开题报告（天津+z1502003+郑国庆）中国民航大学
附件 3 中国民航大学硕士研究生论文开题报告评审表 学 号 姓 名 申请学位 专 业 导师姓名 所在院系 报告日期：年 月 日
论文题目 基于 ACARS 的飞机发动机故障诊断系统优化 支持论文研究的科研项目及来源 生产实践与文献阅读
论文选题依据（包括论文选题的意义、国内外研究现状分析等）一，选题的背景意义 飞机设计与制造水平的迅速提高，通信技术和其它任何有关技术的进步都迅速反映在民航飞机的舒适性、可靠性和可维护性的增强上。在役的大型民机都已经装载了完整的 ACARS 系统。它与其他的机载设备(如数据管理组件((DMU)，飞行数据接口组件(FDIU、飞机状态监控系统(CFDS}以及全球定位系统(GPS 等)通过数据交换连成一个统一的有机体，各种机载的电子设备采集飞机运行时本身的在线状态数据、各子系统的运行状态、飞机外部环境信息等广播到 ACARS, ACARS 通过卫星通信系统或甚高频地面工作站将数据传送到指定的地面数据控制中心(ADCC)，由 ADCC 根据报文头的标志，再将数据通过 SITA网或 ADCC 网传送到指定的航空公司的 ACARS 地面工作站，使得地面和飞机之间的双向实时数据传输成为可能，为飞机远程实时故障诊断和实时飞机状态监控提供了有效的途径。
二，国内外研究现状 我国民航机务维护的发展与民航机队规模和航班运营量相比表现出较大的滞后性，维修采用定时维修而不是以监控设备技术状态为基础的视情维护。由于经验的抽象性以及不连续性使得机务工作仍然停留在原先的“师徒”模式以及传帮带的传统工作模式中。由于经验的不可存储以及无法共享，使得部分经验以及数据随着专家的退体而趋向消亡，因此民航维修系统内的经验无法得到螺旋式的上升，从而大大的制约了中国民航维修企业技术发展与进步，而智能型的故障诊断是解决该问题的有效途径。
（1）南方航空公司的飞机远程诊断实时跟踪系统(ACRDRTS）南方航空公司的飞机远程诊断实时跟踪系统(ACRDRTS)项目是一套飞机远程诊断和实时跟踪系统。
（2）空客推荐使用的软件系统 AIRMAN AIRMAN 是空客工程师设计和开发的用于提高飞机维护和运行的创新软件。
北京航天航空大学博士论文[8]中采用的是“基于元级控制”的方法并综合应用专家系统、可靠性工程、人工神经网络等领域内的研究成果建立故障诊断模型，在 Oracle平台上开发 A340 故障诊断专家系统模型;文献[8]通过利用信息融合技术和多 Agent 故障诊断方法与技术研究航天飞机的防热系统故障诊断，并研究如何提高系统故障诊断的可靠度;文献 [10--13]于 研究提出基于 R CBR 和 和 A FTA 技术的飞机故障诊断专家系统;;文献〔 14--16] 研究 了有关神经网络飞机故障诊断专家系统。
在国外专家故障诊断模型理论在不断完善，许多学者专家为之提出自己的研究结果，如 Chi Ye h 博士在其著作中提出利用功能模型理论建立专家系统，综合系统的物理结构、部件的逻辑关系、故障经验以及系统和部件的功能进行统一分析建模，运用基于规则与面向对象的编程思想创建故障诊断专家系统。
论文研究方案（包括研究目标、研究内容和拟研究解决的关键问题、拟采取的研究方法、技术路线、实验方案及可行性、可能的创新之处）1、研究目标与内容 研究目标 针对现如今航空发动机故障诊断领域人工智能诊断算法的不足并结合实际运行中航空发动机工作环境复杂，难以建立精确的数学模型的情况，本文选取基于数据驱动的故障诊断方式，提出一种基于改进的 ACARS 的故障诊断算法。本文的研究工作期望实现以下的目的:(1)较好智能化程度和较强的鲁棒性。提取发动机监控状态数据构建样本空间(2)在理论创新上有所突破，能够提出新颖的想法解决航空发动机故障诊断的相关问题。
(3)广泛适用性。提出的模型算法应该具有扩展到其他领域的能力。
研究内容：
（1）通过研究民机机载系统中状态监控系统的特性，较准确地掌握了发动机状态监控涉及的监控参数源、参数数据帧格式、通信协议，并基于此分析设计了发动机故障诊断的数据流程，并对实时数据驱动的故障诊断系统进行了总体设计，为建立发动机故障诊断系统奠定了基础。
(2)依据实时气路数据驱动的发动机故障诊断系统的总体设计方案，研究了气路参数的底层译码算法，面对发动机气路故障诊断中的多源信息、多源诊断方法的困扰，研究解决了发动机实时气路参数的获取问题，提出了面向多参数、多知识的多源信息融合方法。
（3）对样本数据进行预处理和多源融合。气路参数的预处理包括气路数据的平滑和时间配准。通过采用移动平均平滑法，提高数据和样本可用性。并且进行多源参数处理时，采用的采样频率不一，多条路径得到的观测数据与征兆数据不同步，采用三次样条插值方法进行帧数据重绘工作，得到拟合输入点分
