CN113705886B - 一种基于动态mtbf的航材备件需求分析预测方法 - Google Patents
一种基于动态mtbf的航材备件需求分析预测方法 Download PDFInfo
- Publication number
- CN113705886B CN113705886B CN202110989134.0A CN202110989134A CN113705886B CN 113705886 B CN113705886 B CN 113705886B CN 202110989134 A CN202110989134 A CN 202110989134A CN 113705886 B CN113705886 B CN 113705886B
- Authority
- CN
- China
- Prior art keywords
- mtbf
- spare parts
- prediction
- dynamic
- aviation
- 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
- 239000000463 material Substances 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 2
- -1 methyl tert-butyl Chemical group 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态MTBF的航材备件需求分析预测方法,首先采用泊松分布为基础数学模型,其次,以航材备件故障次数期望作为模型的重要参数,构建航材备件分析预测模型,在保障率的条件约束下,预测航材备件的需求数量,最后通过分析预测的结果调整航材备件成熟度,进而调整动态MTBF,最终实现调整故障次数期望,有效提升了模型预测结果的准确率。本发明与传统经验分析方式相比,大幅度提升航材备件储备预测的准确率和效率,具有较好的实用性。
Description
技术领域
本发明属于基于数据分析的服务保障方法的技术领域,具体涉及一种基于动态MTBF的航材备件需求分析预测方法。
背景技术
航材备件供应与储备是影响装备完好率和任务完成率的重要因素之一,航材备件需求分析预测技术是航材备件供应与储备的关键技术,传统航材备件年度需求通常依赖于经验分析获得,容易造成航材备件“用而不备,备而不用”的问题,具体表现为:
“用而不备”:当飞机发生故障时,现场没有储备用于更换的服务备件,需要临时申请订货或调拨获取备件,导致飞机停飞影响用户任务执行和飞机完好率。
“备而不用”:为保障用户飞行任务执行,需尽可能的准备保障备件,未核算备件保障成本,只考虑保障飞机的完好率,忽视航材备件保障的经济性,导致外场服务备件利用率较低,服务保障成本较高。
出现此问题的主要原因如下:
1、“用而不备”即现场未储备所需保障备件:
(1)现场储备备件状态与机上需求状态不匹配;
(2)现场排故备件需求紧急,临时筹措难度大;
(3)密品和危化品需求,因运输周期长,延长排故周期。
2、“备而不用”即现场储备过多保障备件:
(1)手工数据维护质量差,数据可用度低,而且工作量大;
(2)飞机故障发生随机性强,可预测性差;
(3)经验法备件储备随意性大,精准度低;
(4)部份备件价值高,筹备不准确造成严重资源浪费。
航材备件的消耗量与其平均无故障间隔时间(Mean Time Between Failure)密切相关,因此,为提高服务备件需求的准确率,本发明提出一种基于动态MTBF的航材备件需求分析预测方法。
发明内容
本发明的目的在于提供一种基于动态MTBF的航材备件需求分析预测方法,旨在解决上述问题。
本发明主要通过以下技术方案实现:
一种基于动态MTBF的航材备件需求分析预测方法,包括以下步骤:
步骤S100:确定预测范围:确定用于分析预测的航材备件范围,选择不同成熟度的航材备件,并选择可修航材备件作为分析预测对象;
步骤S200:计算航材备件的动态MTBF:MTBF为航材备件两次发生故障的时间间隔时间,考虑航材备件成熟度对MTBF的影响,根据航材备件成熟度,以及历史MTBF值和近期MTBF值,计算得到动态MTBF;
步骤S300:构建分析预测模型:采用泊松分布为基础数据模型,以故障件次数期望值作为模型输入参数,通过步骤S200中的动态MTBF计算得到航材备件在返修周期内故障件次数期望值,构建得到分析预测模型,在保障率的约束下,得到航材备件需求的分析预测数量;
步骤S400:分析预测:使用构建的分析预测模型进行分析预测,在保障率约束下,得到航材备件分析预测值,将分析预测值与实际值作对比,评估预测结果的准确率,并根据预测结果调整步骤S200中的航材备件成熟度。
为了更好地实现本发明,进一步地,所述步骤S200中,MTBF的计算公式如下:
其中:
ZFH:外场总飞行时间;
QPA:单机数量;
QTY:航材故障次数。
为了更好地实现本发明,进一步地,所述步骤S200中,考虑航材备件成熟度对MTBF的影响,动态调整MTBF值的调整公式为:
其中:
航材备件成熟度,
MTBFd:动态MTBF值,
MTBFh:历史MTBF值,
MTBFc:近期MTBF值,
选取区间为(0,1),/>的选取值根据预测结果不断优化调整,
MTBFh根据成熟度周期选取近1年或半年之前的历史MTBF值,
MTBFc根据成熟度周期选取近1年或半年的MTBF值。
