1.引言

 

质量是装备的生命，是推动装备产业持续发展和保持装备高竞争力的坚实基础和核心能力。数字技术的迅速发展，极大地促进了大数据、物联网、人工智能等技术的普及，装备研制正在经历着数字化转型升级[1-3]。基于大数据的装备数字化转型使装备的质量工作面临着极大的挑战，依赖传统的质量工作模式已无法满足当前不断发展和变化的装备的需求[4-5]，变革质量工作模式、创新质量工作方法势在必行。本文将基于大数据时代装备质量工作的特点和需求，提出适应数字化时代的装备工作新的模式和理念，并从装备的设计、制造、试验和使用阶段给出质量工作的方法和措施。

 

2.未来装备质量工作的特点和要求

 

基于ISO9000族标准对质量的定义，装备的质量可以理解为：装备一组固有特性满足要求的程度，包括专用质量特性和通用质量特性，是一组可衡量、检验和考核的具体指标，满足装备使用方的具体需求 [6]。装备质量的形成一般过程包括论证、研制、生产、试验鉴定、使用维修阶段，既包括研制阶段对用户需求的实现，也包括使用阶段对用户需求的保持。科学技术的快速发展，尤其是大数据、人工智能等技术的普及，不仅深刻影响着传统的对装备的研制生产模式，也对装备的质量工作带来了新的特点和挑战[7-10]。未来装备的质量工作具有以下（但不限于）的特点：

 

（1）日益复杂的使用场景丰富了装备质量工作的内涵

 

未来装备的使用环境将由传统的三维空间拓展至“网点”、“临近”、“深海”、“天域”等多维空间，使用方式呈现出“一体化”、“网络化”、“协同化”、“智能化”和“无人化”的特点。装备必须在复杂的战场环境适应、高强度持续作战、任务快速转换、精准敏捷保障等方面取得突破。装备质量工作的内涵从装备及其组成系统的可靠性、维修性、测试性、保障性、安全性、环境适应性等拓展到系统层面的电磁兼容性、体系适应性、赛博安全性以及装备体系层面的弹性、互操作性、体系效能；不仅要关注装备的研制，还要关注装备的试验、使用、保障及其全过程的匹配与兼容。

 

（2）不断出现的新技术应用增加了质量工作的难度

 

装备研制尤其是装备的质量评估需要评估技术成熟度，技术成熟度等级（TRL）是一个重要的因素，在传统的装备研制过程会对技术成熟度进行严格的控制和管理。随着大数据技术、物联网、3D打印、敏捷设计和柔性制造等技术的发展和应用，传统大批量生产方式逐步被多品种、小批量生产方式渗透，并将被客户化定制、智能的精益生产方式所代替。基于订单进行装备的定制化研发、智能化生产，是大数据时代装备研制生产的一个重要趋势，也是未来装备质量工作的一个重要的挑战。

 

（3）多变突变的用户需求需要有快速敏捷的装备质量生成方法

 

用户需求是装备研制的输入，如何准确捕获用户的需求，是直接关系到装备质量的关键因素。随着技术的发展更新加快，装备的研制需求、使用模式均可能发生巨大的变化，主要体现在：首先，在装备的论证阶段，用户难以全面、准确地描述和预测出装备的需求；其次，用户对于需求的把握并非一成不变，而是随着装备技术状态、使用状态以及使用预期的变化而变化。传统的装备研制过程周期长，需求捕获方法难以对未来需求的精确预测。在数字化转型过程中，如何准确捕获用户的需求，快速响应用户需求的变化，是大数据时代装备质量工作的重要特征。

 

（4）越来越模糊利益相关方边界改变了装备质量工作的分工模式

 

大数据技术和人工智能技术的快速发展使得企业、供应商和用户的关系发生了变化。用户不再被动地接受企业推介的产品和服务，而是通过自身体验，积极参与产品研发。用户角色的转变意味着，装备制造企业不再是自行主动、自作主张。产品的设计、开发生产、维护保障服务等将受到越来越多的用户干预。而无所不在的物（互）联网使得装备研制过程中各个利益相关方的边界变得越来越模糊[11-13]。装备的制造商、供应商和使用方共同创造了一个共生的生态系统。未来的产业链不再以制造端的生产力需求为起点，而是从用户端的价值需求出发提供定制化的产品和服务，并以此作为整个产业链的共同目标，使整个产业链的各个环节实现协同优化。以上装备面临的新特点和形势，使装备的质量工作也发生着新的变化。首先，质量工作的输入更复杂，是一个动态的复杂的用户需求；其次，过程更多元，包括新技术的应用、装备的利益相关方之间的边界关系、过程数据和模型更多元；最后，结果更综合，质量评价不是单纯的指标鉴定评价，而基于过程的综合评价。质量工作的变化使装备质量工作在数字化背景下有新的内涵：以装备的研制使用过程为核心，结合装备制造商、供应商和使用方的生态圈数据关系，围绕用户需求，通过敏捷设计、特殊工艺保证、实战化验证以及精准保障，达到大数据背景下的装备质量保证。

