美軍將重新審視海軍陸戰隊后勤單位在海軍陸戰隊遠征軍（MEF）中的分配和排列，以滿足設想的未來戰斗需求。在一個近距離的、封閉的、可能有爭議的環境中作戰的能力是以反應迅速的后勤保障為前提的。海軍陸戰隊必須評估MEF中后勤能力的響應性和靈活性，以及部隊結構的變化是否符合海軍陸戰隊司令部的部隊設計的首要任務。海軍陸戰隊必須在內部重新調整后勤能力，以充分遵守2018年國防戰略（NDS）、2019年司令部規劃指南和2030年部隊設計中闡述的戰略指導。鑒于海軍陸戰隊目前的組織結構，海軍陸戰隊對近距離或步調一致的威脅進行高端危機響應的能力被削弱了。如果考慮到NDS的全球行動模式以及海軍陸戰隊在整個印太責任區的接觸層和鈍化層的行動要求，這一點就更加明顯了。

這個頂點項目評估了使用區塊鏈技術來解決一些挑戰，即越來越多的不同的傳感器數據和一個信息豐富的環境，可以迅速壓倒有效的決策過程。該團隊探討了區塊鏈如何用于各種國防應用，以驗證用戶，驗證輸入人工智能模型的傳感器數據，限制對數據的訪問，并在數據生命周期內提供審計跟蹤。該團隊為實施區塊鏈的戰術數據、人工智能和機器學習應用開發了一個概念設計；確定了在戰術領域實施區塊鏈所涉及的挑戰和限制；描述了區塊鏈對這些不同應用的好處；并評估了這個項目的發現，以提出未來對更廣泛的區塊鏈應用的研究。該團隊通過開發三個用例來實現這一目標。一個用例展示了區塊鏈在 "輕數據"信息環境中的戰術邊緣使用。第二個用例探索了區塊鏈在電子健康記錄中對醫療信息的保護。第三個用例研究了區塊鏈在使用多個傳感器收集化學武器防御數據方面的應用，以支持使用人工智能和機器學習的測量和簽名智能分析。

未來針對同級或近級對手的大規模作戰行動，除了更傳統的空中、陸地、海上和空間等物理領域外，還將涉及網絡空間領域。數據和信息在這個連續體中的每一個點上所發揮的作用都不能被低估。此外，同時在多個領域進行有效溝通和協調的能力--擁有必要的指揮和控制--取決于可獲得的和可靠的信息。美國陸軍正在起草一份新的陸軍學說出版物3-13，標題為 "信息"，"將信息的軍事應用與所有作戰功能、部門和戰爭形式聯系起來"（美國陸軍聯合武器中心2022，2）。陸軍如何在戰場上保持優勢的這些轉變，強調了數據和信息作為戰爭工具的關鍵作用。

這個頂點項目的主要目標是探索區塊鏈在與國防部相關的各種情況下的使用。首先，該團隊研究了目前關于區塊鏈和相鄰主題的工作，如物聯網（IoT）、大數據、人工智能（AI）和機器學習（ML）。研究揭示了一個名為 "戰場物聯網"（IoBT）的新興概念。Tosh等人（2018）寫道，IoBT可以滿足 "對分散框架的強烈需求......以服務于戰場環境的目的"（2）。Kott、Ananthram和West（2016）強調了與IoBT可用性、保密性和完整性相關的幾個網絡安全挑戰，而Tosh等人（2018）討論了區塊鏈技術如何有利于IoBT架構。

除了網絡上的無數設備（如IoBT），數據存儲是管理數據的另一個關鍵方面，無論是現在還是未來以去中心化信息為標志的環境。區塊鏈，當與數據存儲機制的使用相結合時，可以幫助IoBT設備及其數據的可用性、保密性和完整性。該團隊研究了使用戰術數據結構作為 "鏈外 "數據存儲機制的潛力。數據結構使數據的發現、治理和消費自動化，使用戶能夠在他們需要的時候和地點訪問數據，而不需要對數據的存放地點有任何了解。數據結構是一種機制，可以將眾多的數據管理源連接在一起，以促進數據的可訪問性--無論其位于何處。這些數據管理源可以是傳統的數據庫、數據湖（IBM 2018），或數據倉庫（IBM 2021）。因此，戰術數據結構可能是一個可行的解決方案，以促進跨作戰人員功能和任務指揮系統的數據訪問（Patel等人，2021）。

這項研究的洞察力與現有的概念重疊，如數據生命周期和國防部的共同決策框架：觀察-定向-決定-行動（OODA）循環。數據生命周期一般有四個階段：數據創建（或生成）、數據閱讀（或消費）、數據更新（或修改）和數據刪除（或歸檔）。這些階段幾乎適用于任何類型系統中的每一種數據。了解在生命周期的每個階段與數據的互動如何影響數據的固有可靠性是很重要的。追蹤數據在這個數據生命周期中的運動提供了數據來源，這使得潛在的數據消費者能夠確定數據的可靠性和有效性。隨著決策者在實施OODA循環框架中使用數據（以及對該數據的下游分析，例如在人工智能的協助下），數據出處的關鍵性變得很明顯。區塊鏈的使用可以提供數據可靠性的內在保證，這反過來又減少了OODA循環的時間，改善了決策。

接下來，該團隊開發了一些通用的系統工程架構，以說明區塊鏈如何解決數據出處并確保這些數據的信任。這個過程確定了從各種用戶（例如，如數據所有者和消費者）到需要的軟件系統，以及數據結構，和Hyperledger Fabric（HLF）網絡（即區塊鏈組件）的各種行為者。此外，可能需要幾個應用編程接口（API）：一個訪問API，一個數據出處API，和一個企業API。利用區塊鏈提供可靠的數據出處的總體重點是提供一種新的方法，運營商可以跟蹤設備和數據的編輯者。

然后通過開發三個用例來擴展這個架構，每個用例都有其特定的架構，這進一步說明了區塊鏈的實施可以如何運作，并評估其效用和局限性。這些用例使團隊能夠探索區塊鏈在驗證用戶、驗證輸入人工智能模型的傳感器數據、限制對數據的訪問以及提供整個數據生命周期的審計跟蹤方面的潛力。

