CN114925862A

CN114925862A - 一种航空发动机修理时间预测方法及装置

Info

Publication number: CN114925862A
Application number: CN202210551492.8A
Authority: CN
Inventors: 王可也; 王锦申; 陈键; 伍翔; 钟观宝; 张敦煜
Original assignee: China Southern Airlines International Financial Leasing Co Ltd; Shanghai Shanshu Network Technology Co ltd; Shanshu Science And Technology Suzhou Co ltd; Shanshu Science And Technology Beijing Co ltd; China Southern Airlines Co Ltd; Shenzhen Shanzhi Technology Co Ltd
Current assignee: China Southern Airlines International Financial Leasing Co Ltd; Shanghai Shanshu Network Technology Co ltd; Shanshu Science And Technology Suzhou Co ltd; Shanshu Science And Technology Beijing Co ltd; China Southern Airlines Co Ltd; Shenzhen Shanzhi Technology Co Ltd
Priority date: 2022-05-18
Filing date: 2022-05-18
Publication date: 2022-08-19

Abstract

本发明涉及人工智能技术领域，尤其涉及一种航空发动机修理时间预测方法及装置，包括：获取历史航空发动机进厂维修的数据，确定历史基本维修时长对应的第一类数据和历史延误时长对应的第二类数据；获取待进厂维修的航空发动机的目标基本数据和目标延误特征数据；基于第一类数据和目标基本数据，对待进厂维修的航空发动机的基本维修时长进行预测，获得待进厂维修的航空发动机的目标基本维修时长；基于第二类数据和目标延误特征数据，确定待进厂维修的航空发动机的目标延误时长；基于待进厂维修的航空发动机的目标基本维修时长以及目标延误时长，确定维修的总时长，进而提高了发动机进厂维修时长的准确性，以便于对发动机后续使用进行合理安排。

Description

一种航空发动机修理时间预测方法及装置

技术领域

本发明涉及人工智能技术领域，尤其涉及一种航空发动机修理时间预测方法及装置。

背景技术

民用航空发动机的生产和维修只能在发动机原厂进行，因此，送修时间无法确定。原厂在维修的时候，若需要临时订购部件，或者发动机的使用方决定采购旧的部件等，就会面临较长或者难以估计的等待日期，因此，对于发动机使用方来说，难以控制发动机送修的修理时长，无法对后期进行有效安排。

目前为了保障航空机队的平稳运营，会配备超出在翼数量的发动机以弥补发动机送修造成的运力缺口，如果无法对发动机送修的修理时长进行确定，就会造成准备过量的机队配备发动机数量，从而造成资源的浪费，若准备的机队配备发动机数量不足，则需要临时洽谈发动机租赁，就会出现比长期租用更高昂的费用，或者造成航班的取消等重大事件。

因此，如何对发动机送修的修理时长进行预测是目前亟待解决的技术问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的航空发动机修理时间预测方法及装置。

