陆军主战装备自主式保障系统及其评价

陈春良， 陈伟龙， 魏兆磊， 刘 彦， 曾治巍

(1. 装甲兵工程学院技术保障工程系， 北京 100072； 2. 73667部队, 江苏 南京 212421)

陆军主战装备自主式保障系统及其评价

陈春良1， 陈伟龙1， 魏兆磊1， 刘 彦1， 曾治巍2

(1. 装甲兵工程学院技术保障工程系， 北京 100072； 2. 73667部队, 江苏 南京 212421)

分析了陆军主战装备自主式保障系统的基本架构及陆军主战装备保障能力的影响因素，初选了其评价指标，并应用质量功能展开法(Quality Function Development,QFD)进行了优选，构建了评价指标体系，提出了基于群层次分析法(Group Analytic Hierachy Process, GAHP)-云理论(Cloud Theory, CT)的评价模型，并应用该模型对自主式保障系统与现行保障系统的保障能力进行了评价，通过对比分析提出了自主式保障系统的优势与可能存在的问题，为自主式保障系统的研究与建设提供参考。

自主式保障；质量功能展开；群层次分析法；云理论

近年来，以美俄为首的军事强国率先掀起了装备保障转型的浪潮，提出了“一体化保障”、“社会化保障”、“精确化保障”、“感知与响应保障”等创新理论，并得到了很好的实践和推广。在F-35战机研制过程中，美军提出了自主式保障(Autonomic Logistics, AL)[1-2]新理念，它能以更低的费用提高飞机在全寿命周期内的利用率。

国内学者将自主式保障思想引入装备保障领域，展开了装备保障能力生成模式转型研究。但自主式保障是否适用于我国陆军主战装备，是否优于现行保障模式，是否有助于解决当前陆军主战装备保障面临的预见性差、针对性不强、保障效益不高等问题，亟需评估与验证。文献[3-4]作者采用不同的系统仿真方法验证了自主式保障的先进性，国内尚无此方面的报道。在验证方法方面，Tsoutis[5]采用使用可用度、每飞行小时所需维修工时和任务周期内的故障数3项指标，对比研究了自主式保障系统和传统保障系统的保障能力。总体来看，国内研究多集中于航空领域[6-7]，针对陆军主战装备的研究很少，更缺乏客观、科学的评价方法；且在评价验证过程中多采用单一专家或多位专家权重加权[8]的方法对评价指标赋权，这种赋权方法主观性较强；对于贫信息和不确定信息，多采用灰色理论[9]和模糊理论[10]进行处理，无法较好地将定性信息定量化。

群层次分析法(Group Analytic Hierarchy Process, GAHP)可针对同一问题不同专家的决策结果会不相同的情况，以基于多数原则的聚类赋权为主，以依据判断矩阵一致性程度赋权为辅，提高了评价的客观性。云理论(Cloud Theory, CT)则充分考虑了不确定性概念的模糊性和随机性，采用定性、定量相结合的方法，针对不同指标可采用不同的评价标准，弥补了传统评价中对因素集的评价采用同一评价标准的不足。本文分析了陆军主战装备自主式保障系统的架构，建立了陆军主战装备保障能力评价指标体系，构建了基于GAHP-CT的评价模型，并采用该模型对陆军主战装备的自主式保障系统和现行保障系统的保障能力进行了对比评价，验证陆军主战装备自主式保障的先进性，为自主式保障系统的研究与建设提供参考。

1 自主式保障系统的基本架构

陆军主战装备自主式保障系统(简称自主式保障系统(Autonomic Logistics System, ALS))的实质是由装备自诊断子系统，网络化、信息化的保障信息子系统和维修子系统密切协同所形成的综合保障体系。它通过寿命预测与健康管理(Prognostics and Health Management, PHM)[11-13]系统对装备的健康状况进行管理，实时地预测装备各个部件的剩余寿命，并生成维修决策方案；整个系统通过联合分布式信息系统(Joint Distributed Information System, JDIS)紧密联系，自动生成辅助保障决策方案，调度保障资源，最终通过维修作业实现维修保障目的。

