CN108053079B - 一种用于机务外场的备件数量预测方法和系统 - Google Patents
一种用于机务外场的备件数量预测方法和系统 Download PDFInfo
- Publication number
- CN108053079B CN108053079B CN201711472932.6A CN201711472932A CN108053079B CN 108053079 B CN108053079 B CN 108053079B CN 201711472932 A CN201711472932 A CN 201711472932A CN 108053079 B CN108053079 B CN 108053079B
- Authority
- CN
- China
- Prior art keywords
- data
- flight
- model
- data set
- target device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Abstract
本发明提供一种用于机务外场的备件数量预测方法,该方法包括收集数据并且对数据进行预处理;计算目标设备在发生故障前的累计飞行强度和累计环境影响;根据累计飞行强度、累计环境影响和目标设备实际寿命来形成数据集,并且基于数据集构建目标设备的寿命模型;根据即将执行的转场任务并使用寿命模型来估计目标设备的平均寿命,然后根据目标设备的平均寿命来预测目标设备的备件数量。本发明还提供了一种用于机务外场的备件数量预测系统。本发明克服了现有的基于规章制度和历史经验的业务工作方法,满足新飞机对机务保障数字化和智能化的需求,符合军队信息化建设的趋势。
Description
技术领域
本发明涉及装备保障领域,并且更具体地涉及一种用于机务外场的备件数量预测方法和系统。
背景技术
随着科技强军的不断推进,空军实力也不断增强。最直接的体现就是战机现代化、数字化水平的提高以及战斗力的提升,随之,战机结构复杂度提高,设备数量以及各类传感器的数量增多。在这种情况下,对飞机的安全管理与保障任务变得更加艰巨,特别是在飞机执行转场任务时,备件携行一直是困扰机务人员的问题。
在执行转场任务时,为了保障飞机能够顺利完成任务,需要携带一定数量的备件,以防在外执行任务时发生设备故障而导致飞机停飞,甚至引起飞行事故。然而备件冗余又会造成人力、物力的浪费,因此科学合理的备件计划成为转场保障任务的焦点之一。通常,地面保障工作多是基于过往经验形成的规章制度进行的,有的甚至没有形成规章制度,完全依靠经验决定,这种工作方式在对人力、财力、物力造成一定浪费的同时,也可能会忽视一些个别亟待检修的装备,出现备件不足或者备件冗余等现象,进而引入一定的风险。
进一步地。科学技术的发展与进步丰富了飞机上的传感器,配合相对完备的飞机地面保障工作使得我们可以轻易获取飞机在飞行过程中产生的各类数据,包括历史飞行参数数据、航电数据、特设数据等。这些数据详细记录了飞机的各个系统本身和子系统、子部件的工作状态和工作特性,经过地面译码处理,分析这些飞行参数数据,可以对飞机的各个子系统、子部件的健康状况、故障原因、故障程度和趋势等做出判定,进而对各设备寿命进行建模,分析出各影响因子对设备寿命的影响程度。
然而,对于如何利用上述数据对设备寿命进行建模进而预测备件数量,现有技术中还未有有效的解决方案。
发明内容
针对上述现有技术中存在的问题,本发明的目的在于提供一种用于机务外场的备件数量预测方法和系统,其充分利用飞机故障记录和历史飞行参数等数据,深入挖掘飞行参数数据,结合飞机装备实际使用情况,实现对飞机各设备的寿命预测,并结合转场任务强度以及累计飞行强度等因素来预测备件数量,有效提升了航空备件携行业务的科学性和有效性。
根据本发明,提供一种用于机务外场的备件数量预测方法,该方法包括下面的步骤:
S101:收集目标设备的飞行参数数据、环境数据、和设备故障数据,并且分别对飞行参数数据、环境数据、设备故障数据进行预处理;
S102:计算目标设备在发生故障前的累计飞行强度和累计环境影响;
S103:根据累计飞行强度、累计环境影响和目标设备实际寿命形成数据集,并且基于数据集构建目标设备的寿命模型;
S104:根据即将执行的转场任务并使用寿命模型来估计目标设备的平均寿命,然后根据目标设备的平均寿命来预测目标设备的备件数量。
根据本发明的一个实施例,飞行参数数据包括瞬时速度、瞬时加速度、飞行时间、作训科目中的一个或多个;环境数据包括飞行环境的温度、湿度、盐度、海拔、天气中的一个或多个。
