基于優化的非等間隔灰色理論和BP神經網絡的身管磨損量預測

易懷軍， 劉寧， 張相炎， 丁傳俊

(南京理工大學 機械工程學院， 江蘇 南京 210094)

基于優化的非等間隔灰色理論和BP神經網絡的身管磨損量預測

易懷軍， 劉寧， 張相炎， 丁傳俊

(南京理工大學 機械工程學院， 江蘇 南京 210094)

針對火炮身管燒蝕磨損量預測中存在的數據采樣時間間隔不均勻、采樣難度大、成本高、數據量小，常規數據擬合和預測方法難以處理等問題，提出一種基于改進的非等間隔灰色理論和BP神經網絡的組合預測方法。通過組合預測模型對某型火炮身管的燒蝕磨損量進行預測，實例分析表明該組合預測模型具有較高的預測精度，為身管內膛磨損量的預測提供了一種新的技術途徑。

兵器科學與技術； 身管磨損； 非等間隔； 灰色模型； BP神經網絡； 組合預測模型

0 引言

火炮射擊過程中，身管要經受高溫高壓氣體和彈帶擠進的共同作用，內膛結構不斷受到燒蝕和磨損，致使彈道性能逐漸退化，直至身管壽命終止[1]。因此，在掌握火炮身管內膛燒蝕磨損規律的基礎上，建立反映火炮身管內膛燒蝕磨損特征的數學模型，就可以量化火炮內彈道性能變化。文獻[2-3]分別提出采用BP神經網絡和基于最小二乘支持向量機的方法對身管內膛燒蝕磨損情況進行預測。文獻[4-5]分別建立灰色線性模型和優化的Verhulst模型預測了火炮身管磨損量。但是目前這些燒蝕磨損量的預測方法都是以等間隔射擊發數下獲得的原始數據為前提條件，而在實際應用中，采集的數據往往具有“小樣本”、“貧信息”、“非等間隔”的特點，制約了傳統預測方法的有效應用。

灰色預測理論可以有效解決小樣本數據和不確定性問題，一經提出就在各個領域得到廣泛應用。趙建忠等[6]提出數據融合和不等間隔GM(1,1)模型理論對導彈裝備進行了故障預測。季凌燕等[7]利用灰色動態預測進行風力發電系統傳感器故障診斷。文獻[8-9]分別基于灰色神經網絡進行了機床熱誤差建模和建立了大型冷卻塔平均位移和風振系數預測模型。

基于上述原因，本文提出一種基于改進的非等間隔灰色模型與神經網絡(GANN)的組合預測方法。一方面，利用非等間隔灰色模型(FGM)解決“小樣本”、“貧信息”和“不等間隔”等問題；另一方面，在殘差序列處理中，利用BP神經網絡模型較強的非線性映射能力對殘差序列進行修正，增強預測的適應性，彌補單個模型的不足,以達到較高的預測精度。

1 改進的非等間隔灰色預測模型

灰色系統理論是一種研究少數據、貧信息和不確定性問題的新方法，通過整理原始數據尋求內在變化規律[10]。而火炮身管磨損受諸多因素影響，存在不確定性，屬于灰色系統研究范疇。本文借助灰色系統理論，利用少量、貧信息和非等間隔的內膛磨損量的原始數據，對內膛磨損情況進行可靠的定量預測。

火炮身管磨損量符合指數模型變化規律[4]，適用于GM(1,1)模型。為了提高模型預測精度，對經典離散非等間隔GM(1,1)模型[11]進行了改進。

1.1 優化背景值

圖1 背景值誤差示意圖Fig.1 Sketch of background error

(1)

式中：a為發展系數，取值在0～10之間；b為灰色作用量。

可得

(2)

式中：Δki=ki-ki-1.

