测控技术

Measurement & Control Technology

ISSN 1000-8829,CN 11-1764/TB

《测控技术》网络首发论文

题目： 面向 PHM 的民机飞行数据分析及应用研究进展

作者： 朱昕昀，颜子琛，杨彩琼，孙见忠
DOI： 10.19708/j.ckjs.2022.11.329
收稿日期： 2022-07-30
网络首发日期： 2023-02-10
引用格式： 朱昕昀，颜子琛，杨彩琼，孙见忠．面向 PHM 的民机飞行数据分析及应用研
究进展[J/OL]．测控技术. https://doi.org/10.19708/j.ckjs.2022.11.329

网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编
辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、
出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，
只可基于编辑规范进行少量文字的修改。
出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国
学术期刊（网络版）
》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）
》是国家新闻出
版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间：2023-02-10 15:30:22
网络首发地址：https://kns.cnki.net/kcms/detail//11.1764.TB.20230209.1549.001.html

测控技术
网 络 首 发 · １·

面向 ＰＨＭ 的民机飞行数据分析及应用研究进展
朱昕昀１ ， 颜子琛１ ， 杨彩琼２ ， 孙见忠１
（１．南京航空航天大学 民航学院，江苏 南京 ２４７０００； ２．中国航发四川燃气涡轮研究院，四川 绵阳 ６２１０００）

摘要：针对现代飞机装备在可靠性、安全性、维修保障性和成本等方面存在的问题，探究了飞行数据在民
机故障预测与健康管理领域的最新技术发展及应用。 介绍了民机飞行数据采集和译码原理，针对民机
智能运维应用场景，结合机器学习和数字孪生等技术，重点介绍了围绕机载系统健康监测与预测维修、
发动机状态监控与寿命管理等应用场景的数据分析与建模方法，并结合实际工程问题给出了数据分析
应用案例。 开发的具有自主知识产权的民机飞行数据译码和智能化分析工具，可面向不同用户需求、不
同机型开展客户化开发与部署。 实现了民机的飞行安全监控和故障预警，为民航运输安全、运营、保障
等需求提供数字化、智慧化的关键理论与技术支撑。
关键词：健康监测；寿命预测；飞行数据；机器学习；数字孪生
中图分类号：Ｖ２６７ 文献标志码：Ａ
ｄｏｉ：１０．１９７０８ ／ ｊ．ｃｋｊｓ．２０２２．１１．３２９

Ｒｅｓｅａｒｃｈ Ａｄｖａｎｃｅｍｅｎｔ ｏｎ Ｆｌｉｇｈｔ Ｄａｔａ Ａｎａｌｙｓｉｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｔｏ Ａｉｒｃｒａｆｔ ＰＨＭ

ＺＨＵ Ｘｉｎ⁃ｙｕｎ １ ＹＡＮ Ｚｉ⁃ｃｈｅｎ １ ＹＡＮＧ Ｃａｉ⁃ｑｉｏｎｇ ２ ＳＵＮ Ｊｉａｎ⁃ｚｈｏｎｇ １
１．Ｃｏｌｌｅｇｅ ｏｆ Ｃｉｖｉｌ Ａｖｉａｔｉｏｎ Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕｔｉｃｓ Ｎａｎｊｉｎｇ ２４７０００ Ｃｈｉｎａ
２．ＡＥＣＣ Ｓｉｃｈｕａｎ Ｇａｓ Ｔｕｒｂｉｎｅ Ｅｓｔａｂｌｉｓｈｍｅｎｔ Ｍｉａｎｙａｎｇ ６２１０００ Ｃｈｉｎａ

Ａｂｓｔｒａｃｔ Ａｉｍｉｎｇ ａｔ ｔｈｅ ｒｅｌｉａｂｉｌｉｔｙ ｓａｆｅｔｙ ｍａｉｎｔｅｎａｎｃｅ ｓｕｐｐｏｒｔａｂｉｌｉｔｙ ａｎｄ ｃｏｓｔ ｏｆ ｍｏｄｅｒｎ ａｉｒｃｒａｆｔ ｅｑｕｉｐｍｅｎｔ
ｔｈｅ ｌａｔｅｓｔ ｔｅｃｈｎｏｌｏｇｉｃａｌ ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｆｌｉｇｈｔ ｄａｔａ ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｐｒｏｇｎｏｓｔｉｃｓ ａｎｄ
ｈｅａｌｔｈ ｍａｎａｇｅｍｅｎｔ ＰＨＭ ａｒｅ ｅｘｐｌｏｒｅｄ．Ｔｈｅ ｐｒｉｎｃｉｐｌｅ ｏｆ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｆｌｉｇｈｔ ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ａｎｄ ｄｅｃｏｄｉｎｇ ａｒｅ
ｉｎｔｒｏｄｕｃｅｄ．Ａｉｍｉｎｇ ａｔ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｓｃｅｎａｒｉｏｓ ｏｆ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｉｎｔｅｌｌｉｇｅｎｔ ｏｐｅｒａｔｉｏｎ ａｎｄ ｍａｉｎｔｅｎａｎｃｅ ｃｏｍｂｉｎｅｄ
ｗｉｔｈ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ａｎｄ ｄｉｇｉｔａｌ ｔｗｉｎ ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｔ ｆｏｃｕｓｅｓ ｏｎ ｔｈｅ ｄａｔａ ａｎａｌｙｓｉｓ ａｎｄ ｍｏｄｅｌｉｎｇ ｍｅｔｈｏｄｓ ａ⁃
ｒｏｕｎｄ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｓｃｅｎａｒｉｏｓ ｏｆ ａｉｒｂｏｒｎｅ ｓｙｓｔｅｍ ｈｅａｌｔｈ ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｐｒｅｄｉｃｔｉｖｅ ｍａｉｎｔｅｎａｎｃｅ ｅｎｇｉｎｅ ｓｔａｔｅ
ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｌｉｆｅ ｍａｎａｇｅｍｅｎｔ ａｎｄ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｃａｓｅｓ ｏｆ ｄａｔａ ａｎａｌｙｓｉｓ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｐｒａｃｔｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ
ｐｒｏｂｌｅｍｓ ｉｓ ｇｉｖｅｎ．Ｔｈｅ ｄｅｖｅｌｏｐｅｄ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｆｌｉｇｈｔ ｄａｔａ ｄｅｃｏｄｉｎｇ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ａｎａｌｙｓｉｓ ｔｏｏｌ ｗｉｔｈ ｉｎｄｅｐｅｎｄｅｎｔ
ｉｎｔｅｌｌｅｃｔｕａｌ ｐｒｏｐｅｒｔｙ ｒｉｇｈｔｓ ｃａｎ ｃａｒｒｙ ｏｕｔ ｃｕｓｔｏｍｉｚｅｄ ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ ｄｅｐｌｏｙｍｅｎｔ ｆｏｒ ｄｉｆｆｅｒｅｎｔ ｕｓｅｒ ｎｅｅｄｓ ａｎｄ
ｄｉｆｆｅｒｅｎｔ ａｉｒｃｒａｆｔ ｔｙｐｅｓ．Ｔｈｅ ｆｌｉｇｈｔ ｓａｆｅｔｙ ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｆａｕｌｔ ｗａｒｎｉｎｇ ｏｆ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ａｒｅ ｒｅａｌｉｚｅｄ ａｎｄ ｔｈｅ ｄｉｇｉｔａｌ
ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ｋｅｙ ｔｈｅｏｒｅｔｉｃａｌ ａｎｄ ｔｅｃｈｎｉｃａｌ ｓｕｐｐｏｒｔ ｆｏｒ ｃｉｖｉｌ ａｖｉａｔｉｏｎ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｓａｆｅｔｙ ｏｐｅｒａｔｉｏｎ ｓｕｐｐｏｒｔ
ａｎｄ ｏｔｈｅｒ ｎｅｅｄｓ ａｒｅ ｐｒｏｖｉｄｅｄ．
Ｋｅｙ ｗｏｒｄｓ ｈｅａｌｔｈ ｍｏｎｉｔｏｒｉｎｇ ｌｉｆｅ ｐｒｅｄｉｃｔｉｏｎ ｆｌｉｇｈｔ ｄａｔａ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｄｉｇｉｔａｌ ｔｗｉｎ

