复杂装备费用

2024-07-09

复杂装备费用（精选7篇）

复杂装备费用篇1

摘要：针对复杂装备费用预测中样本少和费用影响因素繁多的问题, 分析费用因素的驱动比重。综合考虑驱动比重的最大化和因素权重的不确定性, 运用极大熵原理, 建立多目标权重配置模型, 并利用拉格朗日乘子法求解权重。依据因素权重大小和权重的接近度选择费用驱动因子, 利用所选择的驱动因子建立多元回归模型。与已有文献中的方法对比, 结果表明本文的方法具有较高的预测精度, 说明基于驱动比重最大化的复杂装备费用驱动因子识别模型能够诊断费用的关键影响因素。

关键词：复杂装备费用,驱动比重最大化,驱动因子,极大熵原理

1 引言

复杂装备是指客户需求复杂、产品组成复杂、产品技术复杂、制造过程复杂、项目管理复杂的一类装备[1], 如航天器、飞机、航空母舰、武器系统等。随着科技飞速发展及其在军事领域的广泛应用, 复杂装备研制费用增长在国内外都成为普遍现象。影响研制费用的因素很多, 有性能因素、物理因素、时间和计划因素等, 能够找到对复杂装备研制费用影响较大的费用驱动因子, 就可以对重要因素进行权衡与控制, 也可以根据费用驱动因子, 估算复杂装备的研制费用, 对设备选型有指导意义。

样本少和影响费用的因素繁多是复杂装备费用预测中两个难点, 费用驱动因子的选择既要考虑每个驱动因子对费用的驱动效应, 又要考虑驱动因子之间的多重共线性。当前费用驱动因子的选择方法有: (1) 主成分分析法及其的扩展———因子分析法[2,3,4,5]; (2) 基于偏F检验的方法[6]; (3) 灰色关联分析法[7,8,9]; (4) 其它一些方法[10,11,12]。这些方法在费用驱动因子识别中取得了可喜的成绩, 但是现有方法存在以下缺点: (1) 主成分分析法给回归模型的解释带来一定的复杂性; (2) 基于偏F检验的方法和灰色关联分析法都难以判断驱动因子之间是否可以相互代替。本文从驱动因子的权重配置角度, 赋予驱动效应 (比重) 较大的费用因素较大权重, 提出一种驱动比重最大化的复杂装备费用驱动因子权重配置极大熵模型。

2 基于驱动比重最大化的复杂装备费用驱动因子识别模型

2.1 基于驱动比重最大化的复杂装备费用驱动因子权重配置

定义1设有n个复杂装备A1, A2, …, An, 每个装备有m个因素, ci (i=1, 2, 3, …, n) 表示装备费用, 数据矩阵如下:

显然, xj的量纲不影响uij的计算。νij越大, 表示因素xij对成本ci的驱动效应越大。如果每个样本中的驱动比重νij都比较大, 因素xj在m个因素中的权重就比较大。即越大, 因素xj的权重wj越大, 因此构造规划模型:

同时由于个因素的真实权重是随机变量, 具有不确定性。将权重wj理解为因素xj在所有因素中占的概率 (比重) , 则用信息表示权重的不确定性。根据极大熵准则, 在已知部分信息的基础上, 认为权重熵值达到最大且满足约束条件所得到的权重值可能性最大。即构造规划模型:

引入调节系数α (0≤α≤1) , 将问题 (1) 和问题 (2) 转化为单目标的最小化问题:

定理1问题 (3) 有唯一解, 即

其中, α为调节系数, 表示两个目标的平衡程度, 可根据实际情况取值。考虑到两个目标是均衡的, 一般取α=0.5。

证明利用Lagrange乘子法构造函数:

由极值存在的必要条件, 有

解方程组得:

目标函数的Hesse矩阵为

显然, Hesse矩阵是负定矩阵, 则当时, L (wj, λ) 为极大值。从而得证。

定理2如果按照权重大小依次排序, 调节系数α的变化不影响权重的排序, 只影响权重排序的区分度。

如果能够提供因素权重可能的变化范围或者因素权重的大小关系, 即a≤wk≤b, k∈{1, 2, …, m}或者wp<wq, p, q∈{1, 2, …, m}, 为了充分利用这些先验信息, 建立规划模型:

模型 (4) 可利用相关软件求解。

2.2 复杂装备费用驱动因子识别原则

费用因素xj的权重wj越大, 因素xj对总费用的影响程度越大。在识别过程中针对不同情况, 采取如下不同的原则:

(1) 如果选择费用驱动因子建立含有常数项的多元回归模型, 按照权重大小选择驱动因子的个数比样本量少2个即可。因为选取过多, 不易建立多元回归模型;选取过少, 所建模型丢失信息过多。

(2) 如果两个费用因素的权重极为接近, 可认为这两个费用因素之间存在多重共线性。在建立多元回归模型时, 可定性分析, 选择一个变量代替这2个变量。

3 实例分析

为了便于比较, 本文分别采用文献[3]、文献[4]的实例, 其中设α=0.5。

例1选择和文献[3]相同的样本, 由于费用因素个数大于样本量, 不能采用传统的最小二乘法, 文献[3]利用递阶偏最小二乘回归预测机型为10的研制费用。为了利用传统的最小二乘法, 利用本文方法可得权重较大的8个驱动因子为SEP、导弹挂架数量、挂载武器效能、信息系数、机翼面积、雷达反射截面、电子对抗能力、航程。其中航程与SEP的权重极为接近, 存在多重共线, 定性分析后, 用航程代替SEP。本文选择导弹挂架数量、挂载武器效能、信息系数、机翼面积、雷达反射截面、电子对抗能力、航程为自变量, 建立多元回归模型, 进一步预测机型为10的研制费用。

预测结果对比见表2:

例2选择和文献[4]相同的样本, 从权重大小看, 机高、起飞距离与最大平飞速度的权重接近, 存在多重共线, 定性分析后, 用机高代替起飞距离与最大平飞速度, 飞机空重与最大载油量的权重极为接近, 存在多重共线, 定性分析后, 用最大载油量代替飞机空重。所以选择最大起飞重量、机身长、机高、满油航程、最大载油量为自变量, 建立多元回归模型, 预测机型为I的研制费用。

结果对比见表4:

预测的精度取决于外推精度, 例1和例2分别与文献[3]、文献[5]的方法比较, 预测精度都相对较高, 说明本文的方法能够较准确的识别复杂装备费用驱动因子。

4 结论

基于主成分分析法的驱动因子识别给回归模型的解释带来一定的复杂性;基于偏F检验的方法和灰色关联分析法都难以判断驱动因子之间是否可以相互代替及费用因素之间的多重共线性, 灰色关联度的构建本身就缺乏较好的理论依据, 且以上三种方法都不能较好的控制驱动因子的个数。

本文从复杂装备费用因素驱动比重的最大化和因素权重的不确定性视角, 提出一种配置影响因素权重的方法, 权重越大, 对费用的影响程度越大。能够判断因素之间的多重共线性和控制驱动因子的个数, 利用所选择的费用驱动因子建立多元回归模型, 实例预测精度较高, 说明费用驱动因子的识别正确。本文的思想易于理解, 方法较为客观, 操作性强, 可应用于其他复杂装备的费用驱动因子识别。

参考文献

[1]李成, 吴斌.面向大型复杂装备制造单企业级集成质量系统[J].系统工程, 2012, 30 (6) :117~121.

[2]张小海等.用DEA优化主成分回归的寿命周期费用建模[J].海军工程大学学报, 2011, 23 (1) :32~37.

[3]李寿安等.偏最小二乘回归在军用飞机价格预测中的应用[J].航空学报, 2006, 27 (3) :600~604.

[4]王礼沅, 郭基联, 张恒喜.递阶偏最小二乘回归在飞机研制费用预测中的应用[J].航空学报, 2009, 30 (8) :1580~1583.

[5]徐哲, 刘荣.偏最小二乘回归法在武器装备研制费用估算中的应用[J].数学的实践与认识, 2005, 35 (3) :152~158.

[6]刘晓东.装备寿命周期费用分析与控制[M].北京:国防工业出版社, 58~59.

[7]Huang S J, Chiu N H, Chen L W.Integration of the grey relational analysis with genetic algorithm for software effort estimation[J].European Journal of Operational Research, 2008, 188 (3) :898~909.

[8]解建喜等.基于灰色关联分析理论和等工程价值比方法的飞行器研制生产费用研究[J].兵工学报, 2007, 38 (2) :223~227.

[9]孙林凯, 金家善, 耿俊豹.基于修正邓氏灰色关联度的设备费用影响因素分析[J].数学的实践与认识, 2005, 35 (3) :140~145.

[10]訾书宇等.船舰维修成本预测中的案例相似性检索技术[J].计算机集成制造系统, 2012, 18 (1) :208~215.

[11]孙朝辉, 白思俊, 刘丽华.基于聚类和灰色模型的固体火箭发动机价格模型研究[J].系统工程理论与实践, 2005, 25 (8) :114~118.

[12]姜少飞.机械产品设计过程成本决策及控制方法与技术研究[D].杭州:浙江大学, 2003.