为了更好地实现本发明,进一步地,通过动态MTBF调整故障次数期望,提升分析预测模型的预测准确率。
为了更好地实现本发明,进一步地,所述步骤S300中,构建的分析预测模型如下:
当用m只航材进行现场保障时,保障率PL(m)为:
其中k为0-m的取值,
航材备件故障次数期望λ值确定,
在一个送修周期内,某一航材的故障件次数期望值λ,计算公式为:
其中,
FH:年飞行小时,
FS:机队规模,
QPA:单机数量,
MTBFd:动态MTBF,即为动态平均无故障间隔时间,
TAT:航材备件的送修周期。
为了更好地实现本发明,进一步地,所述航材备件的送修周期由产品送修审批时间、往返路途时间、返修周期组成。
本发明的有益效果:
本发明首先采用泊松分布为基础数学模型,其次,以航材备件故障次数期望作为模型的重要参数,构建航材备件分析预测模型,在保障率的条件约束下,预测航材备件的需求数量,最后通过分析预测的结果调整航材备件成熟度,进而调整动态MTBF,最终实现调整故障次数期望,有效提升了模型预测结果的准确率,与传统经验分析方式相比大幅度提升航材备件储备预测的准确率和效率。
附图说明
图1为本发明的流程图。
具体实施方式
实施例1:
一种基于动态MTBF的航材备件需求分析预测方法,如图1所示,包括以下步骤:
步骤S100:确定预测范围:确定用于分析预测的航材备件范围,选择不同成熟度的航材备件,并选择可修航材备件作为分析预测对象;
步骤S200:计算航材备件的动态MTBF:MTBF为航材备件两次发生故障的时间间隔时间,考虑航材备件成熟度对MTBF的影响,根据航材备件成熟度,以及历史MTBF值和近期MTBF值,计算得到动态MTBF;
步骤S300:构建分析预测模型:采用泊松分布为基础数据模型,以故障件次数期望值作为模型输入参数,通过步骤S200中的动态MTBF计算得到航材备件在返修周期内故障件次数期望值,构建得到分析预测模型,在保障率的约束下,得到航材备件需求的分析预测数量;
步骤S400:分析预测:使用构建的分析预测模型进行分析预测,在保障率约束下,得到航材备件分析预测值,将分析预测值与实际值作对比,评估预测结果的准确率,并根据预测结果调整步骤S200中的航材备件成熟度。
本发明首先采用泊松分布为基础数学模型,其次,以航材备件故障次数期望作为模型的重要参数,构建航材备件分析预测模型,在保障率的条件约束下,预测航材备件的需求数量,最后通过分析预测的结果调整航材备件成熟度,进而调整动态MTBF,最终实现调整故障次数期望,有效提升了模型预测结果的准确率,与传统经验分析方式相比大幅度提升航材备件储备预测的准确率和效率。
实施例2:
本实施例是在实施例1的基础上进行优化,所述步骤S200中,MTBF的计算公式如下:
其中:
ZFH:外场总飞行时间;
QPA:单机数量;
QTY:航材故障次数。
进一步地,考虑航材备件成熟度对MTBF的影响,动态调整MTBF值的调整公式为:
其中:
航材备件成熟度,
MTBFd:动态MTBF值,
MTBFh:历史MTBF值,
MTBFc:近期MTBF值,
选取区间为(0,1),/>的选取值根据预测结果不断优化调整,
MTBFh根据成熟度周期选取近1年或半年之前的历史MTBF值,
MTBFc根据成熟度周期选取近1年或半年的MTBF值。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例是在实施例1或2的基础上进行优化,所述步骤S300中,构建的分析预测模型如下:
当用m只航材进行现场保障时,保障率PL(m)为:
航材备件故障次数期望λ值确定,
在一个送修周期内,某一航材的故障件次数期望值λ,计算公式为:
其中,
FH:年飞行小时,
FS:机队规模,
QPA:单机数量,
MTBFd:动态MTBF,即为动态平均无故障间隔时间,
TAT:航材备件的送修周期。
进一步地,所述航材备件的送修周期由产品送修审批时间、往返路途时间、返修周期组成。
本实施例的其他部分与实施例1或2相同,故不再赘述。
实施例4:
一种基于动态MTBF的航材备件需求分析预测方法,如图1所示,包括以下步骤:
步骤一、确定预测范围。确定用于分析预测的航材备件范围。
步骤二、计算航材备件的动态MTBF。
平均无故障间隔时间(MTBF)表示在航材备件两次发生故障的时间间隔时间,计算公式为:
ZFH:外场总飞行时间
QPA:单机数量
QTY:航材故障次数
考虑航材备件成熟度对MTBF的影响,需根据航材备件成熟度,即设计及使用的稳定性情况,动态调整MTBF值,调整公式为:
航材备件成熟度
MTBFd:动态MTBF值
MTBFh:历史MTBF值
MTBFc:近期MTBF值
备件成熟度选取区间为(0,1),MTBFh根据成熟度周期选取近1年或半年之前的历史MTBF值,MTBFc根据成熟度周期选取近1年或半年的MTBF值,此/>的选取值可根据预测结果不断优化调整。
步骤三、构建分析预测模型。
当用m只航材进行现场保障时,保障率PL(m)为:
航材备件故障次数期望值λ确定:
在一个送修周期(TAT)内,某一航材的故障件次数期望值λ,计算公式为:
其中,
FH:年飞行小时
FS:机队规模
QPA:单机数量
MTBFd:动态平均无故障间隔时间
TAT:故障件送修周期(天)
步骤四、分析预测。使用构建预测模型进行分析预测,将分析预测值与实际值作对比,评估预测结果的准确率。
