CN105894097A - 航空发动机在修理厂维修时间的预测方法 - Google Patents

Abstract

本发明提供一种航空发动机在修理厂维修时间的预测方法，所述航空发动机包括多个部件，包括以下步骤：基于航空发动机的工作范围对航空发动机的修理级别进行分类；将航空发动机在修理厂的维修流程分为三个阶段：第一阶段：航空发动机进入修理厂维修站位和主检，第二阶段：航空发动机的部件修理和集件，第三阶段：航空发动机的组装和试车；分别得到第一至第三阶段的所需时间，将第一至第三阶段的所需时间进行加和并考虑节假日信息，最后获得航空发动机在修理厂维修时间的预测。

Description

航空发动机在修理厂维修时间的预测方法

技术领域

本发明涉及航空发动机修理流程控制及周期预测领域，特别涉及一种航空发动机在修理厂维修时间的预测方法。

背景技术

由于航空发动机原厂的技术限制，修理厂对航空发动机的部分核心部件没有维修能力，需要将其送往原厂指定的具有维修资质的厂商修理，导致修理厂难以有效控制外送部件的修理周期。此外，由于航空发动机的部件制造工艺要求高，全球范围内可供应新件的厂商少，修理厂在订购新件时经常会遇到发货周期过长或缺货的状况。无法准确预估外送修理部件和新件周期导致修理厂无法有效控制和预测航空发动机的在厂时间。

航空发动机价值昂贵，航空运营人一般会采用少量自有备发或租发的形式来保障机队运营。由于无法精确预测航空发动机的修理周期，对备发和下发计划造成很大挑战，航空运营人往往被迫采用临时租发以支撑机队运行，但临时租发产生的高额费用会对航空运营人的资金链造成一定压力。

航空发动机特别是民用航空发动机的修理周期对发动机修理厂和航空营运人影响密切。提前准确预估航空发动机的修理周期，对修理厂和航空运营人都是极为有益的。因此，现在所需要的就是，在航空发动机进修理厂维修之前准确预估修理时间；并随着实际维修状况的推进，动态调整预估周期的方法。

发明内容

本发明的目的在于提供一种航空发动机在修理厂维修时间的预测方法，能够实现对航空发动机在修理厂维修时间的精准预测。

为了实现上述目的，本发明提供如下技术方案：

一种航空发动机在修理厂维修时间的预测方法，所述航空发动机包括多个部件，包括以下步骤：

步骤1：基于航空发动机的工作范围对航空发动机的修理级别进行分类；

步骤2：将航空发动机在修理厂的维修流程分为三个阶段：

第一阶段：航空发动机进入修理厂维修站位和主检，

第二阶段：航空发动机的部件修理和集件，

第三阶段：航空发动机的组装和试车；

步骤3：利用贝叶斯方法和马尔可夫状态转移矩阵预测航空发动机在第一阶段的所需时间；

步骤4：利用隐马尔可夫模型预测航空发动机在第二阶段所需的时间；

步骤5：根据第二阶段尚未修理完成的部件对第三阶段的影响及组装和试车过程出现的新问题预测航空发动机在第三阶段所需时间；

步骤6：通过步骤3至5，分别得到第一至第三阶段的所需时间，将第一至第三阶段的所需时间进行加和并考虑节假日信息，最后获得航空发动机在修理厂维修时间的预测。

优选地，在上述的预测方法中，所述步骤1包括如下子步骤：

步骤1.1：收集航空发动机的工作范围，根据工作范围对航空发动机各部件的修理级别进行定义，构建航空发动机工作范围的原始特征矩阵OWSL：

其中：M_i,j是第i台航空发动机第j个部件的修理级别；

步骤1.2：对所述原始特征矩阵OWSL进行数值化处理，获得新的原始特征矩阵WSL：

其中：N_i,j表示经过数值化处理后的第i台航空发动机第j个部件的修理级别；

步骤1.3：在系统聚类法框架下，采用WARD离差平方和法以欧式距离为度量标准，获取当前航空发动机的修理级别；

优选地，所述步骤1.3包括如下子步骤：

步骤1.3.1：将当前航空发动机的工作范围带入WSL；

步骤1.3.2：将n+1台航空发动机分成k类G₁，G₂，…，G_k，G_t表示的是G₁，G₂，…，G_k中的某一组，0≤t≤k，则G_t的离差平方和S_t为：

$S_t=\underset{i=1}{\overset{n_t}{\Σ}}{(X_{it}-\stackrel{\‾}{X_t})}^{\′}(X_{it}-\stackrel{\‾}{X_t})$

其中：X_it表示G_t中的第i台航空发动机的工作范围，表示G_t的重心；

G_p和G_q表示的是G₁，G₂，…，G_k中的某一组，0≤t≤k，将G_p和G_q合并为新类G_r即G_r＝G_p∪G_q，类内离差平方和分别为：

$S_p=\underset{i=1}{\overset{n_p}{\Σ}}{(X_{ip}-\stackrel{\‾}{X_p})}^{\′}(X_{ip}-\stackrel{\‾}{X_p})$

$S_q=\underset{i=1}{\overset{n_q}{\Σ}}{(X_{iq}-\stackrel{\‾}{X_q})}^{\′}(X_{iq}-\stackrel{\‾}{X_q})$

$S_r=\underset{i=1}{\overset{n_r}{\Σ}}{(X_{ir}-\stackrel{\‾}{X_r})}^{\′}(X_{ir}-\stackrel{\‾}{X_r})$

定义欧式距离G_p和G_q越类似，则越小，反之越大；

步骤1.3.3：将n+1台航空发动机各自组成一类，然后缩小一类，每缩小一类会导致S_t增大，选择使S_t增加最小的两类合并，直到所有航空发动机都归为一类为止；

步骤1.3.4：基于步骤1.3.3的聚类结果，将其分为k类，获取当前航空发动机的工作范围所在类。

优选地，在上述的预测方法中，所述步骤3包括如下子步骤：

步骤3.1：根据步骤1获取的当前航空发动机的修理级别，统计航空发动机在该修理级别时第一阶段的所需时间，第一阶段的所需时间除去节假日和航空发动机的工作范围升级延误时间，获得第一阶段的先验分布P_cycle1-prior和第一阶段的区间D1＝{d₁，…，d_m}；