在第一個用例中，我們探討了區塊鏈如何在戰術邊緣促進安全和可信的數據傳輸，以利用遠程火力。第二個用例在更多的操作背景下提供了一個例子，區塊鏈提供了一個審計跟蹤，以實現一個強大的電子健康記錄（EHR），可以在醫療服務的連續過程中的任何點進行訪問。最后，該團隊的第三個用例是管理來自現場傳感器的數據流，并進入人工智能模型，以支持特定類型的情報（例如，用于化學防御工作的測量和簽名情報（MASINT））。這個用例既有業務背景，也有戰略背景，并展示了區塊鏈如何確保輸入人工智能模型的數據是有效和可靠的。

雖然這些用例利用了一個簡化的架構來促進區塊鏈的名義應用，但它還是展示了這項技術在解決或至少緩解當前和未來管理和保護大量數據的挑戰方面的真正潛力。該團隊能夠探索在區塊鏈上和區塊鏈外存儲數據的選項。這些選擇表明，區塊鏈技術如何能夠適應具體情況--不僅是在戰略、作戰和戰術背景下，而且是在各軍種之間，以滿足其獨特的任務需求。未來的聯合部隊在生成和消費數據方面需要精明，這些數據對于確保戰場上的優勢是必不可少的，但在武裝沖突之間的和平時期也是至關重要的，但競爭激烈。

數據分析，或理解數據（包括大數據）的過程正在挑戰當今商業的各個方面。大數據涉及大量的結構化和非結構化數據。數據分析正在以如此快的速度增長，將許多組織拋在后面。能否跟上這種指數級的增長，對于競爭優勢和生存來說非常重要。不僅私營行業受到理解數據需求的影響，美國（U.S.）聯邦政府也受到了關注。各機構被施加壓力，要求立即連接并參與數據分析。因此，聯邦政府在2020年發布了《聯邦數據戰略》，并在2021年進行了更新，呼吁所有聯邦機構加入到進行數據分析的行列中。因此，這項研究是為了了解如何利用數據分析工具來協助優化財政資源分配，以有效管理航空和導彈司令部（AMCOM）G-8資源管理局的運營和維護--軍隊（OMA）資金。通過為員工制定AMCOM G-8資源管理分析學院（AA）數據分析認證計劃，AMCOM G-8在完成聯邦戰略的目標方面取得了長足進步。然而，在將這些數據分析工具有效地部署到AMCOMs資源管理社區方面，可能缺少一個關鍵因素。這項研究將仔細研究工業界在數據分析方面所做的工作，并將他們的工作與AMCOM G-8的工作進行比較，以確定美司令部可能存在哪些機會。

引言

1.1 背景

本研究論文的范圍是探討如何在美國（U.S.）航空和導彈司令部（AMCOM）財務管理界使用先進的數據分析工具，以優化財務資源分配，并做出明智的財務決策。AMCOM是美國防部的一個主要下屬司令部（MSC），由美國陸軍物資司令部（AMC）管理和領導，是四個陸軍司令部之一（美國陸軍物資司令部，2019）。AMC負責通過管理其供應鏈、物流和維持活動為陸軍提供全球物資準備解決方案。作為協助完成AMC目標的MSC，AMCOM的任務是通過開發和快速交付航空和導彈部件；以及校準的物資，為作戰人員（即士兵）提供準備（美國陸軍航空和導彈司令部，n.d.）

由于環境的急劇變化，陸軍正面臨著資源不斷減少的內部斗爭（數據實驗室，2021）。目前，美國正面臨著3萬億美元的預算赤字，而且還在繼續攀升，因為美國陸軍面臨著圍繞一個毫無準備的敵人--全球大流行病的不確定性。Covid-19繼續在土地上肆虐，看不到盡頭。然而，在這種環境之前，美國正面臨著預算的不確定性（數據實驗室，2021）。對美國陸軍司令部來說，在沒有撥款的情況下開始每個財政年度（FY）已經成為一種正常的業務過程（美國陸軍物資司令部，2019）。撥款是一項國會法律，賦予各機構從美國財政部賬戶中支出資金的權力。聯邦政府的財務運作以財政年度為基礎，從10月1日起至9月30日止。AMCOM主要管理國防部五個主要撥款中的三個。這五項主要撥款包括 (a) 研究、開發、測試和評估（RDT&E）；(b) 采購；(c) 運營和維護；(d) 軍事人員（MILPERS）；以及軍事建筑（MILCON）。為了本文的目的，將只關注運營和維護--軍隊（OMA）的資金。美國陸軍司令部執行OMA資金，以支持士兵的招募、組織、裝備和訓練以及裝備的維持（U.S. Army Materiel Command, 2019）。

美國會負責通過年度撥款法案，基本上確定了下一個財政年度的預算（菲爾德，2021年）。當新的國防撥款法案在財政年度開始前沒有通過時，國會必須通過一項持續決議授權（CRA），以避免政府關閉。CRA限制任何和所有新項目的啟動，提供特定時期的持續支出授權，并要求各機構在特定的限制下運作，直到新的財政年度撥款獲得通過（菲爾德，2021年）。由于預算限制，AMC的撥款每個財政年度都在急劇下降；這直接影響了AMCOM的資金能力（美國陸軍物資司令部，2019）。由于執行年度的資源減少，AMC在管理其財務組合方面變得更具戰略性。除了AMCOM，AMC的企業由另外9個MSC組成，如附錄A所示；所有這些MSC都在這個OMA組合中擁有股票。因此，AMC不斷嘗試確定如何將其資源優化分配給各個司令部（美國陸軍物資司令部，2019年）。優化分配是有效分配有限的財政資源，為指揮官提供最大購買力的過程（陸軍助理部長（財務管理和會計），n.d.）。因此，在18財年（如2017年10月1日至2018年9月30日），AMC在陸軍部長（SecArmy）的指導下建立了一個名為 "指揮官問責和執行報告（CAER）"的計劃。CAER是一項財政管理計劃，旨在評估每個司令部的財務健康狀況，以了解其OMA資金的情況。根據負責財務管理和會計的陸軍助理部長（ASA（FM&C）n.d.）的說法，

• 正在改變財務和會計文化，從執行預算的文化轉變為優化指揮官的購買力和使任務準備就緒的文化，同時推動整個企業和下屬梯隊的現代化分析，以更有效地通知各級高級領導和團隊。(第3段)

