電子裝備系統(tǒng)效能評(píng)估方法現(xiàn)狀與展望?

徐 榕 吳茂林胡 平

（1.海軍工程大學(xué)兵器工程學(xué)院 武漢 430033）（2.海軍工程大學(xué)艦船與海洋學(xué)院 武漢 430033）

1 引言

隨著各種信息技術(shù)和智能技術(shù)的發(fā)展和應(yīng)用，電子裝備系統(tǒng)的性能有了提升，呈現(xiàn)出復(fù)雜化、信息化、智能化的特點(diǎn)。在電子裝備系統(tǒng)的使用周期內(nèi)，一個(gè)部件的失效會(huì)導(dǎo)致系統(tǒng)整體工作能力的下降，甚至系統(tǒng)失去工作能力。因此，對(duì)電子裝備系統(tǒng)進(jìn)行效能評(píng)估的需求十分迫切。通過(guò)系統(tǒng)效能評(píng)估可以了解系統(tǒng)的各項(xiàng)能力，可以為電子裝備系統(tǒng)的設(shè)計(jì)優(yōu)化和預(yù)防性維修提供技術(shù)支持。而作為電子裝備系統(tǒng)效能評(píng)估核心的效能評(píng)估方法受到國(guó)內(nèi)外研究人員的關(guān)注。

電子裝備系統(tǒng)效能代表了系統(tǒng)完成某一項(xiàng)功能的程度。效能評(píng)估主要流程是將底層技術(shù)指標(biāo)數(shù)據(jù)進(jìn)行處理之后，通過(guò)數(shù)學(xué)模型合成能代表系統(tǒng)某一項(xiàng)能力的綜合性能指標(biāo)，再把綜合性能指標(biāo)合成能表示系統(tǒng)整體效能的評(píng)估值，從而判斷系統(tǒng)的優(yōu)劣程度。由此可知，電子裝備系統(tǒng)的效能評(píng)估是在約束條件下將系統(tǒng)的各項(xiàng)指標(biāo)和影響系統(tǒng)效能的因素共同構(gòu)建成評(píng)估模型，將采集到的各項(xiàng)系統(tǒng)指標(biāo)數(shù)據(jù)通過(guò)數(shù)學(xué)模型來(lái)測(cè)試、分析、評(píng)估電子裝備系統(tǒng)效能的過(guò)程。

2 經(jīng)典的系統(tǒng)效能評(píng)估方法

在電子裝備系統(tǒng)效能評(píng)估方法的早期研究中，大部分評(píng)估方法是依靠專家積累的經(jīng)驗(yàn)對(duì)相關(guān)的信息進(jìn)行定量或者定性評(píng)估，從而得到電子裝備系統(tǒng)的效能評(píng)估結(jié)果。專家評(píng)估法的實(shí)施步驟簡(jiǎn)潔和明確，主要根據(jù)專家的經(jīng)驗(yàn)對(duì)技術(shù)狀態(tài)指標(biāo)進(jìn)行評(píng)估。但是專家評(píng)估法實(shí)際應(yīng)用中主要存在著兩個(gè)問(wèn)題：第一，在選擇評(píng)估專家組時(shí)如何判斷選中專家的權(quán)威性高低；第二，如何消除或者降低評(píng)估專家在評(píng)估指標(biāo)的選取和構(gòu)建指標(biāo)結(jié)構(gòu)以及打分時(shí)存在的主觀性［1］。專家評(píng)估法得出的評(píng)估結(jié)果隨專家的技術(shù)水平和積累的經(jīng)驗(yàn)改變而改變存在著較大的不確定性，只能對(duì)系統(tǒng)效能進(jìn)行相對(duì)模糊的評(píng)估和無(wú)法對(duì)效能的改變進(jìn)行準(zhǔn)確的追蹤和分析。

目前關(guān)于效能評(píng)估方法的研究主要圍繞三個(gè)方面：1）系統(tǒng)指標(biāo)劃分是否符合系統(tǒng)結(jié)構(gòu)特點(diǎn)；2）指標(biāo)的權(quán)重確定是否與指標(biāo)對(duì)于系統(tǒng)重要性相對(duì)應(yīng)；3）評(píng)估方法得出的評(píng)估結(jié)果是否反映出系統(tǒng)整體狀態(tài)實(shí)情［2］。

