楊建峰, 肖和業(yè), 李 亮, 白俊強(qiáng),*, 董維浩

(1. 西北工業(yè)大學(xué)航空學(xué)院, 陜西 西安 710072; 2. 中國(guó)人民解放軍95889部隊(duì), 甘肅 酒泉 735018)3. 西北工業(yè)大學(xué)無(wú)人系統(tǒng)技術(shù)研究院, 陜西 西安 710072)

0 引 言

隨著“蜂群”概念的興起,無(wú)人機(jī)集群因其潛在的巨大應(yīng)用價(jià)值得到快速發(fā)展,由此帶來(lái)模塊化無(wú)人機(jī)的關(guān)注度也越來(lái)越高。模塊化無(wú)人機(jī)通過(guò)模塊拆解、更換等方式實(shí)現(xiàn)了其功能與多樣化任務(wù)需求的精確匹配,不僅減少了設(shè)計(jì)、制造成本,還縮短了無(wú)人機(jī)制造周期和戰(zhàn)時(shí)維修時(shí)間,模塊化是無(wú)人機(jī)未來(lái)發(fā)展的重點(diǎn)方向。Herbert和Alexander最先討論了模塊化思想,經(jīng)過(guò)學(xué)者研究拓展,模塊化思想得以發(fā)展。無(wú)人機(jī)模塊劃分方法是面向任務(wù)構(gòu)造合理、可重構(gòu)的模塊化構(gòu)型的理論基石,是詮釋無(wú)人機(jī)各模塊選擇及形成機(jī)制的重要手段,隨著模塊化無(wú)人機(jī)不斷發(fā)展,其重要性不言而喻。目前,模塊化無(wú)人機(jī)設(shè)計(jì)理論和方法側(cè)重于概念設(shè)計(jì)層面,例如,Rinauto等結(jié)合離線可重構(gòu)無(wú)人機(jī)概念提出一種基于對(duì)象的無(wú)人機(jī)模塊化設(shè)計(jì)框架；李春鵬等從氣動(dòng)設(shè)計(jì)角度入手研究了無(wú)人機(jī)模塊化布局方法?，F(xiàn)有模塊化無(wú)人機(jī)偏向于經(jīng)驗(yàn)設(shè)計(jì),尚無(wú)一種模塊劃分方法可有效地指導(dǎo)模塊化無(wú)人機(jī)設(shè)計(jì),例如,華厚強(qiáng)通過(guò)優(yōu)選零部件并結(jié)合實(shí)驗(yàn)測(cè)試設(shè)計(jì)出一種模塊化低空長(zhǎng)航時(shí)無(wú)人機(jī),需要模塊化劃分方法促使無(wú)人機(jī)模塊化設(shè)計(jì)由依賴經(jīng)驗(yàn)指導(dǎo)向理論化的系統(tǒng)設(shè)計(jì)轉(zhuǎn)變。這一問(wèn)題不僅來(lái)源于模塊化無(wú)人機(jī)任務(wù)需求的多樣化及零部件的復(fù)雜性,還由于無(wú)人機(jī)模塊劃分評(píng)價(jià)指標(biāo)缺少專業(yè)性評(píng)價(jià)。為此,本文面向無(wú)人機(jī)任務(wù)需求,結(jié)合其構(gòu)成特點(diǎn),基于“模糊聚類+智能算法”相結(jié)合的模塊劃分方法,引入基于劃分指標(biāo)的專家評(píng)分機(jī)制,構(gòu)建了新的模塊劃分流程,探索一種契合無(wú)人機(jī)特點(diǎn)的模塊劃分方法,用于指導(dǎo)無(wú)人機(jī)零部件聚類,不僅為無(wú)人機(jī)模塊劃分提供了新的理論方法,還在設(shè)計(jì)層面上確保模塊化無(wú)人機(jī)的實(shí)用性和合理性。