CAER計劃的衡量標準包括使用九個關鍵績效指標評估每個司令部（陸軍部，2018）。然而，CAER的主要重點包括三個財務領域：（a）在撥款年度，在其到期之前，去掉OMA資金；（b）在批準撥款年度，OMA資金執行不足，一旦資金到期，就會降低軍隊的購買力；以及（c）未收取的可償還資金（被稱為UFCO - 未完成的客戶訂單），沒有從客戶那里收取，以支付當年的賬單（如資金工資支出）。因此，為了防止和/或限制其年度撥款的減少；AMCOM正在努力尋求更好的數據分析的幫助，以充分了解資金是如何通過計劃狀態支付的，并確定數據完整性問題（Smith & Dempsey, 2020）。

1.2 目的陳述

本研究的目的是了解如何利用數據分析工具來協助優化航空和導彈司令部（AMCOM）G-8資源管理局的陸軍運營和維護（OMA）資金的財務管理。

1.3 研究問題

為了充分了解數據分析的許多方面以及如何在AMCOM有效地部署各種工具，必須評估以下問題。

1.什么是數據分析？什么是大數據？

2.為什么數據分析和大數據對改善財務管理很重要？

3.AMCOM八國集團在充分利用這些數據分析工具來優化其財務管理流程方面的接受度如何？

4.AMCOM G-8如何利用變革方法，在資源管理局的日常運作中使數據分析工具制度化？

1.4 概念框架

1.5 研究的重要性

數據分析不僅是陸軍社區，而且是整個聯邦政府的一個重要話題。利用數據分析被寫進了2018年3月的總統管理議程（PMA）中。作為這個新議程項目的結果，第一個聯邦數據戰略（FDS）被確立為企業解決方案，以實現其跨機構優先目標：利用數據作為戰略資產（聯邦數據戰略發展小組，2020年）。為了實現這一目標，組織了一個由來自聯邦政府的50名工作人員組成的聯邦數據戰略開發小組。這個綜合團隊從2018年6月到2019年8月致力于制定一個合適的行動計劃。結果，"聯邦數據戰略2020年行動計劃 "被編入法典。根據《聯邦數據戰略發展小組（2020）》：

• 數據的使用正在改變著經濟、政府和社會。如果聯邦政府不能保持其作為數據的卓越供應商和成熟的道德用戶的角色，它將不再能夠履行其對公眾的公民責任。雖然聯邦政府在許多情況下在開發和提供有關美國和世界的數據方面處于全球領先地位，但它缺乏一個強有力的綜合方法來使用數據來完成任務，為公眾服務，并管理資源（第11頁）。

當考慮到FDS的跨機構優先目標以及陸軍部長的CAER倡議時，這就是為什么AMCOM必須投資于其數據分析過程。自CAER發起以來，AMCOM已經在啟動數據分析工具的使用方面取得了一些重大進展。在19財年，也就是CAER指令下的第一個完整年度，AMCOM成功地將第一個過期年份的債務減少了1800萬美元，UFCOs減少了24%（Smith & Dempsey, 2020）。從歷史上看，這是從來沒有實現過的，如果不嘗試利用先進的數據分析工具和/或方法，AMCOM是無法完成這些指標的。最初，AMCOM創建了一個 "減債儀表板"，以幫助跟蹤上一年的減債情況，并創建了 "出境軍事部門間采購申請（MIPR）工具"，以協助分析項目/計劃的績效，主要關注支付趨勢。然而，這些方法是通過截斷依賴于大量數據提取和高級公式的高級Excel功能而部署的。這兩個工具都是內部制作的（Smith & Dempsey, 2020）。

即使有了這些舉措在AMCOM目前的業務中處于領先地位，AMCOM在21財年仍然被評估了3100萬美元的年中減額（該年的第三次預算削減），其中870萬美元是由于上一年的過度減額（弗里斯，2020）。陸軍有大約60億美元的無資金需求（UFR），基本上是沒有資金的需求，但只承認有大約40億美元的財政資源（Freese, 2020）。隨著時間的推移，內部可用資源的數量隨著司令部執行其資金而發生變化。在年中過程中，AMC決定提供4.11億美元給陸軍以協助UFRs，這導致MSCs從他們的OMA撥款中削減2.7%（Freese, 2020）。然而，這個比例增加到3%，其中包括對司令部的減負稅。減負稅是基于各司令部過去兩年的平均減負額。對于AMCOM來說，這導致了3100萬美元的OMA減額。3%相當于2230萬美元的年中評估，剩余的870萬美元是減負稅評估的結果。評估給MSC的總減額約為5億美元。由于定期和經常性的整體陸軍無經費賬單和其他要求，資源不斷減少；優化資源仍然非常重要（菲爾德，2021）。因此，AMCOM必須采用最好的數據分析策略，以幫助他們解決和/或糾正CAER問題，使收到的每一塊錢都能以最有利的方式使用（陸軍助理部長（財務管理和會計），n.d.）。

1.6 研究方法概述

為了與圖1中描述的概念框架保持一致，該研究試圖將工業界的數據分析進展與AMC的最佳做法和給予其MSC的指示以及AMCOM使用的做法進行比較，以確定改進的機會。這將通過審查已發布的行動指令（OPORD）、指揮部政策（CPs）、其他陸軍指令/備忘錄和行業趨勢，以及收集AMC采用的其他數據分析過程來完成，以協助確定可能的數據進步機會，供AMCOM G-8考慮。

1.7 研究的局限性

發現有幾個局限性，可能會阻礙圍繞這個研究課題的所有相關因素的納入。由于進行這項研究的時間有限，這項研究的進展可能受到阻礙。此外，研究者未被授權進行初級研究，如訪談、調查或研究報告。因此，本研究將依賴于其他研究人員在數據分析領域的觀察以及在文獻回顧過程中發現的二次研究。另一個限制涉及有限的研究領域。定義的研究領域被限制在一個組織內，即航空和導彈司令部G-8資源管理局。

1.8 總結

本研究論文的首要議題是揭示數據分析目前是如何在工業和其他政府機構中部署的，并探討AMCOM八國集團如何利用這些能力來優化其財務管理流程。通過這篇論文，將了解到數據分析的各個層面以及它們的好處。