步骤3.2：获取最近三次航空发动机在第一阶段的所需时间集ds＝{ds₁，ds₂，ds₃}；

步骤3.3：明确第三阶段对第一阶段的影响；

步骤3.4：构建“Head to Head”贝叶斯网络预测第二阶段的所需时间；贝叶斯方法的基本表达式为：

$P\left(H\right|D)=\frac{P\left(H\right)P\left(D\right|H)}{P\left(D\right)}$

其中：P(H)称为先验概率，即在得到新样本前某一假设的概率；

P(H|D)称为后验概率，即在获得新样本数据后，需要计算的概率；

P(D|H)是在该假设下得到这一数据的概率，称为似然度；

P(D)是在任何假设下得到这一数据的概率，称为标准化常量；

步骤3.5：通过步骤3.1到3.4，可在航空发动机进修理厂维修之前获得航空发动机第一阶段的所需时间的后验概率及最大后验估计；

优选地，步骤3.3包括如下子步骤：

步骤3.3.1：选取修理厂最近三年的维修记录，统计获得航空发动机第一阶段时处于第三阶段的同类型其它航空发动机的数量，形成数量区间N＝{n₁，…，n_n}，并构成原始资料矩阵OC1：

其中：c_i,j表示当处于第三阶段的同类型其它航空发动机的台数为N(i)时，第一阶段天数为D1(j)的航空发动机台次；

步骤3.3.2：受训练样本数据量限制，矩阵OC1可能会有0事件出现，即：c_i，j＝0 1＜i＜n且1＜j＜n，需要对OC1进行拉普拉斯平滑，获得修正后的原始资料矩阵OC1^m：

步骤3.3.3：对修正后原始资料矩阵OC1^m进行概率归一化处理得到概率矩阵C1:

其中：p_i,j表示当处于第三阶段的同类型其它航空发动机台数为N(i)时，第一阶段天数为D(j)所出现的概率；且

优选地，步骤3.3.2包括如下子步骤：

步骤3.3.2.1：若矩阵OC1第i行含有0事件，则将其提取出来C(i)＝{c_i，1，...c_i，n}；

步骤3.3.2.2：对C(i)进行拉普拉斯平滑获得C^m(i)：

C^m(i)＝{c_i，1+λ，c_i，2+λ，...c_i，n+λ}，0＜λ≤1步骤；

优选地，步骤3.4包括如下子步骤：

步骤3.4.1：根据步骤3.1获得航空发动机第一阶段的所需时间的先验分布P_cycle1-prior；

步骤3.4.2：研究发现航空发动机第一阶段过程服从期望为λ的广义泊松分布，将其作为似然函数，即：

其中：λ＝∑_daysdays×p_i days∈D1，p_i∈P_cycle1-prior；

步骤3.4.3：以ds作为最新的样本信息，利用贝叶斯公式，求得该情况下的后验概率P_cycle1-ds及最大后验估计MLE_ds；即在已知修理厂第一阶段的所需时间总体分布的前提下，利用最新的航空发动机第一阶段的所需时间对下一次航空发动机第一阶段的所需时间进行估计；

步骤3.4.4：利用马尔可夫状态转移矩阵获得从概率矩阵C1获取当组装航空发动机台数为eng时的概率分布P_cycle1-eng及最大估计MLE_eng；

步骤3.4.5：利用修理厂第一阶段的所需时间的历史数据对贝叶斯网络进行训练，即训练x取值，使预测值与实际值之间的误差Err最小；

$Err=\frac{{\Σ}_{i=1}^n|d_{i,real}-\[{\mathrm{xMLE}}_{ds}+(1-x){\mathrm{MLE}}_{eng}\]|}{n},0\≤x\≤1$

其中：d_i,real指的是第i台发动机第一阶段的真实天数。

优选地，在上述的预测方法中，所述步骤4包括以下子步骤：

步骤4.1：采用标准化方法记录部件的维修数据；

步骤4.2：构建标签为“机队影响”的航空发动机特征部件资料库，即对每一台航空发动机记录特征部件；

步骤4.3：根据特征部件资料库，统计出对每台航空发动机第二阶段持续时间最长的部件得到其概率分布P_fleet-prior；

其中P_fleet-prior按照概率值由大到小对部件进行排序，得到部件序列X_fleet

步骤4.4：从特征部件库中提取最近一段时间的航空发动机数据，统计序列X_fleet中部件出现的次数，得到序列N_X；

步骤4.5：N_X若有0元素出现，则对0元素进行古德图灵估计进行修正，消除0元素，然后对其进行归一化处理得到概率分布P_X；本步骤在于获取最近一段时间内标签为“机队影响”的航空发动机特征部件的变化趋势；

步骤4.6：获取标签为“机队影响”的航空发动机部件的后验概率P_fleet-post及最大后验估计X_fleet-post1和次最大后验概率X_fleet-post2；

其中：P_fleet-post为P_fleet-prior点乘P_X后的归一化数组；

步骤4.7：为及时体现“批次影响“对航空发动机在修理厂时间的影响，构建非齐次马尔可夫链，动态调整预测的延误部件，获得的状态转移概率矩阵∏；

步骤4.8：利用步骤4.7获得的状态转移概率矩阵∏确定延误时间最长的部件；

步骤4.9：通过对部件X_fleet-post1，X_fleet-post2和X_C的趋势分析，预测第二阶段所需时间。

优选地，在上述的预测方法中，所述步骤4.2中对每一台航空发动机按照如下方法记录特征部件：

步骤4.2.1：将标签为“机队影响”且满足如下三条条件之一的航空发动机部件放入特征部件资料库中：a)集件完成日期与部件结束日期之差小于第二阶段的1/3，b)部件结束日期大于集件完成日期，c)部件持续时间大于第二阶段总时间的2/3；

步骤4.2.2：资料库由两张数据表组成：第一张表记录航空发动机第二阶段的节点及统计信息，第二张表记录符合4.2.1条件的航空发动机部件信息；

优选地，所述步骤4.7包括如下子步骤：

步骤4.7.1：从原始数据中提取最近一段时间的航空发动机数据，统计每台航空发动机第二阶段持续时间最长的部件；

步骤4.7.2：根据步骤4.6获取的后验概率P_fleet-post，将后验概率最大的前几个部件划为集合T，将其它未出现的部件划分为集合C；

步骤4.7.3：增加状态变量E_k，用来表示部件是否属于集合T，E_k∈{0，1}，其中0和1分别表示部件不属于集合T和属于集合T的假设，其状态转移概率矩阵可以表示为：

