以新型战机为代表的现代武器装备综合性能越来越高，部件与系统之间的关联性、耦合度越来越复杂，故障的综合诊断以及健康评估的重要性日益增加^[1]。为保障装备的使用，预测与健康管理(Prognostic and Health Management，PHM)系统成为了新型战机的重要系统，健康评估是PHM系统的核心之一，是实现视情维修和自主保障的基础。

飞机健康评估通过分析记录的飞行参数，综合采用多种智能算法进行数据分析和建模研究，将关键参数的状态信息映射至飞机健康状态，从而评估飞机在遭受故障、降级等异常情况下的能力影响，给出飞机健康状态评估结果。

健康评估的前提是需要对大量参数数据进行监控和分析，然而在实际使用中，海量的飞行参数数据中存在巨大的信息和规律，仍然尚未被开发利用^[2]。数据挖掘技术在近几年得到了迅速发展，因其在海量数据分析中的作用，其在各行业中已经得到了广泛的应用，逐渐演变为科学研究的基础^[3]。

美国国防部和空军装备部开发了故障预测和健康管理技术的系统，包括飞机状态健康监测系统(Aircraft Condition Health Monitoring System，ACHMS)、发动机健康监测系统(Engine Health Monitoring System，EHMS)、综合健康诊断预测系统(Integrated Health Diagnosis and Prediction System，IHDPS)等，这些监测和预测系统首次从大型飞机控制系统中脱离出来，构成了飞机健康管理系统，并以F-35为典型代表开展了从被动维护到主动预防的转变^[4]，在飞机安全飞行与评估方面，国外也进行了初步应用^[5]，应用数据挖掘工具对航空航天健康评估领域进行探索取得了长足进展^[6]。

王文正等^[7]首次将数据挖掘技术用于飞行试验数据的分析和气动参数辨识中, 建立了基于飞行试验数据的气动力数学模型, 可用于计算流体力学和风洞试验的验证与确认；宋飞和秦世引^[8]提出了一种多级模糊综合评价架构，对卫星姿态控制系统进行实施健康评估；陈龙志等^[9]分析与飞行器控制系统相关的健康模式与模型参数的映射关系, 结合近似响应原理和BP神经网络，进行飞控系统健康评估建模和研究。然而现有的研究多侧重于方法层面，而缺乏对飞行参数数据的挖掘利用以及面向工程实际的体系化研究与应用等，此外，研究对象多为产品级或系统级，缺乏面向飞机整机的健康评估研究，这些因素制约了飞机健康评估技术的发展和应用。

多高斯混合模型的研究多集中于通信领域，比如使用多层感知器神经网络(Multi-Layer Perceptron, MLP)构建多信号接收强度与原始信号强度的关系^[10]，或基于核的方法建立无线信号强度原始数据与参考点位置坐标的关系^[11]。在室外复杂环境中，陈淼^[12]针对WLAN信号强度问题，采用多高斯混合模型对每个参考点上各接收点的信号强度联合建模从而构建系统指纹数据库，模型参数采用最大期望算法在离线状态时估计，不影响算法的实时复杂度，能够精确地获得参考点上的信号强度。

本文以新型飞机为代表，从复杂系统健康评估的实际需求出发，提出了基于飞行参数数据挖掘的健康评估技术。

1 军机健康评估架构

军机PHM系统一般采用分层架构设计，分别实现各层级的功能^[13]，本文依托于层级架构设计，提出基于飞行参数数据挖掘的军机健康评估设计及应用的“V”型架构，将数据获取、数据分析、方法应用、挖掘建模、评估结果和决策应用等流程融入到数据层、业务层、应用层等层级中。

以飞机整机为分析对象，自顶向下依次进行任务分解，功能分解，参数关联，将评估对象落脚于具体的参数数据，然后自底向上进行故障检测与诊断、故障传播及影响分析，综合运用改进的FTA(Fault Tree Analysis)分析、高斯混合模型、层次分析法等方法，得到飞机健康评估结果，并指导进行维修和任务分析，架构如图 1所示。

1) 数据层：数据获取，数据分析

机载传感器获取原始数据并记录，形成飞行参数数据并进行解析，包括数据质量分析、统计分析和数据处理，然后将原始数据信息转换成可以进行建模分析的数据，并提取特征与期望值或运行阈值进行比较，完成故障检测。

