Lockheed Martin baut ereignisdiskrete Modelle, um die Leistung der F-35-Flotte vorherzusagen
„Durch die Erstellung eines Modells mit Simulink und SimEvents und der Durchführung von ereignisdiskreten Simulationen auf einem Computer-Cluster konnten wir in kürzester Zeit eine Vielzahl von Möglichkeiten identifizieren, die Leistung der F-35-Flotte zu maximieren und gleichzeitig den Entwicklungs- und Ausführungsaufwand zu minimieren.“
Die Herausforderung
Die Lösung
Mit Simulink und SimEvents ein Discrete-Event-Modell der Flotte erstellen, mit MATLAB Parallel Server Tausende von Simulationen beschleunigen und mit der Deep Learning Toolbox die Ergebnisse interpolieren
Die Ergebnisse
- Die Einrichtungszeit für Simulationen reduzierte sich von Monaten auf Stunden
- Es gab weniger Entwicklungsaufwand
- Die Simulationsdauer verkürzte sich um Monate
Das Lockheed Martin-Programm „F-35 Lightning II Sustainment“ verringert die Lebenszykluskosten und steigert die Einsatzbereitschaft der F-35-Flotte, da es Ausfallzeiten minimiert, das Pilotentraining unterstützt und für die Verfügbarkeit von Teilen ohne übermäßige Lagerhaltung sorgt. Erreicht werden diese Ziele, wenn das Programm über zutreffende Prognosen der Flottenleistung verfügt, darunter Hochrechnungen zur Zeitdauer, die ein Luftfahrzeug wartungsbedingt am Boden bleiben muss.
Die Konstruktionsteams bei Lockheed Martin arbeiteten mit Simulink®, SimEvents®, der Deep Learning Toolbox™ und MATLAB Parallel Server™ an der Modellierung der Flottenleistung. Auf Basis von Zehntausenden von Simulationen in einem Computerverbund mit 256 Arbeitsknoten (Workers) wurden Prognosen erstellt.
„Mit Simulink und SimEvents erstellten wir ein Modell, das Daten aus dem gesamten F-35-Programm einbindet und Tausende jeden Tag aktive Luftfahrzeuge simuliert, die jeweils aus Tausenden von Teilen bestehen und sich im Laufe der Jahre an Hunderten von Standorten befinden“, so Justin Beales, Projektingenieur bei Lockheed Martin. „Tausende von Monte-Carlo-Simulationen in unserem Cluster zu beschleunigen und die Ergebnisse dann mit der Deep Learning Toolbox zu interpolieren, wird uns Jahre an Verarbeitungszeit ersparen.“
Die Herausforderung
Die Leistung der F-35-Flotte zu simulieren, ist extrem schwierig, da es sich um ein komplexes Luftfahrzeug handelt, das von einem globalen Logistiksystem unterstützt werden muss. Zunächst wollte Lockheed Martin die Prognosen mit vorhandenen Tools generieren, die das Problem jedoch nur noch komplexer machten.
Das Team von Lockheed Martin wollte ein detailliertes, einfach konfiguriertes Modell entwickeln, mit dem in kurzer Zeit Tausende von Parameterkombinationen und Szenarien simulierbar waren. Fortschrittliche Techniken waren nötig, um die Ergebnisse zu generieren und zu analysieren, darunter statistische Versuchsplanung, Machine Learning sowie andere statistische und probabilistische Methoden.
Die Lösung
Das Konstruktionsteam von Lockheed Martin entwickelte ein ausgeklügeltes Simulink-Modell der F-35-Flotte und simulierte es mithilfe der SimEvents-Simulations-Engine für diskrete Modelle.
Der Modellkern wurde mit SimEvents erstellt, um Entitäten zu erzeugen. Die Systemlogik wurde dann mithilfe von Attribute Function-Blöcken mit MATLAB® Code implementiert. Das Modell enthielt Leistungsdaten der Bauteile und Luftfahrzeuge sowie Daten zu Modifikationen an Luftfahrzeugen, abweichenden Wartungsvorkommnissen, Teileverfügbarkeit und Luftfahrzeug-Aktivität.
Verifiziert wurde das Modell mithilfe von Testfällen und gemäß den Verifikations-, Validierungs- und Akkreditierungsvorschriften des US-Verteidigungsministeriums.
Monte-Carlo-Simulationen wurden mit Tausenden von Testläufen ausgeführt, die sowohl zufällige Ereignisse als auch Parametervariationen auf Basis von statistischer Versuchsplanung aufwiesen. Zur schnelleren Ergebnisgenerierung wurden die Parallel Computing Toolbox™ und MATLAB Parallel Server verwendet; sie führten mehrere Simulationen parallel in einem Cluster mit 256 Worker-Knoten aus.
Die Deep Learning Toolbox kam beim Trainieren eines neuronalen Netzes mit den Simulationsergebnissen zum Einsatz, wodurch die Simulationsdaten interpoliert werden konnten.
Während der Simulationen zeichnete Simulink alle auftretenden Ereignisse auf und speicherte sie. Zur Nachverarbeitung dieser Daten wurden MATLAB-Skripte entwickelt, um die Leistungsmetriken zu berechnen, MATLAB-Diagramme mit Anmerkungen zu generieren und Microsoft®-Excel-Dateien zur Nutzung durch andere Analysten zu erstellen.
Lockheed Martin hat das Modell bereits im Einsatz, um die Flottenleistung bei der Unterstützung des Sustainment-Programms für die F-35 zu prognostizieren. Derzeit wird untersucht, wie das Modell in anderen Programmen verwendet werden kann.
Die Ergebnisse
Die Einrichtungszeit für Simulationen reduzierte sich von Monaten auf Stunden „Es hätte Monate gedauert, die Dateneingaben im alten System einzurichten“, so Beales. „Jetzt ist die Situation völlig anders: Wir brauchen einen Tag, um unser Simulink- und SimEvents-Modell mit einem neuen Datensatz einzurichten und auszuführen.“
Es gab weniger Entwicklungsaufwand „Simulink und SimEvents haben die Möglichkeiten zur Leistungsprognose unserer Flotte erheblich erweitert und dabei den Entwicklungsaufwand minimiert“, so Beales.
Die Simulationsdauer verkürzte sich um Monate „Weil unsere Simulationen parallel in einem Cluster statt auf unseren 12-Kern-Desktop-Computern ausgeführt wurden, schlossen wir sie mehr als 20-mal schneller als zuvor ab“, erklärte Beales. „Außerdem waren durch die Interpolation mit der Deep Learning Toolbox erheblich weniger Simulationen nötig, wodurch zusätzliche CPU-Zeit eingespart wurde.“