根据本发明的一个实施例,计算目标设备j的累计飞行强度包括以下步骤:
针对飞机飞行过程中时刻t,从飞行参数数据中读取瞬时速度、瞬时加速度、飞行时间、作训科目中的一个或多个,组成飞行强度向量βj(t),获取所述目标设备j的飞行权重向量αj,计算所述目标设备j的瞬时飞行强度Dj(t)=αjβj(t),目标设备j的累计飞行强度为:
计算目标设备j的累计环境影响包括以下步骤:
针对飞机飞行过程中时刻t,从环境数据中读取温度、湿度、盐度、海拔、天气中的一个或多个,并形成环境强度向量θi(t),然后获取环境影响权重向量γj,计算目标设备j的瞬时环境影响Zj(t),目标设备j的累计环境影响为:
根据本发明的一个实施例,步骤S103中的寿命模型的构建进一步包括以下步骤:
(a)加权融合:融合累计飞行强度和累计环境影响得到Rj=[AjBj],结合目标设备实际寿命Lj获得“累计影响-目标设备寿命”数据集{Rj,Lj}N;
(b)构建模型训练数据集和模型测试数据集:将“累计影响-目标设备寿命”数据集中的90%的数据作为模型训练数据集,将剩余10%的数据作为模型测试数据集;
(c)模型训练:使用最小二乘法对模型训练数据集进行多元回归分析;
(d)模型验证:使用模型测试数据集来估计寿命模型的数据拟合程度并选择数据拟合程度高的寿命模型作为寿命模型。
根据本发明的一个实施例,步骤S104中的目标设备的备件数量的预测进一步包括以下步骤:
分析并计算即将执行的转场任务的即将的累计飞行强度和即将的累计环境影响;
将即将的累计飞行强度和即将的累计环境影响输入寿命模型以得到目标设备的平均寿命;
根据目标设备的即将执行的工作时间来预测目标设备的备件数量。
根据本发明,提供一种用于机务外场的备件数量预测系统,该系统包括依次通信连接的数据获取模块、样本构建模块、预测模型构建模块和备件数量预测模块,其中,
数据获取模块用于收集目标设备的数据并且对数据进行预处理;
样本构建模块用于根据不同因素的影响系数来计算目标设备在发生故障前的累计飞行强度和累计环境影响;
预测模型构建模块用于根据累计飞行强度、累计环境影响和目标设备实际寿命形成数据集,并且基于数据集构建目标设备的寿命模型;
备件数量预测模块用于根据即将执行的转场任务并使用寿命模型来估计目标设备的平均寿命,然后根据目标设备的平均寿命来预测目标设备的备件数量。
根据本发明的一个实施例,预测模型构建模块进一步包含依次通信连接的特征融合模块、数据构建模块、模型训练模块和模型验证模块,其中,
特征融合模块用于将累计飞行强度和累计环境影响进行加权融合;
数据构建模块用于根据经过加权融合后的累计飞行强度和累计环境影响来形成“累计影响—目标设备寿命”数据集,并且将“累计影响—目标设备寿命”数据集划分成模型训练数据集和模型测试数据集;
模型训练模块用于对模型训练数据集进行多元回归分析;
模型验证模块用于使用模型测试数据集来估计寿命模型的数据拟合程度并选择数据拟合程度高的寿命模型作为寿命模型。
根据本发明的一个实施例,数据包括飞行参数数据、环境数据、和设备故障数据。
根据本发明的一个实施例,飞行参数数据包括瞬时速度、瞬时加速度、飞行时间、作训科目中的一个或多个;环境数据包括飞行环境的温度、湿度、盐度、海拔、天气中的一个或多个。
根据本发明,提供一种计算机可读存储介质,其上存储有计算机程序(指令),用于实现机务外场的备件数量预测,其特征在于,程序(指令)被处理器执行时实现上述任一技术方案的方法。
本发明具有下面的有益效果:通过对飞行过程的累计飞行强度和累计环境影响强度进行量化,并对设备寿命进行建模,能够估计出在特定飞行强度以及环境强度下设备的平均寿命,并依此为转场任务中携行备件的数量预测提供数据支撑,从而有效克服现有的基于规章制度和历史经验的业务工作方法,满足新飞机对机务保障数字化和智能化的需求,符合军队信息化建设的趋势。
附图说明
图1是根据本发明的一个实施例的一种用于机务外场的备件数量预测方法的流程图;
图2是根据本发明的另一个实施例的一种备件预测模型训练和使用方法的流程图;
