《理解人工智能对作战人员的局限性：第 3 卷，预测性维护》2024最新47页报告

美国空军（USAF）在部署飞行单元时会配备备战备件包（RSP），以确保这些单元储备有足够的零部件，能够在 30 天内自给自足。预测哪些部件可能会出现故障--因此，哪些部件应列入备件包--是非常重要的，因为储备过多可能会导致费用高昂，而储备不足则会威胁到任务准备状态。本报告讨论了是否以及何时可以使用人工智能（AI）方法来改进零件故障分析，目前的零件故障分析使用的是假定概率分布的模型。为此，我们开发了几种机器学习模型，并在历史数据上进行了测试，以 A-10C 飞机数据为测试案例，将其性能与美国空军目前使用的优化和预测软件进行比较。

本报告是五卷系列报告中的第三卷，论述了如何利用人工智能在网络安全、预测性维护、兵棋推演和任务规划等四个不同领域为作战人员提供帮助。本报告主要面向那些对预测性维护、RSP 和更广泛的人工智能应用感兴趣的人。

研究问题

• 当前的 RSP 故障分析方法在根据历史数据进行回顾分析时表现如何？
• 人工智能如何为故障分析过程提供信息，它有哪些局限性？
• 现有方法还有哪些潜在的改进之处？

主要结论

• 人工智能可根据具体情况改进 RSP 的故障分析。目前基于概率的预测流程对许多部件的性能预测不佳。人工智能模型不仅能做出更好的预测，而且成本效益更高。利用数据更新当前的预测流程可以达到与本研究中使用的人工智能模型相当接近的性能水平。
• 在大规模实施人工智能之前，有必要为美国空军的维护数据库建立一个复杂且劳动密集型的数据操作管道。历史数据对于训练和测试人工智能模型至关重要，但从相关系统中提取这些数据是一个复杂的人工过程，涉及脚本、下拉列表和嵌套菜单。此外，还需要进行大量的数据清理工作。在这种情况下，利用人工智能只能作为概念验证模型。
• 人工智能无法缓解战时数据稀缺的问题。目前还不清楚利用和平时期数据开发的 RSP 是否足以用于战时行动。此外，人工智能在这一应用中的主要局限之一是无法估计真正的罕见事件，而在战时行动中可能更容易发生这种事件。因此，可能需要采用不同的人工智能建模方法来应对这些不断变化的情况。不过，人工智能模型可以定期进行再训练和更新，从而确保这些模型在战时的适应性。

建议

• 空军物资司令部（AFMC）应与美国空军后勤部门合作，建立数据操作管道，对飞机维护和 RSP 效率进行回顾性分析。飞机维护程序和数据库可有效地实现其设计目的，但它们显然不是为回顾性分析或训练人工智能模型而设计的。除非能对数据进行适当的调整和提取，否则以下建议都无法实施。
• AFMC 应尝试使用人工智能来改进 RSP 的故障分析。将概念验证模型扩展到所有飞机。这可能需要在逐个部件、逐个平台的基础上进行。如果要依靠人工智能进行这些分析，可能需要自动或部分自动数据提取。对于具有难以预测的罕见故障的 RSP 部件，可以修改人工智能成本函数，使其更倾向于过预测，或通过泊松分布依赖于过预测，或将问题建模为生存分析（预测故障时间）。
• AFMC 应将人工智能限制在 RSP 流程中的故障分析。ASM 软件要解决的是一个庞大而复杂的运筹学问题，即选择从哪个仓库向哪个基地发送哪些部件。目前的人工智能能力需要大量数据，更适合解决范围狭窄的问题。将零件故障分散到多个仓库和基地会使数据过于分散，算法无法学到有用的东西。