2.1 層次分析法

層次分析法是一種靈活，簡(jiǎn)潔的評(píng)估方法。層次分析方法通過(guò)建立層次結(jié)構(gòu)模型把研究的復(fù)雜多準(zhǔn)則決策系統(tǒng)分解成多個(gè)子系統(tǒng)，將系統(tǒng)效能指標(biāo)劃分成層次分明階梯結(jié)構(gòu)，上下層指標(biāo)之間存在支配關(guān)系，可以有效表達(dá)層次之間系統(tǒng)指標(biāo)、設(shè)備及其相互之間的關(guān)系。層次分析法關(guān)鍵在于指標(biāo)體系的構(gòu)建和指標(biāo)權(quán)重的確定。層次分析法通過(guò)影響某個(gè)系統(tǒng)效能的指標(biāo)進(jìn)行兩兩比較從而去確定各指標(biāo)的權(quán)重，將系統(tǒng)效能的定性評(píng)估定量化。目前層次分析法大多數(shù)情況下是作為指標(biāo)權(quán)重值的求取方法。如文獻(xiàn)［3］采用了改進(jìn)層次分析法與熵權(quán)法結(jié)合確定權(quán)重的方法，求得指標(biāo)的綜合權(quán)重。文獻(xiàn)［4］針對(duì)變壓器性能評(píng)估指標(biāo)體系中評(píng)價(jià)因素結(jié)構(gòu)復(fù)雜、數(shù)量龐大的問(wèn)題。采用層次分析法并結(jié)合定量修正評(píng)分函數(shù)，得到性能指標(biāo)的權(quán)重。

層次分析法存在的問(wèn)題是：在通過(guò)指標(biāo)之間比較來(lái)構(gòu)造判斷矩陣過(guò)程中，主要依賴評(píng)估專家的經(jīng)驗(yàn)和技術(shù)水平，因此評(píng)估結(jié)果存在一定的主觀性；同一層次的指標(biāo)數(shù)量過(guò)多時(shí)，就難以區(qū)分各指標(biāo)的重要程度，不便于將定性信息定量化；上下層指標(biāo)之間的支配關(guān)系過(guò)度淡化了系統(tǒng)指標(biāo)之間的非線性特征和強(qiáng)化了系統(tǒng)指標(biāo)之間的線性特征［1］。

2.2 模糊評(píng)估方法

模糊評(píng)估方法是針對(duì)系統(tǒng)指標(biāo)存在模糊性而提出的評(píng)估方法。模糊評(píng)估法適用于評(píng)估定性因素和定量因素并存的系統(tǒng)，擁有良好處理不確定信息的能力。模糊評(píng)估法的基本步驟：確定因素集、評(píng)語(yǔ)集；確定指標(biāo)權(quán)重，構(gòu)造模糊判斷矩陣；進(jìn)行模糊合成和得到評(píng)估結(jié)果。由于模糊評(píng)估方法中的模糊數(shù)能夠體現(xiàn)出系統(tǒng)效能指標(biāo)的模糊性和不確定性的特點(diǎn)，所以能夠解決系統(tǒng)在效能評(píng)估中不能用精確的數(shù)字表示指標(biāo)狀態(tài)的問(wèn)題。該評(píng)估方法的特點(diǎn)是可以將各指標(biāo)對(duì)系統(tǒng)效能的影響程度進(jìn)行定量化分析，可以將定性指標(biāo)轉(zhuǎn)化為數(shù)量化指標(biāo)。該評(píng)估方法實(shí)現(xiàn)的關(guān)鍵在于權(quán)重集的確定，所以應(yīng)當(dāng)請(qǐng)一定數(shù)量專家去確定評(píng)估模型中的權(quán)重集。如文獻(xiàn)［6］利用專家評(píng)分法確定指標(biāo)的權(quán)重，指標(biāo)評(píng)估值通過(guò)模糊評(píng)估給出。建立評(píng)估模型對(duì)EMS（Engine Management System，EMS）系統(tǒng)進(jìn)行總體評(píng)估和給出模糊評(píng)估結(jié)果。

模糊評(píng)估法的缺點(diǎn)：評(píng)估模型參數(shù)難以確定，自學(xué)習(xí)能力差，當(dāng)評(píng)估系統(tǒng)的結(jié)構(gòu)發(fā)成退化或者優(yōu)化的時(shí)候，評(píng)估模型不會(huì)進(jìn)行相應(yīng)的改變，從而導(dǎo)致評(píng)估效果變差。

2.3 灰色評(píng)估方法

灰色評(píng)估法是一種適用于具有大量未知信息系統(tǒng)評(píng)估的方法。灰色評(píng)估法以灰色理論為理論依據(jù)，使用定性分析與定量計(jì)算相結(jié)合的方法，較好解決了評(píng)估指標(biāo)難以準(zhǔn)確量化和統(tǒng)計(jì)的問(wèn)題。灰色評(píng)估法的工作流程：根據(jù)評(píng)估系統(tǒng)的分散信息構(gòu)建隸屬不同評(píng)估灰類(lèi)的向量，進(jìn)行單值化處理，得到評(píng)估系統(tǒng)的評(píng)估結(jié)果。評(píng)估方法中最關(guān)鍵的是白權(quán)化函數(shù)的構(gòu)建。該評(píng)估方法需要指標(biāo)信息樣本量數(shù)量較少和對(duì)樣本分布規(guī)律沒(méi)有要求。如文獻(xiàn)［7］針對(duì)電力變壓器進(jìn)行可靠性建模過(guò)程中具備的數(shù)據(jù)少但是要求的精度高的問(wèn)題，將電力變壓器劃分指標(biāo)體系，建立了灰色模型。實(shí)現(xiàn)了可靠性建模方法精度的提高。該評(píng)估方法適用于對(duì)指標(biāo)數(shù)據(jù)少和指標(biāo)信息不完備的復(fù)雜大系統(tǒng)的評(píng)估。

