在概念性飞机设计中，从定性解决方案空间中识别和选择技术 作者：弗拉基斯拉夫·T·托多罗夫（Vladislav T. Todorov）、德米特里·拉科夫（Dmitry Rakov）和安德烈亚斯·巴登哈根（Andreas Bardenhagen）

《Aerospace》：Technology Identification and Selection from Qualitative Solution Spaces in Conceptual Aircraft Design Vladislav T. Todorov, Dmitry Rakov and Andreas Bardenhagen

　　**摘要**
非常规飞机配置被视为实现航空业减排目标的潜在解决方案。然而，有前景的技术的识别、选择以及协同组合仍然是一个高度模糊和不确定的过程。为了解决这一问题，提出了先进的形态学方法（FAMA）框架，该方法为实现非常规飞机配置的生成和评估提供了一个结构化的设计流程。该方法包括将任务分解为子问题、分析这些问题，并在解决方案空间中整合概念。这一通用工作流程已在飞机设计的三个层面上得到进一步的发展和调整：（1）定性创意生成；（2）从生成的创意中选择半定量概念；（3）对上一层面中最有前景的概念进行设计参数和优劣指标的概率估计。本文重点介绍了最终确定的方法论以及前两个层面，而第三个层面将在未来的工作中详细阐述。第一个层面通过区域空中运输的概念生成进行了演示；第二个层面则对用于设计节能长距离飞机的有前景技术进行了性能比较。

**1. 引言**
航空业是一个持续增长的移动领域，其对全球和欧洲二氧化碳排放的贡献估计分别为……[1]。如果包括非二氧化碳效应，到2019年，该行业对气候变化的人为贡献估计约为……[2]。在此背景下，欧盟委员会制定了实现欧洲航空业碳中和的路线图，并计划到2050年将二氧化碳和非二氧化碳效应相对于2000年的水平减少……[3]。根据该文件，目标不仅限于技术进步，还包括替代燃料、机队年龄、乘客便利性以及多模式移动系统等基础设施适应措施的结合。这意味着不仅要加速未经测试的概念的投入使用，还要将其整合到一个更复杂的运输系统中。因此，在新型航空运输概念中寻找复杂的技术协同效应，需要早在概念性飞机设计阶段就开始考虑这些因素，并通过系统性地生成和评估新想法来实现。这就是先进形态学方法（FAMA）框架的主要目的。它是多次开发迭代的结果，考虑了概念性和初步飞机设计各个层次上的不确定性。FAMA借鉴了一些创意思维设计中的成熟方法（如系统分解、发散思维和收敛思维），并将其应用于复杂工程系统（如民用飞机）的设计中。本研究探讨了这些设计理论方法，并以有目的和应用为导向的方式将其应用于航空领域，旨在减少设计任务的时间和复杂性，同时关注有效的执行和不确定性量化。

FAMA基于经典的形态学分析（MA），该方法包括设计问题的分解、子问题的分析以及设计解决方案的整合[4]。这些步骤可用于不同的设计目的，允许不同程度的创造力、参数/不确定性量化、系统建模和设计细节。因此，该方法论代表了定性和半定量工具的结合，旨在实现上述平衡。本文总结了FAMA方法论，并通过两个应用案例展示了其在不同设计目的中的应用。

**2. 先进的形态学方法框架**
FAMA是一个用于概念性飞机设计和初步飞机设计改进的结构化方法框架，它是通过持续和迭代的发展与测试形成的，重点在于非常规概念的生成和更可靠的不确定性建模。本章概述了最终确定的FAMA的总体情况——其目标、发展里程碑和结构。

**2.1. 框架的目标**
FAMA框架的开发旨在实现以下目标：
- 将创意思维工具整合到飞机设计中，超越设计师的“传统”范围，生成新颖的概念；
- 为概念设计阶段的模糊创造性过程定义一个结构；
- 考虑并可靠地建模不确定性；
- 通过概率方法或专家知识 elicitation 来处理缺乏实验数据的新技术问题；
- 有目的地对飞行系统进行建模——无论是作为定性层次结构还是定量概率贝叶斯网络（BN）；
- 不是寻找单一最优解，而是生成一组有前景的设计方案并分析解决方案空间；
- 为具有非度量参数、矛盾的设计标准、不连续或不可微分成本函数等具有挑战性的或不可能的优化问题提供透明的（“白箱”）替代方案；
- 根据具体的设计目的提供灵活的工具箱。

框架的开发不仅出于纯粹的科学兴趣。重点是根据民用航空业和行业的当前需求测试、调整和应用科学工具：加速研究新技术的适用性，同时提高评估过程（如专家研讨会）的效率，这些过程往往耗时且模糊。

**2.2. 发展背景**
由于FAMA的核心基于MA，它建议将设计任务分解为功能属性及其相应的实现选项[4]。这些选项被放在所谓的形态学矩阵（MM）中。所有可能的选项组合都允许定义一个多样化的解决方案空间。此外，还可以进行交叉一致性评估，以排除不兼容的选项组合[5]。Rakov和Bardenhagen[6]将这种方法扩展为先进的形态学方法（AMA），增加了定性和加权选项评估，从而可以计算合成解决方案的评分标准。此外，还比较了这些解决方案在汉明距离等相似性指标上的表现[6,7]。尽管AMA有其优势，但也有发展潜力：考虑设计不确定性、整合专家知识来评估选项，以及检验解决方案空间的稳健性[7]。在参考文献[7]中将AMA与其他类似的设计工具和方法进行比较后，引入了进一步的改进，形成了最终的FAMA。这些改进可以归类为以下几类：
- 将MA步骤整合到结构化过程中，从而弥补技术数据的不足并考虑不确定性，避免使用黑箱模型；
- 用于识别MM属性和选项的工作坊概念、系统建模、选项评估和解决方案合成；
- 通过调整后的结构化专家判断 elicitation (SEJE) 协议评估MM选项[8]；
- 模糊或概率性不确定性建模[9]；
- 使用模拟、专家知识或两者相结合，以提高不确定性建模的可靠性；
- 替代系统建模概念：定性方法如层次分析（AHP）[9] 和半定量方法如BN[10]；
- 针对MM选项或设计参数的变化，对解决方案评分标准或优劣指标（FoMs）的敏感性分析[11]；
- 从头开始开发的FAMA框架软件平台；
- 基于浏览器的专家选项评估在线平台；
- 解决方案空间的交互式可视化。