现代飞机装备结构愈加复杂，综合化和电子化程 度加深，带来了可靠性、安全性、维修保障性和成本等

收稿日期：２０２２－０７－３０
基金项目：国家自然科学基金重大研究计划（９１８６０１３９） ；国家自然科学基金面上项目（５２０７２１７６） ；基础性稳定支持项目

引用格式：朱昕昀，颜子琛，杨彩琼，等．面向 ＰＨＭ 的民机飞行数据分析及应用研究进展［ Ｊ ／ ＯＬ］ ． 测控技术：１－ ９． ｈｔｔｐｓ： ／ ／ ｄｏｉ． ｏｒｇ ／ １０．

１９７０８ ／ ｊ．ｃｋｊｓ．２０２２．１１．３２９．
ＺＨＵ Ｘ Ｙ，ＹＡＮ Ｚ Ｃ，ＹＡＮＧ Ｃ Ｑ，ｅｔ ａｌ．Ｒｅｓｅａｒｃｈ Ａｄｖａｎｃｅｍｅｎｔ ｏｎ Ｆｌｉｇｈｔ Ｄａｔａ Ａｎａｌｙｓｉｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｔｏ Ａｉｒｃｒａｆｔ ＰＨＭ［ Ｊ ／ ＯＬ］ ．
Ｍｅａｓｕｒｅｍｅｎｔ ＆ Ｃｏｎｔｒｏｌ Ｔｅｃｈｎｏｌｏｇｙ：１－９．ｈｔｔｐｓ： ／ ／ ｄｏｉ．ｏｒｇ ／ １０．１９７０８ ／ ｊ．ｃｋｊｓ．２０２２．１１．３２９．
· ２· 《 测控技术》 网络首发

方面的问题。 因此，如何对飞机进行故障预测与健康 的主要规范为 ＡＲＩＮＣ ７１７ 和 ＡＲＩＮＣ ７６７。

管理（ Ｐｒｏｇｎｏｓｔｉｃｓ ａｎｄ Ｈｅａｌｔｈ Ｍａｎａｇｅｍｅｎｔ，ＰＨＭ） ，将机 １．１ ＡＲＩＮＣ ７１７ 规范
载设备维修模式由计划维修转变为预测维修，实现风 ＡＲＩＮＣ７１７ 规范是目前绝大多数民用运输飞机所
险关口的前移，是如今民机运行安全领域的一大关键 采用的记录标准。 ＡＲＩＮＣ ７１７ 是 ＡＲＩＮＣ ５７３ 的扩展
问题。 形式，提高了记录速度，并增加了“ 超级帧” 记录方式，
航空安全是航空运输业发展的立根之本，随着信 用于记录长时间不变化的参数。
息化和数字化新技术不断发展和应用，新一代航空器 在 ＡＲＩＮＣ ７１７ 规范中，飞行数据通过一对双绞线
每一次飞行都会产生大量的数据，为“ 智慧航空器运 传输；以帧（ ｆ） 为单位循环记录，每帧数据 ４ ｓ，每秒数
行与安全监控” 提供了海量的数据源，是促进民航业 据又称为一个子帧（ Ｓｕｂｆｒａｍｅ） ，又称副帧；每个子帧一
数字化转型、赋能“ 智慧民航” 的基础和关键。 基于航 般有 ６４ 字、１２８ 字、２５６ 字、５１２ 字或 １０２４ 字（ Ｗｏｒｄ） ；
空大数据巧妙地运用数据分析技术，结合机器学习的 每个字有 １２ 个数据位（ ｂｉｔ） ，飞行参数被填充到字和
先进算法和数字孪生建模等技术，开发民机 ＰＨＭ 新 位中，如图 １ 所示。
技术，可以有效提高航空安全保障工作的质量，合理安
排维修计划，降低运行成本。
在面向 ＰＨＭ 的民机飞行数据应用方面，目前已
在空调系统健康监测 ［１－４］ 、环控系统故障诊断 ［５］ 、引气
系统故障诊断 ［６－７］ 、辅助动力装置（ Ａｕｘｉｌｉａｒｙ Ｐｏｗｅｒ Ｕ⁃
ｎｉｔ，ＡＰＵ） 健康评估与寿命预测 ［８］ 、发动机寿命预测与
故障预警 ［９－ １２］ 、发动机数字孪生建模 ［１３－１４］ 与性能退化
趋势预测 ［１５］ 等领域均取得了显著成果，并基于所开发
的 ＰＨＭ 技术，与航空公司维修计划相整合，进行成本
控制和安全保障 ［１６－１７］ 。
根据可靠的统计资料，民航业每天产生近 ２０ ＴＢ
数据，但目前学术界对这些航空大数据的应用不足其 图１ ＡＲＩＮＣ ７１７ 帧格式示意图
潜在价值的 １０％。 因此航空运输业亟需充分发掘飞 同时每秒数据（ 每个子帧） 的第一个字是同步字，
行数据的潜在价值，进行数字化、智能化运维升级 ［１８］ 。 大多数飞机用的是 Ｔｅｌｅｄｙｎｅ 格式同步字，少数老型飞
本文旨在探究如何利用机载飞行数据，开发对飞 机用 Ｈａｍｉｌｔｏｎ 格式同步字。
机典型系统以及发动机部件进行系统健康监测及故障 １．２ ＡＲＩＮＣ ７６７ 规范
诊断的新方法，以便及时准确发出异常报警并进行预 ＡＲＩＮＣ ７６７ 旨在为增强型机载飞行记录器 （ Ｅｎ⁃
测维修，切实保障飞机的运行安全性、使用性、经济性。 ｈａｎｃｅｄ Ａｉｒｂｏｒｎｅ Ｆｌｉｇｈｔ Ｒｅｃｏｒｄｅｒ，ＥＡＦＲ） 的开发和安装