灰色評(píng)估方法存在的問(wèn)題有：第一，評(píng)估中確定灰類(lèi)等級(jí)和評(píng)分時(shí)主要依據(jù)專家的經(jīng)驗(yàn)，因此帶有一定的主觀性評(píng)估結(jié)果為一個(gè)隸屬于不同灰類(lèi)的向量；第二，對(duì)評(píng)分等級(jí)和灰類(lèi)等級(jí)劃分的依賴性較強(qiáng)，對(duì)該向量進(jìn)行單值化處理時(shí)，也會(huì)增加評(píng)估結(jié)果的主觀性；第三，工作量大，計(jì)算任務(wù)繁重。

2.4 指數(shù)法

指數(shù)評(píng)估法將系統(tǒng)的指標(biāo)體系劃分成若干指標(biāo)模塊，運(yùn)用各指標(biāo)模塊自身性能參數(shù)構(gòu)建參數(shù)公式進(jìn)行能力評(píng)估，獲得系統(tǒng)效能的評(píng)估值。文獻(xiàn)［10］在裝甲救護(hù)車(chē)的固有能力基礎(chǔ)上加入環(huán)境因素去評(píng)估其實(shí)際的作戰(zhàn)效能，并且找出作戰(zhàn)效能的重要因素和組成關(guān)系，為了解裝甲救護(hù)車(chē)的作戰(zhàn)效能和設(shè)計(jì)優(yōu)化提供技術(shù)支持。文獻(xiàn)［11］提取智能水雷特征的之后，利用層次分析法求各指標(biāo)權(quán)重值，以指數(shù)模型計(jì)算各項(xiàng)能力值，將各項(xiàng)能力值用加權(quán)和的方式計(jì)算出智能水雷的作戰(zhàn)能力，為智能水雷的發(fā)展和性能優(yōu)化提供技術(shù)支持。該評(píng)估方法主要考慮系統(tǒng)本身的各項(xiàng)技術(shù)指標(biāo)，忽略或規(guī)避了許多不確定的因素，并且評(píng)估模型的參數(shù)一般是由專家憑借主觀經(jīng)驗(yàn)而確定，具有一定程度的主觀性［9］。該評(píng)估方法的模型結(jié)構(gòu)較為簡(jiǎn)單，適用性強(qiáng)，適合用于對(duì)系統(tǒng)進(jìn)行整體評(píng)估。

2.5 ADC模型評(píng)估法

ADC模型評(píng)估法作為解析法中的一種，模型結(jié)構(gòu)簡(jiǎn)單，公式簡(jiǎn)潔。ADC模型評(píng)估法主要依據(jù)系統(tǒng)可用性，可信性，能力分析三大本質(zhì)要素構(gòu)建模型。ADC評(píng)估方法是通過(guò)劃分系統(tǒng)的狀態(tài)來(lái)構(gòu)建可用性向量，通過(guò)計(jì)算執(zhí)行任務(wù)開(kāi)始時(shí)狀態(tài)轉(zhuǎn)變成結(jié)束時(shí)狀態(tài)的概率來(lái)構(gòu)建可信度矩陣，依據(jù)系統(tǒng)的固有能力來(lái)構(gòu)建能力矩陣，最后通過(guò)三個(gè)矩陣的乘積得到系統(tǒng)的各項(xiàng)能力的效能值。ADC模型可以依據(jù)不同系統(tǒng)的特點(diǎn)和評(píng)估要求，以傳統(tǒng)ADC模型結(jié)構(gòu)為基礎(chǔ)，對(duì)模型進(jìn)行重新拆分或引入新的要素。如文獻(xiàn)［13］為了使效能評(píng)估值更貼合系統(tǒng)實(shí)際運(yùn)用效能，將戰(zhàn)場(chǎng)環(huán)境，戰(zhàn)術(shù)運(yùn)用和作戰(zhàn)保障能力等要素加入到傳統(tǒng)ADC模型中，并且依據(jù)無(wú)人偵察機(jī)系統(tǒng)復(fù)雜特點(diǎn)，對(duì)ADC評(píng)估模型進(jìn)行了優(yōu)化處理，使作戰(zhàn)效能評(píng)估結(jié)果更客觀可信。

