利用ＲＢＦ神經網絡對裝備完好性敏感性進行分析

摘要：裝備維修保障系統作為裝備系統的組成部分，對維持武器裝備處于高水平的任務可用狀態扮演著不可或缺的角色，高技術武器裝備對維修保障的敏感性高。論文確立了裝備完好性敏感性分析指標選取的原則，借鑒美軍診斷裝備完好性的方法，選取了本地庫存滿足率、工作區率、基地庫存滿足率等一系列有較強的實際意義的敏感性指標，使用熵權法確定了這些指標的權重，并對源數據進行了標準化處理，最后運用RBF神經網絡對裝備戰備完好敏感性進行了分析，為部隊掌控裝備完好性提供了一個新的思路。

關鍵詞：裝備完好性；敏感性分析；RBF神經網絡；指標；熵權法

中圖分類號：TP399文獻標識碼：A文章編號：1002-3100(2008)04-0116-04

Abstract: Equipment Maintenance and Support System is a part of equipment system which is very sensitive to the former for maintain a high level mission capable state. In this issue， picking principles of sensitivity analysis metrics are introduced. Referencing to USA methods to diagnosing the equipment readiness， a series of practical metrics are chosen to build the sample data. Then， Entropy coefficient theory is applied to standardize the source data. Finally， sensitivity analysis on equipment readiness is completed by using RBF Neural Network. This provides a thinking process for the army.

Key words: equipment readiness; sensitivity analysis; RBF Neural Network; metric；Entropy

0引言

裝備維修保障系統是裝備系統的重要組成部分，是部隊戰斗力的倍增器。裝備完好性敏感性分析，對于在有限資源約束條件下，研究提高裝備戰備完好性，減少后勤負擔，優化資源利用效率，有著積極的作用。裝備維修保障系統具有高度復雜性和非線性，而一般的解析式方法簡單粗糙、精度不高，無法確切反映各種指標之間的交互關系。神經網絡具有非常強的非線性映射能力，可根據訓練樣本自動調整連接權值，適合對內部結構不完全明了的情況。裝備維修保障系統涉及人員、設備、設施、技術資料、計算機、備件等等諸多因素，系統內部行為復雜多變，最終目的是保障裝備處于較高的完好性水平，能夠完成作戰任務。如何在有限資源條件下，使保障系統充分發揮效能，成為人們研究的熱點問題。

近年來，國內一些學者利用神經網絡對裝備維修資源保障系統能力進行評估。馬曉峰等[1]基于人工神經網絡理論及BP網絡原理，建立了裝備保障資源評估模型，初步形成對裝備保障資源各基本內容的評估。程力等[2]構建了維修資源保障能力評估指標體系，應用人工神經網絡及BP網絡的理論和方法，建立了維修資源保障能力評估的BP神經網絡模型，提出了應用特爾斐法與層次分析法相結合確定各指標權重，并采用變權綜合法思想構造神經網絡訓練樣本的方法，該模型較好地克服了人為因素和模糊隨機性的影響，具有較高的可信度。金偉等[3]在系統分析維修保障系統能力各種影響因素的基礎上，構建了維修保障系統能力評估指標體系，詳細設計了用于評估維修保障系統能力的BP神經網絡模型。曹登高等[4]利用RBF網絡對航空裝備維修保障能力進行評估，為航空裝備維修保障能力評估提供了一種新的思路。但是，尚未發現利用神經網絡進行裝備完好性敏感性分析的研究，本文嘗試采用神經網絡來對裝備完好性指標的敏感性進行分析。

1裝備完好性敏感分析指標體系

影響裝備完好性的因素眾多、交互作用復雜，備選指標門類繁多。據統計，美國陸軍用于裝備完好性診斷的指標達1 000多個。如何建立適當的指標體系是裝備完好性敏感性分析的難點。本文借鑒美軍在裝備完好性評估中的做法，從維修保障系統的性能衡量角度出發，建立了裝備完好性敏感性分析的指標體系。

1.1指標體系選取應遵循幾個原則

（1）系統性。選取指標要系統全面地反映評價對象的性能，不能以偏概全。

（2）開放性。維修保障系統是開放的自然和人工社會系統。與外界交換信息、物質，不能封閉起來選擇一些孤立的評價指標，以免評估失真。

（3）完整性。選取指標要完整，不能遺漏，否則指標體系的效用和評價結果會受到影響。

（4）前瞻性。選取指標不僅要滿足現階段評估要求，并且要能夠適應將來對評估的要求。

（5）變革性。根據評價意圖和發展側重，可以對評價指標體系進行調整。

（6）實用性。評估是否有價值有意義，關鍵在于能否使評估對象得到真正的改進和提高。

1.2指標應具備的幾個功效

（1）客觀性。盡可能使用公開、公正的手段獲得數據和信息，以如實、完整地反映能力的高低。盡量避免采用非正式獲得的二手數據。

（2）可比性。盡可能使用統一的、量化的統計手段進行評價，并適當參考類似的評價指標。

（3）時效性。不同的指標反映的能力的時間跨度是有區別的。有目的地使用分別反映長期目標、短期目標實現程度的指標，可正確反映維修保障系統運行水平。

（4）易操作性。設定的指標應該簡明、合理。盡量選擇已經存在于現有數據庫中的量值，減少收集資料產生的信息反饋時滯。

1.3裝備完好性敏感分析指標

供選擇的參數指標數目眾多，以往的評估分析指標不能真實地反映部隊完成任務的能力，美國陸軍因此邀請RAND公司為其重新確認關鍵性能指標，后者提出了一系列基于能力的新穎的裝備完好性指標。本文借鑒美國陸軍診斷裝備完好性的方法，最終確定參與裝備完好性敏感性分析的指標為：成本型指標：工作區率（WA）、缺貨率（BO）、用戶等待時間（CWT）、保障費用（SC）；效益型指標：本地備件滿足率（LFR）、人員稱職率（PF）、波段可用度（PA）。