ALS由8个关键子系统构成，其功能分别如下。

1) 联合分布式信息子系统通过采用开放式体系结构，将现有的各类信息系统连接起来，在装备平台、使用分队、维修保障机构、军工厂和各级器材仓库之间实现实时的全资可视、全事件可视和全部信息共享。

2) 寿命预测与健康管理子系统通过采用先进的状态监测技术，借助各类算法和模型来监控、诊断、预测和管理装备的工作状态，以期在准确的时间对准确的部位采取正确的维修活动，缩短故障修理时间、降低保障规模，提高装备的使用可用度、战备完好性和任务成功性。

3) 指挥决策子系统通过利用联合分布式信息子系统把整个作战空间的保障力量、保障任务和保障资源连为一体，对整个保障行动进行决策、计划、组织、协调、控制与指导，实现维修保障快速化和精确化。

4) 任务管理子系统依据指挥决策子系统制定的维修保障决策方案，将维修保障任务分配到维修作业子系统、资源管理子系统和保障训练子系统，并进行全过程管理，保证按时顺利完成维修保障任务。

5) 维修作业子系统依据维修方案，采取适当的修理方法实施维修作业，对修前准备、修理工艺、维修过程进行管理，恢复装备战术技术性能。同时，还为数据库管理子系统提供修理工作、维修资源消耗、维修作业人员的技能水平等数据信息。

6) 保障资源管理子系统全面管理各种保障资源，并与联合分布式信息子系统、指挥决策子系统密切配合，对各项维修保障活动给予资源支持，保证维修活动得到及时充足的资源供应。

7) 保障训练子系统通过对维修作业人员、指挥人员、信息处理人员和器材保障人员等各类维修保障人员进行共同训练、专业技术训练、专业勤务训练、保障指挥训练和保障防卫训练等各项专业训练，提高维修保障人员的业务水平；另外，还根据故障预测的结果，有针对性地对维修作业人员进行专项修理技能训练。

8) 数据库管理子系统主要是为ALS的各个功能子系统提供装备使用与维修、保障机构及人员各类信息，及时更新数据，为所有维修保障活动提供数据支持[14]。ALS的运行流程如图1所示。

2 评价指标体系

2.1 影响因素分析与评价指标初选

故障诊断能力、资源保障能力和维修作业能力是构成陆军主战装备保障能力的3个核心子能力。

故障诊断处于整个保障活动的开端，它通过事后诊断或故障预测和状态监测等触发维修保障活动。影响故障诊断能力的因素主要有故障诊断的效率和准确程度，评价效率的指标主要有x7、x8、x9，评价准确程度的指标主要有x1、x2、x3、x4、x5、x6。

图1 ALS运行流程

资源保障涉及维修器材、设施设备、机工具和油料等各种保障资源的品种、数量、状态、配置、储存、调派、运输和补充等。影响资源保障能力的因素主要是现有保障资源状况和保障资源供应效果，评价资源状况的指标主要有z1、z2、z3、z4、z5，评价资源供应效果的指标主要有z6、z7、z8、z9、z10。

维修作业是依据维修方案，采取适用的维修方法，迅速组织维修作业人员对待修装备实施维修的一系列活动。影响维修作业能力的因素主要是维修人员、维修时间和维修效果，评价维修人员的指标主要有y1、y2、y3，评价维修时间的指标主要有y4、y5、y6，评价维修效果的指标主要有y7、y8、y9。

依据上述分析，初步提出陆军主战装备保障能力评价指标，如图2所示。

图2 陆军主战装备保障能力评价初选指标

2.2 评价指标优选

图3 QFD优选评价指标的质量屋

本文以客观性、实用性(即筛选出的评价指标应与部队装备维修保障实际密切相关，指标含义明确)、可测算性和关键性为指标筛选要求，邀请装备保障领域专家对其进行两两比较，采用AHP法求得w=(0.095 4， 0.467 3， 0.277 2， 0.160 1)。