**2.3. 结构**
为了实现上述所有目标，FAMA框架整合了来自四个主要领域的多种工具和方法：飞机设计、创意思维设计、SEJE（结构化专家判断 elicitation）、多准则决策（MCDM）和概率推断（作为机器学习的一种形式）。图1展示了FAMA主要步骤的概览，以及这些步骤如何应对概念性飞机设计中的当前挑战。MA的主要阶段被调整为包含颠覆性技术的新飞机设计过程的核心布局——问题探索与分解、子问题的解决（在某些文献中也称为“分析”），以及通过组合子解决方案来合成设计。图中的第一行显示了这些阶段及其与涉及非常规技术的飞机设计相关的挑战。FAMA为每个挑战提供了一组适应性方法。这些方法的主要类别在图1中分配给了FAMA的各个阶段。下面将解释分解问题、解决子问题以及合成解决方案的方法。工作流程遵循创意思维中的典型思维模式：发散思维（不根据任何标准筛选地创建大量选项）和收敛思维（选择和具体化有限数量的概念）[12]。

**2.3.1. 问题探索与分解**
寻找更合适的设计解决方案的主要挑战在于识别可能超出设计师经验范围的概念。文献中描述了实现更清洁航空的有前景的概念和技术，如盒式翼配置[15]、分布式推进系统、氢推进系统[16,17]等。这表明需要一种结构化的方法来生成新颖且一致的想法。鉴于这项任务的抽象性质以及缺乏新技术的历史数据，专家的参与被视为非常规想法的来源，这也需要仔细的规划、执行和整合到整个工作流程中。

提高创造力和扩展解决方案空间多样性的方法之一是设计问题的分解。由于FAMA基于MA并涉及MM的构建，因此缺失的一个步骤是对MM的属性和选项进行结构化和透明的识别。考虑到民用飞机等工程产品的复杂性，头脑风暴方法可能无法完全反映其所有必要方面，即使在概念设计阶段也是如此。这种复杂性不仅体现在技术维度上，还体现在系统在其环境中的位置及其交互作用上。为此，FAMA框架选择了两种方法并进行调整：结合利益相关者识别的系统思维，以及工作领域分析（WDA）。

**2.3.2. 系统思维**
这种方法基于系统思维和利益相关者识别，同时也受到环境分析及其社会（social）、技术（technological）、生态（ecological）、经济（economic）、政治（political）维度的启发。这些概念并未直接使用，而是对其各个方面进行了调整并有意地整合到FAMA中。系统思维的一个主要方面是考虑对感兴趣系统（SoI）的不同视角[18]。通常，这些视角包括外部视角（将SoI的输入和输出参数视为黑箱）、内部视角（系统内部的输入到输出值的转换——白箱）以及时间视角（SoI的时间发展[18]。SoI的视角被定义为利益相关者随时间的变化和需求——例如用户、制造商、买家、政治家等[18,19]。除时间视角外，这些概念还被应用于飞机设计中，以包含来自多个视角的多样化方面，帮助开发综合概念，例如涉及飞机、基础设施、环境等。这为实现欧盟委员会“绿色协议”文件[3]中同时考虑多个因素提供了有力支持——特别是在概念设计阶段就结合这些方面。

通过以下步骤，通过结构化和规范的专家研讨会来识别MM属性和标准：
- 利益相关者识别：基于调整后的系统视角，系统地识别相关的利益相关者。预定义了三个利益相关者群体：内部SoI视角、航空领域的外部视角，以及涉及全球因素的外部视角（该结构也受到参考文献[20]的启发）。专家们被要求为每个群体确定相关的利益相关者。专家们需要回答的问题包括：“你能为每个群体识别出哪些利益相关者？”；“谁会影响SoI？”；“谁会受到SoI的影响？”接下来，鼓励参与者站在利益相关者的角度考虑SoI的特性和要求，这些特性和要求可能对利益相关者有影响，或者可能受到他们的影响。根据专家的数量和他们的专业背景，他们可以各自扮演一个利益相关者的角色，也可以分成小组进行集体头脑风暴。用于确定标准的问题示例有：“利益相关者对系统有哪些要求或预期？”；“利益相关者可以给系统施加哪些限制？”；“系统受哪些标准或谁的利益影响？”用于确定属性的问题示例有：“利益相关者有哪些潜在的手段来影响系统？”；“系统概念/设计如何受到利益相关者的影响？”一旦标准和属性确定，专家们需要寻找实现这些属性功能的方法，即为相应的属性推导出多种可能性（MM选项）。由于这一步的目的是获得更多多样化的选项和组成部分，因此应促进集思广益。因此，鼓励参与者分享任何可能合适的、即使是最非传统的和抽象的想法，无论他们的技术成熟度如何，或者同行和公众的一般看法如何。示例问题包括：“如何实现属性功能？”；“哪些技术可以实现这些功能？”；“可以推导出哪些混合方案？”