基于SVR的武器装备费用预测篇2

由于样本限制, 装备费用预测问题是小样本学习问题。支持向量机 (Support Vector Machine, SVM) 是由统计学习理论发展起来的一种新型学习机器, 它以结构风险最小化原理为理论基础, 具有逼近复杂非线性系统、较强的学习泛化能力和良好的分类性能, 同时所需要样本数量少、建模方便、计算简单、学习训练时间短、泛化能力强。SVM最初是用来解决模式识别问题, 随着Vapnik的ε不敏感损失函数的引入, SVM已经扩展到解决非线性回归问题。

1 支持向量机回归模型

支持向量机回归 (SVR) 的基本思想是:基于Mercer核展开定理, 通过非线性映射, 把样本空间映射到一个高维特征空间, 在这个空间中构造最优决策函数。在构造最优决策函数时应用结构风险最小化原则, 并利用原空间的核函数取代高维特征空间中的点积运算, 把寻找最优线性回归超平面的算法归结为求解一个凸约束条件下的一个凸规划问题。

对线性规划, 设训练样本集 (xi, yi) , i=1, 2, …, n具有ε相似性, 即, i=1, 2, …, n。该最优问题可作如下描述:

其中C为惩罚因子, 实现经验风险和置信范围的折中;ξi, ξi*为松弛因子, ε为损失函数, 采用ε不敏感 (insensitive) 损失函数, 用于控制回归逼近误差和泛化能力。

在求解上式时, 一般采用对偶理论, 把它转化成二次规划问题。建立拉格朗日方程:

在极值处, 上式对w, b, ξi, ξi*求偏导为零, 得:

化简后, 可得原约束表达式的对偶式:

对于非线性问题, 将原数据集通过一非线性映射, 映射到一高维特征空间, 在高维特征空间中进行线性回归, 则此时约束表达式为:

定义K (xi, xj) = (Φ (xi) ·Φ (xj) ) =ΦT (xj) Φ (xi) 为核函数。

根据Karush-Kuhn-Tucker定理, 可求得αi, αi*, b, 最终可得SVM回归函数为:

2 支持向量机预测装备费用的方法和步骤

基于支持向量机回归的装备费用预测的方法和步骤如下:

(1) 确定样本量。

武器装备的费用受多方面因素的影响, 如果只从单独的一个方面对武器装备费用进行考察评估, 就不可能对装备费用有正确的反映。一般选取对费用较为敏感的若干个主要物理与性能参数 (如质量、体积、射程、探测距离、平均故障间隔时间等) 。对于单一费用的预测, 其样本量可以选择前阶段该项费用作为样本量。

(2) 数据的预处理。

支持向量机没有对数据量纲的要求, 这就可能造成两个数量级相差很大的数据一起作为训练样本, 造成模型训练费时, 误差较大。因此对训练样本要进行数据的缩放处理。一般归一化采用下式实现:

式中, xM表示归一化后的数据, xmax, xmin是原始变量x的最大和最小值。

(3) 选择核函数, 进行学习训练。

常用的核函数有线性核函数, 多项式核函数, 径向基核函数, 高斯核函数。支持向量机回归常用的核函数是径向基核函数, 表示为:

选择参数C, ε以及核函数中σ2的合理取值, 一般按经验选取, 以所确定的模型的拟合精度作为标准。

(4) 确定模型, 用于预测。

将新的参数数据输入到模型中进行预测。

摘要：武器装备的费用是影响装备发展的首要问题。在装备寿命周期的各个阶段, 开展装备费用的预测研究, 对于促进装备可靠性和维修性的提高, 加强装备使用和维修的科学管理有着十分重要的意义。

复杂装备维修性验证方法研究篇3

维修性是装备的一种质量特性,是由设计赋予的使装备维修简便、迅速、经济的固有属性[1]。良好的维修性,不仅可以提高装备效能,维持装备高完好率,而且可以有效降低装备的寿命周期费用,促进装备的持续发展,科学发展。要使装备具有良好的维修性,必须开展一系列的论证、分析、设计、试验、评价等维修性工程。维修性验证是维修工程的重要组成部分,即在装备设计定型、生产定型时,由指定的试验机构或订购方与承制方联合组织的一种正规、严格的检验性试验评定。目的是考核装备的维修性是否实现指标要求[2]。

根据装备使用、维护的特点,结合维修性参数确定的原则,在装备维修性验证中多对平均修复时间MTTR(Mct)进行验证。平均修复时间MTTR是使用最广泛的基本的维修性量度,是在任一维修级别都可以使用的维修性参数[3]。MTTR在装备的使用和维护过程中易于验证和考核,因此不仅可以作为使用参数,还可以作为合同参数。

随着高新技术的发展,装备的复杂程度也不断提高。复杂装备一般由机械设备(硬件部分)、电子设备和软件三部分组成,其维修也相应的包括机械设备维修、电子设备维修和软件维护三部分,而相应的维修性指标的验证也随之变得复杂[4]。复杂装备的MTTR曲线分布不似简单装备服从单一的对数正态分布,而是由于复杂装备各部分MTTR分布不同而整体服从双峰或多峰分布(如图1)。

本文针对这种情况提出复杂装备MTTR分组验证的方法。

1 分组模型

本文针对复杂装备MTTR曲线呈现多峰分布提出先分解再分组的方法对复杂装备MTTR进行验证。由于复杂装备集成化程度高,多由很多子系统集合而成,因此先将复杂装备按结构和功能模块划分进行分解。在MTTR验证过程中,电子设备和机械设备的MTTR组成不一致,因此先将复杂装备分为电子设备和机械设备,再分别对两者从子系统、采用的技术、维修特点、维修方案等因素进行分解,如图2所示。

对于各子系统,MTTR曲线分布相对简单,多为单峰分布,可以很多故障样本可以重用,因此可运用传统的验证方法进行验证。但是由于分系统过多,在验证过程中会造成样本过多,数据难以综合运用,而各分系统MTTR曲线分布之间又存在很多相似性,很多故障样本可以重用,因此可以利用相似学原理按各分系统MTTR曲线分布的相似程度进行分组,对组进行验证,在实践上更加行之有效。可建立曲线相似度模型对MTTR曲线进行相似度分析。曲线相似度模型如图3所示。

曲线之间相似要素取曲线峰值、中值和百份位值(90%),利用相似度计算公式计算曲线之间相似度。

其中,ai为各要素的权重,为单个要素之间的相似度。

根据曲线之间的相似度将曲线进行分组,组中成员都是复杂装备的子系统,MTTR曲线为简单的正态分布,可以运用传统的为修行验证方法进行验证。对组中最具代表性的子系统进行维修性验证,验证结果可以代表整个组的MTTR水平。

2 验证模型

在验证模型中,对于简单装备的MTTR验证需要规定要求值,订购方风险β,承制方风险α(α,β一般取0.05,0.1),规定样本数量n叟30。用下面公式进行计算。

3 结论

本文通过对维修性验证和复杂装备的分析,提出了对复杂装备的分组验证模型。按功能结构将复杂装备分解为子系统,利用相似学原理按MTTR相似程度对子系统进行分组,对组进行验证,可有效避开直接对复杂装备进行验证,有效减少样本数量,减少工作量,又保证了验证结果的精度,为复杂装备的维修行验证提供了新的思路和方法。

参考文献

[1]甘茂治,康建设,高崎.军用装备维修工程学[M].北京:国防工业出版社,2005.97-98.

[2]甘茂治.维修性试验与验证[M].北京:国防工业出版社,2003.151-154.

[3]邓华伟.计算机辅助民机维修性设计与分析技术研究[D].南京:南京航空航天大学硕士论文,2005.8-10.

[4]胡志刚等.复杂装备维修性验证仿真方法研究[J].系统仿真学报,2007.8.

[5]MAINTAINABILITY DEMONSTRATION[M].World Publishing Corporation,2000.

[6]周美立.相似系统论[M].北京:科学技术文献出版社,1994.48-58.

复杂装备费用篇4

随着当今世界军备战的展开, 武器装备的建设正朝着大型化、复杂化、智能化等方向发展, 其组成越来越复杂, 性能越来越先进, 相应的维修费用也越来越高。长寿命装备的使用阶段是其生命周期中占时最长的一个阶段, 因此使用维修和保障费用所占比例也最大。目前, 国外长寿命武器装备的使用与保障费用占装备寿命周期费用的60%, 有的高达70%～80%, 而且这一比例还在不断的提高[1]。

为有效控制武器装备寿命周期费用, 降低国防费用开支, 除在研制、论证、生产阶段采取有效的手段进行控制外, 对武器装备使用阶段采取一定措施和手段也可有效的降低装备的维修费用, 从而达到降低寿命周期费用的目的。文献[1]采用灰色理论对长寿命武器装备使用维修费用进行了建模, 其计算的准确性虽较其它方法有了一定的提高, 但没有与装备的实际使用和维修过程相结合, 而是采用累加的方法, 计算的精准度还可再有所提高;文献[2]对武器系统全寿命周期费用的控制和管理工作进行了研究, 但对使用和保障阶段的费用控制没有进行研究;文献[3,4,5]对武器装备的寿命周期费用的预测和优化方法进行了研究, 但考虑武器装备的使用特点和维修规律较少。总之, 在装备寿命周期费用的研究中, 对研制、论证阶段寿命周期费用控制研究得多, 对使用阶段武器寿命周期费用控制研究的较少, 而使用维修费用在寿命周期费用中占有较大的比例, 对其进行研究有很大的必要性。

