本发明涉及航空航天技术领域，特别涉及一种飞行器健康管理方法及系统。
背景技术：
随着航空航天技术的发展，飞行器的安全性与可靠性，以及飞行器后勤保障体系的高效和经济性等越来越成为发展航空航天技术无法回避的问题。美国联邦航空局和国家运输安全委员会的统计数据表明，过去17年来全世界飞行事故有24％是由飞行器子系统和部件的故障引起，26％是由飞行失控引起，而很大一部分飞行失控是由硬件和系统的故障引起的，此外，航空航天工业也面临着巨大的经济压力，航空公司每年在飞行器后勤保障上花费310亿美元，平均每一个小时的飞行时间要有12个小时的后勤保障时间。
为提髙飞行器的可靠性与安全性，降低成本，如何建立一套飞行器地面健康管理系统是当务之急。
技术实现要素：
为至少解决现有技术中存在的技术问题之一，本发明的目的在于提供一种飞行器健康管理方法及系统，通过将飞行器各个子系统的故障监测、故障诊断、影响评估、故障预测等，及其相应的处理措施和后勤保障的安排等综合为一个对飞行器健康状况的综合管理系统。
本发明解决其问题所采用的技术方案第一方面是：一种飞行器健康管理方法，其特征在于，包括以下步骤：状态监测步骤，建立异常监测库以及设置监测参数范围，通过采集飞行器飞行参数来判断是否发生异常；健康评估步骤，建立健康行为模型和健康评估算法，通过对飞行控制系统实时输出参数与所述健康行为模型输出的结果基于所述健康评估算法进行比较，获得当前飞行控制系统健康状态评估结果；故障预测步骤，采集飞行器设备信息，根据所述飞行器设备信息对飞行器损伤判定、退化状态识别以及剩余使用寿命预测，得到预测故障发生的概率及时间；维修管理步骤，建立数据库用于存储和管理飞行器历史数据和状态信息，基于上述三个步骤的输出结果对对应飞行器进行分析研究，生成维修方案。
有益效果：根据一定的故障征兆预测故障发生时间、故障模式等，提高飞行器维修保障、正确实施视情维修、降低飞行器故障发生率。
根据本发明第一方面所述的，建立异常监测库具体包括：建立报警监测条件，并进行逻辑化处理得到基于判定条件的决策树。
根据本发明第一方面所述的，健康评估步骤还包括：根据飞行控制系统各个组件互相影响因素设置对应的故障模式，用以建立健康模式表；对各个所述健康模式进行逐一仿真，获取对应健康模式下的响应数据以构成神经网络训练样本空间；对所述神经网络训练样本空间进行逐一训练生成对应所述健康模式的健康行为模型；将多个所述健康行为模型进行整理得到常态系统模型；基于健康评估算法对飞行控制系统指定测试点数据向量进行评估，结合所述常态系统模型输出的结果进行对比对比分析，获得当前飞行控制系统健康状态评估结果。
根据本发明第一方面所述的，故障预测步骤还包括：采集飞行器历史记录数据和对应的状态条件，基于神经网络进行建模，获取历史记录数据和预测输出状态之间的映射模型；对飞行器进行故障测试，根据测试信息与所述历史记录数据基于所述映射模型进行比较、匹配与评估，将匹配度最高的所述历史记录数据对应的已知状态设置为飞行器当前状态，根据所述飞行器当前状态进行故障预测。
根据本发明第一方面所述的，损伤判定包括：采集飞行器指定时间段的观测数据，对所述观测数据进行相空间重构并建立局部线性模型；根据所述发局部线性模型估计跟踪函数并构建跟踪矩阵，其中跟踪矩阵包括对慢变损伤和工况变化进行跟踪；使用模态分解方法将慢变损伤的变化趋势从所述跟踪矩阵中分离出来，得到损伤演化过程。
根据本发明第一方面所述的，退化状态识别包括：信息采集步骤，基于多个种类的传感器对飞行器的各个组件采集各个时间段的工作信息；信息处理步骤，使用时域分析发和时频域分析法对所述工作状态信息执行提取相关特性向量，得到不同的状态特征向量构建的向量空间，并对对应的状态类型空间进行建模；信息识别步骤，构建状态特征向量空间与状态的类型空间之间的非线性关系，采用实验样本数据对模型进行训练，得到信息源状态识别结果；决策融合步骤，综合汇总各个所述信息源状态识别结果，依据不同识别结果的基本置信度，基于融合规则，得到状态类型总的概率分布，进一步得到最终的识别结果。
根据本发明第一方面所述的，剩余使用寿命预测包括：采集出现故障特征的飞行器对应部件信息，获取指定时间段的对应部件的观测数据；根据出现故障特征的部件选择对应预测特征，并对所述预测特征进行预处理，对所述观测数据进行噪声平滑，得到预处理后的退化特征序列；对所述退化特征序列进行回归拟合，并提取出非零基函数对应的多个设定的数据点；根据所述化特征序列建立退化模型，基于相关向量机方法进行预测确定先验的退化模型，选取最合适的退化模型或确定对模型进行优化改进；根据所述退化模型对所述观测数据进行同归拟合，确定模型参数值；根据所述参数值对所述退化模型进行外推预测，得到对预测特征演化趋势的估计，包括对应部件的剩余使用寿命的范围估计值。