 

3.装备全寿命周期质量工作数字化转型实施途径

 

本文针对新时期装备质量工作内涵，提出以需求为牵引，以大数据为基础，以数据升维为手段，构建装备大数据背景下的质量工作模式。质量工作模式的总体架构如下图1所示。

 

3.1 基于MBSE和敏捷系统工程的装备设计

 

设计阶段捕获和满足用户的需求是装备质量工作的首要要素。基于 MBSE（model based system engineering）的敏捷设计过程，是指在装备MBSE设计过程中，充分利用模型和数据规范性和统一性，在系统的需求捕获、需求分解、功能设计和方案设计中，定义 Sprint，以用户需求为核心，进行快速迭代和反馈。设计过程实现数据的快速流通，以不断适应装备设计开发过程中用户需求的不断变化与更新，从而得到满足用户需求的产品设计方案。基于MBSE的敏捷设计如下图2所示。其主要包括三个部分：

 

（1）基于MBSE的装备设计过程

 

系统工程在进行装备的设计时，采用正向设计过程，即从装备所处环境的“外在行为”到“内在功能”再到“物理构造”的设计过程进行展开[14-15]。对应的设计过程是由需求分析、功能分析和设计综合等3个相互依赖、反复迭代和递归的环节构成。基于模型的系统工程（MBSE）是指在上述设计流程中不再使用自然语言描述，而是用系统建模语言构建可运行的系统模型，对系统静态结构和动态行为等进行建模，通过构建形象化的系统模型来表达系统逻辑、描述系统功能。

 

（2）装备的敏捷系统工程过程

 

敏捷开发以用户的需求进化为核心，采用迭代、循序渐进的方法进行产品设计开发。在敏捷开发中，采用开放式架构处理方法，以用户需求作为驱动，在项目执行过程中，通过定义快速的Sprint节点，对装备的需求变化进行及时处理和反应。

 

（3）装备设计阶段的模型和数据

 

装备设计阶段的模型和数据包括用系统建模语言构建可运行的系统模型，对系统静态结构和动态行为等进行建模，通过构建形象化的系统模型来表达系统逻辑、描述系统功能。如在需求分析中构建需求图、用例图，在功能分析中构建顺序图、活动图及状态图，在设计综合中构建块图、参数图等。数据和模型是实现装备基于MBSE和敏捷设计的基础。基于模型的敏捷系统开发如下的特点：

 

①规范性、统一性

 

使用模型来进行系统设计，具有较好的统一性、规范性与可追溯性，便于在系统设计的早期阶段借助模型逐步对整体方案进行分析和优化，确保各个子系统的性能指标设定，将系统不足之处尽早发现，以便尽早优化、解决与处理。

 

②快速反应

 

基于模型的敏捷系统开发过程中，充分体现出“适应性”的特点。通过共享建模的方式，让用户深度参与到设计过程中，一旦用户需求发生变化，设计过程能够得到及时反馈和快速响应，以快速满足用户需求。

 

③开放式架构和微服务

 

基于模型的敏捷系统开发充分利用数据的价值，能够通过装备数据的升维，挖掘出和预测用户个性化的需求，进而对于不同用户和不同场景进行个性化设计。3.2面向需求贴近实战的试验验证面向需求贴近实战的试验验证模式是指在装备试验验证过程中，以装备实战化过程为需求牵引，准确捕获装备的验证需求，并且尽可能真实还原装备设计制造使用过程状态，进行装备的综合验证评价[16]。面向需求贴近实战的试验验证过程如下图3所示，其核心内容主要包括以下两个方面。

 

（1）基于测试用例的验证需求捕获技术

 

从需求生成测试用例，通过柔性化测试，完成验证需求的生成。面向装备实战化的验证是一个复杂的过程，主要是装备实战化涉及到的场景复杂，因素多。现有的试验验证均是直接面向装备的功能需求，无法准确地映射到装备的实战场景。通过测试用例和柔性测试方法，可以将实战化的验证需求转化为装备的测试需求，从而可以获得装备在设计、制造和使用过程中的验证要素。