经专家评定，准则故障诊断能力的关系矩阵为

同理，可优选出维修作业能力和资源保障能力的评价指标分别为y3、y4、y5、y8和z1、z2、z3、z5、z6，由此可得陆军主战装备保障能力评价指标体系，如图4所示。

图4 陆军主战装备保障能力评价指标体系

3 基于GAHP-CT的评价模型

3.1 基于GAHP的指标权重确定模型

3.1.1 基于专家个体的指标权重确定

邀请m个专家对保障能力评价的任一评价准则(A,B1,B2,B3)下的n个指标进行评价，第i(i=1,2,…,m)个专家给出的判断矩阵为Ai，并对其进行一致性检验。为消除指标间可能存在的相关性，给最大特征值λimax对应的特征向量Ui右乘一个自相关矩阵[15]Ri=(rij)n×n，则第i位专家对n个保障能力评价指标的权重向量为

W0i=UiRi,

(1)

归一化后得其权重向量为Wi=(wi1,wi2,…,win)T。

3.1.2 基于聚类分析的专家权重确定

1) 聚类分析

定义[16]：Wx和Wy之间的夹角余弦为Ax和Ay之间的相容度[17]c(x,y)，则

(2)

聚类分析步骤如下。

Step1：在相容度矩阵E=(c(x,y))m×m中，找出非对角线最大元素，将最大相容度涉及的2名专家p、q聚为一类，记作Ur，则Ur={p,q}。

Step2：设定阈值，查验次最大相容度与阈值之间的关系，若次最大相容度>阈值，则进行Step3；否则停止聚类，输出分类结果。

Step3：重构相容度矩阵，首先剔除所有与专家p、q排序向量相关的相容度，然后增加新类Ur，当Ur与其他任一专家k的权重向量之间的相容度c(r,k)=max(c(p,k),c(q,k))时，返回Step1。

2) 类别间与类别内的权重确定

设在某一评价准则下，m位维修保障领域专家经聚类分为s类，第j(j=1,2,…,s)类专家中有ρj位专家，则类别间第j类专家的权重为

(3)

类别内第i位专家的权重为

(4)

式中：CRi为第i位专家构建的判断矩阵的一致性比例；CRjk为第j类专家中第k位专家构建的判断矩阵的一致性比例；b为调节参数，在实际应用中，一般b=10。

第i位专家的综合权重为

φi=ej×ai。

(5)

3.1.3 单项评价指标的综合权重确定

由式(1)和(5)可得单项评价指标的综合权重向量为

(6)

3.2 基于CT的评价验证模型

3.2.1 评语云概念化

首先，定义保障能力评价的评语为“优、良、中、较差、差”5级；然后，邀请专家组对这5级评语进行评价。采用基于区间数的逆向云发生器算法求解5种评语的云模型特征值(En0,Ex0,He0)。

具体评价步骤如下。

(7)其中k为常数，可根据评语本身的模糊程度进行调整。

Step 3：计算m位专家对第j级评语的综合云模型特征值,这里约定各位专家的权重相同,计算公式为

(8)

Step 4：通过正向云发生器将保障能力生成模式评价的5级评语添加到连续的语言值标尺上。

3.2.2 指标状态值的获取与云模型化

首先，邀请m位专家对每一项保障能力评价指标进行个体决策，得到m种状态值；然后，依据云概念化后各评语的云模型特征值(En0,Ex0,He0)，将m×N(N为最底层的指标总数)个状态值云模型化。

3.2.3 指标云模型的聚合

具体聚合步骤如下。

Step 1：单个指标云模型的平行聚合。采用虚拟云理论[18]的浮动云算法，将不同专家对单个保障能力评价指标的评价结果进行聚合，得到单个指标的云模型特征值(En,Ex,He)，计算公式为

(9)