第一方面，本发明提供了一种航空发动机修理时间预测方法，包括：

获取历史航空发动机进厂维修的数据，确定历史基本维修时长对应的第一类数据和历史延误时长对应的第二类数据；

获取待进厂维修的航空发动机的目标基本数据和目标延误特征数据；

基于所述第一类数据和所述目标基本数据，对所述待进厂维修的航空发动机的基本维修时长进行预测，获得所述待进厂维修的航空发动机的目标基本维修时长；

基于所述第二类数据和所述目标延误特征数据，确定所述待进厂维修的航空发动机的目标延误时长；

基于所述待进厂维修的航空发动机的目标基本维修时长以及所述目标延误时长，确定维修的总时长。

进一步地，所述获取历史航空发动机进厂维修的数据，确定基本维修时长对应的第一类数据和延误时长对应的第二类数据，包括：

获取历史航空发动机进厂维修的数据，对所述数据进行过滤和填充，确定基本维修时长对应的第一类数据和延误时长对应的第二类数据。

进一步地，所述基于所述第一类数据和所述目标基本数据，对所述待进厂维修的航空发动机的基本维修时长进行预测，获得所述待进厂维修的航空发动机的目标基本维修时长，包括：

基于所述第一类数据，对机器学习模型进行训练，得到用于预测航空发动机的基本维修时长的预测模型；

将所述目标基本数据输入所述预测模型中，对所述待进厂维修的航空发动机的基本维修时长进行预测，获得所述待进厂维修的航空发动机的目标基本维修时长。

进一步地，所述基于所述第一类数据，对机器学习模型进行训练，得到用于预测航空发动机的基本维修时长的预测模型，包括：

将所述第一类数据分为N组，采用交叉验证方法利用每组数据对机器学习模型进行训练，得到用于预测航空发动机的基本维修时长的预测模型。

基于所述第一类数据，对机器学习模型进行训练，得到用于预测航空发动机在第一维修阶段的第一基本维修时长的第一预测模型、用于预测航空发动机在第二维修阶段的第二基本维修时长的第二预测模型、用于预测航空发动机在第三维修阶段的第三基本维修时长的第三预测模型，其中，所述第一维修阶段、所述第二维修阶段以及第三维修阶段依次为航空发动机进厂维修的三个维修阶段。

进一步地，所述基于所述第二类数据和所述目标延误特征数据，确定所述待进厂维修的航空发动机的目标延误时长，包括：

基于所述第二类数据，构建关于延误特征数据集与延误时长的目标回归模型；

将所述目标延误特征数据输入所述目标回归模型中，确定所述待进厂维修的航空发动机的目标延误时长。

进一步地，所述基于所述第二类数据，构建关于延误特征数据集与延误时长的目标回归模型，包括：

基于所述第二类数据，构建所述第二类数据中的延误特征数据集作为自变量集，延误时长作为因变量的多项式回归模型，所述第二类数据包括：待维修故障所处的结构体和/或部件、延误原因、修理状态以及延误时长；

对所述自变量集中的各个自变量分别检测，获得目标自变量；

基于所述目标自变量，构建关于所述目标自变量所对应的目标延误特征数据集与延误时长之间的目标回归模型。

第二方面，本发明还提供了一种航空发动机修理时间预测装置，包括：

第一确定模块，用于获取历史航空发动机进厂维修的数据，确定基本维修时长对应的第一类数据和延误时长对应的第二类数据；

获取模块，用于获取待进厂维修的航空发动机的目标基本数据和目标延误特征数据；

预测模块，用于基于所述第一类数据和所述目标基本数据，对所述待进厂维修的航空发动机的基本维修时长进行预测，获得所述待进厂维修的航空发动机的目标基本维修时长；

第二确定模块，用于基于所述第二类数据和所述目标延误特征数据，确定所述待进厂维修的航空发动机的目标延误时长；

第三确定模块，用于基于所述待进厂维修的航空发动机的目标基本维修时长以及所述目标延误时长，确定维修的总时长。

第三方面，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法步骤。

第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法步骤。

本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：

本发明提供了一种航空发动机修理时间预测方法，包括：获取历史航空发动机进厂维修的数据，确定历史基本维修时长对应的第一类数据和历史延误时长对应的第二类数据；获取待进厂维修的航空发动机的目标基本数据和目标延误特征数据；基于第一类数据和目标基本数据，对待进厂维修的航空发动机的基本维修时长进行预测，获得待进厂维修的航空发动机的目标基本维修时长；基于第二类数据和目标延误特征数据，确定待进厂维修的航空发动机的目标延误时长；最后，基于待进厂维修的航空发动机的目标基本维修时长以及目标延误时长，确定维修的总时长，由于发动机进厂维修的基本维修时长可通过机器学习模型进行预测，发动机进厂维修的延误时长可根据延误特征数据通过回归方程进行预测，将基本维修时长和延误时长相加，从而得到发动机进厂维修的总时长，进而提高了发动机进厂维修时长的准确性，以便于对发动机后续使用进行合理安排。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：

图1示出了本发明实施例中航空发动机修理时间预测方法的步骤流程示意图；

图2示出了本发明实施例中航空发动机修理时间预测装置的结构示意图；

图3示出了本发明实施例中实现航空发动机修理时间预测方法的计算机设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