2) 业务层：方法应用，挖掘建模

首先以飞机为评估对象，进行功能分解，利用改进的FTA方法对“功能—参数”进行故障树模型构建和分析，得到“飞机—功能—参数”健康评估对象，然后建立高斯混合健康评估模型，得到功能层级的健康评估结果。

3) 应用层：评估结果，决策应用

利用应用层次分析法分析基于功能层级的健康评估结果，得到飞机健康评估结果，实时掌握飞机的健康状态，判断健康状态是否发生了退化，进行任务能力评估，为维修活动提供建议。

健康评估架构呈“V”字型：①V字左侧从飞机出发，层层分解到“任务”、“功能”及“相关参数”，将评估对象层层细化，并最终落脚于飞行参数数据；②V字右侧，自底向上进行模型算法应用，根据给定的飞行参数数据，首先进行故障检测，完成初始的故障诊断，然后根据故障诊断结果，进行故障传播及影响分析，应用高斯混合模型及区间层次分析法，对任务和飞机层面进行健康评估，并根据评估结果，评估飞机健康状态、任务能力及进行维修决策。

基于飞行参数数据挖掘的军机健康评估流程如图 2所示。

2 数据获取和分析 2.1 数据获取

获取数据是数据挖掘与分析的前提。数据获取的速度、容量及准确性等直接影响健康评估模型结果的准确性和有效性^[14]。

现代军机在设计、生产、使用及维修保障过程中产生了海量的数据，类型也多种多样。本文中应用的技术所使用的数据为由飞机各系统采集的飞行参数数据，这些数据按照统一约定的格式记录在专用的存储设备中。对每一个架次的数据进行统一管理、统一获取，是本文方法应用的前提。

2.2 数据分析

数据分析的目的是从获取的数据中分析和获取有价值的的潜在信息，并将数据进行处理，使其能够应用于挖掘建模过程。数据分析的对象为飞行参数数据，其特点为：①不可重复性。即参数所表征的系统状态不能完全复现；②不可叠加性。除飞行时间和接通次数外，大多数飞行参数数据具有不可叠加性，即数据简单相加不产生任何实质意义；③单帧参数。飞行参数数据按帧记录，且不同系统的参数记录频率不同。这些特点决定了飞行参数数据在处理分析过程中的特殊性。

1) 数据质量分析

数据质量分析是数据挖掘中重要的一环，是数据处理的前提，也是方法结果可靠性和准确性的基础。

飞行参数数据的数据质量分析主要包括缺失值分析和异常值分析^[15]。缺失值分析主要包括记录的缺失或记录中某个字段信息的缺失，飞行参数从生成到传递到存储过程中，涉及到多个系统、众多成品参与，中间任一环节出现故障，都可能造成数据缺失。异常值分析是检验数据是否有录入错误以及是否含有不合常理的数据。可采用简单的最大、最小值等变量进行统计，也可以采用3σ原则、箱型图等方法，预先发现是否存在异常数据。

2) 数据特征分析

飞行参数数据的数据特征分析包括统计分析、对比分析、贡献度分析等。可以采用统计量分析(最大、最小值、均值、方差、中位数、变异系数等)对变量进行宏观的描述性统计，获得待分析数据的总体信息。对比分析可采用一个架次中不同参数，或者多个架次同一组参数对待分析的参数变化情况和趋势进行直观的对比。此外，还有贡献度分析、相关性分析和周期性分析等数据特征分析方法，这里不再赘述。

3) 数据处理

数据处理是数据挖掘应用中的重要工作，一般包括：

数据清洗：对数据质量分析中发现的缺失值、异常值等缺陷进行处理，填写空缺值，平滑噪声数据，识别并删除孤立点等。

数据集成：将飞行参数数据中多个数据源合并成一致的数据进行存储。

数据变换：将飞行参数数据转换成适合于挖掘建模的形式，如按照比例进行缩放，0-1区间变换等。

数据规约：最常见的数据规约方式为数据降维，在不影响建模效果的前提下，对数据进行筛选和约减，也可采用主成分分析^[16]、灵敏度分析^[17]等方法进行数据降维处理，提高挖掘建模的效率和质量。