本文就寿命周期内维修费用问题开展研究, 分析了装备使用维修流程, 建立了维修费用模型和装备使用维修过程仿真模型。

2、装备使用控制和维修策略

本文考虑的装备采取分类别使用的控制策略, 以达到降低维修保障费用的目的。即装备按照使用类别的不同分为训练用装备和战备装备, 训练用装备又按照使用的程度不同分为重点使用装备和一般使用装备。其中, 重点使用装备是为保障部队完成日常训练任务而动用较多的装备, 一般使用装备用于在重点使用装备送修或不能满足训练保障时动用的装备, 战备装备是为满足部队遂行作战或应付突发事件储备的装备。按照装备的使用和维修规律可建立如图1所示的使用、维修流程图。三类装备间在一定条件可进行相互转换:一是可以提高装备的战备储备率, 二是可以提高装备的战备完好率。

判定条件1:装备消耗的摩托小时达到进行保养和维修的规定时间时, 进行一、二、三级保养和小修、中修、大修。

判定条件2:当有装备进行大修后即转换成战备装备进行储备。

判定条件3:战备装备中摩托小时消耗最多的转换为训练用装备。

判定条件4:在转换为训练用装备和一般使用装备中摩托小时消耗最多的转换为重点使用装备。

3、维修费用建模

我们考虑一个建制单位中某种类型装备, 建立其使用和维修费用模型。

建模的前提条件:

一是维修设施齐全, 维修设施建设费用不予考虑;

二是维修设备齐全, 维修设备购置费不予考虑;

三是由于装备发生故障产生的维修费用存在不确定性, 不予考虑;

四是战备装备保持一定的数量, 符合战备需求;

五是人工费、水电费等不予考虑;

六是维护保养所需的油料由上级供应, 所需费用不予考虑。

由建模的前提条件可知, 在不考虑由故障引起装备产生维修费用的前提下, 在装备寿命周期内产生的维修费用主要有维护保养费和预防性维修费。其费用模型可表示为:

式中:

Ct—寿命周期内总维修费;

bi—寿命周期内维护保养的次数, i=1, 2, 3分别表示一级、二级、三级保养;

Cb i—寿命周期内各级保养的单位费用, i=1, 2, 3分别表示一级、二级、三级保养的费用;

mi—寿命周期内预防性维修的次数, i=1, 2, 3分别表示小修、中修、大修;

Cm i—寿命周期内预防性维修的单位费用, i=1, 2, 3分别表示小修、中修、大修的费用;

由图1我们可以看出, 该装备在使用维修过程中转换过程复杂, 受约束条件多, 很难应用解析法建立维护保养次数模型和预防性维修次数模型, 为确保计算的准确性, 我们应用Matlab建立装备使用维修仿真模型, 对装备的各级维护保养和各类维修进行仿真运算。

4、示例

根据建立维修费用模型和使用维修仿真模型, 我们以某种类型装备进行维修费用计算。

其假设条件是:训练使用装备每工作6小时进行1次一级保养, 战备装备每周进行1次一级保养;训练使用装备每工作180小时进行1次二级保养;装备每工作180小时进行1次三级保养, 所有装备每年进行2次三级保养;进行三级保养就不进行一、二级保养, 进行二级保养就不进行一级保养;装备每工作180小时进行1次小修;装备每消耗完1个发动机工作时间进行1次中修;装备每消耗完2个发动机工作时间进行1次大修;装备大、中修完后从零开始重新计时;装备单车平均年度工作时间约60小时, 重点使用装备工作小时占总工作小时的80%, 战备用车消耗工作小时为20小时/年, 剩余工作小时为一般用车消耗工作小时;装备的寿命周期为3 0年。

按照某类型装备的假设条件和转换条件, 将有关假设数据代入进行仿真并通过改变装备使用策略可得到在寿命周期内总的维修费用, 结果见表1 (数据已处理) 。

(维改前;寿命周期30年) 单位:万元

通过表1我们可以看出, 在保持总的工作小时消耗不变的情况下, 改变训练用装备和战备装备的比例和改变重点使用装备和一般使用装备的数量都能够降低寿命周期内总的维修费用, 维修费用随训练用装备所占的比例增大呈下降趋势, 其对比情况如图2所示。

我们知道, 在装备配备部队后的使用过程中, 可根据工作实际和对关键部件进行维改, 延长装备关键部件的工作时间, 增加装备的维修间隔期, 提高装备的使用效益。如我们现装备部队的某类型装备通过强化发动机, 使其小修间隔期增大到270小时, 仿真后得到的数据结果见表2。

(维改后;寿命周期30年) 单位:万元

由表2我们可以看出小修间隔期的延长使装备维修费用呈下降趋势, 但总体趋势同维改前一样, 随装备战训比例和重点使用装备与一般使用装备的数量比例增大呈下降趋势, 如图3所示。

通过改变装备的使用策略 (增大装备的战训比例和重点使用装备和一般使用装备比例) 和维修策略 (延长装备的小修间隔期) , 都可降低装备的维修费用 (由表1和表2的数据对比可以看出) , 其费用对比如图4所示。

5、结论

本文运用解析法建立了维修费用与装备使用、维修的关系, 应用Matlab建立了装备维修费用仿真模型, 利用群举法对维修费用进行决策。算例分析表明, 该决策模型能够反映维修费用随装备战训比例和重点使用装备与一般使用装备的比例增加而减少的实际情况。对于具有相同使用、维修特点的装备可以进行维修费用优化决策。

参考文献

[1]王朝晖, 王晓伟.长寿命武器装备使用维修费的估算研究.中国设备管理协会寿命周期费用委员会第七次年会论文集.2006年.

[2]徐安德.武器系统全寿命周期费用的控制和管理的研究.导弹与航天运载技术, 2002年第6期.

[3]何春雨, 金家善.浅谈维修性增长对装备寿命周期费用的影响.中国设备管理协会寿命周期费用委员会第七次年会论文集, 2006年.

[4]李璐.武器装备体系寿命周期费用优化控制与管理研究.中国设备管理协会寿命周期费用委员会第七次年会论文集.2006年.

武器装备全寿命费用的经济学分析篇5

一、武器装备全寿命费用经济模型分析

武器装备耗费巨大, 特别是随着信息技术的不断进步及应用, 其技术含量和复杂程度也越来越高, 因此, 武器装备的全寿命费用管理更应引起高度关注。装备全寿命费用管理实际上是一种确保武器装备以最低的全寿命费用来满足军方作战使用要求的采办策略, 是衡量一个武器系统投资水平和经济性的主要参数, 更是武器装备全寿命周期过程中各种决策的主要依据。

(一) 新型武器装备全寿命费用模型

武器装备寿命周期一般分为六个阶段:方案探索、方案演示与验证、工程研制、生产与部署、使用与保障、退役。前三个阶段是研究和试制, 第四五阶段是采购与使用维护。新型武器装备全寿命费用模型, 就是将装备的研制、购置、使用、报废等各阶段的费用支出整合到—个系统的定量分析平台, 从而明确不同阶段费用支出强度对寿命周期费用的影响程度。这对于现役装备的管理、新研装备全寿命周期的规划具有重要的实践意义和推广应用价值。

运用新型武器装备全寿命费用模型, 我们可以根据装备全寿命周期内各阶段所需费用, 找出关键阶段和关键环节进行分析, 以最大限度地节省费用。从图1我们可以看出, 装备研制对装备全寿命费用起着决定性影响。

(二) 已定型武器装备的经济寿命模型

若是已经定型的产品, 只有生产、购置、使用、退役四个阶段。相对应的全寿命费用包括购置费、使用费、维修费、报废处理费等。在使用过程中随着使用时间的增加, 装备性能会发生一些变化, 其维持费 (包括使用费、维修费等) 也会出现变动。我们把装备寿命周期内各项费用进行加总后除以使用年限, 可以得到装备年平均使用费用的一个函数, 从而得出装备的经济寿命。装备的经济寿命是指装备全寿命期内年均费用最低的使用年限, 从投入使用开始, 到因经济因素而终止使用的时间。这是根据经济性原则来确定装备寿命周期的一种综合方法。

随着装备使用时间的延长, 每年分摊的初始成本会减少, 但每年支出的运行成本 (操作费、维修费、材料费及能源消耗费等) 都会增加, 所以装备在整个使用过程中, 其每年支出运行成本是变化的。当装备的年平均使用成本已超过最低值时, 会使装备的经济效益低于新型装备的使用效益。由于科学技术的迅速发展和生产能力的不断提高, 新型装备不断出现, 往往在装备物理寿命到来之前, 就被技术更先进、经济更合理的新装备所取代。所以, 装备的经济寿命有时低于物理寿命, 提早报废更符合经济效益。

其中:A———装备年平均费用;

C1———装备年平均使用费用;

C2—装备年平均折旧费用;

C0———装备初始购置费用;

T0——装备的经济寿命;

T———装备的使用年限。

从图1和图2两个模型可以看出, 在装备决策初期进行全寿命费用分析与论证, 会极大地节省装备寿命周期费用, 也就是说, 武器装备全寿命费用管理是提高装备经费使用效率的重要手段。

