数据驱动的武器装备综合保障研究与展望

王文智

（1.西北工业大学，陕西西安，710072；2.航空工业西安航空计算技术研究所，陕西西安，710065）

0 引言

近几年来，随着我国科技与经济的发展,武器装备也在不断革新，武器装备由过去的单一机械产品发展为机、电、光以及软件等综合于一体的新型智能化产品。由于新型武器装备快速列装，可靠性验证不充分，同时，保障性设计和保障资源规划不足，导致当前武器装备保障费用高、修理周期长、完好性差，传统的保障模式已无法适应当前武器装备的发展。为满足现役装备的战备完好性，降低寿命周期费用[1]这一基本要求，武器装备全寿命周期的综合保障任务将更加艰巨，智能化的综合保障决策体系建设变得尤为紧迫。

武器装备综合保障的决策通常要从大量数据中挖掘有用信息，传统的基于可靠性的预测方法对部件的寿命分布有比较严格的假设，在实际应用中受到很多限制；此外，武器状态数据通常是多模态异构数据，难以直接用于决策学习过程。而以数据驱动为基础研究武器装备在开放环境中的维修、保障决策问题，在解决海量复杂问题、综合保障的决策过程中引入数据分析，相比于传统的知识决策对于智能化武器装备的综合保障决策更为重要。

1 武器装备综合保障体系与数据科学发展趋势

1.1 武器装备综合保障体系未来发展趋势分析

随着武器装备复杂化、智能化、综合化程度的不断提高以及作战样式向一体化、联合化、网络中心化的转变，装备综合保障也必须向综合保障指挥网络化、综合保障体系一体化、综合保障方式精确化、综合保障手段智能化、综合保障队伍知识化进行信息化转型。因此亟需发展可支持现代战争中武器装备综合保障的人工智能决策支持系统，重点研究基于数据驱动的武器装备综合保障智能决策关键技术。

1.2 大数据与数据科学研究发展趋势分析

大数据时代的到来使数据的获取、存储、计算变得不再是瓶颈与难题，大数据已经成为塑造国家竞争力的战略制高点之一[2]，同时也催生了一门新的学科—数据科学，数据科学是大数据背后的科学，其主要是开展预测模型及相关分析，数据产品开发及数据科学的嵌入式应用等10个关键数据的科学研究[2]。大数据的掌握和应用能力已成为一个国家的发展战略[3]，数据驱动的武器装备综合保障技术是推动武器装备综合保障快速发展的有效途径。

2 现有数据在MRO领域的应用研究与应用

装备综合保障水平的高低是武器装备作战能力强弱的重要保证，综合保障能力建设是国防建设的重要组成部分，对于增强国防实力有着及其重要的意义。综合保障工作中，装备维修是最为重要的部分，维修能力的强弱对军队战斗力能否持续保持起到至关重要的作用，各军事大国对武器装备的维修保障都高度重视，使得从事这方面工作的人员很多，例如美国国防费用中1/7左右用于装备维修，国防部人员中大约23%人从事装备修维保障工作[4]。

装备维修一般分为两类，一类是修复性维修，另一类是预防性维修。修复性维修是指装备发生故障后及时确定故障部位并更换故障部件；预防性维修是指在故障发生之前，通过提前采取维修措施消除装备潜在故障，预防故障发生[5]，是维修数据于维修经验的综合应用。

2.1 以可靠性为中心的综合保障技术

从可靠性工程和维修性工程的发展历程，可以看出正是由于装备构成日趋复杂，使用环境日益严酷，财力与人力资源受到严格限制和挑战，导致人们在观念上产生了变化，从单纯地追求技术性能指标，转到主要以寿命周期费用体现出来的综合目标，转向要求在系统的效能和费用间求得合理的平衡[6].高的可靠性和有效适用的维修性已对提高装备效能和降低其寿命周期费用起着举足轻重的作用。提出以可靠性为中心的维修策略，是预防性维修的近代发展。以可靠性为中心的维修分析(RCMA)是以可靠性技术为基础，通过开展维修分析找出故障影响类型和有效而适用的维修工作模式，形成装备寿命周期内的预防性维修策略。

