一种基于证据网络的无人机系统保障能力评估方法

摘要

本发明是一种基于证据网络的无人机系统保障能力评估方法，即在传统评价方法中引入结构方程模型和证据网络，构建无人机系统保障能力结构方程，给出评价指标和计算无人机系统保障能力的评估模型。该方法主要包含以下步骤：(1)构建无人机系统评价体系；(2)构建无人机系统保障能力评价结构方程模型；(3)收集数据；(4)对所构建的结构方程模型进行分析；(5)构建基于条件证据网络的保障能力评估模型。

说明书

(一)技术领域

本发明提出了一种基于证据网络的无人机系统保障能力评估方法。该方法在对无人机系统的保障能力进行分解的基础上建立对应的参数模型，构建无人机系统保障能力的结构方程模型，并依据条件证据网络模型对无人机系统进行保障能力评价，以综合评估无人机系统的保障能力，为无人机系统的设计与改进提供依据，属于可靠性工程领域。

(二)背景技术

无人机系统作为网络中心战中的核心元素以及主要的节点，在现代战争中得到广泛的运用,成为执行多种作战任务的一支重要力量。无人机系统的组成、使用、维修、保障资源配套等不同于其他航空武器装备，保障模式作为保障活动的组织实施方法，是确保无人机装备完好和作战效能的必要基础。美空军长航时无人机系统采用基层级和基地级两级维修。阿联酋无人机系统也是实行基层级和基地级两级维修保障体制。因为我国对于无人机的研究起步较晚，还未形成标准的维修保障体制。因此，为准确识别无人机系统的保障能力，需要对其保障能力进行分析评价，以提供设计与改进的参考。

传统对于有人机的系统保障能力评估，常用的方法有专家打分法、层次分析法，模糊综合评价法等，国内外学者的研究也比较充分。但由于无人机“机-站-链”一体化的维修保障模式，适用于有人机的保障能力评估方法不再完全适用于无人机系统。因此，本发明引入结构方程模型和证据网络，建立一种基于证据网络的无人机系统保障能力评估方法，以综合评价无人机系统的保障能力，尤其是无人机研制早期各种试验数据缺乏时。

(三)发明内容

(1)发明目的

在传统评价方法中引入结构方程模型和证据网络，建立一种基于证据网络的无人机系统保障能力评估方法，以综合评估无人机系统的保障能力。

(2)技术方案

本发明是一种基于证据网络的无人机系统保障能力评估方法，即在传统评价方法中引入结构方程模型和证据网络，构建无人机系统保障能力结构方程，给出评价指标和计算无人机系统保障能力的评估模型。该方法主要包含以下步骤：

步骤一：构建无人机系统评价体系。它包含以下几个子步骤：

(1)基于结构方程的保障能力分解。根据无人机系统结构组成、维修保障流程将无人机系统的保障能力进行分解。

(2)构建无人机系统评价指标体系。结合无人机系统保障能力分解与指标选取原则，以无人机系统保障能力为顶层指标，可测量指标为底层指标，建立无人机系统保障能力评价指标体系。

步骤二：构建无人机系统保障能力评价结构方程模型。它包含以下几个子步骤：

(1)参数确定。根据上一步骤建立的无人机系统保障能力评价指标体系确定无人机系统保障能力评价结构方程模型中的所有参数。

(2)影响关系假设。根据上一步骤所建立的无人机系统保障能力评价指标体系对结构方程模型中选取的潜在变量的影响关系进行假设。

(3)模型构建。基于本步骤中步骤(1)和(2)确定的参数和影响关系，构建一个二阶无人机系统保障能力评价结构方程模型。

步骤三：收集数据。

通过调查问卷的形式收集数据，处理依据无人机系统保障能力评价指标体系所构建的结构方程模型。

步骤四：对所构建的结构方程模型进行分析。它包含以下几个子步骤：

(1)信度分析。对数据的信度进行分析。

(2)效度分析。对数据的效度进行分析。

(3)验证性因子分析。对模型进行验证性因子分析。

步骤五：构建基于条件证据网络的保障能力评估模型。它包含以下几个子步骤：

(1)建立无人机系统保障能力证据网络模型。根据无人机系统保障能力结构方程模型，建立无人机保障能力证据网络模型。以条件信度函数作为参数，构建基于条件证据网络的保障能力评估模型。

