0 引言：
传统的航空维修方式主要包括定期、视情维修和故障后维修。虽然这些维修方式法在过去的几十年中为航空安全提供了保障，但其局限性也逐渐显现。定期维修可能导致部分部件在寿命未耗尽时提前更换，增加了不必要的成本；而故障后维修则可能因突发问题导致飞机停飞AOG，严重影响运营效率。
近年来，随着航空技术的进步，预测性维修（Predictive Maintenance）逐渐成为行业关注的重点。该方法通过实时监控飞机关键部件的状态，结合智能算法预测潜在故障，在部件发生问题前提前采取维修措施。这种方式不仅能显著降低维修成本，还能有效减少飞机非计划停场时间，提高运营效率。
深度学习是机器学习的一个分支，它训练计算机使用神经网络直接从数据中学习有用的特征，就像人类一样从经验中学习。神经网络结合了多个非线性处理层，它使用并行运行的简单元素，并受到生物神经系统的启发。深度学习模型在对象分类方面可以达到非常高的准确度，有时甚至超过人类的水平。民用航空维修行业内分享的成功案例，验证了航空公司在预测性维修中，使用深度学习进行故障检测和剩余使用寿命评估计变得可行。
在Matlab软件中内置的Deep Learning Toolbox工具包提供简单的命令，来创建和互连深度神经网络的各个层进行深度学习，并用示例和预训练网络，使得使用Matlab进行深度学习较变得很容易，即使没有高级计算机视觉算法或神经网络方面的知识也不会感觉困难。Matlab软件为航空维修提供了一种新的、能够快速实现数据处理和模型训练的方法。如何将这一方法应用到实际的飞机维修工作中，仍有许多值得探讨的空间。
在对航空公司的飞机辅助动力装置（APU）使用情况的分析中，我们发现，APU的剩余使用寿命和APU的排气温度（EGT）具有一定的关联，但又受其它参数的影响，如APU的燃油流量（FF），飞机的总气温（TAT）、静温（SAT）等，组合情况非常复杂，不能用简单的比例关系进行计算。经过多次尝试，发现深度学习中的长短期记忆网络（LSTM）模型，通过可用对多个参数的组合对一个或多个场景参数的影响具有很好的预测作用，特别是对具有时序的数据，LSTM的记忆特性，相比其它如卷积神经网络（CNN）模型，更具有其独特优势。
1 数据准备
机器学习的基础是数据。现代大型飞机在设计制造中采用大量的传感器来采集飞行中的实时数据，实时的原始数据存储在记录飞行数据的重要设备中，如FDR及QAR/WQAR中，不仅为事故分析和飞行状态监控提供了依据基础，这些数据经过译码后还为深度学习提供了良好的数据基础。飞机各系统数据的高度集成化和采集数据的标准化，为预测性维修的大数据分析和利用提供了强有力的支撑基础。
为了获得数据，WQAR中的数据自动经过无线传输到航空公司的服务器存储，原始数据为二进制数据，需要专业软件进行译码，采用AIRFASE或AGS软件或其他开发的软件进行批量自动译码后，按每一航班为一个独立的CSV文本文件，译码数据存储在服务器，供分析和大数据使用。
在本案例中，我们选取了从2023—年至2024年2年期间送修的9台APU的2600多个航段的APU及飞机运行数据。在每个航段的数据中，选取引气负载值最大的、使用APU引气启动发动机阶段的包含APU的多种传感器数据，例如转速、燃油流量、引气压力、排气温度、总温、总压等参数，这些参数能够反映APU能够反映的健康状态，通过模型的处理，可以作为737NG飞机APU退化数据集，并作为模型训练的基础数据。
2 数据预处理
飞行数据译码软件尽管能做到将二进制数值解码成可读的实际传感器值，但由于因为不同飞行数据记录频率不同，仍还存在数据帧丢失的问题，因此所以需要对译码数据进行预处理。Matlab软件提供了工具：如数据清洗器，能够将原始数据变换为更易于分析的格式，清洗步骤可以处理清洗缺失数据、清洗离群数据、平滑处理数据、求解局部极值、查找变化点、堆叠表变量、分叠表变量、重设时间表的时间等。通过对数据进行清洗、组织和摘要处理，可以识别模式、做作出预测，并为决策提供充分的信息。
为评估APU的使用剩余使用寿命（RUL），做如下定义：将APU拆下送修时的总使用时间定义为本台APU的可用寿命（Lim），在特定时间点a的APU的使用时间为TSNa，则那么：
RULa=Lim-TSNa
利用以上公式，可用计算每个航段对应的剩余寿命（RUL），这样就能建立APU每个航段的运行数据与和剩余寿命的RUL的一一对应关系。利用LSTM模型，对这些对应关系进行分析，寻找到规律。
3 MATLAB应用探讨
Matlab中内置Deep Learning Toolbox模块，并提供示例，使得使用 Matlab 进行深度学习变得相对容易。长短期记忆神经网络（long short term memory，LSTM）是一种特殊的循环神经网络（RNN）结构，是一种RNN 的改进版，可更好地学习记忆较长时间跨度的历史数据的信息，被广泛地应用于多领域方面的研究中。通过对示例的学习掌握，我们开发了对APU剩余使用寿命预测的应用。
