基于历史维修数据的空军地面车辆故障风险预测
机器学习
2021-12-30 v1
摘要
非计划维修导致了车辆停机时间延长以及空军后勤战备中队（LRSs）成本的增加。当车辆在计划时间之外需要维修时，根据其优先级，整个中队的既定维修计划会受到负面影响。非计划维修的后果具体体现在维护本应正常运行车辆所需人时的增加：这包括更多的维修本身人时、等待零件到达的人时、重新组织维修计划的人时等。LRSs当前维修系统的主导趋势是，它们没有预测性维修基础设施来应对当前所经历的大量非计划维修，因此，其战备和性能水平低于期望。我们使用LRSs当前用于存储其车辆维修信息的国防财产与责任系统（DPAS）中提取的数据。利用从DPAS接收的历史车辆维修数据，我们独立应用三种不同算法来构建准确的预测系统，以在任何给定时间优化维修计划。通过应用逻辑回归（Logistics Regression）、随机森林（Random Forest）和梯度提升树（Gradient Boosted Trees）算法，我们发现拟合我们数据的逻辑回归算法产生了最准确的结果。我们的研究结果表明，不仅继续将逻辑回归用于我们的研究目的是审慎的，而且有机会进一步调整和优化我们的逻辑回归模型以获得更高的准确性。
引用
@article{arxiv.2112.13922,
title = {Predicting Breakdown Risk Based on Historical Maintenance Data for Air Force Ground Vehicles},
author = {Jeff Jang and Dilan Nana and Jack Hochschild and Jordi Vila Hernandez de Lorenzo},
journal= {arXiv preprint arXiv:2112.13922},
year = {2021}
}
备注
15 pages, 8 figures