美国海军数字军种建设案例与启示

导读：美国海军“数字工程转型”战略重点从数字模型构建应用、数字资源管理授权、融合应用创新技术、数字生态环境建设以及数字文化与建设几个方面推进工作。美国海军水面系统司令部作战中心发布的《水面作战：竞争优势》则强调建立数字基础设施(Digital Infrastructure)、数字平台(Digital Platforms)和新流程。本文通过几个应用案例，展示美国海军数字军种建设的发展方向和发展水平，为我国海军相关领域建设提供参考。

利用数字化平台掌握舰队备战情况

“战备分析和可视化环境”Readiness Analytics and Visualization Environment(RAVEN)平台是美国海军众多数字转型工作的一部分，由海军舰队战备指挥部投资，旨在创建联邦数据环境，为项目执行办公室、舰队战队指挥部提供战备数据显示，并统一用于系统运行测试的数据来源。

图注：战备分析和可视化环境(RAVEN)早期开发宣传文件

RAVEN将分散的、烟囱式的数据源整合到一个数据环境中，以便NAVWAR领导层能够查询，该应用程序提供了一个整合、全面的视图，提供了整个舰队的准备情况。可以使用RAVEN数据来帮助了解拥有行政控制权的所有海岸司令部的人员配备、培训和装备物资准备情况，从而避免手动汇总和手动进入不同的数据库。

美国海军的战备分析和可视化环境(RAVEN)平台已于2020年实现全面作战能力，标志着海军关键战备数据环境初步建成成功。该平台提供了36个数据库，可显示人员、训练和装备物资等战备情况的清晰画面。

利用数字孪生模型改善信息战能力

数字化将提高杀伤力、融入新技术并改善信息战能力。数字化目标始于技术基础设施，美国海军强调需要建立数字化的基础设施，包括舰艇、潜艇和作战中心等，确保计算机基础设施、通信基础设施、网络基础设施准备就绪，以便在新威胁或新机会出现时迅速注入新能力。

为了实现其技术目标，美国海军正在更多地利用数字孪生等建模方式的研究与应用力度。2020财年，美国海军信息战系统司令部(NAVWAR)完成其首个数字孪生模型“数字林肯”(Digital Lincoln)，该系统使用NAVWAR基于模型的系统工程(MBSE)方法开发，为林肯号航母上五个互连系统提供虚拟镜像，包括DCGS-N、NITES-Next、MTC2、GCCS-M以及ACE。除了开发这些系统的数字孪生模型，数字林肯还提供了用于开发未来数字模型的标准化格式，为升级留出空间。

图注：NAVWAR工程师审查数字模型草案

通过开发这些系统的数字模型，美海军信息战系统司令部(NAVWAR)能够在系统安装之前确定能力差距和需求重叠之处。“数字林肯”使海军只使用一个系统就能解决重叠的需求，从而减少了带宽使用，这在带宽降级的环境中非常重要，有助于大型舰队整合更全面的能力。

数字孪生的发展标志着美海军正由从传统的“设计-构建-测试”方法向“模型-分析-构建”方法的转变，预计这一转变将提高系统可靠性和网络安全性，同时减少战士所面临的风险。

海军水面舰队建造数字基础设施以驾驭人工智能

美国国防部已经将先进的人工智能和机器学习技术确定为赢得未来冲突的关键组成部分。为了跟进这一策略，美海军水面部队也开始着手打造可在竞争环境中利用人工智能(AI)和机器学习(ML)技术的数字基础设施，以寻求在维护保障、杀伤力、管理等方面应用AI。

无人水面载具是美海军正在追求的几种易于使用人工智能的新能力之一。根据一份题为《海军大型无人水面和水下运载工具：国会的背景和问题》的国会研究处报告，自主作战所需的技术——如人工智能——将是美海军无人能力的关键。目前多个无人平台及其配套数字基础设施正在开发中，以利用人工智能和机器学习可以提供的能力，包括海上猎人/海鹰(Sea Hunter/Seahawk)中排量无人水面艇、霸主无人水面艇(Overlord Unmanned Surface Vessel)、大型无人水面艇(LUSV)、中型无人水面艇(MUSV)以及大排量无人潜航器(LDUUV)等。美海军海洋系统司令部无人和小型战斗舰艇项目执行官少将凯西·莫顿表示，这些技术很可能在未来渗透到部队中。