根据本发明第一方面所述的，维修管理步骤包括：个性化步骤，用于根据各个飞行器的维修手册指定对应的维修项目；维修规划步骤，用于根据对应飞行器的状态参数，生成维修计划预警，并下发维修任务。
本发明解决其问题所采用的技术方案第二方面是：一种飞行器健康管理系统，其特征在于，包括：状态监测模块，用于建立异常监测库以及设置监测参数范围，通过采集飞行器飞行参数来判断是否发生异常；健康评估模块，用于建立健康行为模型和健康评估算法，通过对飞行控制系统实时输出参数与所述健康行为模型输出的结果基于所述健康评估算法进行比较，获得当前飞行控制系统健康状态评估结果；故障预测模块，用于采集飞行器设备信息，根据所述飞行器设备信息对飞行器损伤判定、退化状态识别以及剩余使用寿命预测，得到预测故障发生的概率及时间；维修管理模块，用于建立数据库用于存储和管理飞行器历史数据和状态信息，基于上述三个模块的输出结果对对应飞行器进行分析研究，生成维修方案。
有益效果：根据一定的故障征兆预测故障发生时间、故障模式等，提高飞行器维修保障、正确实施视情维修、降低飞行器故障发生率。
根据本发明第二方面所述的，故障预测模块还包括：采集单元，用于采集飞行器历史记录数据和对应的状态条件；建模单元，用于根据采集单元采集的信息基于神经网络进行建模，获取历史记录数据和预测输出状态之间的映射模型；测试单元，用于对飞行器进行故障测试，得到测试信息；评估单元，用于根据所述根据测试信息与所述历史记录数据基于所述映射模型进行比较、匹配与评估，将匹配度最高的所述历史记录数据对应的已知状态设置为飞行器当前状态，根据所述飞行器当前状态进行故障预测。
附图说明
图1是根据本发明实施例的方法流程示意图；
图2是根据本发明实施例的系统结构示意图；
图3是根据本发明实施例的状态监测判断示意图；
图4是根据本发明实施例的健康评估模型示意图；
图5是根据本发明实施例的重构相空间关系示意图；
图6是根据本发明实施例的剩余使用寿命预测示意图；
图7是根据本发明实施例的管理系统主界面示意图；
图8是根据本发明实施例的信息采集界面示意图；
图9是根据本发明实施例的状态监测界面示意图；
图10是根据本发明实施例的健康状况界面示意图；
图11是根据本发明实施例的故障预测界面示意图；
图12是根据本发明实施例的维修界面示意图；
图13是根据本发明实施例的综合查询界面示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。
参照图1，是根据本发明实施例的方法流程示意图，包括以下步骤：
状态监测步骤，建立异常监测库以及设置监测参数范围，通过采集飞行器飞行参数来判断是否发生异常；
健康评估步骤，建立健康行为模型和健康评估算法，通过对飞行控制系统实时输出参数与所述健康行为模型输出的结果基于所述健康评估算法进行比较，获得当前飞行控制系统健康状态评估结果；
故障预测步骤，采集飞行器设备信息，根据所述飞行器设备信息对飞行器损伤判定、退化状态识别以及剩余使用寿命预测，得到预测故障发生的概率及时间；
维修管理步骤，建立数据库用于存储和管理飞行器历史数据和状态信息，基于上述三个步骤的输出结果对对应飞行器进行分析研究，生成维修方案。
参照图2，是根据本发明实施例的系统结构示意图；
飞行器地面健康管理系统功能结构为开放式体系结构，它由状态监测模块、健康评估模块、故障预测模块、维修管理模块、接口模块组成，状态监测模块包括异常监测与报警两大基本功能。首先建立好异常监测库及监测参数范围标准作为判断设备是否异常的依据，之后接收来自飞行器飞行参数采集器的数据，根据故障库中存储的设备报警监测条件判断是否存在异常，若发生异常则采用语音、日志、人机交互界面等多种方式进行报警。状态监测模块的实现如图3所示。
参照图3，是根据本发明实施例的状态监测判断示意图；
异常监测
异常监测库用于存储所有的报警监测条件，必须对各种报警监测条件进行研究，抽象出通用的监测逻辑。本发明使用xml文件来存储报警条件，将判定条件形成一个决策树，以便
对复杂的异常进行处理，给出合理的建议。
系统根据飞行参数采集器采集回来的飞参数据进行解析，得到飞行器发动机排温、发动机转速、辅助动力装置排温、发电机交流电源频率、液压系统压力、左右发滑油压力、油量、座舱压力、挂点存在、燃油瞬时耗量、驾驶杆位移、驾驶盘位移、左右副翼偏转角、空速管加温、前后起落架状态等参数信息，然后根据报警条件判断是否存在异常参数，若发现异常则实施报警。
报警
当系统状态监测到异常后，第一时间启动报警功能。报警将以多方面形式产生，确保当前异常状况通知到后勤保障人员。报警系统可采用示警音发出报警信号，同时在人机交互界面上显示异常，并可以通过短信发送给后勤保障人员，并将异常信息写入系统日志文件中。
