[发明专利]基于任务和MTBF的武器系统随行备件需求预测及评估系统

说明书

本发明提供了一种基于任务和故障间隔时间(MTBF)的武器系统随行备件需求预测及评估方法和系统，包括：整理武器系统各现场可更换单元(LRU)MTBF；计算在一定保障概率下LRU的损坏数量，来预测达到某一保障概率所需要备件数量；结合未选中的影响作战的备件，并考虑其是否为双冗余设计，选择影响作战且不是双冗余的LRU作为备件；对最终武器系统的备件配置进行评估。本发明对备件需求进行预测，在保证武器系统作战前提下尽可能的减少备件的配置，并采用合理的评估方法增强备件配置的科学性和可评价性。本发明无需经过拟合、基于产品状态直接预测，提高了部队保障的准确性，降低了保障压力，使备件的保障更加精准高效。

技术领域

本发明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。

背景技术

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。

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。

例如中国授权发明专利文献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，选择训练集，对每个训练样本构建时序特征，对训练集分别训练GPR模型、GMR模型、RBFN模型，根据样本预测偏差对训练样本进行最优模型标签标定，对标定后的数据集分别进行GMM模型训练，将待测样本的时序特征输入到不同GMM模型中，得到三个概率值，比较概率值选择最优模型标签，将待测样本的时序特征输入到对应的最优模型进行再训练，使用再训练的最优模型预测待测样本下个月的使用数量。但是，其采用样本训练，难以适应小范围小样本的武器系统。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于任务和MTBF的武器系统随行备件需求预测及评估系统和系统。

根据本发明提供的一种基于任务和MTBF的武器系统随行备件需求预测及评估方法，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。

优选地，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；