图注：大型无人水面艇Ranger穿越太平洋参加“环太平洋2022”演习

数字孪生计划帮助海军将数据转化为CBM系统

为美国海军保持舰队战备状态需要高水平的规划，这涉及大量不同类型和质量的数据。困难的是，数据本身并不能指出更好的维护和维持方法。因此，收集适当的数据集，结合领域知识对其进行整合和分析，并制定可执行的行动计划的一揽子能力是使维持更加有效的战备活动所必需的。

数字处理和数据科学是实现基于状态的维护(CBM)策略的关键。这种系统能够快速评估和了解当前和此后不断发展的设备状况。此外，它将提供更快、更准确的异常检测和纠正、使用寿命预测、使用驱动的设备评估和性能风险管理。数字孪生技术的出现带来了高效的CBM方法。它使资产的虚拟模型能够从物理资产上的传感器获得实时数据，然后使用模拟、机器学习和推理来帮助预测该资产在其整个生命周期中的表现以及受硬件和操作变化的影响。

目前美国国防部应用商业技术进行维护(CTMA)的一个项目正致力于开发这样一个基于条件的维护程序，美国海军水面作战中心费城分部(NSWC PD)为其提供了一个试验台——海军“哈珀斯·费里”级船坞登陆舰LSD 49的推进传动系统的主要部件。通过这一组小型分立元件，该项目的行业合作伙伴美国航运局(ABS)建立起数据收集和预处理的实践范本，建模并演示如何开发和实施用于机械健康监测的数字孪生。此外，ABS还定义了为机械设备构建数字孪生的关键维度。这一演示可以为同级别的其他舰船以及其他级别的海军水面舰艇指明方向。

图注：利用数字孪生技术对舰船进行基于状态的维护

在项目开始时，美海军向ABS提供了LSD 49推进传动系统的现有数据集。这包括业务数据例如计划维护记录、故障事件等，和传感器时间序列数据例如海军综合状况评估系统(ICAS)数据等。ABS利用这些数据集开发了一种方法来进行全面的数据质量评估，开发了检测早期异常的模型和实施数字孪生的框架。他们建议使用开源和商业平台的组合，如微软蔚蓝政府云(Microsoft Azure Government Cloud)。然后展示了正确的数据预处理方法如何确保数据的保真度和完整性，从而实现准确的后续分析。

最后，ABS开发了一套算法来检测传动系统中早期故障的早期迹象。这项工作已经形成了一个机械数字孪生的基础。它需要使用关于传动系统的物理知识的高级分析、来自检测异常的传感器的数据输入，以及机器学习来训练系统去寻找工作目标。在项目完成时，交付了进一步开发和实施机械数字孪生的蓝图。

通过数字孪生技术，确定了建立精确的基于条件的监控系统的关键要素，该系统能够预测性地识别合规风险因素，并实时检测有可能导致推进传动系统意外故障的初始异常。提前获得详细、可行的信息是每个海军人员的目标，因为这可能意味着完成预定任务和一动不动地被困在海上的区别。

部署人工智能数据分析技术以优化战舰维护问题

人工智能和机器学习对于美海军的新维护计划“基于条件的维护增强版(Condition-Based Maintenance Plus，CBM Plus)”也至关重要。“Plus”指的是人工智能和机器学习等尖端技术的加入。

上一例中提到，美海军已经在传感器技术的帮助下进行基于条件的维护，但还没有充分利用海上船只的人工智能、机器学习和数据分析等更先进的能力。保持船只在海上及其系统和子系统的功能对于海军战备至关重要。为了应对这一挑战，美海军将在战术边缘部署新技术，可以在船只航行时出现意外问题之前警告水手。

美海军官员表示，随着美军在印太地区和其他地方与Z国竞争，是时候利用新的能力来帮助维持和创造战备状态更好的战舰了。《水面作战：竞争优势》指出，应“利用数据分析的力量来预测维护和现代化需求，然后转化为定义明确、执行良好的工作包……以及继续改进海军的备件流程，以包括那些应该上船的备件”。

美海军计划建立的架构将把人工智能和机器学习应用于传感器收集的信息，然后利用数据分析的力量实现预测性维护，这样水手就可以“远离故障”。这种技术将帮助他们找出如何保持设备运行更长时间，并提高系统级别的操作可用性。