本文首先以功能、結(jié)構(gòu)、電氣和保障等4個(gè)方面相關(guān)性為基礎(chǔ),構(gòu)造無(wú)人機(jī)主要零部件綜合相關(guān)性矩陣,以此作為輸入,基于層次分析的模糊聚類(hierarchical fuzzy clustering, HFC)算法,形成模塊劃分備選方案。然后,采用多級(jí)模糊綜合評(píng)價(jià)法,邀請(qǐng)無(wú)人機(jī)領(lǐng)域?qū)＜疫M(jìn)行評(píng)分,從備選方案中篩選出最佳方案。結(jié)合模糊C均值聚類算法、改進(jìn)粒子優(yōu)化群算法各自優(yōu)勢(shì),基于模糊C均值聚類的改進(jìn)粒子群優(yōu)化算法(improved particle swarm optimization based on fuzzy C-means, IPSO-FCM),得到最優(yōu)的模塊劃分結(jié)果,最終形成適合無(wú)人機(jī)的多層次模塊劃分方法。最后,本文分別以一次性使用無(wú)人機(jī)、可重復(fù)使用無(wú)人機(jī)為例,進(jìn)行零部件模塊劃分,驗(yàn)證提出的無(wú)人機(jī)模塊劃分方法的有效性和合理性。

1 無(wú)人機(jī)模塊劃分方法

本文將從構(gòu)建關(guān)聯(lián)矩陣、模塊初步劃分、模糊綜合評(píng)價(jià)、模塊精準(zhǔn)劃分等4個(gè)方面闡述無(wú)人機(jī)模塊劃分方法。劃分流程為:

(1) 構(gòu)建關(guān)聯(lián)矩陣。針對(duì)無(wú)人機(jī)功能要求,機(jī)械、電氣構(gòu)造特點(diǎn),使用與貯存需求,建立功能、結(jié)構(gòu)、電氣、保障等4類相關(guān)性子矩陣,結(jié)合不同模式無(wú)人機(jī)特點(diǎn),通過(guò)加權(quán)計(jì)算,構(gòu)造具有無(wú)人機(jī)特性的綜合相關(guān)性矩陣;

(2) 模塊初步劃分。采用HFC聚類方法,以綜合相關(guān)性矩陣為輸入,通過(guò)傳遞閉包法,獲得模糊等價(jià)矩陣,按照閾值進(jìn)行聚類,繪制聚類樹(shù)狀圖,獲得模塊劃分備選方案;

(3) 模糊綜合評(píng)價(jià)。以備選方案作為待評(píng)價(jià)集,構(gòu)造無(wú)人機(jī)模塊劃分評(píng)價(jià)指標(biāo)網(wǎng)絡(luò)層次結(jié)構(gòu)模型并建立評(píng)判因素集,在模塊劃分指標(biāo)評(píng)價(jià)體系中引入專家評(píng)分機(jī)制,構(gòu)建無(wú)人機(jī)各級(jí)指標(biāo)權(quán)重集,通過(guò)多級(jí)模糊綜合評(píng)價(jià),在模塊劃分初步方案集中獲得最佳備選方案;

(4) 模塊精準(zhǔn)劃分?；诟倪M(jìn)的粒子群優(yōu)化算法代替模糊C均值聚類算法中原有的迭代邏輯,并構(gòu)建迭代框架,其適應(yīng)度函數(shù)采用模糊C均值聚類算法中的FCM函數(shù),以最佳備選方案為變量中心,通過(guò)模糊C均值聚類法與改進(jìn)的粒子群算法相融合的算法,獲得最佳模塊劃分方案。

模塊劃分具體流程如圖1所示。

圖1 無(wú)人機(jī)模塊劃分流程Fig.1 Unmanned aerial vehicle module partition process

1.1 無(wú)人機(jī)相關(guān)性矩陣內(nèi)涵及定義

1.1.1 關(guān)聯(lián)因子定義

無(wú)人機(jī)屬于復(fù)雜的機(jī)電類產(chǎn)品,對(duì)其進(jìn)行關(guān)聯(lián)因子定義,借鑒現(xiàn)有研究中對(duì)機(jī)電類產(chǎn)品的功能、結(jié)構(gòu)、電氣關(guān)聯(lián)因子的定義及賦值范圍,同時(shí)考慮無(wú)人機(jī)多種任務(wù)特點(diǎn)及在貯存、測(cè)試、維修等環(huán)節(jié)都有特殊要求,在原有功能、結(jié)構(gòu)、電氣等關(guān)聯(lián)因子基礎(chǔ)上增加了保障關(guān)聯(lián)因子。因此,將無(wú)人機(jī)的關(guān)聯(lián)因子分為功能、結(jié)構(gòu)、電氣、保障等4類,其定義如表1所示,其中,?(,)、?(,)、?(,)、?(,)分別表示零部件和零部件之間的功能、結(jié)構(gòu)、電氣和保障相關(guān)性。

