淺析軍事大數據在裝備故障預測中的應用

許慶

摘要：從解析軍事大數據、大數據技術、裝備故障預測的基本內涵入手，論證了基于軍事大數據開展裝備故障預測的必要性，從軍事大數據的聚合提取、存儲管理、分析處理、預測應用等方面提出了具體對策，為提升裝備故障診斷能力和維修保障能力提供科學決策支持。

Abstract： Starting with the analysis of the basic connotation of military big data， big data technology and equipment fault prediction， the necessity of carrying out equipment fault prediction based on large military data is demonstrated. From the aspects of aggregation extraction， storage management， analysis and processing and prediction application of military big data， this paper puts forward some physical countermeasures in order to provide scientific decision support for improving equipment fault diagnosis capability and maintenance support capability.

關鍵詞：軍事大數據；裝備保障；故障預測

Key words： military big data；equipment support；fault prediction

中圖分類號：E91 文獻標識碼：A 文章編號：1006-4311（2018）29-0246-02

0 引言

隨著我軍武器裝備的快速發展，裝備的不同部分之間互相關聯，緊密耦合，導致裝備故障呈現出不確定性、非線性、并發性等特點[1]，給裝備故障的預測分析帶來了新的挑戰。如何有效運用軍用綜合電子信息系統累積的海量數據資源，利用軍事大數據對裝備故障規律進行有效預測，為開展精準高效的裝備維修保障給予了科學的技術支撐，是一個值得重點研究的問題。

1 基本內涵

1.1 軍事大數據

大數據是數據本身以及采集數據的工具、平臺和分析系統的總稱，一般包含數據采集、存儲、分析和共享等系統[2～3]，主要涉及數據產生、儲存、分析處理和應用4個環節，具有量大、高速、多樣、價值4個特點[4～5]。大數據具體在軍事領域的應用稱為軍事大數據，其容量涵蓋了可直接和間接用于軍事領域的全部數據，瞄準軍事需求為牽引進行高效的數據處理，強調在軍事活動中的數據融合，同時對信息數據進行有效的安全管理，最終為軍事任務提供預測和決策參考。

1.2 大數據技術

大數據技術是指從繁雜類型的海量數據中，快速獲取有價值的數據信息，并能快速高效的對其進行處理的技術[6]，一般包括數據采集、預處理、存儲管理、分析挖掘、安全管理、可視化分析等技術[7]。大數據技術應用于軍事裝備領域，必將帶來一場數據變革，利用已積累的軍事大數據預先測算平時、戰時部隊的各項物資消耗、裝備維護保養需求，以此為依據組織物資預儲預置，提高裝備保障效益。

1.3 裝備故障預測

裝備故障預測旨在以當前裝備的使用狀態為起點，結合已知預測對象的結構特性、參數、環境條件及歷史數據，對裝備未來的故障進行預測、分析和判斷，確定故障性質、類別、程度、原因及部位，指出故障發展趨勢及后果，以便預先消除故障，保障訓練和作戰任務的順利完成[8]。裝備故障預測分析是從裝備發生的各種故障入手，分析故障產生的原因和機理，找出故障隨時間變化的趨勢和規律，對裝備故障進行預測預判，最終實現控制和消滅故障。

