CN115330045A - 一种基于飞机状态的备件动态规划方法及系统 - Google Patents
一种基于飞机状态的备件动态规划方法及系统 Download PDFInfo
- Publication number
- CN115330045A CN115330045A CN202210958798.5A CN202210958798A CN115330045A CN 115330045 A CN115330045 A CN 115330045A CN 202210958798 A CN202210958798 A CN 202210958798A CN 115330045 A CN115330045 A CN 115330045A
- Authority
- CN
- China
- Prior art keywords
- predicted
- spare part
- component
- rate
- repair
- 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.)
- Pending
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
- G06Q10/06—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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于飞机状态的备件动态规划方法及系统，属于飞机备件规划技术领域。获取待预测部件所属机型的机队规模和机队年利用率，并获取待预测部件的历史故障数据，以计算待预测部件的工作部件数量、故障率、修复率和备件保障率，然后以工作部件数量、故障率、修复率和备件保障率作为输入，利用遗传算法对备件量计算模型进行优化求解，得到待预测部件在预测时间段的备件需求量，能够得到待预测部件在预测时间段内满足给定的备件保障率的最小备件需求量，且预测精度高。
Description
技术领域
本发明涉及飞机备件规划技术领域，特别是涉及一种基于飞机状态的备件动态规划方法及系统。
背景技术
目前，备件量计算方法可分为统计方法和分析方法两类。统计方法以大量历史数据为基础，对备件需求进行分析，得出备件需求的统计规律，然后结合部件相关信息，对统计规律采用回归分析、指数平滑、概率统计理论、贝叶斯法等技术方案，形成备件量计算方法。分析方法通常利用工程理论与可靠性理论方法，将系统视为冷储备系统，在此基础上，对备件的工作、维修、以及订购过程进行分析，最终确定备件需求量。
现有的备件库存量计算研究着眼于基于寿命分布理论或采用某种分析手段形成备件量计算方法，并未充分考虑航空公司飞机运营状态对备件需求的影响，备件需求量的计算精度较低。
基于此，亟需一种基于飞机状态的备件动态规划技术。
发明内容
本发明的目的是提供一种基于飞机状态的备件动态规划方法及系统，能够基于飞机状态预测备件需求量，预测精度高。
为实现上述目的，本发明提供了如下方案：
第一方面，本发明用于提供一种基于飞机状态的备件动态规划方法，所述规划方法包括：
获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
根据所述机队规模计算所述待预测部件的工作部件数量；
根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；
根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；
根据所述待预测部件的类型确定备件保障率；
以所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量计算模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量计算模型根据马尔可夫生灭过程确定；所述备件量计算模型包括：所述备件需求量所对应的可靠度大于或等于所述备件保障率以及所述备件需求量与1的差值所对应的可靠度小于所述备件保障率。
一种基于飞机状态的备件动态规划系统，所述规划系统包括：
第一数据获取模块，用于获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
计算模块，用于根据所述机队规模计算所述待预测部件的工作部件数量；根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；根据所述待预测部件的类型确定备件保障率；
第一预测模块，用于以所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量计算模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量计算模型根据马尔可夫生灭过程确定；所述备件量计算模型包括：所述备件需求量所对应的可靠度大于或等于所述备件保障率以及所述备件需求量与1的差值所对应的可靠度小于所述备件保障率。
第二方面，本发明用于提供一种基于飞机状态的备件动态规划方法，所述规划方法包括：
获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据和备件单价；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
根据所述机队规模计算所述待预测部件的工作部件数量；
根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；
根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；
根据所述待预测部件的类型确定备件保障率；
以所述备件单价、所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量动态规划模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量动态规划模型包括目标函数和约束条件；所述目标函数为总保障成本最小；所述约束条件为所述备件需求量所对应的可靠度大于或等于所述备件保障率。