該評(píng)估方法的缺點(diǎn)：第一，系統(tǒng)的工作環(huán)境發(fā)生變化時(shí)，不能保證對(duì)工作環(huán)境改變的精準(zhǔn)判定，導(dǎo)致能力矩陣難以確定。第二，系統(tǒng)劃分系統(tǒng)狀態(tài)數(shù)過(guò)多時(shí)，導(dǎo)致可信度矩陣的維數(shù)會(huì)過(guò)大。第三，評(píng)估結(jié)果是由各項(xiàng)效能評(píng)估值與狀態(tài)轉(zhuǎn)移概率乘積之后累加得出的各項(xiàng)系統(tǒng)效能值，沒(méi)有將各項(xiàng)系統(tǒng)效能值綜合成系統(tǒng)層次的系統(tǒng)評(píng)估值，因此無(wú)法得到對(duì)系統(tǒng)的整體評(píng)估結(jié)果。ADC模型適用于對(duì)復(fù)雜系統(tǒng)的多項(xiàng)能力一起進(jìn)行分析和評(píng)估。

2.6 云模型

李德毅教授將模糊數(shù)學(xué)和概率統(tǒng)計(jì)綜合之后提出了云的概念。云模型是一種認(rèn)知模型，可以很好地處理系統(tǒng)中的隨機(jī)性和模糊性之間的關(guān)系：定性概念與定量數(shù)據(jù)之間的雙向轉(zhuǎn)換和處理評(píng)價(jià)對(duì)象的隨機(jī)性或模糊性而存在的不確定性。云模型總是通過(guò)三大數(shù)字特征來(lái)表示：期望Ex（Expect，Ex），熵 En（Entropy，En）和超熵 He（Hyper entropy，He）。期望Ex是云滴所在論域范圍內(nèi)的期望，是一個(gè)核心點(diǎn)。熵En是定性表達(dá)的不確定性度量，從一個(gè)角度來(lái)說(shuō)是定性表達(dá)隨機(jī)性的度量；另一個(gè)角度又是定性表達(dá)互相依存的度量。超熵He是用來(lái)表達(dá)熵的不確定性，通過(guò)超熵的值我們可以了解云的離散程度和厚度。云模型不是需要人去建立隸屬函數(shù)，而是由數(shù)字特征計(jì)算確定度，從而降低人為因素的影響。文獻(xiàn)［14］結(jié)合專家的決策意見(jiàn)和實(shí)際數(shù)據(jù)，建立了改進(jìn)云模型理論模型，消除了狀態(tài)辨識(shí)中的多指標(biāo)參數(shù)和多等級(jí)劃分所帶來(lái)的模糊性和不確定性，能夠比較準(zhǔn)確地識(shí)別等級(jí)。文獻(xiàn)［15］針對(duì)輸變電設(shè)備故障不確定性的問(wèn)題，利用云模型分析數(shù)據(jù)之間存在的聯(lián)系，建立了評(píng)估模型。該模型能夠處理定性概念隨機(jī)性和模糊性所帶來(lái)的問(wèn)題。

2.7 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)是通過(guò)模仿人類(lèi)腦神經(jīng)系統(tǒng)的信息處理機(jī)制而構(gòu)建的一種信息智能處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理非線性信息的特點(diǎn)，通過(guò)系統(tǒng)數(shù)據(jù)存在內(nèi)在的聯(lián)系構(gòu)建模型，類(lèi)似于“黑箱”。人工神經(jīng)網(wǎng)絡(luò)模型有學(xué)習(xí)功能和記憶功能以及良好的魯棒性、自組織自適應(yīng)性、非線性映射以及高容錯(cuò)能力等優(yōu)點(diǎn)，非常適合解決數(shù)據(jù)挖掘問(wèn)題和能夠適用于多因素和多條件并存的信息處理系統(tǒng)［16］。

人工神經(jīng)網(wǎng)絡(luò)法主要有兩點(diǎn)不足：第一，評(píng)估效果取決訓(xùn)練樣本的優(yōu)劣，具備了好的訓(xùn)練樣本，才能構(gòu)建性能良好的神經(jīng)網(wǎng)絡(luò)模型。因此需要對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)據(jù)進(jìn)行大量的前期準(zhǔn)備工作，且要認(rèn)真地進(jìn)行數(shù)據(jù)選擇、整理、轉(zhuǎn)換、去噪等方面的工作［17］；第二，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的方法通常由研究者經(jīng)過(guò)試探性的反復(fù)試驗(yàn)才能確定網(wǎng)絡(luò)結(jié)構(gòu)。