二、武器装备全寿命费用管理的基本思路

装备全寿命费用管理以寿命周期费用最小为目标, 在采办各阶段通过采取各种有效管理措施, 使采办的武器装备既能满足性能和进度要求, 又能使其在寿命期内的总费用最低。我们认为, 装备全寿命费用管理主要包括全寿命费用估算、全寿命费用风险管理、全寿命费用评价。全寿命费用估算是将具有规定效能的设备的寿命周期内消耗的一切资源全部量化为金额累加, 从而得出总费用的过程;全寿命费用风险管理则是对产品的全寿命周期费用及各费用单元的不确定性进行分析, 以确定高费用项目及影响因素、费用风险项目, 以及费用效能的影响因素等的一种系统分析方法;全寿命费用评价是以全寿命费用为准则, 对不同备选方案进行权衡抉择的系统分析方法。

(一) 武器装备全寿命费用的估算

全寿命周期费用估算就是采用预测技术, 在装备寿命周期的任何时点, 特别是研制早期需要对费用进行控制时, 估算出装备周期内可能发生费用的总和。估算的目的是向负责装备论证、研制、生产及使用的主管部门和管理人员与工程技术人员提供寿命周期费用的估计值、各主要费用单元费用的估计值等, 以便对寿命周期费用进行有效的设计、控制与管理, 并进行评价和权衡。

装备全寿命费用一般可分为研制费、生产费、使用保障费和退役处置费四大部分 (每一个费用部分又可以展开成许多辅助要素) 。因此, 我们可以得到如下式所示的全寿命费用估算基本模型:

式中:CT———全寿命周期费用;CR———研究和研制费用;CI———全部投入费用;

COS———使用与保障费用;CD———处理费用。

在全寿命费用分析估算中, 比较通用的分析方法有参数法、类比法、工程估计法、专家调查法、单位商品目录价法 (规划因子法) 、风险分析法、时间费用分析法等。每种方法对每一寿命周期阶段都有不同的可用度, 可以单独交叉使用, 随着设备的成熟和系统的进展, 这些方法可以相互补充, 但产品完善的程度决定着方法的适用性。通常在产品早期阶段, 参数法和类比法是最有用的, 它可以用来对未来费用进行大致估计。随着设计的稳定且有更多信息可以利用时, 参数法会成为比较有用的方法。

(二) 武器装备全寿命费用的风险管理

武器装备的设计研制、试验生产、部署使用的时间一般都较长, 同时其寿命周期也较长。而且装备作为一种特殊商品, 在装备采购过程中, 由于方案选择和各种事先无法预料的不确定性因素的影响, 也使得装备全寿命费用存在巨大的不确定性。在采购活动中装备全寿命费用面临的不确定性因素主要包括四个方面:一是新型武器装备型号的发展与装备发展战略关系的不确定性;二是武器装备技术发展的不确定性;三是通货膨胀率的不确定性;四是各项费用数据信息的不确定性。

装备采办活动过程中面临的诸多不确定性、装备市场的特殊性以及成本数据信息的非完备性, 影响到了装备全寿命费用估算时的准确性和置信性, 制约全寿命费用管理在装备采办活动中的运用。关于装备全寿命费用的风险控制方法, 应主要从以下几个方面着手:一是改进装备采办机制, 完善装备采办程序。虽然装备采办活动中不可避免会面临许多不确定性因素, 但我们可以通过改进装备采办机制, 完善装备采办程序尽量减少不确定性。二是对不确定性因素进行简化处理。简化处理可以提高全寿命费用估算的工作效率, 减少统计的难度和工作量, 有利于全寿命费用技术在装备采办领域的推广运用。鉴于现代武器装备的高费用、大系统、高科技、模块化的特点, 我们可以在数据统计和分析过程中, 采用一些灵活的方法来简化不确定性问题的处理, 比如, 采用冲销法、忽略法、分摊法、合并法等。三是对不确定因素进行技术处理。在武器装备全寿命费用估算中不可避免会面临许多影响装备寿命周期费用的不确定性和不可预见性因素, 例如, 装备的价格、装备的寿命、装备的故障次数等, 为减少全寿命费用估算中的风险, 技术上常用的方法即对不确定性因素进行盈亏平衡分析、敏感性分析和概率分析。

(三) 武器装备全寿命费用的评价

装备全寿命费用评价主要指在不同方案间、不同系统间、战术技术性能指标间进行权衡, 达到相同投入条件下功能效益最大化。装备全寿命费用的评价通常采用效能-费用分析框架。

效能-费用分析是一种很有效的定量分析方法, 可应用于全寿命周期任何阶段需要权衡的问题, 它对准确分析现代武器装备的全寿命费用具有重要作用。效能-费用分析方法效能是指武器装备完成规定目标任务程度的量度, 主要是指其达到某个或某些目标的能力大小, 各个不同的指标均可作为效能的量度;费用是指武器装备在寿命周期内发生的全部费用, 即寿命周期费用, 它包括装备的研制费、购置费、使用费、维修费和退役报废处置费等;效能-费用分析是通过定义目标、建立方案, 从费用和效能两方面综合和评价各方案, 为决策者提供定量信息, 以帮助决策者做出科学选择。

进行效能-费用分析时, 通常应考虑下列六个基本要素。目标:是分析所要达到的目的, 也是决策的出发点。方案:为实现某一目标而采用的多种手段, 它是整个分析工作的基础。效能:即装备的价值, 必须考虑影响装备效能的各种主要因素, 效能应给出定量结果。费用:为了实现某一目标, 在整个寿命周期内要消耗人力、物力、财力、设备等资源费用。模型:对所研究问题的一种描述, 运用模型分析的过程应当是模型自身不断完善的过程。准则:评价各可行方案优劣的标准。为了能够对效能进行定量描述, 需要建立效能方程。基本的效能方程式是可用度向量、可信度矩阵与能力向量的乘积。对于某些特定的系统来说, 如果不能建立完备的数学模型, 可以某种方式把可用度、可信度和能力这三个要素结合起来, 从而建立起适用于需解决问题的模型。

三、完善武器装备全寿命费用管理的对策建议

(一) 建立健全武器装备全寿命费用管理机构

为了加强武器装备全寿命费用管理, 世界上主要发达国家都成立了相应机构。我军武器装备研制、生产、采购和后勤保障等工作相互脱节、相互独立, 还没有集中的管理机构。建立装备全寿命费用管理常设机构, 可以加强对装备全寿命费用的集中管理, 便于协调工作和沟通, 可提高采办效率。目前, 各军兵种对在研的一些重要装备, 都成立有“型号”办公室, 主要是由军方人员组成, 负责协调该装备在研制、生产过程中的一些问题, 但不是该装备全寿命管理的常设机构。装备全寿命费用管理“常设机构”应是以军方为主, 研制、生产等单位都有人参加的组织机构, 负责论证装备全寿命周期内的费用管理工作。可以把目前的“型号办”扩充建立“装备全寿命费用管理办公室”, 把装备全寿命费用管理提高到新的层次加以考虑。

(二) 加强武器装备全寿命管理过程中的经济分析

装备研制过程对装备全寿命费用具有决定性影响, 在很大程度上决定着装备订购价格水平。要提高装备效费比, 对于在研装备必须强化研制阶段的价格管理工作, 在保证武器装备功能和效用的前提下, 合理分配和控制研制、采购、使用的费用水平, 最大限度地减少装备全寿命费用。在项目方案设计论证阶段, 应运用全寿命费用管理理论, 开展全寿命费用经济分析评估, 在多种方案中选择满足相关指标要求却耗费最少的方案;研制阶段, 应实施技术指标和经济指标同步控制管理, 特别是加强装备全寿命费用的估算以及不确定性分析, 综合考虑装备的费效比。

此外, 建立科学合理的装备淘汰机制也是至关重要的。现代武器装备尤其是高技术武器装备的更新换代极其迅猛, 旧装备同时面临着有形的和无形的磨损。旧装备的较低性能和较高维修保养成本与新装备的较高性能以及较低维修保养费之间必须进行分析比较, 只有及时淘汰落后的武器装备, 才能确保列装的武器装备具有最大效费比。

(三) 利用信息化手段进行武器装备全寿命费用管理

信息化手段参与装备的全寿命管理, 有利于提高管理活动的科学性、准确性, 提高工作效率。这就要求平时注意对原始数据收集, 利用信息处理工具对有关信息进行不间断的加工、存储和传输, 以充分利用数据信息。有了数据, 我们就可以对装备进行全寿命费用分析, 以确定各方面的费用比例, 总结经验教训, 不断改进装备全寿命费用管理工作, 尽可能地少花钱多办事, 提高装备采办经济效益。除此之外, 在历史数据的基础上, 我们还可以为前期的装备全寿命费用预算论证工作提供科学的决策支撑。

信息化手段还可以加强研制生产过程成本监督管理, 及时掌握成本变化情况。在研制生产过程中, 同步开展经济节点评审工作, 收集研制生产过程耗费发生的原始资料, 按照成本核算的办法以及研制成本列支的有关规定, 对产品研制生产成本进行核算。通过评审分析, 判断承包单位在研制生产过程中经济目标是否发生偏离, 确定是否需要采取纠偏措施。

(四) 加快制定武器装备全寿命费用管理的相关细则

制定武器装备全寿命费用管理相关细则就是针对每种装备的特点制定每种装备的管理细则, 明确规定全寿命周期各阶段、各相关单位在该装备全寿命费用管理过程中应承担的责任、所做的具体工作和完成工作的时限以及违约后应追究的法律责任等。细则应具体、明确、可操作性强。应不断完善现有的国军标体系, 重视军用手册、指南及各种指导性材料的编写, 充分发挥军用标准的作用。应学习加强新装备管理的各种规定和办法, 形成装备全寿命管理新格局。

在装备统一归口管理的基础上, 依据我军发展战略, 结合部队实际, 建立健全装备配备标准和使用管理制度。从而使装备的科研论证、鉴定试用、配发更新、使用维修、注销处理和经费分配使用等各环节, 实现全过程的管理, 逐步实现武器装备全寿命管理费用的规范化、标准化、制度化。

参考文献

[1]周建设.装备采办理论与实践[M].长沙:国防科技大学出版社, 2011:3-13.