數字孿生有可能支持設計、建造、運營和維護美海軍部（DON）賴以開展海軍行動的平臺的決策者。然而，由于數字孿生的應用范圍和與之相關的風險仍不清楚，因此關于數字孿生的知識體系很薄弱，這給美海軍部帶來了挑戰。本論文進行了定性的技術評估，以確定采用數字孿生對DON的企業架構的影響。對企業范圍內采用的分析確定了數字孿生在DON的戰略、流程、人員、技術、網絡安全和風險管理方面的機會和風險。數字孿生提供的商業價值主要取決于物理平臺的總風險值和數字孿生同步的度和頻率。

海軍服務是基于平臺的（美海軍部，2020c）。在戰術層面上，海軍行動是由艦艇、飛機和潛艇等平臺進行的（海軍部，2020c）。這些海軍行動是為了履行海軍的持久職能。

海軍對復雜系統的依賴，如艦艇和潛艇，來進行海軍行動，這就要求有效地管理和開發這些產品及其相關的信息。這些產品的開發采用了設計、開發、運行和處置四個階段的過程。這個過程被稱為產品生命周期管理（PLM）。DON開發和維持有效的PLM是至關重要的。沒有足夠的PLM，國防部不可能開發、部署和維持滿足不斷變化的海洋環境需求的平臺。海軍作戰部長（CNO）2021年的NAVPLAN進一步強調了PLM對海軍的重要性。在他對美國海軍的指導中，CNO解釋說，"專業地照顧我們的平臺是我們的DNA"，"維持我們的船舶和飛機對滿足未來的需求絕對是至關重要的"（海軍作戰部長[CNO]，2021，第7頁）。

為了維持所需的PLM，DON必須發現和利用減少不確定性的手段。不確定性限制了決策者在他們管理的產品中避免風險和利用機會的能力。不確定性表現為知識不足的結果（Kramer，1999）。因此，不確定性可以通過決策支持工具來減少，這些工具可以為決策者提供及時和相關的信息，以做出更明智的決策（Kramer, 1999）。數字孿生是一種新興技術，能夠在PLM過程中支持DON決策者。數字孿生是現實世界系統的數字表示（Gartner，n.d.-a）與數字建模等類似概念不同，數字孿生是完全集成的，數據在物理產品和虛擬產品之間雙向常規流動（Grieves & Vickers，2017）。對產品數據的常規捕獲和分析可以支持對物理產品的決策。然而，在DON背景下，采用的好處和風險并沒有明確界定。本論文旨在探討數字孿生如何以及為什么可以在產品生命周期管理（PLM）的背景下被DON采用。

A. 問題陳述

美國防部的運作需要協作、復雜和昂貴的系統。國防部產品生命周期管理（PLM）中的挑戰導致操作能力下降以及財政需求增加。數字孿生有可能幫助國防部克服這些挑戰，保持國防部系統狀態的最新數據，并進行自動數據分析以幫助決策。然而，關于數字孿生的知識體系對國防部來說是一個挑戰，因為整個應用范圍和與數字孿生相關的風險仍不清楚。隨著國防部繼續尋找能夠延長其系統使用壽命的方法，由計算機支持的收集和響應通過數字孿生提供的數據變得越來越可取。因此，需要研究如何在DON企業內采用數字孿生，以及與這種潛在采用相關的商業價值。

B. 目的聲明

本研究的目的是探索如何在國防部內采用數字孿生。這項研究的重點是確定（a）數字孿生對國防部企業架構的影響，（b）采用數字孿生對美國防部PLM的好處和風險，以及（c）數字孿生能夠為國防部提供的商業價值。這項研究的目標很重要，因為美國防部PLM的不足對國防部的運營能力有直接的負面影響。這項研究的結果可以幫助國防部更好地了解如何采用數字孿生，最終目的是改善PLM，從而提供商業價值。

C. 研究問題

• 1.采用數字孿生如何影響海軍部的企業架構？

  • 1.1.業務流程是如何改變的？

  • 1.2.對海軍部的網絡安全有什么積極和消極影響？

• 2.如何采用數字孿生來支持海軍部的產品生命周期管理？

  • 2.1.數字孿生給組織帶來什么好處？

  • 2.2.數字孿生給組織帶來什么風險？

• 3.數字孿生能給海軍部帶來什么商業價值？

  • 3.1.所提供的價值是否值得采用？

D. 論文的組織

本論文又分為四章。第2章是文獻回顧，調查了數字孿生的背景、組成部分和應用。第3章解釋了分析的方法。第4章是基于研究問題的數字孿生的分析。第5章是結論，提供關鍵的見解、建議和未來研究的機會。

執行摘要

隨著海軍引進大排量和超大級別的無人潛航器（UUV），即LDUUV和XLUUV，對增加幾周到幾個月的續航能力的需求和愿望都在增長。延長續航時間是一種必要的能力，使UUV開始承擔核潛艇的一些任務領域。能源效率和存儲能力是延長無人駕駛航行器續航能力首先要考慮的因素。然而，一個次要的、更具挑戰性的因素是無人潛航器系統的可靠性以及其容忍或避免系統故障的能力。海軍需要在改進能源容量、能源消耗效率和關鍵部件的可靠性之外，增加其UUV的續航時間。通過基于狀態的維護（CBM）來解決UUV系統的可靠性問題，將提高UUV的平均故障間隔時間（MTBF）率。提高UUV的平均無故障時間以支持數周至數月的任務持續時間是一個關鍵的能力差距。

本項目的目的是捕捉利益相關者對提高UUV可靠性、可維護性和可用性的需求，然后將這些需求轉化為旨在提高UUV系統可靠性的概念系統的系統需求，即基于狀態的UUV維護監測和預測系統（C-BUMMPS）。C-BUMMPS架構、UUV接口和系統要求將被提出并展示，以滿足利益相關者的需求。具體來說，本項目將開發利益相關者、系統功能和系統非功能要求。開發的架構將包括UUV上的機載傳感、監測和處理元素，以及岸上的測試、數據分析和維護活動，以支持C-BUMMPS。

