认知测试性——维修保障理论的新发展

马彦恒，宗子健，刘新海

(军械工程学院 无人机工程系，河北 石家庄 050000)

0 引言

随着装备发展日新月异，装备保障理论也不断丰富与完善，从故障检测、诊断到以可靠性为中心的维修管理(reliability centered maintenance,RCM)和故障预测与健康管理(prognostics and health management,PHM)，装备的保障手段也从基于单个装备使用过程中的故障诊断、维修，发展到基于全寿命周期的维修决策和健康管理。但是随着信息化技术的快速发展，装备发展呈现出体系化、网络化、智能化的发展趋势，对装备的保障提出了新的要求。马彦恒等在文献[1]中提示出了一种基于大数据的深度学习技术的、新的装备保障理念——认知测试性(cognitive testability,CT)。它的提出，使装备的自我感知、精确化保障成为可能。

认知测试性是在PHM的基础上发展而来的，它将PHM的理念，延伸至装备设计阶段，通过约束和规范测试性设计，将PHM的功能内在化，将装备的PHM设计与装备功能设计相结合，使得PHM与装备有机融合，排除不完善、不标准、不系统等问题，使装备自身具有信息的获取、交互和深度学习能力。

但是，认知测试性的研究是一个新概念、新理论，尚处于发展阶段。本文在前期研究的基础上，旨在通过对比RCM和PHM，进一步阐述认知测试性指标体系和指标的概念、体系构成，分析认知测试性的物理基础，深入剖析认知测试性的内涵，进一步说明认知测试性对于信息化装备的重要性和必要性。

1 传统测试性理论

1.1 RCM理论

RCM是一种系统工程方法，其最初思想产生于20世纪60年代。当时，美国航空维修费用剧增，占到了总费用的30%，形成了“买得起，用不起”的现象[1-5]。为了权衡维修费用与效果，于是产生了RCM[6]。它的基本思路是：对系统进行功能与故障分析，明确系统内各故障的后果；用规范的逻辑决断方法，确定出各故障后果的预防性对策；通过现场故障数据统计、专家评估、定量化建模等手段，在保证安全性和完好性的前提下，以维修停机损失最小为目标优化系统的维修策略。

与传统维修理念相比，RCM对故障的理解更加科学合理。

在传统维修观念中，设备故障是与使用时间相关的，设备越老，故障越多，设备越新，故障越少，无明确的潜在故障的概念，偏重于定期维修，维修可以提高装备的可靠性，对可能出现的任何故障都可以进行预防维修。

在RCM理念中，设备故障与使用时间没有关系，有明确的潜在故障的概念，倾向于视情维修，维修不能提高设备的可靠性，只能恢复或保持设备的固有可靠性；只有故障后果严重、技术可行而又有效的预防维修才有必要实施，否则应该放弃；要求使用、维修和研制部门的协作。RCM理念的应用在维修管理中产生了巨大的效益，说明RCM理念具有科学性和先进性。

RCM仅是对故障认识上的转变，PHM相对于RCM来说更进了一步，而PHM则深入到了故障产生的机理和故障发展趋势。

1.2 PHM理论

PHM是综合运用传感器、人工智能及计算机等各种先进技术，通过监测和故障诊断技术获取装备状态和故障信息，预测故障发展趋势，采取有针对性的维修措施，从而提高装备维修管理的精确化程度。

PHM的工作原理(如图1)是通过传感器从系统的不同层次获取监测数据，通过处理和分析相关的数据，形成诊断和预测结果，给出系统的剩余寿命分布、性能退化程度或任务失效概率，从而为维护计划提供决策信息[7]。预测是PHM的关键技术，其中故障预测方法主要可以分为3类：基于模型的故障预测技术、基于数据驱动的故障预测技术和基于统计可靠性的故障预测技术[8-9]。

总体上看，无论是RCM还是PHM，它们对装备的作用，均体现在“管理”上，主要是针对装备的个体进行保障，是从外部对装备单体发生作用，而装备本身是被保障对象，是被动的。随着智能化技术的发展，装备对自身状态的自我感知能力是装备发展的必然趋势，为适应这一趋势的需要，认知测试性的概念应运而生。

2 认知测试性理论

2.1 认知测试性的概念和内涵

认知测试性是测试性概念[10]的拓展，指产品能及时准确地感知其状态(可工作、不工作或性能下降程度)，预计其状态变化趋势及内部故障发生概率，并给出应对策略的设计特性[1]。以实现认知测试性为目的进行的设计被称为认知测试性设计(design for cognitive testability,DFCT)。