１
民机机载总线参数采集与译码
飞行数据一般是指飞机上各机载传感器在运行过
程中记录下来的与飞机各系统和部件的工作状态、飞
机飞行状态、外界飞行环境等相关的参数的集合。 通
常，飞行数据根据特定的 ＡＲＩＮＣ 规范存储在数据记录
器中，主 要 包 括 数 字 飞 行 数 据 记 录 器 （ Ｄｉｇｉｔａｌ Ｆｌｉｇｈｔ
Ｄａｔａ Ｒｅｃｏｒｄｅｒ，ＤＦＤＲ） 、快速存取记录器（ Ｑｕｉｃｋ Ａｃｃｅｓｓ
Ｒｅｃｏｒｄｅｒ，ＱＡＲ） 、数字式飞机综合数据记录器（ Ｄｉｇｉｔａｌ
Ａｉｄｓ Ｒｅｃｏｒｄｅｒ，ＤＡＲ） 等。
飞行 数 据 译 码 的 目 的 是 准 确 地 还 原 记 录 器
（ ＤＦＤＲ、ＱＡＲ 或 ＤＡＲ） 记录的飞行参数，将数据记录
器内的以二进制排列的原始数据转换成有单位的、直
观的工程数据值。 因此，译码是记录的逆过程，其关键
点在于理清 ＡＲＩＮＣ 规范规定的映射关系。
目前，民机主流机型（ 如 ７３７ 系列、７８７ 系列） 使用
提供设计指导，并不涉及飞行数据记录器系统的总体
要求，但会考虑接口和系统标准。
ＡＲＩＮＣ ７６７ 规范同样采用“ 数据帧” 的方式进行
数据存储，但是这里的“ 数据帧” 是记录参数带有时间
标记的分组，如图 ２ 所示。 “ 数据帧” 主要由一组有序
的参数、相关的帧标签（ Ｆｒａｍｅ Ｈｅａｄｅｒ） 和时间戳组成，
每个唯一帧将由以下多个部分组成标头：同步字（２ Ｂ，
十六进制模式“ ＥＢ９０” ） ；帧长度（ ２ Ｂ） ，以字节表示此
帧的总长度；时间戳（４ Ｂ） ，表示记录数据的相对时间
（ ｍｓ） ； 帧 类 型 ／ ＩＤ 表 示 唯 一 帧 标 识 的 帧 类 型 ／ ＩＤ （ ２
Ｂ） 。
１．３ 译码软件
手工译码效率较低，大量重复性的工作将会增加
时间成本，因此译码一般由计算机通过译码软件自动
完成。 译码软件一般内置了多个机型飞行参数数据
库 ，飞行参数数据库一般基于飞机参数规范手册的
面向 ＰＨＭ 的民机飞行数据分析及应用研究进展
图２ ＡＲＩＮＣ ７６７ 数据帧结构
Ｄａｔａ Ｒｅｃｏｒｄｉｎｇ Ｍａｐ，其包含了飞机所有参数的记录位
置、参数类型和工程值计算方法。 不同规范遵循不同的
译码方式。
目前，已经自主开发了机载总线数据译码软件，软
件基于 ＰｙＱｔ 进行界面设计，以 ＭｙＳＱＬ 为后台数据库
对数据进行统一管理，以 ＳＱＬＡｌｃｈｅｍｙ 作为对象关系
映射（ Ｏｂｊｅｃｔ Ｒｅｌａｔｉｏｎａｌ Ｍａｐｐｉｎｇ，ＯＲＭ） 框架连接数据
库，如图 ３ 所示。 该软件可以实现 ＡＲＩＮＣ ７１７ 规范记
录格式的数据译码，译码结果准确度较高。
图３ 机载总线数据译码软件平台
２ 机载系统健康监测与预测维修
典型机载系统 ＰＨＭ 模型开发流程如图 ４ 所示。
首先，通过分析系统工作模式，梳理飞行参数，进一步
建立健康监测参数体系，借助各种数据分析算法建立
模型，评估典型机载系统 ／ 设备的健康状态，在故障发
生前，结合历史工况信息和故障信息等多种信息资源
进行状态评估和故障预测，实现系统的预测维修。
２．１ 引气系统健康监测技术
引气系统由许多反馈、控制和安全机制组成，因此
简单分析可用的传感器参数， 即预冷却器出口 温 度
（ ＰＯＴ） 和流道压力（ ＭＰ） 可能不足以成为一个有效的
健康监测解决方案，因为系统冗余和控制机制能够补
偿故障或退化。
提取飞行阶段为巡航阶段且飞行高度为 ２００００ ｆｔ
以上工况下的引气系统相关参数，使用 ＬＳＴＭ⁃ＡＥ 模型
· ３·
图４ 典型机载系统 ＰＨＭ 模型开发流程
计算各传感器的重构误差。 根据重构误差矩阵，进一
步计算系统健康指数（ Ｈｅａｌｔｈ Ｉｎｄｅｘ，ＨＩ） ，这里以 １２ 个
传感器的 ＲＭＳ 重构误差之和作为 ＨＩ 来表示系统的健
康状态。 图 ５ 展示了某飞机在一年内的健康指数。 从
图 ５ 中可以看出，维修记录中确认的 ３９０Ｆ 传感器感测
线的 ＰＣＶ 故障能够清晰识别出来。
图５ 引气系统 ＰＣＶ 故障健康指数
２．２ 空调系统健康监测技术
在特定条件下压缩机出口温度是能够表征空调系
统热交换器工作状态的最佳参数，根据相关性计算，选
择与压缩机出口温度有较强相关性的静温（ ＳＡＴ） ，总
温 （ ＴＡＴ ） 、 高 压 转 子 转 速 （ Ｎ２ ） 和 混 合 总 管 温 度
（ ＭＦＤＴ） 这 ４ 个参数作为辅助监测参数，压缩机出口
温度（ ＲＡＭＴ） 作为主监测参数，用于挖掘数据中隐藏
的潜在信息， 基于 ＭＳＥＴ （ Ｍｕｌｔｉｖａｒｉａｔｅ Ｓｔａｔｅ Ｅｓｔｉｍａｔｉｏｎ
Ｔｅｃｈｎｉｑｕｅ，多元状态估计技术） 算法建立空调系统热
交换器基线模型。 用基线模型求出的 ＲＡＭＴ 预测值
与监测到的真实值进行差值计算，对偏差值进行监控。
利用滑动窗口残差统计法对飞机左侧空调压缩机
出口温度偏差值序列进行了处理，并根据偏差均值确
定故障预警阈值。 从图 ６ 中可以看出，该飞机左侧空
 · ４· 《 测控技术》 网络首发