在2022年晚些时候，这项技术的第一阶段将在DDG-51驱逐舰上启动，作为验证其实用性的测试案例。该计划将从依赖基于日历的维护模式转变为基于舰载传感器和算法的设备健康状况评估模式。这些能力将告诉SKED何时触发预防性维护检查(注：SKED是目前用于计划、安排和执行船上维护的程序)。通过利用这些更先进的分析和预测工具，水手们可以采取行动，以防止计划外的停机时间，并使他们的战舰保持战备状态更长时间。如果设备必须离线才能解决问题，那么它的停机时间将比没有该项技术时更短，因为问题可以在系统灾难性故障之前得到解决。

图注：DDG-51驱逐舰

DDG-51驱逐舰上至少有九个关键系统将成为试点工作的一部分，该型舰是目前舰队中数量最多的战斗部队级舰艇。美海军希望在未来的一年半到两年内，这项技术在战术边缘水面舰艇上的应用上取得实质性的进展。

这项技术不仅仅适用于水面舰艇。它可以用于潜艇或其他平台，甚至适用于整个海军部，这只是一个如何将系统纳入进来的问题。然后是如何使用收集的数据，并创建CBM Plus环境。目前，该项技术已经是星座级护卫舰设计规范的一部分。

图注：CBM Plus

尽管为CBM Plus设计的初始算法是由美国海军数据科学家开发的，但该军种希望得到承包商的帮助，以便他们可以将自己的人工智能和机器学习工具集成到部队中。承包商在帮助该军种实现其愿景方面发挥着关键作用。因为在人工智能方面，工业界“远远领先于”海军。

AI任务组推动企业数据环境建设实现海量数据分析

在美国海军能够大规模应用人工智能和机器学习的远大目标完全实现之前，还有很长的路要走。为了加快进度，美海军要求未来10年重点推进Hopper机器学习计划，设计一个数字基础设施路标，推动海军数字化转型。Hopper任务组于2021年10月成立，由水面舰队中关注采纳AI/ML技术的人员组成。美海军水面部队指挥官罗伊·基奇纳(Roy Kitchener)中将在2022年1月份发布的战略指南《水面作战：竞争优势》中强调了这支任务工作组。这份战略指南文件指出，“随着战争和信息日益相互关联，水面海军将需要更新的数字基础设施，以在以算法战、网络中心作战和复杂计算为特征的未来作战环境中保持竞争力。”

Hopper工作组负责人皮特·金(Pete Kim)上尉表示，该小组正在“努力确保海军的数字基础设施能够快速扩展人工智能”，并已形成一份为期10年的行动项目清单。

图注：皮特·金(Pete Kim)曾任提康德罗加级导弹巡洋舰普林斯顿号(USS Princeton，CG 59)指挥官

尽管取得了一些早期进展，但美海军在实施人工智能方面仍然面临挑战，例如，海军并没有为它可能想要追求的每一种人工智能项目提供企业级服务架构。就像造船厂生产船只需要某种基础设施来训练人工智能模型一样，海军需要在军种范围内提供对这些工具的访问。但是目前，为人工智能技术进行数据基础设施投资不是那么容易。很难向资源赞助方解释从中能获得什么样的投资回报。

如果想要扩大技术的应用面，就需要摆脱那些把人工智能贴死在导弹上的热炒话题。美海军希望通过使用人工智能，在维护、致命性和行政使用案例方面取得重大进展。例如当前，与访问和生成高质量数据相关的挑战正在减缓海军的技术进步。而人工智能通过结合数据和算法来工作，通过分析数据集中的特定模式和特征，机器学习的算法可以被训练来完成广泛的任务——从提醒水手注意维护问题，到更快地识别感兴趣的敌方物体。

皮特·金指出，一艘海军军舰每天都会产生大约115TB(terabytes)的剩余数据，其中大部分来自传感器。而目前只有一小部分数据是可用的。

为了充分利用海军收集的大量信息，美国海军部于2020年推出了一个名为Jupiter的企业数据环境。Jupiter基于美国国防部的数据分析工具Advana，通过提高数据的可发现、可访问、可理解和可使用程度，帮助海军将每天的数据转化成海军可作为行动依据的见解、决策。Jupiter有数据仓库工具和所有需要可视化数据和创建人工智能模型的应用程序，如果有人正在从事一个项目，并且正在寻找某些数据集，他们不会因为找不到或不可用而停滞不前。随着更多更先进的人工智能模型的建立，Jupiter将不仅仅是一个传感器数据源，它将具有更多意义。