一种基于飞机状态的备件动态规划系统，所述规划系统包括：
第二数据获取模块，用于获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据和备件单价；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
计算模块，用于根据所述机队规模计算所述待预测部件的工作部件数量；根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；根据所述待预测部件的类型确定备件保障率；
第二预测模块，用于以所述备件单价、所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量动态规划模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量动态规划模型包括目标函数和约束条件；所述目标函数为总保障成本最小；所述约束条件为所述备件需求量所对应的可靠度大于或等于所述备件保障率。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明用于提供一种基于飞机状态的备件动态规划方法及系统，获取待预测部件所属机型的机队规模和机队年利用率，并获取待预测部件的历史故障数据，以计算待预测部件的工作部件数量、故障率、修复率和备件保障率，然后以工作部件数量、故障率、修复率和备件保障率作为输入，利用遗传算法对备件量计算模型进行优化求解，得到待预测部件在预测时间段的备件需求量，能够得到待预测部件在预测时间段内满足给定的备件保障率的最小备件需求量，且预测精度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的规划方法的方法流程图；
图2为本发明实施例1所提供的规划方法的原理图；
图3为本发明实施例1所提供的转移状态图；
图4为本发明实施例1所提供的遗传算法的求解流程图；
图5为本发明实施例2所提供的规划系统的系统框图；
图6为本发明实施例3所提供的规划方法的方法流程图；
图7为本发明实施例4所提供的规划系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于飞机状态的备件动态规划方法及系统，能够基于飞机状态预测备件需求量，预测精度高。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例用于提供一种基于飞机状态的备件动态规划方法，如图1和图2所示，所述规划方法包括：
S1：获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
在进行备件动态规划前，本实施例先对有关飞机状态的备件保障影响因素进行分析，有关飞机状态的备件保障的主要影响因素包括：历史故障数据、季节性、日利用率和机队规模等，以下对各个影响因素进行分析。
(1)历史故障数据的影响。历史故障数据包括故障日期、故障原因、自修后使用时间TSR、修理周期和修理费用等，飞机上各部件的历史故障数据有助于备件需求量预测，可以排除因地域、航线、技术和管理带来的差异。具体的，故障日期可判断备件故障是否受季节影响；自修后使用时间TSR可以统计出平均故障间隔时间以及部件寿命特征，计算故障率；修理周期决定可修系统的修复率；修理费用可提供经济性的参考依据。
(2)季节的影响。受季节影响，备件在不同月份发生故障的次数有所差异。如在四季分明的地区，冬季寒冷，夏季温热，气温年相差较为悬殊。对备件的故障时间按月份进行了统计，得知备件在不同的月份发生故障的次数差异较大，统计春夏季与秋冬季的备件故障次数得知备件的故障呈现季节性。
(3)日利用率的影响。航空公司多以旅客运输为主业，由于旺季的飞机日利用率高于淡季，并且旺季客座率高，飞机因缺件导致的停场损失也较高，所以在备件保障中需要考虑淡、旺季带来的影响。
对淡、旺季的日利用率进行统计得知，旺季飞机日利用率约为年平均日利用率的1.1倍，淡季飞机日利用率约为年平均日利用率的0.9倍，故引入平均日利用率修正因子
旺季航班客座率高，备件短缺造成的飞机停场损失也要高于淡季，故引入飞机停场损失修正因子
(4)机队规模的影响。按照机队规模分类，国内诸多航空公司可以分为大型、中大型、中型、中小型、小型航空公司。机队规模对备件的影响是显而易见的，机队规模越大对备件的需求越多，平均备件保障成本越低。
考虑以上影响因素，本实施例在对备件进行规划时，需要先获取机队规模、机队年利用率以及历史故障数据，计算在这些参数影响下的备件需求量。
本实施例所述的待预测部件可为飞机上的任意部件，比如显示部件等。
S2：根据所述机队规模计算所述待预测部件的工作部件数量；
具体的，S2可以包括：确定待预测部件所属机型的每架飞机上安装的待预测部件的个数，然后计算机队规模和个数的乘积，得到待预测部件的工作部件数量。举例而言，待预测部件为某一机型的部件，该机型的机队规模为s架，机队中每架飞机上装有该部件m台，则正常运营时会有n＝s*m台部件在工作，即待预测部件的工作部件数量为n。
S3：根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；
S3可以包括：计算待预测部件每次故障的自修后使用时间的平均值，得到平均故障间隔时间，再计算平均故障间隔时间的倒数，得到待预测部件的故障率。
具体的，通过航空公司实际运营中记录的自修后使用时间TSR，统计可得平均故障间隔时间(Mean Time Between Failures，MTBF)。假设统计了某部件n次故障数据TSR，则n次故障的TSR之和除以次数n即为部件历次自修后使用时间TSR的平均数，亦为在当前飞机状态下该部件的平均故障间隔时间MTBF，则本实施例所用的故障率计算公式为：
其中，λ为故障率；MTBF为平均故障间隔时间；TSRi为第i次故障的自修后使用时间；i＝1，2，...，n；n为历史维修数据中的故障的总次数。
在获得待预测部件的历史故障数据后，利用上式即可确定待预测部件基于当前飞机状态的故障率。
在S1分析各个影响因素时，发现有些部件的故障会受季节的影响。基于此，本实施例提出了一种优选的故障率计算方式，在故障率计算过程中考虑季节的影响，此时，S3可以包括：
