數據驅動的武器裝備綜合保障研究與展望

王文智

（1.西北工業大學，陜西西安，710072；2.航空工業西安航空計算技術研究所，陜西西安，710065）

0 引言

近幾年來，隨著我國科技與經濟的發展,武器裝備也在不斷革新，武器裝備由過去的單一機械產品發展為機、電、光以及軟件等綜合于一體的新型智能化產品。由于新型武器裝備快速列裝，可靠性驗證不充分，同時，保障性設計和保障資源規劃不足，導致當前武器裝備保障費用高、修理周期長、完好性差，傳統的保障模式已無法適應當前武器裝備的發展。為滿足現役裝備的戰備完好性，降低壽命周期費用[1]這一基本要求，武器裝備全壽命周期的綜合保障任務將更加艱巨，智能化的綜合保障決策體系建設變得尤為緊迫。

武器裝備綜合保障的決策通常要從大量數據中挖掘有用信息，傳統的基于可靠性的預測方法對部件的壽命分布有比較嚴格的假設，在實際應用中受到很多限制；此外，武器狀態數據通常是多模態異構數據，難以直接用于決策學習過程。而以數據驅動為基礎研究武器裝備在開放環境中的維修、保障決策問題，在解決海量復雜問題、綜合保障的決策過程中引入數據分析，相比于傳統的知識決策對于智能化武器裝備的綜合保障決策更為重要。

1 武器裝備綜合保障體系與數據科學發展趨勢

1.1 武器裝備綜合保障體系未來發展趨勢分析

隨著武器裝備復雜化、智能化、綜合化程度的不斷提高以及作戰樣式向一體化、聯合化、網絡中心化的轉變，裝備綜合保障也必須向綜合保障指揮網絡化、綜合保障體系一體化、綜合保障方式精確化、綜合保障手段智能化、綜合保障隊伍知識化進行信息化轉型。因此亟需發展可支持現代戰爭中武器裝備綜合保障的人工智能決策支持系統，重點研究基于數據驅動的武器裝備綜合保障智能決策關鍵技術。

1.2 大數據與數據科學研究發展趨勢分析

大數據時代的到來使數據的獲取、存儲、計算變得不再是瓶頸與難題，大數據已經成為塑造國家競爭力的戰略制高點之一[2]，同時也催生了一門新的學科—數據科學，數據科學是大數據背后的科學，其主要是開展預測模型及相關分析，數據產品開發及數據科學的嵌入式應用等10個關鍵數據的科學研究[2]。大數據的掌握和應用能力已成為一個國家的發展戰略[3]，數據驅動的武器裝備綜合保障技術是推動武器裝備綜合保障快速發展的有效途徑。

2 現有數據在MRO領域的應用研究與應用

裝備綜合保障水平的高低是武器裝備作戰能力強弱的重要保證，綜合保障能力建設是國防建設的重要組成部分，對于增強國防實力有著及其重要的意義。綜合保障工作中，裝備維修是最為重要的部分，維修能力的強弱對軍隊戰斗力能否持續保持起到至關重要的作用，各軍事大國對武器裝備的維修保障都高度重視，使得從事這方面工作的人員很多，例如美國國防費用中1/7左右用于裝備維修，國防部人員中大約23%人從事裝備修維保障工作[4]。

裝備維修一般分為兩類，一類是修復性維修，另一類是預防性維修。修復性維修是指裝備發生故障后及時確定故障部位并更換故障部件；預防性維修是指在故障發生之前，通過提前采取維修措施消除裝備潛在故障，預防故障發生[5]，是維修數據于維修經驗的綜合應用。

2.1 以可靠性為中心的綜合保障技術

從可靠性工程和維修性工程的發展歷程，可以看出正是由于裝備構成日趨復雜，使用環境日益嚴酷，財力與人力資源受到嚴格限制和挑戰，導致人們在觀念上產生了變化，從單純地追求技術性能指標，轉到主要以壽命周期費用體現出來的綜合目標，轉向要求在系統的效能和費用間求得合理的平衡[6].高的可靠性和有效適用的維修性已對提高裝備效能和降低其壽命周期費用起著舉足輕重的作用。提出以可靠性為中心的維修策略，是預防性維修的近代發展。以可靠性為中心的維修分析(RCMA)是以可靠性技術為基礎，通過開展維修分析找出故障影響類型和有效而適用的維修工作模式，形成裝備壽命周期內的預防性維修策略。