3 方法应用及挖掘建模 3.1 改进FTA分析方法

在飞机下达任务后，分析任务类型(训练、试飞、空地作战、空空作战、电子战、巡逻侦察等)和任务载荷(航炮、导弹、雷达、电子战、红外搜索装置、副油箱、液冷设备等)，可得到飞机的功能清单。然后对飞机功能故障进行故障树分析。一般的FTA方法，从故障现象出发，自顶而下逐层分解得到不同层级的故障模式组合的故障树模型^[18]，而本文提出的改进FTA分析方法，对传统FTA方法进行了裁剪和优化，两者对比如表 1所示。具体步骤为

1) 明确飞机功能报故逻辑，确定顶事件。

2) 分析关联系统和传播关系，确定中间事件。由顶事件出发，分析各系统硬件和信息传播关系，确定关联系统及关联部件，明确中间事件的层数、数量和所属系统。

3) 确定底事件和相关参数。对故障树进行逐层分解，直到故障模式与具体的航线可更换单元(LRU)关联为止，不再进行向下分析，并确定底事件的相关参数，底事件对应的全部故障参数作为健康评估模型的输入参数。

改进FTA为高斯混合模型提供所需的待评估功能的相关参数列表，并在得到评估结果后，指导对故障LRU进行维修换件。健康评估参数数量影响模型的效率和准确性，而改进FTA的分析，则能够整理参数数据，将输入数据进行约减, 从而为健康评估模型提供高质量的输入。

完成各功能相关的参数分析后，得到“飞机—功能—参数”的军机健康评估对象，如图 3所示。

3.2 基于高斯混合模型的功能评估

功能的相关参数为多维特征，具有复杂的统计分布，很难用单一统计分布实现有效拟合，而高斯混合模型(Gauss Mixture Model，GMM)是多个高斯分布函数的线性组合，可以实现任意类型分布的有效拟合，通常用于解决同一集合下的数据包含多个不同分布的情况，近年来，在相关领域得到了广泛应用，龙铭等^[19]提出了一种基于AR-GMM的滚动轴承故障程度评估方法，利用自回归(AR)模型提取无故障轴承早期振动信号特征，并建立无故障轴承高斯混合模型作为故障程度评估基准；李巍华等^[20]提出采用小波包熵(Wavelet Packet Entropy, WPE)与高斯混合模型对轴承性能退化状态进行评估，结果表明与基于逻辑回归的设备性能退化方法相比，该方法无需设备历史数据，不需要定义退化先验概率，能够较准确地评估轴承在全寿命周期中性能退化的过程。

若一个高维空间内的点x_i(i=1, 2, …, n)分布近似为椭球体，则可用单一高斯密度函数N(x; μ, Σ)来描述这些数据的概率密度函数^[21]：

$ N(x;\mu , \mathit{\boldsymbol{ \boldsymbol{\varSigma} }}) = \frac{1}{{{{(2\pi )}^{n/2}}|\mathit{\boldsymbol{ \boldsymbol{\varSigma} }}{|^{1/2}}}}{{\rm{e}}^{ - \frac{1}{2}{{(x - \mu )}^{\rm{T}}}{\mathit{\boldsymbol{ \boldsymbol{\varSigma} }}^{ - 1}}(x - \mu )}} $	（1）

式中：μ为均值，密度函数的中心点；Σ为密度函数的协方差矩阵。如果这些点的分布不是椭球状，则不适合采用单一高斯概率密度函数来描述这些点分布的概率密度函数。此时，可以采用若干个单一高斯概率密度函数的加权平均来表示其概率密度函数，即高斯混合模型，其定义为

$ p(x) = \sum\limits_{i = 1}^m {{q_i}} {p_i}(x) = \sum\limits_{i = 1}^m {{q_i}} N(x;{\mu _i}, {\mathit{\boldsymbol{ \boldsymbol{\varSigma} }}_i}) $	（2）

式中：m为模型的混合数；q_i为混合模型的权重系数，且$ \sum{{{q}_{i}}}=1 $；N(x; μ_i, Σ_i)为第i个单一高斯概率密度函数。

对于待评估对象的正常状态参数和当前状态参数，分别建立GMM模型，通过计算2个GMM模型的重叠度(overlap)，可计算出当前的健康度^[22]。2个GMM之间的重叠度可以通过以下重叠度公式计算得到，来表征2个GMM之间的“接近程度”：

$ {\rm{overloap}} = \frac{{\int {{g_1}} (x){g_2}(x){\rm{d}}x}}{{\sqrt {\int {({g_1}(} x){)^2}{\rm{d}}x} \sqrt {\int {({g_2}(} x){)^2}{\rm{d}}x} }} $	（3）

