2024年Go最全面向PHM的民机飞行数据分析及应用研究进展_累积贝叶斯因子，Golang校招面试经验汇总

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

1.1 ARINC 717规范

ARINC 717规范是目前绝大多数民用运输飞机所采用的记录标准。ARINC 717是ARINC 573的扩展形式，提高了记录速度，并增加了“超级帧”记录方式， 用于记录长时间不变化的参数。在ARINC 717规范中，飞行数据通过一对双绞线

传输；以帧（f）为单位循环记录，每帧数据４ s，每秒数据称为一个子帧（Subframe），又称副帧；每个子帧一般有64字、128 字、256 字、512 字或1024 字（Word）；每个字有12个数据位（bit），飞行参数被填充到字和位中，如图1所示

图1 ARINC 717 帧格式示意图

同时每秒数据（每个子帧）的第一个字是同步字， 大多数飞机用的是Teledyne格式同步字，少数老型飞机用Hamilton格式同步字。

1.2 ARINC 767 规范

ARINC 767旨在为增强型机载飞行记录器（Enhanced Airborne Flight Recorder, EAFR）的开发和安装提供设计指导，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（2B，十六进制模式“EB90”）；帧长度（2B），以字节表示此帧的总长度；时间戳（4B），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 （2B）。

图2 ARINC 767数据帧结构

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SQL Alchemy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。

图4 典型机载系统PHM模型开发流程

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20000ft以上工况下的引气系统相关参数，使用LSTM-AE模型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（Multi variate 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。调系统压缩机出口温度平均偏差值MΔRAMT（Left ACS）序列在第657个飞行循环超过了故障预警阈值。比故障发生提前了49个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8 第801个ACMS报文循环预测

图9 第894个ACMS报文循环预测

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10 航空发动机非结构化、多模态飞行数据

3.1 发动机关键件剩余寿命预测

发动机关键件剩余寿命预测技术采用失效物理与数据驱动融合的方法实现对个体关键件的可靠性进行评估。传统的关键件寿命监控和预测方法通常是基于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。

图11 发动机关键件剩余寿命

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（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，异常证据将进一步积累，其对数值迅速降低，可排除序列结构异常或者观测野值的存在，从而准确触发预警。

图12 性能参数偏差值序列

图13 累积贝叶斯因子

3.3 发动机数字孪生建模技术

对于整机性能建模，采取基于GasTurb的部件特性图缩放方法建模，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）以及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

3.4 发动机性能退化趋势预测

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

需要这份系统化的资料的朋友，可以添加戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！