Lockheed Martin desarrolla modelos de eventos discretos para predecir el rendimiento de una flota de F-35
"Con Simulink y SimEvents, creamos un modelo y simulamos eventos discretos en un cluster de equipos informáticos. De ese modo, logramos identificar cómo mejorar el rendimiento de la flota de F-35 y, al mismo tiempo, reducir el esfuerzo en desarrollo y ejecución".
El reto
La solución
Crear un modelo de eventos discretos de la flota con Simulink y SimEvents, utilizar MATLAB Parallel Server para acelerar miles de simulaciones e interpolar los resultados con Deep Learning Toolbox
Los resultados
- Tiempo de preparación de simulación reducido de meses a horas
- Menor esfuerzo invertido en desarrollo
- Tiempo de simulación reducido en meses
El programa de mantenimiento del F-35 Lightning II de Lockheed Martin reduce costes del ciclo de vida y aumenta la preparación para la misión de la flota de F-35, reduciendo el tiempo de inactividad, mejorando el entrenamiento de pilotos y garantizando la disponibilidad de piezas al tiempo que se evita el almacenamiento innecesario. Para alcanzar estos objetivos, el programa depende de predicciones precisas sobre el rendimiento de la flota y previsión de la cantidad de tiempo que las aeronaves estarán varadas para tareas de mantenimiento.
Profesionales de ingeniería de Lockheed Martin utilizaron Simulink®, SimEvents®, Deep Learning Toolbox™ y MATLAB Parallel Server™ para modelar el rendimiento de la flota y realizar predicciones basadas en decenas de miles de simulaciones en un clúster informático de 256 workers.
"Con Simulink y SimEvents creamos un modelo que incorpora datos de todo el programa F-35 y simula miles de aeronaves que operan a diario, con miles de piezas, en cientos de emplazamientos a lo largo de muchos años", señaló Justin Beales, ingeniero de proyectos de Lockheed Martin. "Acelerar miles de simulaciones Montecarlo en nuestro clúster e interpolar los resultados con Deep Learning Toolbox nos ahorró muchísimo tiempo de procesamiento".
El reto
La simulación del rendimiento de la flota de F-35 es extremadamente difícil debido a la complejidad de la aeronave y el sistema logístico global que lo respalda. En un principio, Lockheed Martin trató de generar predicciones utilizando las herramientas existentes, pero esto complicó aun más al problema.
El equipo de Lockheed Martin necesitaba desarrollar un modelo detallado y fácil de configurar que simulara rápidamente miles de combinaciones de parámetros y escenarios. Necesitaban aplicar técnicas avanzadas para generar y analizar los resultados, como Design Of Experiments (DOE), Machine Learning y otros métodos estadísticos y probabilísticos.
La solución
Lockheed Martin desarrolló un sofisticado modelo de Simulink de la flota de F-35 y lo simularon utilizando el motor de simulación de eventos discretos de SimEvents.
Construyeron el núcleo del modelo utilizando SimEvents para crear entidades, e implementaron la lógica del sistema utilizando bloques Attribute Function con código de MATLAB®. El modelo incorporó datos sobre el rendimiento de aeronaves y sus piezas, modificaciones hechas en las aeronaves, eventos de mantenimiento anómalos, disponibilidad de piezas y actividad de las aeronaves.
Verificaron el modelo utilizando casos de prueba y pautas de verificación, validación y acreditación del Departamento de Defensa de los Estados Unidos.
El equipo de ingeniería realizó simulaciones Montecarlo con miles de ensayos que incluían eventos aleatorios y variaciones de parámetros basadas en Design of Experiments. Para generar resultados más rápidamente, el equipo utilizó Parallel Computing Toolbox™ y MATLAB Parallel Server para ejecutar múltiples simulaciones en paralelo en un clúster de 256 workers.
Utilizando Deep Learning Toolbox, entrenaron una red neuronal con los resultados de la simulación, lo que permitió interpolar datos de simulación.
Durante las simulaciones, Simulink registró y almacenó todos los eventos que se produjeron. Con el fin de posprocesar estos datos, el equipo desarrolló scripts de MATLAB para calcular métricas de rendimiento, generar gráficos de MATLAB anotados y crear archivos de Microsoft® Excel que personal analista pudo aprovechar.
Lockheed Martin ya está utilizando el modelo para predecir el rendimiento de la flota como apoyo al programa de mantenimiento del F-35. El equipo está explorando actualmente la forma de utilizar el modelo en otros programas.
Los resultados
Tiempo de preparación de simulación reducido de meses a horas. "Habríamos tardado meses en configurar los datos de entrada en el sistema anterior", afirmó Beales. "Ahora podemos configurar y ejecutar el modelo de Simulink y SimEvents con un nuevo conjunto de datos en un solo día".
Menor esfuerzo invertido en desarrollo. "Simulink y SimEvents ampliaron enormemente nuestra capacidad de predicción del rendimiento de la flota, al tiempo que disminuyeron el esfuerzo invertido en desarrollo", añadió Beales.
Tiempo de simulación reducido en meses. "Ejecutar simulaciones en paralelo en un clúster en lugar de equipos de escritorio de 12 núcleos, nos permitió hacerlo 20 veces más rápido", destacó Beales. "Además, la interpolación que realizamos con Deep Learning Toolbox redujo enormemente el número de simulaciones que necesitábamos realizar y nos ahorró aun más tiempo de CPU".