[2]卢周来.现代国防经济学教程[M].北京:石油工业出版社, 2006:116-120.

[3]旷毓君, 刘鹏.武器装备采办理论与供应商选择[M].长沙:国防科技大学出版社, 2009:3-10.

[4]刘利华, 阎理, 杨先卫.武器装备全寿命管理中经济寿命分析[J].装备指挥技术学院学报, 2005, (2) :29-31.

复杂装备费用篇6

测试性是装备的一种重要设计特性,它描述装备检测和隔离故障的能力,具有良好测试性的系统可以降低装备的寿命周期费用、提高任务可靠性、增强装备的综合保障能力[1,2,3]。近年来,测试性同可靠性、维修性一样作为装备的综合保障特性之一,在新型装备的研制、使用和维修管理过程中占有极其重要的地位,特别是复杂装备的测试性问题,已经引起世界各国的高度重视[4,5,6]。如何对复杂装备的测试性进行评估,已经成为装备研制方和使用方共同面临的难题。

目前,我国在测试性设计方面的研究还不成熟,对测试性的评估多限于一些经典的方法,对小子样下测试性评估的研究则更少;受费用和时间等客观因素的限制,无法对复杂装备进行大量的测试性验证试验,所以现场得到的试验数据样本量一般很少,致使经典评估方法的使用受到了极大的限制。而Bayes评估方法能融合多种来源的先验信息,极大地减少试验次数,缩短试验周期,降低试验费用。本文运用Bayes理论,综合利用研制阶段的测试性试验数据和现场试验信息,提出了基于研制阶段试验数据的测试性Bayes评估方法,对某雷达装备的测试性指标进行了评估,并与经典评估方法相比较,从而评价出适合复杂装备测试性的评估方法。

1 复杂装备的测试性评估模型

复杂装备测试性通常用故障检测率(fault detection rate,FDR)、故障隔离率(fault isolation rate,FIR)和虚警率(false alarm rate,FAR)来度量[1]。因此,对复杂装备测试性评估实际上是对FDR、FIR和FAR等主要指标的验证评估。

1.1 复杂装备的测试性试验

在复杂装备测试性指标评估之前,要进行测试性试验,通过测试性试验来确定装备测试性指标的量值[7,8]。复杂装备的测试性试验是为了提高其测试性设计水平,确定装备是否满足测试性要求而进行的各种试验的总称[9]。通过试验来判断装备的测试性是否达到规定的要求,并及时发现装备在测试性设计方面存在的各种缺陷,从而改进设计或保障条件来提高装备测试性,实现测试性增长。

测试性试验时,在预选故障中选取需注入的故障,对装备系统或单元注入一次故障,然后对其实施故障检测和故障隔离程序并作出故障指示,对应的结果只可能是成功或失败两种形式:故障被检测到(检测成功)或未被检测到(检测失败);故障被隔离到指定的单元(隔离成功),或者没有完成隔离(隔离失败);试验中(或使用中)有故障指示时,可能是真实故障指示(指示成功),或装备实际无故障而指示有故障(指示失败)的虚警。研制阶段各次试验独立进行,所以测试性试验可看作是成败型试验,以二项式分布为基础进行评定[1,10,11]。由于FDR、FIR和FAR这三个指标基于相同的模型,评估它们的方法类似,只是试验数据不同,因此,本文以故障检测率为例对复杂装备测试性评估方法进行研究。

1.2 基于经典方法的测试性评估分析

通常,计算FDR时,其置信上限越大越好,因此可以不用考虑置信上限大小,最值得关心的是其置信下限值是否太低。对于具有二项式分布特性的测试性试验总体(成败型试验),当给定置信度γ(0<γ<1)时,经典方法的FDR置信下限PL由下式解出:

$\sum_{k = 0}^{f} C_{n}^{k} (1 - Ρ_{L})^{k} Ρ_{L}^{n - k} = 1 - γ (1)$

式中,f为故障检测失败次数;n为故障检测试验次数。

由于式(1)为离散的求和运算,当n很大时,等式中 $C_{n}^{k} = \frac{n!}{(n - k)! k!} (k = 1, 2, \dots, f)$ 就会非常大,以至计算机也可能无法进行计算。为便于计算和分析,本文给出一种基于Beta分布的等价变换方法,将离散的求和运算转换为连续的积分运算。

对于服从Beta分布的随机变量P(0<P<1),其概率分布函数为

Fβ(P; $r_{1}, r_{2}) = \frac{1}{β (r_{1}, r_{2})} \int_{0}^{Ρ} t^{r_{1} - 1} (1 - t^{r_{2} - 1}) d t (2)$

这里,Beta函数表达式为

β(r1,r2)=∫ $_{0}^{1}$ tr1-1(1-t)r2-1dt (3)

式中,r1、r2为大于0的值。

由式(2)可得

Fβ(P;r1,r2)=1-Fβ[(1-P);r2,r1] (4)

因为

$\begin{array}{l} \frac{1}{β (f + 1, n - 1)} \int_{q_{L}}^{1} t^{f} (1 - t)^{n - f - 1} d t = \frac{1}{β [f, n - (f - 1)]} \cdot \\ \int_{q_{L}}^{1} t^{f} (1 - t)^{n - f - 1} d t + \frac{n!}{f! (n - f)!} q_{L}^{f} (^{1} - q_{L}) n - f (5) \end{array}$

式中,qL为置信下限。

同理,有

$\begin{array}{l} \frac{1}{β (f, n - (f - 1))} \int_{q_{L}}^{1} t^{f - 1} (1 - t)^{n - (f - 1) - 1} d t = \\ \frac{1}{β (f - 1, n - (f - 2))} \int_{q_{L}}^{1} t^{f - 2} (1 - t)^{n - (f - 2) - 1} d t + \end{array}$

$\frac{n!}{(f - 1)! [n - (f - 1)]!} q_{L}^{f - 1} (1 - q_{L}) n - (f - 1) (6)$

依此类推,得

$\begin{array}{l} \frac{1}{β (2, n - 1)} \int_{q_{L}}^{1} t^{1} (1 - t)^{n - 2} d t = \\ \frac{1}{β (1, n)} \int_{q_{L}}^{1} t^{0} (1 - t)^{n - 1} d t + \frac{n!}{1! (n - 1)!} q_{L}^{1} (1 - q_{L}) n - 1 (7) \end{array}$

$\frac{1}{β (1, n)} \int_{q_{L}}^{1} t^{0} (1 - t)^{n - 1} d t = \frac{n!}{0! (n - 0)!} q_{L}^{0} (1 - q_{L})^{n} (8)$

由式(8)开始,向上依次代入,直至式(5)为止,从而可以得到

$\begin{array}{l} \sum_{k = 0}^{f} C_{n}^{k} (1 - q_{L})^{n - k} q_{L}^{k} = \frac{1}{β (f + 1, n - f)} \cdot \\ \int_{q_{L}}^{1} t^{f} (1 - t)^{n - f - 1} d t = 1 - F_{β} (q_{L}; f + 1, n - f) (9) \end{array}$

令PL=1-qL,并结合式(1)、式(4)和式(9)可以得到

$\begin{array}{l} \sum_{k = 0}^{f} C_{n}^{k} (1 - Ρ_{L})^{k} Ρ_{L}^{n - k} = 1 - γ = \\ \frac{1}{β (n - f, f + 1)} \int_{0}^{Ρ_{L}} Ρ^{n - f - 1} (1 - Ρ)^{f} d Ρ (10) \end{array}$

对于式(10),如果已知现场试验数据为(n,f),那么以γ的置信度认为P>PL,此处PL就是FDR的置信下限值,它可以利用MATLAB软件中的命令“icdf('beta',1-γ,n-f,f+1)”直接求出。

由上面分析可知,经等价变换后,经典方法的FDR置信概率分布函数F(P)和置信概率密度函数f(P)可分别表示为

$\begin{array}{l} F (Ρ; n - f, f + 1) = \\ \frac{1}{β (n - f, f + 1)} \int_{0}^{Ρ} x^{n - f - 1} (1 - x)^{f} d x (11) \end{array}$

f(P; $n - f, f + 1) = \frac{Ρ^{n - f - 1} (1 - Ρ)^{f}}{β (n - f, f + 1)} (12)$

1.3 基于Bayes理论的测试性评估

基于Bayes理论的复杂装备测试性评估方法的基本思想是先收集装备不同研制阶段的测试性试验信息,然后通过Bayes数据融合的方法把这些试验信息变为系统测试性验前信息,最后结合现场测试性试验数据来确定验后分布,从而实现对装备的测试性评估。