式中：g₁(x)和g₂(x)分别代表 2个GMM的密度分布函数。

假设选取了2个状态下的参数，监测状态l是在正常状态下采集的参数，它的特征分布空间基本和正常运行状态重合，计算所得的健康度值接近于1；监测状态2是在重度退化状态下采集的参数，它的特征分布空间基本和正常运行状态相比，有显著的“偏移”，计算所得健康度值接近于0。

混合高斯分布中的未知参数通常可以通过期望最大化(Expectation Maximization, EM)算法来评估，主要步骤分为E和M2个阶段^[23]。

E 阶段  根据贝叶斯理论，给定训练数据D中的数据样本x_n，当前混合高斯模型中第i个高斯函数的参数$ \hat{\theta } $_i，以及混合数目M，计算出模型c_i后验概率$ \hat{p} $(c_m|x_i, θ)为

$ \hat p({c_i}|{x_n}, \hat \theta ) = \frac{{\hat p({c_i})p({x_n}|{{\hat \theta }_i})}}{{\sum\limits_{m = 1}^M {\hat p} ({c_m})p({x_n}|{{\hat \theta }_m})}} $	（4）

M 阶段  利用最大概率似然法(Maximum Likelihood)来重新估计模型参数。

$ \hat p({c_i}) = \frac{1}{N}\sum\limits_{n = 1}^N {\hat p} ({c_i}|{x_n}, \hat \theta ) $	（5）

$ {\hat \mu _i} = \frac{{\sum\limits_{n = 1}^N {\hat p} ({c_i}|{x_n}, \hat \theta ){x_n}}}{{\sum\limits_{n = 1}^N {\hat p} ({c_i}|{x_n}, \hat \theta )}} $	（6）

$ {\hat \varSigma _i} = \frac{{\sum\limits_{n = 1}^N {\hat p} ({c_i}|{x_n}, \hat \theta )({x_n} - {{\hat \mu }_i}){{({x_n} - {{\hat \mu }_i})}^\prime }}}{{\sum\limits_{n = 1}^N {\hat p} ({c_i}|{x_n}, \hat \theta )}} $	（7）

反复交替重复E阶段与M阶段，直至计算近似为稳定解，代表了问题的最大概率似然解，即可以得到估计出的平均值、协相关矩阵以及先验向量。

获取处理之后的参数之后，将每一时刻的参数组成的参数向量作为特征，使用算法原理中介绍的EM算法对GMM模型中的参数进行估计，将估计得到的模型参数组成的参数空间作为该功能健康状态下的高维空间。

待评估数据为实测飞行参数数据。按照数据获取方式得到实际飞行参数数据之后，使用相同的方法进行数据处理，再以每一时刻的参数组成的特征向量作为输入，估计高斯混合模型的参数，将其作为待评估数据状态所处的高维空间。

计算该功能健康状态下的高斯混合模型参数与待评估状态下模型参数的重叠度。得到重叠度计算结果之后，距离度量结果数值相对大小能反映功能的健康状态，然而其绝对量值并不能表征其健康程度。因此，需要使用归一化方法，将重叠度映射至0~1区间，转化为CV值来对部件健康度进行量化表征。采用反正切函数归一化公式如下，对重叠度进行归一化，得到CV值。CV取值范围为0~1，越趋近于“0”，表示状态非常不健康，趋近于“1”，则表示非常健康。

$ {\rm{C}}{{\rm{V}}_j} = 1 - \frac{{{\rm{arctan}}({\rm{ overloap}}{{\rm{ }}_j} + a) - {\rm{arctan}}(a)}}{{\pi /2 - {\rm{arctan}}(a)}} $	（8）

式中:a为结果调整参数。

4 评估结果与决策应用 4.1 飞机健康评估

区间层次分析法在层次分析法的基础上进行了改进，充分考虑主观因素的不确定性，并加以修正。首先应用层次分析法得到一个权重取值区间，权重区间传递给决策者部分权重信息量，依据极大熵准则，在已知各指标部分权重信息的情况下，满足约束条件的所有指标的权重熵值总和达到最大时，权重值的可能性最大，此时指标权重的配置最为合理^[24]，计算公式为

