Lockheed Martin élabore des modèles à événements discrets pour prédire les performances du F-35
« En créant un modèle avec Simulink et SimEvents et en exécutant des simulations à événements discrets sur un cluster informatique, nous avons identifié rapidement de nombreuses opportunités d'optimisation des performances de la flotte de F-35 tout en minimisant les efforts de développement et d'exécution. »
Challenge
Solution
Créer un modèle à événements discrets de la flotte avec Simulink et SimEvents, utiliser MATLAB Parallel Server pour accélérer des milliers de simulations et interpoler les résultats avec Deep Learning Toolbox
Résultats
- Temps de configuration de simulation réduit de plusieurs mois à quelques heures
- Effort de développement réduit
- Temps de simulation réduit de plusieurs mois
Le programme Lockheed Martin F-35 Lightning II Sustainment réduit les coûts du cycle de vie et améliore la préparation aux missions de la flotte de F-35 en minimisant les temps d'arrêt, en supportant la formation des pilotes et en assurant la disponibilité des pièces tout en évitant un stockage inutile. Pour atteindre ces objectifs, le programme dépend de prédictions précises des performances de la flotte, notamment des projections de la durée pendant laquelle l'avion sera immobilisé au sol pour le service.
Les ingénieurs de Lockheed Martin ont utilisé Simulink®, SimEvents®, Deep Learning Toolbox™ et MATLAB Parallel Server™ pour modéliser les performances de la flotte et faire des prédictions basées sur des dizaines de milliers de simulations sur un cluster de 256 nœuds de calcul.
« Avec Simulink et SimEvents, nous avons créé un modèle qui intègre les données de l'ensemble du programme F-35 et simule des milliers d'avions en service chaque jour, chacun avec des milliers de pièces, à des centaines d’endroits sur de nombreuses années », explique Justin Beales, ingénieur de projet chez Lockheed Martin. « L’accélération de milliers de simulations de Monte Carlo sur notre cluster, puis l’interpolation des résultats avec Deep Learning Toolbox, nous permettront d’économiser des années de temps de traitement. »
Challenge
Simuler les performances de la flotte de F-35 est extrêmement difficile en raison de la complexité de l'avion et du système logistique global nécessaire pour le supporter. Lockheed Martin a d'abord cherché à générer des prédictions en utilisant des outils existants, mais il s'est avéré que cela ajoutait à la complexité du problème.
L'équipe de Lockheed Martin souhaitait développer un modèle détaillé et facile à configurer, qu'elle pourrait utiliser pour simuler rapidement des milliers de combinaisons de paramètres et de scénarios. Elle devait appliquer des techniques avancées pour générer et analyser les résultats, notamment le plan d'expériences, le Machine Learning ainsi que d'autres méthodes statistiques et probabilistes.
Solution
Les ingénieurs de Lockheed Martin ont développé un modèle Simulink sophistiqué de la flotte de F-35 et ont simulé le modèle en utilisant le moteur de simulation à événements discrets SimEvents.
Ils ont conçu le noyau du modèle avec SimEvents pour créer des entités, puis implémenté la logique du système en utilisant des blocs Attribute Function avec le code MATLAB®. Le modèle intégrait des données sur les performances des pièces et des avions, ainsi que des données sur les modifications apportées aux avions, les événements de maintenance anormaux, la disponibilité des pièces et l'activité des avions.
Ils ont vérifié le modèle en s'appuyant sur des cas de test et des directives de vérification, de validation et d'accréditation du ministère de la Défense.
Les ingénieurs ont exécuté des simulations de Monte Carlo avec des milliers d'essais présentant à la fois des événements aléatoires et des variations de paramètres basés sur des plans d'expériences. Afin de générer des résultats plus rapidement, l'équipe a utilisé Parallel Computing Toolbox™ et MATLAB Parallel Server pour exécuter plusieurs simulations en parallèle sur un cluster de 256 nœuds de calcul.
Grâce à Deep Learning Toolbox, ils ont entraîné un réseau de neurones sur les résultats de simulation, leur permettant d'interpoler les données de simulation.
Pendant les simulations, Simulink a enregistré et stocké tous les événements qui se sont produits. Afin de post-traiter ces données, l'équipe a développé des scripts MATLAB pour calculer les mesures de performance, générer des tracés MATLAB annotés et créer des fichiers Microsoft® Excel destinés à d'autres analystes.
Lockheed Martin utilise déjà le modèle pour prédire les performances de la flotte afin de supporter le programme F-35 Sustainment. L'équipe étudie actuellement des moyens d'utiliser le modèle dans d'autres programmes.
Résultats
Temps de configuration de simulation réduit de plusieurs mois à quelques heures. « Il aurait fallu des mois pour configurer les entrées de données dans l'ancien système », explique M. Beales. « À l'inverse, nous pouvons configurer et exécuter notre modèle Simulink et SimEvents avec un nouveau jeu de données en une journée. »
Effort de développement réduit. « Simulink et SimEvents ont considérablement élargi nos capacités de prédiction des performances de notre flotte tout en minimisant l’effort de développement », déclare M. Beales.
Temps de simulation réduit de plusieurs mois. « En exécutant nos simulations en parallèle sur un cluster plutôt que sur nos ordinateurs de bureau à 12 coeurs, nous les avons réalisées plus de 20 fois plus vite », indique M. Beales. « De plus, l'interpolation que nous effectuons avec Deep Learning Toolbox a considérablement réduit le nombre de simulations que nous devions réaliser, ce qui a permis d'économiser du temps CPU supplémentaire. »
