基于Petri网的飞行组训流程RPA优化研究

潘 华， 王 凌， 沈 铮， 刘湘婉

(1.海军研究院，上海 200000； 2.中国人民解放军92853部队，辽宁 葫芦岛 125000)

0 引言

飞行组训，亦即飞行训练组织活动，是航空兵生成和保持战斗力的日常例行工作，其质量效率直接关系到航空兵飞行训练的效益和空勤人员能力形成的效果。文献[1-5]探讨了科学组训的重要意义、指导原则和创新方法。在理论上，文献[6]提出了将戴明环(PDCA)理论运用于野战医疗队组训的改进方法，文献[7]应用PDCA理论对某炮兵团组训流程进行了研究，提出了分层组训的改进模式、方法和标准。现有的组训流程研究多采用定性方法。

RPA(Robotic Process Automation)是一种先进的自动化技术解决方案，即一种在不改变用户原有界面层的前提下，采用用户原有界面层中的技术手段，通过模拟并增强人与计算机交互过程的方式，执行基于一定固定规则的可重复任务的软件解决方案。目前，国内外学者在财务流程自动化、企业业务流程优化、人力资源管理等方面开展了RPA技术的优化应用研究[8-9]。就流程研究而言，Petri网是公认的理想建模工具，如文献[10]运用Petri网建模优化了发热门诊流程;文献[11]采用Petri网建模分析了财务流程的RPA优化策略。因此，本文针对飞行组训效率提升的现实问题，探讨了采用Petri网进行定量优化分析的方法。

1 基本概念

定义[12]工作流Petri网(WFPN)WWFPN=(P,T;F,M0,λ)。其中：(P,T;F,M0)是一个随机Petri网系统；λ={λ1,λ2,…,λn}是变迁平均引发速率集合，λi是变迁ti∈T的平均引发速率，表示在使能的情况下单位时间内平均引发次数。

定理1[13]一个WFPN模型合理的充分必要条件是其基网PN的扩展网(PPN,Ms)是活的且有界的。

把WFPN中的每个变迁ti(1≤i≤n)关联一个引发速率λi(λi>0)，并且把变迁t从变成使能的时刻到它引发时刻之间看成是一个连续随机变量Xt(取正实数)，且服从于分布函数Ft(x)={Xt≤x}，这n个随机变量Xi(1≤i≤n)为相互独立的随机变量。对于时间延时的随机Petri网，Xi一般服从参数为λi的指数分布[9]。

定理2[12-13]系统由变迁ti(1≤i≤n)组成，如为顺序结构，平均服务时间S按式(1)计算；如为并行结构，平均服务时间S按式(2)计算；由t1和t2组成的循环结构，设反馈变迁t1的触发概率为α，平均服务时间S按式(3)计算。

(1)

(2)

(3)

2 常规飞行组训流程

为更有针对性地研究分析组训流程，选取一个飞行训练典型场景，并假设资源保障充足、无特情发生，以训练部门日常完整的工作链路为对象，对组训流程进行建模，构建常规飞行组训流程如图1所示。

图1 常规飞行组训流程图

常规飞行组训流程主要包括3个阶段。

1) 计划准备阶段。根据训练任务、人员状况和气象条件编制飞行训练计划，审批通过后下达飞行简令。

2) 实施记录阶段。按照飞行训练计划组织飞行实施，现场记录实际的飞行训练数据。

3) 总结上报阶段。收集飞行训练数据，汇总飞行实况，组织飞行讲评，研判训练趋势，填写登统计样表并上报。

按照图1构建该流程的工作流Petri模型，状态为Pi(1≤i≤12)，变迁为Ti(1≤i≤12)，如图2所示。

图2 常规飞行组训流程PIPE仿真

在Petri网分析软件PIPE上进行模拟运行，通过State Space Analysis操作对模型进行状态空间分析，仿真表明，该结构能够满足有界性、安全性、无死锁要求。根据定理1，该网络是活的、可靠的，亦即该模型是合理正确的WFPN。以P0作为M0，根据每个变迁Ti(1≤i≤12)对应的引发速率λi，计算总的平均服务时间为11.75 h。可见，该流程时间较长，实际工作人力耗费较大，尤其是计划准备阶段，数据信息多、审核校验复杂、调整修订困难，长达3.75 h。因此，需要优化设计。

3 基于RPA技术的飞行组训流程优化

考虑到常规飞行组训流程结构简单、内容紧凑，仅着眼精简环节要素，优化效果不明显。经对存在问题深入分析，结合组训活动实践，从作训部门中独立出一个数据部门，围绕缩短平均服务时间、采用机器人自动化技术进行优化设计。通过引入机器人，将其外挂于训练管理信息平台，实现组训计划的自动化处理及训练实施数据统计，业务流程发生变化，具体流程见图3，其中，深色部分为基于RPA技术的机器人自动化处理部分。

图3 飞行组训RPA优化流程图

主要优化如下内容。

1) 计划支持数据自动获取。机器人可采用自然语言处理技术以及数据关联规则脚本，自动提取计划模板、个人及历史飞行情况以及业务支持数据，在此过程中直接减少了人工操作带来的多业务界面搜索，以及人工找寻关联数据进行比对的时间效率损失。