本发明的实施例提供了一种航空发动机修理时间预测方法，如图1所示，包括：

S101，获取历史航空发动机进厂维修的数据，确定历史基本维修时长对应的第一类数据和历史延误时长对应的第二类数据；

S102，获取待进厂维修的航空发动机的目标基本数据和目标延误特征数据；

S103，基于第一类数据和目标基本数据，对待进厂维修的航空发动机的基本维修时长进行预测，获得待进厂维修的航空发动机的目标基本维修时长；

S104，基于第二类数据和目标延误特征数据，确定待进厂维修的航空发动机的目标延误时长；

S105，基于待进厂维修的航空发动机的目标基本维修时长以及目标延误时长，确定维修的总时长。

在S101中，获取历史航空发动机进厂维修的数据，确定历史基本维修时长对应的第一类数据和历史延误时长对应的第二类数据。

首先，将航空发动机进厂维修分为三个阶段，第一阶段，发动机从进厂到主检结束；第二阶段，发动机主要维修；第三阶段，发动机组装和试车。

发动机进厂维修的时间包括基本维修时长和延误时长，其中，将单次送修内发生的每条延误记录的结束时间划分所处的维修阶段。将每条延误记录和上条延误记录结束时间的差值作为每条延误记录实际造成的延误时间，每次送修的第一条延误记录的延误时间由这条延误记录的结束时间减去所处维修阶段的开始时间。将每次发动机进厂维修的三个阶段中延误时间最长的记录，作为该阶段的延误时间。若该阶段没有延误问题，则延误时长为0天。

通过上述确定延误记录的方式，将整个维修时长划分为历史基本维修时长和历史延误时长。

从而得到历史基本维修时长对应的第一类数据和历史延误时长对应的第二类数据。

首先，基于该第一类数据，构建预测模型。

该第一类数据为不存在异常点的数据，用于提高所构建的模型的准确性。

因此，在获取历史航空发动机进厂维修的数据之后，对该数据进行过滤和填充，确定基本维修时长对应的第一类数据和延误时长对应的第二类数据。

其中，历史航空发动机进厂维修的数据包括历史航空发动机在三个阶段的修理数据集，具体包括如下类特征集，时间类特征，修理类特征，数据集原始特征。

其中，数据集原始特征，包括历史航空发动机的基本性能参数，比如发动机的型号，机型，损坏部位等等，

修理类特征，具体是指对发动机的子模块的维修方案，以及损伤原因等。

时间类特征，具体是指发动机进厂维修的时间或者季度等时间信息。

在对历史航空发动机进厂维修的数据进行过滤和填充的过程具体如下：

1、回归过滤算法，对分类后的特征集，采用最小二乘法线性回归算法，

对于历史航空发动机分别在三个维修阶段的历史基本修理时长y，计算特征集中每条数据的残差，

设定阈值为0.999，对残差大于阈值的点使用多项式差值算法进行替换。

2、置信区间过滤算法，假设TAT＝y～N(μ,δ²)，那么其置信度为α的置信区间上下界为

和

在区间[L(Y),U(Y)]外的点视为离群点，视情况进行剔除或者使用插值算法进行替换。

由此，得到不存在异常点的第一类数据和第二类数据。

接下来，S103，基于第一类数据，对待进厂维修的航空发动机的基本维修时长进行预测，获得待进厂维修的航空发动机的目标基本维修时长的过程中。

首先，在该步骤之前，S102中，获取待进厂维修的航空发动机的目标基本数据和目标延误特征数据。

S103中，基于该第一类数据，对机器学习模块进行训练，得到用于预测航空发动机的基本维修时长的预测模型；然后，将S102中得到的目标基本数据输入该预测模型中，对待进厂维修的航空发动机的基本维修时长进行预测，获得待进厂维修的航空发动机的目标基本维修时长。

其中，由于该第一类数据包括分别在第一维修阶段、第二维修阶段以及第三维修阶段的数据，因此，针对不同的维修阶段，得到对应不同维修阶段的预测模型。

基于第一类数据，对机器学习模型进行训练，得到用于预测航空发动机在第一维修阶段的第一基本维修时长的第一预测模型、用于预测航空发动机在第二维修阶段的第二基本维修时长的第二预测模型、用于预测航空发动机在第三维修阶段的第三基本维修时长的第三预测模型。

对应于每个预测模型，在将S102中得到的目标基本数据输入对应的额预测模型中时，得到针对第一预设模型的第一基本维修时长，针对第二预设模型的第二基本维修时长以及针对第三预设模型的第三基本维修时长。