本发明首先采用泊松分布为基础数学模型,其次,以航材备件故障次数期望作为模型的重要参数,构建航材备件分析预测模型,在保障率的条件约束下,预测航材备件的需求数量,最后通过分析预测的结果调整航材备件成熟度,进而调整动态MTBF,最终实现调整故障次数期望,有效提升了模型预测结果的准确率,与传统经验分析方式相比大幅度提升航材备件储备预测的准确率和效率。
实施例5:
本实施例是在实施例4的基础上进行优化,具体包括以下步骤:
步骤一、确定预测范围。为保证分析预测结果的准确性和效率,选择不同成熟度的航材备件,并选择可修航材备件作为分析预测对象。
步骤二、计算航材备件的动态MTBF。
计算步骤一中确定的航材备件的动态MTBF,根据航材备件成熟度和成熟度周期情况,确定值并按照公式(1)计算MTBFh、MTBFc,最后根据公式(2)计算动态平均无故障间隔时间(MTBFd)。
步骤三、构建分析预测模型。
采用泊松概率分布模型为基础模型,以故障件次数期望值作为模型输入参数,为保障航材备件的高利用率,需确定航材备件在某个返修周期内故障件次数期望值,其中航材备件送修周期(TAT)由产品送修审批时间、往返路途时间、返修周期组成。航材备件故障件次数期望值(λ)由公式(4)计算得出,其中动态平均无故障间隔时间由步骤二得出,年飞行小时、机队规模、单机数量、航材备件送修周期由实际情况得出。
由此,得出分析预测模型,如公式(3)所示,即在保障率PL(m)约束下,航材备件需求的分析预测数量为m。在保障率PL(m)固定且其他参数已知的情况下求解得到分析预测数量m。
步骤四、预测分析。使用构建预测模型进行分析预测,在保障率PL(m)约束下,将航材备件分析预测值m与实际航材备件的使用数量m′进行对比分析,实际航材备件的使用数量m′等于实际故障总次数,因为每发生一次故障需要使用一个航材备件。然后,根据预测结果调整值,/>值选取范围越大,模型预测结果受到历史经验的影响越大,/>值选取范围越小,模型预测结果受到当前结果的影响越大。根据不同的/>计算MTBFd,通过MTBFd动态调整故障次数期望λ,提升模型分析预测的准确率。
本发明首先,采用泊松概率分布为基础数学模型,其次,以航材备件故障次数期望作为模型的重要参数,构建航材备件分析预测模型,在保障率的条件约束下,预测航材备件需求的数量,最后通过动态MTBF调整故障次数期望,提升模型预测结果的准确率,较传统经验分析大幅度提升航材备件需求的准确率和效率。
本实施例的其他部分与实施例4相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (5)
1.一种基于动态MTBF的航材备件需求分析预测方法,其特征在于,包括以下步骤:
步骤S100:确定预测范围:确定用于分析预测的航材备件范围,选择不同成熟度的航材备件,并选择可修航材备件作为分析预测对象;
步骤S200:计算航材备件的动态MTBF:MTBF为航材备件两次发生故障的时间间隔时间,考虑航材备件成熟度对MTBF的影响,根据航材备件成熟度,以及历史MTBF值和近期MTBF值,计算得到动态MTBF;
步骤S300:构建分析预测模型:采用泊松分布为基础数据模型,以故障件次数期望值作为模型输入参数,通过步骤S200中的动态MTBF计算得到航材备件在返修周期内故障件次数期望值,构建得到分析预测模型,在保障率的约束下,得到航材备件需求的分析预测数量;
步骤S400:分析预测:使用构建的分析预测模型进行分析预测,在保障率约束下,得到航材备件分析预测值,将分析预测值与实际值作对比,评估预测结果的准确率,并根据预测结果调整步骤S200中的航材备件成熟度;
所述步骤S200中,考虑航材备件成熟度对MTBF的影响,动态调整MTBF值的调整公式为:
(2)
其中:
:航材备件成熟度,
MTBF d :动态MTBF值,
MTBF h :历史MTBF值,
MTBF c :近期MTBF值,
选取区间为(0,1),/>的选取值根据预测结果不断优化调整,
MTBF h 根据成熟度周期选取近1年或半年之前的历史MTBF值,
MTBF c 根据成熟度周期选取近1年或半年的MTBF值。
2.根据权利要求1所述的一种基于动态MTBF的航材备件需求分析预测方法,其特征在于,所述步骤S200中,MTBF的计算公式如下:
(1)
其中:
ZFH:外场总飞行时间;
QPA:单机数量;
QTY:航材故障次数。
3.根据权利要求1或2所述的一种基于动态MTBF的航材备件需求分析预测方法,其特征在于,所述步骤S400中,通过动态MTBF调整故障次数期望,提升分析预测模型的预测准确率。
4.根据权利要求1所述的一种基于动态MTBF的航材备件需求分析预测方法,其特征在于,所述步骤S300中,构建的分析预测模型如下:
当用m只航材进行现场保障时,保障率PL(m)为:
(3)
其中,k取值范围为[0,m],
航材备件故障次数期望λ值确定,
在一个送修周期内,某一航材的故障件次数期望值λ,计算公式为:
(4)
其中,
FH:年飞行小时,
FS:机队规模,
QPA:单机数量,
MTBF d :动态MTBF,即为动态平均无故障间隔时间,
TAT:航材备件的送修周期。