参照图4，是根据本发明实施例的健康评估模型示意图：
健康状态直接影响到飞行器在飞行过程中的安全性，因此，对健康评估技术的需求尤为迫切。健康评估主要分为两个部分：健康行为建模和健康评估算法设计。
健康行为建模：
健康行为模型是基于对动态系统分析，建立的能够反映不同健康模式下输入激励与行为输出映射关系的模型。基于对系统动态特性的充分分析，利用系统辨识方法构建健康行为模型。
健康评估算法
设计合理的健康评估算法，对系统的实际输出和健康行为模型预测输出相应进行对比分析，从而实现对系统当前健康状态的评估。
健康评估模块总体方案设计如下：首先建立明确的健康模式表，充分考虑各组件中各种影响因素对应的故障模式，其次，应用计算机仿真获取系统不同健康模式下的响应数据构成神经网络训练样本空间，分别训练生成对应健康模式下的健康行为模型，形成正常状态下系统模型，最后，基于健康评估指标对测试点数据向量进行分析即可实现对系统健康状态的评估。
故障预测是飞行器地面健康管理系统当中的重要环节。其主要目的是降低使用与保障费用、提高设备系统安伞性、完好性和任务成功性，实现基于状态的维修和自主式保障。
故障预测技术是针对设备的故障预测，在于预判系统出现故障的时刻，对剩余使用寿命进行估计，从而指导设备故障发生前的任务规划，制定设备的维修策略，在避免事故发生，降低人力、物理和财力损失的基础上，最大限度的发挥设备的效能，降低维修成本。
对本发明中的故障预测功能定义如下：
(1)故障预测技术的主要应用对象为零部件一级，保证对零部件的故障预测准确性和稳定性达到较高水平。
(2)故障预测行为从早期损伤出现到完全失效的全过程。损伤未出现之前不进行预测。当检测到早期损伤，根据已知监测数据、故障模型或先验知识估计具体损伤的演化趋势，对目标的剩余使用寿命进行预测，直至目标完全失效。
(3)明确当前时刻之后未来一段时间内设备的运行工况，预测其故障模式以及损伤的演化过程。
(4)由于环境因素、工况因素、材料本身的损伤等众多因素导致了目标设备发生故障到彻底失效的过程非常不稳定，会导致故障预测结果存在高度的不确定性，所以需要借助仿真或实验数据验证，建立故障增长概率模型，收集充分的时效数据统计样本，用于训练、验证和调节故障预测算法，最大程度的保证故障预测的安全性、可靠性和准确性。
1.故障预测方法：
本发明使用数据驱动结合神经网络对获得的状态监控数据进行建模，建立历史记录数据和预测输出之间的映射模型。对当前系统输出的测试信息与已知状态条件下的历史测试信息的比较、匹配与评估，将与当前测试信息匹配最好的已知状态判断为系统当前的状态，预测出当前设备正常或者不同程度的损伤或故障。
2.故障预测内容：
故障预测需对飞行器设备的损伤、退化状态识别、剩余使用寿命进行预测，从设备健康状态的量化、描述和演化趋势，预测故障发生的概率及时间，给出目标部件合理的概率形式表述。
(1)损伤跟踪
对已存在或即将出现的损伤模式进行跟踪、评估和预报。部件的损伤劣化是一个缓慢累积过程，损伤状态和测量数据之间存在复杂的非线性关系，所以采用多种非线性理论与方法来解决。
相空间曲变：在非线性系统中，当某一参数发生变化(无论变化大小)的同时，会造成系统相空间发生曲变的现象。这种现象说明了损伤的缓慢累积会在系统的重构相空间里以微小曲变的形式表现出来，基于这一现象就可以利用可观测的快变参数重构系统相空间，进而在重构的相空间中提取描述慢变损伤累积过程的特征参数。
重构相空间：重构系统的相空间，从相空间蕴含的信息来看，其空间维度不仅包括快变的振动和慢变的损伤，还有外部的时变因素(如外部激励、环境条件、运行工况等)。假设慢变损伤是随时间单调变化的，截取一个观测数据段，数据长度为中等时间尺度的，即在此数据段内可认为慢变损伤程度是大致不变的。因此，该数据段所对应的相空间轨迹可以认为是在慢变损伤维度上的切片，如图5所示，参照图5，是根据本发明实施例的重构相空间关系示意图，每个切片代表系统慢变损伤的个状态，所有切片损伤状态的集合就代表了系统的整个损伤演化的过程。根据相空间曲变现象发生的原理，如果能够将图中每个数据段之间因为损伤累积变化造成的相空间轨迹的微小曲变进行量化，那么就可以描述慢变损伤状态的演化过程。
为了能够对相空间曲变进行量化描述，首先进行相空间的重构，然后建立局部线性模型，估计跟踪函数，最后构建跟踪矩阵。跟踪矩阵同时体现了慢变损伤、工况变化以及其它可能存在的因素的变化过程，再用模态分解方法将慢变损伤的变化趋势从中分离出来，最终合理的表示损伤演化过程。
(2)退化状态识别