布的插值样条。
（4）通过优化改进的极限学习机(Extreme Learning Machine, ELM)算法来对航空发动机故障诊断进行研究。ELM 是一个扩展的单隐层前馈神经网络，它具有计算逼近任意类型的隐藏节点的能力，不需要调整网络的隐藏层。因此，在应用过程中可以大大缩短训练时间。而且极限学习机不但能够得到最小的训练误差，另一方面还能够得到权值的最小值，这意味着它与传统的神经网络相比可以得到更好的泛化性能。
（5）使用费舍尔判别分析法和云模型理论，将从子空间中提取出的特征输入到极限学习机模型中来诊断航空发动机故障，进一步确定相应的故障类型，最后根据实际数据分析这个故障模型。
（6）测试结果是满意的，实验验证了所提出的方法可以对航空发动机工作故障进行有效的分类。通过对比测试表明，这种结合遗传算法的极限学习机可以超越原始算法。因此，改进算法更适应航空发动机的健康状况预测，具有较高的诊断精度和噪声免疫。
2 2、、拟研究解决的关键问题 本文在研究地空数据链(ACARS 和机载飞行数据记录设备(DFDR/QAR)中发动机状态数据译码的基础上，围绕航空发动机故障智能诊与状态监控中若干关键的问题展开研究:（1）针对发动机的复杂性决定了故障诊断方法的多样性，为这些不同气路参数设计相应译码算法，实现对存储设备二进制原始数据的工程转译。对于ACARS 数据帧结构，根据 ARINC-620 协议，设计用于描述具体参数的类库，然后设计对应译码函数。
（2）针对样本数据参差不齐，对样本数据进行预处理和多源融合。气路参数的预处理包括气路数据的平滑和时间配准。通过采用移动平均平滑法，提高数据和样本可用性。并且进行多源参数处理时，采用的采样频率不一，多条路径得到的观测数据与征兆数据不同步，采用三次样条插值方法进行帧数据重绘工作，得到拟合输入点分布的插值样条。
（3）为了解决航空发动机在状态监测方面的问题，通过优化改进的极限学习机(Extreme Learning Machine, ELM)算法来对航空发动机故障诊断进行研究。
ELM 是一个扩展的单隐层前馈神经网络，它具有计算逼近任意类型的隐藏节点的能力，不需要调整网络的隐藏层。因此，在应用过程中可以大大缩短训练时间。而且极限学习机不但能够得到最小的训练误差，另一方面还能够得到权值的最小值，这意味着它与传统的神经网络相比可以得到更好 的泛化性能。
拟采取的研究方法、技术路线和实验方案（1）针对发动机的复杂性决定了故障诊断方法的多样性，为这些不同气路参数设计相应译码算法，实现对存储设备二进制原始数据的工程转译。对于ACARS 数据帧结构，根据 ARINC-620 协议，设计用于描述具体参数的类库，然后设计对应译码函数。
（2）针对样本数据参差不齐，对样本数据进行预处理和多源融合。气路参数的预处理包括气路数据的平滑和时间配准。通过采用移动平均平滑法，提高数据和样本可用性。并且进行多源参数处理时，采用的采样频率不一，多条路径得到的观测数据与征兆数据不同步，采用三次样条插值方法进行帧数据重绘工作，得到拟合输入点分布的插值样条。
（3）为了解决航空发动机在状态监测方面的问题，通过优化改进的极限学习机(Extreme Learning Machine, ELM)算法来对航空发动机故障诊断进行研究。ELM 是一个扩展的单隐层前馈神经网络，它具有计算逼近任意类型的隐藏节点的能力，不需要调整网络的隐藏层。因此，在应用过程中可以大大缩短训练时间。而且极限学习机不但能够得到最小的训练误差，另一方面还能够得到权值的最小值，这意味着它与传统的神经网络相比可以得到更好的泛化性能。
3 3、、可行性分析 飞机发动机是一个复杂的系统，其故障模式也具有多样性，同时也是对故障诊断技术的挑战，所以航空界在常识将各种成熟的以及前沿的故障检测和诊断技术运用到这种复杂对象上去，解决部件或者系统整体的故障问题。其中，基于 ACARS 飞机发动机系统动态模型的方法是一类重要的研究方法。实时跟踪飞机空地数据链的下传数据，飞机维修工程师根据需要，利用人机系统与机载设备进行对话，从 ACARS 的接口中获得排故所需参数，导入诊断系统，设计故障观测器，给出具体排故方案和排故程序，并自动生成工作单卡，提供给机组或者维护人员，供机组空中紧急排故或者飞机返回基地后维修人员参考使用。
这种具有双向数据通信能力的专家系统，将成为二十一世纪最新一代智能化的维修系统。
4 4、、可能的创新之处（1）本论文在航空公司一线运行部门的支持下主要研究如何把计算智能的方法和思想渗透进飞机实时故障诊断中。
（2）提出了飞机发动机气路参数解析及多源信息融合算法。在实时数据驱动的发动机故障诊断研究建立了气路参数的底层译码算法，解决了发动机实时气路参数的获取问题，提出了面向多参数、多知识的多源信息融合方法，解决发动机气路故障诊断中的多源信息、多源诊断方法的困扰。