与旨在描述特定系统及其与环境交互的系统思维不同，下一方法侧重于系统地提取专家知识，以用于工作领域或复杂系统的设计和分析。WDA是一种属于认知任务分析方法论的工具[21]，它允许通过结构化的专家知识采集技术来描述某个复杂的领域或系统。为此，它使用了所谓的抽象-分解矩阵（ADM），该矩阵在垂直轴上引入了多个抽象层次。在该方法的初始版本中，这些层次通常包括系统目的、价值和优先级、与目的相关的功能、物理功能及效果，以及物理对象和外观[21,22]。ADM的水平维度可能代表领域/系统的“分解层次”，如系统、单元、组件和部分。然而，标签和含义有时会根据任务进行调整[21]。通过填充反映系统功能和描述的相关ADM布局，可以描述一个系统。“目的是表达相邻层次条目之间的手段-目的关系，较低层次展示较高层次功能是如何实现的，而较高层次展示为什么需要较低层次的形式和功能”[21]。矩阵可以通过依赖文献研究或单独或分组进行专家知识采集来填写。

与系统思维相比，WDA更侧重于设计和分析工作领域或复杂系统的专家知识。与系统思维旨在描述特定系统及其与环境相互作用不同，WDA专注于系统地提取专家知识。WDA已被选为定义MM属性和选项以及标准的基础方法之一。这一选择的理由包括：能够描述复杂系统；适合专家的参与；以及ADM的灵活性。相比之下，其他主要的知识采集工具通常具有不同的目的，例如提取以往不常见案例的细节（关键决策方法）或概念映射以揭示未知的领域[21]。这些方法不太适合探索非常规技术或结合评估标准或系统价值。

2.3.2. 子问题的解决（分析）
分析单独的子问题及其相互作用和整合是FAMA框架中第二步的主要任务。在这方面面临的主要挑战是缺乏来自测试和操作的颠覆性及非常规技术的确定性数据，以及对其潜在协同效益的早期评估。未经测试且不存在的组件的不明确整合也给设计师在技术选择时做出可靠决策带来了困难。在这种背景下，需要一种合适的系统建模方法来引导专家得出结果。输出应允许考虑到所选选项、所有（子）标准以及选项之间的潜在交互/协同效应来估计综合解决方案的性能。此外，还应确保系统模型的可编程实现。

在应用任何类型的系统建模或MCDM算法之前，应首先对专家评估结果进行汇总。理想情况下，这种汇总应该能够考虑到参与者专业背景知识和经验的差异——例如，不同的经验水平、在某个领域缺乏知识或对特定技术的职业偏见。参考文献[23]区分了两种主要的汇总方法：数学方法和基于群体决策的行为方法[23,24]。这是研究不同（工程）用例的合适汇总方法的一个全新领域[23,24]，具体方法将在其他研究中探讨。到目前为止，已经测试了两种方法——未经加权的几何平均值[25]和与领域相关的专家校准[8]。前者仅进行了纯数学汇总，但没有考虑各领域的知识和专业水平。后者试图解决这一问题，但与未校准的答案相比没有显著差异[8]。本研究采用了加权几何平均值方法，旨在利用数学汇总来减少职业偏见。这是通过询问专家对每个评估的确定性水平来实现的。确定性水平的自我评估分为四个等级：(1) 相对较低；(2) 平均；(3) 相对较高；(4) 专家级。这些等级被用作计算每个问题区间评估的几何平均值的权重。

所描述的方法用于与AHP结合使用的定性评估，并已应用于本文描述的用例。对于具有定量/概率评估的BNs（贝叶斯网络），可以采用Cooke的经典模型[26,27]等方法。

2.3.3. 设计合成
设计合成的最重要部分是为“组装”好的设计解决方案生成总的标准性能分数，这些分数考虑了来自MM的相应选项。这些构成了生成的解决方案空间，并在图表中可视化。可以使用AHP进行定性评估的示例可以在[8,9]中找到，而使用BN进行概率评估的示例可以在[10]中找到。MA（多属性方法）的一个主要挑战是处理所谓的“维数灾祸”，即随着MM规模的扩大，解决方案空间也会扩大，这可能会进一步阻碍相关解决方案的识别。可以采取不同的方法来解决这个问题，其中一些方法在之前的出版物中已有介绍[8]。本文重点介绍了两种方法：基于密度的聚类和解决方案过滤[8]。这两种方法都涉及举办研讨会，由较小的专家小组根据解决方案空间中占主导地位的选项来合成概念。

2.4. 先进形态学方法的框架定位
本节提供了FAMA框架的两个定位方式。第一部分解释了FAMA如何在不同细节层次上应用于飞机设计，而第二部分则将其与其他飞机设计方法进行比较。

2.4.1. 在不同细节层次上的飞机设计过程中的定位
AMA之前的发展版本整合了选项评估的定性估计和解决方案空间分析。这仅允许对生成的概念进行相对比较，而没有对特定设计参数进行粗略的量化。扩展到FAMA后，引入了针对不同设计细节层次的新方法论概念。根据设计任务的目的和可用的数据/专业知识，FAMA框架能够处理的设计任务在图2中进行了总结。对于每个目的，可以使用适应的工具及其定义的接口来执行图1中的主要FAMA步骤。此外，还可以通过依次执行所有层次(a)、仅执行一个层次(b)或仅执行两个层次(c)来研究单个用例。图2展示了执行FAMA的定义设计层次。考虑到这些早期设计步骤的创造性和抽象性，单次执行FAMA步骤并不能保证“快速”满足设计要求。因此，它可以作为一种迭代方法使用，从而从结果中学习并为下一次迭代改进设计问题定义。