圖1描述了C-BUMMPS概念的高級運行視圖。按照設想，C-BUMMPS將監測和記錄UUV系統、子系統和組件的性能參數。最初的數據收集將形成機載設備的基線性能概況。在役工程智能體（ISEA）將收集、分析并使用這些數據來形成維護和故障預測算法。當UUV執行任務以及其他測試和訓練操作時，CBUMMPS將持續監測和記錄與環境條件和UUV指揮和控制有關的設備性能。當感覺到異常和非標稱性能時，C-BUMMPS將檢測潛在的問題和故障模式，并與UUV的健康評估一起傳達警報信息。這些信息將被傳達給UUV控制器，并通過衛星通信（SATCOM）轉發給運行中心。運行中心將決定是否繼續或中止任務，并將UUV的健康數據轉發給ISEA。然后，ISEA將分析數據并確定UUV返回時要執行的適當的維護行動。這些維護行動將作為維護指令傳達給維護活動。當UUV仍在航行時，C-BUMMPS提供的早期信息使維護活動有更多的時間來提前計劃和提供維護行動，以便在UUV回港時立即執行。當維修行動完成后，UUV將被測試以驗證維修情況，C-BUMMPS將監測UUV，以添加維修或更換設備后的生命周期性能概況。

圖1. C-BUMMPS運行概念圖。改編自Sutton（2019）。

系統工程方法被用來指導這個項目。一項任務分析有助于在正常的UUV操作范圍內形成C-BUMMPS的任務。該團隊通過查閱文獻和與利益相關者的互動收集數據和信息。對利益相關者需求的評估產生了一份利益相關者需求清單。然后進行了需求分析和UUV子系統故障模式分析，以確定潛在的C-BUMMPS系統需求。

該項目采用了數字建模工具，并利用基于模型的系統工程（MBSE）方法，從系統、運行和能力的角度提出C-BUMMPS架構。這包括高層次的操作概念圖（OV-1）、資源流（SV-2）、運行活動（OV-5b/6c）、功能塊圖以及數據和信息流圖。最后，將提出一套系統要求，并可作為未來C-BUMMPS的工程建議。此外，還將提供用于本項目的MBSE模型，該模型是在Innoslate中開發的。本項目的系統工程產品可以作為未來在UUV上開發和實施CBUMMPS的一個工程框架。

摘要

新興的機器學習（ML）解決方案旨在通過提高平均無故障時間來預測和預期資產故障的可能性，使新的維護策略能夠降低綜合后勤支持成本。本文介紹了一種新型的預測性維護方法，它可以優化維護計劃，從而優化整個系統的生命周期成本。

此外，隨著北約越來越多地參與部署行動，今天有必要將注意力集中在可用性和任務可靠性上，其中飛機在任務期間的操作可用性是整體可用性的一個重要方面。

在這里，我們提出了一種混合ML方法，通過最大限度地提高飛機的可用性和最小化維修需求及相關的停機時間，來增加預測的可靠性和改善總的生命周期成本。這種創新的方法優化了北約物流中影響物流足跡和維護過程的主要操作差距，通過改善整體系統性能和提高整個在役期的系統可靠性。此外，這種方法允許客戶估計資產的實際剩余工作時間，通過提前管理其可靠性風險和異常情況，大大減少意外停機時間。

總之，這一策略的應用為決策者提供了一個更可靠和實時的實地軍事資產的物流態勢感知。

關鍵詞：預測性維護、機器學習、態勢感知、決策、物流、可用性

1.0 引言

如今，大量的在役后勤數據（來自傳感器或遺留的信息后勤系統）也可以在國防領域使用，從生命周期成本的角度來看，學習模型技術可以應用于這些數據，并取得有趣的結果。

在航空領域，人工智能已經奠定了基礎，通過減少維修工作時間來保證資源優化和后勤能力的提高，對維修成本產生直接影響。

事實上，建立最佳的維修調度需要來自模塊和子模塊（以及它們的組合）的基本參數信息，而且是超時。

本文介紹了一種基于機器學習技術的新型預測性維修方法，用于改善軍用飛機在役后勤保障流程，其主要目標是：

• 提高平均故障間隔時間（MTBF）

• 提高后勤KPI預測的可靠性

• 減少維修支持成本/工作時間

本文特別介紹了三種基于監督機器學習算法的不同預測性維護方法，每種方法都來自意大利空軍（ITAF）的維護修理和大修（MRO）單位所經歷的真實問題：

用例1：智能飛機異常分析，重點是支持維修人員使用自然語言處理（NLP）方法解決新提出的異常情況

用例2：飛機機隊可用性的提高，重點是估計飛機的剩余飛行時間，以提高飛機機隊的可用性

用例3：發動機試驗臺（ETS） 數字雙胞胎也被稱為數字復制品，已將技術帶到新的有趣的場景。這個用例的重點是在模擬環境中使用深度學習方法減少特定發動機可能遭受的ETS的數量。

1. 簡介

機器學習（ML），從廣義上講，是一類自動優化參數以處理給定輸入并產生所需輸出的計算機算法。ML的一個經典例子是線性回歸，據此找到一條最適合（通過）一組點的線。最近的一個例子是分類任務，如用 "貓 "這樣的單字來標記一張百萬像素的圖像。

對于許多應用，ML完成了人類可以做得同樣好的任務。然而，ML在兩種情況下大放異彩：1）任務的數量巨大，例如數百萬；2）問題的維度超出了人類思維的理解。一個簡單的例子是同時實時監控成千上萬的安全攝像頭，尋找可疑的行為。也許一個ML方法可以發現異常事件，并只與人類觀察者分享這些視頻片段。更好的是，異常圖像可以被暫時貼上諸如 "1號入口處的蒙面入侵者 "之類的標簽，以幫助保安人員只關注相關的信息。

除了減少人類的負擔外，ML還可以將人類可能無法識別的復雜的相互聯系拼湊起來。例如，一個ML算法可以發現，在一百萬個銀行賬戶中，有五個賬戶的交易似乎是同步的，盡管它們沒有相互發送或接收資金，也沒有向共同的第三方發送或接收資金。

鑒于手持和固定設備的計算資源不斷增加，我們有必要想象一下，ML可以在哪些方面改變戰爭的打法。當然，ML已經對美國陸軍的科學研究產生了影響，但我們也可以很容易地想象到自主車輛和改進的監視等作戰應用。