表1 無(wú)人機(jī)模塊關(guān)聯(lián)因子

112 綜合相關(guān)性矩陣

本文采用層次分析法確定各關(guān)聯(lián)因子的權(quán)重,評(píng)分標(biāo)準(zhǔn)如表2所示。

表2 評(píng)分標(biāo)準(zhǔn)

基于上述4類關(guān)聯(lián)因子對(duì)應(yīng)的子相關(guān)性矩陣,結(jié)合各自的權(quán)重系數(shù),可得綜合相關(guān)性矩陣:

={}×

=*?(,)+*?(,)+*?(,)+*?(,)

式中：表示零部件與零部件之間的綜合相關(guān)系數(shù);、、、分別表示功能、結(jié)構(gòu)、電氣、保障等相關(guān)性權(quán)重系數(shù)。

1.2 基于HFC算法的模塊初步劃分方法

基于無(wú)人機(jī)零部件集合,使用傳遞閉包法,將綜合相關(guān)性矩陣改造成模糊等價(jià)矩陣,以為對(duì)象,采用HFC算法,獲得不同閾值對(duì)應(yīng)的劃分方案,按照閾值由大到小的順序,依次求得對(duì)應(yīng)的劃分方案并進(jìn)行綜合,形成隨閾值變化的聚類樹(shù)狀圖。

1.3 基于專家評(píng)分機(jī)制的模糊綜合評(píng)價(jià)

Zadeh等提出了模糊綜合評(píng)價(jià)法,用于分析具有模糊現(xiàn)象的問(wèn)題,無(wú)人機(jī)模塊劃分本就具有模糊性,劃分的方案孰優(yōu)孰劣沒(méi)有絕對(duì)的判定準(zhǔn)則。因此,采用模糊綜合評(píng)價(jià)法,可以很好地解決這一問(wèn)題。

首先,建立評(píng)估對(duì)象集合,即評(píng)價(jià)集,本文將模塊初步劃分后的備選方案作為評(píng)價(jià)集;然后,構(gòu)建影響評(píng)價(jià)對(duì)象的因素集合,即因素集,本文針對(duì)模塊劃分影響要素的重要程度,構(gòu)建了3大類重要性指標(biāo)因素(A層指標(biāo)),并細(xì)化出影響無(wú)人機(jī)模塊劃分的9個(gè)要素(B層指標(biāo));同時(shí),基于評(píng)價(jià)指標(biāo)層級(jí),結(jié)合各指標(biāo)的重要程度,采用網(wǎng)絡(luò)層次分析法,構(gòu)造指標(biāo)網(wǎng)絡(luò)層次結(jié)構(gòu)模型(見(jiàn)圖2),建立指標(biāo)權(quán)重集UE;最后,進(jìn)行多級(jí)模糊綜合評(píng)價(jià),構(gòu)建關(guān)聯(lián)評(píng)價(jià)矩陣,建立模糊綜合決策集SE。

SE=UE°

則SE中數(shù)值最大的對(duì)應(yīng)方案即為最優(yōu)備選方案。

圖2 無(wú)人機(jī)模塊劃分評(píng)價(jià)指標(biāo)網(wǎng)絡(luò)層次結(jié)構(gòu)模型Fig.2 Hierarchical structure model of evaluation index network for unmanned aerial vehicle module partition

關(guān)聯(lián)評(píng)價(jià)矩陣為

其中,為關(guān)聯(lián)系數(shù),計(jì)算公式為

式中：表示分辨系數(shù),取值區(qū)間為(0,1),通常取=05；et為評(píng)價(jià)集對(duì)因素集的最優(yōu)參考序列;et為評(píng)價(jià)集對(duì)因素集的比較序列。