$\Π=\left[\begin{array}{cc}1-P_b& P_b\\ P_d& 1-P_d\end{array}\right]$

其中：e_k表示事件E_k＝1，表示E_k＝0；∏为非齐次马尔可夫状态转移矩阵，所述非齐次是指P_b，P_d的值是非固定的，其值由步骤4.7.1决定；

优选地，所述步骤4.8包括如下子步骤：

步骤4.8.1：若预测部件属于集合T，将X_fleet-post和分别作为第二阶段延误时间最长部件和第二阶段所需时间；

步骤4.8.2：若预测部件属于集合C，则需采取如下步骤：

步骤4.8.2.1：获取步骤4.7.1中的影响标签，筛选出标签为“机队影响”和“批次影响”的部件，统计各部件出现的频数并进行排序，对于已经结束的带有“批次影响”标签的部件不进行统计；

步骤4.8.2.2：筛选出频数最大且大于等于2的部件X_C，作为潜在影响下一台航空发动机第二阶段时间的延误部件。

优选地，在上述的预测方法中，所述步骤4.9包括如下子步骤：

步骤4.9.1：采用如下方法对部件X_fleet-post1和X_fleet-post2进行趋势分析：

步骤4.9.1.1：建立如下2个指标对部件X_fleet-post1和X_fleet-post2进行统计：

f_s＝T_start-T_{main insp}

f_d＝T_closed-T_start

步骤4.9.1.2：将X_fleet-post1和X_fleet-post2放在同一坐标系下分别对f_s和f_d进行最小二乘法线性拟合，预测两个部件的f_s和f_d，将结束时间最晚的部件记为X_fleet-post；

步骤4.9.1.3：基于最小二乘法线性拟合利用公式

$T_{X_{fleet-post}}=T_{closed}-T_{maininsp}$

对部件X_fleet-post所需时间进行趋势分析，确定

步骤4.9.2：以步骤4.7.1获取的数据作为数据源，f_s和f_d作为指标利用最小二乘法线性拟合获取部件X_C的开始时间持续时间

步骤4.9.3：比较部件X_fleet-post和X_C的开始时间、持续时间，将结束时间最晚的部件作为第二阶段延误时间最长的部件X_cycle2，则第二阶段时间为

$T_{cycle2}=Max(T_{X_{fleet-post}},T_{X_C}).$

优选地，在上述的预测方法中，所述步骤5包括如下子步骤：

步骤5.1：航空发动机第三阶段服从期望为λ_cycle3的广义泊松分布；

步骤5.2：除去节假日因素，试车和组装出现的新问题对第三阶段的影响，统计发现λ_cycle3≈T_test-Max(T_critical，T_marshalling)；

其中：T_test是指航空发动机的试车日期，T_critical是指每台航空发动机最后结束的特征部件；

步骤5.3：以λ_cycle3作为第三阶段的时间。

优选地，在上述的预测方法中，所述步骤3的具体方法还包括：

航空发动机进入第一阶段，若有工作范围升级，则进行如下操作：

步骤a.1：获取工作范围升级的部件，最初修理级别和升级后建议修理级别；

步骤a.2：统计航空发动机所有人对该类升级的处理时间，采用趋势分析获取预估该类升级解决所需的时间，修正第一阶段的所需时间。

优选地，在上述的预测方法中，所述步骤4的具体方法还包括：

步骤b.1：航空发动机进入第二阶段，根据航空发动机实际修理进展发现：延误部件与进修理厂之前预计的特征件不同或预计结束时间与实际最晚的结束时间不同，则进行如下修正；

步骤b.2：统计该台航空发动机每个部件的结束时间，若最晚结束的部件与之前预测的特征件相同，在部件确定发货或部件实际结束日期之前以对第二阶段预计的时间为准，若已发货或结束时间已确定则以发货或结束时间作为第二阶段结束时间；

步骤b.3：若最晚结束部件与之前预测的特征部件不同，则以航空发动机实际的最晚结束部件为准，采用步骤4.9的方法，采用趋势分析预计第二阶段时间；若部件结束时间已确定，则以确定时间作为第二阶段结束时间；

步骤b.4：航空发动机进入第一或第二阶段，若预测的延误部件标签为“批次影响”，且该批次的问题部件已解决，则重复步骤b.1，b.2，b3，重新对部件进行预测。

优选地，在上述的预测方法中，所述步骤5的具体方法还包括：

步骤c：航空发动机进入第三阶段，若试车安排有调整或组装过程出现新问题，则进行如下修正：

步骤c.1：试车安排有冲突，以修理厂的实际试车安排为准，进行修正，航空发动机试车安排的影响天数为1到2天；

步骤c.2：组装过程出现新问题，该情况出现概率很小，以修理厂提出的建议调整天数为参考进行调整。

分析可知，本发明公开一种航空发动机在修理厂维修时间的预测方法，实现了对航空发动机在修理厂维修时间的精准预测，对修理厂和航空运营人都是极为有益的。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中：

图1是航空发动机修理的三个阶段示意图；

图2是本发明一实施例的流程示意图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

如图1至图2所示，根据本发明的实施例，提供了一种航空发动机在修理厂维修时间的预测方法，所述航空发动机包括多个部件，包括以下步骤：

步骤1：基于航空发动机的工作范围(工作范围是指规定发动机各部件的分解程度和修理深度的规范性文件)对航空发动机的修理级别进行分类，将所述修理级别分类为：部件深度大修、性能恢复修理和故障排除式修理；

步骤2：将航空发动机在修理厂的维修流程分为三个阶段：

第一阶段：航空发动机进入修理厂维修站位和主检，

第二阶段：航空发动机的部件修理和集件，

第三阶段：航空发动机的组装和试车；

步骤3：利用贝叶斯方法和马尔可夫状态转移矩阵预测航空发动机在第一阶段的所需时间，影响第一阶段所需时间的因素有：

航空发动机前几次维修在第一阶段的所需时间，

第一阶段开始时处于第三阶段的其它航空发动机的台数和工作范围的修订，航空发动机进入修理厂和主检过程中，根据部件的实际损伤情况，对原有工作范围的界定修理深度和分解程度的改变称为工作范围的修订；

步骤4：利用隐马尔可夫模型预测航空发动机在第二阶段所需的时间；

步骤5：预测航空发动机在第三阶段所需时间，影响第三阶段时间的因素有：

第二阶段尚未修理完成的部件对第三阶段的影响，

组装和试车过程出现的新问题；

步骤6：通过步骤3至5，分别得到第一至第三阶段的所需时间，将第一至第三阶段的所需时间进行加和并考虑节假日信息，最后获得航空发动机在修理厂维修时间的预测。

由于航空发动机特别是民用航空发动机的修理周期对发动机修理厂和航空营运人影响密切。本发明提供的方法能够获得航空发动机在修理厂维修时间的预测，对修理厂和航空运营人都是极为有益的。