（3）介绍了极限学习机学习算法理论并建立极限学习机算法模型，使用遗传算法来优化极限学习机的网络结构。提出使用云模型优化的极限学习机模型，可以用于做基于信号的故障处理，并将模型用于发动机轴承故障诊断（4）针对航空发动机的故障诊断研究不仅能够给航空公司带来巨大的经济效益，也对民航科学合理的发展规划提供了重要的参考数据。由现如今航空发动机故障诊断领域人工智能诊断算法的不足着手，并结合实际运行中航空发动机工作环境，选取基于数据驱动的故障诊断方式，针对极限学习机在训练集中存在的反应能力较差的问题，建立基于遗传算法优化的极限学习机算法模型。
发动机气路参数编码实例 针对所提出的 QAR 与 ACARS 的译码算法，在 C++Builder 开发环境下代码实现，以某航空公司 Boeing 737-3 型飞机的记录数据源的 QAR 数据译码和ACARS 报文译码为例，分别进行发动机气路原始数据的译码。
表 1ACARS 发动机状态报文译码实例 UTC 时间 EGT.1(。)FF.1(LSB/HR)N1.1(%RPM)N1.2(%RPM)13:06:48 552 704 21.062 21.510 13:07:35 636 2354 62.031 63.964 13:09:41 699 6410 73.542 75.241 13:11:25 773 6168 77.154 79.987 13:12:26 779 6024 89.214 89.841 13:13:17 788 6075 93.985 94.245 13:14:33 794 6044 97.314 96.881 对于 QAR 数据的译码，首先是固态存储器中原始数据的转录，将卡中的数据导出至计算机硬盘存储中，参考该机型对应的数据帧格式，选择译码数据帧类以确定相应的译码函数调用;其次，根据该类型飞行数据格式，确定发动机气路参数类型和顺序，读入原始数据，针对不同参数调用相应的函数，获取所需 工程值;最后，调用数据平滑算法，获取该数据源中某航段的气路参数数据段，如表 2 表 2 某 737 型飞机某航段气路参数数据段 UTC 时间 EGT.1(。)FF.1(LSB/HR)N1.1(%RPM)N1.2(%RPM)13:06:48 552 704 21.062 21.510 13:07:35 636 2354 62.031 63.964 13:09:41 699 6410 73.542 75.241 13:11:25 773 6168 77.254 75.987 13:12:26 779 6024 89.214 89.541 13:13:17 788 6075 93.985 91.245 13:14:35 799 6163 102.011 101.564 13:17:41 813 6010 107.512 104.631 13:19:25 826 6116 112.228 109.717 该航段发动机气路参数原始数据 36768k，转录后数据 48063k，数据转录耗时 15 秒，译码输出数据 7215 条，译码耗时为 21 秒，误诊率为 0.01%0 对于 ACARS 报文的译码，由于数据链普通用户从数据链服务商(民航数据通信有限责任公司，ADCC)获得的航路飞机的报文，是封闭的工程数据包，内容是已经转译的固定结构的工程值报文，无法在开发系统中导入和矩阵化。本研究中，借助实验室自有的便携式 ACARS 测试平台((Portable ACARS Test Station, PATS)进行原始报文数据的接收，开展译码算法的实现和应用工作，平台包括移动接收端和固定译码端，其硬件架构图 1 和图 2
图 1 移动接收端 图 2 固定译码端 图 3-5 固定译码端 PATS 系统终端借助甚高频收发机(IC-A24)实现与航路飞机的 VHF 链路对接，并实时接 收下行报文，并将报文信号传送至信号调制解调器端(C SDM-17A，计算机则通过 RS-232口与 PATS 系统的 SDM-17A 口进行 AR1NC618 协议下的报文数据交互，并在内存中开辟缓冲池，用于存储临时报文数据。计算机中的译码系统读取缓冲池中遵循 ARINC-618 协议的原始报文数据，解析数据的的 Label 字符段即报文类型，只需调用已有译码类库中所对应的类，即可解析缓冲池中的原始数据，得到对应的工程值，并进行矩阵化和存储。表 2给出了所设计算法对发动机状态报(DFD Report)的解析译码输出，包括排气温度 EGT(0C)、燃油流量 FF(%lbs / hr),低压转子转速 Nl.1(%rpm)、高压转子转速 N1.2(%rpm)数值，设定报文时间为基准时间参考，将 ACARS 原始报文解析数据与航后 QAR译码工程值比较，用于验证 ACARS 报文解析方法的准确性，两种译码方法的数据输出一致。可见，ACARS 报文译码能够准确的处理原始报文信息，实时获取发动机气路参数值，可以作为发动机故障诊断、性能预测的实时数据源。