设备的退化状态，指的是在其整体从功能正常的健康状态到功能退化直至彻
底丧失基本功能，完全失效的过程中，当前正处于其退化过程中某一阶段的状态。
退化状态是一个抽象的概念，因此，设备的退化状态属于不可测“参数”，需要通过某种确定的或经验的对应关系，采用其他可测物理量对其进行估计，而后者本身就是通过可测的时频域信号计算得来。对其识别和估计，完全依赖与设备的可测信息。
多信息源状态识别算法：本发明采用多信息源状态识别算法实现退化状态识别。当装备性能退化状态刚开始时，其状态特征通常有以下特点：退化状态特征信号很微弱，从而导致状态特征呈现不确定的特性；由于内部结构差异与传输线路不同，微弱的退化状态特征信号通常最先出现在设备的某个局部位置，所以一个传感器无法全面、准确的捕捉设备的状态信息。融合多个传感器信息可以有效识别退化状态，将位于多个关键位置的传感器构造成信息网络，充分获取不同位置的测量信息，并运用信息融合技术对测量信息进行融合得到最终识别结果。
退化状态识别的主要步骤如下：
信息处理与特征提取
针对设备工作时不同时间段和不同部位的工作状态信息，分别采用不同的传感器对设备工作时的数据进行采集，之后使用时域分析发和时频域分析法从装备的状态信息中提取相关特性向量，得到由不同的状态特征向量构建的向量空间，并对相应的状态类型空间进行建模。
信息源状态识别
构建状态特征向量空间与状态的类型空间之间的非线性关系，采用实验样本数据对模型进行训练。
状态属性决策融合
综合汇总各个不同的识别结果，依据不同识别结果的基本置信度，运用融合规则，得到状态类型总的概率分布，从而得到最终的识别结果。
(3)剩余使用寿命
剩余使用寿命是指在运行过程中的某个时刻下，还能有效运行实现既定功能的剩余时间。剩余使用寿命的估计和预测是地面健康管理系统的中心任务，需要利用能够获取的设备运行状态信息、健康监测信息以及统计信息等来实现。
剩余使用寿命预测需要以早期损伤检测和退化状态识别为基础，以预测特征为支撑，将预测特征与设备的寿命曲线相关联，通过估计特征的变化来预测设备的剩余使用寿命，参照图6，是根据本发明实施例的剩余使用寿命预测示意图。
根据选定的某一个能够反映设备性能的健康指标的变化情况，来说明设备的剩余使用寿命预测的整个过程。不考虑目标设备(零部件)在初始磨合阶段出现故障而失效的情况，认为其初始状态为健康状态，也是设备的寿命起点。而当设备发生彻底失效，并且无法通过维修手段进行挽冋时，则达到了设备的寿命终点。从初始状态到设备寿命终点的时间跨度即为设备的全寿命。设备的全寿命过程可以分为健康状态和故障状态两个部分，其中对于大多数设备来说，健康状态通常会保持相当长的一段时间，相应地，健康指标保持在一个相对稳定的水平。然而，长时间的运行必然会造成相关设备的疲劳和磨损，这种情况最开始萌生于材料内部，以极其微小的内部裂纹等形式存在，并且在外部的各种可观测物理量中并没有明显的表现。随着运行时间的进一步增加，材料内部的细微损伤逐渐增大，并开始在可观测量中有所体现。此时，通过各种故障诊断方法就能发现故障的存在，将最早能够发现的故障认为是初始故障，并认为从此时起进入故障状态。
整个故障状态阶段的情况，就是设备的故障逐渐增大，直至彻底失效的过程.与这个过程相对应地，健康指标也随设备的健康状态逐渐下降，直至达到彻底失效所对应的水平。然而，故障的出现并不代表设备功能的丢失，实际上，故障达到某一程度之前，尽管设备的运行会受到一定影响，但仍然能够有效完成既定任务。而在健康管理技术中，为了实现设备效能利用率的最大化，在发现初始故障之后，会对设备进行退化状态识别以及故障预测，在保证设备安全的基础上，令设备继续运行直至出现功能性失效。
功能性失效状态，是指设备己经无法正常完成既定任务的状态，其对应的健康指标水平称为失效阈值。如果继续强行运转，设备将在短时间内彻底失效。因此，刚开始达到失效状态是进行设备维护保养的最佳时机，能够实现设备的安全性和效能利用率的平衡。通过维护或更换零部件等措施，系统和设备能够恢复健康状态，再次服役运行，有效地降低设备的保障成本。
从发现初始故障到设备功能性失效的这段时间，就是开展剩余使用寿命预测阶段。
由于设备的故障退化阶段具有很强的非线性，具体表现为健康指标在随着时间的不断推移，其下降的速度(故障的严重程度)，会逐渐加快。因此可预测阶段分为故障的早期退化和加速退化两个阶段，在早期退化阶段内，由微弱故障开始逐渐退化，故障程度加重速度相对较慢，相对较长的时间内健康指标下降幅度不大；进入加速退化阶段后，故障程度加重速度明显变快，健成指标也将在短时间内迅速下降至失效阈值。