模糊綜合決策集SE中的元素體現(xiàn)的是對(duì)評(píng)價(jià)集中的劃分方案的評(píng)價(jià)結(jié)果,二者一一對(duì)應(yīng),數(shù)值最大的元素對(duì)應(yīng)的劃分方案即為最佳的備選方案。

網(wǎng)絡(luò)層次分析法的關(guān)鍵在于確定各指標(biāo)之間的間接優(yōu)勢(shì)度,得到比較矩陣。為確保客觀反映各指標(biāo)間的權(quán)重關(guān)系,本文引入了專家評(píng)分機(jī)制,通過(guò)邀請(qǐng)無(wú)人機(jī)設(shè)計(jì)領(lǐng)域?qū)＜?確保結(jié)果的準(zhǔn)確性。

為此,制定了《無(wú)人機(jī)模塊劃分要素重要性權(quán)重評(píng)議表》,邀請(qǐng)專家組進(jìn)行評(píng)分:

={,,…,}

其中,為第個(gè)專家,且≥3,基于評(píng)價(jià)指標(biāo)層次模型,依據(jù)表2的標(biāo)準(zhǔn)進(jìn)行優(yōu)勢(shì)度評(píng)議,通過(guò)評(píng)分得到個(gè)比較矩陣,進(jìn)而獲得各指標(biāo)間的加權(quán)超矩陣,確定各指標(biāo)權(quán)重。

同時(shí),為降低專家評(píng)分的主觀因素影響,采用基于專家信度的方法,考慮評(píng)分專家的職稱、從事專業(yè)和從業(yè)年限等要素,設(shè)置信度評(píng)分標(biāo)準(zhǔn)(見(jiàn)表3),采用層次分析法,確定每個(gè)影響因素的權(quán)重,綜合得到個(gè)專家的評(píng)分質(zhì)量值(=1,2,…,)。

表3 專家評(píng)分質(zhì)量標(biāo)準(zhǔn)

然后,計(jì)算專家信度系數(shù):

式中：=(,,…,)；值越大表示專家的權(quán)威性越大,其所占權(quán)重越大。因此,專家的評(píng)價(jià)權(quán)重可表示為

則個(gè)專家的權(quán)重集為

EX=(ex,ex,…,ex)

根據(jù)專家(=1,2,…,)的評(píng)分,經(jīng)過(guò)計(jì)算獲得對(duì)應(yīng)的各指標(biāo)權(quán)重:

UE=(ue1,ue2,…,ue)

結(jié)合專家權(quán)重,得到最終的指標(biāo)權(quán)重集:

UE=(ue,ue,…,ue)

其中,

1.4 基于IPSO-FCM算法的模塊精準(zhǔn)劃分方法

依據(jù)第13節(jié)得出的最佳備選方案,采用IPSO-FCM算法進(jìn)行進(jìn)一步精準(zhǔn)劃分,確定各模塊與無(wú)人機(jī)零部件之間的對(duì)應(yīng)關(guān)系,獲得最終的模塊劃分方案。IPSO-FCM算法以改進(jìn)的粒子群算法為迭代框架,適應(yīng)度函數(shù)采用FCM價(jià)值函數(shù)的方式進(jìn)行尋優(yōu),采用“聚類中心→隸屬度矩陣→價(jià)值函數(shù)”的順序計(jì)算粒子適應(yīng)度。

初始化聚類中心。根據(jù)模塊粗劃分方案和模糊綜合評(píng)價(jià)結(jié)果,確定需要?jiǎng)澐值哪K數(shù)以及具體的模塊=(,,…,),聚類中心(=1,2,…,)的初值分別從對(duì)應(yīng)的模塊(=1,2,…,)中隨機(jī)選取,組成初始聚類中心矩陣=(,,…,),即粒子的初始位置。

更新隸屬度矩陣。隸屬度函數(shù)表征每個(gè)樣本屬于每個(gè)模塊的程度,隸屬度矩陣可表示為

={}

式中：=1,2,…,；=1,2,…,；表示第個(gè)指標(biāo)樣本隸屬于第個(gè)簇類的隸屬度,且有

依據(jù)初始化的聚類中心,計(jì)算得到初始的隸屬度矩陣。

計(jì)算價(jià)值函數(shù)。根據(jù)初始隸屬度矩陣和初始聚類中心矩陣,計(jì)算獲得對(duì)應(yīng)的初始價(jià)值函數(shù),即為粒子的初始適應(yīng)度值。