本文件的主要目標是激勵美國陸軍和美國防部的人員思考ML可能帶來的結果，以及為實現這些結果，哪些研究投資可能是有成效的。

5. 使用機器學習的ARL研究

在ARL的許多研究項目中，機器學習目前正在被使用，或者可以被使用。我們列出了一些使用ML或可能從ML中受益的研究項目。我們列出的與ML相關的ARL研究工作絕非完整。

6. 軍隊作戰應用

雖然從技術上講，機器學習自19世紀初高斯發明線性回歸以來就一直存在，但我們相信，ML的最新進展將以我們目前無法想象的方式影響軍隊。在本節中，我們概述了我們認為將得到加強的軍隊行動的許多領域，以及可能采用的ML方法的種類。

6.1 軍事情報

軍事情報包括信息收集和分析，因為它涉及到指揮官做出最佳決策所需的信息。由于收集的數據量越來越大，處理必須自動化。需要考慮的主要問題是數據的數量、速度、真實性和多樣性。大量的數據（又稱大數據）需要在許多計算節點上對數據進行智能分配。速度要求快速計算和網絡連接到數據流。真實性是對信息來源和異常檢測的信任問題。多樣性相當于使用許多不同的ML算法的不同訓練模型的應用。我們在本小節中概述了不同類型的數據和分析要求。

6.1.1 自然語言處理

讓計算機從從各種媒體來源收集到的大型文本數據庫中提煉出重要的概念和文本部分，有很大的好處。最近報道的另一個ML突破是不同語言之間的精確文本翻譯。 軍隊的一個獨特挑戰是翻譯不常見的語言，因此專業翻譯人員較少。在人工通用智能（AGI）領域，一些團體聲稱，自然語言處理將是類似人類認知的基礎。

6.1.2 數據挖掘

鑒于人類、傳感器和代理產生的數據的激增，一個很大的問題是，除了證明其收集的直接用途之外，這些數據還包含什么剩余價值。數據挖掘可以是統計學和機器學習的努力，以發現數據中的模式，否則人類操作者就會錯過。

6.1.3 異常檢測

傳統上，異常檢測是通過首先識別已知數據的群組和描述數據的分布來進行的。然后，當新的輸入被處理時，它們被識別為屬于或不屬于原始分布。如果它們在已知分布之外，就被認為是異常的。以下許多類型的異常檢測系統可能對軍隊有用。

• 網絡入侵檢測：超出常規的網絡流量。McPAD和PAYL是目前使用的軟件中的2個這樣的例子，它們使用了異常檢測。

• 生活模式異常：人們的視覺和生物統計學上的行為方式與常人不同，表明他們可能正在進行一些對抗性行動。

• 基于條件的維護：在當前生命周期中，材料/系統在其年齡段不典型的信號。

• 士兵異常：有理由相信士兵的生物識別技術不正常。

• 異物檢測：在已知物資數據庫中無法識別的物體的視覺效果。

6.2 自主性

6.2.1 自動目標識別

自動目標識別（ATR）是一個非常成熟的領域，已經使用機器學習幾十年了。

1）目前深度學習的進展將在多大程度上增強ATR？

2）更復雜的算法是否需要更復雜/更耗電的機載計算？

3. ML是否能對目標的各種欺騙性的混淆行為具有魯棒性？

4. 強化學習在多大程度上可以用來進行實時軌跡調整？

6.2.2 機器人學

機器學習在機器人學中的應用也是一個巨大的領域。ML應用領域包括傳感、導航、運動和決策。目前，傳感將從計算機視覺的所有進展中受益。導航，除了使用標準的GPS之外，還可以從自我運動中受益，也就是基于自身感知的運動估計。運動可以被學習，而不是規劃，這不僅會導致更快的開發時間，而且還能在新的環境或受損的模式下重新適應（例如，失去四條腿中的一條）。最后，隨著機器人的數量超過人類操作員的數量，機器人將有必要自行決定如何執行其規定的任務。它將不得不做出這樣的決定："由于電池電量不足，我是否要回到大本營？"或者 "我是否繼續前進一點，然后自我毀滅？"

6.2.3 自愈性

除了機器人技術，人們最終希望任何系統在損壞或不能滿負荷工作時能夠自我糾正。這需要在某種程度上的智能，以自主診斷缺陷和問題，并利用其可用的資源糾正這些問題。

6.2.4 倫理

在通過機器學習來學習自主權的情況下，問題將是："自主系統將如何應對X情況？" 這里的問題是，對于一個擁有潛在致命武力的系統，我們怎么能確定它只會正確合法地使用武力？我們推測，在機器學習的算法擁有使用致命武力的實際能力之前，必須對其進行廣泛的測試，即使它與人類的環形決策相聯系。

6.3 通過玩游戲來訓練智能代理

近年來，大量的研究都在研究使用機器學習來自主地玩各種視頻游戲。在某些情況下，報告的算法現在已經超過了人類玩游戲的水平。在其他情況下，仍然存在著處理長期記憶的挑戰。對于美國空軍來說，智能代理已經成功地在以戰斗為中心的飛行模擬器上進行了訓練，這些模擬器密切模仿現實生活。陸軍的問題包括以下內容。

• 智能代理能否附加到機器人平臺上？

• 智能在多大程度上可以通用于處理現實生活與視頻游戲中遇到的各種情況？

• 當我們可能不理解一個訓練有素的代理的邏輯時，我們能相信它的行動嗎？

• 代理在多大程度上能夠與人類合作？

6.4 網絡安全

在過去的十年里，機器學習在網絡安全方面發揮了不可或缺的作用。具體來說，ML可以用于異常檢測，檢測已知威脅的特定模式，并辨別網絡行為是否可能由惡意代理產生。隨著該領域的不斷加強，問題是ML是否能使安全比對手領先一步，因為對手可能利用ML來混淆檢測。