进入可预测阶段后，便可以根据需要随时进行设备的剩余使用寿命预测。因为预测需要借助设备当前时刻之前的运行状态信息、健康监测信息以及统计信息等来进行建模和计算，所以必须确定可用的观测信号。以发现初始故障时刻为起点，截取该时刻至进行预测的时刻之间的观测数据作为己知观测数据，并以此对健康指标在当前时刻之后的演化趋势进行预测，估计其何时下降至失效阈值，并计算此时的剩余使用寿命预测值。
在预测过程中，需注意以下关键点的选择：
预测点的选择：进入可预测阶段后在进行预测时，必须要有一定长度的已知观测数据样本作为建模或计算的基础，不同的预测方法，对所需要的数据长度也不尽相同。因此，在确定初始观测点的时候，需要判断此时的已知观测数据是否足够进行相应的计箅。保证设备安全同时也要减少不必要的过度计算。
观测数据起点的选择：考虑到已知观测数据长度的问题，观测数据起点因结合具体采用的预测算法来选择。观测数据起点并不局限于发现初始故障的时刻，根据需要也可以从健康状态阶段中进行了观测数据记录的任意时刻开始截取所需要的已知观测数据。
失效阈值的确定：根据设备使用的具体情况或历史经验，设定一个近似意义的失效阈值。根据采用的健康指标不同，失效阈值的数值大小也会对预测算法中的建模等步骤产生一定影响。
剩余使用寿命的实现过程可分为特征提取与稀疏数据集构建，确定退化模型以及剩余使用寿命预测。
特征提取与稀疏数据集构建：首先针对待预测设备的特点，选择合适的预测特征，再对预测特征进行预处理，对观测值序列进行噪声平滑，或尽可能消除工况等因素的影响，得到预处理后的退化特征序列。最后对已知观测数据的退化特征序列进行回归拟合，提取出非零基函数对应的多个最具代表性数据点，以概率的形式给出对未来某一事件发生的预测。
确定退化模型：在确定退化特征之后，可根据历史数据的退化特征序列确定退化模型，基于相关向量机方法进行预测确定先验的退化模型，选取最合适的退化模型或确定对模型进行优化改进。
剩余使用寿命预测：采用退化模型对稀疏数据集进行冋归拟合,确定退化模型的模型参数值。在此基础上将退化模型进行外推预测，得到对预测特征演化趋势的估计。计算设备剩余使用寿命的估计值及其上下边界。
维修管理模块
飞行器维修工时和维修效率直接决定维修保障水平，目前我国空军大部分维修方式采用定时维修。定时维修是一种传统的维修方式，体现了以预防事故为中心的维修思想。这种维修方式只把时间作为控制参数，不能有效地预防与使用时间没有直接关系的故障。理论和实践表明，发动机的故障产生具有随机性，故障率往往是1个常数而非线形关系，而且此方式不能避免不必要工作，造成了人力物力的浪费。而且定时维修由于预测性不强，额外维修和无效拆解过多，反而影响了飞行器或发动机的工作精度，缩短了其有效寿命。
视情维修基于这样一个事实，即大量故障的发生都有1个发展的过程，不会瞬间发生，也就是说，大部分故障在它们快要发生时都有一些预告信号(称为潜在故障)。如果采用状态监测技术来监测这些信号，就可以发现故陣过程正在继续的现象，便可以采取措施，预防故障的发生或者避免故障后果。
飞行器地面健康管理系统在进行过状态监测、健康评估和故障预测这些步骤后，已经可以准确的给出存在故障的部件及部件的健康状况，分析出维修方案。
地面后勤保障人员可通过及时更换或检修部件，提高和改善飞行器系统的可靠性和可用性，减少了维修负荷，改善了维修的综合效率。
维修管理模块提高了维修管理工作的效率，实现维修管理工作的信息化、智能化，实现了飞行器状态信息录入与监控并自动生成维修计划预警。该模块的主要工作有：
1.使用高效的数据库系统存储维修管理工作中的相关数据，并构建飞行器智能维修管理系统。
2.将飞行器状态参数信息通过数据库进行存储，并在飞行器整个生命周期中进行记录与监控，实现了飞行器信息的数字化管理。
3.在数据库中存储维修项目信息并可以通过本系统进行维修项目的制定和修改，实现了维修项目的线上数字化管理。
4.系统根据飞行器的状态信息结合维修项目信息自动生成维修计划的预警，减轻了维修计划人员的负担，提升飞行器维修管理工作的效率。
5.系统直观的显示维修任务信息，并且可以在线上进行任务的生成、下发、提交以及结束的全流程操作，使任务的执行流程更加高效。
维修管理模块功能分以下几个部分：
飞行器信息管理：飞行器信息的管理对维修工作的开展具有决定性作用，飞行器的信息包括飞行器的出厂信息以及服役期间的状态参数信息。飞行器智能维修管理系统具备存储、查看和及时更新飞行器状态参数信息的功能。飞行器在执行完作业任务之后，需要填写飞行记录表记录飞行器的各项参数信息并更新到系统数据库中，执行过维修任务之后，飞行器的状态信息需及时变更。
维修项目管理：在日常维护工作中，生产部门对时控项目的时控时间进行监管，时控项目的使用时间信息来自于飞机飞行使用的每日飞行记录单，以及维修