进一步地，在上述预测方法中，步骤2的具体方法为：

步骤1.1：收集航空发动机的工作范围，根据工作范围对航空发动机各部件的修理级别进行定义，构建航空发动机工作范围的原始特征矩阵OWSL：

其中：M_i,j是第i台航空发动机第j个部件的修理级别；

步骤1.2：对所述原始特征矩阵OWSL进行数值化处理，获得新的原始特征矩阵WSL：

其中：N_i,j表示经过数值化处理后的第i台航空发动机第j个部件的修理级别；

步骤1.3：在系统聚类法框架下，采用WARD离差平方和法以欧式距离为度量标准，获取当前航空发动机的修理级别；

步骤1.3.1：将当前航空发动机的工作范围带入WSL；

步骤1.3.2：将n+1台航空发动机分成k类G₁，G₂，…，G_k，G_t表示的是G₁，G₂，…，G_k中的某一组，0≤t≤k，则G_t的离差平方和S_t为：

$S_t=\underset{i=1}{\overset{n_t}{\Σ}}{(X_{it}-\stackrel{\‾}{X_t})}^{\′}(X_{it}-\stackrel{\‾}{X_t})$

其中：X_it表示G_t中的第i台航空发动机的工作范围，表示G_t的重心；

G_p和G_q表示的是G₁，G₂，…，G_k中的某一组，0≤t≤k，将G_p和G_q合并为新类G_r即G_r＝G_p∪G_q，类内离差平方和分别为：

$S_p=\underset{i=1}{\overset{n_p}{\Σ}}{(X_{ip}-\stackrel{\‾}{X_p})}^{\′}(X_{ip}-\stackrel{\‾}{X_p})$

$S_q=\underset{i=1}{\overset{n_q}{\Σ}}{(X_{iq}-\stackrel{\‾}{X_q})}^{\′}(X_{iq}-\stackrel{\‾}{X_q})$

$S_r=\underset{i=1}{\overset{n_r}{\Σ}}{(X_{ir}-\stackrel{\‾}{X_r})}^{\′}(X_{ir}-\stackrel{\‾}{X_r})$

定义欧式距离G_p和G_q越类似，则越小，反之越大；

步骤1.3.3：将n+1台航空发动机各自组成一类，然后缩小一类，每缩小一类会导致S_t增大，选择使S_t增加最小的两类合并，直到所有航空发动机都归为一类为止；

步骤1.3.4：基于步骤1.3.3的聚类结果，将其分为k类，获取当前航空发动机的工作范围所在类。

优选地，步骤2还包括：

航空发动机进入第一阶段，若有工作范围升级，则进行如下操作：

步骤a.1：获取工作范围升级的部件，最初修理级别和升级后建议修理级别；

步骤a.2：统计航空发动机所有人对该类升级的处理时间，采用趋势分析获取预估该类升级解决所需的时间，修正第一阶段的所需时间。

进一步地，在上述预测方法中，步骤3的具体方法为：

步骤3.1：根据步骤1获取的当前航空发动机的修理级别，统计航空发动机在修理级别时第一阶段的所需时间，第一阶段的所需时间除去节假日和航空发动机的工作范围升级延误时间，获得第一阶段的先验分布P_cycle1-prior和第一阶段的区间D1＝{d₁，…，d_m}；

步骤3.2：获取最近三次航空发动机在第一阶段的所需时间集ds＝{ds₁，ds₂，ds₃}；

步骤3.3：下述步骤的目的在于明确第三阶段对第一阶段的影响：

步骤3.3.1：选取修理厂最近三年的维修记录，统计获得航空发动机第一阶段时处于第三阶段的同类型其它航空发动机的数量，形成数量区间N＝{n₁，…，n_n}，并构成原始资料矩阵OC1：

其中：c_i,j表示当处于第三阶段的同类型其它航空发动机的台数为N(i)时，第一阶段天数为D1(j)的航空发动机台次；

步骤3.3.2：受训练样本数据量限制，矩阵OC1可能会有0事件出现，即：c_i，j＝0 1＜i＜n且1＜j＜n，需要对OC1进行拉普拉斯平滑，获得修正后的原始资料矩阵OC1^m：

步骤3.3.2.1：若矩阵OC1第i行含有0事件，则将其提取出来C(i)＝{c_i，1，...c_i，n}

步骤3.3.2.2：对C(i)进行拉普拉斯平滑获得C^m(i)：

C^m(i)＝{c_i，1+λ，c_i，2+λ，...c_i，n+λ}，0＜λ≤1

步骤3.3.3：对修正后原始资料矩阵OC1^m进行概率归一化处理得到概率矩阵C1:

其中：p_i,j表示当处于第三阶段的同类型其它航空发动机台数为N(i)时，第一阶段天数为D(j)所出现的概率；且

步骤3.4：航空发动机的工作范围升级对第一阶段的影响已在步骤3.1中消除，影响第一阶段的所需时间的因素只剩下最近前几次航空发动机处于第一阶段的时间(以下用数据集ds表示)，第一阶段开始时处于第三阶段的同类型其它航空发动机台数(以下用eng表示)，ds与eng之间完全独立，构建“Head to Head”贝叶斯网络预测第二阶段的所需时间；贝叶斯方法的基本表达式为：

$P\left(H\right|D)=\frac{P\left(H\right)P\left(D\right|H)}{P\left(D\right)}$

其中：P(H)称为先验概率，即在得到新样本前某一假设的概率；

P(H|D)称为后验概率，即在获得新样本数据后，需要计算的概率；

P(D|H)是在该假设下得到这一数据的概率，称为似然度；

P(D)是在任何假设下得到这一数据的概率，称为标准化常量；

步骤3.4.1：根据步骤3.1获得航空发动机第一阶段的所需时间的先验分布P_cycle1-prior；

步骤3.4.2：研究发现航空发动机第一阶段过程服从期望为λ的广义泊松分布，将其作为似然函数，即：

其中：λ＝∑_daysdays×p_i days∈D1，p_i∈P_cycle1-prior

步骤3.4.3：以ds作为最新的样本信息，利用贝叶斯公式，求得该情况下的后验概率P_cycle1-ds及最大后验估计MLE_ds；即在已知修理厂第一阶段的所需时间总体分布的前提下，利用最新的航空发动机第一阶段的所需时间对下一次航空发动机第一阶段的所需时间进行估计；