调系 统 压 缩 机 出 口 温 度 平 均 偏 差 值 ＭΔＲＡＭＴ
（ ＬｅｆｔＡＣＳ） 序列在第 ６５７ 飞行循环超过了故障预警阈
值。 比故障发生提前了 ４９ 飞行循环监测到异常。 在
监测到异常后，可以合理安排热交换器维修时间，避免
由于空调系统热交换器故障导致的非计划维修。

图７ 全寿命周期健康指数与原始 ＥＧＴ 对比
以编号 ００１５ 的 ＡＰＵ 为例，该 ＡＰＵ 在整个寿命周
期内共产生了 ９７０ 个 ＡＣＭＳ 报文。 在第 ８０１ 和第 ８９４
个 ＡＣＭＳ 报文循环预测的失效时间的分布分别在图 ８
和图 ９ 中以红线表示。 由于预测结果为分布形式，带
有不确定性（ 黑色点划线表示的 ９５％置信度区间） ，蓝
色虚线为退化预测的平均健康指数。
图６ 空调系统压缩机出口温度偏差值序列

２．３ ＡＰＵ 健康评估

对于 ＡＰＵ 系统，从理论上讲，排气温度（ ＥＧＴ） 可
以准确表示涡轮机械的实际性能。 但是由于外界因素
的影响，例如环境温度和压力、ＡＰＵ 工作载荷以及其
他因素等，原始 ＥＧＴ 数据在各种运行条件下都会发生
很大波动，从而难以表征 ＡＰＵ 的实际性能衰退。
ＡＰＵ 的 ＡＣＭＳ 报文记录了起动大发期间 ＡＰＵ 的
各种工作参数，选择了 ＴＡＴ，进口导流叶片（ Ｉｎｌｅｔ Ｇｕｉｄｅ
Ｖａｎｅ，ＩＧＶ） 开度，负载压气机进口压力，负载压气机进
口温 度、 转 速、 引 气 流 量、 引 气 压 力、 滑 油 温 度 以 及
ＡＰＵ 发电机功率作为预测变量，将 ＥＧＴ 用作该模型的
响应变量。 使用随机森林算法建立计算 ＡＰＵ 健康指
数的性能基线模型，以 ＥＧＴ 预测值与真实值之间的偏 图８ 第 ８０１ 个 ＡＣＭＳ 报文循环预测

差值作为健康指数。
将 ＡＰＵ 整个寿命周期中健康指数与原始数据中
ＥＧＴ 进行了比较，如图 ７ 所示。 可以看出，从 ＥＧＴ 原
始数据（ 蓝色） 中很难识别出的 ＡＰＵ 退化状态，而使
用健康指数（ 黄色） 可以很好地表征 ＡＰＵ 性能退化趋
势，这将有助于 ＡＰＵ 的健康监测和失效预测。
２．４ ＡＰＵ 剩余寿命预测
根据 ２．３ 节得到表征 ＡＰＵ 性能退化状态的健康
指数后， 进 一 步 利 用 动 态 线 性 模 型 （ Ｄｙｎａｍｉｃ Ｌｉｎｅａｒ
Ｍｏｄｅｌ，ＤＬＭ） 来描述 ＡＰＵ 性能退化，进行剩余寿命预
测。 根据健康指数将 ＡＰＵ 软失效阈值设置为 ６０，这
也在 ＡＰＵ 的维修记录中得到了支持，因为所统计的
２２ 台 ＡＰＵ，基本都在该阈值附近失效并进行了大修。 图９ 第 ８９４ 个 ＡＣＭＳ 报文循环预测
面向 ＰＨＭ 的民机飞行数据分析及应用研究进展 · ５·

从图 ８ 和图 ９ 可以看出，不同阶段预测的寿命是
不同的，ＡＰＵ 的寿命预测精度随退化阶段的不同而变
化，越是临近失效，预测寿命越接近实际寿命。

３ 发动机状态监控与寿命管理
发动机状态监测数据体系来源广泛，具有多模态、
不同时空尺度的特征，可从不同角度、不同层级反映发
动机整机 － 系统 － 零部件的状态，如图 １０ 所示。 如何
充分发挥飞行数据的价值实现基于智慧运维的发动机
视情维修，更好地节约维修的时间和经济成本是需要
重点解决的问题。

