许庆

摘要：从解析军事大数据、大数据技术、装备故障预测的基本内涵入手，论证了基于军事大数据开展装备故障预测的必要性，从军事大数据的聚合提取、存储管理、分析处理、预测应用等方面提出了具体对策，为提升装备故障诊断能力和维修保障能力提供科学决策支持。

Abstract： Starting with the analysis of the basic connotation of military big data， big data technology and equipment fault prediction， the necessity of carrying out equipment fault prediction based on large military data is demonstrated. From the aspects of aggregation extraction， storage management， analysis and processing and prediction application of military big data， this paper puts forward some physical countermeasures in order to provide scientific decision support for improving equipment fault diagnosis capability and maintenance support capability.

關键词：军事大数据；装备保障；故障预测

Key words： military big data；equipment support；fault prediction

中图分类号：E91 文献标识码：A 文章编号：1006-4311（2018）29-0246-02

0 引言

随着我军武器装备的快速发展，装备的不同部分之间互相关联，紧密耦合，导致装备故障呈现出不确定性、非线性、并发性等特点[1]，给装备故障的预测分析带来了新的挑战。如何有效运用军用综合电子信息系统累积的海量数据资源，利用军事大数据对装备故障规律进行有效预测，为开展精准高效的装备维修保障给予了科学的技术支撑，是一个值得重点研究的问题。

1 基本内涵

1.1 军事大数据

大数据是数据本身以及采集数据的工具、平台和分析系统的总称，一般包含数据采集、存储、分析和共享等系统[2～3]，主要涉及数据产生、储存、分析处理和应用4个环节，具有量大、高速、多样、价值4个特点[4～5]。大数据具体在军事领域的应用称为军事大数据，其容量涵盖了可直接和间接用于军事领域的全部数据，瞄准军事需求为牵引进行高效的数据处理，强调在军事活动中的数据融合，同时对信息数据进行有效的安全管理，最终为军事任务提供预测和决策参考。

1.2 大数据技术

大数据技术是指从繁杂类型的海量数据中，快速获取有价值的数据信息，并能快速高效的对其进行处理的技术[6]，一般包括数据采集、预处理、存储管理、分析挖掘、安全管理、可视化分析等技术[7]。大数据技术应用于军事装备领域，必将带来一场数据变革，利用已积累的军事大数据预先测算平时、战时部队的各项物资消耗、装备维护保养需求，以此为依据组织物资预储预置，提高装备保障效益。

1.3 装备故障预测

装备故障预测旨在以当前装备的使用状态为起点，结合已知预测对象的结构特性、参数、环境条件及历史数据，对装备未来的故障进行预测、分析和判断，确定故障性质、类别、程度、原因及部位，指出故障发展趋势及后果，以便预先消除故障，保障训练和作战任务的顺利完成[8]。装备故障预测分析是从装备发生的各种故障入手，分析故障产生的原因和机理，找出故障随时间变化的趋势和规律，对装备故障进行预测预判，最终实现控制和消灭故障。

2 基于军事大数据进行装备故障预测的必要性

随着我军装备保障领域信息化建设的不断推进，海量的装备故障信息使装备保障人员陷入“信息迷雾”，给装备故障预测带来了新的挑战。在数据采集方面，目前手工采集装备故障信息依然占据主导，在智能故障诊断处于起步阶段的背景下，故障分析依然以传统经验判断为主。同时，由于原始采集规范的欠缺，信息存在遗漏和缺失等情况，导致装备故障信息辨识度和可信度的降低，从而影响装备故障预测的整体水平。在数据集成方面，我军装备相关信息系统还处于多单位研发、多部门管理的状态，形成了数量众多的数据孤岛，造成数据难以实现互联互通。同时，军地、军种以及军内各级之间都没有统一的管理信息系统，导致数据信息的交互性和时效性降低，装备故障信息难以共享集成。在数据分析方面，装备故障信息中既有结构化数据，也有半结构化和非结构化数据，装备保障数据库所采用MySQL、Oracle等传统数据库处理方式以不能满足装备故障规律分析处理的要求。将大数据技术引入装备故障分析领域，对军事大数据进行采集、梳理，采取融合、筛选、比对、印证，寻找隐藏在军事大数据中的模式和相关性，建立定量数据模型，从而预测装备保障发展的特点规律，达到故障率的降低和装备使用寿命的延长。无论是遂行重大任务、参与作战还是平时的装备管理与训练，基于大数据的装备故障预测技术能最大限度地减少装备的维修次数和维修范围，保证其安全可靠地运行，从而极大地提高武器装备的保障力和部队的战斗力。

3 基于军事大数据进行装备故障预测的方法对策

3.1 解决数据聚合提取问题

拥有海量且多种类的数据信息是基于军事大数据进行装备故障预测的前提条件。从装备全寿命过程看，故障信息分布在承研科研院所、承制生产厂家、部队和维修机构等不同单位部门，主要存在数据分散、数据孤岛和数据质量难以保证的问题。数据分散是因为制度、部门保护主义等人为原因造成的数据分散现象；数据孤岛是因为技术接口标准不同从而形成的数据无法融合共享的状态；数据质量是由于原始信息依靠人工经验输入和以人工方式为主采集造成的数据误差。因此，只有形成全系统全寿命的装备故障信息聚合数据体系，不断积累军事大数据资源，才能形成应有的数据规模效应[9]。装备故障信息聚合时，必须解决大数据的统一组织和一致性表达问题，也就是要解决多源、分布和异构的数据进行整合和统一管理的问题。首先要规划数据资源布局结构，设计覆盖装备全系统全寿命业务、面向数据全过程管理的信息资源存储、管理和共享交换体系，并利用基于本体的大数据描述方法等进行数据建模，解决数据的集成聚合问题；其次，要进行数据提取，去伪存真，去粗求精，在尽量不损失价值的情况下减少数据规模从而提高数据质量。

