基于BP神經網絡的復雜裝備維修能力評估*

馮 宇 張 樺 劉 鑫 劉天斌

(1.軍械工程學院裝備指揮與管理系 石家莊 050003)(2.94270部隊 濟南 250117)

基于BP神經網絡的復雜裝備維修能力評估*

馮 宇1張 樺1劉 鑫1劉天斌2

(1.軍械工程學院裝備指揮與管理系 石家莊 050003)(2.94270部隊 濟南 250117)

裝備維修能力的評估結果直接影響后勤裝備維修的效能。針對裝備維修能力評估過程中傳統評估方法主觀性強,適應性弱的特點,提出了基于BP神經網絡的裝備維修能力評估方法。在建立裝備通用維修評價指標體系的基礎上,將BP神經網絡引入維修能力評估模型,實現裝備的維修能力評估。通過實例對評估模型進行網絡訓練與驗證,結果表明,該方法具有較高的精度,為裝備故障快速實施維修提供了科學的決策依據,對武器裝備戰斗力的形成和保持有著重要意義。

復雜裝備; 指標體系; BP神經網絡; 維修能力

1 引言

裝備維修保障是指為使裝備處于戰備完好狀態并能持續完成作戰任務所需的保障工作,是裝備全系統管理的重要組成部分[1],對武器裝備戰斗力的形成和保持有著重要意義。復雜裝備的維修保障工作本是一項復雜的系統工程,從而導致維修保障能力的評估工作成為一個多屬性的系統問題。長期以來,復雜裝備維修保障能力的評估工作由于缺少一套科學、合理的評估體系,致使維修裝備保障能力建設的效益不明顯,使許多嚴重影響裝備維修能力形成的制約因素得不到解決。

基于以上分析,為完善裝備的維修保障系統,提高裝備的保障能力,使得研究裝備維修能力的評估方法具有重大的現實意義。文獻[2]討論了維修能力評價體系的構建問題;在此基礎上,文獻[3]研究了復合算法的軍用車輛維修能力評估問題;文獻[4]對航空發動機的大修能力進行了準確的評估;文獻[5]運用模糊綜合評估法和層次分析法建立了通用的機械裝備維修能力評估模型。但是隨著裝備越來越復雜,其維修能力評估呈現非線性、開放性和動態性的特點,使得評估難度加大。因此,本文在分析裝備維修評價體系的基礎上,構建裝備通用的維修評估指標體系,然后將BP神經網絡引入其維修能力評估模型,實現對復雜裝備的維修能力評估,并通過對某型裝備的維修能力進行評估研究,驗證了提出方法的有效性。

2 維修能力評價體系

評價指標體系是對維修機構維修能力評估的重要基礎和依據,它能夠反映維修機構維修能力的形成狀況和各影響因素的現狀及相互關聯。關于復雜裝備的維修能力評估研究,其核心問題是要解決如何構建出與裝備維修實際相符又能反映出裝備維修真實水平的評估指標體系[2]。影響裝備維修能力的主要因素包括人、設備、材料、方法和環境等等,本文主要考慮維修機構的影響,所以將影響裝備維修能力的因素劃分如圖1所示。

圖1 維修能力影響因素

圖2 維修能力評價體系

根據裝備維修保障的特點,基于系統性、客觀性、發展性和可行性的原則,對平臺完成維修工作的實際情況進行分析[6]。從維修時間、故障修復率和維修經濟性三個方面來建立一級指標,并進一步細化分解為可定量描述的下級指標,從而構建裝備維修能力的評估指標體系。最終形成復雜裝備維修能力評估指標體系如圖2所示。

3 BP神經網絡模型

神經網絡是近幾年國內外的研究熱點,它通過模仿人類大腦神經元結構而建立起一種非線性的動力學網絡系統,具有大規模并行運算,自適應、自組織和自學習能力,特別適用于處理需要同時考慮許多因素和條件的模糊信息處理問題[7]。因此,本文選擇BP神經網絡來建立裝備維修能力的評估模型,其中,以圖3所示的單隱層神經網絡的應用最為普遍,該神經網絡包括了輸入層、隱含層和輸出層。

圖3 BP神經網絡結構示意圖

對于BP神經網絡模型,主要考慮的是各層函數的選取和各層神經元的個數[8]。隱含層節點輸出公式為

(1)

輸出層節點的輸出公式為

(2)

其中輸入層節點為xi,隱含層節點為φk,輸出層節點為yj。輸入層節點與隱含層節點的權值為wik,隱含層節點與輸出層節點間的權值為wkj。

依照上文構建的維修能力評價體系,建立了14個評價指標a1～a14作為BP神經網絡的輸入,確定其輸入層節點數。確定最佳隱節點數的常用方法為試湊法,即先設置較少的隱節點訓練網絡,然后逐步增加隱節點數,通過對比確定最優隱節點數[9]。常用的經驗公式有

其中m為隱層節點數,n為輸入層節點數,l為輸出層節點數,α為1～10之間的常數。

在BP神經網絡模型的輸出層中,sigmoid函數輸出值變化范圍為[-1,+1],若選用線性函數purelin,則可以輸出任意值[10]。本文選用sigmoid型函數logsig作為輸出層的傳遞函數,其計算公式為

(3)

4 案例研究

本文以某復雜裝備的維修能力評估為例,對建立的模型進行驗證。通過上文的分析,結合提出的維修評價體系,在該案例中確定14個評價標準,如圖2中所示,標定為a1～a14,作為BP神經網絡的輸入,將評價結果劃分為優(0.66～1)、良(0.33～.66)、差(0～0.33)三個層次,括號中為該層次對應的最終評估值,為模型的最終輸出。將裝備的各個指標進行專家評分,并對其維修能力進行評估,所得結果如表1所示,在此基礎上,建立3層BP神經網絡,輸入點設14個神經元,隱含層有9個神經元;輸出層有1個神經元,選定BP神經網絡的傳遞函數為Sigmoid-logsig,訓練函數選擇trainlm,訓練精度為10-4,對模型進行訓練。