在相应的设计层次中使用的工具方法在表1中进行了总结。最上层处理高层次的概念性问题，例如识别技术和组件，以及综合一般解决方案。这些问题仅代表技术和选项的组合，并且可以在定性尺度上进行相对比较。为此，选项、相关的评估标准和子标准被组织成层次结构，并由专家进行定性评估。通过应用AHP（层次分析法），根据全局标准评估技术，并确定设计方案在定性解决方案空间中的相对位置。解决排序的目的是通过提供弱选项的筛选和半定量性能比较来扩展原始过程。一旦对设计有了更深入的理解，并且需要更多细节（图2中的第三项任务），就可以使用FAMA过程来缩小问题范围，并使用概率分布对设计参数进行定量建模。这使得系统可以被建模为一个BN（贝叶斯网络），从而可以对功能形式（FoMs）进行概率推理，并可能预测设计参数的新值。表1显示了FAMA在不同方法步骤中用于不同设计任务的工具。2.4.2. 在其他方法中的定位当前的工作展示了FAMA在概念性飞机设计中的应用，主要关注飞机作为研究对象（SoI）。然而，该方法论的通用性允许研究任何产品设计的用例，无论其领域如何。虽然考虑了外部因素（来自航空领域及其他领域），但这些因素可以根据当前的重点在更大范围内纳入。图3展示了FAMA与其他设计方法的定位和潜在交互。图3显示了FAMA在飞机设计中的位置以及与其他设计工具和领域的潜在接口。FAMA的主要焦点是非传统概念的生成、抽象设计的系统建模和解决方案空间分析。这导致了选定的概念，这些概念被定义为某些组件和技术的组合。设计方案根据定性标准或定量功能形式展示其性能——无论是通过定性比较还是概率分布。主要目的不是获得详细的设计，而是在大量配置中提供一个更可靠的比较（定性或定量）。因此，这可以作为进一步详细规模分析和更深入初步设计估计的基础。如图3所示，FAMA的结果可以用作基于模型的系统工程（MBSE）过程[31]、多学科飞机优化（MDAO）工作流程[32,33]或价值导向设计（VDD）方法[34]的输入。这强调了FAMA与其他整体飞机设计方法（如VDD）之间的区别。虽然FAMA专注于结构化的创新概念生成、抽象系统建模和不确定性处理，但典型的VDD在飞机设计中侧重于这些概念的价值中心比较[34]。通过AHP进行的定性系统建模也反映了配置的价值评估，就像VDD中使用的其他MCDM（多标准决策方法）一样。然而，后者通常用于更详细的比较。同时，FAMA中使用AHP的目的是为更高抽象度和不确定性的概念提供解决方案，从而允许更多地考虑非传统配置。3. 第一层案例：区域空中运输本文的第一个案例旨在展示FAMA在技术识别设计任务中的应用，如图2和表1所示。它展示了使用适应的系统思维生成MM属性、选项和标准的过程。这一步将这些内容组织成适合AHP的层次结构，并随后生成解决方案空间。该案例展示了通过多个研讨会来简化数据和思想流的过程，最终合成了代表解决方案空间不同区域的解决方案。根据某些估计，通过某些推进系统（例如全电动或基于燃料电池）减少长途航班排放的当前前景可能有限[35,36]。然而，这些仍然是绿色短途和中途航线研究的重点。同时，人们观察到铁路运输在区域规模上的竞争力增强。这导致了政治上支持高速列车而非区域航班的举措，从而旨在减少商业航班的温室气体排放。法国禁止一部分商业国内短途航班的措施是一项前所未有的限制作法，旨在减少空气运输市场的排放。法国政府的这一决定是对2021年“气候法”的一部分[37]，该法律规定禁止前往可通过公共铁路服务在2.5小时内到达的目的地的商业国内航班[38]。考虑到法国的高速铁路服务网络，火车可以被视为连接遥远主要城市的合适且舒适的交通工具。特别是，由于现有直接铁路连接时间少于2.5小时，以下一些热门飞行路线可能会从时间表中剔除，如图4所示及其对应的经线距离：图4显示了由于这些原因计划取消的一些法国国内航线及其对应的经线距离：图4. 由于现有直接铁路连接时间少于2.5小时而计划取消的一些法国国内航线及其经线距离。地图来源：[39]。巴黎奥利机场（ORY）–南特（NTE）：345公里；巴黎奥利机场（ORY）–波尔多（BOD）：493公里；巴黎奥利机场（ORY）–里昂（LYS）：391公里尽管火车在环保方面可能更受青睐，但不应完全忽视航空运输在旅行（飞行）时间方面的优势。此外，这样的措施会给现有的铁路能力带来额外负担，可能导致服务中断增加，并需要额外投资。在这种情况下，该案例研究了区域飞机的概念设计，以便以定性方式识别和评估潜在技术并提出综合的设计解决方案。全局顶层任务要求（TLARs）是设计范围为500公里，并能在2.5小时内完成这段距离的旅行，同时尽量减少二氧化碳排放并提高能源效率。以下小节将描述此案例中FAMA步骤的执行情况。3.1. 第一步：问题探索与分解目的：识别相关利益相关者；识别区域飞机的相关技术和运营概念适应的工具：系统思维、STEEP标准、AHP层次结构的定义输出：基于STEEP方面的MM和标准问题探索与分解步骤是在一个现场研讨会上进行的，共有来自飞机设计和轻量化结构领域的九位专家参与。以下描述了第2.3.1节中推导出的理论的应用。3.1.1. 利益相关者分析利益相关者分析是通过考虑第2.3.1节中描述的不同角度来进行的，这将有助于了解系统设计可能受到的影响和利用方式。专家们被要求提出与待设计飞机有关的任何主题或实体，飞机被定义为SoI（研究对象）。为此，向他们展示了SoI的主要视角——SoI、航空领域和全局视角。专家们被问到的问题是：“谁影响SoI？谁受到SoI的影响？”参与者的任务是集思广益，并在相应的视角中填入相关主题/实体。结果如图5所示。图5. 适应飞机设计的SoI视角。使用的缩写：MRO—维护、修理和大修；ATC—空中交通管制。所用图片来源：[14,40]。3.1.2. 形态矩阵的标准和属性定义在定义了主要利益相关者之后，专家们被要求从利益相关者的角度推导出评估标准和MM属性。需要回答的主要问题是“每个利益相关者可以对该系统施加哪些标准/期望/限制？”这部分工作也是集体完成的。答案由主持人记录在表格中，如表2所示。由于研讨会参与者只涵盖了与少数利益相关者相关的经验和知识，因此有些利益相关者没有被进一步包括在内。然而，这些结果仍然允许方法步骤的一致执行。表2. 不同利益相关者的评估标准推导。MM属性的确定方式也类似。为此，专家们必须决定SoI在这个早期概念设计阶段的主要组成部分或特征。他们回答的问题涉及利益相关者的视角下系统如何定义和变化：“利益相关者可以对系统设计产生哪些影响？”相应利益相关者的最终MM属性如表3所示。由于该案例的重点是飞机设计，大多数属性被分配给了飞机制造商。在此需要强调的是，在一个案例中不可能涵盖所有利益相关者、标准等。因此，每个FAMA用户都有权定义他们任务的焦点和期望的方向。表3. 不同利益相关者的MM属性推导。3.1.3. 形态矩阵的选项定义定义出的MM属性使得后续可以详细制定选项——SoI功能的替代实现或对利益相关者影响的回应。这些在图6中以完整的MM形式呈现。可以认为这是创造性任务的结果，产生了多种选项/技术。图6. 基于专家研讨会上进行的利益相关者和技术识别的区域飞机概念设计的MM。3.2. 第二步：子问题分析目的：根据MM和标准建立系统模型，并对其进行评估。使用的工具：AHP、自有在线评估平台输出：专家对选项和子标准的评估，根据全局标准的解决方案得分3.2.1. 系统建模这一步的目的是获得适合适应性AHP方法的层次系统模型[9,11]。在此背景下，专家们被要求将属性、选项和全局标准组织成层次结构。由于全局标准具有相当普遍的性质，因此需要定义子标准来反映全局标准，但更具体于各个属性及其选项，如图7所示。来自[11]的经验表明，这不仅对专家的选项评估更直观，而且能够产生更一致的结果。图7. 研讨会期间旨在获得的总体层次结构。为此，提供了一个包含属性、它们的选项和全局标准的一般结构。专家们需要通过添加相关的子标准将属性与全局标准联系起来。这些结果如图8所示。图8. 专家为后续使用AHP进行的层次系统建模的结果。全局和子标准的着色反映了它们在层次结构中的连接关系。3.2.2. 选项评估这种结构允许分析与此案例中的选项对应的子问题。如[9]所定义的，层次结构被用作根据其上一级元素评估每个元素的基础。这在研讨会之外的下一步进行，专家们单独连接到评估服务器并输入他们的定性评估。首先，根据图7中IV级元素对应的III级子标准对选项进行评估。然后，根据II级的全局标准对III级的子标准进行评估。这两个评估集被用作AHP算法的输入，该算法根据全局标准（第二级）计算选项（第四级）的得分。