5.根据权利要求4所述的一种基于动态MTBF的航材备件需求分析预测方法,其特征在于,所述航材备件的送修周期由产品送修审批时间、往返路途时间、返修周期组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989134.0A CN113705886B (zh) | 2021-08-26 | 2021-08-26 | 一种基于动态mtbf的航材备件需求分析预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989134.0A CN113705886B (zh) | 2021-08-26 | 2021-08-26 | 一种基于动态mtbf的航材备件需求分析预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705886A CN113705886A (zh) | 2021-11-26 |
CN113705886B true CN113705886B (zh) | 2023-10-10 |
Family
ID=78655316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110989134.0A Active CN113705886B (zh) | 2021-08-26 | 2021-08-26 | 一种基于动态mtbf的航材备件需求分析预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705886B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462513A (zh) * | 2022-01-18 | 2022-05-10 | 山东航空股份有限公司 | 基于飞机故障发生数据的飞机故障预警方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920028A (zh) * | 2017-01-18 | 2017-07-04 | 四川航空股份有限公司 | 飞机航材保障模式经济可行性评价模型 |
CN106934486A (zh) * | 2017-01-18 | 2017-07-07 | 四川航空股份有限公司 | 飞机航材周转件备件需求预测模型 |
CN109754118A (zh) * | 2018-12-26 | 2019-05-14 | 复旦大学 | 一种系统自适应的预测方法 |
CN111284679A (zh) * | 2020-02-18 | 2020-06-16 | 吉林大学 | 一种基于记忆合金负泊松比单元体的无人机变形翼结构 |
CN112150071A (zh) * | 2020-09-27 | 2020-12-29 | 中国人民解放军海军航空大学青岛校区 | 基于重要度和库存限额的航空装备维修器材订货决策方法 |
CN112528510A (zh) * | 2020-12-17 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于生灭过程模型的可修航材备件预测方法 |
CN113077098A (zh) * | 2021-04-15 | 2021-07-06 | 中国人民解放军海军航空大学青岛校区 | 大规模作战航材需求预测和储备决策方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8321139B2 (en) * | 2006-03-15 | 2012-11-27 | University Of Massachusetts | Methods and apparatus for modulus measurement |
US20100042455A1 (en) * | 2008-08-12 | 2010-02-18 | Gm Global Technology Operations, Inc. | Model-based real-time cost allocation and cost flow |
-
2021
- 2021-08-26 CN CN202110989134.0A patent/CN113705886B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920028A (zh) * | 2017-01-18 | 2017-07-04 | 四川航空股份有限公司 | 飞机航材保障模式经济可行性评价模型 |
CN106934486A (zh) * | 2017-01-18 | 2017-07-07 | 四川航空股份有限公司 | 飞机航材周转件备件需求预测模型 |
CN109754118A (zh) * | 2018-12-26 | 2019-05-14 | 复旦大学 | 一种系统自适应的预测方法 |
CN111284679A (zh) * | 2020-02-18 | 2020-06-16 | 吉林大学 | 一种基于记忆合金负泊松比单元体的无人机变形翼结构 |
CN112150071A (zh) * | 2020-09-27 | 2020-12-29 | 中国人民解放军海军航空大学青岛校区 | 基于重要度和库存限额的航空装备维修器材订货决策方法 |
CN112528510A (zh) * | 2020-12-17 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于生灭过程模型的可修航材备件预测方法 |
CN113077098A (zh) * | 2021-04-15 | 2021-07-06 | 中国人民解放军海军航空大学青岛校区 | 大规模作战航材需求预测和储备决策方法 |
Non-Patent Citations (3)
Title |
---|
