预测性维护

美国空军 (USAF) 部署带有战备备件包 (RSP) 的飞行部队，以确保部队储备足够的零件以实现 30 天的自给自足。预测哪些零件可能会出现故障，以及哪些零件应包含在 RSP 中，这一点很重要，因为库存过多可能会造成高昂的成本，而库存不足可能会威胁到任务准备状态。本报告讨论了是否以及何时可以使用人工智能 (AI) 方法来改进零件故障分析，该分析目前使用假设概率分布的模型。为此，开发了多个机器学习模型并根据历史数据进行了测试，以使用 A-10C 飞机数据作为测试用例，将其性能与美国空军当前使用的优化和预测软件进行比较。

本报告是五卷系列报告中的第三份，讨论如何利用人工智能在四个不同领域协助作战人员：网络安全、预测性维护、兵棋推演和任务规划。本报告主要针对那些对预测性维护、RSP 和人工智能应用感兴趣的人。

主要发现

• 人工智能可以根据具体情况改进 RSP 的故障分析。当前基于概率的预测过程对于许多部件的性能预测效果很差。人工智能模型不仅可以做出更好的预测，而且更具成本效益。用数据更新当前的预测过程可以达到与本研究中使用的人工智能模型非常接近的性能水平。

• 在大规模人工智能实施之前，有必要建立一条通往美国空军维护数据库的复杂且劳动密集型的数据操作管道。历史数据对于训练和测试人工智能模型至关重要，但从相关系统中提取这些数据是一个复杂的手动过程，涉及脚本、下拉列表和嵌套菜单。此外，还需要进行大量的数据清理。鉴于这种情况，利用人工智能只能作为概念验证模型。

• 人工智能无法缓解战时数据的稀缺问题。目前尚不清楚使用和平时期数据开发的 RSP 是否足以满足战时行动。此外，人工智能对于该应用的主要限制之一是它无法估计真正罕见的事件，而这种事件在战时行动中更有可能发生。因此，可能需要不同的人工智能建模方法来应对这些不断变化的情况。然而，人工智能模型可以定期进行再训练和更新，可以确保这些模型在战时的适应性。

建议

• 空军装备司令部 (AFMC) 应与美国空军后勤部门合作，建立数据运营管道，对飞机维护和 RSP 效率进行回顾性分析。飞机维护程序和数据库可以有效地实现其设计目的，但它们显然不是为回顾性分析或训练人工智能模型而设计的。除非可以正确调节和提取数据以进行此分析，否则以下建议均无法实施。

• AFMC 应该尝试使用人工智能来改进 RSP 的故障分析。将概念验证模型扩展到所有飞机。这可能必须在逐个部分、逐个平台的基础上完成。如果依靠人工智能进行这些分析，则可能需要自动化或部分自动化的数据提取。对于难以预测罕见故障的 RSP 零件，可以修改 AI 成本函数以偏向于过度预测或依赖于通过泊松分布的过度预测，或者可以将问题建模为生存分析（预测故障时间）。

• AFMC 应将人工智能限制于 RSP 流程中的故障分析。ASM 软件解决了一个大型且复杂的运筹学问题，即选择将哪些零件从哪个仓库发送到哪个基地。当前的人工智能功能需要数据，更适合解决范围狭窄的问题。将零件故障分散到多个仓库和基地将使数据变得过于碎片化，算法无法学习任何有用的东西。