图3是根据本发明的又一个实施例的一种用于机务外场的备件数量预测系统的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图,对本发明进行进一步详细说明。应当理解的是,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图1示出了一种用于机务外场的备件数量预测方法,方法开始于步骤S101。在步骤S101,收集包括诸如历史飞行参数数据、环境数据、目标设备故障数据等的数据并且对这些数据进行预处理,然后,方法前进到步骤S102。在步骤S102,根据不同因素的影响系数来计算目标设备在发生故障前累计飞行强度和累计环境影响,其中,所述累计飞行强度的影响因素包括瞬时速度、瞬时加速度、飞行时间、作训科目等,所述累计环境影响的影响因素包括飞行环境的温度、湿度、盐度、海拔、天气等,然后,方法前进到步骤S103。在步骤S103,综合累计飞行强度、累计环境影响和目标设备实际寿命来形成数据集,并且基于练数据集并使用合适的模型来构建目标设备的寿命模型,具体来说,将累计飞行强度和累计环境影响进行加权融合以形成“累计影响-目标设备寿命”数据集,然后选取“累计影响-目标设备寿命”数据集中的90%的数据用作模型训练数据集,剩余的10%的数据用作模型测试数据集,采用最小二乘法对模型训练数据集进行多元回归分析以构建寿命模型,其中在迭代过程中使用牛顿梯度下降法进行计算,然后,使用模型测试数据集对所得到的寿命模型进行测试,并且根据损失函数大小来选择最优模型,然后,方法前进到步骤S104。在步骤S104,根据即将执行的转场任务的即将的累计飞行强度和即将的累计环境影响并使用在步骤S103中获得的寿命模型来估计目标设备的平均寿命,并且根据目标设备的平均寿命来预测目标设备的备件数量,具体来说,分析并计算即将执行的转场任务的即将的累计飞行强度和即将的累计环境影响,将即将的累计飞行强度和即将的累计环境影响输入寿命模型来得到目标设备的平均寿命,然后根据目标设备的即将执行的工作时间来预测目标设备的备件数量,方法结束。
图2示出了一种备件预测模型训练和使用方法的流程图,该备件预测模型训练和使用方法包括下面的步骤:
步骤一,针对目标设备j,读取数据库中对应的故障数据、飞行参数数据以及环境数据,在此,数据库可以采用MySQL数据库;
步骤二,针对飞机飞行过程中的时刻t,从飞行参数数据中读取前进、水平以及竖直三个方向的瞬时速度和瞬时加速度共计6个,并形成飞行强度向量βj(t)∈R6×1,然后获取目标设备j的飞行强度权重向量αj∈R1×6;
计算目标设备j的瞬时飞行强度Dj(t)=αjβj(t);
统计目标设备从列装到发生故障时刻的累计飞行强度,具体为
步骤三,针对飞机飞行过程中的时刻t,从机场环境数据库中读取温度(tem)、湿度(hum)、盐度(sal)、海拔(alt)信息,并形成环境强度向量θi(t)∈R4×1=(tem,hum,sal,alt)T,然后获取环境影响权重向量γj∈R1×4;
计算目标设备j的瞬时环境影响Zj(t)=γjθi(t);
统计目标设备从列装到发生故障时刻的累计环境影响,具体为
步骤四,针对目标设备j,融合累计飞行强度和累计环境影响,具体为
Rj=[AjBj]
步骤五,根据即将执行的转场任务的飞行强度以及可能的环境影响,预测出目标设备的平均寿命,并根据转场任务所需飞行时间来估计目标设备的备件数量。
图3示出了一种用于机务外场的备件数量预测系统的结构图,该系统包括依次通信地连接的数据获取模块、样本构建模块、预测模型构建模块和备件数量预测模块,其中,数据获取模块用于收集包括诸如历史飞行参数数据、环境数据、设备故障数据等目标设备的数据并且对这些数据进行预处理;样本构建模块用于根据不同因素的影响系数来计算目标设备在发生故障前的累计飞行强度和累计环境影响,其中,所述累计飞行强度的影响因素包括瞬时速度、瞬时加速度、飞行时间、作训科目等,所述累计环境影响的影响因素包括飞行环境的温度、湿度、盐度、海拔、天气等;预测模型构建模块用于综合累计飞行强度、累计环境影响和目标设备实际寿命来形成数据集,并且基于数据集并使用合适的模型来构建目标设备的寿命模型;备件数量预测模块用于根据即将执行的转场任务的即将的累计飞行强度和即将的累计环境影响并使用寿命模型来估计目标设备的平均寿命,并且根据目标设备的平均寿命来预测目标设备的备件数量。
进一步地,预测模型构建模块包含依次通信地连接的特征融合模块、数据构建模块、模型训练模块和模型验证模块,其中,特征融合模块用于将累计飞行强度和累计环境影响进行加权融合;数据构建模块用于根据经过加权融合后的累计飞行强度和累计环境影响来形成“累计影响-目标设备寿命”数据集,并且将“累计影响-目标设备寿命”数据集划分成模型训练数据集和模型测试数据集;模型训练模块用于对模型训练数据集进行多元回归分析;模型验证模块用于使用模型测试数据集来估计模型的数据拟合程度并选择数据拟合程度高的模型作为寿命模型。
