1.前言

航空维修管理是航空维修的重要组成部分，对航空维修起着举足轻重的作用。航空维修过程中会产生大量的数据；对于数据如何被充分利用，更好的为维修管理提供数据支撑，目前还缺少相应的针对性数据分析方法。本文采用主成分分析方法，探索利用维修管理数据建立模型，分析维修管理各要素间的相互影响和内在联系，为维修管理提供数据理论基础。

2.维修管理数据分析方法

航空维修过程中会积累大量的数据，每一项数据和指标如同多个变量，建立维修管理模型就是对这些维修数据、指标变量进行分析寻找内在规律。在数据分析方法中，当存在较多变量，并且变量存在相关性（不是相互独立），主要依靠降维算法进行数据分析。将高维度、复杂的数据保留下最重要的一些特征，去除噪声和不重要的特征，从而实现寻找变量主要影响因素的目的。^【1】航空维修数据分析过程也同样适用于降维算法。

主成分分析法PCA(Principal Component Analysis)，就是一种降维算法，通过该方法可以将彼此相关的一组航空维修数据和指标转化为彼此独立的一组新的数据和指标变量，并用其中较少的几个新指标变量就能综合反应原多个指标变量中所包含的主要信息^【2】。

主成分分析法如下^【3】：

假设有n个随机向量

1.计算协方差矩阵

2.计算协方差矩阵的特征值、特征向量

3.对特征值从大到小排序

4.保留最大的若干特征向量

5.将数据转换到个特征向量构建的新空间中

主成分分析法目前可以使用SPSS等数据软件实现计算。

3.维修管理数据模型的建立

维修数据模型，即是通过主成分分析法计算出航空维修数据间的特征值和特征向量，确定哪些维修数据间关联程度较高，找到维修数据间的内在关系。

3.1维修管理数据变量

维修管理数据变量如图1所示；应当覆盖航空维修管理的各要素数据和管理指标。全面充分的维修数据是维修管理模型建立的前提，数据越全面，维修管理模型的可信度就越高。而且数据集应当有一定的量，应当超过数据变量总数的3倍。

图1  维修数据变量示意图

3.2数据变量分析模型

输入某段时间维修管理数据，使用SPSS软件利用主成分分析法，得出主成分的个数、成分矩阵；对各主成分的成分关联系数进行排序；系数值高的变量关联程度较高，表示这些变量存在密切的关系，根据具体系数评估航空维修管理情况，并提出对策建议。数据分析模型流程如图2所示。

图2  数据分析流程示意图

4.数据模型应用

例如：某民航航空维修单位在一段时间内维修数据如图3所示。

图3  SPSS软件航空维修管理数据例图

通过SPSS软件主成分分析功能得出3个主成分，成分关联系数矩阵如图4所示；

图4  SPSS软件计算的主成分中各成分关联系数图

依据成分系数排序，主成分1当中，定检停场架日（0.998）、机队飞行小时（0.979）、服务通告数（0.934）、获得资质维修人员数（0.924）、旅客运输量（0.908）、使用困难报告数（0.785）、业务培训时间（0.745）具有较高的关联程度，说明该单位的以上数据和指标内在关联很密切，如果对未来一段时间预测飞行小时持续增长的情况下，那么该单位的定检停场架日、服务通告数、获得资质维修人员数、旅客运输量、使用困难报告数、业务培训时间等指标也会有正向的增加，维修管理工作就可以在相关的要素进行重点关注，并制定管理对策。

主成分2当中，无资源部件数（-0.836）、部件周转量（0.810）、非计划拆卸数（0.700）、业务培训时间（0.646）具有较高的关联程度，并且无资源部件数与其他要素成负相关；那么可以预测该单位在部件周转量增加时，非计划拆卸数、业务培训时间增加，而无资源部件数会降低。可以提前做好应对措施。

主成分3当中，主要就是延误取消架次（0.988）数据，其他数据相关系数都较低，说明该数据比较独立，仅与部件周转量（-0.521）存在不明显的负相关。可以进一步单独研究分析具体数据。

5.结论与展望

通过基于主成分分析方法的维修管理数据模型是依据具体航空维修单位的历史数据经过主成分分析得到维修管理数据间的关联系数关系，分析结果体现的是数据积累单位的具体特征和各要素间的关联状况，具有特殊性；通过实际应用该方法能够比较科学的体现具体航空维修单位的维修管理状况。为维修管理工作提供数据支持，为预想预测工作提供数据依据。

当然本模型也具有一定的局限性，需要不断完善改进，进一步增加维修管理数据覆盖范围，继续借鉴新的数据分析方法，不断提高数据分析的准确性和科学性。

参考文献

[1] [美]爱德华.L.罗宾逊  数据分析[M]  机械工业出版社 2018

[2][3] 何晓群 多元统计分析（第五版）[M]  中国人民大学出版社 2019