任务导向的集群自主智能无人系统动态弹性评估：非马尔可夫负载-记忆与性能-健康耦合演化框架

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Mission-Oriented Dynamic Resilience Assessment for Clustered Autonomous Intelligent Unmanned Systems: A Non-Markovian Load-Memory and Performance-Health Coupled Evolution Framework

　　

执行长时间、资源受限任务的聚集体群自主智能无人系统（AIUS）会面临计划性任务需求变化、随机性应力、任务健康裕度不确定以及有限的补偿手段。该裕度可能因不可逆的退化或因剩余航次内无法补充的任务资源耗尽而减少。补偿手段虽可维持短期功能，但会增加机械、热和电气应力，从而加速后续裕度损耗。本文将面向任务的动态运行韧性定义为：给定监测信息、任务剖面、干扰预报和自适应策略条件下，系统在整个剩余时段内维持任务所需功能的能力的条件概率。确定性的相位转换属于计划内的需求变化，而非干扰。本文构建了一个非马尔可夫模型，引入了历史负载与补偿应力的衰减记忆状态，并耦合了推导出的健康—性能关系及有界补偿。剩余任务成功概率（RMSP）通过标准粒子滤波与条件前向仿真计算得出。在一项可复现的三UUV数值研究中，一次未预报的洋流扰动使RMSP由检测前的1.00降至扰动初现时的0.36、决策时刻的0.35，而确定性的剩余健康阈值规则始终为1。触发RMSP的重规划将反事实任务成功率由0.334提升至0.703，并将累积亏空降低66.2%。在320个后验预测场景中，该模型达到Brier评分0.208、终点退化平均绝对误差0.0137，优于无记忆与解耦基线方法。

引言：由于分布式感知、任务共享与冗余可以提升覆盖范围与任务连续性，自主智能无人系统正越来越多地以异构集群形式部署。然而，长时任务会使这些系统同时暴露于计划性任务阶段变化、环境不确定性、部件退化、通信受限以及有限的能量或执行器储备等因素中。这些因素在无人在水下航行器（UUV）集群中尤为明显：洋流、湍流、盐度梯度、声学信道波动与导航不确定性会与推进与能量约束相互作用。同一机制也广泛出现在长时无人机、地面、水面及太空无人系统中：无人机在风中可能加大推进功率；地面车辆在松软或倾斜地形上可能增大驱动扭矩；无人水面或水下航行器可能提高螺旋桨转速与电机电流以保持航速或队形；自主航天器可能重新分配姿态控制、热管理或通信资源。在每种情形中，短期补偿虽可维持任务性能，但会增加能量通量、温度、机械应力、执行器占空比与磨损。

图1 所示的性能—健康反馈对任务风险至关重要。健康衰退会降低推进效率、可用能量、感知精度或控制权限。当交付性能逼近任务需求时，控制器会通过增加输出做出响应。该响应可延缓即时功能丧失，但会消耗储备能力并改变未来的退化速率。因此，一个仅估计健康而不表征该闭环的模型，恰恰在补偿最活跃时可能给出过于乐观的判断。

经典韧性研究强调系统吸收、恢复并适应干扰事件的能力[1–6]。相位任务可靠性研究量化在结构或需求变化下完成连续任务阶段的概率[11,12]。预测与健康管理（PHM）则从状态监测数据估计潜在退化与剩余使用寿命（RUL）[13–19]。这些研究方向互补，但单独任一项都不能直接回答本文关注的在线运行问题：给定当前后验健康分布、剩余计划任务、更新后的干扰预报以及可用的补偿或重规划策略，聚集体群AIUS在任务结束前维持任务所需功能的概率是多少？

第一个缺口涉及术语与事件表征。计划性任务相位转换是任务计划中的确定性要素，不应被标注为"干扰"。例如，巡航—搜索—返回剖面会在已知时刻改变需求与标称负载。韧性所面临的挑战，源于随机环境应力、退化不确定性、局部性能损失或补偿诱发的应力导致可用能力偏离计划需求包络。因此，本文修订后的框架将计划性需求过程与随机性破坏性应力分离。

第二个缺口涉及状态估计与任务评估的区分。非线性滤波（包括粒子滤波）由含噪测量估计隐状态[20–22]。滤波本身并不能定义任务成功事件、表征集群的功能逻辑，也无法将健康后验转化为剩余时段成功概率。类似地，常规RUL估计的是部件级退化阈值对应的剩余时间，这未必与任务特定性能约束变得不可行的时刻一致。因此，本文的方法学重点并非提出新的粒子滤波算法，而是将路径依赖退化机制、健康—性能耦合、任务需求约束、集群冗余与在线条件概率相结合的形式化。

