时宏智：致力于重构民航导航设备智能运维新范式

在民航安全运行体系中，地面导航设备尤为重要，然而，随着设备数量激增、运行环境复杂化，传统“定时维护、人工巡检”的模式正面临前所未有的挑战。过度维修与维修不足并存、故障发现滞后、跨台站协同困难……民航导航领域资深专家时宏智正运用一项融合数字孪生与边缘智能的全新运维体系致力于破解这些痛点。

从“被动响应”到“主动预测”：一场运维理念的深刻变革

时宏智的职业生涯始于大连机场，从一线技术员到导航分部经理，二十余年来，他亲历了民航导航设备从单一到多元、从分散到集中的演进历程。正是在这一过程中，他敏锐地意识到，传统以“平均故障间隔时间”为依据的定时维护策略，已难以适应高密度运行下的安全保障需求。

时宏智表示，沿海盐雾环境与内陆干燥环境下，同一型号设备的腐蚀速率相差2～3倍，使用统一的例行维护周期，既浪费资源，又无法及时发现早期劣化。这一问题，正是他推动智能运维体系变革的起点。

四层架构：数字孪生与边缘智能的深度融合

针对上述难题，时宏智提出并构建了“物联网感知层—边缘计算层—云端智能层—数字孪生层”的四层智能运维架构。该架构不仅实现了设备状态的实时感知，更在边缘侧完成了异常检测与数据压缩，在云端实现了故障模式识别与剩余寿命预测。

在物联网感知层，ILS天线分配单元、VOR功率放大器等关键部位部署了振动、频谱、环境等多类传感器，采集频率可达毫秒级。边缘计算层则在台站现场完成数据特征提取与初步判断，大幅减轻网络与云端压力。云端智能层利用LSTM、GAN等深度学习模型，对设备退化趋势进行精准预测。而数字孪生层，则通过多物理场仿真，构建设备的“虚拟双胞胎”，实现对真实运行状态的同步映射与态势预判，这不仅是技术的堆叠，更是一套完整的运维决策闭环。

混合驱动模型：让预测更准、更可解释

在健康评估方法上，时宏智团队采用了“物理模型+数据驱动”的混合策略。首先，基于电磁场分析、电路原理建立设备的物理模型，计算理论辐射场型、调制特性等基准参数；然后，将实际监测数据与模型输出进行比较，得到偏差序列作为劣化指标。最后，通过LSTM-Autoencoder网络学习偏差序列的时序特征，实现异常识别与故障分类。这一方法有效解决了故障样本稀少、模型泛化能力差等行业难题，相关测试结果表明，该系统可在航向信号调制度降至临界值前提前发出预警，相较于传统定期检修模式，故障排查效率显著提升。

区域协同：从单点智能到网络优化

更具前瞻性的是，时宏智倡导将智能运维从单设备、单台站拓展至区域导航网络层面。他参与研究并推动的区域级数字孪生平台方案，可集成多个台站的设备状态、备件库存、维护人力等全维度信息，并采用整数规划模型，实现维护任务的全局调度与资源优化配置。当台站设备需要维护时，平台会评估其对导航覆盖的影响，若影响较大，则协调邻近台站启用冗余覆盖或备用导航方式，时宏智解释道，这大大减少了因维护导致的航班延误。

时宏智的系列创新成果，已发表于《信息技术时代》《中国安防》等权威期刊。他本人也被学术研究与交流协会（AARE）吸纳为高级会员，持续参与国际学术交流与课题研究。

展望未来，时宏智表示，将聚焦机器学习等前沿方向，进一步助力民航导航运维向更智能、更协同、更安全的方向发展。智慧民航不只是设备的升级，更是运维理念与体系的重构，在这场由“被动响应”迈向“主动预测”的变革中，时宏智正以数字孪生与边缘智能为双翼，为民航导航设备运维的发展贡献自己的力量。（张良）