TB级的数据，还要满足故障诊断和预报任务所要求的响应时间。

　　再其次，故障诊断和预报过程需要得到多数组织中的不同类型参与者的合作，他们需要部署一系列不同的工程和计算工具用于分析这类问题。

　　飞机故障诊断过程示意图

　　网格帮助诊断

　　DAME是一个关于飞机引擎故障诊断和预报问题的项目，为解决诊断过程中一系列的问题，DAME在飞机诊断系统中引入了网格技术。

　　网格技术为飞机故障诊断提供了多项服务:

　　引擎数据服务:该服务控制引擎上的监控系统(QUOTE)和QUOTE与地面基站通信的交互，地面基站负责与网格数据存储设施的链接。因为飞机要在全世界的很多地方降落，所以该服务有许多副本。

　　数据存储和挖掘服务:这项服务包括AURA(模式匹配引擎系统)，能够使用特殊的方法快速地搜索飞机引擎产生的原始数据和随后的归档数据。

　　引擎建模服务:这项服务从飞行数据中获取参数，建立引擎模型并运行。主要目的就是执行基于模型的数据融合，有效地推断飞机引擎的当前状况。

　　基于案例的推理支持:使用基于案例的推理(CBR)技术来改进和扩展知识库，并以过程性的方式捕获故障诊断和预报方法。一个潜在的应用就是管理与故障诊断和预报操作相关的工作流。另外就是建立和维护DAME知识库，将QUOTE系统观测到的引擎异常迹象和那些飞机引擎维护、修理和检查组织已知的故障原因关联起来。

　　维护接口服务:这项服务捕获有助于确认或细化前面故障诊断和预报过程输出结果的那些信息，与维护、修理和检查人员建立闭环联系，保证此后得到的经验和教训会不断改进和完善DAME故障诊断和预报过程。

　　自治服务:当数据达到时会捕获和检查数据，提示飞行员有数据到达，需要做出相应的反应。

　　指导操作:指导飞行员或飞机维护人员使用列出的工具和方法对数据进行操作。

　　揪出故障隐患

　　利用网络技术对引擎故障诊断和预报有几个关键的步骤:需求编码，搜索TB数量级的引擎数据，处理获取的数据，如图所示。

　　从QUOTE系统识别可能的异常振动数据开始，当QUOTE系统不能在对探测到的异常数据进行归类时，传感器就把数据发送给地面诊断系统和存储设施，存储起来进行后续处理。

　　同时，系统将可能的异常报告给飞行员或数据方案公司，并开始自动搜索机队引擎数据。存储着过去发生过的异常信息，可以帮助对当前的状况进行诊断。

　　AURA系统，具有强大的数据挖掘能力，能够从飞行档案数据中恢复所有相关的事件。模式匹配引擎使用可扩展的基于神经网络的方法支持海量数据的分布式搜索。

　　AURA提供了TB数量级的数据集搜索技术，从数据集中抽取相关的小子集做进一步的处理。如果在数据档案中找到相似异常事件，立刻访问相应的操作数据库，取出所有与这些事件相关的支持信息，如维修步骤或者正确的补救行动。

　　当模式匹配结果产生了多个可能的匹配时，CBR将根据数据库中已有的案例给出最可能的诊断结果以及确认该结果所需的一组指令。如果探测不到相似的事件，或者需要对异常数据集进行进一步处理才能识别故障，可以通过网格计算对数据进行更加详细的分析。