2.8 深度學(xué)習(xí)方法

深度學(xué)習(xí)是通過(guò)使用軟件來(lái)構(gòu)建與人類(lèi)大腦相類(lèi)似的思維機(jī)制，通過(guò)獲取外界信息從而對(duì)信息進(jìn)行處理并反饋的模型。深度學(xué)習(xí)有和神經(jīng)網(wǎng)絡(luò)類(lèi)似的分層結(jié)構(gòu)，但是深度學(xué)習(xí)在分層數(shù)和分層結(jié)構(gòu)上更加復(fù)雜，在訓(xùn)練機(jī)制也和神經(jīng)網(wǎng)絡(luò)有所不同。深度學(xué)習(xí)基本工作流程：低層特征轉(zhuǎn)化為高一層次的特征或者屬性類(lèi)別，通過(guò)特定的數(shù)學(xué)表達(dá)公式將特征轉(zhuǎn)化為有效的信息，指導(dǎo)機(jī)器完成學(xué)習(xí)工作。深度學(xué)習(xí)常用的模型有生成模型、判別模型及混合模型。深度信念網(wǎng)絡(luò)是生成模型，堆疊自動(dòng)編碼機(jī)，卷積神經(jīng)網(wǎng)絡(luò)是判別模型。文獻(xiàn)［19］針傳統(tǒng)評(píng)估方法無(wú)法對(duì)電力系統(tǒng)運(yùn)行中出現(xiàn)的暫態(tài)穩(wěn)定狀態(tài)進(jìn)行快速和準(zhǔn)確的評(píng)估，結(jié)合變分自動(dòng)編碼器和卷積神經(jīng)網(wǎng)絡(luò)，建立一種基于深度學(xué)習(xí)技評(píng)估模型。提高了暫態(tài)穩(wěn)定評(píng)估的精度和效率。文獻(xiàn)［18］針對(duì)傳統(tǒng)網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法存在對(duì)大量網(wǎng)絡(luò)數(shù)據(jù)處理效率不高的問(wèn)題，提出以深度學(xué)習(xí)為基礎(chǔ)的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法。對(duì)網(wǎng)絡(luò)攻擊劃分類(lèi)別后，對(duì)每種攻擊類(lèi)型進(jìn)行影響評(píng)估和對(duì)網(wǎng)絡(luò)安全狀況進(jìn)行量化評(píng)估。

深度學(xué)習(xí)具有預(yù)測(cè)精度高，特征提出能力強(qiáng)，非線性函數(shù)映射良好，模擬人類(lèi)思維能力強(qiáng)等優(yōu)點(diǎn)。深度學(xué)習(xí)的缺點(diǎn)有：訓(xùn)練階段需要大量的訓(xùn)練數(shù)據(jù)；模型層次結(jié)構(gòu)復(fù)雜，訓(xùn)練速度低；當(dāng)使用條件發(fā)生改變之后，已訓(xùn)練的模型不在適用。

2.9 支持向量機(jī)

支持向量機(jī)方法是統(tǒng)計(jì)學(xué)習(xí)理論的一種具體實(shí)現(xiàn)。支持向量機(jī)的工作理論：原始輸入空間中的數(shù)據(jù)經(jīng)過(guò)非線性映射到高維特征空間中，然后采用在特征空間構(gòu)建分類(lèi)超平面的方法來(lái)處理原始空間中存在的非線性分類(lèi)的問(wèn)題［20］。支持向量機(jī)模型的運(yùn)行過(guò)程：先是依據(jù)評(píng)估系對(duì)象的指標(biāo)數(shù)據(jù)建立輸入和輸出樣本，對(duì)模型進(jìn)行訓(xùn)練，在求解最大邊距超平面之后，再輸入輸入需要求解的樣本，模型進(jìn)行識(shí)別之后輸出結(jié)果。支持向量機(jī)具有處理樣本數(shù)據(jù)少，信息非線性系統(tǒng)能力良好等特點(diǎn)。支持向量機(jī)求解出的最優(yōu)解是全局最優(yōu)解，避免了神經(jīng)網(wǎng)絡(luò)中存在的陷入局部最優(yōu)的問(wèn)題［20］。

2.10 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是對(duì)復(fù)雜系統(tǒng)中不確定性信息處理的研究?jī)?nèi)容之一。貝葉斯網(wǎng)絡(luò)以網(wǎng)格結(jié)構(gòu)和概率論作為理論基礎(chǔ)，對(duì)復(fù)雜系統(tǒng)進(jìn)行不確定性推理，對(duì)數(shù)據(jù)和隨機(jī)變量進(jìn)行處理。貝葉斯網(wǎng)絡(luò)的推理是在已知一部分變量的取值的條件下，去計(jì)算其他未知變量概率的過(guò)程。貝葉斯網(wǎng)絡(luò)包含網(wǎng)絡(luò)結(jié)構(gòu)和概率分布兩部分：網(wǎng)絡(luò)結(jié)構(gòu)主要包括表示隨機(jī)變量的各節(jié)點(diǎn)和表示線段兩端節(jié)點(diǎn)具有因果關(guān)系的有向線段；概率分布為條件概率分布。貝葉斯網(wǎng)絡(luò)是利用概率論中的貝葉斯公式將隨機(jī)變量之間的因果關(guān)系數(shù)量化，表示聯(lián)系的強(qiáng)弱。貝葉斯網(wǎng)絡(luò)具有表達(dá)問(wèn)題直觀，邏輯推理性強(qiáng)等優(yōu)勢(shì)。

3 評(píng)估方法的選擇

電子裝備系統(tǒng)效能評(píng)估是以評(píng)估方法為理論基礎(chǔ)，以效能評(píng)估模型為主體進(jìn)而進(jìn)行的評(píng)估過(guò)程。評(píng)估方法按照評(píng)估性質(zhì)可分兩類(lèi)：

