艦炮武器裝備智能化維修保障研究

胡小利,孫苗苗,徐寧駿

(1.南部戰區海軍參謀部, 廣東 湛江 524000;2.江蘇自動化研究所, 江蘇 連云港 222061)

0 引言

艦炮是水面艦艇裝備數量最多、使用最頻繁的武器裝備,服役種類多、裝備結構組成復雜、服役位置分散、戰備完好性要求嚴格。現有艦炮武器裝備維修保障費用居高不下、常常出現“維修過剩”等現象,其原因可歸結于缺乏對專業技術人員、場地、備品備件等維修保障資源的統籌規劃和在線管理,主要表現為沒有形成完善的預防性維修保障體系,缺乏數字化平臺進行有效管理,針對艦炮零備件存在小批量、需求分散等特點,按現行訂單式生產供應,成本高、周期長、投送效率低,同時維修保障現場信息收集不完整、維修保障決策層級多、維修保障進度遲緩以及維修能力不能有效傳遞[1]。

當今世界正處于新一輪科技革命的關鍵時期,戰爭形態正在從信息化戰爭向智能戰爭演進,遠距離投送、點對點直達、全時域調度、全過程可視、智能化預測維修等將成為一方獲勝的重要能力基礎,武器裝備維修保障面臨著保障工作自主化/智能化決策、保障資源可視化/精準化供應、保障任務自動化/無人化執行的新使命要求[1-5]。針對上述艦炮武器裝備維修保障問題,綜合各類先進信息技術、統籌協調維修保障力量是改善維修保障體系能力,是滿足未來作戰精益化維修保障需求的關鍵途徑。

故障預測與健康管理(prognostics and health management,PHM)技術利用先進傳感技術在線或離線采集裝備多種數據,綜合運用現代數據處理技術、信息融合技術等手段,生成健康狀態、故障預測等決策輸入信息,再通過各種智能算法進行維修資源配置、裝備使用管理以及視情維修決策,最終實現基于裝備狀態(歷史、當前及未來狀態)的智能化維修保障[6]。

PHM技術自20世紀90年代中期被提出以來,一直受到美英等軍事強國的高度重視,并被成功應用于F-35、MK-41等裝備及設備的維修保障任務中,已成為現代武器裝備實現自主式后勤(autonomic logistics,AL)和降低全壽命周期費用的關鍵核心技術[6-8]。國外PHM技術的發展,經歷了外部測試,機內測試(BIT,Built-inTest)、智能BIT、綜合診斷、PHM共5個階段;維修決策技術的發展也經歷了事后維修、周期預防性維護、狀態維護、智能維護;在產品應用層次上,從過去的部件與分系統級,發展到覆蓋整個平臺各個主要分系統的系統集成級[9-10]。目前,PHM技術已經得到美英等軍事強國的深度研究與推廣應用,代表性的PHM相關系統包括F-35飛機PHM系統、直升機健康與使用監控系統(HUMS)、波音公司的飛機狀態管理系統(AHM)、NASA飛行器綜合健康管理(IVHM)、美國海軍綜合狀態評估系統(ICAS)以及預測增強診斷系統(PEDS)。

國內針對PHM技術中的傳感器、數據處理、健康狀態評估、故障預測等內容,在發動機、電子、機械、電力電氣機電及網絡等多個領域開展了廣泛的理論及技術研究,取得了一定的成果[6-14]。在艦炮武裝裝備維修保障領域,相關研究集中在故障診斷和器材配置等方面,現有技術方法以控制信號及其硬故障為主,對于有耗損期的疲勞、性能下降及其殘余使用壽命預測的研究還很少,無法支持故障位置的精確定位、艦炮裝備維修依賴于事后維修和計劃維修,健康管理水平依然粗放[15]。國內部分高校展開了智能化故障診斷方法研究,并在PHM監測指標體系建設上進行了初步探索。海軍工程大學提出了一種基于SVM-ANN混合模型的艦炮武器隨動系統故障診斷方法,實現了基于少量樣本的快速診斷[14]。在維修器材供應保障方面,以往成果對于戰時應急物資調度供應優化研究較多,對平時保障中全局均衡問題研究較少[16-18]。由于缺乏體系化建設頂層設計,技術成果相對零散,發揮效果相對微弱。

1 智能化維修保障體系設計

智能化維修保障的核心在于狀態感知和視情決策,將PHM應用于艦炮武器裝備維修保障,構建艦炮武器裝備智能化維修保障體系,有利于從根本上解決當前艦炮武器裝備維修保障能力缺陷問題。其中狀態感知覆蓋裝備狀態的信息采集、處理、診斷和預測,視情決策則涉及基于當前及未來裝備狀態的一系列維修決策(如地點、設施、設備、技術、備品備件、時長等)和保障決策(庫存計劃、供應計劃、專項巡檢等)。維修資源視情供應是實現智能化維修保障的關鍵基礎,也是降低維修保障成本最直接、最重要的手段。

