致未来·C-Talk | 王鹏：航空大数据 智慧预测未来

王鹏

通用电气航空集团工程部

中国区总经理

谈到数据，大家可能首先想到的是各种可以看得见的数字。在飞机上最明显的数据是飞机总线上的数据、QAR上的数据，这些都是质量特别好的数据，都是已经数字化的数据。

我们其实是生活在数据之中的，数据远远不止是数字化的数据。在纸上留下的文字、说的话，这也是数据；大家拍的Video同样也是数据。在传统数据处理上，先要把这些非结构化的数据结构化，再用各种方法把它变成各种算法，这是我们最传统的数据处理。

今天我们有了深度学习、人工智能，这个过程会有些变化。我们现在有能力把非结构化的数据直接转换成算法，这就是深度学习能够帮助我们带来的东西，这也是为什么深度学习能够产生这么多很强大的人工智能，能够去帮助我们从不同的角度和方式上认识世界，这个对于工业界的改变是巨大的。

今天我举几个例子跟大家做一些分享，首先谈到的是语言处理。自然语言处理是现在比较流行的领域，我们在这个领域中做了一些事情。

我们给航空公司做记录的时候，人写的东西永远都会犯错误，这些维修记录中间就会有一些笔误要及时纠正。过去航空公司可能要有一个团队去检查这些维修记录，人为修改过来，耗费大量时间。我们现在做的自然语言的算法，可以用计算机去处理这些维修记录，快速纠正错误，这个可以给航空公司省很多时间和人力。

另外一个例子，对于GE公司生产的发动机，比如CF6 80年代就已经出了，到现在已经30多年了。30多年的制造和运行的过程中，这个型号的发动机出的问题其实也都是类似的。这些问题是以报告的形式发出来的，并汇总给产品支援工程师去处理。但是30年前去处理这个问题的工程师已经退休了，今天可能是一个新的工程师在做这件事情。他无法查到30年前的问题是什么、处理方案是什么，可能要再做一遍分析，这种浪费是很巨大的。为了能够让我们的工程师反应速度变得更快，我们在两年前开发了DRAI算法。DR是超差处理，AI是人工智能。我们通过这个算法能够快速的识别这个人写的这个报告的含义是什么，帮助把历史过程当中相类似的报告全部拿出来，能够帮助工程师快速找到历史上怎么处理的，实现快速反应。这中间的难度在于什么呢？举一个例子，我们现在的发动机是在全球上用，中国人写的英语是中式英语，美国人是美式英语，欧洲人写英语是另外一种格式。自然语言处理要能够有能力去识别不同地区的人写的英语，然后能够去理解语义是什么，并且从历史档案中把相关的资料能够找到。通过这个方法，我们可以快速找到历史上相类似的案例，帮助现在的工程师参考做出快速反应，也能帮助GE省去大量的工程师成本，降低费用。

第三个例子，我们通过给发动机做内窥镜可以看到发动机内部的损伤情况，这个工作量非常非常大。一台发动机要认真的做下来三个小时可能都不止。但是人做这件事情总会有疲劳，有漏掉的地方。航空公司为了避免漏检还要复查，复查就不可能100%查，只能抽查，能够抽查到20%就已经非常好了。但是我们用人工智能的方法去扫描录像，如果叶片有问题了，这个框就会变红。把整个视频扫描完了之后，检测报告自动就出来了。可以把哪一帧 、哪张图片有问题，自动抓出来，自动生成一个报告，告诉你这台发动机到底是什么样子。它的识别率和报错率基本上都是在95%和97%的水平上，这个已经是很高了。这个东西看得越多，会变得越来越聪明，随着你的应用，它会越好用，这是我们在这个领域中间的一个应用。

类似的东西我们在做的很多。我们在发动机叶片的大修厂，来了叶片之后首先要做的事情是去做一个叶片的目视检查，看这个叶片到底是否可修。之前几十年都是通过人工检测来决定。但是这个做法有两个问题：第一，人去做这件事情总会有疲劳的时候，总会有漏检，看不到的地方。而且现在市场上的人变得越来越贵，培养这么一个人，其实要花很长时间，花很多钱；第二，他如果把这个件报废的时候，会写个报废的报告，把原因写到上边，但是其实在这个过程中间就已经丢失了非常多很有价值的数据。好比一个人死了，死亡报告上会写这个人的死因，但是他在死亡报告上并不会写上这个人还得了其他什么疾病，这些很有价值的数据就丢掉了。