2 基于軍事大數據進行裝備故障預測的必要性

隨著我軍裝備保障領域信息化建設的不斷推進，海量的裝備故障信息使裝備保障人員陷入“信息迷霧”，給裝備故障預測帶來了新的挑戰。在數據采集方面，目前手工采集裝備故障信息依然占據主導，在智能故障診斷處于起步階段的背景下，故障分析依然以傳統經驗判斷為主。同時，由于原始采集規范的欠缺，信息存在遺漏和缺失等情況，導致裝備故障信息辨識度和可信度的降低，從而影響裝備故障預測的整體水平。在數據集成方面，我軍裝備相關信息系統還處于多單位研發、多部門管理的狀態，形成了數量眾多的數據孤島，造成數據難以實現互聯互通。同時，軍地、軍種以及軍內各級之間都沒有統一的管理信息系統，導致數據信息的交互性和時效性降低，裝備故障信息難以共享集成。在數據分析方面，裝備故障信息中既有結構化數據，也有半結構化和非結構化數據，裝備保障數據庫所采用MySQL、Oracle等傳統數據庫處理方式以不能滿足裝備故障規律分析處理的要求。將大數據技術引入裝備故障分析領域，對軍事大數據進行采集、梳理，采取融合、篩選、比對、印證，尋找隱藏在軍事大數據中的模式和相關性，建立定量數據模型，從而預測裝備保障發展的特點規律，達到故障率的降低和裝備使用壽命的延長。無論是遂行重大任務、參與作戰還是平時的裝備管理與訓練，基于大數據的裝備故障預測技術能最大限度地減少裝備的維修次數和維修范圍，保證其安全可靠地運行，從而極大地提高武器裝備的保障力和部隊的戰斗力。

3 基于軍事大數據進行裝備故障預測的方法對策

3.1 解決數據聚合提取問題

擁有海量且多種類的數據信息是基于軍事大數據進行裝備故障預測的前提條件。從裝備全壽命過程看，故障信息分布在承研科研院所、承制生產廠家、部隊和維修機構等不同單位部門，主要存在數據分散、數據孤島和數據質量難以保證的問題。數據分散是因為制度、部門保護主義等人為原因造成的數據分散現象；數據孤島是因為技術接口標準不同從而形成的數據無法融合共享的狀態；數據質量是由于原始信息依靠人工經驗輸入和以人工方式為主采集造成的數據誤差。因此，只有形成全系統全壽命的裝備故障信息聚合數據體系，不斷積累軍事大數據資源，才能形成應有的數據規模效應[9]。裝備故障信息聚合時，必須解決大數據的統一組織和一致性表達問題，也就是要解決多源、分布和異構的數據進行整合和統一管理的問題。首先要規劃數據資源布局結構，設計覆蓋裝備全系統全壽命業務、面向數據全過程管理的信息資源存儲、管理和共享交換體系，并利用基于本體的大數據描述方法等進行數據建模，解決數據的集成聚合問題；其次，要進行數據提取，去偽存真，去粗求精，在盡量不損失價值的情況下減少數據規模從而提高數據質量。

3.2 提升數據庫存儲管理能力

裝備故障信息中存在大量的基于關系數據庫的結構化數據，以文本和傳感器信息為主的半結構化數據，以及采用圖片、音視頻等多媒體數據為主的非結構化數據，因此信息存儲時要解決大數據的可表示、可存儲、可處理及可傳輸等問題。對于結構化數據而言，需要通過同構重組和數據匹配處理后存儲在關系數據庫中，而對于半結構化和非結構化數據，必須建立分布式的數據存儲體系。當前的重點是要將現有的裝備保障數據向大數據靠攏，整合現有各業務軟件數據庫，構建涵蓋各專業、各層次、各要素的裝備保障數據互聯互通網絡，為大數據運行搭建平臺。要堅持需求牽引，注重技術跟蹤，加強研究論證，采取軍民融合、共同攻關的方式，開發大型數據庫，為海量信息傳輸、處理提供條件。目前，北京人大金倉、天津南大通用、武漢達夢、東軟OpenBASE等國產數據庫廠商分別推出了大規模的行業大數據處理平臺，實現了數據庫建設的“自主可控”。考慮到數據管理的安全性和保密性，裝備故障信息存儲應盡量采用國產數據庫系統進行相關信息的分布式存儲。