通過(guò)IPSO-FCM算法迭代,獲得最小的價(jià)值函數(shù)值()(1≤≤,為最大迭代次數(shù))對(duì)應(yīng)的隸屬度矩陣(),依據(jù)隸屬度大小,將全部樣本劃分成個(gè)模塊,即為最終的模塊劃分方案。

2 無(wú)人機(jī)模塊劃分實(shí)例驗(yàn)證

在上述模塊劃分方法的基礎(chǔ)上,以一次性使用、可重復(fù)使用等兩類無(wú)人機(jī)平臺(tái)為研究對(duì)象,通過(guò)實(shí)例分析,驗(yàn)證所提方法的合理性和可行性。

2.1 一次性使用無(wú)人機(jī)平臺(tái)

211 主要零部件組成

一次性使用無(wú)人機(jī)平臺(tái)較為簡(jiǎn)單,具備可消耗、低成本等特點(diǎn),多用于集群作戰(zhàn),一般包括機(jī)體、飛行控制系統(tǒng)、動(dòng)力系統(tǒng)、通訊系統(tǒng)、降落系統(tǒng)和載荷等。本文將對(duì)該類無(wú)人機(jī)零部件進(jìn)行細(xì)化,構(gòu)建初始樣本集。一次性使用無(wú)人機(jī)零部件示意如圖3所示,編號(hào)對(duì)應(yīng)零部件具體如表4所示。

圖3 一次性使用無(wú)人機(jī)組成示意圖Fig.3 Disposable unmanned aerial vehicle composition diagram

表4 一次性使用無(wú)人機(jī)主要零部件組成表

2.1.2 模塊劃分

(1) 建立綜合相關(guān)性矩陣

構(gòu)建功能、結(jié)構(gòu)、電氣、保障等4個(gè)子相關(guān)性矩陣,經(jīng)計(jì)算,確定其權(quán)重分別為0.29,0.30,0.29,0.12。經(jīng)過(guò)加權(quán)計(jì)算,得到綜合相關(guān)性矩陣。

(2) 模塊初步劃分

以綜合相關(guān)性矩陣作為模糊相似矩陣,通過(guò)傳遞閉包法,將其轉(zhuǎn)換為模糊等價(jià)矩陣,并繪制聚類樹(shù)狀圖,如圖4所示。

圖4 一次性使用無(wú)人機(jī)模塊劃分聚類樹(shù)狀圖Fig.4 Cluster tree diagram of disposable unmanned aerial vehicle module partition

基于理想模塊數(shù)原則,確定將模塊數(shù)為4、5、6、7的方案作為備選方案,具體劃分方案如圖5所示。

圖5 一次性使用無(wú)人機(jī)模塊初步劃分方案Fig.5 Preliminary partition scheme of disposable unmanned aerial vehicle modules

(3) 模糊綜合評(píng)價(jià)

邀請(qǐng)10名無(wú)人機(jī)設(shè)計(jì)領(lǐng)域?qū)＜疫M(jìn)行評(píng)分。經(jīng)計(jì)算,10位專家的評(píng)價(jià)權(quán)重分別為0.100 1、0.094 2、0.133 9、0.159 7、0、0.087 0、0.121 6、0.189 1、0.027 4、0.087 0,即采信除權(quán)重為0的專家以外的其余9位專家。經(jīng)過(guò)加權(quán)計(jì)算,各指標(biāo)層最終的權(quán)重見(jiàn)表5。

表5 各層級(jí)指標(biāo)權(quán)重

由于無(wú)人機(jī)指標(biāo)層次模型為兩級(jí)指標(biāo),故采用兩級(jí)模糊綜合評(píng)價(jià)。首先,建立一級(jí)模糊綜合決策集。

然后,以作為二級(jí)模糊綜合評(píng)價(jià)的模糊關(guān)系矩陣,參照一級(jí)評(píng)價(jià)的步驟,得到二級(jí)模糊綜合決策集。