步骤3.4.4：利用马尔可夫状态转移矩阵获得从概率矩阵C1获取当组装航空发动机台数为eng时的概率分布P_cycle1-eng及最大估计MLE_eng；

步骤3.4.5：利用修理厂第一阶段的所需时间的历史数据对贝叶斯网络进行训练，即训练x取值，使预测值与实际值之间的误差Err最小；

$Err=\frac{{\Σ}_{i=1}^n|d_{i,real}-\[{\mathrm{xMLE}}_{ds}+(1-x){\mathrm{MLE}}_{eng}\]|}{n},0\≤x\≤1$

其中：d_i,real指的是第i台发动机第一阶段的真实天数；

步骤3.5：通过步骤3.1到3.4，可在航空发动机进修理厂维修之前获得航空发动机第一阶段的所需时间的后验概率及最大后验估计。

进一步地，在上述预测方法中，步骤4的具体方法为：

步骤4.1：采用标准化方法记录部件的维修数据，所述部件的维修数据包括：

步骤4.1.1：记录修理厂内修理的部件的如下内容：部件名称，所属部件，开始时间，结束时间和相关描述；

步骤4.1.2：记录新订购的部件的如下内容：部件名称，所属部件，订货日期(即开始时间)，供应商发货日期，供应商所在城市，修理厂接收时间(即结束时间)及相关描述；

步骤4.1.3：记录外送修理的部件的如下内容：部件名称，所属部件，修理厂发货日期(即开始时间)，外送修理商接收日期，外送修理商发货日期，外送修理商所在城市，修理厂接收日期(即结束时间)及相关描述；

步骤4.1.4：对于其它类型的部件，比如申请“工程偏离许可”，则需要新建新类型“工程偏离许可”，并记录其它类型的部件的如下内容：部件名称，所属部件，申请日期(即开始时间)，批准日期(即结束时间)及相关描述；

步骤4.1.5：对每条记录添加影响标签：机队影响、批次影响和单台影响；机队影响是指该条记录所描述部件对整个机队产生影响；批次影响是指该条记录所描述部件受供应链等其它因素影响短期内会对航空发动机在修理厂时间产生影响，若记录具有批次影响标签，必须余外标记批次影响标签的开始时间、结束时间；单台影响是指该条记录所描述部件只对该台航空发动机产生影响，并不会影响其它航空发动机；

步骤4.2：构建标签为“机队影响”的航空发动机特征部件资料库，即对每一台航空发动机按照如下方法记录特征部件：为体现特征部件资料库录入数据的时效性，选取最近一至五年来的航空发动机的维修数据作为数据源；

步骤4.2.1：将标签为“机队影响”且满足如下三条条件之一的航空发动机部件放入特征部件资料库中：a)集件完成日期与部件结束日期之差小于第二阶段的1/3，b)部件结束日期大于集件完成日期，c)部件持续时间大于第二阶段总时间的2/3；

步骤4.2.2：资料库由两张数据表组成：第一张表记录航空发动机第二阶段的节点及统计信息，第二张表记录符合步骤4.2.1条件的航空发动机部件信息，基本形式如下：

编号	发动机号	主检结束日期	集件完成日期	第二阶段时间
					xx	xxx	xxx	xxx	xxx

步骤4.3：根据特征部件资料库，统计出对每台航空发动机第二阶段持续时间最长的部件得到其概率分布P_fleet-prior；

其中P_fleet-prior按照概率值由大到小对部件进行排序，得到部件序列X_fleet；

步骤4.4：从特征部件库中提取最近一段时间的航空发动机数据，统计序列X_fleet中部件出现的次数，得到序列N_X；

步骤4.5：N_X一般会出现0元素，若有0元素出现，则需对0元素进行古德图灵估计进行修正，消除0元素，然后对其进行归一化处理得到概率分布P_X；本步骤的实质在于获取最近一段时间内标签为“机队影响”的航空发动机特征部件的变化趋势；

步骤4.6：获取标签为“机队影响”的航空发动机部件的后验概率P_fleet-post及最大后验估计X_fleet-post1和次最大后验概率X_fleet-post2；

其中：P_fleet-post为P_fleet-prior点乘P_X后的归一化数组；

步骤4.7：为及时体现“批次影响“对航空发动机在修理厂时间的影响，需构建非齐次马尔可夫链，动态调整预测的延误部件；

步骤4.7.1：从原始数据中提取最近一段时间的航空发动机数据，统计每台航空发动机第二阶段持续时间最长的部件；

步骤4.7.2：根据步骤4.6获取的后验概率P_fleet-post，将后验概率最大的前几个部件划为集合T(集合T中部件的具体数量由P_fleet-post分布形式决定)，将其它未出现的部件划分为集合C；

步骤4.7.3：增加状态变量E_k，用来表示部件是否属于集合T，E_k∈{0，1}，其中0和1分别表示部件不属于集合T和属于集合T的假设，其状态转移概率矩阵可以表示为：

$\Π=\left[\begin{array}{cc}1-P_b& P_d\\ P_d& 1-P_d\end{array}\right]$

其中：e_k表示事件E_k＝1，表示E_k＝0；∏为非齐次马尔可夫状态转移矩阵(非齐次是指P_b，P_d的值是非固定的，其值由步骤4.7.1决定)；

步骤4.8：利用步骤4.7获得的状态转移概率矩阵∏确定延误时间最长的部件；

步骤4.8.1：若预测部件属于集合T，则简化步骤4.9，将X_fleet-post和分别作为第二阶段延误时间最长部件和第二阶段所需时间；

步骤4.8.2：若预测部件属于集合C，则需采取如下步骤：

步骤4.8.2.1：获取步骤4.7.1中的影响标签，筛选出标签为“机队影响”和“批次影响”的部件，统计各部件出现的频数并进行排序，对于已经结束的带有“批次影响”标签的部件不进行统计；

步骤4.8.2.2：筛选出频数最大且大于等于2的部件X_C，作为潜在影响下一台航空发动机第二阶段时间的延误部件；

步骤4.9：通过对部件X_fleet-post1，X_fleet-post2和X_C的趋势分析，预测第二阶段所需时间；

步骤4.9.1：采用如下方法对部件X_fleet-post1和X_fleet-post2进行趋势分析：

步骤4.9.1.1：建立如下2个指标对部件X_fleet-post1和X_fleet-post2进行统计：

f_s＝T_start-T_{main insp}

f_d＝T_closed-T_start

步骤4.9.1.2：将X_fleet-post1和X_fleet-post2放在同一坐标系下分别对f_s和f_d进行最小二乘法线性拟合，预测两个部件的f_s和f_d，将结束时间最晚的部件记为X_fleet-post；