将第一基本维修时长、第二基本维修时长以及第三基本维修时长相加，得到该目标基本维修时长。由此得到待进厂维修的航空发动机在非延误情况下对应的目标基本维修时长。

上述对机器学习模型进行训练的过程中，具体是将第一类数据分成N组，采用交叉验证方法利用每组数据对机器学习模型进行训练，得到用于预测航空发动机的基本维修时长的预测模型。

比如，将第一类数据分成4组，采用每组数据分别对机器学习模型进行训练，得到对应的预测模型，采用K-Fold交叉验证方法验证并对参数调整，使用随机森林和自适应增强算法择优，找到准确性最高的预测模型，以提高模型预测的准确性。

由于在正常维修过程中，容易造成延误，这种延误可能是由于需要临时订购部件，或者人为因素造成等等。

下面，对延误时长进行预测，主要通过构建回归方程。

具体地，S104中，基于第二类数据和目标延误特征数据，确定待进厂维修的航空发动机的目标延误时长，包括：

基于第二类数据，构建关于延误特征数据集与延误时长的目标回归模型；将目标延误特征数据输入目标回归模型中，确定待进厂维修的航空发动机的目标延误时长，包括：

基于第二类数据，构建第二类数据中的延误特征数据集作为自变量集，延误时长作为因变量的多项式回归模型，第二类数据包括：待维修故障所处的结构体或者部件、延误原因、修理状态以及延误时长；对自变量集中的各个自变量分别检测，获得目标自变量；基于目标自变量，构建关于目标自变量所对应的目标延误特征数据集与延误时长之间的目标回归模型。

其中，首先，对于第二类数据，由于发动机在送修过程中，延误原因的记录都是采用人工记录的，将所记录的延误原因中词频统计划分出频率较高的专有名词，然后，建立该专有名词与延误原因标签(tag)的对应关系表，经整理后可对应的延误原因标签有:OV(订购新件)、CR(客户要求)、WSU(工作升级)，UP(寻购旧件)等。

接着，根据该延误原因标签(tag)构建特征集，这里特征集包括：单元体、和/或部件、延误原因以及修理状态的自变量集合。

根据不同发动机型号不同，会涉及不同的单元体。以某一发动机机型为例，其涉及的单元体包括有HPT(高压涡轮)，LPT(低压涡轮)，HPC(高压压气机)，Core(核心机)，Fan(风扇单元)，AGB(附件齿轮箱)，booster(内涵道压气机)等：

部件，可以是LPC下属的LPT vane(LPT静子叶片)、LPT BLADE(LPT转子叶片)等。

对于HPT单元体，HPT对应的部件可包括：HPT stg1 blade(高压涡轮1级转子叶片)，HPT stg2 blade(高压涡轮2级转子叶片)，HPT stg1 vane(高压涡轮1级静子叶片)，HPT stg2 vane(高压涡轮2级静子叶片)，HPT nozzle(高压涡轮导向器)，HPT rotor(高压涡轮转子)等。

修理状态是指单元体的修理级别，该修理级别针对不同的机型也是不同的，该修理级别大致可分为大修、小修以及性能恢复等。

延误时长是指超出基本维修时长的时长。

由于待维修故障所处的结构体和/或部件、修理状态以及延误原因作为自变量集，其中的一种或者多种对延误时长会造成影响。所构建的回归方程为y＝f(x1，x2，x3，x4)，其中，x1为待维修故障所处的结构体，x2为待维修故障所处的部件，x3为修理状态，x4为延误原因。

其中，x1～x4的自变量中可能存在一种自变量对延误时长的影响，也可能存在多种自变量对延误时长的影响，由于因变量延误时间y与自变量集中的单元体、部件、延误原因、修理状态等的关系是由人为经验假设得到的，所以需引入逐步回归的自变量选择方法来筛选和延误时间相关性高的目标自变量，以提高回归方程拟合的效果，具体是对自变量集中的各个自变量分别检测，获得目标自变量。

该逐步回归的方法包括依次加入一种自变量xi，判断该回归模型的R²是否提升，若是，则将该xi保留，而且还要检测每个变量的P值，是否小于阈值，若是，则将该xi剔除。通过这样的方式，得到目标自变量。从而构建关于目标自变量所对应的目标延误特征数据集与延误时长之间的目标回归模型。