2) 计划自动校验与生成。根据计划要素制定规则和约束关系，自动校验计划的合理性及有效性，并自动生成多维度的计划表。若出现数据冲突，则机器人会自动发送警告通知相关部门核实情况并进行修订。

3) 训练数据自动融合计算。机器人根据组训规则、解算模型和数据采集特点，自动融合训练数据，支撑飞行讲评及人员能力评估。

4) 训练信息自动统计上报。在完成训练数据融合及统计后，机器人按照样表模板自动填写登统计信息并上报，机器人的填写与提交是一个实时过程，不存在过往因人工填写造成的时间差。训练实施数据及时归档存储，提高训练数据的实时性。

在整个基于RPA技术的组训自动化流程中，均通过预先设定的规则和步骤来完成数据的提取、关联、比对和反馈工作，从源头上直接减少人工干预，在极大提高工作效率的同时，减少了人工操作错误所带来的风险。此外，RPA在完成阶段性工作后都会自动记录工作情况，这在一定程度上有助于组训业务信息处理的公开化和透明化，帮助作训人员加强对整个组训业务流程的实时管控，防止数据被篡改，提升业务数据的整体质量。

4 建模仿真

4.1 优化仿真

建立优化后的飞行组训工作流Petri模型，状态为Pi(1≤i≤18)，变迁为Ti(1≤i≤18)，T元素与环节对应关系如表1所示。在Petri网分析软件PIPE上进行模拟运行，通过State Space Analysis操作对模型进行状态空间分析，如图4所示。

表1 飞行组训优化流程T元素与环节对应关系说明

图4 飞行组训RPA优化流程PIPE仿真

仿真表明，该结构能够满足有界性、安全性、无死锁要求。根据定理1，该网络是活的、可靠的，亦即该模型是合理正确的WFPN。以P0作为M0，为便于计算，将该流程化简为前后各1个串行结构、1个嵌套的循环结构和1个并行结构。采用原典型场景的统计数据，计算总的平均服务时间为6.55 h，比常规流程时间缩短了44%，优化效果明显。

对优化后的流程进行分段分析可知：1) 计划编制时间大幅缩短，在RPA技术的支撑下，尽管由单一的编制飞行计划环节增加到表2中T0～T5数个环节，并且形成了循环嵌套的复杂结构，但其智能的模板推送、一键生成计划表、快速准确的校验等自动化功能，使整个计划编制时间缩短了65%；2) 计划审核的反馈概率显著降低，RPA的自动计算、排版、校验功能使计划审核不通过的概率减少一半以上；3) 飞行讲评之后的评估、登记上报工作时间大幅压缩，预置了统计规则、评估模型和样表模板的RPA，极大地简化了人工作业，缩短了其时间，平均服务时间仅为原典型流程的1/4。

4.2 深入分析

对优化后的流程结构做进一步仿真分析。

1) 循环结构主变迁和反馈变迁的影响分析。

根据式(3)，由于0<α<1，反馈变迁对平均服务时间的影响被削弱，尤其当反馈概率较低时，主变迁对平均服务时间的影响比重较大。在优化后的流程中，两个循环结构的主变迁分别为冲突校验和计划审核，前者在RPA技术支持下已经接近于零，因此，致力于在飞行训练实践中缩短计划审核时间，可较大程度地缩减流程时间。考虑到在RPA技术的支持下，计划审核产生反馈的主要原因为领导层对计划的综合考量，因此，可在RPA技术的基础上，建立飞行训练计划开放式会审平台，既能降低反馈概率，又能缩短计划审核时间，二者均能使编制计划的循环结构进一步缩短平均服务时间，从而增加使用RPA技术的优化效果。

2) 嵌套循环的触发概率影响分析。

为进一步分析嵌套循环的触发概率影响，设内循环反馈变迁T4的触发概率为α，外循环反馈变迁T2T5的触发概率为β，则嵌套循环结构的平均服务时间Tl为

(4)

(5)

绘制两个触发概率对平均服务时间影响仿真图，见图5。

图5 触发概率对平均服务时间影响仿真图

由图5可知：1) 单一地降低某一个触发概率，优化效果不佳；2)β对平均服务时间的影响作用比α要大得多，而且平均服务时间随β增大呈指数增长，因此，致力于压缩计划审核时间是提高组训效率的关键。

5 结果

本文采用Petri网对某典型场景飞行组训流程进行建模，提出了运用RPA技术的优化方案，建立了优化后的WFPN模型。仿真计算结果表明：1) 在组训全流程采用RPA优化技术能大幅缩短串行结构时间，优化后的飞行组训流程WFPN模型，总平均服务时间比常规流程缩短约44%，其中，计划编制时间缩短了65%，优化效果显著，而且能够减少人工作业差错；2) 通过对该典型场景下循环结构变迁及其触发概率影响分析，找到了计划审核这一关键环节。在组训实践中通过建立飞行训练计划开放式会审平台，集计划编制、研讨、会商、审核、调整、发布于一体，集成多种模型、计算工具和可视化人机交互操作，能够进一步压缩计划准备阶段时间，并有利于后续组训活动。这些结论均具有广泛的结构适应性，即对相同或类似场景的组训流程均有效，参数估计仅影响优化幅度，不影响总体优化结论。