图 １１ 发动机关键件剩余寿命

的“ 个性化” 的基线模型能更准确地反映实际运行条
件个体发动机的特性。
发动机气路故障预警技术主要通过对发动机气路
相关性能参数偏差值序列的变化进行监测，来实现异
常监测参数序列的及时预警。 采用贝叶斯统计方法用
于气路性能参数的分析，提出了一种基于自适应动态
线性模型的发动机气路性能状态监控方法，并借助贝
叶斯因子来监测参数序列的异常，从而实现及时预警。
实践中民航发动机状态监控依赖于几个关键的状
态 参 数 的 偏 差 值， 例 如 起 飞 阶 段 的 排 气 温 度 裕 度
（ ＥＧＴＭ） ，以及巡航阶段的燃油流量偏差（ ＤＦＦ） 、高压
转子转速偏差（ ＤＮ２） 、排气温度偏差（ ＤＥＧＴ） 等。 性
能参数偏差值序列如图 １２ 所示。 气路部件气路故障
发生后，偏差值序列出现异常，但由于噪声较大，故障
征兆淹没在噪声中，仅靠人的经验难以直接从趋势图
图 １０ 航空发动机非结构化、多模态飞行数据
中识别出来。 而根据图 １３ 所示的累积贝叶斯因子，在
故障发生后随着观测信息的增加，异常证据将进一步
３．１ 发动机关键件剩余寿命预测
积累，其对数值迅速降低，可排除序列结构异常或者观
发动机关键件剩余寿命预测技术采用失效物理与
测野值的存在，从而准确触发预警。
数据驱动融合的方法实现对个体关键件的可靠性进行
３．３ 发动机数字孪生建模技术
评估。 传统的关键件寿命监控和预测方法通常是基于
对于整机性能建模，采取基于 ＧａｓＴｕｒｂ 的部件特
简单的累计使用时间或者飞行的循环数对寿命消耗进
行追踪，由于没有考虑单机状态下个体发动机使用条件
的差异，因此会导致过于保守的寿命评估结果。
可基于一种新提出的累积损伤指数模型进行损伤
累积与剩余寿命评估，以关键件失效样本协变量信息
为输入进行模型的参数估计，以个体发动机性能监控
数据为模型输入进行个体关键件的损伤累积，最终得
到关键件未来运行循环对应的累积失效率，根据失效
率阈值可计算剩余寿命，如图 １１ 所示。
３．２ 发动机气路部件故障预警技术
借助系统运行期间收集的健康发动机的性能参数
数据样本，利用基于数据驱动的多元状态估计来获得
系统的基线模型，根据每台发动机实测的数据建立起 图 １２ 性能参数偏差值序列
· ６·
图 １３ 累积贝叶斯因子
性图缩放方法建模，零部件数字孪生体构建流程如图
１４ 所示。 该模型输入为发动机的运行条件（ 海拔、标
准温度偏差等） 和环境条件（ 大气温度、大气压力等） 、
工作过程参数（ 压气机流量、压气机压比、燃烧室出口
温度、涵道比、压气机压比、涡轮前温度等） 和预测的
部件效率和管道恢复系数，通过基于 ＧａｓＴｕｒｂ 进行设
计点性能匹配和非设计点性能匹配，最终得到总体性
能模型，模型输出数据为整机性能参数（ 油耗等） ，各
站位的压力、温度、流量，部件效率以及 ＥＧＴ 等参数，
同时模型还可对不同工况点进仿真，输出不同工况点
下整机及各站位的温度、压力和流量等参数。
图 １４ 零部件数字孪生体构建流程
《 测控技术》 网络首发
３．４ 发动机性能退化趋势预测
发动机性能退化趋势预测技术主要通过研究发动
机整机级性能退化规律来评估在翼发动机的性能可靠
性和在翼剩余寿命。
在性能退化趋势预测中，发动机 ＥＧＴＭ 是衡量发
动机整机性能的一项综合指标。 采用状态空间模型对
发动机的性能退化建模，利用一个线性增长模型（ 局
部线性增长（ 递减） 、斜率可变） 作为状态方程来描述
系统的退化轨迹，借助贝叶斯共轭推理来估计模型的
未知参数， 进一步根据贝叶斯状态预测方法来 预 测
ＥＧＴＭ 未来的趋势，并估计 ＥＧＴＭ 到达阈值的时间，即
在翼寿命，如图 １５ 所示。 在考虑每台个体发动机的实
际使用载荷、故障、维修等因素对发动机使用可靠性的
影响的前提下，借助实测的 ＥＧＴＭ 参数来动态地估计
发动机的可靠度，如图 １６ 所示。
图 １５ 发动机失效时间分布
图 １６ 发动机可靠度函数
４ 民机飞行数据译码与智能化分析平台
Ｆｌｉｇｈｔ Ｄａｔａ Ｘ （ 简称 ＦＤＸ） 软件平台是自主开发的
具有自主知识产权的民机飞行数据译码与智能化分析
工具，突破了民机机载总线数据的自主译码与深度挖
掘基础构件开发技术，并运用机器学习等智能数据分
析技术，实现民机的飞行安全监控和故障预警，为民航
运输安全、运营、保障等需求提供数字化、智慧化的关
面向 ＰＨＭ 的民机飞行数据分析及应用研究进展
键基础设施支撑。 平台底层数据基于大数据服务器系
统架构，采用四节点集群部署，支持民机及发动机机载
参数敏捷译码、ＡＣＡＲＳ 报文定义逻辑、报文格式定义、
ＡＣＡＲＳ 报文解析、特征参数提取、状态监测模型、故障
预测模型、性能退化趋势预测模型、故障诊断模型和预
测维修决策等模型和方法的开发、测试与部署应用，可
面向不同用户需求和不同机型，开展客户化开发与部署。
４．１ ＦＤＸ 软件平台架构
软件平台架构由基础数据层、技术层和应用层组
成，如图 １７ 所示。 按照 ＭＶＣ 设计思想分为三层架构，
应用 Ｗｅｂ 服务层提供页面与用户进行人机交互；Ｊａ⁃
ｖａＥＥ 层提供后台逻辑，可为前台页面提供数据支撑；
基础数据层采用星环大数据平台，可对结构化数据进
行表存储，并可为非结构化数据提供文件存储。
图 １７ 软件平台架构示意图
４．２ ＦＤＸ 软件平台功能
４．２．１ 机载数据总线参数敏捷译码
ＦＤＸ 软件平台支持机载数据总线参数敏捷译码，
提供客户化报文逻辑、参数提取和特征计算的功能，可
为面向特定应用场景的数据流管道搭建提供基础数
据。
用户可根据需要进行飞行参数数据译码，在初始
化界面中选择译码文件，可以单个添加或者通过文件
夹批量添加文件，选择译码库之后进行译码。 译码完
成后，用户可根据不同应用场景的需求，导出适合的译
码参数进行研究，并可进行个性化需求定制，实现飞行
数据的敏捷译码。
４．２．２ 面向特定业务问题的数据流管道搭建
ＦＤＸ 平台支持面向具体业务问题的数据流管道
· ７·
的快速搭建，可根据应用场景的不同，搭建数据流管道
解决特定业务问题，可以在管道中配置不同的算法链，
实现原数据 －中间数据集 － 应用数据集的灵活配置，支
持具体业务模型快速搭建，提高数据分析利用效率。
支持 ＭＡＴＬＡＢ、Ｐｙｔｈｏｎ 等多语言算法的嵌入，例如第三
方 ＡＩ 算法等，并支持由多个基础算法组合得到问题解
决方案，实现底层原始数据到大数据分析再到功能场
景开发的应用数据的直接处理。
４．２．３ ＦＤＸ 机载系统预测维修功能
机载系统预测维修应用中主要分析数据为 ＱＡＲ
数据，维修记录可作为机器学习标记，报文数据可作为
补充，对这些数据进行数据处理后用于模型开发，对机
载系统进行健康监测、故障隔离与诊断，监测结果可用
于维修决策，从而实现机载系统智能维护。 在机载系
统预测维修方面，针对机队故障频发、安全影响较大的
机载系统，包括 ＡＰＵ、引气系统、空调系统、飞控系统、
液压系统等，搭建了面向健康监测、故障诊断与维修决
策具体业务问题的数据流管道，并完成算法链和软件
代码的开发，实现了上述机载系统的实时健康监测和
预测维修。
４．２．４ ＦＤＸ 发动机寿命管理功能
在发动机寿命管理方面，针对发动机性能评估与
趋势预测、部附件监测、剩余寿命预测等特定业务问
题，ＦＤＸ 支持利用大量运维数据构建的发动机数字孪
生模型和数据流管道，实现发动机数字孪生模型、机队
全寿命运维决策支持等相应软件代码的开发，从而实
现对发动机整机及系统级状态监控、关键件寿命管理
与机队维修决策支持等功能。
ＦＤＸ 支持搭建航空发动机全寿命周期数字孪生
应用框架，可对航空发动机全寿命设计制造数据进行
管理，提供构建物理场高精度仿真，实现了整机级和零
部件设计参数敏感度分析和关键件剩余寿命预测等可
靠性评估功能。 ＦＤＸ 航空发动机可靠性与运维数字
孪生建模平台在载荷场的快速映射中实现了数据的降
维和多种机器学习模型的应用，在数字孪生体建模中
同时考虑整机功率等级对参数的影响以及不同的失效
模式（ 如涡轮叶片蠕变、热机械疲劳失效模式和热障
涂层失效模式） ，将物理仿真模型可视化，清晰展示每
一个涡轮叶片温度、应力变化情况，从而预测其剩余寿
命。
５
结束语
本文介绍了目前在民机 ＰＨＭ 领域飞行数据的应
用成果，并开发了一套集成化飞行数据分析平台。 所
开发的机载总线数据译码软件实现了飞行数据的自主
译码，大幅减少了译码任务的时间、人力成本，并具有
 · ８· 《 测控技术》 网络首发