上述結(jié)果表明,經(jīng)過(guò)兩級(jí)模糊綜合評(píng)價(jià),方案1為最優(yōu)備選方案,即將無(wú)人機(jī)零部件劃分為7個(gè)模塊。

(4) 模塊精準(zhǔn)劃分

經(jīng)過(guò)迭代運(yùn)算,在90步左右收斂到最優(yōu)解,迭代收斂曲線如圖6所示,零部件最終劃分方案如圖7所示。

圖6 IPSO-FCM算法迭代收斂曲線(一次性使用無(wú)人機(jī))Fig.6 Iterative convergence curve of IPSO-FCM algorithm (disposable unmanned aerial vehicle)

圖7 一次性使用無(wú)人機(jī)零部件最終劃分方案Fig.7 Final partition scheme of disposable unmanned aerial vehicle parts

由圖7可得,模塊精準(zhǔn)劃分方案如下:模塊一(1#機(jī)翼、2#機(jī)身);模塊二(9#總體電機(jī)、10#電子調(diào)速器、16#槳夾、17#槳葉);模塊三(3#主控單元、4# 3軸加速度計(jì)、5# 3軸角速度計(jì)、6#氣壓高度計(jì)、20# GPS指南針模塊);模塊四(7#電池、8#電源管理板、18#數(shù)據(jù)鏈、19#機(jī)載數(shù)據(jù)鏈天線、21#導(dǎo)引頭);模塊五(11#平尾、12#垂尾、13#舵電機(jī)、14#可調(diào)電位器、15#齒輪傳動(dòng)裝置);模塊六(24#降落傘、25#傘艙蓋、26#彈射裝置);模塊七(22#引信、23#戰(zhàn)斗部)。

對(duì)比最優(yōu)備選方案,區(qū)別在于零部件18#、19#、21#從主控單元?jiǎng)冸x(模塊三),劃入電源模塊(模塊四)中。其中,零部件18#、19#分別為數(shù)據(jù)鏈和天線,零部件21#為導(dǎo)引頭,均屬于無(wú)人機(jī)中耗電量較大的零部件,相比于主控單元模塊,將數(shù)據(jù)鏈、天線、導(dǎo)引頭與電源組件劃分在同一模塊更為合理。

2.2 可重復(fù)使用無(wú)人機(jī)平臺(tái)

可重復(fù)使用無(wú)人機(jī)相較于一次性使用無(wú)人機(jī),在功能、結(jié)構(gòu)、電氣、保障等相關(guān)性方面的側(cè)重點(diǎn)不同,要求回收后經(jīng)過(guò)適當(dāng)?shù)牡孛姹Ｕ虾竽軌蜓杆倩謴?fù)執(zhí)行任務(wù)能力,對(duì)保障性的要求更高。因此,可重復(fù)使用無(wú)人機(jī)模塊劃分的情況有所不同。

221 主要零部件組成

由于在航程、機(jī)動(dòng)性、任務(wù)多樣性等方面的要求,可重復(fù)使用無(wú)人機(jī)在零部件組成上相較于一次性使用無(wú)人機(jī)更加復(fù)雜,可遂行偵察、監(jiān)視、中繼等多樣化的作戰(zhàn)任務(wù)?？芍貜?fù)使用無(wú)人機(jī)零部件示意如圖8所示,編號(hào)對(duì)應(yīng)零部件具體如表6所示。

圖8 可重復(fù)使用無(wú)人機(jī)組成示意圖Fig.8 Schematic diagram of reusable unmanned aerial vehicle composition

表6 可重復(fù)使用無(wú)人機(jī)主要零部件組成表

續(xù)表6

2.2.2 模塊劃分

(1) 建立綜合相關(guān)性矩陣

可重復(fù)使用無(wú)人機(jī)強(qiáng)調(diào)使用的循環(huán)性,因此,保障相關(guān)性的權(quán)重會(huì)有所增加,具體權(quán)重為0.19、0.23、0.17、0.41。經(jīng)過(guò)加權(quán)計(jì)算,得到綜合相關(guān)性矩陣。