利用先验信息确定验前分布是Bayes评估方法的关键,由前面分析可知,对于复杂装备成败型测试性试验的总体(二项式分布),工程应用中常用共轭先验分布来确定验前分布,则其参数即FDR的共轭先验为Beta分布[12]。为计算方便,设装备的FDR为P,试验共分N个阶段,则FDR的先验分布为

$π_{i} (Ρ) = \frac{Ρ^{n_{i} - f_{i} - 1} (1 - Ρ)^{f_{i} - 1}}{β (n_{i} - f_{i}, f_{i})} i = 1, 2, \dots, Ν (13)$

式中,0≤P≤1;ni、fi分别为研制阶段i的等效任务试验数和等效失败数,ni>0,fi>0。

有了先验分布就可以结合现场测试性试验信息,并利用Bayes定理导出验后分布:

$π (Ρ | D) = \frac{Ρ^{\sum_{i = 1}^{Ν} (n_{i} - f_{i}) + n - f - 1} (1 - Ρ)^{\sum_{i = 1}^{Ν} f_{i} + f - 1}}{β (\sum_{i = 1}^{Ν} (n_{i} - f_{i}) + n - f, \sum_{i = 1}^{Ν} f_{i} + f)} (14)$

其中,D=(n,f)表示现场试验信息。

在测试性评估问题中,置信度为γ(0<γ<1)的FDR置信下限PL可以通过下式求解得到:

∫ $_{0}^{Ρ_{L}}$ π(P|D)dP=1-γ (15)

由于研制阶段测试性试验的工作环境和试验方式等因素不可能与现场试验完全一致,因此现场试验样本与研制阶段历史试验样本一般来说是来自不同总体的。式(14)直接利用了研制各阶段的历史试验信息,它实际上是将现场试验信息与每个阶段的试验信息看成来自同一总体,这样的主观性判断是缺乏依据的,很容易对测试性评估的结果产生较大的影响,特别是现场试验数据为小样本量时,现场试验信息将会被湮没。为了有效、合理地利用研制阶段的试验信息,需要以某种恰当的形式对不同研制阶段的历史试验信息进行融合。

2 研制阶段测试性试验信息的融合

2.1 混合Beta分布

为了既有效地利用研制阶段的历史试验信息,又能描述历史试验信息与现场试验信息的异总体性,并减小两种信息样本异总体性对测试性评估的影响,本文在文献[13,14,15]的基础上提出了一种新的混合Beta验前分布,具体如下:

$\begin{array}{l} π_{ρ} (Ρ) = \sum_{i = 1}^{Ν} [ρ_{i} π_{i} (Ρ)] + (1 - ρ) π_{o} (Ρ) = \\ \sum_{i = 1}^{Ν} [ρ_{i} \frac{Ρ^{n_{i} - f_{i} - 1} (1 - Ρ)^{f_{i} - 1}}{β (n_{i} - f_{i}, f_{i})}] + (1 - ρ) π_{o} (Ρ) (16) \end{array}$

$ρ = \sum_{i}^{Ν} ρ_{i} 0 \leq Ρ \leq 1$

0≤ρi≤1 0≤ρ≤1

式中,ρ、ρi为继承因子;(1-ρ)为更新因子;πo(P)为无信息验前分布,πo(P)∝P-1。

其中,ρ反映了新研装备在测试性方面对总的历史试验信息的相容程度,可以由试验信息或专家给出;ρi反映了研制阶段i的试验信息与现场试验信息的相容性;(1-ρ)反映了当前新研装备在改进老装备时引入的测试性不确定性。当ρ=1时,验前信息与现场试验信息完全相容,此时混合Beta分布就是一般意义上的共轭Beta分布;当ρ=0时,两种信息总体完全不相容,无任何先验信息;当0<ρ<1时,则表示部分相容。

对于测试性试验的总体(二项式分布),现场n次试验中发生f次失败,则似然函数为

L(P;n,f)=CfnPn-f(1-P)f (17)

依据Bayes定理,并结合式(16)和式(17),可得其验后分布为

$\begin{array}{l} π_{ρ} (Ρ | D) = \frac{L (Ρ; n, f) π_{ρ} (Ρ)}{\int_{0}^{1} L (Ρ; n, f) π_{ρ} (Ρ) d Ρ} = \\ \frac{(1 - ρ) Ρ^{n - f - 1} (1 - Ρ)^{f} + \sum_{i = 1}^{Ν} ρ_{i} \frac{Ρ^{n_{i} - f_{i} + n - f - 1} (1 - Ρ)^{f_{i} + f - 1}}{β (n_{i} - f_{i}, f_{i})}}{(1 - ρ) β (n - f, f + 1) + \sum_{i = 1}^{Ν} ρ_{i} \frac{β (n_{i} - f_{i} + n - f, f_{i} + f)}{β (n_{i} - f_{i}, f_{i})}} (18) \end{array}$

显然,当ρ=0时,式(18)转化成了式(12),即经典评估方法;当ρ=1时,式(18)可转化为式(14),即直接利用历史信息的传统Bayes评估方法。因此,这里所构建的混合分布实际上是经典评估方法与传统Bayes评估方法的有机结合,可见使用该混合分布更加合理。

对于测试性评估问题,给定置信度γ(0<γ<1)后,FDR的置信下限PL可以通过下式求解得到:

∫ $_{0}^{Ρ_{L}}$ πρ(P|D)dP=1-γ (19)

2.2 继承因子ρ和ρi的确定

由以上分析可知,继承因子ρ和ρi的取值对于装备测试性评估影响很大,因而必须对两者慎重取值。通常ρ的值可由型号研制专家根据新研装备的改进程度给出,当不能精确给出时采用分层Bayes方法处理[13],并将ρ看作随机变量,但ρ的取值范围与概率分布同样都需要根据专家经验来决定。该方法具有较强的主观性,并且当推广到多个阶段时,由于要给出每个继承因子ρi的概率分布且对其连乘并积分,所以计算较为繁琐。为此,文献[15]给出用历史试验样本与现场试验样本所来自总体的拟合优度检验来确定ρ值的方法,该方法简单易行,现将其引入到测试性评估中,并对其进行改进,推广应用到多阶段试验的情况。

确定ρ之前,首先需要综合研制各阶段的试验信息,计算出历史试验信息综合后的等效试验(故障检测或指示报警)成功次数和失败次数,所以综合后的等效验前试验成功次数S和失败次数F由下式确定:

$\begin{array}{l} S + F = \frac{Ν - 1}{Ν} (\frac{Ν \sum_{i = 1}^{Ν} \bar{Ρ}_{i} - (\sum_{i = 1}^{Ν} \bar{Ρ}_{i})^{2}}{Ν \sum_{i = 1}^{Ν} \bar{Ρ}_{i}^{2} - (\sum_{i = 1}^{Ν} \bar{Ρ}_{i})^{2}}) - 1 \\ S = (S + F) \bar{Ρ} \end{array}} (20)$

式中, $\bar{Ρ}_{i}$ 为阶段i试验中P的点估计, $\bar{Ρ} = \frac{\sum_{i = 1}^{Ν} \bar{Ρ}_{i}}{Ν}$ 。

设综合后的验前试验样本(S, F)来自总体Y,现场样本(n-f, f)来自总体X,构造如表1所示的X、Y两个二项总体的列联表。

令

$Κ = \frac{[(n - f) F - S f]^{2} [n + (S + F)]}{n [S + (n - f)] (f + F) (S + F)} (21)$

K为一个person统计量,服从自由度为1的χ2分布,并要求测试性试验中两个样本检测到故障的次数与未检测到故障次数都要大于5,为此,需要对其进行如下修正:

$\begin{array}{l} Κ = \\ \frac{{| (n - f) F - S f | - \frac{1}{2} [n + (S + F)]}^{2} [n + (S + F)]}{n [S + (n - f)] (f + F) (S + F)} (22) \end{array}$

式(22)中K也近似服从自由度为1的χ2分布,在给定检验水平α下,可用K作为检验统计量来检验X和Y两个总体是否为同一总体。然而即使通过了检验,也不能把这两部分的试验信息简单混合在一起,仍需确定研制阶段的试验信息与现场试验信息的相似程度ρ。

这里,称Q=P(χ21>K)为此检验的拟合优度。实际上,Q表示X与Y两总体的相似概率,它与ρ是直接相关的,然而要十分准确地描述Q与ρ之间的关系函数相当困难[15],在实际工程应用中通常取ρ=Q1/2。

设装备研制阶段i有mi批试验信息,lij和fij(j=1,2,…,mi)分别表示各试验批次的试验次数和失败次数。设阶段i的样本 $(\sum_{j = 1}^{m_{i}} (l_{i j} - f_{i j}), \sum_{j = 1}^{m_{i}} l_{i j})$ 来自总体Y,现场样本(n-f, f)来自总体X,通过构造X、Y两个二项总体的列联表,取检验统计量如下:

$Κ_{i} = {| \sum_{j = 1}^{m_{i}} f (l_{i j} - f_{i j}) - [\sum_{j = 1}^{m_{i}} (n - f) f_{i j}] | -$

$\begin{array}{l} \frac{1}{2} (n + \sum_{j = 1}^{m_{i}} l_{i j})}^{2} (n + \sum_{j = 1}^{m_{i}} l_{i j}) / \\ {n \sum_{j = 1}^{m_{i}} l_{i j} [(n - f) + \sum_{j = 1}^{m_{i}} (l_{i j} - f_{i j})] (f + \sum_{j = 1}^{m_{i}} f_{i j})} (23) \end{array}$