3.2 提升数据库存储管理能力

裝备故障信息中存在大量的基于关系数据库的结构化数据，以文本和传感器信息为主的半结构化数据，以及采用图片、音视频等多媒体数据为主的非结构化数据，因此信息存储时要解决大数据的可表示、可存储、可处理及可传输等问题。对于结构化数据而言，需要通过同构重组和数据匹配处理后存储在关系数据库中，而对于半结构化和非结构化数据，必须建立分布式的数据存储体系。当前的重点是要将现有的装备保障数据向大数据靠拢，整合现有各业务软件数据库，构建涵盖各专业、各层次、各要素的装备保障数据互联互通网络，为大数据运行搭建平台。要坚持需求牵引，注重技术跟踪，加强研究论证，采取军民融合、共同攻关的方式，开发大型数据库，为海量信息传输、处理提供条件。目前，北京人大金仓、天津南大通用、武汉达梦、东软OpenBASE等国产数据库厂商分别推出了大规模的行业大数据处理平台，实现了数据库建设的“自主可控”。考虑到数据管理的安全性和保密性，装备故障信息存储应尽量采用国产数据库系统进行相关信息的分布式存储。

3.3 提高数据分析处理水平

装备故障数据的挖掘算法和策略是装备故障预测研究中进行大数据分析处理的重点。装备故障信息具有不完备、不确定等特点，要在随机、模糊和有缺漏错误的海量故障信息中去分析研究，挖掘数据的潜在价值并加以利用。要分析获得符合给定条件、具有普遍特征、反映变化趋势的有价值的数据信息，促进由小数据的复杂算法向大数据的简单算法转变，从而在宏观上实现装备保障的精确化。在数据分析方面，装备多发故障部位和易损件、装备故障率曲线相关参数及故障频率强度的研究是提高装备质量可靠性和装备保障效益需要把握的重点。装备平均维修时间、装备平均无故障时间的研究则是完善装备维修管理体制、确保装备有充裕的无故障工作时间完成各项军事任务的重要参考。在数据处理方面，一是要多维度、多视角、多样式解释数据，使管理人员能从多侧面了解装备故障规律及趋势；二是要加强数据的可视化分析处理，综合运用Tableau、Qlikview、FineBi等软件进行可视化数据结果分析替代传统数据显示方法，提升数据解释、展示能力[10]；三是要提高数据的决策能力，在故障规律分析的基础上，能进一步实现指标分析及预警、决策分析报告生成等功能，自动完成基于大数据的决策支持。

3.4 加强装备故障预测研究

当前装备维修保障的主要方式为计划维修和事后维修，采用计划维修容易产生维修资源的过剩，而事后维修则会因维修不足和滞后导致可避免的装备故障和事故的发生[11]。装备故障预测的研究体现在维修保障方式上是采取视情维修的方式，即在装备产生故障趋势时就着手保养和修理，从而避免故障的发生。这样既能有效防止严重故障发生，降低故障率，同时又能精准定位，减小维修范围，提高效益。军事大数据就是装备视情维修的关键数据支撑，根据武器装备使用数据，对装备故障相关关系进行预测分析，预知下一阶段装备完好情况的变化趋势，并依据预测的结果，对周期性、随机性、多发性故障采取对应措施，主动预防装备故障的产生。下一步要重点研究创建基于大数据平台的应用模式，将多源、异构和分布的装备故障信息融入大数据处理平台，通过分布式存储和数据挖掘，实现大数据分析处理，并将分析结果直观地展现给用户，使用户能够直观深入地理解数据分析结果。用户基于数据分析结果，可判断和决定需要采取的行动，从而最大程度发挥数据分析的功能和作用，真正实现“从数据到预测再到决策”的目的。

4 结束语

目前，军事大数据的应用尚处起步阶段，相信随着数据工程的不断推进，我们对装备故障预测将会有更加丰富的实践经验，对装备保障工作建设将更为科学系统。只有顺应大数据技术的发展趋势，不断的努力探索，才能推动我军装备领域建设迈上新台阶。

参考文献：

[1]Kjolle G H，Gjerde O，Hjartsjo B T，et al.Protection System Faults—a Comparative Review of Fault Statistics[C]. Probabilistic Methods Applied to Power Systems，2006.International Conference on.IEEE，2006.

[2]孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2013（1）：146-169.

[3]Chaudhuri S，Dayal U.An overview of data warehousing and OLAP technology[J].Acm Sigmod Record，1997，26（1）：65-74.

[4]前瞻研究院.2014-2018年中国大数据产业发展前景与投资战略规划分析报告[R].北京：清华园，2014.

[5]维克托.迈尔-舍恩伯格.大数据时代[M].杭州：浙江人民出版社，2012：3.

[6]张雯皓，王学智.浅谈大数据在装备保障中的应用[J].价值工程，2015（21）：182-184.

[7]Papadopoulos A，Katsaros D.A-Tree：Distributed Indexing of Multidimensional Data for Cloud Computing Environments[C]. 2013 IEEE 5th International Conference on Cloud Computing Technology and Science.IEEE，2011.

[8]左宪章，康健，李浩，等.故障预测技术综述[J].火力与指挥控制，2010（1）：1-5.

[9]陈小鹏.推进我军军事大数据建设发展的对策[J].解放军理工大学学报，2014，12（6）：12-16.

[10]刘智慧，张泉灵.大数据技术研究综述[J].浙江大学学报，2014（6）：957-971.

[11]潘安君，奚全生，孟汉城，等.综合测试与故障诊断技术发展及对策[J].计算机测量与控制，2011（1）：1-6.