(2) 模塊初步劃分

參照一次性使用無(wú)人機(jī)的方法,繪制聚類樹(shù)狀圖,如圖9所示。

圖9 可重復(fù)無(wú)人機(jī)模塊劃分聚類樹(shù)狀圖Fig.9 Cluster tree diagram of repeatable unmanned aerial vehicle module partition

結(jié)合理想模塊數(shù)原則,確定模塊數(shù)為4、5、6、7、8作為初步劃分方案,具體方案如圖10所示。

圖10 可重復(fù)使用無(wú)人機(jī)模塊初步劃分方案Fig.10 Preliminary partition scheme of reusable unmanned aerial vehicle modules

(3) 模糊綜合評(píng)價(jià)

可以看出,方案3為最優(yōu)模塊劃分方案,即將無(wú)人機(jī)零部件劃分為6個(gè)模塊最為合理。

(4) 模塊精準(zhǔn)劃分

經(jīng)過(guò)迭代,在70步左右收斂到最優(yōu)解,迭代收斂曲線如圖11所示,零部件最終劃分方案如圖12所示。

圖11 IPSO-FCM算法迭代收斂曲線(可重復(fù)使用無(wú)人機(jī))Fig.11 Iterative convergence curve of IPSO-FCM algorithm (reusable unmanned aerial vehicle)

圖12 可重復(fù)無(wú)人機(jī)零部件最終劃分方案Fig.12 Final partition scheme of reproducible unmanned aerial vehicle parts

由圖12可得,模塊精準(zhǔn)劃分方案如下:模塊一(1#機(jī)身、2#主翼、3#副翼、4#進(jìn)氣道、5#主尾翼、13#舵電機(jī)1、14#可調(diào)電位器1、15#齒輪傳動(dòng)裝置1、37#起落架);模塊二(6#舵面、23#舵電機(jī)2、24#可調(diào)電位器2、25#齒輪傳動(dòng)裝置2);模塊三(7#主控單元、8#3軸加速度計(jì)、9#3軸角速度計(jì)、10#氣壓高度計(jì)、11#空速管、12#數(shù)據(jù)處理單元);模塊四(16#轉(zhuǎn)子發(fā)動(dòng)機(jī)、17#油泵、18#主油箱、19#副油箱、20#槳夾、21#槳葉);模塊五(22#發(fā)電機(jī)、26#遙控接收機(jī)、27#衛(wèi)星通訊組件、28# GNSS接收機(jī)、29# GPS天線、30#電池、31#電源管理板、32#數(shù)據(jù)鏈端機(jī)、33#數(shù)據(jù)鏈天線);模塊六(34#航拍組件、35# SAR雷達(dá)、36#激光測(cè)距儀)。

相較于最優(yōu)備選方案,零部件28#、29#(GNSS接收機(jī)、GPS天線)、零部件22#(發(fā)電機(jī))均被劃分至模塊五,將供電系統(tǒng)和遙測(cè)通訊設(shè)備集成在一個(gè)模塊,有利于保障此類大耗電量設(shè)備的持續(xù)供電,提高供電效率。

2.3 對(duì)比驗(yàn)證及討論

對(duì)比分析一次性使用、可重復(fù)使用無(wú)人機(jī)的模塊劃分結(jié)果,可發(fā)現(xiàn)二者既有相通之處,又存在各自的特色,具體如下:

(1) 電子模塊差異

兩種類型無(wú)人機(jī)電子設(shè)備集成度不同,對(duì)于可重復(fù)使用無(wú)人機(jī),強(qiáng)調(diào)遠(yuǎn)距離執(zhí)行任務(wù)能力,對(duì)通信、導(dǎo)航等電子設(shè)備功能需求更高,需要從系統(tǒng)中分離出來(lái),單獨(dú)形成模塊,便于重復(fù)使用、維護(hù)及保養(yǎng);而一次性使用無(wú)人機(jī)受體積限制,且功能需求較低,電子設(shè)備更傾向于集成化的配置,整體為一個(gè)模塊,便于集成化的批量低成本制造,實(shí)現(xiàn)可消耗性。