关于这里的过程、系统、方法等,应理解的是虽然这样的过程等的步骤描述为按照一定的顺序排列发生,但这样的过程可以采用以这里描述的顺序之外的顺序完成的描述的步骤实施操作。进一步应该理解的是,某些步骤可以同时执行,可以添加其他步骤,或者可以省略这里的某些步骤。换言之,这里的过程的描述提供用于说明某些实施例的目的,并且不应该以任何方式解释为限制要求保护的发明。
相应地,应理解的是上面的描述的目的是说明而不是限制。在阅读上面的描述时,除了提供的示例外许多实施例和应用都是显而易见的。本发明的范围应参照所附权利要求以及与权利要求所要求的权利等效的全部范围而确定,而不是参照上面的说明而确定。可以预期的是这里所讨论的领域将出现进一步的发展,并且所公开的系统和方法将可以结合到这样的未来的实施例中。总之,应理解的是本发明能够进行修正和变化。
还应当理解的是,任何的过程或过程中的步骤可以与其它公开的过程或步骤组合以形成本公开范围内的结构。本文公开的示例性结构、和过程是为了说明的目的,而不应被解释为限制。
Claims (8)
1.一种用于机务外场的备件数量预测方法,其特征在于,包括以下步骤:
S101:收集目标设备的飞行参数数据、环境数据、和设备故障数据,并且分别对所述飞行参数数据、所述环境数据、所述设备故障数据进行预处理;
S102:计算所述目标设备在发生故障前的累计飞行强度和累计环境影响,计算目标设备j的累计飞行强度包括以下步骤:
针对飞机飞行过程中时刻t,从所述飞行参数数据中读取瞬时速度、瞬时加速度、飞行时间、作训科目中的一个或多个,组成飞行强度向量βj(t),获取所述目标设备j的飞行权重向量αj,计算所述目标设备j的瞬时飞行强度Dj(t)=αjβj(t),目标设备j的累计飞行强度为:其中T为目标设备j发生故障的时刻;
计算目标设备j的累计环境影响包括以下步骤:
针对飞机飞行过程中时刻t,从所述环境数据中读取温度、湿度、盐度、海拔、天气中的一个或多个,并形成环境强度向量θi(t),然后获取环境影响权重向量γj,计算目标设备j的瞬时环境影响Zj(t)=γjθi(t),目标设备j的累计环境影响为:其中L为目标设备j发生故障的时刻;
S103:根据所述累计飞行强度、所述累计环境影响和所述目标设备实际寿命形成数据集,并且基于所述数据集构建目标设备的寿命模型,所述寿命模型的构建进一步包括以下步骤:
(a)加权融合:融合所述累计飞行强度和所述累计环境影响得到Rj=[AjBj],结合目标设备实际寿命Lj获得“累计影响-目标设备寿命”数据集{Rj,Lj}N,其中N为获得的数据集的个数;
(b)构建模型训练数据集和模型测试数据集:将所述“累计影响-目标设备寿命”数据集中的90%的数据作为模型训练数据集,将剩余10%的数据作为模型测试数据集;
(c)模型训练:使用最小二乘法对所述模型训练数据集进行多元回归分析;
(d)模型验证:使用所述模型测试数据集来估计所述寿命模型的数据拟合程度并选择所述数据拟合程度高的寿命模型作为所述寿命模型;
S104:根据即将执行的转场任务并使用所述寿命模型来估计所述目标设备的平均寿命,然后根据所述目标设备的所述平均寿命来预测所述目标设备的备件数量。
2.根据权利要求1所述的用于机务外场的备件数量预测方法,其特征在于,所述飞行参数数据包括瞬时速度、瞬时加速度、飞行时间、作训科目中的一个或多个;所述环境数据包括飞行环境的温度、湿度、盐度、海拔、天气中的一个或多个。
3.根据权利要求1所述的用于机务外场的备件数量预测方法,其特征在于,步骤S104中的所述目标设备的备件数量的预测进一步包括以下步骤:
分析并计算所述即将执行的转场任务的即将的累计飞行强度和即将的累计环境影响;
将所述即将的累计飞行强度和所述即将的累计环境影响输入所述寿命模型以得到所述目标设备的平均寿命;
根据所述目标设备的即将执行的工作时间来预测所述目标设备的备件数量。
4.一种用于机务外场的备件数量预测系统,其特征在于,所述系统包括依次通信连接的数据获取模块、样本构建模块、预测模型构建模块和备件数量预测模块,其中,
所述数据获取模块用于收集目标设备的数据并且对所述数据进行预处理;
所述样本构建模块用于根据不同因素的影响系数来计算目标设备在发生故障前的累计飞行强度和累计环境影响,计算目标设备j的累计飞行强度包括以下步骤:
针对飞机飞行过程中时刻t,从飞行参数数据中读取瞬时速度、瞬时加速度、飞行时间、作训科目中的一个或多个,组成飞行强度向量βj(t),获取所述目标设备j的飞行权重向量αj,计算所述目标设备j的瞬时飞行强度Dj(t)=αjβj(t),目标设备j的累计飞行强度为:其中T为目标设备j发生故障的时刻;
计算目标设备j的累计环境影响包括以下步骤:
