基于徑向基神經(jīng)網(wǎng)絡(luò)的艦船備件需求預(yù)測(cè)

唐 成 蓋 強(qiáng) 田 峰 劉 勇 黃俊添

(1.中國人民解放軍海軍大連艦艇學(xué)院 訓(xùn)練艦支隊(duì)，遼寧 大連 116018；2.中國人民解放軍海軍大連艦艇學(xué)院 艦炮系，遼寧 大連 116018；3.中國人民解放軍海軍大連艦艇學(xué)院 艦船指揮系，遼寧 大連 116018)

0 引言

為了保證艦船在海上航行階段的安全性和可靠性，通常會(huì)為艦船上比較重要的和經(jīng)常出現(xiàn)故障的設(shè)備配備一定數(shù)量的備件。長期以來，如何確定備件的數(shù)量一直是艦船裝備精確保障領(lǐng)域的一個(gè)難題，配置數(shù)量太少，無法保證艦船設(shè)備的可靠性；配置數(shù)量太多，又會(huì)占用大量空間，而且會(huì)造成資源的浪費(fèi)。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是目前國際上前沿研究領(lǐng)域的一門新興交叉科學(xué)[1]。主要方法有BP網(wǎng)絡(luò)、支持向量機(jī)（SVM）、Hopfield網(wǎng)絡(luò)和專家系統(tǒng)。BP網(wǎng)絡(luò)容易陷入局部最小點(diǎn)；SVM和Hopfield是無導(dǎo)師學(xué)習(xí)算法，不容易找到自己想要的結(jié)果；專家系統(tǒng)在得不到相應(yīng)的專家經(jīng)驗(yàn)就無法進(jìn)行診斷。

徑向基（RBF）網(wǎng)絡(luò)是一種有導(dǎo)師的學(xué)習(xí)算法，在給定充分的訓(xùn)練樣本后可以實(shí)現(xiàn)任意形式的非線性映射，而且還能夠克服局部最小點(diǎn)的困擾[2]。RBF可以避免像BP學(xué)習(xí)算法那樣冗長的迭代計(jì)算和陷入局部極值的可能，使學(xué)習(xí)速度比通常的BP算法快幾十倍甚至上百倍[3]。

1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)網(wǎng)絡(luò)包含一個(gè)徑向基神經(jīng)元的隱層和一個(gè)具有線性神經(jīng)元的輸出層。輸入信號(hào)傳遞到隱層。隱層有S1個(gè)神經(jīng)元，節(jié)點(diǎn)函數(shù)為高斯函數(shù)；輸出層有S2個(gè)神經(jīng)元，節(jié)點(diǎn)函數(shù)通常是簡單的線性函數(shù)，其結(jié)構(gòu)如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

其中，R為輸入向量元素的數(shù)目；S1為第一層神經(jīng)元的數(shù)目；S2為第二層神經(jīng)元的數(shù)目；a1j為向量 a1的第 j個(gè)元素；i｜W1,1為權(quán)值矩陣｜W1,1的第i個(gè)向量。｜dist｜模塊計(jì)算輸入向量P和輸入權(quán)值｜W1,1的行向量之間的距離，產(chǎn)生S1維向量，然后與閾值b1相乘，再經(jīng)過徑向基傳遞函數(shù)從而得到第一層輸出[4]。

2 艦船備件數(shù)量影響因素

現(xiàn)以艦船機(jī)電設(shè)備的某部件為預(yù)測(cè)對(duì)象，以一年為一個(gè)時(shí)間段，分析影響機(jī)電設(shè)備的備件需求因素。我們選取了以下4個(gè)主要影響因素進(jìn)行具體分析：

計(jì)劃重大任務(wù)次數(shù)A。對(duì)于艦船來說，重大任務(wù)就是出海，艦船的機(jī)電設(shè)備幾乎時(shí)刻保持運(yùn)行狀態(tài)。特別是長時(shí)間的遠(yuǎn)洋航行，設(shè)備長時(shí)間的持續(xù)工作會(huì)加大對(duì)設(shè)備的損耗，其中，難免會(huì)有設(shè)備部件功能故障，毫無疑問將導(dǎo)致部件的備件需求量增加。