如2.3.2节所述，当前的工作试图避免之前在[9]中使用的模糊数进行成对选项比较时存在的不确定性。相反，选择区间不确定性来评估每个单独的选项或子标准，在一个更新的定性尺度上。已经开发了一个专门的在线浏览器应用程序，允许匿名专家登录并交互式地选择他们的评估，如图9所示。它展示了界面和根据单一子标准对同一属性的选项进行评估的图表。对于每个属性，专家根据y轴上的尺度输入他们对每个选项的估计下限和上限。该尺度代表了根据当前子标准对选项的五个定性评估——极低、中等低、平均、非常高和极高。此外，参与者还输入他们对每个估计的确定性，这将在所有专家之间的聚合过程中用作权重（见2.3.2节）。图9。开发出的在线评估平台的截图，用于部分选项。根据全局标准对选项得分的评估是通过对[9]中定义的模糊AHP进行执行的。为了使用相同的方法，区间被表示为模糊数，其中隶属函数等于1的区域。由于模糊AHP需要表示成对比较的输入，而不是单独的选项评估，因此通过将模糊数转换为它们的清晰版本（区间界限的平均值）并获取它们的比率来进行计算。3.2.3. 专家评估的质量检查通常，在继续之前需要对从专家知识提取的数据进行质量检查。评估的定性特征和存在的偏见使得这一步特别具有挑战性。这是因为许多非常规技术缺乏文献来源或模拟数据，因此这些定性评估无法进行校准或验证。这需要通过引入以下检查来适应现有的数据类型：（1）分析专家之间的答案分布；（2）选择可能与现有技术数据相关的评估。评估分布的分析包括直方图可视化以及对每个问题的答案进行正态性测试——分别检查区间评估的下限和上限。可以区分两种常见的直方图结果模式。图10a显示了专家输入的上限和下限区间有小范围重叠且几乎呈正态分布。这可以在涉及相对知名技术的问题中观察到：图10a展示了根据其CO2和NOX排放量对煤油能源质量的问题的回答。大约4和2的上限和下限表示“较低的选项质量”，即煤油的排放量较高。另一方面，图10b显示了对火箭发动机系统复杂性的评估。观察到显著的重叠和与正态分布的明显偏离。对专家理由和反馈的评估揭示了一些问题的模糊性，特别是涉及不常见技术的问题。在这种情况下，一些参与者认为火箭推进对于区域飞机来说过于复杂，而另一些参与者则认为火箭推进系统比典型的涡轮螺旋桨或涡轮风扇系统简单。图10。直方图展示了专家对同一子标准下仅一个选项的两个典型答案分布。红色条形代表为区间上限给出的某个评估的数量，蓝色条形表示下限：（a）对于更熟悉的技术，上限和下限区间有小的重叠且几乎呈正态分布。当前问题：根据全球标准对煤油能源质量的评估。（b）根据系统复杂性对火箭发动机的评估。如果将几乎呈正态的分布作为数据质量的衡量标准，p值为，则在总共102个评估中，正态分布的下限和上限区间分别有和个。在大多数情况下，对于相同的任务观察到正态分布的下限和上限区间。这一证据支持了这样的建议：对于给定的任务，答案是一致的，而对于其他任务则不太明确。选择p值的阈值高于常规的，以考虑主观偏见。重要的是要强调，通过增加参与者的数量很难提高这种定性评估的置信度。因此，这种方法并不是为了用更大的样本来确认的。这里的目的是让具有不同知识的专家参与进来，他们能够涵盖更广泛的主题，并更全面地考虑各种因素。少数可以用现有数据验证的属性包括水平推力和能源来源。这些属性与CO2排放量[gCO2/kg]、推进系统总效率[-]和相对能耗[kWh/PAXkm]的数据进行了关联。图11通过考虑它们的上限和下限区间值的平均值，展示了数据与专家平均评估之间的相关性。数据取自来源[41,42]的文献摘要。尽管与其他定量研究相比，12个数据点的数据集可能显得有限，但相关系数仍然表明专家评估对于这些属性具有一定的有效性，考虑到评估的定性特征和不可避免的偏见。这不能被视为一个完整的稳健性分析，而只是一个初步的数据一致性检查。图11。某些属性的水平推力和能源来源的标准化平均专家评估与标准化数据之间的相关性。3.3. 第3步：设计综合目的：解决方案空间的可视化，综合设计解决方案的工具：自有的AMA软件，自有的设计综合研讨会概念输出：解决方案空间，综合解决方案3.3.1. 解决方案空间的生成根据AHP获得的全局标准得出的选项得分允许生成解决方案空间，如图12所示。每个数据点都是一个设计解决方案，代表了每个属性的不同选项组合。它们的全局标准得分之和决定了解决方案在环境、系统复杂性和DOC轴上的位置。通过对多个选项进行交叉一致性检查，解决方案空间从4320（穷尽）个组合减少到819个可能的概念。此外，还考虑了一些定性选项交互对综合解决方案的影响，表现为对总和选项得分的百分比增加或减少。图12。区域飞机概念设计的聚类解决方案空间。解决方案空间使用OPTICS算法（排序点To识别聚类结构）[43]进行聚类，该算法使用scikit-learn包[44]为Python 3.7实现，并在图12中显示了解决方案的颜色。与之前使用的K-Means聚类算法[8,25]不同，OPTICS是基于密度的，它只对满足某些密度标准的数据点进行分类，在这种情况下——即簇成员的最小数量。这导致了18个簇（着色的）和447个未聚类的解决方案（灰色的）。选择基于密度的聚类是为了寻找彼此更接近的解决方案，因此可以代表一组“稳定”的类似设计。同时，部分聚类只是简单地划分整个数据集空间，在飞机设计解决方案的背景下没有任何特定的意义。3.3.2. 设计综合先前的工作[8,25]观察了不同轴/标准上解决方案空间的最优点。在这种情况下，帕累托前沿上的点代表具有相当常规选项的配置。这一步的重点是研究密集的解决方案簇，以检查它们是否包含主导选项以及如何为其中一个簇综合代表性解决方案。在这种情况下，选择了两个平均总得分最高的簇（根据三个标准）。每个簇由两名专家组成的小型研讨会进行研究。研讨会步骤按照预定义的表格完成，结构如下：配置定义、配置细节、设计参数/能力满足情况。第一步如图13所示——首先向参与者提供每个簇中每个属性的两个最突出的选项（或一个）。在一个特殊字段中，他们应该详细讨论这些选项之间的权衡，并提出一个最能满足要求的合适配置。他们通过为每个属性选择只有一个选项来冻结配置。图13。两个簇中每个属性的最突出选项（编号为1和2）显示在右侧。然后他们应该提供选项整合的细节，并提供飞机的三维视图，图14中的一个工作表展示了其中一个示例。下一步是定义配置细节，如操作方面、客舱布局、起落架集成等。研讨会通过检查设计的配置是否满足主要要求来结束：在这种情况下，这些要求是500公里的设计范围、在两小时内覆盖该范围的能力（旨在与铁路运输竞争），以及零CO2排放的目标。图14。在解决方案综合研讨会中使用的工作表示例。其中一个小组的工作结果是设计了一种由支柱支撑的氢动力区域飞机，配备了燃料电池。在这个例子中，参与者设计了一个位于高速公路（靠近重要高速公路交叉口）附近的跑道概念，并配备了必要的基础设施。接下来是对设计参数的估计，如巡航高度、速度、跑道长度等。3.4. 讨论本文的第一个用例展示了在每个设计过程开始时使用FAMA的最通用目的——识别组件、技术及其方面，以及对综合解决方案的建议。这种设计目的纯粹是定性的——从专家的技术评估到解决方案空间。它并不旨在提供有关飞机尺寸或设计参数的信息，而是帮助使用结构化的创造性技术超越设计师的经验。对于新区域客机概念的制定，这种方法得出了两种配置，其中一种是一种带有高速公路着陆概念的氢动力飞机，包括相应的基础设施。这不仅考虑了技术方面，还考虑了基础设施和社会需求及标准，这是通过系统思维和利益相关者分析实现的。需要强调的是，由于复杂性的迅速增加，这个用例仅考虑了有限数量的利益相关者、属性和选项。然而，它展示了FAMA的潜力和灵活性，允许用户根据他们的用例和设计目的关注不同的方面。提出了一种处理由于MM大小而导致的解决方案空间“爆炸”的新方法——基于密度的聚类。它允许推导出代表具有给定密度标准的解决方案簇的配置。这减少了需要分析的解决方案数量，并简化了不同解决方案空间的综合过程。4. 第2级的用例：长距离节能飞机的概念设计背景第二个用例执行FAMA，目的是根据排序对技术进行分类并进行基于排序的解决方案综合。这是与UniSELECT项目合作完成的。该项目的目标是制定未来远程飞机概念设计的指导方针，利用技术、运营场景和颠覆性配置之间的协同潜力，实现至少与当前的空客A350类似飞机相比的能源节约。为此，FAMA的应用方式与第一个用例基本相同，但展示了其在不同目的下的应用。在定义MM（多属性模型）和标准时，要求分别设定三个不同的FAMA使用场景，重点关注飞机配置、运营场景和技术。首先独立执行这些设定，随后在专家研讨会上将结果结合起来，以获得包含所有三个场景要素的综合概念。