6.5 預測和結構健康監測

一個長期的設想是，軍隊使用的每一個機械系統都有一些關于系統當前和預測健康的內部感應。相關問題如下。

• 我們能從有限的傳感器中辨別出一個系統或系統組件的當前健康狀況嗎？

• 機載ML能否預測一個系統或系統部件在暴露于特定環境或彈道侮辱之后的健康狀況？

6.6 健康/生物信息學

6.6.1 序列挖掘

隨著基因組序列的數量繼續呈指數級增長，比較在現場獲得的序列所需的計算工作可能變得無法管理。機器學習可以通過對序列進行不同層次的分類來減少必要的比較。

6.6.2 醫學診斷

93 近年來，機器學習已經在檢測各種組織中的惡性腫瘤方面取得了長足的進步。94 它同樣可以被用來描述創傷或創傷后應激障礙（PTSD）95，并制定治療計劃。

6.7 分析

陸軍的一個重要組成部分集中在對行動、系統、研究和測試的分析上。傳統上，分析人員使用大量的工具，包括機器學習，以多維回歸、聚類和降維的形式。隨著深度學習的出現，一套新的工具應該是可能的，可以更有效地處理需要更復雜模型的大型數據集。例如，應該有可能從測試期間拍攝的視頻流中提取特征和物理屬性，這可能超過目前的標準做法。

6.8 機器學習的其他用途

• 自適應用戶界面（AUI）和情感計算。ML可以用來確定用戶的心理和/或情緒狀態，并提供適合這種狀態的界面。此外，可變的AUI可以服務于用戶的變化。例如，一些用戶可能喜歡音頻反饋而不是視覺反饋。

• 推薦系統。最流行的推薦系統之一是根據以前看過的電影的評分來選擇用戶想看的下一部電影（例如，所謂的 "Netflix問題"）。對于軍隊來說，可以根據以前的使用情況和庫存核算的反饋來推薦后勤補給的情況。

• 搜索引擎/信息檢索。傳統上，搜索引擎返回文件的 "點擊率"。新的范式是以簡明的形式回答用戶的問題，而不是簡單的模式匹配。

• 情感分析。社交媒體上的流量和對環境進行訓練的各種傳感器不僅可以檢測關鍵的關鍵詞或特定物體的存在，還可以推斷出可能的攻擊的可能性。

• 有針對性的宣傳。傳統上，宣傳是通過散發傳單來完成的，如今，宣傳可以通過社交媒體來傳播。ML的角度是如何以最有說服力的信息向正確的人口群體進行宣傳。此外，重要的是快速檢測和顛覆來自對手針對我們自己的人員/人民的宣傳。

7. 機器學習的研究差距

本研究的目標之一是確定當前研究中的差距，這些差距可能會限制ML在軍隊研究和行動中的全部潛力。本節借用了ARL運動科學家Brian Henz博士和Tien Pham博士（未發表）的戰略規劃工作。

7.1 如何將軍隊的數據/問題納入當前的方法中

傳統上，在一個特定領域采用ML的一半戰斗是弄清楚如何適應現有的工具和算法。對于陸軍所面臨的許多問題來說，這一點更為突出，與其他學術、商業或政府用途相比，這些問題可能是獨一無二的。任何數據分析員面臨的第一個問題是使數據適應他們想要使用的統計或ML模型。并非所有的數據都使用連續變量或者是一個時間序列。離散/標簽數據的管理可能非常棘手，因為標簽可能不容易被轉換成數學上的東西。在自然語言處理中的一個例子是，單詞經常被轉換為高維的單熱向量。另一個例子可能是如何將大量的維修報告轉換為對某一特定車輛在一段時間內的表現的預測。

此外，陸軍的要求超出了典型的商業部門的使用范圍，不僅需要檢測物體和人，還需要檢測他們的意圖和姿態。這將需要開發新的模型。另一個大的要求是可解釋性，正如DARPA最近的一個項目所概述的那樣：是什么因素導致ML算法做出一個特定的決定？在一個真實的事件中，如果一個ML算法在沒有人類驗證的情況下宣布一個重要目標的存在，我們能相信這一決定嗎？

7.2 高性能計算

隨著對計算要求高的ML任務的設想，開發人員正在使用多線程、并行和異構架構（GPU、多核）來加快計算速度。ML的分布式實現遠不如GPU版本常見，因為分布式計算中的節點間通信存在固有的網絡瓶頸，而且在單精度浮點性能方面，GPU相對于CPU有很大優勢。除了目前對GPU的強烈依賴，生物啟發式神經計算旨在尋找非馮-諾伊曼架構來更有效地執行ML，并可能更快。這方面的一個例子是IBM的神經形態芯片。97 未來的研究應該關注如何分配ML處理，使節點之間的網絡通信最小化。另外，像聚類這樣的無監督學習算法在多大程度上可以被映射到神經網絡中？

其他需要考慮的事情。

• 目前的ML軟件（特定的神經網絡）在一個小型的GPU集群中表現最好。

• 大多數基于非神經網絡的ML算法的并行性不高，或者根本就沒有并行。

• 另一個軍隊的具體挑戰是分析基本上沒有標記的數據集（例如，用無監督學習）。手動標注集群將是一種半監督學習的形式。

7.3 獨特的尺寸、重量、功率、時間和網絡限制因素

隨著進入偏遠地區或任何遠離基地的地區，軍隊必須限制系統的尺寸、重量和功率。此外，在 "激烈的戰斗 "中，時間是關鍵。例如，人們不能在遭到槍擊時等待作戰模擬的完成。最后，在其他商業發射器占主導地位的地區，或者在限制無線電通信以提高隱蔽性的情況下，網絡帶寬可能會受到很大限制。

在這種倍受限制的環境中，機器學習將需要有效地進行，而且往往是以一種孤立的方式進行。截然相反的條件是使用大型數據庫訓練大型神經網絡，這往往是最先進的機器學習功力的情況。商業部門正在開發自動駕駛汽車，據推測將使用低功耗的計算設備（如現場可編程門陣列、移動GPU）進行自主駕駛、道路/障礙物檢測和導航。然而，陸軍將有更多的要求，包括自主傳感器和執行器、態勢感知/理解、與人類的通信/合作，以及廣泛的戰場設備。這將需要多幾個因素的計算能力和特定算法的硬件，以實現最佳的小型化和低功耗。

7.4 用雜亂的或欺騙性的數據訓練/評估模型

在混亂的環境中，操作環境預計會有比通常密度更高的靜態和動態物體。此外，人們完全期待主動欺騙以避免被發現。我們也希望能夠開發出足夠強大的算法，至少能夠意識到欺騙，并相應地調低其確定性估計。

