基于BP神經網絡的維修任務優先級分類方法

呂學志，范保新，尹 建，王憲文

總參炮兵訓練基地

基于BP神經網絡的維修任務優先級分類方法

呂學志，范保新，尹 建，王憲文

總參炮兵訓練基地

在任務執行期合理、科學地確定維修任務的優先級別對于有序、高效地組織維修保障活動具有重要意義。首先，由于維修資源的有限性，任務執行期維修任務出現時維修資源很可能不可用，這就需要確定維修任務優先級，以確保可用的維修資源先處理重要的維修任務。其次，優先級實際上反映的是維修任務本身屬性，所以維修任務優先級更便于不同的人員之間進行交流，如維修人員與指揮官，維修人員與操作人員。再次，根據維修任務的優先級，合理安排其執行順序，可以進一步提高維修保障的效能與效率，例如，近年來美軍戰場維修保障的出色表現一定程度上得益于他們對維修任務優先級有著明確的規定。然而，我軍部隊主要采用這些經驗型原則，缺少成熟的維修任務優先級決策方法。國內在這方面的研究較少，相關文獻主要研究維修任務的優先級排序問題[1-6]。本文提出了一種基于BP神經網絡的維修任務優先級分類方法。詳細介紹了神經網絡模型的建模過程，其中重點介紹了輸入數據準備、輸出數據準備與神經網絡結構，并利用實例對本文提出的方法進行了驗證。

1 BP神經網絡模型的構建

當對維修任務優先級進行分類的時候，應該考慮多個指標（準則）。為了確定維修任務的優先級別，決策者必須思考一系列指標，如重要性、修復時間等。換句話說，對應每項指標的歷史數據與主觀判斷是決策過程的重要輸入。決策者根據這些輸入進行評估，并將維修任務優先級別作為輸出。關于維修任務的優先級別，決策者如何思考并做出決策是一個“黑箱”。如果可以模擬這個“黑箱”，那么未來就可以根據指標值用該模型來區分維修任務的優先級別，不再需要決策者的判斷。所以，本文將提出基于BP神經網絡的維修任務優先級分類模型來模擬“黑箱”。神經網絡模型的構建主要包括四個階段：設計階段、訓練階段、測試階段、應用階段。如圖1所示[7]。

圖1 神經網絡模型構建步驟

2 設計階段

輸入與輸出數據必須在確定神經網絡結構之前準備完畢。然后，根據輸入與輸出數據的特點確定神經網絡的結構。

2.1 輸入

輸入是決策需要的數據與信息。對于本文研究的問題而言，其輸入是維修任務各項指標的評估值。按照對象的不同，維修任務可以分為裝備維修任務與備件維修任務。備件維修任務與裝備維修任務大部分指標是類似的，這里主要考慮裝備維修任務。根據我軍和外軍的經驗，目前在維修任務優先級確定常常遵循以下四條準則：先修重點裝備，即先修在戰斗中所起作用大的裝備；先修施工容易的戰損裝備；先修修理工時少的裝備，后修修理工時多的裝備；先修具有良好搶修性與維修性的裝備。根據上述四條準則，不妨設某一維修任務的屬性集合為G={g1，g2，g3，g4，g5，g6}，并且該向量的各分量分別定義如下：