3.3 提高數據分析處理水平

裝備故障數據的挖掘算法和策略是裝備故障預測研究中進行大數據分析處理的重點。裝備故障信息具有不完備、不確定等特點，要在隨機、模糊和有缺漏錯誤的海量故障信息中去分析研究，挖掘數據的潛在價值并加以利用。要分析獲得符合給定條件、具有普遍特征、反映變化趨勢的有價值的數據信息，促進由小數據的復雜算法向大數據的簡單算法轉變，從而在宏觀上實現裝備保障的精確化。在數據分析方面，裝備多發故障部位和易損件、裝備故障率曲線相關參數及故障頻率強度的研究是提高裝備質量可靠性和裝備保障效益需要把握的重點。裝備平均維修時間、裝備平均無故障時間的研究則是完善裝備維修管理體制、確保裝備有充裕的無故障工作時間完成各項軍事任務的重要參考。在數據處理方面，一是要多維度、多視角、多樣式解釋數據，使管理人員能從多側面了解裝備故障規律及趨勢；二是要加強數據的可視化分析處理，綜合運用Tableau、Qlikview、FineBi等軟件進行可視化數據結果分析替代傳統數據顯示方法，提升數據解釋、展示能力[10]；三是要提高數據的決策能力，在故障規律分析的基礎上，能進一步實現指標分析及預警、決策分析報告生成等功能，自動完成基于大數據的決策支持。

3.4 加強裝備故障預測研究

當前裝備維修保障的主要方式為計劃維修和事后維修，采用計劃維修容易產生維修資源的過剩，而事后維修則會因維修不足和滯后導致可避免的裝備故障和事故的發生[11]。裝備故障預測的研究體現在維修保障方式上是采取視情維修的方式，即在裝備產生故障趨勢時就著手保養和修理，從而避免故障的發生。這樣既能有效防止嚴重故障發生，降低故障率，同時又能精準定位，減小維修范圍，提高效益。軍事大數據就是裝備視情維修的關鍵數據支撐，根據武器裝備使用數據，對裝備故障相關關系進行預測分析，預知下一階段裝備完好情況的變化趨勢，并依據預測的結果，對周期性、隨機性、多發性故障采取對應措施，主動預防裝備故障的產生。下一步要重點研究創建基于大數據平臺的應用模式，將多源、異構和分布的裝備故障信息融入大數據處理平臺，通過分布式存儲和數據挖掘，實現大數據分析處理，并將分析結果直觀地展現給用戶，使用戶能夠直觀深入地理解數據分析結果。用戶基于數據分析結果，可判斷和決定需要采取的行動，從而最大程度發揮數據分析的功能和作用，真正實現“從數據到預測再到決策”的目的。

4 結束語

目前，軍事大數據的應用尚處起步階段，相信隨著數據工程的不斷推進，我們對裝備故障預測將會有更加豐富的實踐經驗，對裝備保障工作建設將更為科學系統。只有順應大數據技術的發展趨勢，不斷的努力探索，才能推動我軍裝備領域建設邁上新臺階。

參考文獻：

[1]Kjolle G H，Gjerde O，Hjartsjo B T，et al.Protection System Faults—a Comparative Review of Fault Statistics[C]. Probabilistic Methods Applied to Power Systems，2006.International Conference on.IEEE，2006.

[2]孟小峰，慈祥.大數據管理：概念、技術與挑戰[J].計算機研究與發展，2013（1）：146-169.

[3]Chaudhuri S，Dayal U.An overview of data warehousing and OLAP technology[J].Acm Sigmod Record，1997，26（1）：65-74.

[4]前瞻研究院.2014-2018年中國大數據產業發展前景與投資戰略規劃分析報告[R].北京：清華園，2014.

[5]維克托.邁爾-舍恩伯格.大數據時代[M].杭州：浙江人民出版社，2012：3.

[6]張雯皓，王學智.淺談大數據在裝備保障中的應用[J].價值工程，2015（21）：182-184.

[7]Papadopoulos A，Katsaros D.A-Tree：Distributed Indexing of Multidimensional Data for Cloud Computing Environments[C]. 2013 IEEE 5th International Conference on Cloud Computing Technology and Science.IEEE，2011.

[8]左憲章，康健，李浩，等.故障預測技術綜述[J].火力與指揮控制，2010（1）：1-5.

[9]陳小鵬.推進我軍軍事大數據建設發展的對策[J].解放軍理工大學學報，2014，12（6）：12-16.

[10]劉智慧，張泉靈.大數據技術研究綜述[J].浙江大學學報，2014（6）：957-971.

[11]潘安君，奚全生，孟漢城，等.綜合測試與故障診斷技術發展及對策[J].計算機測量與控制，2011（1）：1-6.