1）傳統(tǒng)評(píng)估方法：專家評(píng)估法、層次分析法、模糊評(píng)估法、灰色評(píng)估法、ADC模型評(píng)估法、指數(shù)法等。

2）人工智能評(píng)估方法：云模型、人工神經(jīng)網(wǎng)絡(luò)法、深度學(xué)習(xí)、支持向量機(jī)和貝葉斯網(wǎng)絡(luò)等。

層次分析法主要依靠主觀評(píng)估對(duì)系統(tǒng)進(jìn)行評(píng)估，適合于人的定性評(píng)估起重要作用和評(píng)估結(jié)果難以直接計(jì)量的系統(tǒng)評(píng)估。層次分析法的層次間支配關(guān)系過(guò)度簡(jiǎn)化了系統(tǒng)的非線性，因此層次分析法大多數(shù)情況下不單獨(dú)作為評(píng)估方法使用，而是作為指標(biāo)權(quán)重的賦值方法配合其他評(píng)估方法一起使用。模糊評(píng)估法適用于評(píng)估定性因素和定量因素并存的系統(tǒng)，擁有良好處理不確定信息的能力，可以解決評(píng)估中不能用精確的數(shù)字表示指標(biāo)評(píng)估的問(wèn)題。但是模糊評(píng)估法對(duì)指標(biāo)的評(píng)估值不能進(jìn)行準(zhǔn)確的判斷，只能給出相對(duì)模糊的結(jié)果和在權(quán)重集的確定過(guò)程中存在一定的主觀性。模糊評(píng)估方法不能解決評(píng)估指標(biāo)間相關(guān)造成的評(píng)估信息重復(fù)的問(wèn)題?；疑u(píng)估法適用于對(duì)指標(biāo)數(shù)據(jù)少和指標(biāo)信息不完備的復(fù)雜大系統(tǒng)的評(píng)估。指數(shù)法的模型結(jié)構(gòu)簡(jiǎn)單無(wú)法體現(xiàn)出系統(tǒng)指標(biāo)之間的相互關(guān)系，忽略了許多不確定因素，因此指數(shù)法的評(píng)估結(jié)果與實(shí)際系統(tǒng)的效能之間存在一定程度的誤差。指數(shù)法適用于簡(jiǎn)化條件下對(duì)電子裝備多種能力進(jìn)行綜合評(píng)估。ADC評(píng)估方法是通過(guò)概率與能力值的乘積來(lái)求取效能值。當(dāng)系統(tǒng)出現(xiàn)的小概率的狀態(tài)時(shí)，會(huì)導(dǎo)致得到效能值與實(shí)際系統(tǒng)的效能值有著巨大的差距。ADC評(píng)估方法中的可用性向量一般是通過(guò)系統(tǒng)的整個(gè)使用壽命期的維修時(shí)間和工作時(shí)間來(lái)確定，對(duì)短時(shí)間內(nèi)的系統(tǒng)狀態(tài)的確定存在一定的誤差，也無(wú)法對(duì)系統(tǒng)進(jìn)行實(shí)時(shí)的效能評(píng)估。因此ADC評(píng)估方法適合于對(duì)系統(tǒng)進(jìn)行長(zhǎng)時(shí)間任務(wù)周期內(nèi)的效能評(píng)估。

云模型適合于評(píng)估需要處理隨機(jī)性和模糊性之間的關(guān)系的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)可以對(duì)多指標(biāo)系統(tǒng)進(jìn)行綜合評(píng)估并且給出一個(gè)客觀評(píng)估，有利于降低指標(biāo)權(quán)重確定中存在的主觀性。人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)建立全權(quán)重學(xué)習(xí)機(jī)制，具有自適應(yīng)能力。當(dāng)系統(tǒng)任務(wù)和使用時(shí)間發(fā)生改變時(shí)，各指標(biāo)對(duì)于系統(tǒng)效能的重要性也會(huì)發(fā)生相應(yīng)變化，確保指標(biāo)權(quán)重符合實(shí)際情況。人工神經(jīng)網(wǎng)絡(luò)評(píng)估模型適合于需要處理非線性、非局域性的多因素和多條件并存的大型復(fù)雜系統(tǒng)。深度學(xué)習(xí)具有預(yù)測(cè)精度高的特點(diǎn)，因此深度學(xué)習(xí)適應(yīng)于對(duì)系統(tǒng)的效能進(jìn)行預(yù)測(cè)，從而為系統(tǒng)的預(yù)防性維修提供強(qiáng)有力的技術(shù)支持。深度學(xué)習(xí)適合于需要對(duì)效能進(jìn)行預(yù)測(cè)的非線性系統(tǒng)。支持向量機(jī)在小樣本訓(xùn)練上有較好的效果，具有優(yōu)秀的泛化能力，適用于小樣本非線性系統(tǒng)評(píng)估。貝葉斯網(wǎng)絡(luò)可以將系統(tǒng)指標(biāo)之間的聯(lián)系表示出來(lái)，可以為解析系統(tǒng)結(jié)構(gòu)提供了依據(jù)，為系統(tǒng)的設(shè)計(jì)優(yōu)化提供技術(shù)支持。貝葉斯網(wǎng)絡(luò)適用于需要分析系統(tǒng)指標(biāo)之間聯(lián)系的系統(tǒng)評(píng)估。

