Опыт Lockheed Martin по увеличению уровня готовности самолётов F-35 с помощью дискретно-событийного моделирования

Задача

Спрогнозировать эффективность парка самолетов F-35 для уменьшения затрат на обслуживание и увеличения уровня готовности.

Решение

Построение дискретно-событийной модели самолета в среде Simulink при помощи библиотеки SimEvents, использование MATLAB Distributed Computing Server для быстрого расчета тысяч симуляций, а также анализ результата с помощью Neural Network Toolbox.

Результаты

• Время настройки симуляции сокращено с месяцев до дней
• Снижены затраты на разработку
• Время симуляции сокращено на месяцы

Эпиграф

«Дискретно-событийная модель, построенная с помощью Simulink и SimEvents и запущенная на вычислительном кластере, позволила нам быстро выявить ряд возможностей по увеличению уровня готовности F-35. Кроме того, были заметно снижены затраты на разработку и обслуживание», – Джастин Билес, Локхид Мартин.

Краткое резюме

Программа Локхид Мартин «F-35 Lightning II Sustainment» снижает затраты на протяжении всего жизненного цикла и повышает готовность к полетам парка F-35. Это достигается за счет сведения к минимуму времени простоя, поддержки обучения пилотов и обеспечения доступности запасных частей, причем без излишних запасов. Для достижения этих целей необходимо точно прогнозировать уровень готовности самолетов, а также длительность наземного обслуживания.

Инженеры фирмы Локхид Мартин использовали Simulink, SimEvents, Neural Network Toolbox, а также MATLAB Distributed Computing Server для того, чтобы смоделировать работу всех самолётов, составляющих парк F-35, и построить предсказания на основе десятков тысяч симуляций. Для этого был использован кластер из 256 отдельных компьютеров.

«С помощью Simulink и SimEvents мы смогли создать модель, включающую в себя реальные данные со всех самолетов, входящих в парк F-35, и провести на ней симуляции тысяч полетов. При этом учитывался разброс параметров каждой из сотен отдельных частей самолета, а также изменение их характеристик с течением времени», – рассказывает Джастин Билес, инженер-разработчик Локхид Мартин. «Для расчётов по методу Монте-Карло необходимо было провести тысячи симуляций. Использование вычислительного кластера, а также применение нейронных сетей с помощью Neural Network Toolbox позволило сэкономить годы процессорного времени».

Постановка задачи

Симуляция парка F-35 чрезвычайно сложна из-за сложности самолета и общей логистической системы, необходимой для его поддержки. Сначала в Локхид Мартин пытались составлять прогнозы, используя существующие инструменты, но это только увеличивало сложность проблемы.

Команда Локхид Мартин хотела разработать подробную, легко настраиваемую модель, которую они могли бы использовать для быстрого моделирования тысяч комбинаций параметров и сценариев. Им нужно было применять передовые методы для генерации и анализа результатов, такие как планирование эксперимента, машинное обучение, а также другие статистические и вероятностные методы.

Решение

Инженеры компании Lockheed Martin разработали дискретно-событийную модель самолёта F-35, применив для этого библиотеку SimEvents.

Ядро модели, в котором формировались события, было построено средствами SimEvents. Логика работы системы при возникновении каждого события описывалась на языке MATLAB с помощью блока «Attribute Function». Помимо информации о структуре систем самолёта, модель включала в себя реальные данные, собранные с существующих самолётов, а также сведения о внеплановых ремонтах. Кроме того, учитывались возможные модификации конструкции и доступность запчастей.

Модель была верифицирована в соответствии с требованиями и инструкциями по проверке, аттестации и аккредитации Министерства обороны США.

Для реализации метода Монте-Карло были проведены тысячи симуляций, причём учитывались как случайные события, так и вариация параметров в соответствии с теорией планирования эксперимента. Для скорейшего получения результатов использовались Parallel Computing Toolbox и MATLAB Distributed Computing Server, обеспечивающие беспроблемную работу с кластером из 256-ти компьютеров.

По результатам моделирования обучалась нейронная сеть, для чего был применён инструмент Neural Network Toolbox. Обученная нейронная сеть, в свою очередь, использовалась для интерполяции результатов.

В ходе симуляции все происходящие в модели события сохранялись для последующего анализа. Для обработки собранных данных была написана программа на языке MATLAB, вычисляющая показатели готовности. Дополнительно в этой же программе создавались аннотированные графики, а также файлы в формате Microsoft Excel, которые передавались аналитикам.

В настоящее время Локхид Мартин использует эту модель для прогнозирования готовности в программе «‎F-35 Sustainment». Сейчас команда рассматривает способы использования модели в других программах.

Результаты

• Время симуляции сокращено с месяцев до дней. «Для ввода данных в старую систему потребовалось бы несколько месяцев, – говорит Билс. – Нашу же модель, благодаря применению Simulink и SimEvents, мы можем настроить и запустить с новым набором данных за один день».
• Снижены затраты на разработку. «Simulink и SimEvents значительно расширили наши возможности прогнозирования готовности парка при одновременном снижении затрат на разработку».
• Время симуляции сокращено на месяцы. «Запуская наши симуляции параллельно на кластере, а не на обычных компьютерах (хотя и 12-ядерных), мы просчитали их более чем в 20 раз быстрее», – говорит Билс. – Кроме того, интерполяция, которую мы выполняем с помощью Neural Network Toolbox, значительно сократила количество симуляций, которые нам нужно было выполнить, и это дополнительно сэкономило нам процессорное время».