步骤4.9.1.3：基于最小二乘法线性拟合利用公式

$T_{X_{fleet-post}}=T_{closed}-T_{maininsp}$

对部件X_fleet-post所需时间进行趋势分析，确定

步骤4.9.2：以步骤4.7.1获取的数据作为数据源，f_s和f_d作为指标利用最小二乘法线性拟合获取部件X_C的开始时间持续时间

步骤4.9.3：比较部件X_fleet-post和X_C的开始时间、持续时间，将结束时间最晚的部件作为第二阶段延误时间最长的部件X_cycle2，则第二阶段时间为

$T_{cycle2}=Max(T_{X_{fleet-post}},T_{X_C}).$

优选地，步骤4的具体方法还包括：

步骤b.1：航空发动机进入第二阶段，根据航空发动机实际修理进展发现：延误部件与进修理厂之前预计的特征件不同或预计结束时间与实际最晚的结束时间不同，则进行如下修正：

步骤b.2：统计该台航空发动机每个部件的结束时间，若最晚结束的部件与之前预测的特征件相同，在部件确定发货(对外送修理或订购的新件)或部件实际结束日期(对修理厂内修理部件)之前以对第二阶段预计的时间为准，若已发货或结束时间已确定则以发货或结束时间作为第二阶段结束时间；

步骤b.3：若最晚结束部件与之前预测的特征部件不同，则以航空发动机实际的最晚结束部件为准，采用步骤4.9类似的方法，采用趋势分析预计第二阶段时间；若部件结束时间(外送修理或新件已发货、修理厂内修理部件确定结束)已确定，则以确定时间作为第二阶段结束时间；

步骤b.4：航空发动机进入第一或第二阶段，若预测的延误部件标签为“批次影响”，且该批次的问题部件已解决，则重复步骤b.1，b.2，b3，重新对部件进行预测。

进一步地，在上述预测方法中，所述步骤5的具体方法为：

步骤5.1：航空发动机第三阶段服从期望为λ_cycle3的广义泊松分布；

步骤5.2：除去节假日因素，试车和组装出现的新问题对第三阶段的影响，统计发现λ_cycle3≈T_test-Max(T_critical，T_marshalling)；

其中：T_test是指航空发动机的试车日期，T_critical是指每台航空发动机最后结束的特征部件；

步骤5.3：以λ_cycle3作为第三阶段的时间。

优选地，步骤5的具体方法还包括：

步骤c：航空发动机进入第三阶段，若试车安排有调整或组装过程出现新问题，则进行如下修正：

步骤c.1：试车安排有冲突，以修理厂的实际试车安排为准，进行修正，航空发动机试车安排的影响天数一般在1到2天；

步骤c.2：组装过程出现新问题，该情况出现概率很小，以修理厂提出的建议调整天数为参考进行调整。

工作范围规定了航空发动机的每个部件的具体修理级别，在标准修理流程下，可以将航空发动机在修理厂的时间划分为三个阶段(如图1所示)：第一阶段：航空发动机进修理厂至主检结束，第二阶段：航空发动机主检结束至集件完成，第三阶段：航空发动机开始组装至准备试车。第一阶段和第三阶段均发生在修理厂中，修理厂对这两个阶段的控制性强，且每个阶段的时间偏差很小；对CFM56-5B/7B航空发动机而言，第一阶段一般为10天，第三阶段一般为13天。在第二阶段，修理厂需将某些部件外送修理或订购新件，修理厂对该阶段的控制能力差，无法准确预估部件的返回或发货时间，第二阶段的时间偏差大，是影响航空发动机在修理厂时间的主要因素。

从以上的描述中，可以看出，本发明上述的实施例实现了如下技术效果：本发明提供的方法能够获得航空发动机在修理厂维修时间的预测，即实现航空发动机在修理厂的第一阶段，第二阶段和第三阶段的分别预测，最后获得航空发动机在修理厂维修时间的总体预测，对修理厂和航空运营人都是极为有益的。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种航空发动机在修理厂维修时间的预测方法，所述航空发动机包括多个部件，其特征在于，包括以下步骤：

步骤1：基于航空发动机的工作范围对航空发动机的修理级别进行分类；

步骤2：将航空发动机在修理厂的维修流程分为三个阶段：

第一阶段：航空发动机进入修理厂维修站位和主检，

第二阶段：航空发动机的部件修理和集件，

第三阶段：航空发动机的组装和试车；

步骤3：利用贝叶斯方法和马尔可夫状态转移矩阵预测航空发动机在第一阶段的所需时间；

步骤4：利用隐马尔可夫模型预测航空发动机在第二阶段所需的时间；

步骤5：根据第二阶段尚未修理完成的部件对第三阶段的影响及组装和试车过程出现的新问题预测航空发动机在第三阶段所需时间；

步骤6：通过步骤3至5，分别得到第一至第三阶段的所需时间，将第一至第三阶段的所需时间进行加和并考虑节假日信息，最后获得航空发动机在修理厂维修时间的预测。

2.根据权利要求1所述的预测方法，其特征在于，所述步骤1包括如下子步骤：

步骤1.1：收集航空发动机的工作范围，根据工作范围对航空发动机各部件的修理级别进行定义，构建航空发动机工作范围的原始特征矩阵OWSL：

其中：M_i,j是第i台航空发动机第j个部件的修理级别；

步骤1.2：对所述原始特征矩阵OWSL进行数值化处理，获得新的原始特征矩阵WSL：

其中：N_i,j表示经过数值化处理后的第i台航空发动机第j个部件的修理级别；

步骤1.3：在系统聚类法框架下，采用WARD离差平方和法以欧式距离为度量标准，获取当前航空发动机的修理级别；

优选地，所述步骤1.3包括如下子步骤：

步骤1.3.1：将当前航空发动机的工作范围带入WSL；

步骤1.3.2：将n+1台航空发动机分成k类G₁，G₂，…，G_k，G_t表示的是G₁，G₂，…，G_k中的某一组，0≤t≤k，则G_t的离差平方和S_t为：

$S_t=\underset{i=1}{\overset{n_t}{\Σ}}{(X_{it}-\stackrel{\‾}{X_t})}^{\′}(X_{it}-\stackrel{\‾}{X_t})$

其中：X_it表示G_t中的第i台航空发动机的工作范围，表示G_t的重心；

G_p和G_q表示的是G₁，G₂，…，G_k中的某一组，0≤t≤k，将G_p和G_q合并为新类G_r即G_r＝G_p∪G_q，类内离差平方和分别为：

$S_p=\underset{i=1}{\overset{n_p}{\Σ}}{(X_{ip}-\stackrel{\‾}{X_p})}^{\′}(X_{ip}-\stackrel{\‾}{X_p})$