(1)根据历史故障数据所包括的待预测部件每次故障的故障日期，判断待预测部件是否属于季节性高发故障部件；
(2)若是，则确定待预测部件的故障高发季节，选取故障日期在故障高发季节以内的故障作为计算用故障，并计算所有计算用故障的自修后使用时间的平均值，得到平均故障间隔时间；
举例而言，在对历史故障数据进行分析时，发现春夏季(3-8月)待预测部件发生了20次故障，而在其他月份待预测部件只发生了2次故障，此时可以认为该待预测部件为季节性高发故障部件，春夏季为待预测部件的故障高发季节，此时会选取历史故障数据中故障日期处于3-8月以内的故障作为计算用故障，并计算这些计算用故障的自修后使用时间的平均值，得到平均故障间隔时间。需要说明的是，20次和2次只是本实施例为了详细描述季节性高发故障部件的一个示例，在实际应用中，本领域技术人员可以根据需要自定义判断待预测部件是否为季节性高发故障部件，并选取待预测部件的故障高发季节。
(3)若否，则计算待预测部件每次故障的自修后使用时间的平均值，得到平均故障间隔时间；
(4)计算平均故障间隔时间的倒数，得到待预测部件的故障率。
本实施例是想求解最佳的备件需求量，即求解在满足给定的备件保障率的要求下的最小备件量，针对该目标，本实施例应充分考虑实际运营情况，因此季节性因素需纳入考量，故本实施例针对季节性高发故障部件，平均故障间隔时间将采用季节性数据，而非全年平均数据，这是由于考虑季节性高发故障部件在故障率高的季节的数据比年平均数据更具有代表性，能够更加精确的确定备件需求量。
S4：根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；
航空公司监控TSR的单位是飞行小时(FH)，则故障率的单位为FH-1，故修复率也采用同样单位FH-1，因修理周期RTAT的单位是日历日，故通过机队年利用率AUR做单位换算，由此，S3可以包括：计算待预测部件每次故障的修理周期的平均值，得到平均修理周期；以机队年利用率和平均修理周期作为输入，利用第一修复率计算公式计算待预测部件的修复率。
其中，第一修复率计算公式如下：
其中，μ为修复率；MTTR(Mean Time to Restoration)为平均恢复前时间；RTAT为平均修理周期；AUR为机队年利用率。
作为另一种可选的实施方式，飞行状态的影响因素还包括旺季与淡季时飞机日利用率的差别，基于此，S4可以包括：
(1)根据预测时间段确定平均日利用率修正因子；
具体的，判断预测时间段属于旺季还是淡季，根据旺季和淡季确定平均日利用率修正因子的值。
(2)计算待预测部件每次故障的修理周期的平均值，得到平均修理周期；
(3)以机队年利用率、平均日利用率修正因子和平均修理周期作为输入，利用第二修复率计算公式计算待预测部件的修复率。
其中，第二修复率计算公式如下：
其中，μ为修复率；MTTR为平均恢复前时间；RTAT为平均修理周期；AUR为机队年利用率；θ为平均日利用率修正因子。
S5：根据所述待预测部件的类型确定备件保障率；
在S5之前，本实施例的规划方法还包括：根据安全级别和修复时限要求，对备件的备件保障率进行多层次设定，得到不同类型的备件对应的备件保障率。
具体的，对备件保障率水平进行多层级设定可以包括：
现有的备件保障率要求通常为0.9，备件保障率水平设定较为粗放，易造成备件冗余，导致大量资金占用，故本实施例结合民机备件安全级别的分类和GO IF件故障修复时限的不同要求，对备件保障率进行多层级设定。按安全级别，备件可分为不可放行件(NO GO件)、条件放行件(GO IF件)及可放行件(GO件)。按照修复时限要求又可分为A、B、C、D这4类，“A”类：没有规定标准的期限；“B”类：其必须在连续三个日历日之内落实好相应的修复工作；“C”类：其必须在连续的十个日历日之内落实好相应的修复工作；“D”类：其必须在连续的一百二十个日历日之内落实好相应的修复工作。当备件为NO GO件，其备件保障需求最高，对应备件保障率水平最高，当备件为A类GO IF件，其备件保障需求较高，对应备件保障率水平较高，B类GO IF件次之，D类GO IF件备件保障率水平为GO IF件中最低；在GO件中，为满足乘客需求，与客舱服务相关的备件应予以重视，而与客舱服务无关的备件的备件保障率水平最低。
基于此，本实施例针对对不同类型备件的备件保障率水平进行多层级设定这一步骤给出基于安全级别分类与修复时限的多层级备件保障率要求的参考设定值，如下表1所示：
表1
由于备件保障率的设定目的是进行安全与效益的权衡，对于不同航空公司，应根据自己的经营理念与实际情况的不同，结合航空公司运营经验设定数值，并在实际运营过程中不断完善备件保障率设定值，使之符合理想运营情况。故航空公司应结合实际运营经验与经营理念设定定制化的备件保障率水平并在运营中不断完善修改以符合实际理想经营状态，而不必严格采用表1所示的值。
S6：以所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量计算模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量计算模型根据马尔可夫生灭过程确定；所述备件量计算模型包括：所述备件需求量所对应的可靠度大于或等于所述备件保障率以及所述备件需求量与1的差值所对应的可靠度小于所述备件保障率。
待预测部件为某一机型的部件，该机型机队规模为s架，每架飞机上装有该部件m台，正常运营时有n台部件在工作，机队年利用率为AUR，单位飞行小时(FH)，该部件历次故障的自上次修理使用时间(TSR)和修理周期(RTAT)可获得，用λ、μ表示部件的故障率和修复率，设为该部件购置备件量为k，求满足备件保障率α的最小k值。本实施例的备件量计算模型则是用来求解最小k值。
本实施例的备件量计算模型的建立过程包括：
(1)对马尔可夫生灭过程进行备件故障特性考量。
通过部件的故障数量i来表示飞机系统的状态，考虑系统的前n+k+1状态，也就是0，1，2，…，n+k，系统各状态对应的工作部件数与库存备件数如下：
状态0：工作部件数为n，库存备件数为k；
状态1：工作部件数为n，库存备件数为k-1；
……
状态k：工作部件数为n，库存备件数为0；
