本文任务是了解美国国防部(DoD)数字工程的成本和效益,并为武器系统项目中的数字工程活动制定决策支持框架。为做好准备工作,我们查阅了相关文献,并采访了利益相关者,以了解数字工程实践的现状,以及之前为评估数字工程和基于模型的系统工程(MBSE)的成本和效益所做的努力。然后,我们开发了决策支持框架,其中纳入了 (1) 既定的美国防部成本效益分析方法和 (2) 既定的系统工程决策方法。在此过程中,我们注意到了国防部数字工程实践中的严谨性和风险方面的关键问题,并将其纳入了我们的研究范围

研究表明,在武器系统项目生命周期的任何阶段,如果收集了相应的项目数据,或利用了基于目标的系统工程原则,都有可能为数字工程提供成本效益决策支持。计算数字工程的确切成本和收益并不完美,因为没有分析师能获得没有数字工程开发的相同武器系统项目--反事实场景。

尽管许多作者都声称 MBSE 和数字工程有好处,但支持这些说法的实证数据仍然很少。用 "更好 "和 "更容易 "等笼统的术语来表述所声称的或期望的益处是无法评估的,但在项目决策中可能已经考虑到了这些因素。大多数已发表的有关数字工程和 MBSE 的研究报告所引用的参考文献都来自软件开发实践。因此,它们与武器系统工程的实际应用相关性有限。尽管国防部长期以来一直表示要采用更多工业类型的开发和创新方法,但工业普遍要求的投资回报理由并未在国防部文化中扎根。

第一个框架以经济学家和国防部分析人员所熟悉的既定成本效益分析实践为基础。根据这些实践,我们开发了一种专门针对国防部项目中数字工程实施的方法。

第二个框架利用了《联合能力集成与开发系统》(Joint Capabilities Integration and Development System)中编纂的系统工程目标定义流程,以及与美国防部相关的采购条律。以关键性能参数和关键系统属性为重点,为数字工程方法建立了可量化的效益单元:性能指标。利用逻辑模型方法、相应风险的调整和成本类别的成本细分矩阵,提供了一种贸易研究手段,用于从多个数字工程活动方案中进行比较和选择,因为它们可能会影响已定义的武器系统目标。

接下来,考虑了数字工程的严谨性和风险问题--重点政策可通过数字工程改善开发和采购成果的杠杆点。最后,总结了研究结果,提出了处理严谨性和风险问题的建议,并介绍了两个框架。

主要结论

  • 由于对什么是数字工程缺乏共识,学者和从业人员在进行成本和效益分析时缺乏共同的基 础。
  • 跟踪数字工程投资并将其与其他成本(如系统工程、多用途 IT 投资)区分开来似乎还不是一种标准做法。
  • 以系统思维的方法为数字工程资源分配做出计划决策,可能会产生最佳的计划结果。
  • 许多人致力于通过预测可能的效益来为数字工程提供依据,但同时却不对成本进行评估。
  • 一些作者和一些服务机构将数字工程成熟度模型作为改善成果的途径,但却没有任何成本数据、因果关系图或风险分析来支持这一结论。

建议

  • 在数字工程是什么(和不是什么)的问题上达成一致性和以目标为中心的共识。
  • 建立明确的数字工程计划目标和系统界限,以消除假装,并避免将软件原则和标准应用于复杂系统。
  • 收集项目目标数据,为评估数字工程成本和效益提供支持。
  • 最大限度地消除实施数字工程的愿望和一般性指导(自上而下的指导)。
  • 营造一种环境,使数字工程成为良好系统工程实践和武器系统项目管理中众多工具中的一种有用工具。
  • 客观分析企业数字工程工具的运行情况。
  • 促进数字工程实践和文化,使从错误中学习与取得成功同等重要。
  • 制定政策,将了解和降低风险作为数字工程和 MBSE 实践的一个重要方面。
  • 结合各自的数字化转型,为确定和实现整个国防部和各部门的吸收能力需求制定路线图。
  • 制定一个框架,为在武器系统项目中利用数据和知识产权确立分级目标。
  • 根据既定的系统工程实践,建立国防部武器系统计划生命周期决策和里程碑关口标准,以有效利用建模和仿真。
  • 根据需要,对多级分类系统、数据和基础设施的长期生命周期进行客观研究并提出建议。
成为VIP会员查看完整内容
29

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《军事搜索技术评估中的统计分析和报告导论》58页报告
《人工智能:算法、作战环境、夸大》美国陆军62页报告
专知会员服务
101+阅读 · 2022年11月15日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
20+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
32+阅读 · 2008年12月31日
Arxiv
157+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
398+阅读 · 2023年3月31日
Arxiv
66+阅读 · 2023年3月26日
Arxiv
139+阅读 · 2023年3月24日
Arxiv
20+阅读 · 2023年3月17日
VIP会员
相关VIP内容
《军事搜索技术评估中的统计分析和报告导论》58页报告
《人工智能:算法、作战环境、夸大》美国陆军62页报告
专知会员服务
101+阅读 · 2022年11月15日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
20+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
32+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员