中队的维修记录。然后再根据飞机维修手册上的时控件管理的基本信息，从而建
立起时控项目管理模块，因此，维修项目管理模块首先应该是根据每架飞机的维修手册，建立该飞机所有的维修项目，主要包括：飞机的定检项目，部件检查项目，时控件项目，发动机定检项目，发动机时寿件项目。定检项目指的是飞机根据检査大纲每隔一段时间就要进行的常规检査任务，部件检査项目指的是飞机的内部部件按照规定每隔一段时间需要检查部件状态的任务，时控件项目指的是当飞机上的时控件到达其使用的寿命时，对部件进行拆换的任务，发动机定检项目指的是发动机中每隔一段时间需要进行检査的任务，发动机时寿件任务指的是发动机中的部件到达其使用寿命的时候进行拆换的任务。这个几个项目功能主要都是根据检査大纲编写相关的维修项目，并且能够查看、更新、修改和删除。任务的主要内容包括项目号，内容描述以及现在的状态等主要信息。除了维修项目的管理之外，还需要对与维修项目相关联的工卡进行管理，能够创建、删除、査看和编辑工卡。
维修计划管理:维修计划的制定需要根据飞行器的状态参数来展开，当飞行器的状态参数例如飞行小时数、循环数或者起落次数
等等接近手册或者维修大纲要求的上限的时候，可以自动生成维修计划的预警，工作人员在计划预警的基础上进行任务下发等操作，最后再由相关人员执行任务并反馈上报，最终完成任务后结束维修任务，己经结束的维修计划有历史记录可供查询。维修计划管理还可以根据当前的情况将多个维修任务进行打包，然后再进行打包任务的下发执行等操作流程，使得维修工作的执行更加灵活。维修计划可以分别用周计划和月计划不同的时间范围进行查看。用户可以查询历史指定的维修计划，可以按照不同的条件进行查询。每个项目结束之后应该录入维修信息，维修信息包括完成人，完成时间，换件信息等。
资料文件管理：飞行器维修管理工作中经常会用到一些文件资料，例如培训计划、岗位资质、维修大纲等等，飞行器智能维修管理系统可具有将这些资料进行数字化存储的功能，并且能够方便地查看。在维修管理工作流程中，有需要上传文件的地方，对这些文件，系统也能够高效可靠地存储和管理。
接口模块
接口模块是指飞行器机载系统与地面健康管理系统各部分之间的通信与信息交换，主要通过总线方式来完成。主要功能是确保整个地面健康管理系统体系中的各个部分之间进行正确、通畅、协调、安全的信息交流，从而实现整个地面健康管理系统的信息化、一体化。
系统使用
安装和连接
飞行器地面健康管理系统主要由飞行器地面参数采集器、电源接口、飞行器地面健康管理系统软件几个部分组成。
常温环境下，将飞行器地面参数采集器的输入27v电源连接在直流可调稳压电源上，使用采集器卸载线飞行器连接采集器前面板圆形航空插头与pc网络接口，给采集器上电27v，正常情况下，电流为0.45a(±10％)，电压在27v±1v，前面板指示灯正常为上电瞬间显示蓝色，之后变一直为绿灯闪烁，电脑显示连接网络成功。观察指示灯、网络、电流、电压是否正常。
登录完成后，可进入系统主界面，参照图7，是根据本发明实施例的管理系统主界面示意图，在系统主界面中，可以看到右侧的主控制菜单里有机库、数据采集、状态监测、健康评估、故障检测、维修管理、综合查询这几个功能按钮，点击按钮可以进行页面的切换。
软件登录成功后，进入主界面。默认机库功能界面为系统主界面，在机库界面中可以查看该机场的可用飞机机型，通过按钮切换选择机型。
选中一款机型后，在下方的机库列表中显示了该基地中所有该机型的机库状态，选择一个机库，可以在下方故障图标中看到机库中该飞行器的故障情况。
在右侧的显示区域中显示了该飞行器的飞机编号等基本参数信息，如机长、机高、翼展、全机空重、最大高度、最大速度、最大航程、载重量等重要参数信息。
3.数据采集：点击左侧的控制菜单的按钮，可切换功能界面至数据采集界面，可以采集选择的飞行器的飞行参数信息。如图8所示，是根据本发明实施例的信息采集界面示意图；
在数据采集界面中，左上方显示的机库图，中间显示的是该型号飞行器的名称、飞机编号、机库编号、航程信息。
从履历选择下拉框中，选择要下载的履历信息，点击采集按钮开始采集，可以在下方看到采集时长和采集进度，点击暂停按钮可以暂停数据采集，点击停止按钮终止本次履历信息的卸载。
在特征曲线界面中可以查看该次履历的特征信息曲线，如高度、速度、大气温度等等，从特征值选择框中选择要查看的特征值曲线，将会在图形中显示该特征值的曲线。
在左侧的开关量信号列表中，可以实时查看本次履历信息的开关量参数，指示灯用来显示开关量的状态，红色表示未打开，绿色表示该开关量打开。通过滚动条拖动来查看更多信息。
在模拟量显示区显示了履历信息的模拟量信号表，有发动机拍问信号、交流模拟信号、频率信号等等信号参数，通过滚动条拖动来查看更多信息。