通過研發艦炮武器裝備PHM系統,牽引相應智能傳感器、大數據管理、智能診斷及預測、智能調度供應等關鍵技術突破,以艦隊后方倉庫為各區域中心,基于多級決策系統,對區域內的倉庫業務工作及器材進行統一管理,科學規劃維修保障資源配置,充分發揮各承制單位、作戰部隊、軍械修理單位和市場化服務商等各方優勢,把握平時/戰時零部件需求,不斷優化協同籌供計劃,促進保障信息、保障資源、保障力量和保障行動的智能匹配和一體聯動,提高器材精確化、經濟化保障水平,最終達到綜合能力提升能力的發展目標。艦炮武器裝備智能化維修保障體系如圖1所示。

圖1 艦炮武器裝備智能化維修保障

1.1 艦炮武器裝備PHM系統結構

以PHM的開放式體系架構(OSA-CBM)為基礎,綜合考慮艦炮武器裝備系統組成、傳感器設置、任務計劃,建立艦炮武器裝備PHM體系結構,如圖2所示。

圖2 艦炮武器裝備PHM體系結構Fig.2 System architecture of naval gun weapons

通過傳感器的在線/離線采集及人機交互輸入,記錄艦炮武器裝備組成設備、部件、單元、電氣控制軟件、作戰控制軟件的狀態,經過數據預處理,進行數據庫的存儲更新,在數據庫、專家系統和智能輔助決策方法的支持下,實現系統及設備的狀態監控、故障診斷與隔離、故障預測與健康評估,根據任務計劃提供維修智能輔助決策[14]。

1.2 區域艦炮武器裝備智能化維修保障

傳統維修保障指揮控制結構層級分明,各級指揮控制機構只有在上級下定決心并制定好總體保障計劃后才能開展本級保障方案編制等,在實際工作中,超期問題屢屢發生[11]。對此,兼顧不同階段、不同層級的維修保障任務差異,設計多級PHM決策系統框架,如圖3所示。

圖3 多級PHM決策系統

艦艇端艦炮武裝裝備PHM采用集中式體系結構,依據水面艦艇艦炮武器裝備類型、數量配置,通過定期離線采集方式上傳至支隊端艦炮武器裝備PHM數據庫,并接收對支隊端數據庫進行機器學習后的PHM知識信息。

各級管理單位采用分布式PHM體系結構,通過構建分布式信息云和數據倉庫,支持實現各層級艦炮武器裝備PHM管理功能,通過設計合理的信息獲取、傳遞和處理機制,實現對維修決策任務的下達/傳遞、跨組織協調維修保障、備品備件供應等的在線監控。

2 艦炮武器裝備維修保障器材視情供應

艦炮保障器材通常分為消耗件、易損件、維修件、檢修件四大類[12]。基于現有經驗,易損件在艦炮壽命1/2內按50%隨炮配置,超出壽命1/2后按100%隨炮配置,維修件按50%隨炮配置,檢修件(除其他3種器材外,還包含在艦艇安裝環境下不易實施更換修理的部分零部件)按照等級修理計劃和實地勘驗后籌備數量[12]。同一個管理分區內涉及的艦炮種類和型號繁多,如大口徑艦炮、中口徑炮、小口徑等。各類艦炮系統在任務使命、結構組成、使用頻率、彈藥需求、服役時長等方面存在較大差異,對維修保障器材耗損數量產生直接影響。由于缺乏集約共享管理和多級協同決策,區域內艦炮武器裝備維修保障常常同時出現“維修過剩”和“維修不足”的現象,總體費用居高不下。

對此,在艦炮武器裝備智能化維修保障體系建設背景下,進一步研究建立以保障周期最短、保障成本最低為目標的區域艦炮維修器材調劑供應優化決策模型和求解算法,以科學調度多地超量庫存,滿足區域多裝備并行維修保障需求,降低總成本。

2.1 艦炮武器維修器材調劑供應優化決策模型

維修保障資源采用中心-站點方式配置,區域資源中心種類最齊全、但各類數量波動大,各資源儲備點的種類和數量與附近執行常態化作業艦炮裝備特性相關,維修器材需求點可能是固定位置(如資源存儲點本身)或移動平臺(如艦船),對區域內無法供應或協同供應成本過高的檢修件,采用外部資源貨架供應方式(如廠商直供等)。每個需求點按照多級指控關系分配有直連關系的資源儲備點,在智能化維修保障體系下,其他資源儲備點可提供協同供應服務。面向視情供應的區域艦炮武器維修裝備器材調劑方式如圖4所示。