以可靠性为中心的维修分析是在充分开展装备故障模式、影响及危害度分析的基础上，以维修的适用性、有效性和经济性为决断准则，应用逻辑决断的方法确定装备预防性维修要求的过程，达到以最少的维修资源消耗来保持装备固有可靠性和安全性的目的。装备的固有可靠性和安全性是由设计制造赋予的特性。装备的故障规律各不相同，应当采取不同的维修策略，对于有固定故障规律的装备应采取定时拆修或更换的维修策略，对于无固定故障规律的装备应采取检查、监控等视情维修策略，因此，对不同装备的不同故障规律应选择适用的维修策略，从而在保证可靠性和安全性的前提下，节省维修资源与费用。

2.2 以预防性为中心的综合保障技术

伴随着装备故障诊断技术的不断发展，人们在装备维修理论方面取得了很多成果，维修模式从最初的事后维修发展到以预防性维修为主的维修摸式。在1965年，Mc Call发表了“随机失效装备的维修策略综述”一文，文中将维修模型分为两种：一种是预备维修模型，即设备的运行状态是未知的，设备故障是随机的；另一类是预防维修模型，这类模型的设备的运行状态己知的，但设备故障是随机的[7-8]，并比较详细的阐述了处在当时的情况下所采用的维修策略，以预防性为中心的综合保障思想已基本形成。

2.3 以视情维修策略为中心的综合保障技术

近年来，我国在以预防性为中心的综合保障的研究工作也在稳步推进，研究人员将遗传算法、神经网络、运筹学中的排队论等知识应用到维修策略中来[9-10]，开展了装备维修周期研究、任务可用度和维修费用策略研究及对预防性维修的维修级别进行研究[11-13]。同时，对战场抢修、全寿命维修、消耗器材规律等方面也进行了大量研究[14]，丰富了装备维修理论。

2.4 以周转备件为中心的综合保障技术

随着装备在现代化战争中的地位的不断提高，单靠维修、抢修等手段无法持续保持军队的战斗力，因此，周转备件是保持武器装备良好性能和恢复的关键，武器装备周转备件的重要性显得尤其突出。

周转备件管理是综合保障管理工作的重要组成部分，备件的储备是否科学，对军队的维修活动会产生很大的影响，若备件储备过少，就会延长装备停机时间，影响装备的正常运转，对军队的作战和训练都会造成损失；若备件储备过多又会造成国防经费的压占，因此备件储备管理贯穿于部队维修管理的始终，是保证装备维修的进度和质量的关键。

我军在武器装备预防性周转备件消耗预测方面主要是以经验为主，会存在很大的人为主观性，造成装备维修备件的“缺货”与“过剩”并存的现象，使得装备维修保障的军事经济效益并不高[15]。科学合理的备件管理才能使维修任务完成得既经济又能保证进度[16-17]。目前对周转备件进行分类储备的方法有两种，一种是帕累托分类法，通过定量和定性的分析，将备件按照分类的指标分为ABC三类，然后采取相应的存储策略；另一种方法是按紧急程度作为分类准则来区分重要配件和一般配件[18-19]。两种方法各有利弊，帕累托分类法分类法有助于照顾一般，分清重点，但仅仅根据品种、金额的多少来进行备件的分类，缺陷很明显的；按紧急程度分类有助于照顾重点，但这种方法主要靠主观的判断，在很多情况下，要判断某一个配件的紧急程度是非常困难的[20]。