(2)计算底层指标能力需求满足度信度分布。根据保障能力影响因素结构特征，按照望大型、望小型两类指标分别计算各测量指标的能力实际测量值与能力需求理想值的匹配程度。

(3)计算无人机系统保障能力。根据底层指标能力满足度信度分布和证据网络模型，计算各分系统保障能力需求满足度，通过正向合成计算无人机系统保障能力。

(四)附图说明

图1是本发明中本发明中方法的算法步骤流程示意图

图2是本发明中无人机系统保障能力一级分解

图3是本发明中无人机系统保障能力二级分解

图4是本发明中无人机系统保障能力评价指标体系

图5是本发明中潜在变量与测量变量关系模型

图6是本发明中无人机系统保障能力潜在变量假设影响关系

图7是本发明中无人机系统保障能力结构方程模型

图8是本发明中基本证据网络模型

图9是本发明中无人机系统保障能力证据网络模型

(五)具体实施方案

本发明是一种基于证据网络的无人机系统保障能力评估方法，即在传统评价方法中引入结构方程模型和证据网络，构建无人机系统保障能力结构方程，给出评价指标和计算无人机系统保障能力的评估模型。为使本发明中的方法得到更好地阐述，下面结合附图，对该方法的具体实施方案作详细的说明。其中，图1为本发明中方法的算法步骤流程示意图。

步骤一：构建无人机系统评价体系。它包含以下几个子步骤：

(1)对无人机系统保障能力进行分解。根据无人机系统结构组成、维修保障流程将无人机系统的保障能力进行分解。

(2)构建无人机系统评价指标体系。结合无人机系统保障能力分解与指标选取原则，以无人机系统保障能力为顶层指标，可测量指标为底层指标，建立无人机系统保障能力评价指标体系。

【示例】本方法以某一无人机系统为例，进一步作详细的说明。

根据无人机系统的组成结构进行一级能力分解，将无人机系统保障能力分为4个一级子能力，分别是：飞机分系统持续能力，地面站分系统持续能力，数据链路分系统持续能力以及保障分系统持续能力，如图2所示。

由于在不同的任务阶段对保障能力的要求不同，结合无人机系统保障工作流程，对一级子能力进行二级分解，如图3所示。

无人机系统保障能力评价指标体系中的底层指标是对上层分系统子能力的分解，得到无人机系统保障能力评价指标体系，如图4所示。

步骤二：构建无人机系统保障能力评价结构方程模型。它包含以下几个子步骤：

(1)参数确定。根据步骤一建立的无人机系统保障能力评价指标体系确定无人机系统保障能力评价结构方程模型中的所有参数。

结构方程模型通常包括潜在变量和测量变量，潜变量通常是不可直接测量的，可以通过一个或多个可测量变量对潜变量进行描述，测量变量与潜在变量之间的路径载荷表示了它们之间的关联强度，基本潜在变量与测量变量关系模型，如图5所示。

在无人机系统中，将无人机系统保障能力选取为内生潜在变量η，一级子能力选取为外生潜在变量ξ

(2)影响关系假设。根据步骤一所建立的无人机系统保障能力评价指标体系对结构方程模型中选取的潜在变量的影响关系进行假设。

(3)模型构建。基于本步骤中步骤(1)和(2)确定的参数和影响关系，构建一个二阶无人机系统保障能力评价结构方程模型。

测量方程与结构方程共同构成结构方程模型SEM的基本方程模型。测量方程用来是潜变量与测量变量之间的关系的描述，通常情况下，基本方程模型表达式，如下所示：

x＝Λ

式中：x为测量变量；ξ为外生潜在变量；Λ

结构方程用来表示潜变量与潜变量之间的关系，其基本方程表达式，如下所示：

η＝B

式中：B

【示例】(接步骤一示例)本方法以某一无人机系统为例，进一步作详细的说明。

(1)根据步骤一建立的无人机系统保障能力评价指标体系确定结构方程模型参数，将无人机系统保障能力选取为内生潜在变量η，飞机分系统持续能力选取为外生潜在变量ξ

表1无人机系统保障能力结构方程模型参数

(2)假设分系统保障能力作为4个外生潜在变量对结构方程模型中的内生潜在变量无人机系统的保障能力影响关系，如图6所示。

其中，H1、H2、H3、H4代表一阶潜在变量对二阶潜在变量的影响假设，H5、H6、H7、H8、H9、H10代表一阶潜在变量之间的相互影响假设，H1至H10具体假设如下：