根据Ki,运用与求ρ相同的列联表拟合优度检验的方式,求得各研制阶段试验信息与现场试验信息的相似程度的度量值Ti=Q $_{i}^{1 / 2}$ ,这里,Qi=P(χ $_{1}^{2}$ >Ki)。求得Ti后,由ρ值即可通过下式求出ρi:

$ρ_{i} = ρ \frac{Τ_{i}}{Τ_{1} + Τ_{2} + \dots + Τ_{Ν}} i = 1, 2, \dots, Ν (24)$

3 案例应用

以某雷达装备的测试性为研究对象进行FDR评估分析。该装备设计有高性能的机内测试功能,并配备符合标准接口规范的外部自动测试设备和大量的手动测试工具。假设该雷达装备在研制阶段共开展了2个阶段的测试性试验,分别为初样阶段测试性试验和正样阶段测试性试验,各试验阶段的成败型试验数据分别为(100,5)和(100,3)。外场使用试验统计结果共出现了23个故障,经维修人员确认有22个故障能够被正确检测出来,剩下1个故障未检测到,即现场数据为(23,1)。

给定置信度γ=0.9,当采用经典评估方法时,该装备的测试性指标FDR的置信下限PL可通过式(1)求解或利用MATLAB命令来确定,计算可得PL=0.8412;当采用传统Bayes评估方法时,即直接使用历史试验数据,将所有的历史试验信息等同看待,得到验前分布为Be(P|192,8),则由式(14)、式(15)计算得到FDR的置信下限PL=0.9421;当采用根据经验确定继承因子的Bayes评估方法时,首先确定各阶段的验前分布,然后根据专家经验取继承因子ρ1=0.3,ρ2=0.5,因此ρ=0.8,则计算得到γ=0.9时PL=0.9327;当采用本文的方法时,首先由式(20)确定S和F分别为183.36和7.64,并通过式(22)求得K=0.2310,从而计算可得ρ=0.7942,同理计算可得T1=0.8276,T2=0.8640,由式(24)求得ρ1=0.3885,ρ2=0.4057,最后将ρ、ρ1和ρ2值以及各阶段的试验数据代入式(18)和式(19),计算得到γ=0.9时FDR置信下限PL=0.9303。

作为对比,图1和表2分别给出了采用不同测试性评估方法时FDR先验边缘分布与FDR的评估结果。其中,方法1是经典评估方法;方法2是传统Bayes评估方法;方法3为根据经验确定继承因子的Bayes评估方法。

1.方法1 2.方法2 3.方法3 4.本文方法

由图1和表2可以看出,方法1由于忽略了研制过程中大量有用的历史试验信息,尽管现场试验仅有一次故障检测失败,但由于样本量太小,导致评估结果仍过于保守,风险较大;方法2未能考虑现场试验信息与历史试验信息的异总体性,很容易对测试性评估的结果产生很大的影响,同时由于现场试验样本量远小于历史试验样本量,一定程度上湮没了现场试验信息,导致评估结果较为冒进;方法3虽然权衡了历史试验信息和现场试验信息,但如果没有权威的专家经验或其他信息支持,取ρ=0.8缺乏依据;而本文的方法既有效利用了不同研制阶段的历史试验信息,又考虑了各阶段试验信息的异总体性,并且更能反映新研装备的独有特性,取得的FDR置信下限介于方法1和方法2之间、接近于方法3,所以本文方法评估风险小,评估结果更为合理、精确。

4 结语

本文利用研制阶段测试性试验数据,并结合现场试验信息,以一种新的混合Beta分布作为先验分布,并通过Bayes数据融合的方法,对某雷达装备的FDR进行了验证分析。该方法考虑了研制阶段历史先验信息与现场试验信息可能来自不同总体的情况,引入了继承因子来反映验前信息相容性,较为合理地利用了研制阶段测试性试验数据,大大缩短了外场试验周期,与经典评估方法以及传统Bayes评估方法相比,其评估结果更为可信,特别是针对小样本下的复杂装备测试性评估更显优势。

摘要：针对当前测试性评估方法中,经典方法无法利用历史测试性试验信息,且在小样本量下,评估结论置信度低、风险大的问题,提出了一种基于研制阶段试验数据的复杂装备测试性评估模型。在对经典评估方法进行建模与分析的基础上,运用Bayes理论,建立了综合利用研制阶段历史试验信息和现场试验数据的Bayes测试性评估模型;该模型结合验前信息与现场信息的相容性给出了一种混合验前分布,并利用拟合优度检验确定继承因子。最后开展了案例应用研究,结果表明,在相同的现场试验条件下,该模型能给出较高置信度的测试性评估结论,比经典评估方法更合理。

复杂装备费用篇7

关键词：柔性测试技术,复杂装备,系统构成,关键技术

0 引言

随着现代军用电子装备的更新加快、复杂程度加深,军用测试系统面对着测试种类繁多、多种技术的高交叉性以及技术更新速度加快等新挑战。如何构建一套通用、灵活、可升级的测试系统,已成为困扰装备保障的一大技术难题。

传统的装备测试系统很难既能考虑到测试的高效率同时又兼顾测试的低成本,不具备能够根据被测装备测试需求的变化而对自己本身进行调整的灵活性,且可扩展性差。因此将柔性测试技术应用于自动测试系统的设计中,构建柔性测试系统,使自动测试系统可以根据测试需求的变化柔性组建,从而达到提高测试系统通用性与灵活性的作用。

1 柔性测试技术概念及特点

柔性测试技术以多种相关技术为基础,是可满足复杂、多样化的测试测量需求的系统化技术。它整合了虚拟仪器、测试测量、机电一体化、网络通信及软件等多种技术;既面向应用,又专注于测试系统的创建和发展。

柔性测试技术是测试理念的一种转变,它不是针对某一个或一类具体的测试对象来具体构建通用型的测试系统,而是根据测试要求和测量对象,从应用出发来规划完整的测试平台,将测试测量解决方案或系统的实现作为一个整体来考虑,通过分析测试需求,站在全局的高度来构建整个测试系统,为各种测试测量需求提供完整的解决方案。

柔性测试技术具有适用性,灵活性,扩展性三个特性。它能够满足多种测试环境要求,提供多种测试性能,并可以根据需求的改变,重构测试系统的功能以满足测试要求,而且还能伴随相关技术的发展,使原有系统的能力得到扩展,保证应用系统的先进性,实现测试能力的不断提升。

2 柔性测试技术的发展现状

随着现代科学技术的发展,测试技术对电子装备发展的作用越来越突出。自动测试技术(ATS)作为测试技术中的一项重要技术与手段,更加受到世界各国的重视。自动测试系统的发展可分为三代:第一代自动测试系统是针对测试任务而研制的专用型测试系统;第二代自动测试系统是在具有标准接口总线的台式程控仪器的基础上,以积木堆叠方式组建而成的;第三代自动测试系统是基于VXI,PXI等测试总线,主要由模块化的仪器/设备所组成的自动测试系统[1]。

当今复杂装备的测试系统存在以下不足:专用型测试系统对测试资源配置具有很强的针对性,系统研制工作量大、成本高、适应性不强,不同的测试系统间很难实现互操作。通用型测试系统由于要满足一定的通用性和参数覆盖面,一方面导致测试系统仪器设备种类众多、体积庞大、结构复杂、灵活性差,另一方面系统各测试资源间存在冗余,增加了测试系统的体积和功耗。

为弥补现有装备自动测试系统的诸多不足,下一代自动测试系统的主要目标包括[2]:

(1)显著降低自动测试系统的维护和使用费用;

(2)通过提高测试系统的通用性,使用户获得最大限度的测试灵活性,以满足不同测试用户需要;

(3)提高自动测试系统新技术的注入能力,即使系统存在一定扩展性,能够随着新技术的发展进行升级,以满足不断发展的用户需求。

由此可见,下一代自动测试系统对测试系统的灵活性提出了更高的要求,即测试系统应该具有相应的适用性与灵活性,以满足快速变化的不同测试需求的需要。同时还应该具有扩展性,以提高测试系统对新技术的纳入能力。基于柔性测试技术构建的自动测试系统能够很好地解决现有测试系统存在的结构复杂、体积庞大、灵活性差、扩展性差、升级困难等问题现状,很好地满足下一代自动测试系统的各项目标要求。

国外方面,美国等西方军事发达国家,已经注意到了柔性测试的战略意义,加快了这方面的研发,尤其是在柔性仪器方面。

(1)在2003年3月美国总审计署(GAO)发表《美国国防部需要更好地管理自动测试设备现代化》报告后,美国国防部更加重视通用及灵活测试设备的开发与使用,这为柔性仪器的应用提供了广阔的背景。

为了降低成本,五角大楼计划制定者正试图通过采购通用、灵活的测试设备,取代目前正在使用的400多种不同类型的军事与航空测试设备。为尽快实现这两个目标,测试设备制造商们正致力于PXI波形因数和柔性仪器等测试新技术的开发。

(2)美国海军制定了加固自动化支持系统CASS(Consolidated Automated Support System)计划。该计划用一个标准化系统代替25部测试仪器,支持2 458种武器元器件的测试。