较高的准确度。 从机载系统与发动机两个主要应用场 ｔｉｃｓ，２０１５，４１（９） ：１６５１－１６５８（ ｉｎ Ｃｈｉｎｅｓｅ） ．

景出发，基于飞行数据等多元数据，应用机器学习、数 ［８］ ＷＡＮＧ Ｆ Ｙ， ＳＵＮ Ｊ Ｚ， ＬＩＵ Ｘ Ｃ， ｅｔ ａｌ． Ａｉｒｃｒａｆｔ ａｕｘｉｌｉａｒｙ

字孪生等方法，针对不同的系统和部件进行了健康监 ｐｏｗｅｒ ｕｎｉｔ ｐｅｒｆｏｒｍａｎｃｅ ａｓｓｅｓｓｍｅｎｔ ａｎｄ ｒｅｍａｉｎｉｎｇ ｕｓｅｆｕｌ

ｌｉｆｅ ｅｖａｌｕａｔｉｏｎ ｆｏｒ ｐｒｅｄｉｃｔｉｖｅ ｍａｉｎｔｅｎａｎｃｅ ［ Ｊ］ ． Ｐｒｏｃｅｅｄｉｎｇｓ
测、健康评估、故障预警、可靠性分析、剩余寿命预测等
ｏｆ ｔｈｅ Ｉｎｓｔｉｔｕｔｉｏｎ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｓ，Ｐａｒｔ Ａ：Ｊｏｕｒｎａｌ
技术的分析总结。 该 ＦＤＸ 飞行数据开发平台集记载
ｏｆ Ｐｏｗｅｒ ａｎｄ Ｅｎｅｒｇｙ，２０２０，２３４（６） ：８０４－８１６．
数据总线参数敏捷译码、机载系统预测维修功能、发动
［９］ ＬＩＵ Ｈ，ＳＵＮ Ｊ Ｚ，ＬＥＩ Ｓ Ｙ． Ｉｎ⁃ｓｅｒｖｉｃｅ ｒｅｌｉａｂｉｌｉｔｙ ａｓｓｅｓｓｍｅｎｔ
机寿命管理功能为一体，可进行面向特定业务问题的 ｏｆ ｔｕｒｂｉｎｅ ｂｌａｄｅ ｔｈｅｒｍａｌ ｂａｒｒｉｅｒ ｃｏａｔｉｎｇｓ ｂａｓｅｄ ｏｎ ａ ｎｏｖｅｌ
数据流管道搭建，便于快捷地开发数据分析方法与模 ｃｕｍｕｌａｔｉｖｅ ｄａｍａｇｅ ｉｎｄｅｘ ｍｏｄｅｌ［ Ｊ］ ．Ｊｏｕｒｎａｌ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ
型。 期望该平台能够促进民机 ＰＨＭ 技术的协同发展 ｆｏｒ Ｇａｓ Ｔｕｒｂｉｎｅｓ ａｎｄ Ｐｏｗｅｒ，２０２１．
与应用成果转化，提高民机“ 智慧运维” 水平。 ［１０］ 孙见忠，左洪福，梁坤．基于民航发动机状态数据的涡轮
参考文献： 叶片剩余寿命评估［ Ｊ］ ． 机械工程学报，２０１５，５１（ ２３） ：
［１］ ＳＵＮ Ｊ Ｚ，ＷＡＮＧ Ｆ Ｙ，ＮＩＮＧ Ｓ Ｇ． Ａｉｒｃｒａｆｔ ａｉｒ ｃｏｎｄｉｔｉｏｎｉｎｇ ５３－５９．
ｓｙｓｔｅｍ ｈｅａｌｔｈ ｓｔａｔｅ ｅｓｔｉｍａｔｉｏｎ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｆｏｒ ｐｒｅｄｉｃｔｉｖｅ ＳＵＮ Ｊ Ｚ，ＺＵＯ Ｈ Ｆ，ＬＩＡＮＧ Ｋ．Ｒｅｍａｉｎｉｎｇ ｕｓｅｆｕｌ ｌｉｆｅ ｅｓｔｉｍａ⁃
ｍａｉｎｔｅｎａｎｃｅ ［ Ｊ ］ ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ， ２０２０， ｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ｔｕｒｂｉｎｅ ｂｌａｄｅ ｏｆ ａ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｅｎｇｉｎｅ
３３（３） ：９４７－９５５． ｂａｓｅｄ ｏｎ ｔｈｅ ＱＡＲ ａｎｄ ｆｉｅｌｄ ｆａｉｌｕｒｅ ｄａｔａ［ Ｊ］ ．Ｊｏｕｒｎａｌ ｏｆ Ｍｅ⁃
［２］ ＳＵＮ Ｊ Ｚ，ＬＩ Ｃ Ｙ，ＬＩＵ Ｃ，ｅｔ ａｌ．Ａ ｄａｔａ⁃ｄｒｉｖｅｎ ｈｅａｌｔｈ ｉｎｄｉｃａ⁃ ｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１５，５１（２３） ：５３－５９（ ｉｎ Ｃｈｉｎｅｓｅ） ．
ｔｏｒ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ａｉｒｃｒａｆｔ ａｉｒ ｃｏｎｄｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ ［１１］ 孙见忠，左洪福． 使用条件对民航发动机涡轮叶片蠕变
ｈｅａｌｔｈ ｍｏｎｉｔｏｒｉｎｇ ［ Ｊ ］ ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ， 寿命的影 响 分 析 ［ Ｊ］ ． 中 国 机 械 工 程， ２０１４， ２５ （ １１） ：
２０１９，３２（２） ：４０９－４１６． １５１１－１５１６．
［３］ 李超役．民用飞机空调系统健康评估与故障诊断方法研 ＳＵＮ Ｊ Ｚ，ＺＵＯ Ｈ Ｆ．Ｉｍｐａｃｔｓ ｏｆ ｏｐｅｒａｔｉｎｇ ａｎｄ ｈｅａｌｔｈ ｃｏｎｄｉ⁃
究［ Ｄ］ ．南京：南京航空航天大学，２０１８． ｔｉｏｎｓ ｏｎ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｅｎｇｉｎｅ ｔｕｒｂｉｎｅ ｂｌａｄｅ ｃｒｅｅｐ ｌｉｆｅ ［ Ｊ］ ．