但是我们现在用的办法是Computer Vision，用一个机器人手臂把这个件抓起来，然后我们在不同的角度上去拍照片。之后我们可以自动识别出来叶片上的孔、裂纹，包括上面的氧化，并且把裂纹长度可以测量出来。根据这个可以得出一个结论，这个叶片是可修还是不可修的。所有这些信息，即使是这个小裂纹，没有导致它报废的裂纹对于我来讲都是很有意义的，我会用这些数据去进一步修正相应的失效模型的算法，这些都是非常好的数据，有很大的价值。这个项目我们现在已经在新加坡的工厂当中在用了。

我刚才说会从工厂当中找很多很多的数据，这些数据拿来做什么用呢？这是另外一个例子。对于发动机上的罩环，发动机高压涡轮跟它之间是密封关系，如果它要是坏的话，密封就会出问题，这个发动机就会出问题。GE90发动机可以推动波音777，在全球现在是第二大的发动机。罩环出问题以后，这个发动机不能正常去用。当时FAA出了一个AD，要求我们罩环做定期检查，工作量特别大。我们当时为了解决这个问题，用数据做了预测模型，把这个算法投射到二维的平面上。横轴是发动机用的循环次数，纵轴就是我们算出来的值，我们可以通过这个值去判断这个硬件的好坏。从结果中我们可以看出来，全世界的发动机分两类：一类是沿着这个趋势在往上走；一类是沿着这个趋势在往另一个方向走，出问题的发动机是超过这条线的发动机，这个时候航空公司就应该及时处理。我可以对应的看出来出问题的时候这个发动机的循环数大概是在哪里。这就告诉大家一个信息，用到这个时间之前，这个发动机是没问题的；用到这个时间之后，它才会出问题。还可以告诉我们，我只有这个机队里面的发动机会有问题，而另一些航空公司、机队的发动机，我怎么用未来都不会有问题。所以这个模型就能够给航空公司一个很清楚的信息，我到底是不是有风险，我有风险在未来什么时刻可能会出问题，这就是一个很经典的预测性模型。

现在谈到维护的时候，我觉得有一个很容易混淆的概念，就是预测性维护和预防性维护，这是两个本质上巨大不同的概念。这里展示是真正的预测性维护，不是简单的预防性维护。预防性维护没办法做到预测性，但是这种预测性模型能够做到。就好比在今天一个人是好的时候，你没问题，我告诉你未来在什么时间有问题。好比我们做了一个癌症的模型分析，我知道肺癌的致病机理到底是什么，有遗传史，跟抽烟喝酒是有问题的，跟环境污染是有关系的，跟工作压力是有关系的。我有了这个模型之后，我就可以去预测一个很具体的人，你今天是没问题的，但是在未来你是不是会得癌症。这方面的模型我们已经做了很多，我们现在已经在使用了，目前在国泰、长荣、全日空、日航都已经用好几年了。自从我们用了这个模型以后，非计划的下发基本没有了，这个对航空公司的运行可靠性、经济性都有很大的帮助。

我们如果把发动机的“癌症”都列出来，每个“癌症”的模型我都建立起来之后，就可以把整个发动机、整个机队排一个序列，告诉航空公司哪台发动机未来在什么时间会出问题。这样的话，我就能帮助航空公司把整个梯队排好序，这个对于航空公司的意义就很大。

把这个概念再往飞机方面进一步引申的话，对于飞机的各个系统，其实我也可以把这个模型建立起来，对于整个飞机机队排序，我也就会看得很清楚，这是我们在这个领域中间的一些实践。

我们在今天做维护，要么是定时的、要么是视情的，视情的也是事后的。你照X光片，看到你长了一个瘤子，可能早期做一些早期治疗工作，但是这个瘤子已经在这儿了。我们在未来需要做的事情是什么？在未来需要做的事情是去做这种预测性模型。今天你拍这个片子，你的肺上是好的，一点阴影都没有，但是我要去预测在未来你什么时间会出问题，你要不做更早期的治疗，要不就要改变你的生活习惯。我相信用这种方法，能够使我们整个航空业变得更加安全，我们未来的出行更安全，我们将有一个更美好的航空的未来。

热文推荐

点击图片直达原文

版权说明：未经授权严禁任何形式的媒体转载和摘编，并且严禁转载至微信以外的平台！