(3)2008年,美国国防部ATS局推出了敏捷快速全球作战保障系统ARGCS(Agile Rapid Global Combat Support),它是一个演示系统,提出了适合全军共用、共同遵守的标准化、通用化的规范体系,减少了各兵种自成体系的设备,避免了重复研制的浪费,结束了标准不兼容、不规范的局面,满足现代诸军兵种联合作战的需求。该系统的标准化、通用化以及开放的特性,满足柔性测试系统的三个特性要求,是柔性测试技术应用于测试系统的具体体现。

国内方面,柔性测试是于2008年提出的。经过两年的发展,柔性测试技术已经在航空航天、汽车、船舶、电子、电力等领域有了初步的应用,并取得了较好的效果。其中在汽车制造领域,柔性测试技术的应用成果更为突出:不仅在如何进行柔性测试系统的构建方面得到了深入的研究,而且还有多套基于柔性测试技术的系统产品被设计出来。如汽车仪表盘终检系统、汽车传感器通用测试系统、电路板功能测试系统、汽车保险丝盒装配检测系统以及噪声定位源分析系统等[3,4,5,6,7]。

综上所述,柔性测试技术作为解决现有测试系统存在问题的一种重要的新兴手段,已被初步应用于民用以及军事的相关测试领域,并在提高测试系统的通用性、灵活性与扩展性方面取得了很好的效果。

3 复杂装备柔性测试系统的构建

在对复杂装备进行测试时,传统的测试测量是用一种仪器完成一类测试功能,通过多种仪器组合实现一组完整测试。在许多情况下,不同仪器具有类似的内部功能,这就造成了冗余和浪费。将系统各功能单元进行模块化,用这些模块化的、可完成某种特定功能的单元构建测试系统,使系统能够按照测试任务与要求,快速构建出满足测试要求的自动测试系统,完成测试任务;测试任务改变时,系统能够根据新的测试要求快速地重新组建出可完成新的测试任务的自动测试系统。这样的自动测试系统就是柔性测试系统。

因此,柔性测试系统是一种能够根据测试任务需求及测试环境的变化,快速改变系统的组织模式、硬件与软件结构,以迅速调节测试功能来适应新任务和新环境的自动测试系统。

柔性测试系统的组成可大致由图1所示结构框图来表示[8]。

图1中,柔性测试系统由控制器/数字信号处理器单元、信号调理单元、信号切换接口单元以及波形发生器单元、波形数字化单元(ADC)等组成。可见柔性测试系统的激励和测量功能是由激励和测量通路配合数字信号处理单元来实现的,而系统测试功能的实现以及系统的重构等都是在控制器的控制下完成的。

柔性测试系统的构成与软件无线电类似,主要的区别是把天线换成了与待测设备的接口,增加了支持更加复杂的信号调理电路,以及系统重构所要求的电路元件及信号通道。这些修改使柔性测试系统具有常规仪器所无法比拟的功能。

下面以柔性测试系统的激励通道为例来进行详细说明。柔性测试系统激励通道如图2所示。

图2中,经过数字信号处理模块产生数字信号波形,然后针对UUT所需激励信号要求,如果需要数字信号则经过数字信号调理后至切换接口直接供给UUT;如果需要模拟信号则需通过D/A转换器及模拟信号调理后,经切换接口供给UUT;如果需要射频信号,那么在经过D/A转换器及射频信号调理模块后,通过频率上转换器进行频率变换,再送至UUT。

实际系统中,信号的切换接口单元由适配器及自适应测试信号接口构成。由于被测设备所需激励信号与所产生的响应信号种类繁多,因此,对应每一种被测设备就需有与之相应的适配器来与测试系统连接。接口适配器上装有辨识电路,当通过测试程序配置测试参数时,程序会自动调用与接口适配器对应的测试参数,防止误操作。信号经过适配器后,再经自适应测试信号接口送至相应的信号调理模块处理。系统的信号处理以及系统的控制等功能均是通过系统的软件来实现的。

通过如上所示系统的构建,既使柔性测试系统具有一般传统测试系统的功能,使之能够完成各项测试任务要求,还使系统具有如下优势:

(1)系统能够利用标准通用模块,通过系统的智能组建,就可以实现不同的仪器功能,具有很高的通用性。

(2)通过消除系统冗余的功能模块,达到减小系统体积,降低系统成本的目的。

(3)当测试系统需要升级或扩展新的测试功能时,只需添置或替换直接受影响的功能模块,升级相应的软件,而不需要更换整个系统,从而延长了测试系统的使用寿命,节约了成本。

4 复杂装备柔性测试系统的关键技术

4.1 总线技术

“测试系统的组成离不开测试总线,总线本身亦成为测试系统的主要组成部分”[9]。方便快捷的仪器总线是柔性测试系统快速组建的保障。根据测试需求的不同,系统需要从一种构型快速转换到另一种构型。因为系统的各个功能模块是共用的,所以一个测试完成后,需要系统的各功能模块快速拆卸归库,以供再次构建系统使用,同时还要求系统能够快速组建满足新的测试需求的测试系统。构建柔性测试系统主要采用LXI,VXI,PXI三类总线。尤其是融合了GPIB总线的高性能、VXI/PXI总线构造仪器体积小以及LAN的高速吞吐率等特点的LXI总线,具有高速、灵活、无需专用机箱、可单独使用等优点,能够很好满足柔性测试系统对总线的要求。

4.2 仪器互换技术

测试仪器的可互换性直接关系到测试系统的灵活性与扩展性,因此仪器互换技术是构建柔性测试系统的关键技术。IVI(Interchangeable Virtual Instruments)是基于需求驱动的,其接口有严格的语义标准,因而易于实现仪器的互换性和软件的移植性。其实现原理为[10]:应用程序通过一个逻辑名来调用IVI类驱动器,IVI类驱动器将该逻辑名与IVI配置文件中的所有逻辑名进行匹配,得到实际的IVI类专用驱动器指针,并实现该驱动器的动态加载,然后将IVI类驱动器中的函数和属性与IVI类兼容专用驱动器的对应函数和属性进行链接,使应用程序可以间接地访问这些函数和属性。

虽然IVI技术规范目前尚在制订中,目前只有示波器、万用表、函数发生器、多路开关等9种仪器的类驱动程序的标准化,而且IVI只适合同类仪器的互换,但随着技术的进步和厂商进一步支持,IVI技术必定会在提高系统灵活性与扩展性方面得到更广泛的应用。

4.3 可重配置技术

可重配置技术作为实现柔性测试系统通用性和灵活性的关键,也是构建柔性测试系统的一项重要技术。系统的可重配置主要体现在软件与硬件两个方面。

系统软件的可重配置通过软件的分层设计实现。整个软件体系分为系统管理层、测试程序层、仪器控制层。其中,系统管理层实现整个系统的管理,包括测试需求的描述、测试功能模块的分类与管理、最优资源集合的生成等。测试程序层主要实现测试程序的管理,包括根据测试需求调用相应的测试程序、重构适于测试需求的测试软件等。仪器控制层通过解析系统管理层的配置信息和命令参数,控制各功能模块按照要求执行,完成测试功能。通过软件分层式的设计结构,能够实现系统测试程序快速有效的重新配置,进而完成测试任务。

系统硬件的可重配置体现在两个方面:一方面通过系统软件仪器控制层的程序控制,调用不同的功能模块实现;另一方面,系统主要的电路功能通过FPGA来实现,FPGA的可现场编程功能特性,支持用户现场重新下载配置信息来改变功能,从而实现重新配置。

5 结语

柔性测试技术是多种技术的集成者,基于柔性测试技术构建的柔性测试系统具有很强的通用性、灵活性和扩展性,能很好地满足现代化战争对测试系统的各项要求,并能较大程度地减少系统冗余,节约成本,具有较好的军事和经济效益。

参考文献

[1]倪玲,张琦,郭霞.自动测试技术发展综述[J].中国制造业信息化,2007,36(13):46-49.

[2]BURDEN Judy,CURRY Patrick A,ROBY Derec,et al.Introduction to the next generation automatic test system(NGATS)[C].IEEE Autotestcon Proceedings.[S.l.]:IEEE,2005:16-20.

[3]杨杰.基于柔性测试技术的汽车仪表盘终检系统设计[J].电子测试,2009(11):89-90.

[4]秦莉娜,王朝志,邓兆敏.基于柔性测试技术的位置传感器标定与检测系统[J].电子技术应用,2010(2):81-83.

[5]郝王松,李巍.基于“柔性测试”技术的噪声源定位分析系统[J].世界仪表与自动化,2008(7):17-18.

[6]高天虹,汪海波.基于柔性测试技术的测试系统[J].兵工自动化,2009,28(5):85-86.

[7]阚宏伟.基于柔性测试技术的系统设计[J].航空制造技术,2008(9):54-56.

[8]MURRILL Jeff.RF Synthetic Instrumentation used to sup-port EW test capability[J].IEEE AUTOTESTCON,2008:144-147.

[9]刘正升,蒋志忠,杨日杰.测试领域新技术的发展及应用[J].国外电子测量技术,2009(1):16-19.

[10]葛利蕊,孔祥芝,刘鹏.自动测试系统通用性的实现技术[J].海军航空工程学院学报,2007(6):651-654.

[11]黄冠中,李志强.基于PXI总线的宽带频率计设计[J].现代电子技术,2010,33(11):18-20.

【复杂装备费用】推荐阅读：

装备装备学06-10

复杂曲线07-18