ＬＩ Ｃ Ｙ． Ｒｅｓｅａｒｃｈ ｏｎ ｈｅａｌｔｈ ａｓｓｅｓｓｍｅｎｔ ａｎｄ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ Ｃｈｉｎａ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１４，２５（ １１） ：１５１１ － １５１６
ｍｅｔｈｏｄ ｏｆ ｃｉｖｉｌ ａｉｒ ｃｏｎｄｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ ［ Ｄ］ ． Ｎａｎｊｉｎｇ：Ｎａｎ⁃ （ ｉｎ Ｃｈｉｎｅｓｅ） ．
ｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕｔｉｃｓ， ２０１８ （ ｉｎ ［１２］ 孙见忠，左洪福，刘鹏鹏，等． 基于动态线性模型的民航
Ｃｈｉｎｅｓｅ） ． 发动机性能状态监控与在翼寿命预测［ Ｊ］ ． 系统工程理
［４］ 岳霆，李超役，吴鑫睿，等． 基于逻辑回归的民机空调系 论与实践，２０１３，３３（１２） ：３２４３－３２５０．
统状态退化评估［ Ｊ］ ． 兵器装备工程学报，２０１８，３９（ ９） ： ＳＵＮ Ｊ Ｚ，ＺＵＯ Ｈ Ｆ，ＬＩＵ Ｐ Ｐ，ｅｔ ａｌ． Ａ ｍｅｔｈｏｄ ｏｆ ｃｏｎｄｉｔｉｏｎ
１１１－１１６． ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｏｎ⁃ｗｉｎｇ ｌｉｆｅ ｐｒｅｄｉｃｔｉｏｎ ｆｏｒ ｃｉｖｉｌ ａｖｉａｔｉｏｎ ａｉｒ⁃
ＹＵＥ Ｔ，ＬＩ Ｃ Ｙ，ＷＵ Ｘ Ｒ，ｅｔ ａｌ．Ｒｅｓｅａｒｃｈ ｏｎ ｄｅｇｒａｄａｔｉｏｎ ａｓ⁃ ｃｒａｆｔ ｅｎｇｉｎｅ ｂａｓｅｄ ｏｎ ｄｙｎａｍｉｃ ｌｉｎｅａｒ ｍｏｄｅｌ ［ Ｊ］ ． Ｓｙｓｔｅｍｓ
ｓｅｓｓｍｅｎｔ ｆｏｒ ａｉｒ ｃｏｎｄｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ ｏｆ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｂａｓｅｄ Ｅｎｇｉｎｅｅｒｉｎｇ⁃Ｔｈｅｏｒｙ ＆ Ｐｒａｃｔｉｃｅ，２０１３，３３（ １２） ：３２４３－３２５０
ｏｎ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｏｒｄｎａｎｃｅ Ｅｑｕｉｐｍｅｎｔ （ ｉｎ Ｃｈｉｎｅｓｅ） ．
Ｅｎｇｉｎｅｅｒｉｎｇ，２０１８，３９（９） ：１１１－１１６（ ｉｎ Ｃｈｉｎｅｓｅ） ． ［１３］ 宁顺刚， 孙见忠， 易杨， 等． 在翼航空发动机性能数字
［５］ ＬＩＵ Ｃ，ＳＵＮ Ｊ Ｚ，ＷＡＮＧ Ｆ Ｙ，ｅｔ ａｌ．Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋ ｍｅｔｈ⁃ 孪生建模方法［ Ｃ］ ／ ／ ２０２０ 年全国设备监测诊断与维护
ｏｄ ｆｏｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｅｎｖｉｒｏｎｍｅｎｔ ｃｏｎｔｒｏｌ 学术会议暨第十九届全国设备故障诊断学术会议．２０２０．
ｓｙｓｔｅｍ［ Ｊ］ ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｓｔｉｔｕｔｉｏｎ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎ⁃ ＮＩＮＧ Ｓ Ｇ，ＳＵＮ Ｊ Ｚ，ＹＩ Ｙ，ｅｔ ａｌ． Ｄｉｇｉｔａｌ ｔｗｉｎｎｉｎｇ ｍｏｄｅｌｉｎｇ
ｇｉｎｅｅｒｓ，Ｐａｒｔ Ｉ：Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍｓ ａｎｄ Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ｍｅｔｈｏｄ ｆｏｒ ｉｎ⁃ｗｉｎｇ ａｅｒｏｅｎｇｉｎｅ ｐｅｒｆｏｒｍａｎｃｅ［ Ｃ］ ／ ／ ２０２０ Ｎａ⁃
２０２０，２３４（５） ：６６２－６７４． ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｑｕｉｐｍｅｎｔ Ｍｏｎｉｔｏｒｉｎｇ， Ｄｉａｇｎｏｓｉｓ ａｎｄ
［６］ 梁坤，左洪福，孙见忠，等． 民机引气系统快速存取记录 Ｍａｉｎｔｅｎａｎｃｅ．２０２０（ ｉｎ Ｃｈｉｎｅｓｅ） ．
器数据健康监测方法［ Ｊ］ ． 机械工程学报，２０１５，５１（ ８） ： ［１４］ 刘赫， 孙见忠， 宁顺刚， 等． 面向可靠性数字孪生的涡