在得到该目标回归模型之后，将S102中得到的目标延误特征数据输入该目标回归模型中，确定该待进厂维修的航空发动机的目标延误时长。

该目标延误特征数据的类型也包括结构体、部件、延误原因以及维修状态。其中，延误原因大概在第一维修阶段结束之后即可确定延误原因。

在获得目标基本维修时长以及目标延误时长之后，执行S105，基于待进厂维修的航空发动机的目标基本维修时长以及目标延误时长，确定维修的总时长。

具体是将该目标基本维修时长与目标延误时长相加，得到该维修的总时长。

在随着发动机在进厂维修中进度的推进，能实时针对新发现的延误原因，通过上述得到的目标回归模型，得到相应的延误时间，从而对发动机维修的总时长进行修正。

实施例二

基于相同的发明构思，本发明还提供了一种航空发动机修理时间预测装置，如图2所示，包括：

第一确定模块201，用于获取历史航空发动机进厂维修的数据，确定历史基本维修时长对应的第一类数据和历史延误时长对应的第二类数据；

获取模块202，用于获取待进厂维修的航空发动机的目标基本数据和目标延误特征数据；

预测模块203，用于基于所述第一类数据和所述目标基本数据，对所述待进厂维修的航空发动机的基本维修时长进行预测，获得所述待进厂维修的航空发动机的目标基本维修时长；

第二确定模块204，用于基于所述第二类数据和所述目标延误特征数据，确定所述待进厂维修的航空发动机的目标延误时长；

第三确定模块205，用于基于所述待进厂维修的航空发动机的目标基本维修时长以及所述目标延误时长，确定维修的总时长。

在一种可选的实施方式中，所述第一确定模块201，用于：

在一种可选的实施方式中，预测模块203，包括：

模型得到单元，用于基于所述第一类数据，对机器学习模型进行训练，得到用于预测航空发动机的基本维修时长的预测模型；

目标基本维修时长得到单元，用于将所述目标基本数据输入所述预测模型中，对所述待进厂维修的航空发动机的基本维修时长进行预测，获得所述待进厂维修的航空发动机的目标基本维修时长。

在一种可选的实施方式中，模型得到单元，用于：

在一种可选的实施方式中，模型得到单元，还用于：

在一种可选的实施方式中，所述第二确定模块，包括：

构建单元，用于基于所述第二类数据，构建关于延误特征数据集与延误时长的目标回归模型；

确定单元，用于将所述目标延误特征数据输入所述目标回归模型中，确定所述待进厂维修的航空发动机的目标延误时长。

在一种可选的实施方式中，所述构建单元，用于：

实施例三

基于相同的发明构思，本发明实施例提供了一种计算机设备，如图3所示，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现上述航空发动机修理时间预测方法的步骤。

其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

实施例四

基于相同的发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述航空发动机修理时间预测方法的步骤。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的航空发动机修理时间预测装置、计算机设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims

1.一种航空发动机修理时间预测方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述获取历史航空发动机进厂维修的数据，确定基本维修时长对应的第一类数据和延误时长对应的第二类数据，包括：

3.如权利要求1所述的方法，其特征在于，所述基于所述第一类数据和所述目标基本数据，对所述待进厂维修的航空发动机的基本维修时长进行预测，获得所述待进厂维修的航空发动机的目标基本维修时长，包括：

4.如权利要求3所述的方法，其特征在于，所述基于所述第一类数据，对机器学习模型进行训练，得到用于预测航空发动机的基本维修时长的预测模型，包括：

5.如权利要求3所述的方法，其特征在于，所述基于所述第一类数据，对机器学习模型进行训练，得到用于预测航空发动机的基本维修时长的预测模型，包括：

6.如权利要求1所述的方法，其特征在于，所述基于所述第二类数据和所述目标延误特征数据，确定所述待进厂维修的航空发动机的目标延误时长，包括：

7.如权利要求6所述的方法，其特征在于，所述基于所述第二类数据，构建关于延误特征数据集与延误时长的目标回归模型，包括：

8.一种航空发动机修理时间预测装置，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一权利要求所述的方法步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一权利要求所述的方法步骤。