状态k+1：工作部件数为n-1，库存备件数为0；
……
状态n+k-1：工作部件数为1，库存备件数为0；
状态n+k：工作部件数为0，库存备件数为0。
结合生灭过程的定义不难发现，这一系统能够归为马尔可夫生灭过程。
对于状态i(0≤i≤k)，单位时间系统的总故障率为nλ；对于状态i(k+1≤i≤k+n)，单位时间系统的总故障率为(n+k-i)λ；对于状态i，系统的总修复率为iμ。系统的转移状态图如图3所示。
对于状态0，处于Δt时间内，从该状态出发的概率近似为nλΔt，并未转移的概率是[1-nλΔt]；处于t+Δt时刻的时候，这项系统并未转移，仍是该状态的概率为P0[1-nλΔt]，从该状态转移，直至状态1的概率是P0nλΔt。处于Δt时间以内，从第二种状态转移到第一种状态的概率近似为μΔt；处于t+Δt时刻的时候，这项系统从第二种状态转移到第一种状态的概率为P1μΔt。可以得到下述公式：
P0(t+Δt)＝P0(t)[1-nλΔt]+P1(t)μΔt；
令Δt→0，则
同理可得：
由微分方程，可得P0(t)、P1(t)、…、Pn+k(t)，并且
其中，P0(t)、是指系统处于状态0的概率，P1(t)是指系统处于状态1的概率，Pn+k(t)是指系统处于状态n+k的概率。
(2)建立满足给定备件保障率水平的备件量计算模型
由于待预测部件装机数量及使用量比较大，则微分方程的维数增加，求解会变得困难。上述系统状态有限，必然存在平稳分布，而且本实施例所关心的也是部件稳定工作的情况。这意味着处于极限情况的时候，系统在完全稳态以后，系统处于状态i的概率Pi为常数，其微分为0。
对于状态0有：nλP0＝μP1，则
对于状态1有：(nλ+μ)P1＝nλP0+2μP2，则
……
对于状态k有：(nλ+kμ)Pk＝nλPk-1+(k+1)μPk+1，则
对于状态k+1有：[(n-1)λ+(k+1)μ]Pk+1＝nλPk+(k+2)μPk+2，则
……
对于状态k+n有：(n+k)μPk+n＝λPk+n-1，则
综上，系统各状态的概率：
根据全概率公式推导可得：
所以系统的可靠度为：
结合上述的公式，本实施例不难求出给定的可靠度下对应的数量最少的备件，与此同时，亦能够得到系统的可靠度。
对于给定的备件保障率α，按照下式求得的k值即为满足备件保障率α的最小备件量：
上式即为本实施例所建立的备件量计算模型，对于给定的备件保障率要求，可计算得到满足备件保障率的最小备件量。在得到该备件量计算模型后，以工作部件数量、修复率、故障率和备件保障率作为输入，利用遗传算法对备件量计算模型进行优化求解，即可得到待预测部件在预测时间段的备件需求量k。
采用遗传算法可有效解决该备件量计算模型的求解问题，其是进化算法的一种。“染色体”是遗传算法解决问题的解，即为个体。在算法中以一定方式对问题进行编码，且在运行算法前会将一个种群初始化，然后将按照“适者生存”的原则筛选出处于某一环境中种群的个体，并对其进行复制，再通过一定概率进行交换、变异，以产生新一代种群，其会更适应环境，最终，经过多代的进化会收敛得到最佳染色体，其对环境最为适应，即为问题的最优解。
具体的，如图4所示，其给出了遗传算法的流程图。利用遗传算法对备件量计算模型进行优化求解，得到待预测部件在预测时间段的备件需求量可以包括：
(1)随机确定多个备件量；
(2)对每一备件量进行编码，得到多个个体；所有个体组成初始种群；
本实施例中，“Encoding”表示染色体的编码方式，“varTypes”中0指染色体解码后对应的决策变量是离散的，1表示染色体解码后对应的决策变量为连续的，“ranges”表示自变量范围矩阵，其上界大于下界，“borders”中0指决策变量不包含边界，1指决策变量包含边界。本实施例还可以创建种群染色体矩阵。
(3)对于初始种群中的每一个个体，判断个体是否满足备件量计算模型，并选取所有满足备件量计算模型的个体组成待进化种群；
需要说明的是，个体满足备件量计算模型是指，将个体输入备件量计算模型后，个体所对应的可靠度大于或等于备件保障率，且个体与1的差值所对应的可靠度小于备件保障率。
(4)对待进化种群进行选择、交换和变异，得到更新后种群；
(5)判断是否达到迭代终止条件；
本实施例中，迭代终止条件可指迭代次数达到最大迭代次数，或者更新后种群中的个体数目为1个。
(6)若是，则以更新后种群的最小值作为待预测部件在预测时间段的备件需求量；
(7)若否，则以更新后种群作为下一迭代的初始种群，返回“对于初始种群中的每一个个体，判断个体是否满足备件量计算模型”的步骤。
通过软件运行上述针对保障备件量问题的遗传算法后，即可得到满足给定的备件保障率要求的最小备件量k。
本实施例分析季节对飞机备件故障次数的影响，以评估故障率季节性差异，并在备件量计算方法中加以考虑，分析淡旺季对日利用率与飞机停场损失的影响，以评估日利用率和飞机停场损失淡旺季差异，并在备件量计算方法中加以考虑，进而对有关飞机状态的备件保障影响因素进行分析，并在备件量计算方法中对备件保障影响因素进行评估，从而能够更加精确的计算备件需求量。
实施例2：
本实施例用于一种基于飞机状态的备件动态规划系统，如图5所示，所述规划系统包括：
第一数据获取模块M1，用于获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
计算模块M2，用于根据所述机队规模计算所述待预测部件的工作部件数量；根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；根据所述待预测部件的类型确定备件保障率；
第一预测模块M3，用于以所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量计算模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量计算模型根据马尔可夫生灭过程确定；所述备件量计算模型包括：所述备件需求量所对应的可靠度大于或等于所述备件保障率以及所述备件需求量与1的差值所对应的可靠度小于所述备件保障率。
实施例3：
