维修问题有一个系统需要15个部件同时工作才能运行而且准备了5个备用部件每个部件的工作寿命都服从均值为001小时的指数分布。若部件损坏立即送往维修点修理修理时间服从均值为01小时的指数分布部件修好后和新部件具有同样的作用并立即送往系统进行备用如果系统中所有的部件损坏而没有备用部件时则系统瘫痪。请模拟出系统在瘫痪前的运转时间T。

我们可以使用离散事件模拟来模拟系统的运转情况。具体步骤如下：

1. 初始化系统，设置初始时间为0，将所有部件都设为正常状态。

2. 生成第一个故障事件。为了方便模拟，我们可以将所有部件的寿命时间按照指数分布生成，选择最小的那个时间作为第一个故障事件的发生时间。同时，记录下这个故障事件对应的部件。

3. 生成维修事件。根据维修时间的指数分布生成一个时间，并将该时间加上当前时间，得到维修结束时间。将该维修事件加入事件队列中。

4. 处理事件队列中的事件。每次取出队首的事件，如果是故障事件，则检查是否有备用部件可用。如果有，则将备用部件替换掉故障部件，并生成下一个故障事件；如果没有，则系统瘫痪，记录下此时的时间并结束模拟。如果是维修事件，则将对应部件标记为正常状态，并生成下一个故障事件。

5. 重复步骤4，直到系统瘫痪。

根据上述步骤，我们可以编写如下的Python代码来模拟系统的运转情况：

import heapq
import random

# 初始化系统
time = 0
parts = [0] * 15
spares = [1] * 5
event_queue = []

# 生成第一个故障事件
min_life = min(random.expovariate(1/0.01) for i in range(15))
heapq.heappush(event_queue, (min_life, 'failure', parts.index(min_life)))

while True:
    # 取出队首事件
    event_time, event_type, event_part = heapq.heappop(event_queue)
    time = event_time
    
    if event_type == 'failure':
        # 处理故障事件
        if 1 in spares:
            # 有备用部件可用，将备用部件替换故障部件
            spares.remove(1)
            parts[event_part] = min(random.expovariate(1/0.01) + time, time + 0.1)
            heapq.heappush(event_queue, (parts[event_part], 'failure', event_part))
        else:
            # 没有备用部件可用，系统瘫痪
            print('System failed at time', time)
            break
    else:
        # 处理维修事件
        spares.append(1)
        heapq.heapify(spares)
        parts[event_part] = min(random.expovariate(1/0.01) + time, time + 0.1)
        heapq.heappush(event_queue, (parts[event_part], 'failure', event_part))

运行上述代码多次，可以得到不同的系统瘫痪时间。根据多次运行的结果统计，系统瘫痪的平均时间约为1.6小时