表1 裝備維修能力評價模型樣本

經過三次迭代,模型滿足誤差需求輸出結果,其中誤差與迭代次數如圖4所示。將裝備維修能力評估樣本的一部分用來驗證模型的正確性,分別在優、良和差三個層次選取三個樣本用BP神經網絡模型對其維修能力進行評估,其結果如表2所示。可見,該模型能準確地對裝備的維修能力進行評估,具有較高的準確性。

圖4 模型迭代計算和誤差

表2 裝備維修能力評估結果

5 結語

本文針對傳統維修能力評估模型缺少客觀性和準確性的問題,提出了基于BP神經網絡的維修能力評估方法。首先建立了評價指標體系,確立了裝備維修能力評估的基本指標,在此基礎上,將BP神經網絡引入維修能力評估,建立了維修能力評估模型。試驗證明,該模型具有較高的準確性,能夠準確地實現裝備維修能力的評估,具有一定的實用價值。

[1] 單志偉.裝備綜合保障工程[M].北京:國防工業出版社,2007:23-38. SHAN Zhiwei. Equipment Integrated Supportability System[D]. Beijing: National Defense Industry Press,2007:23-38.

[2] 金旸,曹水,黃政.艦員級維修能力的評估指標體系構建方法分析[J].裝備制造技術,2015,8:185-187. JIN Yang, CAO Shui, HUANG Zheng. Analysis of the Crew-class Maintenance Capability Evaluation System[J]. Equipment Manufacturing Technology,2015,8:185-187.

[3] 王成愷.多元復合算法及在軍車維修評估中的應用研究[D].大連:大連理工大學,2005:54-68. WANG Chengkai. Complex algorithm of pluralism and the application study of it in the maintains and assesses of military vehicle[D]. Dalian: Dalian University of Technology,2005:54-68.

[4] 張學斌,陳云翔,王超,等.軍用航空發動機大修能力評估方法[J].火力與指揮控制,2016,41(1):37-40. ZHANG Xuebin, CHEN Yunxiang, WANG Chao, et al. Method on Military Aircraft Engine Overhaul Capacity Evaluation[J]. Fire Control & Command Control,2016,41(1):37-40.

[5] 蘇凡囤,王小飛,王海濤,等.工程裝備維修機構維修能力評估研究[J].中國工程機械學報,2013,11(3):276-280. SU Fantun, WANG Xiaofei, WANG Haitao, et al. Maintenance capability evaluation on construction equipment maintenance institutions[J]. Chinese Journal of Construction Machinery,2013,11(3):276-280.

[6] 李飛,谷奇平.Hopfield網絡在武器裝備評估及分類中的應用[J].空軍工程大學(自然科學版),2000,1(2):60-63. LI Fei, GU Qiping. Application of Hopfield Network in Weapon’s Evaluation and Classidication[J]. Journal of Air Force Engineering University(Natural science edition),2000,1(2):60-63.

[7] 于戰果,張堯,鄧威,等.基于BP神經網絡的部隊后勤機動平臺維修能力評估[J].軍事交通學院學報,2015,17(9):36-40. YU Zhanguo, ZHANG Yao, DENG Wei, et al. Evaluation on Maintenance Capability of Logistics Mobile Platform Based on BP Neural Network[J]. Journal of Military transportation University,2015,17(9):36-40.

[8] Mei-Yung Chen, Chien-Chou Huang. Application of time-frequency analysis and back-propagation neural network in the lung sound signal recognition[C]//Applied Mechanics and Materials,2012,(190):927-930.

[9] 陳校平,車飛.裝備保障能力的動態評估[J].火力與指揮控制,2011,36(7):167-170. CHEN Xiaoping, CEHN Fei. Study on the Dynamic Evaluation of Equipment Support Capability[J]. Fire Control & Command Control,2011,36(7):167-170.

[10] 張立,冷宣兵,王平.組合權重艦船裝備技術保障能力評估證據理論模型[J].火力與指揮控制,2010,35(8):162-165. ZHANG Li, LENG Xuanbing, WANG Ping. Evidence Theory Model of Warship Equipment Technical Supporting Ability Evaluation based on Combined Weight[J]. Fire Control & Command Control,2010,35(8):162-165.

Maintenance Capability Evaluation for Complex Equipment Based on BP Neural Network

FENG Yu1ZHANG Hua1LIU Xin1LIU Tianbin2

(1. Department of Equipment Command and Management, Ordnance Engineering College, Shijiazhuang 050003)(2. No. 94270 Troops of PLA, Jinan 250117)

The evaluation result of equipment maintenance capability directly affects the efficiency of logistics equipment maintenance. Aiming at the traditional method has strong subjectivity and low adaptability during the evaluation of equipment maintenance capability, maintenance capability evaluation for complex equipment based on BP neural network is proposed. The paper establishes the evaluation model of complex equipment maintenance capability based on BP neural network, with the index system for equipment is proposed, then to get the evaluation result of equipment maintenance capability. Then the example of the model by assessing the net training based on neural network has higher precision. The model provides scientific basis for decision-making for equipment fault quickly maintenance, which has important significance for the formation of equipment effectiveness and keeping.

complex equipment, index system, BP neural network, maintenance capability Class Number E92

2016年10月13日,

2016年11月30日

馮宇,男,碩士研究生,研究方向:工廠大修能力評估。

E92

10.3969/j.issn.1672-9722.2017.04.017