圖4 艦炮武器維修器材調劑供應方式

將區域資源中心和外部資源貨架看作是特殊的資源儲備點,區域艦炮武器維修器材調劑供應優化決策旨在盡可能以較低的成本、較短的供應時間滿足區域內各艦炮武器維修任務需求,模型中各參數定義如表1所示。

表1 模型參數定義

決策變量表示第個資源儲備點對需求點供應器材的數量,則維修器材調劑供應方案的供應總成本、減少的庫存成本分別如式(1)、式(2)所示:

預期供應時間占比是指針對資源需求點對維修器材需求的時限內完成供應所需時間的占比,方案的預期供應時間占比和計算如式(3)所示:

sjbcjk*Xkji)/lmji)

(3)

最終優化模型如式(4)所示:

其中:K1為成本/時間占比和的量綱差異度罰函數,約束1表示通過調劑滿足各需求點對器材的數量需求;約束2表示通過調劑滿足各需求點對器材的供應時間需求;約束3表示資源儲存點的對外供應量小于可行調用總量;約束4表示決策變量為非負整數。

2.2 基于離散化海鷗算法的模型求解

海鷗算法(seagull optimization algorithm,SOA)是Gaurav等[19]于2018年提出的一種基于群體的元啟發算法,主要通過模擬海鷗的遷徙和攻擊行為,實現對給定區域內的快速尋優,能夠較好解決工業上具有挑戰性的大尺度約束問題。因此,本文采用海鷗算法對艦炮武器維修器材調劑供應優化決策模型進行求解。

1) 基本原理

在遷徙過程中,每只海鷗在避碰行為條件下朝向最佳位置飛行,并不斷調整飛行角度和速度,以螺旋線方式攻擊獵物。具體數學模型如式(5)—式(8)所示:

Cs(t)=A*Ps(t)

(5)

Ms(t)=B*(Pbs(t)-Ps(t))

(6)

Ds(t)=|Cs(t)+Ms(t)|

(7)

Ps(t+1)=Ds(t)*x*y*z+Pbs(t)

(8)

其中:t為當前步;Ps(t)為海鷗當前位置;Cs(t)為海鷗避碰位置;Pbs(t)為當前最佳位置;Ms(t)為個體海鷗向最佳位置收斂方向;Ds(t)為遷徙行為結果位置;Ps(t+1)為考慮攻擊行為后海鷗的位置。

控制參數A、B和螺旋線參數x、y、z的計算如式(9)—式(11)所示:

A=fc-t*(fc/Maxiteration)

(9)

B=2*A2*rand()

(10)

其中:fc可以控制變量A的頻率,A從2線性衰減至0;θ是一個位于[0,2π]的隨機值,算法通過u和v控制螺旋半徑r,u和v通常取1。SOA算法流程如圖5所示。

圖5 SOA算法流程

2) 改進設計

維修器材調劑供應問題屬于非線性整數規劃,元啟發算法的應用需要離散化處理。本文以每個需求種類為獨立鏈路編碼,每個鏈路上從首位開始每NK位為一個基礎段,對應一個需求點所需廣義資源儲備點的供應數量,則一條鏈路上共有NJ個基礎段。此外,由于決策空間不連續、多維約束各不相同,在海鷗攻擊行為中,x*y*z乘子容易導致行為超調,致使供應數量出現負值或超大值、喪失物理意義,對此,本文采用算子r3*θ對其進行比例規范化處理。

3 仿真驗證

參照文獻[13]的器材供應實例參數,對本研究模型方法和人工魚群算法(artificial fish swarm algorithm,AFSA)進行仿真對比測試。算法中各參數設置如下:海鷗群體規模50,最大迭代次數100,u和v取1,擁擠度15、步長3、重復次數10、視野范圍100,仿真環境為Intel(R) Core(TM) i7-8550U CPU @ 1.80 GHz 2.00 GHz,RAM 8 GB,MATLAB R2016b。仿真結果如圖6所示。

圖6 算法收斂曲線Fig.6 Algorithm convergence curve

可以看出,本文在收斂速度和尋優效果上均優于AFSA。本文求得最佳方案的適應度值為21.263 8,對比AFSA的30.290 6,提升了29.8%。

4 結論

針對當前艦炮武器裝備維修保障中的問題,提出了一種艦炮武器裝備智能化維修保障體系,分析了區域艦炮武器裝備PHM多級協同架構,并指出維修資源視情供應是實現智能化維修保障的關鍵基礎,對此,研究構建了面向統籌區域的艦炮武器維修器材調劑供應模型,并嘗試應用一種新的元啟發算法——SOA進行問題求解,通過離散化改進設計和仿真試驗對比,證明了SOA在該問題上具有較好快速尋優能力,為后續研發區域多級PHM決策系統提供了理論方法。