基于经济性的备件规划中，备件成本通常只涵盖了采购成本，未考虑飞机停场损失成本，或者考虑了损失成本而没有考虑淡旺季差异等因素，因此，本实施例结合航空备件管理工作实际，充分考虑飞机状态对备件需求的影响，采用符合备件维修特点的马尔可夫生灭过程构建备件量计算模型，同时在满足给定的备件保障率的前提下构建基于备件成本分析的备件量动态规划模型，以计算满足备件保障率要求下使总保障成本最低的最佳备件量，为航空公司备件规划提供技术方法支持，实现经济成本的控制与企业效益的提升。
基于此，本实施例用于提供一种基于飞机状态的备件动态规划方法，如图6所示，所述规划方法包括：
T1：获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据和备件单价；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
T2：根据所述机队规模计算所述待预测部件的工作部件数量；
本实施例的T2与实施例1的S2步骤相同，在此不再赘述。
T3：根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；
本实施例的T3与实施例1的S3步骤相同，在此不再赘述。
T4：根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；
本实施例的T4与实施例1的S4步骤相同，在此不再赘述。
T5：根据所述待预测部件的类型确定备件保障率；
本实施例的T5与实施例1的S5步骤相同，在此不再赘述。
T6：以所述备件单价、所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量动态规划模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量动态规划模型包括目标函数和约束条件；所述目标函数为总保障成本最小；所述约束条件为所述备件需求量所对应的可靠度大于或等于所述备件保障率。
本实施例的基于备件总保障成本分析的备件量动态规划模型的建立过程包括：
(1)备件总保障成本分析：
根据航空公司实际运营，备件缺件后会立即安排从第三方求援，消耗件通过价拨采购，周转件短期租赁，备件总保障成本由备件采购成本、备件维修成本、备件存储成本、备件租赁费、飞机停场损失组成。本实施例旨在备件量规划，对备件维修成本与备件量的关联不进行考虑，故备件量动态规划模型不计算备件维修成本，但不代表维修成本为零。同时，备件存储成本很低以致可以忽略不计，并且租赁备件运输成本很低也可忽略不计。因此，该备件动态规划模型中总保障成本由采购成本、缺件成本、飞机停场损失构成。具体如下：
CT为总保障成本，本模型的目标是总保障成本最低。
CP为采购成本，即备件单价UP与备件量k的乘积。
CS为缺件成本，即发生缺件后租赁备件的费用，等于缺件数、概率、修复周期、日租金的乘积，缺件成本的计算公式如下：
其中，RD为备件日租金。根据已知航空公司与互援单位签署的互援协议，租赁可用部件(非全新)基准价格为目录价格的72％，承租方需付的日租金为基准价格的0.45％，即RD＝UP×72％×0.45％。
CO为停场损失，当NO GO件出现缺件情况时，会导致飞机停场继而产生停场损失，对于其他类型备件该项费用以零计。旺季航班客座率高，备件短缺造成的飞机停场损失也要高于淡季，在计算时乘以修正因子ψ，并根据所保障的时间段确定飞机停场损失修正因子ψ的取值。
停场损失计算公式为：
其中，Cg为地面延误损失；Ca为空中延误损失；Cm为食宿赔偿损失；Cw为口碑损失；Cmb为主营业务成本；Td为航班延误时长；T为飞行及延误总时长；xc为承运人原因导致航班延误概率；P为净利润；V为旅客平均票面价值；xd为航班延误概率；F为旅客运输量。
(2)构建备件量动态规划模型：模型以总保障成本最低为目标函数，满足给定备件保障率为约束条件。
备件量动态规划模型如下：
上式展开即：
本实施例利用遗传算法对备件量动态规划模型进行优化求解，得到待预测部件在预测时间段的备件需求量可以包括：
(1)随机确定多个备件量；
(2)对每一备件量进行编码，得到多个个体；所有个体组成初始种群；
(3)对于初始种群中的每一个个体，计算该个体的目标函数值，并选取满足约束条件的个体组成待进化种群；
(4)对待进化种群进行选择、交换和变异，得到更新后种群；
(5)判断是否达到迭代终止条件；
(6)若是，则以更新后种群中目标函数值最小的且满足约束条件的个体作为待预测部件在预测时间段的备件需求量；
(7)若否，则以更新后种群作为下一迭代的初始种群，返回“对于初始种群中的每一个个体，计算该个体的目标函数值”的步骤。
通过软件运行上述备件量动态规划问题的遗传算法后，即可得到在满足给定的保障率要求下使总保障成本最低的最佳备件量k。
在此，本实施例以H航空公司的E190机型显示组件为例，应用上述模型进行备件量的计算与优化。
E190机型显示组件寿命服从指数分布，每架飞机装有显示组件5台，该机型机队规模为6架，机队年利用率为3000FH，历次故障数据见表2，显示组件为GO IF件，修复时限为A类，器材单价146000美元，需确定暑运期间该显示组件的备件量。
表2：显示组件历史故障数据
按故障发生日期，将以上故障数据分春夏季和秋冬季(4至9月为春夏季，10至来年3月为秋冬季)，汇总可得，显示组件在春夏季的故障次数为13次，MTBF为6923.64FH；显示组件在秋冬季的故障次数为2次，MTBF为8962.20FH。由上述历史故障数据可知，显示组件的故障集中发生在春夏季(4-9月份)，春夏季故障间隔时间较短，故障率相对较高，考虑满足暑运期间的需求，故使用春夏季的故障率进行备件量计算，即故障率
平均修理周期RTAT＝45天，同时考虑暑运期间属于旺季，将日利用率修正因子加入计算，则修复率：
由于显示组件属于修复时限为A类的GO IF件，参照表1，备件保障率α设置为0.95。工作的部件数量：
n＝s×m＝30；
以上数据代入马尔可夫生灭过程备件量计算模型，使用软件运行遗传算法可得，为显示组件购置4台备件在旺季可满足保障率α≥0.95的要求。
现对E190机型显示组件进行基于经济性动态规划如下。对于H航空公司而言，E190飞机显示组件为GO IF件，可以办理故障保留，不考虑停场损失，即CO＝0；单价UP＝146000美元，日租金为RD＝UP×72％×0.45％，代入基于经济性备件量动态规划模型中，并使用软件运行遗传算法可得，在满足给定保障率约束条件下，使总保障成本最低的备件量为4，即当备件量为4时既满足保障率要求，又使得保障成本最小，其也是备件量动态规划所求的最佳备件量。