状态监测：点击左侧的控制菜单的按钮，可切换功能界面至状态监测界面，可以监测飞行器各个系统的状态，如图9所示，是根据本发明实施例的状态监测界面示意图；
在状态监测页面下，可以监测飞行器的多个模块的状态信息，在模块选择下拉框中选中要检测的模块后，下方的列表中将显示该模块各个子系统功能的状态。也可通过点击向左切换或向右切换按钮来切换当前的监测模块。如果发现子系统存在异常或故障情况，下方的状态预警指示灯变红色，同时向维护人员发送预警消息。
在右侧的信息列表中列出了该模块的具体详细状态信息，显示了该模块各个子系统的详细信息。可以点击按钮将该模块的信息已报表的方式生成，并可打印，方便浏览。并可以点击按钮将当前数据保存为历史数据文件。如果需要查看之前某一时期的监测数据，可以点击按钮将之前保存的数据加载到列表中查阅。
健康评估：点击左侧的控制菜单的按钮，可切换功能界面至健康评估界面，可以查看飞行器各个系统的健康状态，如图10所示，是根据本发明实施例的健康状况界面示意图；
在机载数据结构图中，可以清晰的看到飞行器的整体系统的组成结构。可通过用鼠标直接点击想查看的系统或子系统的健康状况，即可弹出该系统的健康状况界面。
在下方的健康状况列表中，可以查看飞行器系统的整体健康状态。可查看各系统下每个子系统的健康状况及评估参数。
可以点击按钮将健康评估状态已报表的方式生成，并可打印，方便浏览。并可以点击按钮将当前数据保存为历史数据文件。如果需要查看之前某一时期的监测数据，可以点击按钮将之前保存的数据加载到列表中查阅。
故障预测：点击左侧的控制菜单的按钮，可切换功能界面至故障预测界面，可以对飞行器各个功能模块可能出现的故障进行预测如图11所示，是根据本发明实施例的故障预测界面示意图。
在故障预测界面中，可以看到对飞行器各个系统的子设备的故障预测和预警。在左上角可以看到飞行器选择功能框，通过鼠标点击按钮来切换显示的飞行器模块。在右边的设备信息中可查看得到当前的设备总数、传感器总数、故障总数、停机时间、利用率等基本信息，显示的基本信息根据所选设备的变化而不同。
在设备故障预警列表中，详细列出了当前系统的各个设备的名称、设备状态、故障发生的可能性、预估发生时间、预警状态、上次保养时间等信息，用户可根据故障预警信息中给出的提示进行相应的维护工作。
在传感器列表中可以看到本系统所有传感器的状态曲线，可以通过勾选框来控制传感器曲线的显示和隐藏。
在设备状态中可看到该系统的各个设备未来一段时间的运行状况及故障发生概率，根据图表给出的结果可预先对可能出现故障的设备做维修保养。
维修管理：点击左侧的控制菜单的按钮，可切换功能界面至维护管理界面，可以记录和查看飞行器各系统的维修状况，如图12所示，是根据本发明实施例的维修界面示意图。
当飞行器系统产生维修需求时，地面后勤人员应先填写维修单，记录飞行器系统故障产生的时间、维修的原因、维修开始时间、耗用的工时等信息，并登记入库，可在维修信息列表中查看该飞行器的历史维修信息。维修单可以点击打印按钮生成预览并进行打印。
配件信息显示了飞行器系统更换或维修配件的基本信息。当各个系统需要更换或新加配件时，就使用配件的新增配件和更换配件功能，如果要对某个配件进行维修，便点击维修配件按钮进入维修配件界面进行操作。如果要移除某个配件，点击删除配件按钮，对配件进行删除操作，在下方的配件信息列表中可看到详细的配件使用、更换、维修信息。
综合查询：点击左侧的控制菜单的按钮，可切换功能界面至综合查询界面，可以对飞行器各个系统的历史数据进行查询，如图13所示，是根据本发明实施例的综合查询界面示意图。
在综合查询页面功能中可以查看到各系统的健康评估数据、故障预测数据、维修管理数据等详细的历史数据。可根据输入的时间段进行精确查找，查找结果显示在下方的列表中，并且可以将查询结果生成报表方便浏览。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
1.一种飞行器健康管理方法，其特征在于，包括以下步骤：
状态监测步骤，建立异常监测库以及设置监测参数范围，通过采集飞行器飞行参数来判断是否发生异常；
健康评估步骤，建立健康行为模型和健康评估算法，通过对飞行控制系统实时输出参数与所述健康行为模型输出的结果基于所述健康评估算法进行比较，获得当前飞行控制系统健康状态评估结果；
故障预测步骤，采集飞行器设备信息，根据所述飞行器设备信息对飞行器损伤判定、退化状态识别以及剩余使用寿命预测，得到预测故障发生的概率及时间；
维修管理步骤，建立数据库用于存储和管理飞行器历史数据和状态信息，基于上述三个步骤的输出结果对对应飞行器进行分析研究，生成维修方案。