针对飞机飞行过程中时刻t,从环境数据中读取温度、湿度、盐度、海拔、天气中的一个或多个,并形成环境强度向量θi(t),然后获取环境影响权重向量γj,计算目标设备j的瞬时环境影响Zj(t)=γjθi(t),目标设备j的累计环境影响为:其中L为目标设备j发生故障的时刻;
所述预测模型构建模块用于根据累计飞行强度、累计环境影响和所述目标设备实际寿命形成数据集,并且基于数据集构建目标设备的寿命模型,所述寿命模型的构建进一步包括以下步骤:
(a)加权融合:融合所述累计飞行强度和所述累计环境影响得到Rj=[AjBj],结合目标设备实际寿命Lj获得“累计影响-目标设备寿命”数据集{Rj,Lj}N,其中N为获得的数据集的个数;
(b)构建模型训练数据集和模型测试数据集:将所述“累计影响-目标设备寿命”数据集中的90%的数据作为模型训练数据集,将剩余10%的数据作为模型测试数据集;
(c)模型训练:使用最小二乘法对所述模型训练数据集进行多元回归分析;
(d)模型验证:使用所述模型测试数据集来估计所述寿命模型的数据拟合程度并选择所述数据拟合程度高的寿命模型作为所述寿命模型;
所述备件数量预测模块用于根据即将执行的转场任务并使用所述寿命模型来估计所述目标设备的平均寿命,然后根据所述目标设备的所述平均寿命来预测所述目标设备的备件数量。
5.根据权利要求4所述的用于机务外场的备件数量预测系统,其特征在于,所述预测模型构建模块进一步包含依次通信连接的特征融合模块、数据构建模块、模型训练模块和模型验证模块,其中,
所述特征融合模块用于将所述累计飞行强度和所述累计环境影响进行加权融合;
所述数据构建模块用于根据经过所述加权融合后的所述累计飞行强度和所述累计环境影响来形成“累计影响-目标设备寿命”数据集,并且将所述“累计影响-目标设备寿命”数据集划分成模型训练数据集和模型测试数据集;
所述模型训练模块用于对所述模型训练数据集进行多元回归分析;
所述模型验证模块用于使用所述模型测试数据集来估计所述寿命模型的数据拟合程度并选择所述数据拟合程度高的所述寿命模型作为所述寿命模型。
6.根据权利要求4所述的用于机务外场的备件数量预测系统,其特征在于,所述数据包括飞行参数数据、环境数据、和设备故障数据。
7.根据权利要求6所述的用于机务外场的备件数量预测系统,其特征在于,所述飞行参数数据包括瞬时速度、瞬时加速度、飞行时间、作训科目中的一个或多个;所述环境数据包括飞行环境的温度、湿度、盐度、海拔、天气中的一个或多个。
8.一种计算机可读存储介质,其上存储有计算机程序指令,用于实现机务外场的备件数量预测,其特征在于,所述程序指令被处理器执行时实现权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711472932.6A CN108053079B (zh) | 2017-12-29 | 2017-12-29 | 一种用于机务外场的备件数量预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711472932.6A CN108053079B (zh) | 2017-12-29 | 2017-12-29 | 一种用于机务外场的备件数量预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053079A CN108053079A (zh) | 2018-05-18 |
CN108053079B true CN108053079B (zh) | 2021-06-29 |
Family
ID=62128716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711472932.6A Active CN108053079B (zh) | 2017-12-29 | 2017-12-29 | 一种用于机务外场的备件数量预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053079B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898254A (zh) * | 2018-07-03 | 2018-11-27 | 柳州市木子科技有限公司 | 一种基于lr的生产线备件损坏率预测系统 |
US11681929B2 (en) | 2018-10-02 | 2023-06-20 | Honeywell International Inc. | Methods and systems for predicting a remaining useful life of a component using an accelerated failure time model |