与传统测试性的概念相比，认知测试性强调对状态的感知，对性能下降的程度进行更加精确的区分，并增加了状态变化趋势的预测和智能决策的内容。

从以下方面对认知测试性及其设计内涵进行理解：① 认知测试性描述了测试信息获取的过程和方法；② 认知测试性是产品本身的一种设计特性；③ 认知测试性设计的最终目标是满足产品的全寿命周期要求，提高产品的任务可靠性水平。基于此目标，认知测试性设计已不仅仅满足于确定产品自身当前状态，而且要满足感知状态变化的需求，也就是获取的信息不仅要包括当前的、独立的、内部的、量化的测试信息，而且要包括历史的、相关的、外部的、经验的信息，这些信息也不仅局限于反映电参数的变化，而且可以包含先验知识的融合信息；④ 认知测试性突出了信息流在产品设计中的作用，是一种积累与演化的过程。

2.2 认知测试性指标体系及指标概念和内涵

认知测试性指标体系分为3级，一级指标有3个，二级指标有7个，三级指标有18个。认知测试性的指标体系如表1。

其中，故障诊断能力与传统测试性指标内涵相差不大，在此不再赘述，下面主要介绍信息获取能力和智能预测与决策能力的指标及内涵。

(1) 同型装备状态监测/故障与维修/使用环境历史信息获取完备率

武器装备在使用、维修到寿命终结的各个阶段，包含了能反映和影响装备寿命与故障发展趋势的大量历史信息，有效利用同型其他装备各类历史信息，必将对在用或即将使用装备的故障预测有重要参考价值。

同型装备状态监测/故障与维修/使用环境历史信息获取完备率，是指获取的与被测对象同类型的装备状态监测/故障与维修/使用环境历史信息的完备程度。其中状态监测历史信息(condition monitoring historical information)是指同类型装备从出厂正式交付使用开始，监测到的各项性能数据。故障与维修历史信息(fault and repair historical information)是指同类型装备从出厂正式交付使用开始，记录的所有故障以及各级、各类维修的详细数据。使用环境历史信息(use environment historical information)是指同类型装备从出厂正式交付使用开始，记录的所有详细的使用环境信息。

(2) 装备状态监测/履历/使用环境信息获取完备率

对获取的同类型其他装备的历史数据进行分析，得到了历史故障规律。如果将当前在用装备的各类信息通过多种方式和途径传递给后方服务器，通过数据分析得到的规律与历史故障规律进行融合，可以进行当前装备的故障预测，以便得到更加准确、有效的故障预测结果。

装备状态监测/履历/使用环境信息获取完备率是指获取的被测对象自身状态监测/履历/使用环境信息的完备程度。其中状态监测信息(condition monitoring information)是指装备从出厂正式交付使用开始，监测到的各项性能数据。履历信息(vitae information)是指装备从出厂正式交付使用开始，记录的所有详细的执行任务、发生故障、进行各级各类维修的数据。使用环境信息(use environment information)是指装备从出厂正式交付使用开始，记录的所有详细的使用环境信息。

(3) 信息相关度

信息相关度(information correlation，IC)用来描述获取的用于故障预测的同类型装备的历史信息与装备自身信息的相关程度。相关程度越大，利用历史信息估计出的装备的状态、故障类型、故障趋势和故障时间等就越准确。

(4) 信息充分率

信息充分率(information sufficient rate，ISR)是指获取的用于故障预测的各类信息样本的充分程度。获取的样本足够多，相关度越大，信息融合能力就越强，对装备的状态信息判断越准确。

(5) 关键故障预测率

关键故障预测率(critical fault prognostics rate，CFPR)是指在被测单元执行任务前，正确预测到的关键故障数与被测单元发生的关键故障总数之比。

(6) 预测虚警率

预测虚警率(prognostics false alarm rate，PFAR)是指在被测单元执行任务前，发生的预测虚警数与同一时间内的故障预测指示总数(包括预测虚警数和真实故障预测指示次数)之比，用百分数表示。其中预测虚警是指预测到被测单元有故障，而实际上该单元不存在故障的情况。

(7) 故障前置时间

在被测单元的实际性能与理想性能之间达到一定值时，将该时刻记为A；当被测单元的实际性能低于最低要求时表现出故障，将该时刻记为B，A到B的时间定义为故障的前置时间(fault lead time，FLT)。预测主要关注初始故障到其发展至系统或部件失效之间的这段时间。故障前置时间越长，越有利于后期实施保障决策。

(8) 故障预测决策准确率

故障预测决策准确率(fault prognostics decision-making accuracy rate，FPDAR)是指被测单元在执行任务前，正确预测到关键故障后准确实施保障决策数与实施保障决策总数之比。该指标用来描述所做保障决策的准确性。

表1 认知测试性指标体系Table 1 Cognitive testability index system

(9) 故障应对决策响应时间

故障应对决策响应时间(fault decision-making response time，FDRT)定义为预测出故障到完成保障决策所经历的时间。认知测试性工作应设法减少故障应对决策响应时间，确保做出的保障决策的及时性。