 

（2）面向实战化的综合验证技术

 

在装备验证需求的基础上，利用数字建模和虚拟仿真试验技术，全面考虑装备设计要素、制造要素和使用保障要素，对各阶段要素进行精确的数字建模，并且综合考虑各个阶段要素之间的耦合关系，开展装备面向实战化场景的协同验证和综合评价。

 

3.2 面向需求贴近实战的装备试验验证

 

面向需求贴近实战的装备试验验证能够解决装备验证的如下问题：第一，能够快速、准确捕获到装备面向实战的验证需求；第二，能够模拟出设计阶段、制造阶段和使用保证阶段的各种极端条件和复杂因素，通过数字协同验证，尽可能还原装备真实的状态和使用状态。

 

3.3 以关键特殊过程为核心的制造质量保证

 

以关键特殊过程为核心的装备制造质量保证，是以装备制造过程数据为基础，以装备制造关键过程和特殊过程为核心抓手，面向小批量生产模式、新工艺使用过程以及传统的工艺一致性和稳定性开展的质量控制和优化。其核心内容包括：

 

（1）基于质量大数据的关键过程和特殊过程的数字仿真

 

特殊过程本身存在“不易发现、不易测量或者不能（经济）测量”的特点[17]。武器装备尤其是航空装备领域涉及特殊过程包括焊接、热处理、化学处理、复合材料、涂层等，非常广泛且呈现越来越多的趋势。关键过程是指对形成产品质量起决定作用的过程，一般包括形成关键、重要特性的过程，加工难度大、质量不稳定、易造成重大经济损失的过程等。装备的质量问题统计表明，关键特殊过程已经成为质量稳定性、工艺波动性和问题多发性的决定性因素。

 

在大数据背景下的装备制造过程，充分利用装备制造过程大数据，针对装备制造工艺的特殊过程和关键过程，进行数据挖掘和分析，识别和确认其影响因素。采用数字工艺模拟，全面检验特殊过程的质量隐患并加以控制。

 

（2）面向小批量、新工艺的制造工艺过程不确定性及一致性检验和控制

 

工艺的不稳定来源于工艺过程的不确定性。工艺过程不确定性是指工艺过程中人、机、料、法、环、检的不确定的属性，对工艺过程不确定性控制是工艺质量保证的基础。在大数据背景下，充分利用工艺过程的数据积累，对装备制造工艺过程不确定性的形成和变化规律进行准确描述，为制造工艺波动控制提供准确的输入。通过对工艺不确定性的仿真计算，为工艺一致性的检验和控制提供参考和依据。

 

（3）基于质量大数据的特殊过程统一认证体系

 

基于装备质量大数据，建立装备特殊过程的统一认证体系，包括特殊过程的行业标准规范、特殊过程控制运行和管理机制、统一认证平台。通过统一认证体系达到“一次审核，多方认可”的效果。

 

（4）基于质量大数据的关键过程控制和审核

 

基于装备质量大数据，构建装备关键过程的识别、控制与审核的方法，是实现装备质量的保证。基于数据分析的关键过程精准识别、基于过程参数的关键过程特性监控、基于数据统计的过程检验以及基于规范体系的特殊过程审核，是实现基于关键过程的质量过程保证。

 

3.4 基于数据的装备精准敏捷保障

 

装备保障本质上是在装备使用过程中对功能性能的保持和恢复，从而保证装备的使用质量。人工智能、大数据、物联网、虚拟/增强现实、增材制造等先进技术，为装备保障的赋能和发展提供了支撑条件，可有效提高保障效率，减低保障费用[18]。在装备使用阶段，装备质量工作目标是通过及时提供所需保障来满足装备的战备完好和任务持续等使用需求。主要内容包括：

 

（1）面向实战的智能保障决策

 

面向实战任务需求，基于多源复杂态势大数据，应用智能决策算法和仿真推演技术，开展任务装备优选、保障资源需求预测、保障要素动态调度等保障决策，迅速生成满足实战任务需求的保障方案，实现在准确的时间、准确的地点为作战装备提供数量准确的保障要素，实现精准、敏捷、经济的装备保障。

 

（2）备件精准保障

 

备件资源是影响装备完好和任务持续的关键要素之一。充分利用积累的备件消耗以及相关的装备故障、损伤、计划维修等相关数据，针对装备作战任务和日常训练需求，精准预测备件种类和数量需求，规划不同级别保障站点的备件配置，在保证备件满足率的情况下提高备件利用率，有效降低保障费用。

