舰炮武器装备智能化维修保障研究

胡小利,孙苗苗,徐宁骏

(1.南部战区海军参谋部, 广东 湛江 524000;2.江苏自动化研究所, 江苏 连云港 222061)

0 引言

舰炮是水面舰艇装备数量最多、使用最频繁的武器装备,服役种类多、装备结构组成复杂、服役位置分散、战备完好性要求严格。现有舰炮武器装备维修保障费用居高不下、常常出现“维修过剩”等现象,其原因可归结于缺乏对专业技术人员、场地、备品备件等维修保障资源的统筹规划和在线管理,主要表现为没有形成完善的预防性维修保障体系,缺乏数字化平台进行有效管理,针对舰炮零备件存在小批量、需求分散等特点,按现行订单式生产供应,成本高、周期长、投送效率低,同时维修保障现场信息收集不完整、维修保障决策层级多、维修保障进度迟缓以及维修能力不能有效传递[1]。

当今世界正处于新一轮科技革命的关键时期,战争形态正在从信息化战争向智能战争演进,远距离投送、点对点直达、全时域调度、全过程可视、智能化预测维修等将成为一方获胜的重要能力基础,武器装备维修保障面临着保障工作自主化/智能化决策、保障资源可视化/精准化供应、保障任务自动化/无人化执行的新使命要求[1-5]。针对上述舰炮武器装备维修保障问题,综合各类先进信息技术、统筹协调维修保障力量是改善维修保障体系能力,是满足未来作战精益化维修保障需求的关键途径。

故障预测与健康管理(prognostics and health management,PHM)技术利用先进传感技术在线或离线采集装备多种数据,综合运用现代数据处理技术、信息融合技术等手段,生成健康状态、故障预测等决策输入信息,再通过各种智能算法进行维修资源配置、装备使用管理以及视情维修决策,最终实现基于装备状态(历史、当前及未来状态)的智能化维修保障[6]。

PHM技术自20世纪90年代中期被提出以来,一直受到美英等军事强国的高度重视,并被成功应用于F-35、MK-41等装备及设备的维修保障任务中,已成为现代武器装备实现自主式后勤(autonomic logistics,AL)和降低全寿命周期费用的关键核心技术[6-8]。国外PHM技术的发展,经历了外部测试,机内测试(BIT,Built-inTest)、智能BIT、综合诊断、PHM共5个阶段;维修决策技术的发展也经历了事后维修、周期预防性维护、状态维护、智能维护;在产品应用层次上,从过去的部件与分系统级,发展到覆盖整个平台各个主要分系统的系统集成级[9-10]。目前,PHM技术已经得到美英等军事强国的深度研究与推广应用,代表性的PHM相关系统包括F-35飞机PHM系统、直升机健康与使用监控系统(HUMS)、波音公司的飞机状态管理系统(AHM)、NASA飞行器综合健康管理(IVHM)、美国海军综合状态评估系统(ICAS)以及预测增强诊断系统(PEDS)。

国内针对PHM技术中的传感器、数据处理、健康状态评估、故障预测等内容,在发动机、电子、机械、电力电气机电及网络等多个领域开展了广泛的理论及技术研究,取得了一定的成果[6-14]。在舰炮武装装备维修保障领域,相关研究集中在故障诊断和器材配置等方面,现有技术方法以控制信号及其硬故障为主,对于有耗损期的疲劳、性能下降及其残余使用寿命预测的研究还很少,无法支持故障位置的精确定位、舰炮装备维修依赖于事后维修和计划维修,健康管理水平依然粗放[15]。国内部分高校展开了智能化故障诊断方法研究,并在PHM监测指标体系建设上进行了初步探索。海军工程大学提出了一种基于SVM-ANN混合模型的舰炮武器随动系统故障诊断方法,实现了基于少量样本的快速诊断[14]。在维修器材供应保障方面,以往成果对于战时应急物资调度供应优化研究较多,对平时保障中全局均衡问题研究较少[16-18]。由于缺乏体系化建设顶层设计,技术成果相对零散,发挥效果相对微弱。

1 智能化维修保障体系设计

智能化维修保障的核心在于状态感知和视情决策,将PHM应用于舰炮武器装备维修保障,构建舰炮武器装备智能化维修保障体系,有利于从根本上解决当前舰炮武器装备维修保障能力缺陷问题。其中状态感知覆盖装备状态的信息采集、处理、诊断和预测,视情决策则涉及基于当前及未来装备状态的一系列维修决策(如地点、设施、设备、技术、备品备件、时长等)和保障决策(库存计划、供应计划、专项巡检等)。维修资源视情供应是实现智能化维修保障的关键基础,也是降低维修保障成本最直接、最重要的手段。