4.1 第一步：问题探索与分解
与第一个用例不同，通过将WDA（加权分析法）适配到AHP（层次分析法）的层次结构中（参考[11]），以更简洁的过程得出了总体标准、子标准以及MM属性和选项。为此，将WDA中的值转换为适用于AHP的“标准”。较低的层次也预先定义为特定属性的子标准和选项。与WDA类似，专家被指导从顶层开始逐层分析，执行以下步骤：（1）头脑风暴——添加缺失的元素；（2）清晰度检查——确保所有元素都定义明确；（3）将上层元素与下层元素联系起来。每个使用场景都分别制定了这样的层次结构。这产生了大量的MM，旨在穷尽有前景的概念——图15展示了配置场景的一个例子。每个场景选定的总体标准如下：
- 配置场景：排放量、技术适用性（即某一配置特征对特定技术的适用性，例如氢推进系统）、系统复杂性；
- 运营场景：直接运营成本、生态影响以及必要的飞机系统调整；
- 技术：排放量和能源效率。

4.2 第二步：子问题的解决
与第一个用例类似，子问题的分析通过在线浏览器应用程序进行，如第3.2节和图9所述。考虑到选项数量众多和问卷内容广泛，引入了一些额外功能，例如保存评估结果并随时继续评估。在获得所有选项和子标准的评估后，使用AHP根据总体标准计算选项得分，从而在下一步中确定总解决方案得分及其在解决方案空间中的位置。

