《用于改善国防后勤流程的新型预测性维护方法》附论文与PPT，2022年北约“评估新兴技术对军事后勤的影响”研讨会

摘要

新兴的机器学习（ML）解决方案旨在通过提高平均无故障时间来预测和预期资产故障的可能性，使新的维护策略能够降低综合后勤支持成本。本文介绍了一种新型的预测性维护方法，它可以优化维护计划，从而优化整个系统的生命周期成本。

此外，随着北约越来越多地参与部署行动，今天有必要将注意力集中在可用性和任务可靠性上，其中飞机在任务期间的操作可用性是整体可用性的一个重要方面。

在这里，我们提出了一种混合ML方法，通过最大限度地提高飞机的可用性和最小化维修需求及相关的停机时间，来增加预测的可靠性和改善总的生命周期成本。这种创新的方法优化了北约物流中影响物流足迹和维护过程的主要操作差距，通过改善整体系统性能和提高整个在役期的系统可靠性。此外，这种方法允许客户估计资产的实际剩余工作时间，通过提前管理其可靠性风险和异常情况，大大减少意外停机时间。

总之，这一策略的应用为决策者提供了一个更可靠和实时的实地军事资产的物流态势感知。

关键词：预测性维护、机器学习、态势感知、决策、物流、可用性

1.0 引言

如今，大量的在役后勤数据（来自传感器或遗留的信息后勤系统）也可以在国防领域使用，从生命周期成本的角度来看，学习模型技术可以应用于这些数据，并取得有趣的结果。

在航空领域，人工智能已经奠定了基础，通过减少维修工作时间来保证资源优化和后勤能力的提高，对维修成本产生直接影响。

事实上，建立最佳的维修调度需要来自模块和子模块（以及它们的组合）的基本参数信息，而且是超时。

本文介绍了一种基于机器学习技术的新型预测性维修方法，用于改善军用飞机在役后勤保障流程，其主要目标是：

• 提高平均故障间隔时间（MTBF）

• 提高后勤KPI预测的可靠性

• 减少维修支持成本/工作时间

本文特别介绍了三种基于监督机器学习算法的不同预测性维护方法，每种方法都来自意大利空军（ITAF）的维护修理和大修（MRO）单位所经历的真实问题：

用例1：智能飞机异常分析，重点是支持维修人员使用自然语言处理（NLP）方法解决新提出的异常情况

用例2：飞机机队可用性的提高，重点是估计飞机的剩余飞行时间，以提高飞机机队的可用性

用例3：发动机试验台（ETS） 数字双胞胎也被称为数字复制品，已将技术带到新的有趣的场景。这个用例的重点是在模拟环境中使用深度学习方法减少特定发动机可能遭受的ETS的数量。