 

（3）维修任务优化

 

预防性维修是降低装备使用风险的有效手段，但是目前普遍存在维修任务规划不合理、维修间隔过于保守等问题，易造成装备的过度维修和欠维修。分析挖掘装备的使用、故障、维修等相关数据，获取故障规律，结合故障预测与健康管理PHM技术，优化维修任务活动与间隔，通过合理安排维修提高装备可用性。

 

（4）辅助保障作业

 

基于交互式电子技术手册IETM、增强现实AR、可穿戴设备等先进数字化技术，实现用户技术资料数据与装备对象的物联显示，以自然人机交互方式为保障人员提供可视化、智能化的检测排故等作业引导，让用户技术资料数据“活”起来，大幅提高保障作业效率与质量，降低作业人员的技术要求和安全风险。

 

4.面向装备质量的大数据建设

 

大数据时代装备质量工作的数字化转型，核心在于“数据驱动”的质量业务模式。应用大数据、人工智能、云计算等先进数字技术，依据质量业务需求挖掘多维度大数据的价值，改变传统装备质量工作耗时费力的工作方式，促进装备质量工作模式从被动粗放向主动精准的升级[19-21]。

 

4.1 面向装备质量的大数据需求

 

面向装备质量的大数据是装备全生命周期质量相关的所有数据，来源于装备设计、制造、使用等生命周期各环节产生的海量数据，具有结构化、半结构化和非结构化等不同数据类型，文本、模型、多媒体等多种数据形式。面向装备质量的大数据资源建设的重点不在于同一维度数据的量大，而是通过收集有关装备质量不同维度的数据，进行质量数据升维。随着数据维度的增加，对装备质量的描绘就越来越全面和深入。面向装备质量的大数据主要包括以下领域和维度：

 

（1）产品域大数据

 

产品域大数据是装备设计、制造、试验等研制过程中产生的数据，主要包括产品的用户需求、定性与定量指标要求，功能、性能、通用质量特性等属性，架构组成，设计、制造、试验等研制过程，需求符合性、质量问题，质量管理体系，研制费用等数据维度。

 

（2）使用域大数据

 

使用域大数据是装备使用过程中产生的数据，主要包括装备的使用任务，气象、地理、人文等使用环境，使用过程，故障、损伤、事故，使用保障、维修保障、供应保障过程，人员、备件、保障设备工具等保障资源，保障组织、保障模式，保障效能、使用与保障费用等数据维度。

 

（3）生态域大数据

 

生态域大数据是装备全产业链利益攸关方及业务过程的数据，主要涉及装备使用方、研制方、管理方等利益攸关方角色，以及装备制造商、供应商、合作伙伴、竞争对手等装备产业链角色。生态域数据包括各方角色的需求、能力、相互关系，业务流程及其物质、人员、资金、信息交互等数据维度。通过对以上多域多维度大数据的资源建设与分析挖掘，实现装备质量工作的数字化转型。例如，为了实现备件精准保障，需要对产品域的通用质量特性，使用域的使用任务、故障、备件资源、供应保障过程，以及生态域的备件供应商、供应链物流等维度的数据进行分析挖掘，以实现备件的精准配置与高效利用。

 

4.2 数字化装备质量生态圈

 

面向装备质量的大数据中，产品域大数据主要由装备研制方和供应商产生，使用域大数据主要由装备使用方以及修理方产生，生态域大数据则由装备使用方、研制方、管理方以及验证方、修理方等各利益攸关方产生。所有装备质量相关的数据中，有的因缺乏收集机制与手段而没有留下记录，有的虽然留有记录但是没有得到分析应用，而大部分得到应用的数据也没有建立关联关系。分散在各利益攸关方的装备质量大数据资源只有经过关联分析与挖掘才能发挥其价值，因此，需要基于装备质量各利益攸关方拥有的数据资源，面向各方数据需求，充分应用云、5G、移动应用、物联网、区块链等先进技术进行装备质量大数据的收集、传输、存储与共享，构建数字化装备质量生态圈，通过数据共享与增值形成共生、互生和再生的装备质量利益共同体，实现基于大数据的装备质量工作数字化转型。数字化装备质量生态圈如图5所示。在数字化装备质量生态圈中，产品域、使用域、生态域等面向装备质量的大数据资源存储在基于云技术构建的装备质量数据湖中，各利益攸关方将各自产生的相关数据放入装备质量数据湖，应用区块链技术确定数据权属与共享使用机制，在此基础上各方可从装备质量数据湖中获取所需的数据资源与数据服务，利用大数据技术辅助各方做出明智、迅速的决策。装备质量数据湖汇聚装备质量各利益攸关方的大数据资源，实现装备质量相关数据去中心化的真实一致与互联互通，在数据利用上首先可以直接向各方提供所需的原始数据资源，进一步可以面向不同用户需求，结合智能化先进技术开展数据关联分析与挖掘，形成满足特定需求的数据服务，实现数据增值。