4.3 第三步：设计综合
4.3.1 解决方案空间的生成
三个使用场景生成的解决方案空间在图16中可视化。图表轴表示第一步定义的相应总体标准。庞大的MM导致了解决方案空间的扩展，因此在图中仅展示了部分最佳解决方案。飞机配置场景的形态学（详尽）解决方案空间包含5,806,080个解决方案，并从中排除了不可行的选项组合。图16从左数第一个图表仅展示了8500个最佳配置，以展示数据结构的相关部分。这次使用了K-Means聚类算法，因为它比OPTICS算法更能有效分离数据。

4.3.2 设计综合
设计综合步骤以线下研讨会的形式进行，参与者包括来自工业界和研究机构的九位专家。其目的是结合飞机配置、运营和技术三个场景的应用结果，揭示最具能源节约潜力的飞机概念。研讨会概念借鉴了第3.3节中的描述。考虑到主要目标是能源效率，参与者决定根据相对于参考远程飞机（本例为空客A350类似飞机）的能源效率百分比变化对每个场景的选项进行排序。对于每个场景，小组为选项分配了能源效率的百分比改进值。

4.4 讨论
在UniSELECT项目中应用FAMA揭示了该设计框架的多个额外优势。首先，最重要的是FAMA可以用于不同的设计目的，不仅包括纯粹的定性技术识别和综合，还包括基于半定量性能比较的技术和设计解决方案的筛选与排序。其次，通过整合适配版的WDA，FAMA更有效地定义了MM元素和标准。一方面，它不涉及不同系统视角的考虑；另一方面，它以灵活的方式向专家解释了工作流程，使他们能够构建AHP所需的层次结构。第三，专家对研讨会概念的调整虽然略偏离了初始计划，但仍符合FAMA框架的方法论主要步骤。专家决定以百分比表示能源效率改进，这有助于基于这些百分比进一步进行解决方案综合。这可以视为FAMA理念的一种外部验证方式，体现了其灵活性和新的执行方式。最后，专家对研讨会概念的微调还有一个优势，即使用案例和选定的解决方案鼓励参与者根据自己的专业知识和经验以解决方案为导向参与过程，从而提升了他们的贡献价值。