(3)

1.2 優化初值

傳統的初值確定方法是把原始數據序列的第一個數據值作為初值，而初值對非等間隔模型精度有重要影響。因此，合理選擇初值可以提高模型的擬合和預測精度。設初值為Q，帶入白化微分方程的時間響應函數變為

(4)

還原后模型表達式為

(5)

定義如下指標函數：

(6)

2 預測的殘差修正

采用BP神經網絡對非等間隔灰色模型的殘差序列進行修正，可補償灰色預測的隨機誤差,提高預測精度。

設e(0)為殘差序列，用e(0)(ki-1)，e(0)(ki-2)，…，e(0)(ki-S)的信息來預測ki時刻的值。

建模步驟如下：

1) 將殘差序列采用數據標準歸一化處理，使樣本參數的變化范圍在給定的區間內：

(7)

2) 確定網絡類型和結構。3層BP神經網絡能夠精確的完成任意的連續映射關系[13]，輸入和輸出層神經元數目通常與擬解決問題和數據樣本有關，隱含層的神經元數目取決輸入和輸出層的神經元數目與網絡精度要求。一般隱含層神經元數為

(8)

式中：m為輸入層神經元數；n為輸出層神經元數。

3) 確定網絡訓練參數，利用期望值對網絡進行訓練和測試。

4) 利用訓練過且符合誤差范圍的網絡，得到合適的連接權系數和閾值，然后由傳遞函數對殘差序列進行預測。

(9)

3 等效全裝藥回歸式的建立

影響身管磨損量的因素眾多，如藥溫、氣溫，火藥牌號、裝藥量、彈丸質量、射擊頻率等。身管在其全壽命過程中的磨損量Δd是多個變量的函數，確定這個函數關系，就是多元回歸分析問題。

假設內膛磨損量Δd與射彈量xi之間呈線性關系

(10)

式中：Δd為射擊xi發的磨損量；di為某種裝藥或彈種的單發射擊磨損量；d0為初始磨損量；xi為某種裝藥或射擊條件下的射擊發數。通過實驗得到n組實測數據：(xt1,xt2,xt3,…，xtm;Δdt)，t=1,2,…,n，進而建立：

(11)

用最小二乘法對參數di進行估計，得到回歸方程的估計式為

(12)

(13)

式中：dtot為標準環境、標準射擊條件下的全裝藥磨損量。

用不同裝藥號和環境條件下的射彈數和磨損量分別除以相對應的等效系數EFCi，就可得到相對應的等效條件下的射擊發數和磨損量。

4 實例分析

多門火炮比一門火炮更能反映彈道性能及壽命的變化規律，同時考慮到時間和試驗成本，用同種型號不同身管內徑磨損檢測數據來代替一門火炮在全壽命期間內不同射彈數的內徑磨損量。通過檢測Δd，利用多元線性就能夠得到n和Δd之間的內在關系，從而滿足預測模型建立的基礎條件。

根據某靶場試驗基地多年積累的火炮射擊測試數據，將不同射擊條件下的磨損數據進行等效全裝藥處理，得到不同Δd所對應的不同射擊發數n，如表1所示。

從表1數據可以看出，原始數據比較少，且是非等間隔，規律性不明顯，因此采用非等間距GM(1,1)模型對火炮內徑燒蝕磨損量進行擬合和預測，可以很好地克服“小樣本”、“貧信息”、“非等間隔”的缺點。以該磨損量數據作為原始數據，將射擊發數作為非等間隔序列，改進的非等間隔灰色模型如下：

表1 某型火炮內徑磨損量Δd與射彈發數n數據表Tab.1 Gun bore wear volume and statistical number of projectiles

根據(4)式～(6)式可得到最優初值Q為

非等間隔身管磨損量的GM(1,1)預測模型為

將實測值與預測值進行比較，得到殘差序列為

e(0)={0,0.17,0.46,-0.12,0.21,

-0.08,-0.21,-0.18}.

2) GANN模型預測。得到殘差序列e(0)后，以殘差值e(0)(ki-1)、e(0)(ki-2)作為輸入量，以e(0)(k)作為輸出量，對BP神經網絡進行訓練，網絡結構采用2-12-1形式，隱含層神經元傳遞函數為tansig，輸出層神經元的傳遞函數為logsig，訓練函數采用traingdx，學習速率根據經驗設為0.05，訓練的最小目標為0.001. 訓練完成后獲得連接權系數和閾值，進而可以對內膛磨損量進行預測。

