【技术实现步骤摘要】
基于任务和MTBF的武器系统随行备件需求预测及评估系统
[0001]本专利技术涉及武器系统中备件选取及评估方法,涉及一种基于任务和MTBF的武器系统随行备件需求预测及评估系统。MTBF,Mean Time Between Failure,平均无故障工作时间,即故障间隔时间。
技术介绍
[0002]随着科技的发展,武器系统对保障的轻量精准要求越来越高。若备件配置过高,则特别是在野战或者远洋航行中携带大量的备件,占据一部分作战空间,增加了部队的后勤负担,而且还增加了资金投入。若备件配置不足,则可能导致武器装备不能及时维修投入使用,无法保持持续作战能力。因此,精准合理的备件配置,在保证武器装备正常作战和维修需求的前提下减少备件数量,并依靠备件的实际使用数据,采用合理的评估方法增强备件配置的科学性和可评价性,具有十分重要的意义。
[0003]在现有技术中,目前武器系统的需求预测方法主要是由设计师的工程经验或者机器学习的方法得出,未能充分考虑作战需求、备件的故障间隔时间和装备设计。机器学习算法,如神经网络、支持向量回归等方法主要是基于大数据的预测,难以适应小范围小样本的武器系统。武器系统的备件是高可靠性的备件,备件有其特定寿命分布,当备件达到寿命期限后才会产生需求,因此仅依靠机器学习或者工程经验的方法都需要大量的时间或者数据作为支撑,而且准确率较低。
[0004]例如中国授权专利技术专利文献CN108710905B公开了一种基于多模型联合的备件数量预测方法和系统,该方法包括:构建备件历史使用数量数据库,选择训练 ...
【技术保护点】
【技术特征摘要】
1.一种基于任务和MTBF的武器系统随行备件需求预测及评估方法,其特征在于,包括:步骤S1:获取被选为备件的外场可更换单元LRU的数据;步骤S2:根据所述外场可更换单元LRU的数据,计算每个LRU在设定保障概率下的备件需求数量;步骤S3:从未被选为备件的LRU中筛选出LRU补充作为备件;筛选剩余的未被选为备件的LRU的需求数量设定为默认值;步骤S4:对配置备件的保障概率进行评估,得到评估结果,其中,所述配置备件包括步骤S2、步骤S3配置的备件。2.根据权利要求1所述的基于任务和MTBF的武器系统随行备件需求预测及评估方法,其特征在于,在所述步骤S1中:所述外场可更换单元LRU的数据包括:第i个LRU的平均故障间隔时间MTBF
i
、第i个LRU的工作时间tw
i
、第i个LRU的装机数N
i
,i=1,2,
…
,N
s
,N
s
表示备件种类数量;第i个LRU的工作时间tw
i
=第i个LRU的历史工作时间+第i个LRU的任务预计工作时间tp
i
;其中:第i个LRU的历史工作时间,是指第i个LRU在装机之后的工作时间;第i个LRU的任务预计工作时间tp
i
=(第i个LRU的使用寿命/第i个LRU的使用年限)*第i个LRU的任务时间。3.根据权利要求2所述的基于任务和MTBF的武器系统随行备件需求预测及评估方法,其特征在于,在步骤S2中:根据确定各个LRU的MTBF
i
、工作时间tw
i
和不同备件的装机数量N
i
来计算各型备件在某一保障概率P下所需的备件实际配置数量n
i
;λ=1/MTBF
i
P为保障概率;S为备件配置数量;将计算得到的S的值作为备件实际配置数量n
i
;λ为备件故障率;j为依次取从0到S的数;符号!为阶乘。4.根据权利要求1所述的基于任务和MTBF的武器系统随行备件需求预测及评估方法,其特征在于,在所述步骤S3中:步骤S3.1:获取未被选为备件的LRU;步骤S3.2:从未被选为备件的LRU中,筛选得到影响作战的LRU;步骤S3.3:判断各个影响作战的LRU是否为双冗余设计;步骤S3.4:若是,则舍掉影响作战的LRU,不作为备件;若否,则将影响作战的LRU确定补充为备件,即为新增的备件;步骤S3.5:根据新增的备件来更新备件种类数量N
s
。5.根据权利要求2所述的基于任务和MTBF的武器系统随行备件需求预测及评估方法,
其特征在于,在所述步骤S4中:评估满足率B1:N
s
表示备件种类数量;ne
i
表示第i个实际配置备件的理论需求数;N
z
表示理论备件的种类数;n
li
表示第i个理论备件配置数量,其中,理论备件配置数量N
li
表示第i个URL的装机数量;评估利用率B2:6.一种...
【专利技术属性】
技术研发人员:冯安安,汪溢,杜哲,龚琳舒,郭森,慈慧鹏,张绍伟,李嵘,李爱国,王大为,
申请(专利权)人:上海机电工程研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。