 

5.结论

 

和展望大数据时代装备质量工作是一个复杂的系统工程，面临新的技术、新的环境和新的需求，做好装备的质量工作，要用新的理念、新的思想和新的模式。在装备数字转型的背景下和大数据背景下，装备质量工作仍需以用户的需求为中心，充分利用大数据的价值服务于装备数字化设计、制造、试验和服务过程，保证用户需求的完整和快速捕获、制造实现、全面准确验证，真正实现装备质量的提升和大数据时代质量工作的转型升级。大数据时代技术的快速发展将继续深刻影响到装备的研制和使用过程，数据的利用还远远未达到其应用的价值，如何采用有效的理论和方法，将数据的价值充分利用到装备质量工作中去，仍然是一个值得关注的问题，也是未来装备质量工作发展的必然需求。

 

参考文献

 

[1] 王世贵，傅勉，张晓杰.装备作战需求方案质量评估综述［J］.兵器装备工程学报，2017(7):11-14.

[2] 温璐.大数据背景下航空制造业供应链生态圈构建研究[J].经营与管理,2020(8).

[3] Jeong D,Kim D,Seo Y.Method for process-based modeling of combat scenarios using interaction analysisweapon systems [J].Frontiers of Information Technology&Electronic  Engineering,2021,

[4] 刘智慧,张泉灵.大数据技术研究综述[J].浙江大学学报:工学版,2014,48(6):957-972.

[5] 胡浩,孟祥辉,郑苗.武器装备质量工程基础数据环境建设研究[J].四川兵工学报,2013,034(011):37-40.

[6] 穆菁,王斌,王石博等.基于过程的武器装备质量管理体系构建方法[J].质量与可靠性,2020,000(001):35-38.

[7] 柯宏发、刘宏亮、薛勇.美国陆军网络装备作战评估及启示[J].国防科2020,v.41;324(05):94-102.

[8] 程运江,张程,赵日等.人工智能的发展及其在未来战争中的影响与应用思考[J].航空兵器,2019,26(01):62-66.

[9] 侯大为.从AI质检机器人,到以质量大数据驱动的数字化工厂[J].人工智能,2020,16(03):73-82.

[10] 于道林,朱文海,庆骁等.军工制造业数字化转型的系统方法论[J].系统仿真学报,2020,v.32(03):5-10.

[11] BiW, Wang W,Zhang A,etal. Extending Model-Based Syste ms Engineering into Integrated Platform Designed for Civil Aircraft Develop[J]. Journal of Aerospace Technology and Management,2021,13(1).

[12]Prahalad C K,Ramaswamy V.The future of competition:Co-creating unique value with customers[M].HarvardBusiness Press,2004.

[13] Ashkenas R,Ulrich D,Jick T,et al. The boundary lessorganization:Breaking the chains of  organizationalstructure[M]. John Wiley & Sons,2015.

[14] 胡晓义,王如平,王鑫等.基于模型的复杂系统安全性和可靠性分析技术发展综述[J].航空学报,2020(6).

[15] 高雅娟,徐小芳,刘钊.基于模型的系统工程在通用质量特性评估验证中的应用研究[J].测控技术,2020,039(003):9-12,83.

[16] 窦赛,陈国顺,贾彪.柔性测试技术在复杂装备测试中的应用[J].现代电子技术,2011(09):149-152.

[17]刘红艳.浅谈特种工艺的质量管理[J].内燃机与配件,2019,298(22):152-153.

[18] 孙阳.面向装备全寿命周期的航空武器装备服务保障人员知识结构模型研究[J].电子质量,2020,398(05):12-14.

[19] 李珏，卢鹤.面向导弹武器系统全寿命管理的大数据模型[J].舰船电子工程,2020,v.40;310(04):124-127.

[20] 邵海波,鲍文静.以需求实现为主线的复杂武器装备内部质量审核方法研究[J].电子质量,2020,398(05):92-95.

[21] 赵建忠,张磊,邓建球等.强化武器装备保障设备质量管理全面提升武器装备保障能力[J].国防技术基础，2018.22(3):415-436.