2.5 以小样本学习策略为中心的综合保障

小样本学习的概念最早从计算机视觉(computer vision) 领域兴起，近几年受到广泛关注[21-22]，在图像分类任务中已有很多性能优异的算法模型[23]。根据所采用方法的不同，小样本学习分为基于模型微调、基于数据增强和基于迁移学习这3种。基于模型微调的方法首先在含有大量数据的源数据集上训练一个分类，然后在含有少量数据的目标数据集上对模型进行微调[24]。但这种做法可能导致模型过拟合，因为少量数据并不能很好地反映大量数据的真实分布情况[25]。为解决上述过拟合的问题，基于数据增强和基于迁移学习的小样本学习方法被提出[26]。基于数据增强的方法是利用辅助数据集或者辅助信息增强目标数据集中样本的特征或扩充对目标数据集，使模型能更好地提取特征[27]。基于迁移学习的方法是目前比较前沿的方法，是指将已经学会的知识迁移到一个新的领域中[28]。

3 数据驱动的武器装备综合保障研究与展望

武器装备综合保障的发展伴随着信息技术的不断发展，逐步向信息化迈进，信息化的发展带动着数据科学的发展[29]，随着大数据时代的到来，基于装备海量使用数据和维护数据，开展装备健康信息数据库建设[30-31]，运用人工智能、大数据等相关技术，结合装备系统机理模型建设[32-33]，充分挖掘已有数据中体现的装备运行安全规律[34]，开展装备运行数据到信息及知识的提取理论和方法研究[35]，对装备进行故障诊断、预测以及运行安全评估，对新作战模式的装备保障分析[36]。为达到军事保障的实时快速调度指挥的目的，实现集保障管理、保障指挥、保障行动于一体的保障指挥自动化，如何运用人工智能、大数据等相关技术，对保障力量、保障资源、保障能力进行精确计算，将成为数据驱动的武器装备综合保障研究的趋势。

3.1 研究基于数据驱动的装备故障预测方法

基于数据驱动的故障诊断建模技术，从装备各系统的结构与工作原理出发，结合装备运行数据，通过神经网络算法，建立装备的故障诊断模型，从分系统和整体这两个不同角度，实现对装备的主要故障的识别和定位。

3.2 研究基于装备全生命周期大数据分析方法

建立航空装备全生命周期大数据分析模型，对于航空装备重要部件日常的健康状况进行监测和评估，给予精确的健康评估和故障影响因素分析，提升航空装备的数据分析精度及效率，推动数据可视化，进一步从展示端直观体现航空装备的整体运行情况，可为武器装备的使用者、管理者和决策者提供智能化管理的平台。

3.3 研究基于建立优化算法的预防性维修策略

以装备服役期内预防性维修成本最低为目标函数，以可靠性为约束条件，建立预防性维修策略优化模型，引入役龄回退因子进行修正，提出优化算法对模型求解，并进行算例分析，得到装备最优预防性维修次数和时间间隔，加大预防性维修及远程技术诊断推进力度[37]。

3.4 研究基于以小样本学习方法的数据处理技术

尽管近年来小样本学习已经得到深入研究，并且取得了一定进展，但仍面临着一些挑战。已有的小样本学习方法中，基于模型微调的方法需要在大量的非目标数据集上对模型进行预训练，而模型的预训练依旧需要大量标注数据。在装备综合保障过程中，尽管已经收集了海量数据，但是很难获得的高质量的数据，无法从海量数据中获得更多的价值，标注更是无从谈起。要从根本上解决小样本问题，可以研究利用其他先验知识而非模型预训练的方法。小样本学习的先验知识来自三方面：数据、模型、算法，无论是多么优秀的架构、精准的算法，最终也是需要依赖完备、准确、及时的数据作为基础，因此，要实现机器深度学习，首先要解决海量数据的处理方法和技术，从中获取想要的数据。数据获取工作主要围绕快、准、全三个要素以及一个高阶的关联需求展开，大数据挖掘的核心和本质是应用、算法、数据和平台4个要素的有机结合，因此，武器装备综合保障数据的提取、处理技术是目前需要研究并亟待解决的问题[38]。

4 总结

人工智能、大数据技术应用必然推动战争形态从信息化向智能化、数据化方向演变，也必会对武器装备体系发展带来重要的影响，在明确当前武器装备维修体系发展现状的基础上，主动做好数据驱动的武器装备综合保障有关影响分析，对于更好地推动武器装备综合保障体系建设发展具有重要理论意义。