FR3090852B1 (fr) * | 2018-12-20 | 2020-11-27 | Thales Sa | Optimisation d’un modele parametrique de performances d’un aeronef |
CN110414038B (zh) * | 2019-06-12 | 2022-09-30 | 江西冠一通用飞机有限公司 | 一种基于历史飞行数据的飞机寿命监控方法 |
CN111461559B (zh) * | 2020-04-03 | 2023-06-23 | 中国人民解放军陆军勤务学院 | 备件需求量确定方法、装置及电子设备 |
CN116596263A (zh) * | 2023-05-26 | 2023-08-15 | 中国人民解放军93184部队 | 一种基于飞行任务的飞机备件需求确定方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963937A (zh) * | 2010-09-29 | 2011-02-02 | 南京航空航天大学 | 飞控计算机系统剩余寿命预测方法 |
US8255171B2 (en) * | 2008-10-28 | 2012-08-28 | The Boeing Company | Method and systems for estimating remaining service life of a component subject to stress |
WO2012157040A1 (ja) * | 2011-05-13 | 2012-11-22 | 株式会社日立製作所 | 保守部品寿命予測システムおよび保守部品寿命予測方法 |
CN105069507A (zh) * | 2015-07-16 | 2015-11-18 | 广州极飞电子科技有限公司 | 无人机维护方法及装置 |
CN106951695A (zh) * | 2017-03-09 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 多工况下的机械设备剩余使用寿命计算方法及系统 |
-
2017
- 2017-12-29 CN CN201711472932.6A patent/CN108053079B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8255171B2 (en) * | 2008-10-28 | 2012-08-28 | The Boeing Company | Method and systems for estimating remaining service life of a component subject to stress |
CN101963937A (zh) * | 2010-09-29 | 2011-02-02 | 南京航空航天大学 | 飞控计算机系统剩余寿命预测方法 |
WO2012157040A1 (ja) * | 2011-05-13 | 2012-11-22 | 株式会社日立製作所 | 保守部品寿命予測システムおよび保守部品寿命予測方法 |
CN105069507A (zh) * | 2015-07-16 | 2015-11-18 | 广州极飞电子科技有限公司 | 无人机维护方法及装置 |
CN106951695A (zh) * | 2017-03-09 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 多工况下的机械设备剩余使用寿命计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108053079A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053079B (zh) | 一种用于机务外场的备件数量预测方法和系统 | |
US10891406B2 (en) | Prediction methods and systems for structural repair during heavy maintenance of aircraft | |
JP6920822B2 (ja) | 飛行イベント中の航空機のオンボード構造的負荷評価 | |