(2) 結(jié)構(gòu)模塊差異

為適應(yīng)重復(fù)飛行,將重復(fù)使用無(wú)人機(jī)的機(jī)翼、機(jī)體、起落架、舵翼等作為一個(gè)模塊,不進(jìn)行拆解,以提高整個(gè)結(jié)構(gòu)在重復(fù)使用中的可靠性;而一次性使用無(wú)人機(jī)強(qiáng)調(diào)可消耗性,結(jié)構(gòu)模塊僅包含機(jī)身、機(jī)翼,垂尾、平尾為另外的模塊,以便于無(wú)人機(jī)快速大批制造、裝配,以滿足大批量消耗的需求。

(3) 模塊個(gè)數(shù)差異

可重復(fù)使用無(wú)人機(jī)強(qiáng)調(diào)可保障性,重復(fù)使用帶來(lái)的是保障難度的加大,較少的模塊可以適當(dāng)降低保障復(fù)雜度,提高保障效率;而一次性使用無(wú)人機(jī)更強(qiáng)調(diào)任務(wù)單一性和能力再生的時(shí)效性,適當(dāng)?shù)丶?xì)化模塊,可縮短無(wú)人機(jī)能力重組時(shí)間,發(fā)揮大規(guī)?？焖俣ㄖ苾?yōu)勢(shì)。

(4) 與現(xiàn)有模塊化無(wú)人機(jī)對(duì)比

通過(guò)查閱國(guó)內(nèi)外模塊化無(wú)人機(jī)相關(guān)文獻(xiàn),分析其模塊組成情況,并與本文中一次性使用無(wú)人機(jī)、可重復(fù)使用無(wú)人機(jī)等實(shí)例進(jìn)行對(duì)比表明,本文中兩類無(wú)人機(jī)實(shí)例的模塊劃分結(jié)果與現(xiàn)有無(wú)人機(jī)按經(jīng)驗(yàn)劃分的結(jié)果相近,且模塊組成更加全面,具體情況如表7所示。

表7 國(guó)內(nèi)外模塊化無(wú)人機(jī)劃分結(jié)果對(duì)比表

通過(guò)分析上述兩類無(wú)人機(jī)模塊劃分結(jié)果,并與現(xiàn)有模塊化無(wú)人機(jī)對(duì)比,能夠體現(xiàn)無(wú)人機(jī)的基本功能,且突出各自的優(yōu)勢(shì),驗(yàn)證了模塊劃分方法的合理性和理論可行性。

3 結(jié) 論

本文面向無(wú)人機(jī)任務(wù)需求,結(jié)合其構(gòu)成特點(diǎn),構(gòu)建了初步劃分-綜合評(píng)價(jià)-精準(zhǔn)劃分的無(wú)人機(jī)模塊劃分流程,建立無(wú)人機(jī)模塊劃分評(píng)價(jià)指標(biāo)網(wǎng)絡(luò)層次結(jié)構(gòu)模型,引入專家評(píng)分機(jī)制以提升指標(biāo)評(píng)定可信度,進(jìn)而提出了一種適用于無(wú)人機(jī)的模塊劃分方法。以一次性使用無(wú)人機(jī)、可重復(fù)使用無(wú)人機(jī)為例,運(yùn)用本文提出的模塊劃分方法,構(gòu)建了綜合相關(guān)性矩陣,給出了模塊劃分備選方案,進(jìn)行了基于專家評(píng)分機(jī)制的模糊綜合評(píng)價(jià),以IPSO-FCM算法尋優(yōu)獲得了最終的模塊劃分方案。通過(guò)上述兩類無(wú)人機(jī)模塊劃分結(jié)果的對(duì)比分析可知,通過(guò)引入專家評(píng)分機(jī)制,使得評(píng)價(jià)指標(biāo)權(quán)重更加清晰,提升了所選最佳劃分方案的可信度。同時(shí),所劃分的模塊能夠契合無(wú)人機(jī)的類型及特點(diǎn),能夠更好地發(fā)揮無(wú)人機(jī)優(yōu)勢(shì)。由此,模塊劃分結(jié)果的準(zhǔn)確性得以驗(yàn)證,也表明了所提出的無(wú)人機(jī)模塊劃分方法的合理性和理論可行性。