以可靠性為中心的維修分析是在充分開展裝備故障模式、影響及危害度分析的基礎上，以維修的適用性、有效性和經濟性為決斷準則，應用邏輯決斷的方法確定裝備預防性維修要求的過程，達到以最少的維修資源消耗來保持裝備固有可靠性和安全性的目的。裝備的固有可靠性和安全性是由設計制造賦予的特性。裝備的故障規律各不相同，應當采取不同的維修策略，對于有固定故障規律的裝備應采取定時拆修或更換的維修策略，對于無固定故障規律的裝備應采取檢查、監控等視情維修策略，因此，對不同裝備的不同故障規律應選擇適用的維修策略，從而在保證可靠性和安全性的前提下，節省維修資源與費用。

2.2 以預防性為中心的綜合保障技術

伴隨著裝備故障診斷技術的不斷發展，人們在裝備維修理論方面取得了很多成果，維修模式從最初的事后維修發展到以預防性維修為主的維修摸式。在1965年，Mc Call發表了“隨機失效裝備的維修策略綜述”一文，文中將維修模型分為兩種：一種是預備維修模型，即設備的運行狀態是未知的，設備故障是隨機的；另一類是預防維修模型，這類模型的設備的運行狀態己知的，但設備故障是隨機的[7-8]，并比較詳細的闡述了處在當時的情況下所采用的維修策略，以預防性為中心的綜合保障思想已基本形成。

2.3 以視情維修策略為中心的綜合保障技術

近年來，我國在以預防性為中心的綜合保障的研究工作也在穩步推進，研究人員將遺傳算法、神經網絡、運籌學中的排隊論等知識應用到維修策略中來[9-10]，開展了裝備維修周期研究、任務可用度和維修費用策略研究及對預防性維修的維修級別進行研究[11-13]。同時，對戰場搶修、全壽命維修、消耗器材規律等方面也進行了大量研究[14]，豐富了裝備維修理論。

2.4 以周轉備件為中心的綜合保障技術

隨著裝備在現代化戰爭中的地位的不斷提高，單靠維修、搶修等手段無法持續保持軍隊的戰斗力，因此，周轉備件是保持武器裝備良好性能和恢復的關鍵，武器裝備周轉備件的重要性顯得尤其突出。

周轉備件管理是綜合保障管理工作的重要組成部分，備件的儲備是否科學，對軍隊的維修活動會產生很大的影響，若備件儲備過少，就會延長裝備停機時間，影響裝備的正常運轉，對軍隊的作戰和訓練都會造成損失；若備件儲備過多又會造成國防經費的壓占，因此備件儲備管理貫穿于部隊維修管理的始終，是保證裝備維修的進度和質量的關鍵。

我軍在武器裝備預防性周轉備件消耗預測方面主要是以經驗為主，會存在很大的人為主觀性，造成裝備維修備件的“缺貨”與“過剩”并存的現象，使得裝備維修保障的軍事經濟效益并不高[15]。科學合理的備件管理才能使維修任務完成得既經濟又能保證進度[16-17]。目前對周轉備件進行分類儲備的方法有兩種，一種是帕累托分類法，通過定量和定性的分析，將備件按照分類的指標分為ABC三類，然后采取相應的存儲策略；另一種方法是按緊急程度作為分類準則來區分重要配件和一般配件[18-19]。兩種方法各有利弊，帕累托分類法分類法有助于照顧一般，分清重點，但僅僅根據品種、金額的多少來進行備件的分類，缺陷很明顯的；按緊急程度分類有助于照顧重點，但這種方法主要靠主觀的判斷，在很多情況下，要判斷某一個配件的緊急程度是非常困難的[20]。