预期达到的目标、预期的研究成果 通过 ACARS 做出针对公司飞机故障诊断的优化方案。并能够投入到实际应用中。
参考国内外文献情况：
国内文献 17 篇，国外文献 3 篇。
主要文献目录：（不少于 20 篇）[1] 朱兴动, 章思宇, 王正.飞机故障维修记录关联规则挖掘方法[J].四川兵工学报, 2019, 040(007):164-169.[2]巴塔西, 李蕊, 熊毅, et al.基于 QAR 数据的民用飞机故障预测及验证[J].计算机测量与控制, 2019(10).[3]窦晓广.近年波音 737 系飞机故障机型案例分析[J].山东工业技术, 2019, 000(004):36.[4]韩麒麟, 荆竹.飞机故障诊断中飞参的数据支持作用研究[J].电子制作, 2019(12).[5]蒋倍.影响民航飞机故障维修的因素及改进策略思考[J].中国科技投资, 2019, 000(012):207.[6]蒋中平.A350 飞机故障诊断系统研究[J].航空维修与工程, 2019.[7]毛鹏.飞机航电系统故障分析方法与故障诊断技术探讨[J].电子测试, 2020.[8]蔡瑶琦, 陈雷, 陈振.面向知识工程的飞机装配故障管理平台设计与实现[J].航空制造技术, 2020, 63(4):96-100.[9]魏忠华, 乔石.飞机常见线路故障归纳与分析[C]// 2019 航空装备服务保障与维修技术论坛暨中国航空工业技术装备工程协会年会论文集.2019.[10]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, 340(02):124-129.[11]邵剑锋.民航飞机故障原因探讨及维修质量改进措施研究[J].中国航班, 2019, 000(010):P.1-1.[12]郭嘉欣.民航飞机故障诊断方法研究[J].中国航班, 2019, 000(015):P.1-1.[13]王常衡, 罗钦, 卢曼, et al.基于多种预测的飞机故障率预测[J].计算机产品与流通, 2019(05):133.[14]王锐光, 吴际, 刘超,等.基于维修日志的飞机设备故障原因判别方法[J].软件学报, 2019, 030(005):1375-1385.[15]李耀华, 尚金秋, 鲜倪军.改进FBPNN在飞机系统故障预测中的应用[J].机械设计与制造, 2019(7).[16].禹志龙, 李颖晖, 周驰,等.基于可达集的故障飞机着陆阶段安全包线研究[J].飞行力学, 2019(5).[17]Zhou J.Texas day-ahead weakens on high wind generation, low load[J].Platts Energy Trader, 2019(APR.3):6-6.[18] 佚名.Fault Detection and Diagnosis in Electrical Aircraft Flight Control System-AIAA Guidance, Navigation, and Control Conference(AIAA)[J].[19].Han B.Mobile Immersive Computing: Research Challenges and the Road Ahead[J].IEEE Communications Magazine, 2019, PP(99):1-7.[20]毛鹏.飞机航电系统故障分析方法与故障诊断技术探讨[J].电子测试, 2020.实验设备条件 本单位拥有美国贝尔、法国空直升机等系列航空器共二十余架，年总作业总量达到 14.7 万公里，并且机务维修中心有完善的直升机维修排故记录。
校内指导教师意见：
导师签字：
年 月 日
校外指导教师意见：
导师签字：
年 月 日 评审小组成员 姓 名 职 称 专 业 签字 组长 成员 成员 成员 成员
评审小组意见：
开题报告成绩（合格或不合格）组长签字：
年 月 日 备 注 说明：
若开题评审小组对该研究生的论文题目有不同看法，请详细填写在“备注”栏内，并对是否重新选题提出明确的意见。
版权声明：
1.大文斗范文网的资料来自互联网以及用户的投稿，用于非商业性学习目的免费阅览。
2.《开题报告（天津+z1502003+郑国庆）中国民航大学》一文的著作权归原作者所有，仅供学习参考，转载或引用时请保留版权信息。
3.如果本网所转载内容不慎侵犯了您的权益，请联系我们，我们将会及时删除。