通过研发舰炮武器装备PHM系统,牵引相应智能传感器、大数据管理、智能诊断及预测、智能调度供应等关键技术突破,以舰队后方仓库为各区域中心,基于多级决策系统,对区域内的仓库业务工作及器材进行统一管理,科学规划维修保障资源配置,充分发挥各承制单位、作战部队、军械修理单位和市场化服务商等各方优势,把握平时/战时零部件需求,不断优化协同筹供计划,促进保障信息、保障资源、保障力量和保障行动的智能匹配和一体联动,提高器材精确化、经济化保障水平,最终达到综合能力提升能力的发展目标。舰炮武器装备智能化维修保障体系如图1所示。

图1 舰炮武器装备智能化维修保障

1.1 舰炮武器装备PHM系统结构

以PHM的开放式体系架构(OSA-CBM)为基础,综合考虑舰炮武器装备系统组成、传感器设置、任务计划,建立舰炮武器装备PHM体系结构,如图2所示。

图2 舰炮武器装备PHM体系结构Fig.2 System architecture of naval gun weapons

通过传感器的在线/离线采集及人机交互输入,记录舰炮武器装备组成设备、部件、单元、电气控制软件、作战控制软件的状态,经过数据预处理,进行数据库的存储更新,在数据库、专家系统和智能辅助决策方法的支持下,实现系统及设备的状态监控、故障诊断与隔离、故障预测与健康评估,根据任务计划提供维修智能辅助决策[14]。

1.2 区域舰炮武器装备智能化维修保障

传统维修保障指挥控制结构层级分明,各级指挥控制机构只有在上级下定决心并制定好总体保障计划后才能开展本级保障方案编制等,在实际工作中,超期问题屡屡发生[11]。对此,兼顾不同阶段、不同层级的维修保障任务差异,设计多级PHM决策系统框架,如图3所示。

图3 多级PHM决策系统

舰艇端舰炮武装装备PHM采用集中式体系结构,依据水面舰艇舰炮武器装备类型、数量配置,通过定期离线采集方式上传至支队端舰炮武器装备PHM数据库,并接收对支队端数据库进行机器学习后的PHM知识信息。

各级管理单位采用分布式PHM体系结构,通过构建分布式信息云和数据仓库,支持实现各层级舰炮武器装备PHM管理功能,通过设计合理的信息获取、传递和处理机制,实现对维修决策任务的下达/传递、跨组织协调维修保障、备品备件供应等的在线监控。

2 舰炮武器装备维修保障器材视情供应

舰炮保障器材通常分为消耗件、易损件、维修件、检修件四大类[12]。基于现有经验,易损件在舰炮寿命1/2内按50%随炮配置,超出寿命1/2后按100%随炮配置,维修件按50%随炮配置,检修件(除其他3种器材外,还包含在舰艇安装环境下不易实施更换修理的部分零部件)按照等级修理计划和实地勘验后筹备数量[12]。同一个管理分区内涉及的舰炮种类和型号繁多,如大口径舰炮、中口径炮、小口径等。各类舰炮系统在任务使命、结构组成、使用频率、弹药需求、服役时长等方面存在较大差异,对维修保障器材耗损数量产生直接影响。由于缺乏集约共享管理和多级协同决策,区域内舰炮武器装备维修保障常常同时出现“维修过剩”和“维修不足”的现象,总体费用居高不下。

对此,在舰炮武器装备智能化维修保障体系建设背景下,进一步研究建立以保障周期最短、保障成本最低为目标的区域舰炮维修器材调剂供应优化决策模型和求解算法,以科学调度多地超量库存,满足区域多装备并行维修保障需求,降低总成本。

2.1 舰炮武器维修器材调剂供应优化决策模型

维修保障资源采用中心-站点方式配置,区域资源中心种类最齐全、但各类数量波动大,各资源储备点的种类和数量与附近执行常态化作业舰炮装备特性相关,维修器材需求点可能是固定位置(如资源存储点本身)或移动平台(如舰船),对区域内无法供应或协同供应成本过高的检修件,采用外部资源货架供应方式(如厂商直供等)。每个需求点按照多级指控关系分配有直连关系的资源储备点,在智能化维修保障体系下,其他资源储备点可提供协同供应服务。面向视情供应的区域舰炮武器维修装备器材调剂方式如图4所示。