上面的評(píng)估方法各有優(yōu)缺點(diǎn)和適合使用的系統(tǒng)。實(shí)際上，選用哪種評(píng)估方法來(lái)進(jìn)行系統(tǒng)效能評(píng)估，主要取決于要評(píng)估系統(tǒng)的整體結(jié)構(gòu)特點(diǎn)、指標(biāo)結(jié)構(gòu)特點(diǎn)、指標(biāo)參數(shù)特性、評(píng)估目的和精度要求等。在實(shí)際對(duì)電子裝備評(píng)估中可以根據(jù)評(píng)估系統(tǒng)的特點(diǎn)和評(píng)估要求，吸收不同評(píng)估方法的優(yōu)點(diǎn)，把多種評(píng)估方法有機(jī)融合來(lái)使用。

4 效能評(píng)估方法中存在問(wèn)題

1）各種效能評(píng)估方法都有一定的合理性和科學(xué)性，但是大多數(shù)的評(píng)估方法在實(shí)際應(yīng)用上存在某方面的局限性，例如指標(biāo)數(shù)據(jù)范圍規(guī)定不確切，方法實(shí)施的條件苛刻，參數(shù)的確定具有主觀性，影響系統(tǒng)效能的因素考慮不夠全面等。效能評(píng)估方法不具備學(xué)習(xí)能力，當(dāng)系統(tǒng)的結(jié)構(gòu)和工作條件發(fā)生改變之后，原先劃分的系統(tǒng)效能指標(biāo)體系就不適合改變后的系統(tǒng)效能評(píng)估。

2）現(xiàn)有研究數(shù)據(jù)來(lái)源不夠全面。系統(tǒng)效能評(píng)估方法主要是對(duì)獲取的指標(biāo)數(shù)據(jù)進(jìn)行運(yùn)算和處理。但是在系統(tǒng)的實(shí)際運(yùn)行過(guò)程中，代表系統(tǒng)狀態(tài)的數(shù)據(jù)具有很強(qiáng)的不確定性，所以只通過(guò)一組或幾組數(shù)據(jù)去評(píng)估系統(tǒng)的效能會(huì)存在一定的誤差。需要擴(kuò)展數(shù)據(jù)的來(lái)源，并且保持?jǐn)?shù)據(jù)的準(zhǔn)確性和客觀性?，F(xiàn)有指標(biāo)數(shù)據(jù)多數(shù)是設(shè)備的實(shí)時(shí)運(yùn)行信息數(shù)據(jù)和設(shè)備歷史數(shù)據(jù)，不能為系統(tǒng)的預(yù)防性維修提供技術(shù)支持。

3）隨著電子裝備系統(tǒng)智能化和信息化水平的不斷提高，電子裝備系統(tǒng)的工作能力不再由硬件部分起確定性作用，系統(tǒng)的軟件部分和信息傳遞等也起到重要作用。但是大多數(shù)評(píng)估方法的評(píng)估對(duì)象是系統(tǒng)硬件部分的效能評(píng)估，忽略了對(duì)系統(tǒng)軟件部分和信息傳遞的效能評(píng)估，無(wú)法對(duì)系統(tǒng)的實(shí)際工作能力進(jìn)行準(zhǔn)確判斷。目前對(duì)系統(tǒng)軟件和信息傳遞方面的效能評(píng)估方法還較少。

5 效能評(píng)估方法的應(yīng)用發(fā)展趨勢(shì)

5.1 多系統(tǒng)組成的復(fù)雜大系統(tǒng)技術(shù)狀態(tài)評(píng)方法將越來(lái)越受到重視

國(guó)內(nèi)很多研究停留在單個(gè)系統(tǒng)或者單設(shè)備效能的層次上，較少有涉及多個(gè)系統(tǒng)組成的復(fù)雜系統(tǒng)效能評(píng)估的情況。如航天器、艦艇編隊(duì)、大型客機(jī)等復(fù)雜大系統(tǒng)。復(fù)雜大系統(tǒng)的效能評(píng)估是非常復(fù)雜的問(wèn)題，其中涉及相互關(guān)聯(lián)、相互影響的多個(gè)子系統(tǒng)和眾多因素，所以在評(píng)估方法中需要將子系統(tǒng)之間的協(xié)同工作和信息傳遞等進(jìn)行評(píng)估。目前對(duì)這方面的研究較少，需要進(jìn)一步研究。