7.5 用小的和稀疏的數據訓練一個模型

基于CNN的目標分類的突破可以部分歸功于每個物體類別的成千上萬個例子的可用性。在軍隊場景中，某些人和物體的數據可能是有限的。人們最終將需要one-hot99或multishot分類器，其中幾個有代表性的數據條目就足以學習一個新的類別。到目前為止，最好的選擇是 "知識轉移"，通過調整以前訓練的模型的所有參數的子集來學習新的類別。我們的想法是，由于需要優化的參數較少，修改這些參數所需的數據也較少。

7.6 專門針對軍隊相關目標的訓練模型

即使對于我們可以產生大量圖像的目標類別（例如，友好物體），我們也需要訓練自己的模型，以便從每個類別的潛在的數千張圖像中識別軍隊相關類別。軍隊還使用商業車輛中通常不存在的其他傳感模式（例如，熱能和雷達）。因此，需要為這些非典型的傳感設備訓練模型。從根本上說，非典型傳感設備可能需要新的神經網絡拓撲結構以達到最佳的準確性和緊湊性。

7.7 將物理學納入推理中

一個值得研究的有趣領域是將模型和模擬與機器學習相結合。有很多方法可以做到這一點。例如，ML可以用來推導出模擬的起始參數。此外，ML還可以用來處理模擬的輸出。一個耐人尋味的新領域是開發基于物理學或類似物理學的模擬，使用類似ML的模型/方程。一個這樣的應用是預測 "如果？"的情景。例如，"如果我跑過這棵樹呢？接下來會發生什么？"

7.8 軟人工智能

機器學習在傳統上被認為是人工智能的硬性（即數學）表現形式。有可能最終，所有的人工智能任務都會被簡化為數學。然而，就目前而言，一些智能任務似乎更多的是基于推理或情感。對于之前描述的方法中的任務，ML并不能充分解決以下軟性人工智能的特點。

7.8.1 類似人類的推理

人類并不總是完全按邏輯推理，但他們也有能力將不完整的信息拼湊起來，做出 "最佳猜測 "的決定。幾十年來，對這種行為進行編碼一直是一個挑戰。

7.8.2 情感

情緒似乎是驅動人類達到某些目的的動機/目標功能。例如，快樂可能會導致不活動或追求生產性的創造力。另一方面，恐懼則可能會導致忍氣吞聲。計算機是否需要情感來更有效地運作，還是說它們最好擁有100%的客觀性？這既是一個哲學問題，也是一個未來的研究方向。不過現在，毫無疑問的是，在人與代理人的團隊合作中，計算機需要準確地解釋人類的情感，以實現最佳的團體結果。

7.8.3 社會交流

與人類的互動性是陸軍研究未來的首要關注點。一個類似的問題是，不同的計算機系統之間如何進行交流，而這些系統不一定是由同一個實驗室設計的。研究的一個領域是用計算機來教那些在這方面有困難的人進行社會交流。 再一次，對于人與代理的合作，代理將需要能夠參與社會互動，并在人類的陪伴下遵守社會規范。

7.8.4 創造性

創造力通常被認為是隨機合并的想法，與新的元素相結合，由一個鑒別功能決定新創造的項目的功能和/或美學。在某些方面，創造力已經被某些計算機實驗室所證明。例如，為了設計的目的，計算機可以被賦予某些方面的創造力。

7.8.5 通用智能

人工智能的最終目標是將許多狹義的智能算法合并成一個統一的智能，就像人類的頭腦一樣。75鑒于許多狹義的人工智能任務已經比人類的某些任務要好，即使是早期的所謂人工通用智能（AGI）也可能具有一些超人的能力。AGI的一個主要目標是將目前由人類執行的某些任務自動化。

7.8.6 人工超級智能

如果不提及許多哲學家的猜測，機器學習將最終能夠改進自己的編程，導致能力的指數級提高，也許會遠遠超過人類智能，那么機器學習的研究就不完整了。這些設想既是烏托邦式的104，也是烏托邦式的105。希望超級智能能夠解決世界上的許多問題。

8.結論

在這項工作中，我們回顧了機器學習的不同類別，并描述了一些更常用的方法。然后，我們指出了一小部分關于ML在ARL中的應用的例子。最后，我們預測了ML在未來可以應用于軍隊的各個領域，并概述了為實現這一結果需要解決的一些挑戰。我們希望這份文件能夠激勵未來的研究人員和決策者繼續投資于研究和開發，以充分利用ML來幫助推動美國陸軍的發展。

摘要

在工業資產運行過程中出現的異常情況可能表明存在退化和故障，隨著時間的推移，會導致不期望的行為、運行條件的喪失以及系統的最終崩潰。預測性維護技術負責監測系統的狀態，以便在初始階段對這些異常情況進行檢測，從而以最佳方式安排維護任務。本文介紹了一種基于機器學習的人工智能技術的海軍資產預測性維護解決方案。為此，使用了由船舶實時收集并通過控制中心傳輸的傳感器（溫度、壓力等）的信息。所開發的系統（SOPRENE）能夠從我們軍艦上的發動機的歷史數據中預測不同的故障模式或異常運行狀況的發生。此外，該系統的使用可擴展到大型艦隊，該解決方案已使用Spark分布式環境來實現，以促進預測的分布式計算。

簡介

維護成本是工業運營成本的一個重要部分。在某些情況下，如在冶金行業，這些成本可以達到總生產成本的15%-60%。此外，其中三分之一的投資由于不必要的或不正確的活動而被浪費。然而，維護是至關重要的，因為系統的故障會導致巨大的財務成本。

在過去，由于不可能處理大量連續的數據流，所以在很多情況下，只能使用統計技術。然而，今天的預測性維護則遵循更先進的理念：

與其依靠這些行業統計數據（如平均故障間隔時間）來安排維護活動，不如對系統進行實時監測，以確定其狀態和真實狀況。目前的計算能力允許處理更多的數據，以及使用更復雜的技術來進行預測、檢測異常情況和對系統進行可能的診斷。因此，預測性維護可以理解為基于系統的當前狀態或條件以及根據運行歷史進行的未來預測的預防性維護。

這項研究工作介紹了在SOPRENE項目中開發的預測性維護系統在海軍艦艇發動機上的應用。擬議的系統已經分析并使用了分布式環境中的機器學習技術。在這個意義上，所考慮的方法論可以根據Ran等人的說法來劃分。

圖3-1. SOPRENE解決方案架構：從數據預處理到訓練和操作