本文利用前709發試驗數據分別建立了FGM模型、GGM模型、GANN模型及多元線性回歸模型[1]。各模型除了可以計算709發之內身管的磨損量，還可以外推預測709發之后的身管磨損量。各模型計算結果如表2所示，表中前709發試驗數據用于建模，用虛線隔開。為了更直觀反映表2數據，將表2數據表示成圖2和圖3所示的曲線圖形式。

表2 不同預測模型的預測結果以及相對誤差Tab.3 Predicted results of different prediction models and relative errors

圖2 不同預測模型的預測結果Fig.2 Predicted results of different prodiction models

圖3 不同預測模型的預測相對誤差Fig.3 Predicted relative error of different prodiction models

根據表2的計算結果，采用后驗差檢驗方法對800～1 448發的外推預測結果進行精度檢驗，結果見表3.

表3 精度檢驗結果Tab.3 Results of accuracy test

從表3中可以看出，線性回歸方法和非等間隔模型預測精度比較低，平均誤差高達78%左右，其次是改進的非等間隔GM(1,1)模型，而改進的非等間隔灰色理論和BP神經網絡的組合預測方法預測精度最高。這是由于：一方面采用改進的非等間隔GM(1,1)模型能夠更好地挖掘數據內在規律，提高預測精度；另一方面采用神經網絡對改進的非等間隔GM(1,1)模型進行殘差修正，進一步了提高模型的適應性。通過這種組合預測模型得到的預測值與實際值的擬合程度最好，預測精度最高，平均誤差為2.57%，能更好地反映火炮身管磨損量的變化趨勢。

5 結論

通過對GANN組合預測模型、多元線性回歸模型、非等間隔FGM模型和GGM模型進行分析、比較，可得出如下結論：

線性回歸方法和非等間隔模型在處理火炮身管內膛燒蝕磨損量的預測問題時，平均誤差比較大；GGM模型雖然能大幅提高身管燒蝕磨損量的預測精度，但適應性比較弱；GANN組合預測模型不但能利用GGM模型提高模型的預測精度，而且利用BP網絡對模型殘差修正，增強了模型的適應性，平均誤差為2.57%，預測精度更高，較好地滿足了工程應用要求。

下一步研究重點將圍繞以下兩個方面進行：1)從理論上分析內膛燒蝕磨損與射擊發數之間的關系，完善身管燒蝕磨損的預測模型；2)收集射擊試驗數據，增大樣本容量，進一步提高身管燒蝕磨損預測精度。

References)

[1] 田桂軍. 內膛燒蝕磨損及其對內彈道性能的影響[D]. 南京:南京理工大學, 2003. TIAN Gui-jun. Barrel bore erosion wear and its influence on the interior ballistic performance[D]. Nanjing:Nanjing University of Science and Technology, 2003.(in Chinese)

[2] 陳國利, 韓海波, 于東鵬. BP神經網絡的身管壽命預測方法[J]. 火力與指揮控制, 2008, 33(9):146-148. CHEN Guo-li, HAN Hai-bo, YU Dong-peng. Study on prediction method of barrel life based on BP neural network[J]. Fire Control and Command Control, 2008, 33(9):146-148.(in Chinese)

[3] 孔國杰, 張培林, 徐龍堂, 等. 一種新的火炮初速下降量預測模型[J]. 彈道學報, 2009, 21(3):65-68. KONG Guo-jie, ZHANG Pei-lin, XU long-tang, et al. A new prediction model of decreasing quantity of gun muzzle velocity[J]. Joumal of Ballistics, 2009, 21(3):65-68.(in Chinese)

[4] 孟翔飛, 王昌明, 何博俠, 等. 火炮身管燒蝕磨損的灰色預測模型[J]. 四川兵工學報, 2013, 34(3):5-7. MENG Xiang-fei, WANG Chang-ming, HE Bo-xia, et al. Grey prediction model ablation wear of the gun tube[J]. Journal of Sichuan Ordnance, 2013, 34 (3):5-7.(in Chinese)

[5] 孟翔飛, 王昌明, 何博俠, 等. 基于灰色線性回歸組合模型的火炮身管壽命預測[J]. 南京理工大學學報, 2012, 36(4):635-638. MENG Xiang-fei, WANG Chang-ming, HE Bo-xia,et al. Gun tube life prediction based on the grey linear regression combination model[J]. Journal of Nanjing University of Science and Technology, 2012, 36(4):635-638. (in Chinese)