2.根据权利要求1所述的飞行器健康管理方法，其特征在于，所述建立异常监测库具体包括：
建立报警监测条件，并进行逻辑化处理得到基于判定条件的决策树。
3.根据权利要求1所述的飞行器健康管理方法，其特征在于，所述健康评估步骤还包括：
根据飞行控制系统各个组件互相影响因素设置对应的故障模式，用以建立健康模式表；
对各个所述健康模式进行逐一仿真，获取对应健康模式下的响应数据以构成神经网络训练样本空间；
对所述神经网络训练样本空间进行逐一训练生成对应所述健康模式的健康行为模型；
将多个所述健康行为模型进行整理得到常态系统模型；
基于健康评估算法对飞行控制系统指定测试点数据向量进行评估，结合所述常态系统模型输出的结果进行对比对比分析，获得当前飞行控制系统健康状态评估结果。
4.根据权利要求1所述的飞行器健康管理方法，其特征在于，所述故障预测步骤还包括：
采集飞行器历史记录数据和对应的状态条件，基于神经网络进行建模，获取历史记录数据和预测输出状态之间的映射模型；
对飞行器进行故障测试，根据测试信息与所述历史记录数据基于所述映射模型进行比较、匹配与评估，将匹配度最高的所述历史记录数据对应的已知状态设置为飞行器当前状态，根据所述飞行器当前状态进行故障预测。
5.根据权利要求1所述的飞行器健康管理方法，其特征在于，所述损伤判定包括：
采集飞行器指定时间段的观测数据，对所述观测数据进行相空间重构并建立局部线性模型；
根据所述发局部线性模型估计跟踪函数并构建跟踪矩阵，其中跟踪矩阵包括对慢变损伤和工况变化进行跟踪；
使用模态分解方法将慢变损伤的变化趋势从所述跟踪矩阵中分离出来，得到损伤演化过程。
6.根据权利要求1所述的飞行器健康管理方法，其特征在于，所述退化状态识别包括：
信息采集步骤，基于多个种类的传感器对飞行器的各个组件采集各个时间段的工作状态信息；
信息处理步骤，使用时域分析发和时频域分析法对所述工作状态信息执行提取相关特性向量，得到不同的状态特征向量构建的向量空间，并对对应的状态类型空间进行建模；
信息识别步骤，构建状态特征向量空间与状态的类型空间之间的非线性关系，采用实验样本数据对模型进行训练，得到信息源状态识别结果；
决策融合步骤，综合汇总各个所述信息源状态识别结果，依据不同识别结果的基本置信度，基于融合规则，得到状态类型总的概率分布，进一步得到最终的识别结果。
7.根据权利要求1所述的飞行器健康管理方法，其特征在于，所述剩余使用寿命预测包括：
采集出现故障特征的飞行器对应部件信息，获取指定时间段的对应部件的观测数据；
根据出现故障特征的部件选择对应预测特征，并对所述预测特征进行预处理，对所述观测数据进行噪声平滑，得到预处理后的退化特征序列；
对所述退化特征序列进行回归拟合，并提取出非零基函数对应的多个设定的数据点；
根据所述化特征序列建立退化模型，基于相关向量机方法进行预测确定先验的退化模型，选取最合适的退化模型或确定对模型进行优化改进；
根据所述退化模型对所述观测数据进行同归拟合，确定模型参数值；
根据所述参数值对所述退化模型进行外推预测，得到对预测特征演化趋势的估计，包括对应部件的剩余使用寿命的范围估计值。
8.根据权利要求1所述的飞行器健康管理方法，其特征在于，所述维修管理步骤包括：
个性化步骤，用于根据各个飞行器的维修手册指定对应的维修项目；
维修规划步骤，用于根据对应飞行器的状态参数，生成维修计划预警，并下发维修任务。
9.一种飞行器健康管理系统，其特征在于，包括：
状态监测模块，用于建立异常监测库以及设置监测参数范围，通过采集飞行器飞行参数来判断是否发生异常；
健康评估模块，用于建立健康行为模型和健康评估算法，通过对飞行控制系统实时输出参数与所述健康行为模型输出的结果基于所述健康评估算法进行比较，获得当前飞行控制系统健康状态评估结果；
故障预测模块，用于采集飞行器设备信息，根据所述飞行器设备信息对飞行器损伤判定、退化状态识别以及剩余使用寿命预测，得到预测故障发生的概率及时间；
维修管理模块，用于建立数据库用于存储和管理飞行器历史数据和状态信息，基于上述三个模块的输出结果对对应飞行器进行分析研究，生成维修方案。
10.根据权利要求9所述的飞行器健康管理系统，其特征在于，所述故障预测模块还包括：
采集单元，用于采集飞行器历史记录数据和对应的状态条件；
建模单元，用于根据采集单元采集的信息基于神经网络进行建模，获取历史记录数据和预测输出状态之间的映射模型；
测试单元，用于对飞行器进行故障测试，得到测试信息；
评估单元，用于根据所述根据测试信息与所述历史记录数据基于所述映射模型进行比较、匹配与评估，将匹配度最高的所述历史记录数据对应的已知状态设置为飞行器当前状态，根据所述飞行器当前状态进行故障预测。
技术总结