图4 舰炮武器维修器材调剂供应方式

将区域资源中心和外部资源货架看作是特殊的资源储备点,区域舰炮武器维修器材调剂供应优化决策旨在尽可能以较低的成本、较短的供应时间满足区域内各舰炮武器维修任务需求,模型中各参数定义如表1所示。

表1 模型参数定义

决策变量表示第个资源储备点对需求点供应器材的数量,则维修器材调剂供应方案的供应总成本、减少的库存成本分别如式(1)、式(2)所示:

预期供应时间占比是指针对资源需求点对维修器材需求的时限内完成供应所需时间的占比,方案的预期供应时间占比和计算如式(3)所示:

sjbcjk*Xkji)/lmji)

(3)

最终优化模型如式(4)所示:

其中:K1为成本/时间占比和的量纲差异度罚函数,约束1表示通过调剂满足各需求点对器材的数量需求;约束2表示通过调剂满足各需求点对器材的供应时间需求;约束3表示资源储存点的对外供应量小于可行调用总量;约束4表示决策变量为非负整数。

2.2 基于离散化海鸥算法的模型求解

海鸥算法(seagull optimization algorithm,SOA)是Gaurav等[19]于2018年提出的一种基于群体的元启发算法,主要通过模拟海鸥的迁徙和攻击行为,实现对给定区域内的快速寻优,能够较好解决工业上具有挑战性的大尺度约束问题。因此,本文采用海鸥算法对舰炮武器维修器材调剂供应优化决策模型进行求解。

1) 基本原理

在迁徙过程中,每只海鸥在避碰行为条件下朝向最佳位置飞行,并不断调整飞行角度和速度,以螺旋线方式攻击猎物。具体数学模型如式(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为当前步;Ps(t)为海鸥当前位置;Cs(t)为海鸥避碰位置;Pbs(t)为当前最佳位置;Ms(t)为个体海鸥向最佳位置收敛方向;Ds(t)为迁徙行为结果位置;Ps(t+1)为考虑攻击行为后海鸥的位置。

控制参数A、B和螺旋线参数x、y、z的计算如式(9)—式(11)所示:

A=fc-t*(fc/Maxiteration)

(9)

B=2*A2*rand()

(10)

其中:fc可以控制变量A的频率,A从2线性衰减至0;θ是一个位于[0,2π]的随机值,算法通过u和v控制螺旋半径r,u和v通常取1。SOA算法流程如图5所示。

图5 SOA算法流程

2) 改进设计

维修器材调剂供应问题属于非线性整数规划,元启发算法的应用需要离散化处理。本文以每个需求种类为独立链路编码,每个链路上从首位开始每NK位为一个基础段,对应一个需求点所需广义资源储备点的供应数量,则一条链路上共有NJ个基础段。此外,由于决策空间不连续、多维约束各不相同,在海鸥攻击行为中,x*y*z乘子容易导致行为超调,致使供应数量出现负值或超大值、丧失物理意义,对此,本文采用算子r3*θ对其进行比例规范化处理。

3 仿真验证

参照文献[13]的器材供应实例参数,对本研究模型方法和人工鱼群算法(artificial fish swarm algorithm,AFSA)进行仿真对比测试。算法中各参数设置如下:海鸥群体规模50,最大迭代次数100,u和v取1,拥挤度15、步长3、重复次数10、视野范围100,仿真环境为Intel(R) Core(TM) i7-8550U CPU @ 1.80 GHz 2.00 GHz,RAM 8 GB,MATLAB R2016b。仿真结果如图6所示。

图6 算法收敛曲线Fig.6 Algorithm convergence curve

可以看出,本文在收敛速度和寻优效果上均优于AFSA。本文求得最佳方案的适应度值为21.263 8,对比AFSA的30.290 6,提升了29.8%。

4 结论

针对当前舰炮武器装备维修保障中的问题,提出了一种舰炮武器装备智能化维修保障体系,分析了区域舰炮武器装备PHM多级协同架构,并指出维修资源视情供应是实现智能化维修保障的关键基础,对此,研究构建了面向统筹区域的舰炮武器维修器材调剂供应模型,并尝试应用一种新的元启发算法——SOA进行问题求解,通过离散化改进设计和仿真试验对比,证明了SOA在该问题上具有较好快速寻优能力,为后续研发区域多级PHM决策系统提供了理论方法。