H1：飞机分系统持续能力对WRJ系统保障能力具有直接正向影响。

H2：地面站分系统持续能力对WRJ系统保障能力具有直接正向影响。

H3：数据链路分系统持续能力对WRJ系统保障能力具有直接正向影响。

H4：保障分系统保障能力对WRJ系统保障能力具有直接正向影响。

H5：飞机分系统持续能力与地面站分系统持续能力存在相互影响关系。

H6：地面站分系统持续能力与数据链路分系统持续能力存在相互影响关系。

H7：数据链路分系统持续能力与保障分系统保障能力存在相互影响关系。

H8：飞机分系统持续能力与数据链路分系统持续能力存在相互影响关系。

H9：地面站分系统持续能力与保障分系统保障能力存在相互影响关系。

H10：飞机分系统持续能力与保障分系统保障能力存在相互影响关系。

(3)基于本步骤中步骤(1)和(2)确定的参数和影响关系，为无人机系统保障能力评价构建一个二阶结构方程模型，如图7所示。

测量方程

x＝Λ

在测量方程中，λ

结构方程

η＝Γξ+ζ (4)

在结构方程中，4个一阶因子作为二阶因子的标识，一阶因子在二阶因子上的载荷，称为二阶因子载荷，分别由γ

步骤三：收集数据。

通过调查问卷的形式收集数据，处理依据无人机系统保障能力评价指标体系所构建的结构方程模型。

【示例】(接步骤二示例)问卷采用Likert 5点量表形式对结构方程中的测量变量进行度量，将对题项的认可程度分为5个等级(非常不同意、不同意、一般、同意、非常同意)，并根据接受调查对象对题项的认同程度，对该题项从1到5的五个量度进行计分，题项的得分与接受调查对象对该题项描述的认可程度成正比，如表2所示。并对回收的数问卷进行数据收集，如表3所示。

表2地面站分系统持续能力评价指标调查量表

表3调查问卷各题项描述性统计表

步骤四：对所构建的结构方程模型进行分析。它包含以下几个子步骤：

(1)信度分析。计算所收集数据的科隆巴赫一致性系数(Cronbach’s)对模型的信度进行分析。计算表达式如下所示：

式中n表示对某一潜在变量测量调查问卷的题项数量；X

其中，

根据Cronbach’s值判断信度是否达到可以接受的水平，Cronbach’sα值判断信度标准，如表4所示。

表4Cronbach’s值判断信度标准

(2)效度分析。采用KMO(Kaiser-Meyer-Olkin)检验和Bartlett's球形检验对模型的效度进行分析。

KMO检验通过比较变量之间的相关系数，检查变量之间的相关性。KMO(Kaiser-Meyer-Olkin)检验计算公式如下：其中，

其中，r

根据KMO值判断信度是否达到可以接受的水平，KMO值判断效度标准，如表5所示。

表5 KMO值判断效度标准

Bartlett's球状检验用来检验各个变量是否各自独立，通过显著性数值(Sig.值)进行评价。由于根据相关系数矩阵计算得到的Bartlett统计量近似服从卡方分布，因此可以根据卡方值和自由度，查表卡方值表得到显著性值(Sig.值)。

近似卡方值计算公式，如下所示：

自由度计算公式，如下所示：

df＝p-n (12)