3.1案例：
基于LSTM的737NG的APU剩余使用寿命预测。
3.1.1技术路线
技术路线示意如下图所示。
步骤第一步：准备要训练的数据。挑选读取APU的退化数据集，并开展数据预处理操作，整理成训练样本和测试样本数据集。
步骤第二步：定义 LSTM 神经网络架构。搭建LSTM神经网络模型，指定训练选项，并利用训练数据训练神经网络模型。
步骤第三步：采用已训练的LSTM神经网络模型，预测测试样本的剩余使用寿命，并采用均方根误差（RMSE）评估网络的预测效果。
步骤第四步：部署。将训练完成的模型打包，并对定义应用层的输入选择和输出参数。
3.1.2神经网络的训练过程：
神经网络训练结果展示如下图所示。
从图结果看出: LSTM模型训练过程中损失值的变化，观察模型的收敛速度及训练效果，呈现损失随训练轮次逐步下降的趋势。
3.1.3 神经网络的预测结果：
模型预测结果与真实值的对比如下图所示。
上图是一组验证集中的一个结果的显示，20个采样点的预测结果与和直接真实值的比较，两条曲线中：蓝色曲条为真实值，红色曲线为预测值。从图中可以看出，APU的剩余寿命在开始时，出现了较大的下降，后期逐渐走平。其中，下降较快变化较大的原因，是采样点在前面的间隔时间内不能均匀采样，前面的间隔时间，所以下降较快。预测结果相对较为平缓，前面的点，离实际值较远，但预测数量的增加，逐渐与和实际值靠近。这也是LSTM模型的特点，前期数据有一个初始化的过程。随着数据增加，结果越来越准确。
验证集的RMSE分布图如上图所示。图中为验证集的RSME分布图，通过RMSE分布图，可以观察模型的误差特性是否符合正态分布，是否存在系统性偏差。数值越小表示预测精度越高。该图显示。验证集一共有18组数据，RMSE在0~-900之间的一共有12组，占比66.7%，剩余6组分布在不同的区间，占比为33.3%。通过分析，可以看出，0~-900h小时的剩余寿命误差和使用寿命7000~-10000小时h相比，只有10%左右，可以认为对占比66.7%的数据预测准确度为在90%，同样计算，可以得到对83.3%的数据预测准确度为在80%。
3.2应用结论
LSTM神经网络模型经过训练和测试，如果以APU的平均寿命为9000小时h，测试样本的最后一个值与以真实值之间差值和平均寿命的比值小于20%，判断为预测准确，那么在测试样本数据集上的预测准确率达到 83.3%，并且损失函数在训练中快速收敛，表明模型的设计合理且训练效果较好。
B-223E飞机的APU剩余寿命监控图如图5所示。上图为B-223E飞机应用本模型完成的APU剩余寿命监控图，该图中显示，该APU的剩余使用寿命大约在650小时左右，查阅APU使用情况，发现目前使用时间为8924小时。此结果与和经验比较吻合，近期预计将拆下送修。
上图为B-221G飞机APU剩余使用寿命监控图如图所示。如上图显示，从2025年1月以来，该机剩余使用寿命一直稳定在7000小时左右。检查相关记录，发现该APU在是2024年8月完成修理，2025年1月才装上飞机使用，使用时间仅3个月。预测结果和实际情况也非常吻符合。
模型预测的成功为其他故障和其他部件/系统的剩余使用寿命的预测提供了实践基础，对后续其他系统的模型开发提供了借鉴。
LSTM 模型的拟合程度与预测精度不仅止与模型结构有关，更加取决于模型训练的数据的一致性和典型代表性，同时训练模型参数的设置不同，也会导致预测精度的变化，需要不断迭代和更新。
4 结束语
在实际应用中，我们对以某系统部件的传感器数据创建的模型进行了测试应用。在连续使用模型进行监测过程中，捕捉到了传感器性能下降和重复的异常波动。通过神经网络模型的预测结果，判断该部件可能出现故障。根据这一预测，我们提前对该部件进行了更换，更换后的部件经修理确认了故障，成功避免了一次非计划故障事件。这一成功案例充分证明了深度学习模型在预测性维修方法面的价值。也证明基于Matlab的神经网络算法的预测性维修方式在航空维修领域具有可应用的前景。
但在实际工作中，也发现了一些需要继续探讨的问题：
（1）. 数据来源与质量。译码数据中经常存在异常值，这些异常值会严重影响模型的训练效果。因此，需要采用合适的异常值检测和处理方法，事先处理异常值，以提升模型的泛化能力。
（2）. 模型优化。深度学习模型通常被认为是“黑盒”模型，缺乏可解释性。需探讨其他方法加入以便解释模型的预测结果，从而更好地理解模型的决策过程。另外，需要持续学习更有效的多算法融合方法和新型深度学习模型，以提升模型的预测能力。
（3）. 技术集成。建议将预测性维修与维修管理系统和云计算/大数据平台结合，实现数据的实时上传和动态分析，以提高系统的可靠性和响应速度。