实际上，H航空公司E190显示组件的当前备件量正是4台，且保障状态较为理想，可知本实施例的计算结果与航空公司运营实际相吻合。通过本实施例的备件规划案例的应用，说明了本实施例提出的基于飞机状态的备件动态规划方法可以实现备件需求预测精度提升，从而有效控制备件成本，提升航空公司效益。
本实施例的备件动态规划方法根据民机备件的安全级别、故障修复时限等进行备件保障率多层级设定，对马尔可夫生灭过程进行备件故障特性考量，构建满足备件保障率水平的备件量计算模型，并对有关飞机状态的备件保障影响因素进行分析，在备件量计算方法中对影响因素进行评估，然后建立基于备件成本分析的备件量动态规划模型。与现有技术相比，该备件规划方法提高了备件需求预测精度，使备件保障规划更加符合实际情况，可在确保备件保障率要求的前提下有效控制经济成本，提升航空公司效益，从而可为航空公司备件规划提供技术方法支持。
实施例4：
本实施例用于提供一种基于飞机状态的备件动态规划系统，如图7所示，所述规划系统包括：
第二数据获取模块M4，用于获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据和备件单价；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
计算模块M2，用于根据所述机队规模计算所述待预测部件的工作部件数量；根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；根据所述待预测部件的类型确定备件保障率；
第二预测模块M5，用于以所述备件单价、所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量动态规划模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量动态规划模型包括目标函数和约束条件；所述目标函数为总保障成本最小；所述约束条件为所述备件需求量所对应的可靠度大于或等于所述备件保障率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于飞机状态的备件动态规划方法，其特征在于，所述规划方法包括：
获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
根据所述机队规模计算所述待预测部件的工作部件数量；
根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；
根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；
根据所述待预测部件的类型确定备件保障率；
以所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量计算模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量计算模型根据马尔可夫生灭过程确定；所述备件量计算模型包括：所述备件需求量所对应的可靠度大于或等于所述备件保障率以及所述备件需求量与1的差值所对应的可靠度小于所述备件保障率。
2.根据权利要求1所述的规划方法，其特征在于，所述利用遗传算法对备件量计算模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量具体包括：
随机确定多个备件量；
对每一所述备件量进行编码，得到多个个体；所有所述个体组成初始种群；
对于所述初始种群中的每一个所述个体，判断所述个体是否满足所述备件量计算模型，并选取所有满足所述备件量计算模型的个体组成待进化种群；
对所述待进化种群进行选择、交换和变异，得到更新后种群；
判断是否达到迭代终止条件；
若是，则以所述更新后种群的最小值作为所述待预测部件在预测时间段的备件需求量；
若否，则以所述更新后种群作为下一迭代的初始种群，返回“对于所述初始种群中的每一个所述个体，判断所述个体是否满足所述备件量计算模型”的步骤。
3.根据权利要求1所述的规划方法，其特征在于，所述根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率具体包括：
计算所述待预测部件每次故障的自修后使用时间的平均值，得到平均故障间隔时间；
计算所述平均故障间隔时间的倒数，得到所述待预测部件的故障率。
4.根据权利要求1所述的规划方法，其特征在于，所述根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率具体包括：
根据所述历史故障数据所包括的所述待预测部件每次故障的故障日期，判断所述待预测部件是否属于季节性高发故障部件；
若是，则确定所述待预测部件的故障高发季节，选取故障日期在所述故障高发季节以内的故障作为计算用故障，并计算所有所述计算用故障的自修后使用时间的平均值，得到平均故障间隔时间；
若否，则计算所述待预测部件每次故障的自修后使用时间的平均值，得到平均故障间隔时间；
计算所述平均故障间隔时间的倒数，得到所述待预测部件的故障率。
5.根据权利要求1所述的规划方法，其特征在于，所述根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率具体包括：
计算所述待预测部件每次故障的修理周期的平均值，得到平均修理周期；
以所述机队年利用率和所述平均修理周期作为输入，利用第一修复率计算公式计算所述待预测部件的修复率；
其中，所述第一修复率计算公式包括：
其中，μ为所述修复率；MTTR为平均恢复前时间；RTAT为所述平均修理周期；AUR为所述机队年利用率。
6.根据权利要求1所述的规划方法，其特征在于，所述根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率具体包括：
根据所述预测时间段确定平均日利用率修正因子；
计算所述待预测部件每次故障的修理周期的平均值，得到平均修理周期；
以所述机队年利用率、所述平均日利用率修正因子和所述平均修理周期作为输入，利用第二修复率计算公式计算所述待预测部件的修复率；