第三个缺口涉及模型论证。若未阐明每个映射的物理含义、边界条件与替代方案，复杂评估框架可能显得武断。本次修订从比例损失假设出发推导指数型健康—性能关联，明确引入负载记忆而非仅将时变漂移描述为非马尔可夫，区分瞬时与累积任务准则，并考察替代关联函数与任务成功准则。

本文主要贡献如下。
1. 提出范围界定的面向任务动态运行韧性定义。计划性相位转换规定需求剖面；随机环境负载、退化不确定性与补偿诱发应力为破坏性应力。RMSP定义为条件剩余时段功能成功概率。
2. 建立物理可解释的性能—健康耦合退化模型。健康限制标称性能，受约束的补偿提供短期输出，补偿产生附加应力，衰减记忆状态使未来退化依赖历史负载暴露。
3. 提出一种混合集群任务成功事件公式，将最大瞬时亏空容忍度与累积亏空预算相结合。该公式将硬路径约束、累积准则、剩余可靠性与RUL型事件包含为其特例。
4. 将标准粒子滤波与加权前向随机仿真结合，在线计算RMSP。可复现的三UUV研究包含消融实验、后验预测验证、关联函数与准则鲁棒性检验、双因素敏感性分析，以及阈值触发重规划演示。

论文其余部分在第2节展开概念区分，第3节陈述问题与韧性定义，第4节推导耦合模型，第5节给出在线估计器，第6节报告数值研究，第7节讨论可推广性与局限性。

**片段：韧性、可靠性、RUL与任务成功**
韧性并非单一公认的度量。工程界常见定义包括吸收能力、恢复能力与自适应能力，通常由干扰后的性能轨迹来量化[1–6]。这些度量适用于基础设施与系统之系统的研究，其中干扰事件造成可见损失并随后恢复。以需求为导向的韧性框架还强调性能是否满足用户或任务剖面要求。

**片段：任务剖面、随机应力与假设**
考虑N个异构单元在[0,T]上执行含K个计划阶段的任务，设阶段边界为0=T?< />0，β_n>0。
该指数形式源于比例损失假设，而非仅出于方便。若微小退化增量带来的相对性能损失与剩余性能成正比，则
dP_n/dX_n=?β_n·P_n，
积分即得式(8)。在归一化全新状态性能下，α_n=1。该映射满足P_n^nom(0)=1，恒为正、单调递减，并使用一个参数。

**片段：离散增广状态空间模型**
采用Euler-Maruyama离散化[24]得：
M_{n,k+1}=ρ·M_{n,k}+(1?ρ)·z_{n,k}，ρ=exp(?Δt/τ_m)。
X_{n,k+1}=X_{n,k}+μ_{n,k}·Δt+σ_n·√Δt·ξ_{n,k}，
其中ξ_{n,k}~N(0,1)，μ_{n,k}为式(17)中括号内的漂移项。完整增广状态包含所有单元的退化状态与记忆状态。

**片段：粒子滤波推断**
自助粒子滤波[20–22]用加权粒子表示后验：
p(Z_k|Y_{0:k})≈∑_{i=1}^{N_p} w_k^{(i)}·δ(Z_k?Z_k^{(i)})。
每次更新通过式(20)–(21)传播粒子，计算观测似然，归一化权重，并进行重采样。

**片段：研究目的、运行规模与可复现性**
案例研究代表一次不间断的12小时紧凑UUV集群运行航次，而非车辆或其部件的日历服务寿命。12小时时域处于便携型与小级别UUV已有续航记录的范围内：已发表设计文献报告便携AUV航行时间约12小时，官方厂商发布信息报告REMUS 100续航可达12小时[25,26]。官方厂商信息亦报告……

**片段：扰动表征的可推广性**
突发洋流脉冲是一个直观的UUV示例，而非框架的限制。外生过程E(t)可以是阶跃、脉冲、斜坡、相关随机过程、状态切换过程、标记点过程或数据驱动预报。在水下应用中它可表征洋流、波浪诱发负载、声学衰减、浑浊度或导航退化；对无人机可表征阵风、结冰、载荷变化或温度；对无人地面车辆则可表征地形坡度、土壤阻力等。

**结论**
本研究发现重新表述了面向聚集体群AIUS的动态韧性评估，围绕精确的剩余时段任务事件。确定性相位变化属于计划性需求变化，而随机环境负载、退化不确定性与补偿诱发应力才是破坏性因素。面向任务的动态运行韧性由RMSP量化：集群满足混合瞬时与累积功能准则直至CRediT作者贡献声明结束的条件概率。

CRediT作者贡献声明：
常青：概念化、方法学、软件、形式化分析、调查、验证、可视化、原稿撰写、审阅与编辑。
戴伟：概念化、方法学、监督、验证、审阅与编辑。

CRediT作者贡献声明：
常青：原稿撰写、可视化、验证、监督、软件、项目管理、方法学、调查、数据整理、概念化。
戴伟：审阅与编辑、验证、监督、方法学、概念化。

常青 | 戴伟