其中，p表示结构方程模型中所有参数的数量的总和，其计算公式如下所示：

式中n表示结构方程模型中所有测量变量的数量。

当Sig.<0.05时，说明各测量变量之间具有相关性，测量模型具有较好的效度。

(3)验证性因子分析。对模型进行验证性因子分析。

在进行验证性因子分析时，存在4个必需的基本假设，分别是：

a)误差项的均值为零，即E(ε

b)误差项与公共因子之间不相关，即cov(ε

c)误差项之间不相关，即cov(ε

d)测量变量X与因子都是中心化的，即E(x

针对无人机系统保障能力结构方程模型，仅存在测量变量x的协方差，得到待估计模型的总体协方差矩阵∑(θ)的参数表达式，如下所示：

∑(θ)＝E(XX′)＝Λ

其中，

∧

式中矩阵元素λ

Φ为潜在变量之间的协方差矩阵。

式中矩阵Φ为三角阵，对角线上元素是潜在变量的方差Var(ξ

E

由于各个测量变量的误差之间不相关，因此该矩阵为对角阵，只需要对对角线上元素进行估计即可，对角线上元素是各个测量变量误差的方差值。

模型的估计是通过运用最大似然估计方法，估计出使得

式中S表示样本协方差矩阵；

由于通过估计得到的模型参数估计值是非标准化的，非标准化的因子载荷λ

对于同一潜在变量下的不同测量变量，计算不同测量变量对公共因子的影响程度，将观测变量x

最后需要对模型进行评估，检验整个假设模型与样本数据拟合情况，采用绝对拟合度指标对模型拟合程度进行评价，常用绝对拟合度指标及其标准，如表6所示。

表6绝对拟合度指标及其标准

【示例】(接步骤三示例)本方法以某一无人机系统为例，进一步作详细的说明。

(1)根据步骤三所收集的数据，进行信度分析，各测量模型量表的Cronbach’s值如表7所示。

表7无人机系统保障能力评价量表信度分析

从信度分析的结果可以看出，该无人机系统保障能力评价指标调查量表具有较高的可靠性和稳定性。

(2)根据步骤三所收集的数据，进行效度分析，各测量模型量表的KMO值和显著性指标，如表8所示。

表8各保障能力调查量表KMO与Bartlett检验效度分析

注：*表示显著性水平为0.05；**表示显著性水平为0.01；***表示显著性水平为0.001。

(3)针对WRJ系统保障能力结构方程模型，利用AMOS统计工具，对其进行验证性因子分析，得到标准化因子载荷估计结果如表9所示。

表9无人机系统保障能力结构方程标准化载荷

其中路径γ

根据

表10无人机系统保障能力评价指标体系指标影响权重

步骤五：构建基于条件证据网络的保障能力评估模型。它包含以下几个子步骤：

(1)建立无人机系统保障能力证据网络模型。根据无人机系统保障能力结构方程模型，建立无人机保障能力证据网络模型。

无人机保障能力证据网络模型是一种有向无环图模型，由代表变量的节点、连接节点的有向连接线以及节点间影响强度相关参数组成，连接线方向表示了节点之间的因果关系，由原因节点指向结果节点，基本证据网络模型，如图8所示，其形式化表示为：

EN＝{(N,A),B}

式中N表示节点的集合N＝{(X,Y,Z}；A为节点间有向连接线集合A＝{(X,Z),(Y,Z)}；B为节点间影响强度系数集合B＝{ω

以条件信度函数作为参数，构建基于条件证据网络的保障能力评估模型。

假设有识别框架为Θ，基本信度分配为m的条件信度证据网络模型，对于

那么，定义条件信度函数Bel(B|A)，条件似然函数Pl(B|A)表达式，分别如下所示：

由指标X到分系统保障能力ξ进行正向推理，若X、ξ的识别框架分别是Θ

同理，由分系统保障能力ξ到系统保障能力η进行正向推理，得到：

如果将已知的各节点的状态或信度分布信息，记为m

(2)计算底层指标能力需求满足度信度分布。根据保障能力影响因素结构特征，按照望大型、望小型两类指标分别计算各测量指标的能力实际测量值与能力需求理想值的匹配程度

望大类指标能力实际测量值与能力需求理想值的匹配度为：

式中c表示测量指标实际测量值；c

望小类指标能力实际测量值与能力需求理想值的匹配度为：

模型中各节点的状态分为满足与不满足两个状态，分别用“1”和“0”表示，以此来确定无人机系统保障能力评估模型的各层次能力识别框架。

根据能力实际测量值与能力需求理想值的匹配度，将ε(c)设为能力实际测量值的可信度，计算能力需求满足度的信度分布如下所示：

m

式中m

(3)计算无人机系统保障能力。根据底层指标能力满足度信度分布和证据网络模型，计算各分系统保障能力需求满足度，通过正向合成计算无人机系统保障能力。

【示例】(接步骤四示例)本方法以某一无人机系统为例，进一步作详细的说明。针对该无人机系统保障能力建立证据网络模型，如图9所示。其表达式为EN＝{(24,23),W

该无人机系统保障能力评价指标体系中的测量指标进行实际测量的实际指标情况如表11所示。其中，根据实际使用情况的人为操作、使用环境影响不同，存在不确定性，因此对不确定的测量指标设置的可信度。

表11无人机系统保障能力测量情况

分析计算各分系统的保障能力测量指标需求满足度的信度分布，如表12所示。

表12各分系统的保障能力测量指标需求满足度的信度分布

通过条件证据网络正向推理算法，计算各分系统保障能力信度分布，计算结果如表13所示。

Eg：m(ξ

m(ξ

＝1×0.45×1×0.9+1×0.45×1×0.585＝0.6683

表13无人机分系统保障能力需求满足度信度分布