g1為重要性等級。對于在戰爭中使用的各型裝備，可按所起作用的大小，給出重要性等級。如，將各型裝備劃分為9個等級，以1級表示作用最大，2級次之，依次類推。

g2為技術狀況。為量化先易后難的準則，不妨給出技術狀況系數。如，將維修任務劃分為9個等級，以1表示其技術狀況較好，2次之，依次類推。

g3為修理工時（h）。修理工時可以用維修任務的平均修理時間衡量，具體函數如下：

其中，N為總的修理次數，mi為第i次修理所用時間，為修理工時。

g4為所需器材。所需器材可以定義為申請與得到所需備件的平均時間。

其中，si為第i次修理申請與得到所需備件的時間，Sˉ為申請與得到所需備件的平均時間。

g5為所需技術。所需技術可以定義為所需平均修理人員數與總維修人員數之比，具體函數如下：

其中，pi為第i次修理所需維修人員數，Q是維修人員總數。

g6為維修性與搶修性系數。為了便于量化計算，可按照裝備的維修性與搶修性性能，給出1～9搶修性系數，1表示具有良好的維修性與搶修性，2次之，依次類推。

在維修任務優先級分類過程中，決策者需要考慮若干指標，如重要性、技術狀況、修理工時、所需器材、所需技術、維修性與搶修性等6項指標，對于重要性、技術狀況、維修性與搶修性主觀性較強的指標仍然使用9級量化理論。而對于修理工時、所需器材、所需技術等指標給出函數，將維修任務對應每項指標的原始數據轉化為神經網絡模型的輸入數據。例如，修理工時可以用維修任務的平均修理時間衡量。需要注意的是歷史記錄數據應該完整準確，這樣函數才可能合理地定義。

2.2 輸出

輸出是根據決策者判斷得出的維修任務優先級別。決策者可以憑直覺確定維修任務級別，也可以通過一些輔助方法對維修任務級別進行分類，例如在維修任務較少的情況下可以采取兩兩比較的方法，根據比較后得到的維修任務優先分值對維修任務優先級進一步分類，而在維修任務較多的情況下，可以采取基于信度結構的數據包絡分析方法（DEA）得到維修任務優先分值，再根據維修任務優先分值對維修任務優先級進一步分類。

2.2.1 確定信度結構

為了確定每個維修任務的優先級，定義了一組評估等級：H={h1，h2，…，hK}，其中h1，h2，…，hK表示從大到小的優先級(k∈{1，2，…，K})。然后要求不同領域的專家評估維修任務，并按照其各項指標劃分其優先級。

假設維修任務優先級由 Δ位專家進行評估。那么評估結果可以表示為以下的分布評估向量：

以上的分布評估向量可以進一步地轉換為下面的信度結構[8-10]：

2.2.2 確定維修任務優先級權重

s(hk)為等級hk的分值(k∈{1，2，…，K})。每個維修任務優先級權重，可以定義如下：

在這種情況下，用于確定s(Hjk)(k∈{1，2，…，Kj})值的DEA模型如下：

求得 s(Hjk)(k∈{1，2，…，Kj})值之后，根據公式（6）就可以得到具體的維修任務優先級權重。

2.2.3 確定維修任務優先級

對維修任務優先級權重進行處理，可得維修任務優先級。

悲觀分類法的程序：

（1）維修任務 j的優先級權重 Rj依次與分類閾值s(h1)，s(h2)，…，s(hk)，…，s(hK)進行比較；

（2）令s(hk)為第一個滿足Rj≥s(hk)的分類閾值，將維修任務優先級劃分為k級(j→k)。

樂觀分類法的程序為：

（1）維修任務 j的優先級權重 Rj依次與分類閾值s(hK)，…，s(hk)，…，s(h2)，s(h1)進行比較；

（2）令s(hk)為第一個滿足Rj≤s(hk)的分類閾值，將維修任務優先級劃分為k級(j→k)。

2.3 神經網絡結構

選擇神經網絡結構的其他部分是進行訓練之前確定全部模型結構的最后一步。應該考慮若干設計因素，例如隱層的數量、隱層節點數、傳遞函數、學習規則等。確定合適的結構并沒有最優的模式可以遵循，然而，對關鍵因素反復實驗的方法以及合適的性能評估指標可以有助于找到最好的解決方案。使用現有的商用軟件，如Matlab神經網絡工具箱（Neural Network Toolbox，NNbox），可以幫助設計合適的結構。神經網絡工具箱功能十分完善，提供了各種Matlab函數，包括神經網絡的建立、訓練和仿真等函數，以及各種改進訓練算法函數，用戶可以很方便地進行神經網絡的設計和仿真，也可以在Matlab源文件的基礎上進行適當修改，形成自己的工具包以滿足實際需要。

3 訓練階段

一旦構建了基于BP神經網絡的維修任務優先級分類模型，就可以對其進行訓練了。神經網絡使用一組代表各種不同情況下決策者決策與偏好的數據進行訓練，以學習決策者的行為，這種訓練稱為監督訓練。在監督訓練時，同時提供了輸入與輸出。神經網絡模型處理輸入，并將網絡生成的輸出與理想的輸出進行比較。然后，誤差在網絡中向后傳播，這樣系統調整控制網絡的權重。這一過程不斷重復，神經網絡的權重與閾值也不斷穩定與收斂。在神經網絡的訓練過程中，對同一組數據經過了多次處理，網絡權重與閾值不斷改進。

由于某些原因神經網絡無法進行學習，例如輸入數據并不包含某些可以生成理想輸出的具體信息。如果沒有足夠的數據進行完全的學習，神經網絡也不能收斂。理想的情況，應該有足夠的數據，這樣某些數據就可以作為測試數據了。如果沒有充足有效的數據，設計者必須調整神經網絡結構。為了精確地訓練模型，在訓練集中應該包含一些極端的值（最大值與最小值）。訓練數據集合應該占全部數據的80%。

4 應用階段

一旦確定了神經網絡模型，就可以利用該模型對維修任務優先級進行分類了。

5 示例分析

首先，需要獲得神經網絡模型的輸入與目標樣本。根據30項維修任務的歷史記錄，決策者依據其專業知識與直覺對其優先級分類，優先級分為三個級別，分別用1、2、3表示，1表示優先級別級最高。如表1所示。表中是由決策確定的30個維修任務優先級分類實例，也是神經網絡模型訓練與測試所用的數據集。其中，g1、g2、g3、g4、g5、g6分別代表指標重要性、技術狀況、維修工時、所需器材、所需技術、維修性與搶修性。

接下來需要確定神經網絡結構。由于增加隱層數會降低神經網絡的歸納總結能力，增加記憶的能力，所以這里采用三層神經元的結構，即輸入層、隱層與輸出層。顯然，輸入層需要有6個神經元。為了更好地區分神經網絡的輸出結果，用（1，0，0）表示高優先級，用（0，1，0）表示中優先級，用（0，0，1）表示低優先級。這樣一來，就在神經網絡中需要設計三個輸出神經元表示三個不同的優先級別。按照一般的設計方案，中間層神經元的傳遞函數為S型正切函數，輸出層神經元的傳遞函數為S型對數函數，之所以選擇S型對數函數，是因為該函數為0-1函數，正好滿足輸出要求。這里采取實驗的方法來比較不同隱層節點數對神經網絡性能的影響，從而得到最佳的隱層節點數。

對隱層節點數分別為1、2、3、4、5、6的神經網絡都訓練了10次，每次訓練1 000次，訓練目標是0.001，訓練所使用的數據是表中后24項樣本，而測試用的數據是表中前6項樣本，并記錄了其均方誤差與分類精確度，如表2所示。表中MSE是均方誤差，P是分類精確度。

表1 維修任務優先級分類實例

表2 不同隱層節點數神經網絡的性能

圖2是不同隱層節點神經網絡對應的均方誤差均值，圖3是不同隱層節點神經網絡對應的分類精度均值。從中可知隨著隱層節點數的增加均方誤差呈現下降趨勢，而分類精確度也有一定提高。

圖2 不同隱層節點神經網絡對應的均方誤差均值

最終，采取三個隱層節點的神經網絡結構，網絡權重與閾值采用表中隱層節點為3時的第6次訓練結果，這時的神經網絡均方誤差最小，而且分類精度很高。下面對訓練好的神經網絡進行靈敏性分析，說明模型輸出如何根據輸入的變化而變化。對6種指標都進行靈敏性分析，當對一種指標進行靈敏性分析時，進行多次神經網絡仿真，每次仿真在這一指標取值范圍取值，使全部取值均勻分布在取值范圍內，而其他指標取平均值，如表3所示。

圖3 不同隱層節點神經網絡對應的分類精度均值

表3 分類實例的取值范圍與均值

例如，對重要性進行靈敏性分析的時候，可以取9組測試數據，第1組數據中重要性取1，其余指標分別取5、41、13、0.03、5；第2組數據中重要性取2，其余指標分別取5、41、13、0.03、5；以此類推，第9組數據中重要性取9，其余指標仍然分別取5、41、13、0.03、5。圖4～圖9說明了重要性、技術狀態、修理工時、所需器材、所需技術、維修性與搶修性對維修任務優先級的影響。

圖4 重要性對優先級的影響

圖5 技術狀態對優先級的影響

圖6 修理工時對優先級的影響

圖7 所需器材對優先級的影響

圖8 所需技術對優先級的影響

圖9 維修性與搶修性對優先級的影響

從中可以看到，當維修任務各項指標取均值時，修理工時對優先級影響最大，重要性對優先級影響次之，所需技術、所需器材影響更次之，技術狀態、維修性與搶修性對優先級沒有影響。

6 結語

本文提出了一種基于BP神經網絡的維修任務優先級分類方法。首先，給出了神經網絡模型構建步驟；然后，詳細介紹了神經網絡模型的設計，其中包括輸入數據準備、輸出數據準備與神經網絡結構。最后，應用該方法對具體實例進行了求解，驗證了方法的有效性和可行性，并分析了重要性、技術狀態、修理工時、所需器材、所需技術、維修性與搶修性對維修任務優先級的影響。根據輸入數據與輸出數據進行訓練，所建立的神經網絡模型可以獲得并表示決策者的偏好，學習準則與維修任務優先級之間的復雜關系，有效地輔助決策者對維修任務優先級進行分類。

[1]劉仁斌，張連偉，湯懷宇.戰損武器裝備搶修順序的多準則優化方法研究[C]//中國兵工學會首屆維修專業學術年會論文集.北京：解放軍出版社，2003：591-593.

[2]畢義明，王漢功，陳桂明.基于粗糙集理論的裝備戰損評估方法[J].裝備指揮技術學院學報，2004，15（5）：1-4.

[3]劉利，王宏，石全，等.基于貝葉斯網絡的戰場搶修順序優化模型[J].航天控制，2005，23（6）：72-75.

[4]王格芳，陳國順，王學明，等.基于模糊綜合評判的裝備戰場損傷等級評定方法[J].軍械工程學院學報，2006，18（4）：38-41.

[5]顏炳斌，徐航，石全.基于多準則的戰損裝備搶修排序決策模型[J].軍械工程學院學報，2007，19（1）：1-3.

[6]夏俊杰.模糊綜合評判在裝備維修優先級決策中的應用[J].艦船電子工程，2009，29（7）：151-153.

[7]聞新，周露，李翔，等.MATLAB神經網絡仿真與應用[M].北京：科學出版社，2003.

[8]Wang Y M，Liu Jun，Bihag T M S.An integrated AHPDEA methodology for bridge risk assessment[J].Computers&Industrial Engineering，2008，54（3）：513-525.

[9]Ramanathan R.Data envelopment analysis for weight derivation and aggregation in the analytic hierarchy process[J]. Computers and Operations Research，2006，33（5）：1289-1307.

[10]魏權齡.數據包絡分析[M].北京：科學出版社，2004.

LV Xuezhi,FAN Baoxin,YIN Jian,WANG Xianwen

Artillery Training Base of General Staff,China

During mission,determining priority categories of maintenance task rationally and scientifically is valuable to effectiveness and efficiency of maintenance support.A priority sorting approach of maintenance task during mission based on BP neural networks is proposed.Modeling process of neural networks model is discussed in detail,and it focuses on model design that includes input data preparation,output data preparation and neural networks structure.Through training of input and output,established neural networks can learn complex relationship between criteria and priority of maintenance tasks,obtain preference of decision makers,help decision maker sort maintenance tasks according to their priority.

Back-Propagation（BP）neural networks;maintenance task;priority;sorting

在任務執行期合理、科學地確定維修任務的優先級別對于有序、高效地組織維修保障活動具有重要意義。提出了一種基于BP神經網絡的維修任務優先級分類方法。詳細介紹了神經網絡模型的建模過程，其中重點介紹了模型設計，包括輸入數據準備、輸出數據準備與神經網絡結構。所建立的神經網絡模型通過對輸入與輸出的訓練，可以學習準則與維修任務優先級之間的復雜關系，獲得并表示決策者的偏好，有效地輔助決策者對維修任務優先級進行分類。

向后傳播（BP）神經網絡；維修任務；優先級；分類

A

C935

10.3778/j.issn.1002-8331.1302-0058

LV Xuezhi,FAN Baoxin,YIN Jian,et al.Priority sorting approach of maintenance task during mission based on Back-Propagation neural networks.Computer Engineering and Applications,2014,50（24）：250-254.

呂學志（1979—），男，博士，講師，主要研究領域為維修工程，運籌學。E-mail：ghostsheep@tom.com

2013-02-07

2013-05-07

1002-8331（2014）24-0250-05

CNKI網絡優先出版：2013-05-29，http∶//www.cnki.net/kcms/detail/11.2127.TP.20130529.1519.002.html