$ \left\{ {\begin{array}{*{20}{l}} {{\rm{max}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\rm{CV}} = - \sum\limits_{j = 1}^k {{w_j}} {\rm{ln}}{w_j}}\\ {{\rm{s}}{\rm{.t}}{\rm{.}}\sum\limits_{j = 1}^k {{w_j}} = 1}\\ {{w_j}{\kern 1pt} {\kern 1pt} {\kern 1pt} \in {\kern 1pt} {\kern 1pt} {\kern 1pt} [{{}_j}, {{\bar w}_j}], j = 1, 2, \cdots , k} \end{array}} \right. $	（9）

式中：w_j为第j个功能的组合权重；[$ \underset{\raise0.3em\hbox{$\smash{\scriptscriptstyle-}$}}{w} $, $ \bar{w} $_j]为区间层次分析法计算得到的第j个功能的权重区间；k为飞机功能的个数。

用H表示飞机整机的健康评估结果，其计算公式为^[25]

$ \left\{ {\begin{array}{*{20}{l}} {H = \sum\limits_{j = 1}^k {{w_j}} {\rm{C}}{{\rm{V}}_j}}\\ {\sum\limits_{j = 1}^k {{w_j}} = 1} \end{array}\quad j = 1, 2, \cdots , k} \right. $	（10）

式中：CV_j为第j个功能的健康评估结果；H∈[0, 1)，H=0表示飞机失效，H越趋近于1，表明飞机健康状态越好。

4.2 决策应用

传统的健康状态评价中，采用“是非”制，即将健康状态简单地划分为健康和不健康，目前多数研究将健康状态划分为多个等级，但是对于等级划分目前没有形成统一，健康状态分级从2到5级不等。

本文从飞机实际应用需求出发，将健康状态分为3级：健康，降级和失效。

获得某型飞机失效状态、降级状态和健康状态下的历史样本数据，采用本文方法式(10)得到飞机健康评估结果H，对H及飞机实际健康等级进行统计归纳，同时参考其他健康评估方法的等级划分标准，本文采用如表 2所示的飞机健康状态等级划分结果。

需要指出的是，在实际应用中，应随着使用数据的积累，对表 2中的等级划分进行更新和优化，不同对象的健康等级划分也可以进行调整。此外，本文方法得到的飞机健康等级，表明飞机处于这一等级的概率较大，而并非确定无误的结果，尤其临近区间分界点附近的健康评估结果，有可能出现误判，本文飞机健康评估结果可以作为地勤人员对飞机整体健康状态判断的依据，但非充分条件，还需要结合飞行参数数据分析、故障诊断隔离等方法进行确认。

基于健康评估的决策分析流程如图 4所示。

本文方法的实施步骤:

步骤 1  获取飞机上次飞行的参数数据，作为飞机健康评估的输入。

步骤 2  依据飞机将要执行的任务，得到飞机的任务功能，由改进FTA方法得到该任务功能对应的相关参数；对于每次飞行，除任务功能及其相关参数外，其他基本功能及相关参数不变。

步骤 3  由式(8)高斯混合模型对各功能进行评估。

步骤 4  由式(9)区间层次分析法得到各功能的权重。

步骤 5  由式(10)得到飞机健康状态。

步骤 6  对应表 2及图 4，按照流程执行飞机任务及维修相关操作和决策。

5 飞机健康评估技术应用 5.1 数据获取与数据分析

某型飞机再次出动准备时，需获取其上一个起落的飞行参数数据，对其进行健康评估。

首先，获得飞机功能清单，包括提供推力、供油功能、供电功能、供压功能等，如表 3所示。本文以“人员防护功能”为例进行改进FTA分析，限于篇幅，其他功能的分析过程不进行详述。

“人员防护功能”主要包括提供座舱压力、座舱温度和供氧功能。座舱内适宜的温度和压力是保证飞行员进行舒适操作的重要条件，压力的偏差可能会导致飞行员的不适，严重时可能导致飞行员失去对飞机的控制，温度控制失效，也可能导致飞行员身体不适，甚至导致严重的事故；同样的，高空缺氧环境下，供氧功能对于保障生命安全必不可少。“人员防护功能故障”为顶事件，由顶事件出发，关联系统主要包括环境控制系统、座舱盖系统及供氧系统。环境控制系统方面，主要包括气冷系统故障、座舱调压和座舱调温故障3类，其中气冷系统故障主要包括：气动反压调节器故障、引射控制活门故障、旁通调节活门故障和气冷管路漏气4类故障模式；座舱调压故障主要包括：座舱压力传感器故障、座舱排气活门故障和座舱流量调节活门故障3类故障模式；座舱调温功能包括：座舱温度传感器故障、涡轮冷却器故障、座舱供气温度异常3类故障模式。座舱盖系统故障方面，主要包括座舱结构破裂和气密带未充气等2类故障模式。供氧系统方面，主要包括氧气浓度异常、氧气压力异常2类故障模式。分析结果如图 5所示。