5.2 軟性因素的考慮

在大多數(shù)的評(píng)估方法中出現(xiàn)的各個(gè)參數(shù)，都是僅僅考慮了系統(tǒng)本身的指標(biāo)。但是在系統(tǒng)的實(shí)際應(yīng)用中，系統(tǒng)發(fā)揮的性能還與系統(tǒng)所在的工作環(huán)境和操作人員等因素有關(guān)，如在過(guò)熱過(guò)潮的工作環(huán)境下電阻的工作效能與預(yù)期的工作效能有差距。系統(tǒng)操作人員之間的專業(yè)技術(shù)水平差距也會(huì)導(dǎo)致同一系統(tǒng)的實(shí)際效能有所不同。目前對(duì)這些軟性因素的處理是：在評(píng)估方法中的參數(shù)前面添加一個(gè)修正系數(shù)，以此來(lái)表示軟性因素對(duì)系統(tǒng)性能的影響。修正系數(shù)一般是由專家近似估算得出，但具有一定程度的主觀性，所以如何更加準(zhǔn)確和客觀體現(xiàn)出軟性因素對(duì)系統(tǒng)效能的影響還需要進(jìn)一步深入研究。

5.3 基于小樣本數(shù)據(jù)的評(píng)估方法的研究

現(xiàn)代電子裝備系統(tǒng)的結(jié)構(gòu)不斷完善和精細(xì)，影響其系統(tǒng)效能評(píng)估的因素也隨之增加，系統(tǒng)效能評(píng)估方法中的數(shù)學(xué)模型結(jié)構(gòu)也越來(lái)越復(fù)雜和參數(shù)也越來(lái)越多。進(jìn)行可靠性試驗(yàn)的高費(fèi)用和系統(tǒng)的復(fù)雜性，導(dǎo)致獲取大量系統(tǒng)效能指標(biāo)數(shù)據(jù)的難度也提高了。因此基于大量指標(biāo)數(shù)據(jù)的效能評(píng)估方法受到了限制。利用小樣本的數(shù)據(jù)構(gòu)造有效和準(zhǔn)確的評(píng)估模型是目前系統(tǒng)效能評(píng)估的研究方向之一。

5.4 評(píng)估數(shù)據(jù)來(lái)源于大數(shù)據(jù)

隨著電子裝備智能化和信息化的程度不斷提高，能夠獲得關(guān)于電子裝備評(píng)估的大量數(shù)據(jù)。設(shè)備的指標(biāo)數(shù)據(jù)來(lái)源不再過(guò)度依賴于對(duì)本設(shè)備特征提取和專家經(jīng)驗(yàn)獲取，同類(lèi)型設(shè)備之間的數(shù)據(jù)可以通過(guò)大數(shù)據(jù)技術(shù)交流和融匯。將其他同類(lèi)設(shè)備使用壽命全階段的數(shù)據(jù)結(jié)合本設(shè)備的數(shù)據(jù)去預(yù)測(cè)未來(lái)某時(shí)期的電子裝備的效能值，從而使得評(píng)估結(jié)果更加合理和準(zhǔn)確，為系統(tǒng)的預(yù)防性維修提供技術(shù)支持。從大數(shù)據(jù)中提取數(shù)據(jù)來(lái)源成為了未來(lái)的發(fā)展方向之一。

6 結(jié)語(yǔ)

隨著電子裝備系統(tǒng)呈現(xiàn)出復(fù)雜化、信息化和智能化等特點(diǎn)，有效且合適的評(píng)估效能方法對(duì)系統(tǒng)設(shè)計(jì)優(yōu)化和提高預(yù)防性維修效率有著重要意義。目前的效能評(píng)估方法不能滿足現(xiàn)在電子裝備系統(tǒng)評(píng)估的要求：傳統(tǒng)效能評(píng)估方法具有較成熟的理論研究，模型中指標(biāo)結(jié)構(gòu)清晰，實(shí)施步驟明確，但存在適應(yīng)能力不足和評(píng)估過(guò)程中存在一定程度的主觀性的問(wèn)題，不能對(duì)系統(tǒng)的軟件部分和信息傳遞等進(jìn)行有效的評(píng)估，因此對(duì)大型復(fù)雜系統(tǒng)進(jìn)行評(píng)估的能力不足；人工智能評(píng)估方法有較強(qiáng)的自學(xué)習(xí)能力，可以適應(yīng)系統(tǒng)結(jié)構(gòu)發(fā)生改變之后的效能評(píng)估，但在構(gòu)建模型過(guò)程中沒(méi)有一套標(biāo)準(zhǔn)有效的方法，部分人工智能評(píng)估方法是“黑箱”模型，無(wú)法為系統(tǒng)結(jié)構(gòu)的設(shè)計(jì)優(yōu)化提供技術(shù)支持。大數(shù)據(jù)技術(shù)輔助人工智能評(píng)估方法對(duì)大型復(fù)雜系統(tǒng)進(jìn)行效能評(píng)估是未來(lái)一段時(shí)間內(nèi)的研究熱點(diǎn)和研究方向。