[6] 趙建忠, 葉文, 張磊. 基于數據融合和改進新陳代謝不等間隔GM(1,1)模型的導彈裝備故障預測[J]. 兵工學報, 2014, 35(10):1689-1695. ZHAO Jian-zong, YE Wen, ZHANG Lei. Failure prediction of missile equipment based on data fusion and AMUGM(1,1) model[J]. Acta Armanmentarii, 2014, 35(10):1689-1695.(in Chinese)

[7] 季凌燕, 沈燕霞, 吳定會. 基于灰色動態預測的風力發電系統容錯控制策略研究[J]. 電力系統保護與控制, 2014,42(7):37-43. JI Ling-yan, SHEN Yan-xia, WU Ding-hui. Research of fault-tolerant for wind energy conversion system based on grey prediction model[J]. Power system Protection and Control, 2014, 42(7):37-43. (in Chinese)

[8] 張毅, 楊建國. 基于灰色神經網絡的機床熱誤差建模[J].上海交通大學學報, 2011, 45(11):1581-1586. ZHANG Yi, YANG Jian-guo. Grey neural network modeling for machine tool thermal error[J]. Journal of Shanghai Jiao Tong University, 2011, 45(11):1581-1586.(in Chinese)

[9] 柯世堂,初建祥,陳劍宇, 等.基于灰色- 神經網絡聯合模型的大型冷卻塔風效應預測[J].南京航空航天大學學報, 2014, 46(4):652-658 KE Shi-tang, CHU Jian-xiang, CHEN Jian-yu, et al. Prediction on wind effects of large cooling towers based on grey-neural network joint model[J].Journal of Nanjing University of Aeronautics & Astronautics, 2014,46(4):652-658.(in Chinese)

[10] 劉思峰, 謝乃明. 灰色系統理論及其應用[M]. 北京:科學出版社, 2008. LIU Si-feng, XIE Nai-ming. Grey system theory and its application[M]. Beijing: Science Press, 2008.(in Chinese)

[11] Tseng F M, Yu H C, Tseng G H. Applied hybrid grey model to forecast seasonal time series[J]. Technological Forecasting and Social Change, 2001, 67(2/3):291-302.

[12] 王葉梅, 黨耀國, 王正新. 非等間隔GM(1,1)模型背景值的優化[J]. 中國管理科學, 2008, 16(4):159-162. WANG Ye-mei, DANG Yao-guo, WANG Zheng-xin. Optimization of non-equal interval GM(1,1) model background value[J]. China Management Science, 2008, 16(4):159-162.(in Chinese)

[13] Haykin S. Neural networks:a comprehensive foundation[M]. 2nd ed. Upper Saddle River, NJ, US: Prentice Hall, 1999.

Prediction of Gun Barrel Wear Based on Improved Non-equal Interval Grey Model and BP Neural Network

YI Huai-jun, LIU Ning, ZHANG Xiang-yan, DING Chuan-jun

(School of Mechanical Engineering, Nanjing University of Science and Technology, Nanjing 210094, Jiangsu, China)

General data fitting and prediction methods are constrained by the unequal time interval, difficult sampling, high cost and small amount of data in predicting of the wear degrees of gun barrel. A combined prediction method based on the improved unequal interval grey model and neural network is proposed. The proposed method is used to predict the wear of gun tube. The predicted results agree well with the experimental values. The results show that the combined prediction method has high prediction accuracy, and therefore can be used to effectively predict the gun bore wear.

ordnance science and technology; gun barrel wear; unequal Interval; grey model; BP neural network; combined prediction method

2015-04-23

江蘇省自然科學基金項目(BK20140789)； 中央高?；究蒲袠I務費專項資金項目(30915118826)

易懷軍(1988—)，男，碩士研究生。E-mail:yihuaijun0@163.com； 劉寧 (1980—)，男，副教授，碩士生導師。E-mail:ln101@163.com

TJ301

A

1000-1093(2016)12-2220-06

10.3969/j.issn.1000-1093.2016.12.006