１９１－１９７． 轮叶片温度场代理模型［ Ｃ］ ／ ／ ２０２０ 年全国设备监测诊
ＬＩＡＮＧ Ｋ，ＺＵＯ Ｈ Ｆ，ＳＵＮ Ｊ Ｚ，ｅｔ ａｌ．ＱＡＲ ｄａｔａ ｈｅａｌｔｈ ｍｏｎｉ⁃ 断与维护学术会议暨第十九届全国设备故障诊断学术
ｔｏｒｉｎｇ ｍｅｔｈｏｄ ｏｆ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｂｌｅｅｄ ａｉｒ ｓｙｓｔｅｍ［ Ｊ］ ． Ｊｏｕｒｎａｌ 会议．２０２０．
ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１５，５１（８） ：１９１－１９７（ ｉｎ Ｃｈｉ⁃ ＬＩＵ Ｈ，ＳＵＮ Ｊ Ｚ， ＮＩＮＧ Ｓ Ｇ，ｅｔ ａｌ． Ａ ｒｅｌｉａｂｉｌｉｔｙ ｄｉｇｉｔａｌ ｔｗｉｎ
ｎｅｓｅ） ． ｏｒｉｅｎｔｅｄ ｐｒｏｘｙ ｍｏｄｅｌ ｆｏｒ ｔｕｒｂｉｎｅ ｂｌａｄｅ ｔｅｍｐｅｒａｔｕｒｅ ｆｉｅｌｄ
［７］ 梁坤，左洪福，孙见忠，等． 多元线性回归在引气系统故 ［ Ｃ］ ／ ／ ２０２０ Ｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｑｕｉｐｍｅｎｔ Ｍｏｎｉｔｏｒｉｎｇ，
障诊断 中 的 应 用 ［ Ｊ］ ． 北 京 航 空 航 天 大 学 学 报， ２０１５， Ｄｉａｇｎｏｓｉｓ ａｎｄ Ｍａｉｎｔｅｎａｎｃｅ．２０２０（ ｉｎ Ｃｈｉｎｅｓｅ） ．
４１（９） ：１６５１－１６５８． ［１５］ ＹＡＮ Ｈ Ｓ，ＺＵＯ Ｈ Ｆ，ＳＵＮ Ｊ Ｚ，ｅｔ ａｌ．Ｔｗｏ⁃ｓｔａｇｅ ｄｅｇｒａｄａｔｉｏｎ
ＬＩＡＮＧ Ｋ，ＺＵＯ Ｈ Ｆ，ＳＵＮ Ｊ Ｚ，ｅｔ ａｌ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｍｕｌｔｉｐｌｅ ａｓｓｅｓｓｍｅｎｔ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ａｉｒｃｒａｆｔ ｅｎｇｉｎｅ ｂａｓｅｄ
ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｔｏ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｂｌｅｅｄ ａｉｒ ｓｙｓｔｅｍ［ Ｊ］ ． ｏｎ ｄａｔａ ｆｕｓｉｏｎ［ Ｊ］ ．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｅｒｏｓｐａｃｅ Ｅｎｇｉ⁃
Ｊｏｕｒｎａｌ ｏｆ Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕ⁃ ｎｅｅｒｉｎｇ，２０２１，２０２１：１－１６．
面向 ＰＨＭ 的民机飞行数据分析及应用研究进展
［１６］ ＳＵＮ Ｊ Ｚ，ＣＨＥＮ Ｄ，ＬＩ Ｃ Ｙ，ｅｔ ａｌ． Ｉｎｔｅｇｒａｔｉｏｎ ｏｆ ｓｃｈｅｄｕｌｅｄ
ｓｔｒｕｃｔｕｒａｌ ｈｅａｌｔｈ ｍｏｎｉｔｏｒｉｎｇ ｗｉｔｈ ａｉｒｌｉｎｅ ｍａｉｎｔｅｎａｎｃｅ ｐｒｏ⁃
ｇｒａｍ ｂａｓｅｄ ｏｎ ｒｉｓｋ ａｎａｌｙｓｉｓ［ Ｊ］ ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｉｎｓｔｉｔｕ⁃
ｔｉｏｎ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｓ，Ｐａｒｔ Ｏ： Ｊｏｕｒｎａｌ ｏｆ Ｒｉｓｋ ａｎｄ
Ｒｅｌｉａｂｉｌｉｔｙ，２０１８，２３２（１） ：９２－１０４．
［１７］ 卢婷婷，陈乃威，孙见忠．新研商用航空发动机的维修性
指标分配方法研究［ Ｊ］ ．航空维修与工程，２０２０（ １） ：４５－
４８．
ＬＵ Ｔ Ｔ，ＣＨＥＮ Ｎ Ｗ，ＳＵＮ Ｊ Ｚ．Ｒｅｓｅａｒｃｈ ｏｎ ｍｅｔｈｏｄ ｏｆ ｍａ⁃
· ９·
ｉｎｔｅｎａｎｃｅ ｔａｒｇｅｔ ａｌｌｏｃａｔｉｏｎ ｏｆ ｎｅｗｌｙ ｄｅｖｅｌｏｐｅｄ ｃｏｍｍｅｒｃｉａｌ
ａｅｒｏ⁃ｅｎｇｉｎｅ［ Ｊ］ ．Ａｖｉａｔｉｏｎ Ｍａｉｎｔｅｎａｎｃｅ ＆ Ｅｎｇｉｎｅｅｒｉｎｇ，２０２０
（１） ：４５－４８（ ｉｎ Ｃｈｉｎｅｓｅ） ．
［１８］ 赵红华，钱锋，韩晓冬，等． 大数据分析助力飞机健康管
理［ Ｊ］ ．民航管理，２０１９（２） ：１２２－１２７．
ＺＨＡＯ Ｈ Ｈ， ＱＩＡＮ Ｆ， ＨＡＮ Ｘ Ｄ， ｅｔ ａｌ． Ｂｉｇ ｄａｔａ ａｎａｌｙｓｉｓ
ｂｏｏｓｔｓ ａｉｒｃｒａｆｔ ｈｅａｔｈ ｍａｎａｇｅｍｅｎｔ ［ Ｊ］ ． Ｃｉｖｉｌ Ａｖｉａｔｉｏｎ Ｍａｎ⁃
ａｇｅｍｅｎｔ，２０１９（２） ：１２２－１２７（ ｉｎ Ｃｈｉｎｅｓｅ） ．