从认知测试性的指标体系看，认知测试性与传统测试性的主要区别在于：① 前者重“信息”，后者重“信号”。对信息获取能力的约束体现的是大数据和深度学习的基本要求；而“信号”反映是装备当前的状态，是 “信息”的一种原始状态。② 前者重“全体”和 “体系”，后者重“个体”。前者可以使装备体系作为统一的整体进行全寿命保障，而后者重在对个体单装的保障。③ 前者重“任务可靠性”，后者重“装备完好性”。前者更突出“事前”的保障决策，而后者体现的是“事后”的要求。因此，可以看出，认知测试性是对传统测试性的拓展与完善。

2.3 认知测试性的信息交互原理

基于认知测试性的信息交互示意图，如图2所示。在认知测试性标准设计的装备体系中，一方面，装备自身可以利用获取的信息进行自主学习，感知自身状态并得出自我保障需求决策；另一方面，装备个体信息、使用环境信息与同型装备信息所构成的大数据提供给大数据支援中心，大数据支援中心通过对大数据进行深度学习，并依据一定的决策机制，将维修决策反馈给装备体系，装备根据决策做出反应。认知测试性体现了从数据到信息再到知识的演化过程。

大数据、云计算和物联网是认知测试性的基础，而现在这些技术正处于蓬勃发展的时期。先进的传感器技术也使得信息的全面获取成为可能。高速传输和处理、信息融合、网络等信息技术和高新技术的迅速发展，意味着装备可以依赖后方支援系统来处理信息和进行智能决策，从而可以实现装备的轻量化和降低制造成本。而且在不久的将来，新的技术也会不断出现，一些关键性技术会更加成熟，可见，认知测试性在物理基础上是可行的。

3 认知测试性与RCM，PHM的区别

3.1 传统测试性存在的问题

随着科学技术的迅猛发展和装备的更新换代，传统测试性已经落后于现在装备的发展，不能够满足装备的保障需求。一方面，新概念装备[1]的出现，使传统的测试性设计与智能化装备不匹配，不兼容；另一方面，由于现代战争“多维度、一体化、快节奏、即时精确打击”的特点，对装备的测试性要求已从注重隔离故障、降低装备全寿命周期费用，转变为基于状态的预防性视情维修、满足装备的任务可靠性需求，这种需求在航空装备中体现的尤为突出。

基于以上考虑，认知测试性弥补了传统测试性的缺陷，在故障诊断能力的基础上加入了信息获取能力和智能预测与决策能力，更加适合装备的发展需要。

3.2 认知测试性的优势

与RCM和PHM相比，认知测试性对故障的认识更加深入，它考虑了环境因素对部件的影响，在不同的环境下，部件会发生不同的故障，且故障的机理也不尽相同，加入环境因素可使对故障的认识更加全面。同时认知测试性秉承RCM的理念，以关键故障预测率为指标，只关注后果严重和可预测的故障，对于不可预测的故障应进行故障的定期检查和维护，不在认知测试性的考虑范围之内，否则应该放弃。其优势主要体现在以下几个方面：

(1) 认知测试性对信息的利用更加全面。PHM的信息主要来源于历史监测数据、历史统计数据和产品参数(模型)，信息来源比较单一，忽略了环境因素的重要作用，无法达到理想的预测效果[10-15]。认知测试性的信息来源广泛，不仅包括装备自身的状态信息，还有同型号装备的历史信息、使用环境信息、维修使用信息和履历信息，为故障预测提供了大量的信息。

(2) 认知测试性更加注重事前维修。认知测试性是在故障预测的基础上，产生维修决策，以达到在故障发生前排除故障的目的。

(3) 维修目的不同。RCM和PHM的目标是实现装备的完好性和经济性，而认知测试性则是更多考虑任务可靠性，保证装备能够更好地完成任务，必要时可牺牲一些经济性，以在战争中取得更大的效益。

(4) 设计对象不同。RCM和PHM一般是面向单个装备设计，对象是个体；而认知测试性是面向装备体系设计，对象是系统。

4 认知测试性的展望

认知测试性具有广阔的发展前景，它不仅仅局限于同型装备中的应用，还可以应用到不同型号的装备上，甚至是不同种类装备所构成的装备体系。而且认知测试性不仅仅局限于环境、装备和大数据支援中心之间的联系，还可以关联后勤保障系统、人员培训机构，对备件的订购、人员的培训等起到优化配置的作用，终极目标是实现对整个装备、环境、人员和后勤等构成的系统的优化管理。

5 结束语

通过对RCM，PHM和认知测试性的介绍，不难看出，认知测试性与RCM，PHM的区别，主要包括4个方面:① 认知测试性对保障的设计要求更提前、更主动；② 对信息的利用更加全面、更充分；③ 针对的研究对象更体系化；④ 更加注重事前维修和任务可靠性。从RCM到PHM，对装备保障的认识逐步深入，逐步完善，对装备的维修保障体系的建立都起到了关键作用。可以预见，认知测试性的发展必将对体系化、网络化、智能化以及大数据、深度学习时代背景下的装备保障产生重要影响。Technologies[J].Measurement&ControlTechnology,2008,27(2):5-7.