（1）工作區（Work Around）滿足率。維修人員通過非正常渠道獲取器材（串件拼修、自制、本地采購、動用戰備等），修復故障裝備，以期達到較高的裝備完好率目標，滿足任務需求。

WAR為工作區滿足率，∑W是工作區對需求滿足的項數。

（2）基地缺貨滿足率。基地庫存缺貨，由供應部門向供應商訂貨或由修理廠修理故障件，滿足部件需求。

BR為基地缺貨滿足率，∑B基地缺貨對需求滿足的項數。

（3）本地庫存滿足率。本地庫存在各種供應渠道中的貢獻率。

AR為本地庫存滿足率，∑A為本地庫存對需求滿足的項數。

限于篇幅，本文不對具體指標一一介紹，詳細情況請參閱文獻[5]。

2裝備完好性敏感分析模型研究[6-7]

如果隱含節點足夠多，神經網絡能夠逼近任意的非線性函數，可以處理系統內在難以解析的規律性，具有極快的學習收斂速率，因此有較為廣泛的應用。RBF網絡的優點：（1）它具有唯一最佳逼近的特性，且無局部極小問題存在。（2）RBF神經網絡具有較強的輸入和輸出映射功能，并且理論證明在前向網絡中RBF網絡是完成映射功能的最優網絡。（3）網絡連接權值與輸出呈線性關系。（4）分類能力好。

RBF網絡學習過程分為兩個階段。第一階段，根據所有的輸入樣本決定隱層各節點的高斯核函數的中心值和標準化常數。第二階段，在決定好隱層的參數后，根據樣本，利用最小二乘原則，求出輸出層的權值。有時在完成第二階段的學習后，再根據樣本數據，同時校正隱層和輸出層的參數，進一步提高網絡的精度。

節點的輸出范圍在0和1之間，且輸入樣本越靠近節點的中心，輸出值越大。RBF網絡的輸出為隱層節點輸出

3算例分析

選擇5個單位的7項指標進行波段可用度敏感性分析。源數據表和樣本數據表顯示如表1和表2。選擇單位3作敏感性分析，將各參數上調10%，得到波段可用度的波動情況。

從結果中可以看到人員稱職率對波段可用度的影響最大，保障費用次之，本地備件滿足率同樣對波段可用度的增加有較大的貢獻。而工作區率、缺貨率和用戶等待時間的增加則會對波段可用度產生不良影響。其中缺貨率對波段可用度的影響最為強烈，由于供應商缺少部隊所需器材，導致潛在的漫長的用戶等待時間或較大的工作區時間。用戶等待時間對裝備波段可用度的影響，可分為明顯的兩個區間，在用戶需要等待的時間較短的情況下，選擇等待是比較合適的，而等待時間超過一定限度，用戶可能會選擇工作區事件來滿足波段可用度的緊迫需求。工作區事件能夠在短時間里維持波段可用度，但由于消耗了過量的資源，在長遠的時間里，波段可用度會受到較大的影響。在部隊的實際運作中需加強對工作區事件的監控。圖2顯示了工作區率、缺貨率和用戶等待時間各自對波段可用度影響的趨勢。

4結論

本文選取了裝備完好性敏感分析的指標，使用熵權法和神經網絡對裝備完好性敏感性進行了分析。結果表明保障費用、人員稱職率、本地備件滿足率、缺貨率對波段可用度的好壞有較明顯的影響。同時，當供應商發生缺貨現象時，部隊應對維修保障策略作進一步的權衡。筆者認為工作區事件可作為維持戰備完好性的重要手段，但由于其過量消耗的本質，應減少工作區率。神經網絡作為先進的智能計算方法，為解決裝備完好性敏感性分析這類復雜問題提供了新的思路。

參考文獻：

[1] 馬曉峰，劉軍，何海龍. 基于神經網絡的裝備保障資源評估[J]. 裝備指揮技術學院學報，2005，16(1):40-43.

[2] 程力，韓國柱，宋國合，等. 基于神經網絡的裝備維修保障系統效能評估[J]. 科學技術與工程，2006，6(22):3627-3630.

[3] 金偉，于永利，張柳. BP神經網絡在維修保障系統能力評估中的應用[J]. 計算機仿真，2005(10):10.

[4] 曹登高，徐浩軍，胡良謀. 基于RBF網絡的航空裝備維修保障能力評估[J]. 航空計算技術，2006(5):15.

[5]Peltz E， Boren P， Robbins M， et al. Diagnosing the Army's Equipment Readiness: the Equipment Downtime Analyzer[R]. Santa Monica， CA: RAND， 2002.

[6] 高雋. 人工神經網絡原理及仿真實例[Z]. 北京：機械工業出版社，2003.

[7] 陳雷，王延章. 基于熵權系數與TOPSIS集成評價決策方法的研究[J]. 控制與決策，2003，18(4):456-459.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。