$S_q=\underset{i=1}{\overset{n_q}{\Σ}}{(X_{iq}-\stackrel{\‾}{X_q})}^{\′}(X_{iq}-\stackrel{\‾}{X_q})$

$S_r=\underset{i=1}{\overset{n_r}{\Σ}}{(X_{ir}-\stackrel{\‾}{X_r})}^{\′}(X_{ir}-\stackrel{\‾}{X_r})$

定义欧式距离G_p和G_q越类似，则越小，反之越大；

步骤1.3.3：将n+1台航空发动机各自组成一类，然后缩小一类，每缩小一类会导致S_t增大，选择使S_t增加最小的两类合并，直到所有航空发动机都归为一类为止；

步骤1.3.4：基于步骤1.3.3的聚类结果，将其分为k类，获取当前航空发动机的工作范围所在类。

3.根据权利要求1所述的预测方法，其特征在于，所述步骤3包括如下子步骤：

步骤3.1：根据步骤1获取的当前航空发动机的修理级别，统计航空发动机在该修理级别时第一阶段的所需时间，第一阶段的所需时间除去节假日和航空发动机的工作范围升级延误时间，获得第一阶段的先验分布P_cycle1-prior和第一阶段的区间D1＝{d₁，…，d_m}；

步骤3.2：获取最近三次航空发动机在第一阶段的所需时间集ds＝{ds₁，ds₂，ds₃}；

步骤3.3：明确第三阶段对第一阶段的影响；

步骤3.4：构建“Head to Head”贝叶斯网络预测第二阶段的所需时间；贝叶斯方法的基本表达式为：

$P\left(H\right|D)=\frac{P\left(H\right)P\left(D\right|H)}{P\left(D\right)}$

其中：P(H)称为先验概率，即在得到新样本前某一假设的概率；

P(H|D)称为后验概率，即在获得新样本数据后，需要计算的概率；

P(D|H)是在该假设下得到这一数据的概率，称为似然度；

P(D)是在任何假设下得到这一数据的概率，称为标准化常量；

步骤3.5：通过步骤3.1到3.4，可在航空发动机进修理厂维修之前获得航空发动机第一阶段的所需时间的后验概率及最大后验估计；

优选地，步骤3.3包括如下子步骤：

步骤3.3.1：选取修理厂最近三年的维修记录，统计获得航空发动机第一阶段时处于第三阶段的同类型其它航空发动机的数量，形成数量区间N＝{n₁，…，n_n}，并构成原始资料矩阵OC1：

其中：c_i,j表示当处于第三阶段的同类型其它航空发动机的台数为N(i)时，第一阶段天数为D1(j)的航空发动机台次；

步骤3.3.2：受训练样本数据量限制，矩阵OC1可能会有0事件出现，即：c_i，j＝0 1＜i＜n且1＜j＜n，需要对OC1进行拉普拉斯平滑，获得修正后的原始资料矩阵OC1^m：

步骤3.3.3：对修正后原始资料矩阵OC1^m进行概率归一化处理得到概率矩阵C1:

其中：p_i,j表示当处于第三阶段的同类型其它航空发动机台数为N(i)时，第一阶段天数为D(j)所出现的概率；且

优选地，步骤3.3.2包括如下子步骤：

步骤3.3.2.1：若矩阵OC1第i行含有0事件，则将其提取出来C(i)＝{c_i，1，...c_i，n}；

步骤3.3.2.2：对C(i)进行拉普拉斯平滑获得C^m(i):

C^m(i)＝{c_i，1+λ，c_i，2+λ，...c_i，n+λ}，0＜λ≤1步骤；

优选地，步骤3.4包括如下子步骤：

步骤3.4.1：根据步骤3.1获得航空发动机第一阶段的所需时间的先验分布P_cycle1-prior；

步骤3.4.2：研究发现航空发动机第一阶段过程服从期望为λ的广义泊松分布，将其作为似然函数，即：

其中：λ＝∑_daysdays×p_i days∈D1，p_i∈P_cycle1-prior；

步骤3.4.3：以ds作为最新的样本信息，利用贝叶斯公式，求得该情况下的后验概率P_cycle1-ds及最大后验估计MLE_ds；即在已知修理厂第一阶段的所需时间总体分布的前提下，利用最新的航空发动机第一阶段的所需时间对下一次航空发动机第一阶段的所需时间进行估计；

步骤3.4.4：利用马尔可夫状态转移矩阵获得从概率矩阵C1获取当组装航空发动机台数为eng时的概率分布P_cycle1-eng及最大估计MLE_eng；

步骤3.4.5：利用修理厂第一阶段的所需时间的历史数据对贝叶斯网络进行训练，即训练x取值，使预测值与实际值之间的误差Err最小；

$Err=\frac{{\Σ}_{i=1}^n|d_{i,real}-\[{\mathrm{xMLE}}_{ds}+(1-x){\mathrm{MLE}}_{eng}\]|}{n},0\≤x\≤1$

其中：d_i,real指的是第i台发动机第一阶段的真实天数。

4.根据权利要求1所述的预测方法，其特征在于，所述步骤4包括以下子步骤：

步骤4.1：采用标准化方法记录部件的维修数据；

步骤4.2：构建标签为“机队影响”的航空发动机特征部件资料库，即对每一台航空发动机记录特征部件；

步骤4.3：根据特征部件资料库，统计出对每台航空发动机第二阶段持续时间最长的部件得到其概率分布P_fleet-prior；

其中P_fleet-prior按照概率值由大到小对部件进行排序，得到部件序列X_fleet

步骤4.4：从特征部件库中提取最近一段时间的航空发动机数据，统计序列X_fleet中部件出现的次数，得到序列N_X；

步骤4.5：N_X若有0元素出现，则对0元素进行古德图灵估计进行修正，消除0元素，然后对其进行归一化处理得到概率分布P_X；本步骤在于获取最近一段时间内标签为“机队影响”的航空发动机特征部件的变化趋势；

步骤4.6：获取标签为“机队影响”的航空发动机部件的后验概率P_fleet-post及最大后验估计X_fleet-post1和次最大后验概率X_fleet-post2；