2.5 以小樣本學習策略為中心的綜合保障

小樣本學習的概念最早從計算機視覺(computer vision) 領域興起，近幾年受到廣泛關注[21-22]，在圖像分類任務中已有很多性能優異的算法模型[23]。根據所采用方法的不同，小樣本學習分為基于模型微調、基于數據增強和基于遷移學習這3種。基于模型微調的方法首先在含有大量數據的源數據集上訓練一個分類，然后在含有少量數據的目標數據集上對模型進行微調[24]。但這種做法可能導致模型過擬合，因為少量數據并不能很好地反映大量數據的真實分布情況[25]。為解決上述過擬合的問題，基于數據增強和基于遷移學習的小樣本學習方法被提出[26]。基于數據增強的方法是利用輔助數據集或者輔助信息增強目標數據集中樣本的特征或擴充對目標數據集，使模型能更好地提取特征[27]。基于遷移學習的方法是目前比較前沿的方法，是指將已經學會的知識遷移到一個新的領域中[28]。

3 數據驅動的武器裝備綜合保障研究與展望

武器裝備綜合保障的發展伴隨著信息技術的不斷發展，逐步向信息化邁進，信息化的發展帶動著數據科學的發展[29]，隨著大數據時代的到來，基于裝備海量使用數據和維護數據，開展裝備健康信息數據庫建設[30-31]，運用人工智能、大數據等相關技術，結合裝備系統機理模型建設[32-33]，充分挖掘已有數據中體現的裝備運行安全規律[34]，開展裝備運行數據到信息及知識的提取理論和方法研究[35]，對裝備進行故障診斷、預測以及運行安全評估，對新作戰模式的裝備保障分析[36]。為達到軍事保障的實時快速調度指揮的目的，實現集保障管理、保障指揮、保障行動于一體的保障指揮自動化，如何運用人工智能、大數據等相關技術，對保障力量、保障資源、保障能力進行精確計算，將成為數據驅動的武器裝備綜合保障研究的趨勢。

3.1 研究基于數據驅動的裝備故障預測方法

基于數據驅動的故障診斷建模技術，從裝備各系統的結構與工作原理出發，結合裝備運行數據，通過神經網絡算法，建立裝備的故障診斷模型，從分系統和整體這兩個不同角度，實現對裝備的主要故障的識別和定位。

3.2 研究基于裝備全生命周期大數據分析方法

建立航空裝備全生命周期大數據分析模型，對于航空裝備重要部件日常的健康狀況進行監測和評估，給予精確的健康評估和故障影響因素分析，提升航空裝備的數據分析精度及效率，推動數據可視化，進一步從展示端直觀體現航空裝備的整體運行情況，可為武器裝備的使用者、管理者和決策者提供智能化管理的平臺。

3.3 研究基于建立優化算法的預防性維修策略

以裝備服役期內預防性維修成本最低為目標函數，以可靠性為約束條件，建立預防性維修策略優化模型，引入役齡回退因子進行修正，提出優化算法對模型求解，并進行算例分析，得到裝備最優預防性維修次數和時間間隔，加大預防性維修及遠程技術診斷推進力度[37]。

3.4 研究基于以小樣本學習方法的數據處理技術

盡管近年來小樣本學習已經得到深入研究，并且取得了一定進展，但仍面臨著一些挑戰。已有的小樣本學習方法中，基于模型微調的方法需要在大量的非目標數據集上對模型進行預訓練，而模型的預訓練依舊需要大量標注數據。在裝備綜合保障過程中，盡管已經收集了海量數據，但是很難獲得的高質量的數據，無法從海量數據中獲得更多的價值，標注更是無從談起。要從根本上解決小樣本問題，可以研究利用其他先驗知識而非模型預訓練的方法。小樣本學習的先驗知識來自三方面：數據、模型、算法，無論是多么優秀的架構、精準的算法，最終也是需要依賴完備、準確、及時的數據作為基礎，因此，要實現機器深度學習，首先要解決海量數據的處理方法和技術，從中獲取想要的數據。數據獲取工作主要圍繞快、準、全三個要素以及一個高階的關聯需求展開，大數據挖掘的核心和本質是應用、算法、數據和平臺4個要素的有機結合，因此，武器裝備綜合保障數據的提取、處理技術是目前需要研究并亟待解決的問題[38]。

4 總結

人工智能、大數據技術應用必然推動戰爭形態從信息化向智能化、數據化方向演變，也必會對武器裝備體系發展帶來重要的影響，在明確當前武器裝備維修體系發展現狀的基礎上，主動做好數據驅動的武器裝備綜合保障有關影響分析，對于更好地推動武器裝備綜合保障體系建設發展具有重要理論意義。