5. 结论
迄今为止，涵盖了广泛任务和目的的飞机设计方法还很少。这些方法要么详细但专注于传统配置，要么非常通用[7]。仍需要以结构化和易于理解的方式考虑非常规配置和技术组合及其不确定性。为了填补这一空白，FAMA方法的持续迭代发展形成了一个灵活的工具箱，根据（1）设计任务；（2）可用数据的类型和数量；（3）专家知识的参与；（4）所需的设计细节，提供不同的工程设计方法。该方法不仅在数据和技术更充足时支持概率设计，还能在概念设计初期识别和评估技术。FAMA可用于三项设计任务：技术识别、解决方案排序/筛选以及设计参数和性能的概率估计。本文概述了FAMA框架，并将其应用于前两项设计任务；使用贝叶斯网络生成概率解决方案空间的工作留待未来发表。

第一个用例展示了非传统技术的识别以及为新一代区域客运飞机合成解决方案的过程。它展示了通过面对面研讨会中系统思维和层次结构建模的结构化应用来制定标准、MM属性和选项的过程。专门的在线评估平台允许通过将不确定性建模为区间来交互式评估选项和子标准。进一步使用AHP考虑了特定属性的子标准，提高了定性结果的可靠性，避免了直接针对模糊总体标准的评估。基于此，生成了庞大的解决方案空间。其分析挑战通过识别相似解决方案的密集簇而变为优势。在较小专家小组中进行的基于这些数据的综合评估遵循了结构化的创造性收敛思维流程，得出了有前景的配置。

第二个用例具有类似的结构，但展示了FAMA在超出纯粹定性技术和技术识别之外的设计目的中的适用性。鼓励的创造力导致为关键技术分配了能源效率的百分比改进，并衍生出三个有前景的概念。概念A结合了串联翼、翼上的开放式旋翼风扇发动机和推进式机身，预计相比基准概念能提高约XX%的能源效率，并且到2050年的潜力改进显著。第二个概念（概念B）采用了混合式机身的设计，内设液体氢罐和相邻的客舱，专家估计其效率比参考机型高出约YY%。最后，概念C结合了带有开放式旋翼发动机的高支撑翼和推进式机身，并通过添加可折叠翼尖实现了更高的展弦比和抗阵风及机动载荷能力。参与者认为概念C相比参考机型能提高约ZZ%的效率。

5. 结论
到目前为止，能够涵盖更广泛任务和目的的飞机设计方法仍然有限。这些方法要么过于详细但专注于传统配置，要么过于通用[7]。因此，仍需要以结构化且易于理解的方式考虑非常规配置和技术组合及其不确定性。为了填补这一空白，FAMA方法的持续迭代发展形成了一个灵活的工具箱，根据（1）设计任务；（2）可用数据的类型和数量；（3）专家知识的参与；（4）所需的设计细节，提供了不同的工程设计方法。该方法不仅在数据和技术更充足时支持概率设计，还能在概念设计早期识别和评估技术。FAMA可用于三项设计任务：技术识别、解决方案排序/筛选以及设计参数和性能的概率估计。本文概述了FAMA框架，并将其应用于前两项设计任务；使用贝叶斯网络生成概率解决方案空间的工作将留待后续发表。

第一个用例展示了新一代区域客运飞机的非传统技术识别和综合解决方案的过程。它展示了通过面对面研讨会中系统思维和层次结构建模的结构化应用来制定标准、MM属性和选项的过程。专用的在线评估平台允许通过将不确定性建模为区间来交互式评估选项和子标准。进一步使用AHP考虑了特定属性的子标准，提高了定性结果的可靠性。在此基础上生成了庞大的解决方案空间。其分析挑战转化为通过识别相似解决方案的密集簇所带来的优势。在较小的专家小组中进行的基于这些信息的综合评估遵循了结构化的创造性收敛思维流程，得出了有前景的配置。

第二个用例具有类似的结构，但展示了FAMA在除纯定性技术和技术识别之外的其他设计目的中的适用性。鼓励的创造力使专家为关键技术分配了能源效率的百分比改进，并得出了三个有前景的概念。定义MM和标准的过程因用WDA的改进版本取代了利益相关者分析而更加顺畅。该过程不仅能够识别相关技术，还能够计算生成解决方案空间并在非常规解决方案簇中合成代表性设计。整个框架的新颖之处不仅在于不同工具的整合和接口，还在于它将模糊的概念定义过程简化为直观的发散和收敛思维循环。它允许传统设计过程、专家创造力、不确定性考虑、解决方案空间的计算生成以及飞机设计专业知识的结构化整合。这种方法引导参与者从一个所谓的“棘手问题”（无法通过分析解决）向包含非传统组件的多种飞机配置过渡。

考虑到多个系统视角以及相关利益相关者的需求和他们的要求，符合欧洲到2050年发展碳中和民用航空的指导方针“Fly the Green Deal”[3]。该方针强调了基础设施调整、替代燃料和乘客便利性等方面。本文提出的用例旨在进行定性技术识别和解决方案综合，从而得出一致的设计，但未提供设计参数的详细信息。它适用于抽象的、创造性的且有指导性的概念探索。未来的出版物将展示FAMA在利用贝叶斯网络进行设计参数概率估计方面的应用。