其中：P_fleet-post为P_fleet-prior点乘P_X后的归一化数组；

步骤4.7：为及时体现“批次影响“对航空发动机在修理厂时间的影响，构建非齐次马尔可夫链，动态调整预测的延误部件，获得的状态转移概率矩阵Π；

步骤4.8：利用步骤4.7获得的状态转移概率矩阵Π确定延误时间最长的部件；

步骤4.9：通过对部件X_fleet-post1，X_fleet-post2和X_C的趋势分析，预测第二阶段所需时间。

5.根据权利要求4所述的预测方法，其特征在于，所述步骤4.2中对每一台航空发动机按照如下方法记录特征部件：

步骤4.2.1：将标签为“机队影响”且满足如下三条条件之一的航空发动机部件放入特征部件资料库中：a)集件完成日期与部件结束日期之差小于第二阶段的1/3，b)部件结束日期大于集件完成日期，c)部件持续时间大于第二阶段总时间的2/3；

步骤4.2.2：资料库由两张数据表组成：第一张表记录航空发动机第二阶段的节点及统计信息，第二张表记录符合4.2.1条件的航空发动机部件信息；

优选地，所述步骤4.7包括如下子步骤：

步骤4.7.1：从原始数据中提取最近一段时间的航空发动机数据，统计每台航空发动机第二阶段持续时间最长的部件；

步骤4.7.2：根据步骤4.6获取的后验概率P_fleet-post，将后验概率最大的前几个部件划为集合T，将其它未出现的部件划分为集合C；

步骤4.7.3：增加状态变量E_k，用来表示部件是否属于集合T，E_k∈{0,1}，其中0和1分别表示部件不属于集合T和属于集合T的假设，其状态转移概率矩阵可以表示为：

$\mathrm{\Π}=\left[\begin{array}{cc}1-P_b& P_h\\ P_d& 1-P_d\end{array}\right]$

其中：e_k表示事件E_k＝1，表示E_k＝0；Π为非齐次马尔可夫状态转移矩阵，所述非齐次是指P_b，P_d的值是非固定的，其值由步骤4.7.1决定；

优选地，所述步骤4.8包括如下子步骤：

步骤4.8.1：若预测部件属于集合T，将X_fleet-post和分别作为第二阶段延误时间最长部件和第二阶段所需时间；

步骤4.8.2：若预测部件属于集合C，则需采取如下步骤：

步骤4.8.2.1：获取步骤4.7.1中的影响标签，筛选出标签为“机队影响”和“批次影响”的部件，统计各部件出现的频数并进行排序，对于已经结束的带有“批次影响”标签的部件不进行统计；

步骤4.8.2.2：筛选出频数最大且大于等于2的部件X_C，作为潜在影响下一台航空发动机第二阶段时间的延误部件。

6.根据权利要求5所述的预测方法，其特征在于，所述步骤4.9包括如下子步骤：

步骤4.9.1：采用如下方法对部件X_fleet-post1和X_fleet-post2进行趋势分析：

步骤4.9.1.1：建立如下2个指标对部件X_fleet-post1和X_fleet-post2进行统计：

f_s＝T_start-T_maininsp

f_dT_closed-T_start

步骤4.9.1.2：将X_fleet-post1和X_fleet-post2放在同一坐标系下分别对f_s和f_d进行最小二乘法线性拟合，预测两个部件的f_s和f_d，将结束时间最晚的部件记为X_fleet-post；

步骤4.9.1.3：基于最小二乘法线性拟合利用公式

$T_{X_{\mathrm{fleet}-\mathrm{post}}}=T_{\mathrm{closed}}-T_{\mathrm{maininsp}}$

对部件X_fleet-post所需时间进行趋势分析，确定

步骤4.9.2：以步骤4.7.1获取的数据作为数据源，f_s和f_d作为指标利用最小二乘法线性拟合获取部件X_C的开始时间持续时间

步骤4.9.3：比较部件X_fleet-post和X_C的开始时间、持续时间，将结束时间最晚的部件作为第二阶段延误时间最长的部件X_cycle2，则第二阶段时间为

$T_{\mathrm{cycle}2}=\mathrm{Max}(T_{X_{\mathrm{fleet}*\mathrm{post}}},T_{X_C}).$

7.根据权利要求1所述的预测方法，其特征在于，所述步骤5包括如下子步骤：

步骤5.1：航空发动机第三阶段服从期望为λ_cycle3的广义泊松分布；

步骤5.2：除去节假日因素，试车和组装出现的新问题对第三阶段的影响，统计发现λ_cycle3≈T_test-Max(T_critical，T_marshalling)；

其中：T_test是指航空发动机的试车日期，T_critical是指每台航空发动机最后结束的特征部件；

步骤5.3：以λ_cycle3作为第三阶段的时间。

8.根据权利要求4所述的预测方法，其特征在于，所述步骤3的具体方法还包括：

航空发动机进入第一阶段，若有工作范围升级，则进行如下操作：

步骤a.1：获取工作范围升级的部件，最初修理级别和升级后建议修理级别；

步骤a.2：统计航空发动机所有人对该类升级的处理时间，采用趋势分析获取预估该类升级解决所需的时间，修正第一阶段的所需时间。

9.根据权利要求4所述的预测方法，其特征在于，所述步骤4的具体方法还包括：

步骤b.1：航空发动机进入第二阶段，根据航空发动机实际修理进展发现：延误部件与进修理厂之前预计的特征件不同或预计结束时间与实际最晚的结束时间不同，则进行如下修正；

步骤b.2：统计该台航空发动机每个部件的结束时间，若最晚结束的部件与之前预测的特征件相同，在部件确定发货或部件实际结束日期之前以对第二阶段预计的时间为准，若已发货或结束时间已确定则以发货或结束时间作为第二阶段结束时间；

步骤b.3：若最晚结束部件与之前预测的特征部件不同，则以航空发动机实际的最晚结束部件为准，采用步骤4.9的方法，采用趋势分析预计第二阶段时间；若部件结束时间已确定，则以确定时间作为第二阶段结束时间；

步骤b.4：航空发动机进入第一或第二阶段，若预测的延误部件标签为“批次影响”，且该批次的问题部件已解决，则重复步骤b.1，b.2，b3，重新对部件进行预测。

10.根据权利要求7所述的预测方法，其特征在于，所述步骤5的具体方法还包括：

步骤c：航空发动机进入第三阶段，若试车安排有调整或组装过程出现新问题，则进行如下修正：

步骤c.1：试车安排有冲突，以修理厂的实际试车安排为准，进行修正，航空发动机试车安排的影响天数为1到2天；

步骤c.2：组装过程出现新问题，该情况出现概率很小，以修理厂提出的建议调整天数为参考进行调整。