其中，φi(i=1,2,…,m)为根据式(5)求得的某一评价准则下第i位专家的权重。

Step 2：多指标云模型的向上聚合。利用虚拟云理论[18]的综合云算法，将保障能力评价的底层指标逐层向上聚合，得到上一层保障能力评价指标的云模型特征值(En,Ex,He),即

(10)

其中，ηi(i=1,2,…,n)为根据式(6)求得的某一评价准则下各评价指标的权重。

Step 3:判断是否已经得到顶层保障能力评价指标的云模型特征值，如果“是”，则终止计算；否则重复Step 2，继续逐层向上聚合。

3.2.4 评价结果的确定

通过正向云发生器将求得的顶层保障能力评价指标的云模型特征值(En,Ex,He)添加到评语云图中，得到云滴占有率分布图，根据云滴分布情况即可确定系统保障能力的评价结果。

4 示例分析

4.1 评价结果

邀请6位业内专家实施评价，得出各个评价指标的判断矩阵，通过计算得到各级评价指标的云模型特征值(En，Ex，He)，并作出相应的云图。限于篇幅，此处仅给出ALS和现行保障系统的保障能力云模型特征值，分别为(0.781 4，0.050 0，0.006 4)和(0.707 2，0.045 3，0.006 1)，ALS所有底层指标的云模型特征值如表1所示。

其中：保障能力、故障诊断能力、维修作业能力、资源保障能力和虚警率的评价结果对比云图分别如图5-9所示。

4.2 结果分析

1) 从系统整体角度来看：ALS保障能力的云滴基本全部落在“良”与“优”之间，而现行保障系统的云滴则散落在“中”与“良”的中间位置，如图5所示，差一个评价等级，且云滴的离散程度相近，表明就整体保障能力而言，ALS优于现行保障系统，能够更好地完成陆军主战装备的保障任务、保持和恢复作战部(分)队的战斗力。

表1 ALS底层指标的云模型特征值

图5 保障能力评价结果对比云图

图6 故障诊断能力评价结果对比云图

图7 维修作业能力评价结果对比云图

图8 资源保障能力评价结果对比云图

图9 虚警率评价结果对比云图

2) 由图6可看出：ALS的故障诊断能力明显优于现行保障系统。其原因主要是ALS依靠PHM对重要功能部件进行剩余寿命实时预测，通过JDIS实现全域实时共享，维修工作开始时间提前到潜在功能故障期，降低了故障诊断和定位难度，维修人员仅需完成简单的拆卸、更换和调试等工作，最大程度地减少了不正确的维修活动。

3) 由图7、8可知：ALS的维修作业能力和资源保障能力均优于现行保障系统，且资源保障能力的优势更大。其原因主要是ALS在装备停机前即开展保障器材调度、设施设备准备等工作，大幅缩短了保障延迟时间和停机等待时间，提高了器材需求满足度。可降低保障资源规模要求，减少保障资源储存和管理费用，提高保障资源利用率和故障主战装备的修复率。

4)由图9可看出：ALS虚警率的云滴主要散落在“中”附近，且云滴离散程度低，表明其明显逊色于现行保障系统。其原因主要是PHM的功能设计要求其能够进行重要功能部件的健康管理和剩余寿命的实时预测，但考虑到主战装备的工作环境及PHM目前的战技指标、可靠性和可信度都存在一定差距，导致ALS虚警率偏高，故障预测费用昂贵。

[1] Carole H. The Lightning Approach to Mro[J]. Overhaul & Maintenance, 2007, 13(8):1-1.

[2] Byers B A.Optimization of the F-35 Acquisition[R].Quantico:Marine Corps Univ,2010.

[3] Rebulanan R. Simulation of the Joint Strike Fighter’s Autonomic Logisistics System Using the Java Programming Language[R].Ohio:Air Force Institue of Technology, 2000.

[4] Jeffrey B, Karl R, Ed C, et al. How Engineers can Conduct Cost-Benefit Analysis for PHM Systems[J]. IEEE Aerospace and Electronic Systems Magazine, 2009, 20(3): 22-30.