"B777飞机大修航材库存需求预测研究";杨冰冰;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;E20-E27 * |
"Analysis of MTBF evaluation methods for small sample sizes";Hongsheng Pan;《11th International Conference on Reliability, Maintainability and Safety (ICRMS)》;第43-45页。 * |
"泊松分布在航材库存管理中的应用";范尔宁;《民航管理》;第27-39页。 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705886A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | A reliability-and-cost-based fuzzy approach to optimize preventive maintenance scheduling for offshore wind farms | |
Liu et al. | Manufacturing system maintenance based on dynamic programming model with prognostics information | |
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN104871105B (zh) | 用于分布式系统的复原优化和控制 | |
CN103645705B (zh) | 一种lng多点运输船运力预测调度方法 | |
CN101794119B (zh) | 瓦斯系统平衡与优化调度方法、装置及系统 | |
Guo et al. | Bayesian degradation assessment of CNC machine tools considering unit non-homogeneity | |
CN111695744B (zh) | 一种基于大数据的维修器材需求预测分析系统 | |
CN113705886B (zh) | 一种基于动态mtbf的航材备件需求分析预测方法 | |
CN110135636B (zh) | 一种车间运行状态预测信息的获取方法、装置及系统 | |
Li et al. | Preventive maintenance decision model of urban transportation system equipment based on multi-control units | |
Cunningham et al. | Application of delay-time analysis via Monte Carlo simulation | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
van der Weide et al. | Robust long-term aircraft heavy maintenance check scheduling optimization under uncertainty | |
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
Liu et al. | Stochastic airline fleet assignment with risk aversion | |
Du et al. | A two-stage reliability allocation method for remanufactured machine tools integrating neural networks and remanufacturing coefficient | |
CN115330045A (zh) | 一种基于飞机状态的备件动态规划方法及系统 | |
El Hayek et al. | Optimizing life cycle cost of complex machinery with rotable modules using simulation | |
Rodrigues et al. | Spare parts inventory control for non-repairable items based on prognostics and health monitoring information | |
CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
CN111008661B (zh) | 航空发动机备发需求量的Croston-XGBoost预测方法 | |
CN110503240B (zh) | 一种船舶维修资源需求预测方法及装置 | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用系统 | |
CN116384876A (zh) | 基于维纳过程的备件动态库存-生产控制方法、系统及介质 |
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 |