美国海军陆战队必须以最低的成本用新兴技术解决材料准备的挑战。使用机器学习的预测性维修是一个不断增长的领域，可以使用免费或商业化的现成软件来应用。海军航空组织已经维护了一个数据储存库网络，收集和储存可维修的飞行关键部件的当前和历史数据。许多部件在其制造商公布的预期结构寿命之前就失效了，这导致了昂贵的非计划性维修。预测部件故障并计划其更换或维修的能力可以大大增加操作的准备性。本论文开发并分析了机器学习模型，利用现有的海军航空资料库的数据来预测各种MV-22B飞行关键部件的故障条件概率。数据预处理、模型训练和预测使用了现成的商业软件。这项工作可以帮助提高材料的准备程度，并使军事-航空人员适应决策中的新兴技术。

引言

这篇论文研究了机器学习算法在改进以可靠性为中心的维修（RCM）和基于条件的维修（CBM）以提高海军航空的飞机可靠性方面的潜力。

A.维修方面的背景

海军陆战队司令说，该部队收集和保留的许多数据没有被新兴技术充分开发（美国和Berger，2019）。国防部（DOD）的飞机平台一直在努力实现年度战备目标，尽管为其项目分配了大量预算（Crusher，2020）。使用新兴技术的预测性维护可以利用这些大量的数据，为提高航空准备状态提供一个具有成本效益的方法。指挥官还强调，由于可用资金有限，解决方案必须使用现有的军事数据存储库。海军航空系统司令部（NAVAIR）的数据库--后勤分析和技术评估决策知识编程（DECKPLATE），每月上传的记录超过400亿条，可以成为机器学习应用的一个良好来源。

虽然在解决飞机准备不足的根本原因方面正在做出重大努力，但指挥官们现在需要部分解决方案来完成他们的任务。几年来，指挥官们采用了高拆解率（从一架飞机上拆下零件装到另一架飞机上）以及将完全具备任务能力的飞机从部署后返回的中队转移到准备部署的中队。尽管 "只有在满足作战目标的必要情况下才是可接受的管理选择"（海军部，2021年），拆解和中队转移已经成为常态。在2011年和2017年之间，由于缺乏现成的基本飞机（RBA），海军陆战队在各中队之间转移了超过650架MV-22B Ospreys，以满足飞行时间和行动要求（Eckstein，2017）。同时，需求也在增加。由于个别飞机的过度使用或使用不足，以及转移和接受飞机所花费的额外工时，这些临时解决方案损害了未来的准备工作。

维修行动分为计划内和非计划内（Susto等人，2015）。计划内的维护是主动的，在一个部件退化或运行到故障之前完成。一个部件的定期维修频率通常是基于供应商或原始设备制造商（OEM）公布的结构寿命限制和推荐的维修时间表。非计划维修是在一个部件退化或失效时进行。图1比较了海军陆战队MV-22B飞机用于计划内与非计划内维修的维修工时（MMH）的数量。在2021年3月至2022年2月期间，计划外维修比计划内维修的频率高5至6倍。这个比率表明飞机部件的严重不可靠，以及预测非计划维修的困难。

图 1. 计划与计划外维护工时。资料来源：NAVAIR 准备分析报告 (2022)。

定期维修是预防性的，或旨在持续检查和维护部件，使其达到其使用寿命。对于美国海军航空的 "型号系列"（TMS），部件的检查和拆卸时间表公布在《检查要求手册》（海军航空部队指挥官，2021）的相关定期维修信息卡（PMIC）中。所有强制性的检查、拆除或更换事件都包括在该手册中，该手册规定了定期维修计划。间隔由供应商或工程可靠性和可维护性分析，以及RCM计划的故障管理策略决定（国防部，2011，国防部，2020a）。由他们制作的PMIC卡规定了机群或部件的预定维修。这样做的一个问题是，每架飞机或部件的维护间隔是相同的。这些间隔没有考虑到一个独特的部件或飞机的使用、服务历史或历史数据。

海军航空业可以从基于需求证据的维修创新实践中获益，或对个别部件进行预测。近年来，RCM采用了基于状态的维修+（CBM+）战略来提高可靠性。CBM+战略的一部分是使用机器学习，根据历史证据预测一个部件何时会失效。由于海军陆战队的航空属于海军航空的范畴，任何MV-22B RCM或CBM+活动都属于舰队准备中心指挥官（COMFRC）。东部舰队战备中心（FRC）的V22舰队支持小组（FST）一直致力于通过许多举措提高飞机和部件的可靠性。

其中一项举措是利用统计模型估计MV-22B部件的故障概率。利用现有的海军航空企业（NAE）数据库中的历史维修记录，使用Weibull概率密度函数（PDF）来估计一个部件经历特定故障模式之前的时间。图2是一个失败时间（TTF）的例子，显示了MV-22B塔架转换执行器（PCA）因密封损坏而失败的百分比。对于PCA模型，预测机队库存的70%在3326个飞行小时前因密封损坏而需要拆除，而80%在3696个飞行小时前会失效。第五章讨论了模型的准确性，但这种方法为利用相关故障数据改进预防性维修政策迈出了一步。

图 2. Pylon 转换执行器的 Weibull 模型。资料来源：FRC East V22 FST 维护优化 (2022)。

这个统计模型是根据定义的故障模式前的组件群的真实使用寿命来计算可靠性。图3显示了FRC East V22 FST所考虑的所有PCA故障模式的Weibull分析结果。

图 3. 飞行小时数中预测的 PCA 故障率。资料来源：FRC East V22 FST 维护优化 (2022)。

当考虑到所有的故障模式时，一个部件的估计可靠性可以决定一个更好的计划维修间隔。平均而言，70%的机队库存预测在大约3700飞行小时前需要拆除，而80%的机队预测在大约4500飞行小时前会出现故障。项目领导层可以根据一个置信区间做出决定，以取代PMIC卡中公布的当前计划维修间隔。这个间隔将适用于机群中的部件，并提高在评估的任何故障模式发生之前更换部件的可能性。通过真实的服务数据来改进预定维修，并且随着数据的不断收集，可以很容易地重新计算。

不幸的是，这种方法只提供了组件的累积故障概率。一个更好的方法是估计一个部件随时间变化的条件性故障概率，也称为危险率。机器学习模型，如Cox比例危险（CPH）模型和人工神经网络（ANN）可能是有用的，因为它们最近被用于医学研究，预测死亡率（Spooner等人，2020）。类似的工作可以使用DECKPLATE中保存的数据。