Lockheed Martin 建立离散事件模型来预测 F-35 机队性能
“通过使用 Simulink 和 SimEvents 建模,并在计算机集群上运行离散事件仿真,我们很快发现有许多机会可以最大限度地提高 F-35 机队的性能,同时最大限度地减少开发和执行工作量。”
挑战
预测 F-35 机队性能,最大限度地降低生命周期成本并提高任务准备能力
解决方案
使用 Simulink 和 SimEvents 建立机队离散事件模型,使用 MATLAB Parallel Server 加速数千次仿真,使用 Deep Learning Toolbox 对结果进行插值
结果
- 仿真构建时间从数月缩短到数小时
- 减少了开发工作量
- 仿真时间减少了数月
![](https://ww2.mathworks.cn/company/user_stories/lockheed-martin-builds-discrete-event-models-to-predict-f-35-fleet-performance/_jcr_content/imageEnhancedParsys/image.adapt.full.medium.jpg/1716388498577.jpg)
F-35 机队准备起飞。
Lockheed Martin 的 F-35 闪电 II 战斗机性能延伸计划通过最大限度地减少停机时间、提供飞行员培训支持以及确保部件可用性,同时避免不必要的储备,来降低 F-35 机队的生命周期成本并提高其任务准备能力。该计划依赖对机队性能的准确预测来实现这些目标,包括对飞机停飞时间的预测。
Lockheed Martin 的工程师们使用 Simulink®、SimEvents®、Deep Learning Toolbox™ 和 MATLAB Parallel Server™ 对机队性能进行建模,并基于在一个 256-worker 的计算集群上完成的数万次仿真做出预测。
Lockheed Martin 项目工程师 Justin Beales 表示:“我们使用 Simulink 和 SimEvents 创建了一个模型,在其中整合了整个 F-35 计划的数据,仿真了多年时间跨度内的数百个地点每天运行的数千架飞机,并且每架飞机都有数千个零部件。在我们的集群上加速数千次 Monte Carlo 仿真,然后使用 Deep Learning Toolbox 对结果进行插值,这将为我们节省几年的处理时间。”
挑战
由于飞机及其所需的全球物流支持系统的复杂性,仿真 F-35 机队的性能极具挑战性。Lockheed Martin 最初尝试使用现有工具进行预测,但事实证明,这些工具让问题变得更复杂。
Lockheed Martin 团队希望开发一个详细的、易于配置的模型,用来快速仿真数千个参数组合和场景。他们需要运用先进的技术来生成和分析结果,包括实验设计、机器学习以及其他统计和概率方法。
解决方案
Lockheed Martin 的工程师们为 F-35 机队开发了一个复杂的 Simulink 模型,并使用 SimEvents 离散事件仿真引擎对模型进行了仿真。
他们使用 SimEvents 创建实体以构建模型的核心,并使用带 MATLAB® 代码的属性函数块实现系统逻辑。该模型包含零部件和飞机性能数据,以及关于飞机改装、异常维修事件、零部件可用性和飞机活动的数据。
他们使用测试用例和国防部验证、确认及认证指南对模型进行验证。
工程师们基于实验设计,对包含随机事件和参数变体的数千次试验进行了 Monte Carlo 仿真。为了更快地生成结果,该团队使用 Parallel Computing Toolbox™ 和 MATLAB Parallel Server 在一个 256-worker 集群上并行运行多个仿真。
他们使用 Deep Learning Toolbox 训练神经网络以得到仿真结果,使其能够对仿真数据进行插值。
在仿真过程中,Simulink 记录并存储了所有发生的事件。为了对这些数据进行后处理,该团队开发了 MATLAB 脚本来计算性能指标,生成带注释的 MATLAB 绘图,并创建 Microsoft® Excel 文件以供其他分析师使用。
Lockheed Martin 已在使用该模型预测机队性能,以支持 F-35 性能延伸计划。该团队目前正在研究在其他计划中使用此模型的方法。
结果
- 仿真设置时间从数月缩短到数小时。Beales 表示:“设置旧系统的数据输入需要几个月的时间。相比之下,我们现在一天内就可以使用新的数据集设置并运行 Simulink 和 SimEvents 模型。”
- 减少了开发工作量。Beales 表示:“Simulink 和 SimEvents 极大地提升了我们的机队性能预测能力,同时最大限度地减少了开发工作量。”
- 仿真时间减少了数月。Beales 表示:“在集群上(而不是在 12 核台式计算机上)并行运行我们的仿真,让仿真的完成速度快了 20 多倍。此外,使用 Deep Learning Toolbox 执行插值大大减少了需要执行的仿真次数,从而节省了额外的 CPU 时间。”