其中，所述第二修复率计算公式包括：
其中，μ为所述修复率；MTTR为平均恢复前时间；RTAT为所述平均修理周期；AUR为所述机队年利用率；θ为所述平均日利用率修正因子。
7.根据权利要求1所述的规划方法，其特征在于，在根据所述待预测部件的类型确定备件保障率之前，所述规划方法还包括：
根据安全级别和修复时限要求，对备件的备件保障率水平进行多层次设定，得到不同类型的备件对应的备件保障率。
8.一种基于飞机状态的备件动态规划系统，其特征在于，所述规划系统包括：
第一数据获取模块，用于获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
计算模块，用于根据所述机队规模计算所述待预测部件的工作部件数量；根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；根据所述待预测部件的类型确定备件保障率；
第一预测模块，用于以所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量计算模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量计算模型根据马尔可夫生灭过程确定；所述备件量计算模型包括：所述备件需求量所对应的可靠度大于或等于所述备件保障率以及所述备件需求量与1的差值所对应的可靠度小于所述备件保障率。
9.一种基于飞机状态的备件动态规划方法，其特征在于，所述规划方法包括：
获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据和备件单价；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
根据所述机队规模计算所述待预测部件的工作部件数量；
根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；
根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；
根据所述待预测部件的类型确定备件保障率；
以所述备件单价、所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量动态规划模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量动态规划模型包括目标函数和约束条件；所述目标函数为总保障成本最小；所述约束条件为所述备件需求量所对应的可靠度大于或等于所述备件保障率。
10.一种基于飞机状态的备件动态规划系统，其特征在于，所述规划系统包括：
第二数据获取模块，用于获取待预测部件所属机型的机队规模和机队年利用率，并获取所述待预测部件的历史故障数据和备件单价；所述历史故障数据包括所述待预测部件每次故障的自修后使用时间和修理周期；
计算模块，用于根据所述机队规模计算所述待预测部件的工作部件数量；根据所述待预测部件每次故障的自修后使用时间计算所述待预测部件的故障率；根据所述机队年利用率和所述待预测部件每次故障的修理周期计算所述待预测部件的修复率；根据所述待预测部件的类型确定备件保障率；
第二预测模块，用于以所述备件单价、所述工作部件数量、所述故障率、所述修复率和所述备件保障率作为输入，利用遗传算法对备件量动态规划模型进行优化求解，得到所述待预测部件在预测时间段的备件需求量；所述备件量动态规划模型包括目标函数和约束条件；所述目标函数为总保障成本最小；所述约束条件为所述备件需求量所对应的可靠度大于或等于所述备件保障率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210958798.5A CN115330045A (zh) | 2022-08-10 | 2022-08-10 | 一种基于飞机状态的备件动态规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210958798.5A CN115330045A (zh) | 2022-08-10 | 2022-08-10 | 一种基于飞机状态的备件动态规划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115330045A true CN115330045A (zh) | 2022-11-11 |
Family
ID=83922578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210958798.5A Pending CN115330045A (zh) | 2022-08-10 | 2022-08-10 | 一种基于飞机状态的备件动态规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330045A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757308A (zh) * | 2023-05-23 | 2023-09-15 | 中国人民解放军海军工程大学 | 一种电子类表决部件的备件需求量预测方法及系统 |
| CN117408668A (zh) * | 2023-08-07 | 2024-01-16 | 长龙(杭州)航空维修工程有限公司 | 基于飞机健康管理的检修方法、系统、设备和存储介质 |
-
2022
- 2022-08-10 CN CN202210958798.5A patent/CN115330045A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757308A (zh) * | 2023-05-23 | 2023-09-15 | 中国人民解放军海军工程大学 | 一种电子类表决部件的备件需求量预测方法及系统 |
| CN116757308B (zh) * | 2023-05-23 | 2024-02-09 | 中国人民解放军海军工程大学 | 一种电子类表决部件的备件需求量预测方法及系统 |