对其他飞机级功能故障进行同样的分析过程后，得到表 3所示的军机健康评估对象。

数据质量分析:获得飞参数据和参数列表后，对图 5中待分析的参数，进行缺失值分析和异常值分析，对不同的参数依照其对应周期，按帧进行分析，结果发现在飞机上电前后存在部分数据缺失，以及部分数据初始化时存在异常(严重偏离正常范围)。

数据特征分析：对相关参数进行基本的统计量分析(最大、最小值、均值、方差、中位数、变异系数等)，结果发现部分座舱压力参数数据的最大最小值、方差等统计量偏离正常范围，其他参数则在正常范围内，说明该参数可能存在异常。

数据处理：对数据质量分析中发现的问题进行处理，其中，对上电后前5秒内的数据进行了截取、删除，对其他缺失值、异常值进行平滑处理，将经过以上处理后的参数数据进行解析，部分参数经过变换为真值，其中，活门位置类参数变换为“0~1”范围，其中“0”表示全关，“1”表示全开。

5.2 健康评估挖掘建模

由于飞机系统工作状态(工况)复杂，包括地面、开车、滑行、起飞、巡航和降落等不同状态，对每一个状态都进行研究的工作量较大，因此，本文从实际需求出发，选择了严酷度最高、最具有代表性的高空飞行工况进行研究。高空飞行时(高度大于7 km)，此时外界大气气压很低，远低于海平面气压，大气温度也较低，此外，高空飞行时须进行供氧，因为压力、温度及供氧功能异常均可能对飞行员造成损害，相比于低空飞行或地面阶段，高空飞行时的人机防护功能更为重要。

经过数据分析后，将本次起落中在高空飞行工况的飞行参数数据转换为待评估数据，如表 4所示；同样地，对之前10个起落中健康状态下的高空飞行工况下的飞行参数进行数据分析，得到其训练数据。

当获取训练数据处理之后的关联参数数据后，将每一时刻的参数组成的参数向量作为特征，使用4.2节中的EM算法对GMM模型中的参数进行估计，将估计得到的模型参数组成的参数空间作为功能在健康状态下的高维空间。

得到待评估数据并进行数据分析及数据处理后，再以每一时刻的参数组成的特征向量作为输入，估计高斯混合模型的参数，将其作为待评估数据状态所处的高维空间。

用式(3)计算人机防护功能在健康状态下的高斯混合模型参数与待评估状态下模型参数的重叠度。得到重叠度计算结果之后，使用式(8)进行归一化处理，得到当前状态下”人员防护功能”的CV值为0.61。同样地，得到表 3中其他功能的评估结果，如表 5所示。

5.3 得到评估结果，进行决策分析

进一步，利用区间层次分析法计算得到各指标的权重区间，并采用式(9)得到极大熵改进优化的权重取值，限于篇幅，此处省略计算过程，得到结果如表 6所示。

将表 5和表 6中数据代入式(10)，进行飞机健康评估，得到H=0.77，飞机健康评估结果为“降级”的概率较大。表明飞机很可能出现了性能衰退，部分任务无法完成，但仍具备安全飞行能力。

按照功能评估结果，人员防护功能和作战任务功能的健康评估分值较低，对其相关参数进行数据回放以及故障诊断，发现座舱压力数值出现偏差，同时气动反压调节器位置参数与座舱供气流量值参数的一致性出现差异，调节器可能出现卡滞，该设备的异常，同样影响航电任务设备的气冷功能，导致任务作战功能受到影响。对该LRU进行更换后，飞机达到健康状态。

6 结论

1) 提出了军机基于飞行参数数据挖掘的健康评估架构、方法及流程，能够进行军机健康状态评估，实时掌握飞机健康状态。

2) 能够有效用于军机的健康评估，也能够在所提出的体系下，对新技术、新方法进行引入吸收，支持健康评估技术体系的不断升级。