[5] Tsoutis A.Analysis of the Joint Strike Fighter Autonomic Logistics System[R].Monterey,CA: Naval Postgraduate School,2006.

[6] 温杰. F-35项目的进展及其面临的问题[J]. 国际航空, 2011(1): 27-29.

[7] 张宝珍.自主式保障：信息时代武器装备保障新模式[C]∥计算机测量与控制杂志社. 武器装备综合保障信息化技术研讨会文集. 北京:计算机测量与控制杂志社,2009:1-7.

[8] 崔建国, 傅康毅, 陈希成, 等. 基于灰色模糊与层次分析的多属性飞机维修决策方法[J]. 航空学报, 2014, 35(2): 478-486.

[9] 陈士涛, 张志峰, 归建洲. 基于灰色理论的电子维修车保障效能综合评估[J]. 系统工程与电子技术, 2009, 31(4): 994-996.

[10] 吴静, 吴晓燕, 高忠长. 基于模糊聚类和粗糙集的仿真可信性模糊综合评估[J]. 系统工程与电子技术, 2010, 32(4): 770-773.

[11] Hess A, Calvello G, Dabney T. PHM a Key Enabler for the JSF Autonomic Logistics Support Concept[C]∥IEEE. 2004 IEEE Aerospace Conference Proceedings. Big Sky:IEEE, 2004: 3543-3550.

[12] Sheppard J W, Kaufman M A, Wilmer T J. IEEE Standards for Prognostics and Health Management[J]. IEEE Aerospace and Electronic Systems Magazine, 2009, 24(9): 34-41.

[13] Micheael E M. A Methodology for Simulating the Joint Strike Fighter’s (JSF) Prognostics and Health Management System[D]. USAF: Air University, 2001.

[14] 陈春良, 陈伟龙. 基于主动式保障的装备维修保障系统研究[J]. 装甲兵工程学院学报, 2013, 27(5):13-18.

[15] Chan L K, Wu M L. A Systematic Approach to Quality Function Deployment with a Full Illustrative Example[J]. Omega, 2005, 33(1): 119-139.

[16] Saaty T L. A Ratio Scale Metric and Compatibility of Ratioscales:on the Possibility of Arrow’s Impossibility Theorem[M].Washington: ISAHP Washington,1994.

[17] 吉建华. 群组决策中相容性检验的夹角余弦法[J]. 重庆工学院学报, 2008, 22(6):141-143.

[18] 王新洲, 史文中, 王树良. 模糊空间信息处理[M]. 武汉: 武汉大学出版社, 2003.

(责任编辑:王生凤)

Study on Autonomic Logistic System of Army Main Battle Equipment and Evaluation

CHEN Chun-liang1, CHEN Wei-long1, WEI Zhao-lei1, LIU Yan1, ZENG Zhi-wei2

(1. Department of Technical Support Engineering, Academy of Armored Force Engineering, Beijing 100072, China;2. Troop No. 73667 of PLA, Nanjing 212421, China)

The basic framework of Autonomic Logistic System (ALS) of Army main battle equipment is and the influence factors and primary evaluation indicators of support capability of ALS are analyzed. Primary evaluation indicators are optimized through Quality Function Development (QFD) and evaluation index system of support capability is constructed. Evaluation model of support capability based on Group Analytic Hierarchy Process (GAHP) and Cloud Theory (CT) is put forward and used to evaluate ALS and traditional support system. Advantages and potential problems of ALS are raised by comparative analysis, which provides a reference for further study and construction of ALS.

autonomic logistics; Quality Function Development (QFD); Group Analytic Hierarchy Process (GAHP); Cloud Theory (CT)

1672-1497(2015)03-0018-07

2014-12-20

军队科研计划项目

陈春良(1963-)，男，教授，硕士。

E92

A

10.3969/j.issn.1672-1497.2015.03.005