US20060004499A1 (en) | Structural health management architecture using sensor technology | |
Belcastro | Aircraft loss of control: Analysis and requirements for future safety-critical systems and their validation | |
CN111241694A (zh) | 一种基于大数据处理的飞机机群健康评估方法,设备及可读存储介质 | |
EP3721197B1 (en) | Estimating fatigue damage in a structure | |
CN108388229B (zh) | 基于健康度的四旋翼随机混杂系统健康评估方法 | |
Mathur et al. | Prediction of aviation accidents using logistic regression model | |
CN112528510B (zh) | 一种基于生灭过程模型的可修航材备件预测方法 | |
Purdon et al. | F-35 pre-flight store separation analyses: innovative techniques for affordability | |
Patterson et al. | Modelling safe landing zone detection options to assist in safety critical UAV decision making | |
Jing et al. | System health management for unmanned aerial vehicle: conception, state-of-art, framework and challenge | |
Shanthakumaran et al. | Usage based fatigue damage calculation for AH-64 apache dynamic components | |
Li et al. | Integrated vehicle health management in the aviation field | |
El Mir et al. | Certification of machine learning algorithms for safe-life assessment of landing gear | |
Dai et al. | Evolution of aircraft maintenance and logistics based on prognostic and health management technology | |
Gill | Examining the Drivers of C-130J Maintenance Requirements through Multiple Regression Analysis | |
Chepizhenko et al. | Maintenace planing optimisation of Unmaned Aerial systems | |
CN111487947B (zh) | 安全性分析方法、装置、计算机设备和存储介质 | |
Huang et al. | Assessing the Self-Healing Technology Using Novel Technology Impact Forecasting | |
CN117972336A (zh) | 飞行安全风险评估方法、装置、电子设备及存储介质 | |
Novák et al. | Use of Unmanned Aerial Vehicles in Aircraft Inspection | |
Yanjun et al. | Safety Risk Assessment of Human-computer Interaction Behavior Based on Bayesian Network | |
Viitanen et al. | A Review of Aeronautical Fatigue Investigations in Finland May 2021-April 2023 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |