數據挖掘在戰術導彈保障輔助決策系統中的應用

?

數據挖掘在戰術導彈保障輔助決策系統中的應用

針對在戰術導彈保障管理過程中出現的數據種類多、業務工作量大以及數據處理效率不高的問題，提出使用輔助決策系統來優化業務流程，提高保障效率。以某型裝備的保障為例，針對保障數據做出數據挖掘效果仿真，分析裝備的保障特性，總結保障規律，為決策者提供科學的決策依據。

數據挖掘；決策支持；數據倉庫；決策樹

隨著全壽命周期管理思想在裝備管理中的不斷應用，如何將裝備保障做得更精確、更高效，已經成為我軍信息化建設的一個熱點。我軍戰術導彈裝備分布廣泛，型號、批次眾多，即使是同一種裝備，在不同的地域、不同的氣候條件以及不同的保障單位等都會造成裝備的性能差異。如果實施同一的維護保障手段、方法，同一的管理進度，勢必影響裝備性能的發揮。本文通過戰術導彈保障部門積累的大量使用維護數據，應用數據挖掘方法來分析裝備的保障特性，總結戰術導彈保障的規律性特點，并將此融入到裝備管理系統中。

1 戰術導彈保障輔助決策系統的數據挖掘需求分析

輔助決策系統(Decision Support System, DSS) 在裝備保障中的應用主要是以軍事裝備學、軍事運籌學、控制論、思維科學和行為科學為基礎，以計算機技術、模擬技術和信息技術為手段，面向裝備保障決策問題，支持指揮員和裝備保障機關對裝備保障活動全過程做出決策[1]。

戰術導彈保障DSS貫穿于裝備的管理、使用和維護等各個環節。 應用戰術導彈保障DSS可幫助裝備部門快速、準確地掌握導彈裝備的各種信息，有效地提高管理和決策的及時性、科學性和準確性。戰術導彈裝備保障流程主要包括7個部分(見圖1)[2]。一般情況下，決策者都是基于對當前裝備保障狀況的掌握，對未來裝備保障的需求和發展做出預測，從而制定相應方案。

圖1 戰術導彈裝備保障流程

應用戰術導彈保障DSS，除了利用網絡將各級保障單位有機的連成一體，方便、快捷和準確地傳輸各種裝備保障信息、裝備狀態參數，還應將收集的數據進行科學的分析，總結裝備保障中出現的規律性現象，以達到預測問題并對癥下藥的效果，為決策者提供科學的決策依據。

2 戰術導彈保障數據倉庫組建

2.1 數據倉庫的數據分析

由裝備保障和倉儲可靠性原理可知，影響戰術導彈保障質量的主要自然因素為倉儲環境和儲存時間。其中，倉儲環境包括自然環境因素、誘導環境因素和復合條件因素，自然環境因素如導彈倉儲的溫度、濕度、低氣壓、細菌和鹽霧等，誘導環境因素如機械沖擊、空氣污染等，還有自然環境因素和誘導環境因素同時作用的復合條件因素等，均可對導彈倉儲質量產生影響[3]。此外，還有人為因素會對保障質量產生影響，如保障方法和手段。由于導彈裝備的日常維護、維修、延壽和退役等均是根據各型裝備維護細則和上級機關要求完成，在實施手段上差異不大，所以本文主要討論自然因素對導彈保障的影響。

從不同的方向分析戰術導彈保障質量數據可以得到許多信息。例如，分析倉儲時間，可以發現裝備在一年中某個特定時間段故障率較高；分析裝備的故障部件，可以發現哪些部件容易發生故障，哪些部件的可靠性較高；分析不同單位的保障數據，可以比較各單位的倉儲環境。

2.2 數據倉庫建模

星型模型是一種由一點向外輻射的建模范例，中間有一個對象，延半徑向外連接到多個對象。星型模型反映了最終用戶對故障查詢的看法，檢測的情況、修復的情況和換件的情況都可以通過一維或多維來描述(按時間、地理分布等)。星型模式中心的對象稱為事實表，與之相連的對象稱為維度表(見表1)。

表1 故障維度表

3 數據挖掘模型

目前，決策樹的生成方法主要有2個著名的算法：ID3算法和C4.5算法，其中，C4.5算法是ID3算法的擴充[4]，本文采用ID3算法。

信息增益是基于信息論中熵(Entropy)的概念。ID3算法總是選擇具有最高信息增益(或最大熵壓縮)的屬性作為當前結點的測試屬性。該屬性使得對結果劃分中的樣本分類所需的信息量最小，并反應劃分的最小隨機性或不純性。采用這種信息理論方法，使得對一個對象分類所需的期望測試數目達到最小，并盡量確保找到一棵簡單的(但不必是最簡單的)樹來刻畫相關的信息。

下述結合表2所示的一組簡單的假想測試數據，介紹數據挖掘的數據訓練過程、知識獲取方法，構造導彈保障可靠性決策樹。

表2 某型裝備測試訓練數據

設S是此裝備測試數據所有數據樣本的集合，表2 中的10 條測試數據即構成了一個簡單的S集合。設所需要分析的結果屬性具有m個不同值，定義m個不同類Ci(i=1,2,…,m)，表2中共有3個結果屬性，m=3。類C1對應于“部件老化”；類C2對應于“正常”；類C3對應于“隨機故障”。設si是類Ci中的樣本數：類C1有3個樣本，類C2有3個樣本，類C3有4個樣本。則對給定樣本分類所需的期望信息由下式給出：

(1)

式中，pi是任意樣本屬于Ci的概率，一般可以用si/s來估計。因為信息用二進位編碼，此處對數函數以2為底。由式1得到：

(2)

式中，(s1j+s2j+…+smj)/s是第j個子集的權，并且等于子集(即A值為aj)中的樣本個數除以S中的樣本總數。熵值越小，子集劃分的純度就越高。根據上述給出的期望信息計算公式，對于給定的子集Sj，其期望信息由下式計算：

(3)

式中，pij=Sij/Sj是Sj中的樣本屬于類Ci的概率。

對于洞庫倉儲=“否”，s12=1，s22=2，s32=2， 由式3得：

下述計算每個屬性的熵。首先計算屬性為“洞庫倉儲”的熵。觀察屬性“對每個分布計算期望信息。如果樣本按“洞庫倉儲”劃分，對一個給定樣本分類所需的期望信息為：

由期望信息和熵值可以得到對應的信息增益值。對于在A上分支將獲得的信息增益計算公式為：

(4)

則：

同理：

利用ID3算法計算每個屬性的信息增益，并選取具有最高增益的屬性作為給定集合S的測試屬性。對被選取的測試屬性逆光創建一個結點，并以該屬性標記，對該屬性的每個值創建一個分支，并據此劃分樣本。

由上述計算結果可知，倉儲溫度在屬性中具有最高信息增益，被選作測試屬性。創建一個節點，用倉儲溫度標記，并對每個屬性值，引出一個分支。樣本按此劃分，對每個分支再引出分支，用判定樹歸納分類法進行分類，而后繼續引出分支，最后，算法返回最終的判定樹(見圖2)。

圖2 數據判定樹

將建立的判定樹歸納分類法模型所確定的檢驗集實例分類與正確分類值進行比較，檢驗集分類的正確性預示模型將來的性能。

4 數據挖掘模型的應用

為了說明上文的數據挖掘模型在實際工作中的應用，以某戰術導彈保障實例，用決策樹分類方法對故障部件和故障時間預測。

設某型導彈裝備服役以來，下發6個單位(a,b,c,d,e,f)對其進行技術保障，各保障單位每次的檢測結果都有登記?，F在每個單位選取20套此型裝備的近10年來故障數據，對其進行分析，以求得到相關的保障規律。本文選取的數據挖掘工具為微軟Analysis Manager[5]，它的決策樹分類算法為C4.5算法。保障單位決策樹如圖3所示。

圖3 保障單位決策樹

由圖3可以看出，此型裝備的2個易損部件I和II，部件I的故障率明顯高于部件II；當裝備儲存至第8年后開始進入故障高發期。在圖右側的直方圖中可以看出，保障單位c和d所保障的裝備故障率要高于其他單位。

因此，在為此型裝備配備維修力量和維修備件時，應多考慮上述故障特征，對部件I要準備高于一般水平的配件數；對保障單位c和d應多配置保障力量。

5 結語

數據挖掘作為一門新興的熱點技術，將隨著技術的成熟而被越來越廣泛地應用于裝備保障的方方面面。這也給我們當前裝備保障提出了一個亟需解決的問題，即如何獲得、保存第一手裝備保障數據。在獲得數據后，應按規范的標準將大量的保障數據保存、分類，來保證數據挖掘結果的可靠性，幫助決策者做出準確的判斷，制定科學的保障方案。

[1] 馬龍，李劍雄，柳少軍．作戰指揮決策支持系統研究評述[J]．軍事運籌與系統工程，2004(9)：48-52.

[2] 余高達，趙潞生． 軍事裝備學[M]．北京：清華大學出版社，2000.

[3] 陸廷孝，鄭鵬洲.可靠性設計與分析[M]．北京：國防工業出版社，1995.

[4] 羅可，張學茂．SPRINT算法及其改進方法[J] ．計算機工程與應用， 2005(32)：178-180.

[5] 羅運模．SQL Server2000數據倉庫應用與開發[M]．北京：人民郵電出版社，2001.

責任編輯 馬彤

劉培毅，劉 鑫，孫迎豐

(92941部隊92分隊，遼寧 葫蘆島 125001)

The Application of Data Mining in the Decision Support System of Armament Maintenance Support

LIU Peiyi, LIU Xin，SUN Yingfeng

(Detachment 92 of 92941thUnit of PLA， Huludao 125001, China)

To tactical missile types of data appeared in the process of security management, appearing the volume of business and the low data processing efficiency, propose the use of auxiliary decision system to optimize business processes, and improve the efficiency of security. By using the method of data mining to a certain type of guarantee equipment, make a data mining effect on the security data simulation, analyze the equipment security feature, summarize the security law, and provide scientific decision for decision makers.

data mining， decision support， data warehouse， decision trees

I(s1,s2,s3)=I(3,3,4)=

I(s11,s21,s31)=

I(s12,s22,s32)=

Gain(洞庫倉儲)=

Gain(倉儲時間>7a)=

Gain(倉儲溫度>18 ℃)=

Gain(倉儲低氣壓)=

Gain(倉儲濕度>40%)=

劉培毅(1978-)，男，工程師，主要從事武器裝備試驗方法等方面的研究。

2016-06-22

TP 311

A