美国海军部分析主管邓肯·麦卡斯基尔(Duncan McCaskill)表示，Jupiter中的数据可以用于从任务管理到作战能力的各类应用中，其中包括“超越”计划——海军在联合全域指挥控制(JADC2)中的组成部分。Jupiter将使水面部队成员能够无缝访问数据，然后构建由它提供信息的人工智能和机器学习算法。美海军官员表示，数据可访问且全面对于AI/ML链接到战场传感器和射手至关重要。如果海军希望利用人工智能和机器学习，则必须利用Jupiter这样的平台来理解数据并快速将信息发送到所需地点。

不可否认的是，这样的企业级数据环境建设投入了很多的脑力。美国海军认为，高质量的数据集、工具、合适的项目人员，这差不多是这场数字化改革工作的80%。如果把基础设施部分做好了，生产一个小部件这最后10%或者其他什么就很容易了。海军可以真正与行业合作，真正利用现有的技术，开发所需要的独特工具。

因此，美国海军还在解决如何改善其船只上的数据收集。人工智能完全依赖于高质量和准确的数据。如果节点拥有高质量、成熟的数据集，开发者可能会很快开发出人工智能模型。但是，如果从起点附近或起点出发，开发者可能不得不在旅程的第一部分花费更多时间进行数据收集、清理和标记。

海军综合作战系统项目执行办公室的技术主管泰德·荣格(Ted Jung)称，通过改进光电和红外传感器，该军种正在提高其舰载传感器系统的能力。

美海军还将由雷神技术公司建造的SPY-6雷达阵列引入其新型导弹驱逐舰舰队。根据雷神技术公司的一份情况说明书，该雷达可以检测更远的物体，具有更快的反应时间，并且可以更准确地区分威胁和非威胁。

美国海军海上系统司令部(NAVSEA)也在追求下一代舰载无源光电红外计划(SPEIR)的数据处理方案。全方位的传感器套件不仅可以提高船上的态势感知，还可以生成数据。由于这些新技术将为海军创造指数级的更多数据，NAVSEA官员们一直在与Hopper特遣队合作，研究收集、存储和利用这些信息的最佳方式。

总结与启示

数字技术对于现代海军设计、开发、交付、操作和维护系统的方式已越发重要。美海军数字化转型的最终目标是为所有海军平台上的系统创建数字模型，随着海军数字化建设的持续推进，这项工程将改善舰船系统性能，增强整体赛博安全性，提高技术交付速度并减少维护时间和成本。

在装备开发方面，海军已经进入一个新时代，在这个时代，操作员、作战人员或维护人员必须参与开发的每一步，这与过去不同，过去海军只是向一些承包商提出要求，然后他们在两年内带着产品回来。现在，让合适的主题专家与数据科学家并肩坐在一起，与人工智能模型开发人员一起生产真正有价值的产品，已经成为成功的关键。

在战备维护方面，数字技术和人工智能支撑着预测性和规范性的维护，以维持海军船只，增加海上的可靠性。基于条件的维护(CBM)在未来将获得更多应用，并且随着无人水面艇的服役，海军将更需要CBM模型来支持维护，因为它们不搭载人员。

在作战应用方面，海军水面部队建设数字基础设施能够提供更好的信息来协助海军官兵的决策循环，并能够利用机器学习和人工智能技术，从各种异构传感器和众多水面舰艇作战系统中更好地了解所处环境。

可以看到，最近几年新军事理念层出不穷，数字军种建设、数据利用管理虽然不是军事领域最热门的话题，但确实是在大军种中加速人工智能和机器学习应用的重要手段。从美海军的数字军种建设经验中不难发现，数据管理、数权治理很可能将成为这个时代军力建设中最重要的领域之一。(北京蓝德信息科技有限公司 研究员 李雷)

参考资料

[1] NAVWAR Completes First Digital Model of Systems on USS Abraham Lincoln. 2019-10-23.

[2] Surface Navy Building Digital Infrastructure to Harness AI. 2022-03-18.

[3] Navy to Deploy New Tech to Prevent Maintenance Problems. 2022-03-11.