檢修中被拆卸的總次數(shù)B。為了維護(hù)設(shè)備的正常運(yùn)轉(zhuǎn)，確保艦船在任務(wù)過程中的安全可靠，會(huì)對(duì)艦船設(shè)備部件進(jìn)行定期和不定期的檢修、保養(yǎng)。一般來說，在保養(yǎng)的過程中，部件被拆卸的次數(shù)越多，部件的磨損就會(huì)越嚴(yán)重。因此，拆卸次數(shù)越多，故障的幾率也越大，備件的需求量也就越大。

累計(jì)工作時(shí)間C。艦船設(shè)備累計(jì)工作時(shí)間以小時(shí)為單位，在設(shè)備工作的過程中，設(shè)備處于高速、震動(dòng)、高溫等復(fù)雜環(huán)境中，對(duì)部件的壽命會(huì)產(chǎn)生很大影響。累計(jì)工作時(shí)間越長，部件的損壞程度也就越大，備件需求量也就越大。

平均故障間隔時(shí)間D。平均故障間隔時(shí)間是設(shè)備可靠性的一種參數(shù)，可以通過歷史工作過程中統(tǒng)計(jì)獲得，對(duì)于備件的需求量有直接的影響。MTBF值大的，備件需求量少，MTBF值小的，備件的需求量較大。

3 艦船備件需求預(yù)測(cè)實(shí)例

3.1 構(gòu)造訓(xùn)練樣本

下面列出4個(gè)影響因素的相關(guān)數(shù)據(jù)以及艦船某備件消耗的歷史數(shù)據(jù)，如表1所示。

為了使徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果更好，就要有大量的樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。我們將表1中1～7組數(shù)據(jù)加入標(biāo)準(zhǔn)差為k的隨機(jī)白噪聲誤差，循環(huán)100次，產(chǎn)生700組訓(xùn)練樣本。最后用第8組數(shù)據(jù)檢驗(yàn)網(wǎng)絡(luò)的預(yù)測(cè)效果；用前7組數(shù)據(jù)用來檢驗(yàn)網(wǎng)絡(luò)的擬合效果。

3.2 建立徑向基神經(jīng)網(wǎng)絡(luò)

影響備件需求量的因素有4個(gè)，所以確定徑向基神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為4；采用輸入層、隱層和輸出層三層結(jié)構(gòu)；采用Gaussian函數(shù)作為徑向基函數(shù)。

表1 備件消耗歷史數(shù)據(jù)

從Gaussian核函數(shù)可見，其中x是函數(shù)的輸入變量；c是徑向基函數(shù)的中心；Φ(x－c)就是徑向基函數(shù)。

3.3 備件需求預(yù)測(cè)

取k的值為4，產(chǎn)生訓(xùn)練樣本，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；用第8組數(shù)據(jù)檢驗(yàn)徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果。假設(shè)某艦船該年計(jì)劃有6次重大任務(wù)，某部件被拆卸的總次數(shù)為35次，設(shè)備累計(jì)工作時(shí)間1680小時(shí)，歷史MTBF為470小時(shí)。將數(shù)據(jù)輸入網(wǎng)絡(luò)，預(yù)測(cè)結(jié)果為65.2182，實(shí)際的消耗量為64個(gè)，相對(duì)誤差為1.9%，認(rèn)為預(yù)測(cè)準(zhǔn)確。

用1～7組數(shù)據(jù)檢驗(yàn)網(wǎng)絡(luò)的擬合效果，結(jié)果如圖2所示。

表2 RBF神經(jīng)網(wǎng)絡(luò)擬合結(jié)果

為了表現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果良好，我們同BP神經(jīng)網(wǎng)絡(luò)的擬合值進(jìn)行對(duì)比，如表2所示。

圖2 RBF與BP擬合效果對(duì)比圖

4 結(jié)束語

通過分析影響艦船備件數(shù)量的4大因素，建立了影響因素與備件數(shù)量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。結(jié)合歷史數(shù)據(jù)對(duì)徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果和擬合效果進(jìn)行檢驗(yàn)，將結(jié)果與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。結(jié)果表明，徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果符合實(shí)際情況，擬合效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

［1］楊珊，王少紅，王吉芳.基于BP神經(jīng)網(wǎng)絡(luò)的煙氣輪機(jī)故障診斷[J].微計(jì)算機(jī)信息，2010（22）.

［2］韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京郵電大學(xué)出版社,2007，7:127.

［3］Gori M,Tesi A.On the Problem of Local Minima in Back Propagation[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,1992,14(1):76-86.

［4］張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].電子工業(yè)出版社,2009,6:182-184.