| CN117408668A (zh) * | 2023-08-07 | 2024-01-16 | 长龙(杭州)航空维修工程有限公司 | 基于飞机健康管理的检修方法、系统、设备和存储介质 |
| CN117408668B (zh) * | 2023-08-07 | 2024-05-10 | 长龙(杭州)航空维修工程有限公司 | 基于飞机健康管理的检修方法、系统、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bie et al. | Optimization of electric bus scheduling considering stochastic volatilities in trip travel time and energy consumption | |
| CN112884404B (zh) | 一种智能供应链库存中转优化及异动预警系统 | |
| CN115330045A (zh) | 一种基于飞机状态的备件动态规划方法及系统 | |
| Baringo et al. | Risk-constrained multi-stage wind power investment | |
| Hsu et al. | Aircraft replacement scheduling: A dynamic programming approach | |
| Patriarca et al. | Inventory model for a multi-echelon system with unidirectional lateral transshipment | |
| Guo et al. | Designing a sustainable-remanufacturing closed-loop supply chain under hybrid uncertainty: Cross-efficiency sorting multi-objective optimization | |
| Yang et al. | Fleet-level selective maintenance problem under a phased mission scheme with short breaks: A heuristic sequential game approach | |
| Ebadian et al. | A new decision-making structure for the order entry stage in make-to-order environments | |
| Hassan et al. | A risk‐based approach to manage non‐repairable spare parts inventory | |
| Qiu et al. | Joint optimization of production and condition-based maintenance scheduling for make-to-order manufacturing systems | |
| van der Weide et al. | Robust long-term aircraft heavy maintenance check scheduling optimization under uncertainty | |
| Manco et al. | Maintenance management for geographically distributed assets: a criticality-based approach | |
| Rodrigues et al. | Spare parts inventory control for non-repairable items based on prognostics and health monitoring information | |
| KR20190135591A (ko) | 자재 재고 예측 시스템 및 이를 이용한 방법 | |
| Wu et al. | Pareto truck fleet sizing for bike relocation with stochastic demand: Risk-averse multi-stage approximate stochastic programming | |
| Ja et al. | Warranty reserves for nonstationary sales processes | |
| CN116933937B (zh) | 一种基于模型迁移学习的电子产品零件备货量预测方法 | |
| Hu et al. | Knowledge-enhanced reinforcement learning for multi-machine integrated production and maintenance scheduling | |
| Batavia | Front-end loading for life cycle success | |
| CN116029421A (zh) | 一种数据驱动的售后服务电子产品零件备货量计算方法 | |
| Alizadeh et al. | A trio of resiliency, reliability, and uncertainty to design and plan the downstream oil supply chain | |
| Mabini et al. | Controlling multi-indenture repairable inventories of multiple aircraft parts | |
| Değirmencioğlu et al. | Forecasting | |
| KR102013882B1 (ko) | 폴리머 생산 스케줄링 방법 및 스케줄링 장치 |
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 |