
大数据在预测性维修中的应用
大量来自于发动机和其他一些关键部件的监控数据,使得预测性维修具备了可行性。越来越多的数据的收集和分析工具正在被开发或者投入运用。大数据在航空维修业的应用仍处于初始阶段,为了有效地处理这些来自飞机的数据,还要有思维及工作方式的转变。
普惠加拿大公司鼓励更多的客户加入其滑油分析技术的验证。
利用传感器数据进行发动机的状态监控已有较长的一段时间了。现在,这一技术正快速地应用到飞机的其他部件。随着应用范围的扩大,数据分析的方式也在化繁为简。目前,航空维修业对于大数据的应用还处于起步阶段,人们的思维方式和工作方式应做相应的转变。
滑油分析与状态监控相结合
普惠加拿大公司的基于飞机联通性的FAST解决方案,是用无线方式采集和传送飞行过程中的飞机和发动机数据。FAST将分析数百个与性能相关的数据,如速度、温度、压力,以提供接近实时的发动机健康、使用和性能趋势的监控。
现在,普惠加拿大公司正针对PT6A发动机开展“滑油分析技术”研究。这项技术的开发并不是要取代发动机的传感器监控,而是要将滑油分析与传感器监控结合在一起,作为对发动机状态监控的有效补充。滑油分析技术主要关注的是滑油中的微粒,分析这些微粒的来源、大小和形状,可以对润滑部件(如轴承和齿轮等)的健康状况进行监控。
将传感器监控与滑油分析技术结合起来的目的,也是为了提前做好维修计划,避免航班的延误或取消。
普惠公司已于2016年春季开展了滑油分析技术的验证。到2017年年初,共计有380个客户为普惠公司提供3500台发动机的滑油样本。普惠公司将依据所采集到的滑油样本,开展为期18~24个月的验证试验。截至目前,监测的结果与预测的趋势基本一致。滑油分析技术的研究目前正处于收尾阶段,普惠加拿大公司鼓励更多的客户参与到该项技术的验证中来。
更高效地获取数据
随着技术的发展,有越来越多的传感器被安装到飞机上。如何采集、分析和下载这些数据,则需要费一些功夫,对一些相对较老的机型更是如此。
现在,有不少制造商都在此领域开展工作,提出相应的解决方案。例如,霍尼韦尔公司的JetWave高速通信系统,除了为客舱提供高速Wi-Fi,也可以将飞机运行数据实时传送到地面,提高飞行效率和安全。而联合技术航空系统(UTAS)公司的飞机接口装置(AID),也可以收集和利用来自飞机的各种数据。AID在波音717、MD-11、737NG、747-400、767、777和空客的A320等飞机上的应用已获得适航认证,而在A330、A340的应用也将会在今年上半年取证。该装置已安装在300余架飞机上,还有数百架飞机等待安装。
根据诊断结果进行预测性维修会改变原先的工作计划。
起初,UTAS设计AID的目的是向电子飞行包(EFB)传输数据,所以配有Wi-Fi天线。现在该装置作为预测飞机健康的数据中心,通过对收集到的数据进行分析,可以帮助航空公司减少航班延误或取消。
AID除了给飞行员实时提供航电数据及上传气象数据,还可用2.4GHz的带宽或者以太网收集来自于飞机外场可更换件(LRU)的数据,并进行视情诊断。无论是在飞行过程中或是在地面,AID可以通过多种方法将数据传送给飞行员或者工程技术人员,诊断数据或结果也可以下载至地面设备。
AID不仅增强了新型飞机上的中央维修计算机的功能,也可以用移动电话、Wi-Fi和卫星网络等方式从较老的飞机下载数据。AID的结构小巧,不需要进行主动冷却。
除了AID,UTAS还在开发新的系统,用于飞机内部的传感器、作动器和数据处理网点之间的无线通信。其中的一个目标是可以收集更多的数据进行故障诊断。用无线方式传递数据可以不用打开飞机机舱面板,适宜在老龄飞机上安装。
UTAS正针对现有的2.4GHz带宽和刚获批准的4.2GHz带宽开发无线系统。2.4GHz系统的飞行测试工作将于2017年展开,而4.2GHz系统的相关条例正在制定中,将于2019年定稿。相较于开放的2.4GHz带宽,新的4.2GHz带宽是专用的,可靠性更高。
有效地进行预测性维修
现在,关于预测性维修的探讨非常热烈。那么除了复杂的算法之外,应当怎么做才能使之更为有效呢?
第一,能方便地获取数据,不给工程技术人员增加负担。为了在采集数据时不增加额外的工作负担,技术人员宜用移动设备以电子化的方式输入数据,应尽可能多地利用无线射频识别电子标签(RFID)和条码。无论是航线维护或是基地维修,工程技术人员都能方便地利用移动设备查询预测维修的结果、工卡、维修手册等。
第二,充分信任预测结果。在数字化时代的机械师必须充分信任诊断的结论,而不是凭经验做出判断。
第三,对诊断系统进行闭环管理。所有的维修行为和核心步骤都必须被跟踪:技术人员、客舱乘务员或者驾驶员的报告;工作指令;航材;执行结果等。
第四,维修计划更为智能化。在制订维修计划时,需要利用数据确定何时进行计划外的部件拆换。而在飞机仍在飞行的过程中做出这些决定,需要确保维修人员和航材准时到位。
第五,供应链管理应为诊断提供支持。整个供应链必须像技术人员或者工程师那样,对预测性维修建议做出敏捷响应,确保在合适的时间、地点,有合适的人和备件进行飞机维修。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01