基于案例推理的艦船管路破損應急決策模型研究*

朱玲娜 任 凱 浦金云

（海軍工程大學動力工程學院 武漢 430033）

1 引言

進入21世紀，各國海軍裝備現代化進程加快，艦船作為海軍海上作戰主要力量，發揮著不可替代的作用。一般的艦船管路系統可簡單的劃分為動力管系與艦船管系[1]，包括燃油管路、滑油管路、冷卻水管路、淡水管路等。但由于船艙內部結構復雜、管路系統分布廣泛，加之艙體內部體積狹小、作業環境惡劣，發生故障事故的情況時有發生[2]，海上作業環境惡劣，長期處于高溫、潮濕、易腐蝕的狀態，一旦管路發生泄露，會對艦船的航行安全、船員的人身安全以及海上環境造成威脅。

我國對艦船智能損管決策技術研究起步較晚，多數處于通過建立數學模型進行定性研究的階段[3]，將智能化技術應用于艦船損管決策研究較少，目前的損管處置更多是依賴艇員經驗對艦船事故進行決策。針對目前艦船損管決策所存在的主要問題，本文針對基于LPM的案例檢索技術進行了研究，以艦船管路破損為例對本文所述檢索模型進行驗證。為艦船的損管輔助決策提供了一個新思路，且具有一定的實際意義。

2 基于偽度量的案例推理模型

2.1 基于學習型偽度量的CBR檢索模型

在 CBR 經典“R5”[4]模型基礎上，本文對 CBR模型進行了改進。利用基于BP神經網絡的學習型偽度量代替傳統的距離度量，設計了如圖1所示的基于學習型偽度量的CBR檢索模型。將歷史案例與目標案例的特征屬性表示成特征向量形式，構建案例庫；隨后構建匹配池，對基于BP的LPM模型進行訓練；再由LPM模型檢索度量出的目標案例與歷史案例的相似度，通過公式得到最相似案例并給出待選決策方案；最后經過案例修正給出決策方案，并儲存至案例庫中。

圖1 基于學習型偽度量的CBR檢索模型

2.2 算法的基礎

D Wang[5]基于學習型相似性度量（LSM）提出學習型偽度量（LPM），并開發了基于神經網絡的LPM框架用于予以圖像分類和檢索。A Yan[6]基于對學習型偽度量的研究，提出一種基于案例的模式分類推理方法，將學習型偽度量取代傳統的距離度量，解決了傳統距離度量容易陷入距離陷阱的問題，并在案例重用階段采用聚類方法得到最終的預測分類，但聚類需要預先匹配大量的數據并且會導致信息缺失[7]，余肖生[8]在 A Yan的基礎上對案例重用進行了改進，提出一個K公式：

以0為閾值，目標案例最終分類P為

2.3.5 訓練BP神經網絡

此方法避免了LPM-CBR算法中聚類時需要大量預訓練生成數據的步驟，減少了過早定值所造成的信息損失。本文所設計的基于BP神經網絡的LPM算法在K公式的基礎上進行了優化，提高了算法的準確率，并能夠更好地處理不平衡數據集。

2.3 算法的實現

2.3.1 案例表示

2.3.2 數據預處理

數據預處理階段需要將數據進行統一的歸一化處理，使得目標案例與歷史案例的特征屬性值都映射至[0，1]區間內。

3.3.2 算法準確率

由圖2可知，LPM-CBR-N算法在輸入不同的干擾因子后其分類準確率無較大波動，整體較為平穩，說明本算法具有一定的抗干擾能力及魯棒性。

2.3.4 案例檢索

度量空間與偽度量空間的不同之處即為：在偽度量空間內可能存在著兩點不同但距離為零的情況。因此，每個度量即為一個偽度量，但并非任一偽度量空間都是度量空間。利用等價類對偽度量進行定義[9]。

針對我國深部找礦起步晚，深部礦勘查難度較大的行業現狀，為了減少深部找礦工作的盲目性和風險，確保深部礦勘查工作的有效性，提高深部找礦工作的效率，爭取在深部找礦領域早日取得大的突破，我們要采取以下措施來保障深部找礦工作的穩定發展。

3.3.3 運行時間比較

按照“預防為主，綜合防治”的方針，堅持以“農業防治、物理防治、生物防治為主，化學防治為輔”的無害化控制原則。農藥施用嚴格執行GB4285和GB/T8321的規定。不得施用國家明令禁止的高毒、高殘留、高三致（致畸、致癌、致突變）農藥及其混配農藥。

1.2 抽樣原則 黔東南州共有10個縣(市)種植烤煙，根據其烤煙種植面積和合同戶數確定每個縣(市)抽樣的抽樣數量，具體抽樣煙農的分布情況見表1。其中，鎮遠種植面積最大，為2 840 hm2，合同戶數1 538，抽樣量108個。

2.3.6 案例重用

3 性能測試

3.1 算法設計

算法驗證在Conda Python3.8環境下進行，使用Sklearn和Keras框架。實驗中支持向量機算法SVM及最近鄰算法KNN使用Sklearn框架進行編寫，LPM-CBR、LPM-CBR-K及LPM-CBR-N算法中BP神經網絡部分使用Keras框架進行編寫。

氧化鉍是具有6種晶相的多晶型材料,其晶相包括α(單斜相),β(四方相),γ(體心立方相),δ(面心立方相),ε(斜方相)以及ω(三斜相).在通常情況下,α-Bi2O3是在室溫到730°C存在的低溫穩定相,δ-Bi2O3是在730°C到熔化溫度存在的高溫穩定相.β與γ相是δ相在降溫過程中產生的亞穩相[11].在這些晶相中,δ-Bi2O3由于存在氧空位,具有通暢的離子通道,使其離子傳導率遠大于其他物相[12],在固態氧化物電池、氧氣傳感器等[11-15]領域具有潛在的應用價值.

本實驗中，SVM算法中懲罰系數設為1，核參數設為rbf，gamma設為auto；KNN算法中聚類數據設為5；BP算法中設為三層網絡結構，隱藏層節點數為10，激活函數設為Sigmod函數，訓練函數設為Trainrp函數，batch_size=128，epoch=1200；LPM-CBR和LPM-CBR-K算法中BP部分，設置為三層網絡結構，隱藏層節點數為10，激活函數設為Sigmod函數，訓練函數設為Trainrp函數，batch_size=128，epoch=1200；LPM-CBR-N算法中BP部分，設置為四層網絡結構，第一個輸入層節點個數為輸入特征屬性個數，第一個隱藏層節點數為15，第二個隱藏層節點數為2，最后一層輸出層節點個數為1，中間激活函數設為ReLU函數，最后一層輸出層的激活函數設為Sigmod函數，batch_size=512，epoch依據不同數據集進行設置。

3.2 艦船管路破損實驗集

本文收集了艦船海水管路HG、淡水管路DG、燃油管路RG以及滑油管路YG的各種常見管路破損，將其分為五大類管路失效類型：管路腐蝕、制造缺陷、施工缺陷、設備缺陷以及外力作用。具體失效類型及破損原因如表1所示，其相關特征屬性如表2所示。

表1 艦船管路失效分類

表2 艦船管路失效類型的相關特征屬性

收集的實驗數據集如表3所示。其中，對海水管路僅進行管路腐蝕、施工缺陷、設備缺陷以及外力作用4項管路失效類型分類；對淡水管路僅進行管路腐蝕以及施工缺陷兩項分類管路失效類型分類；對燃油管路僅進行制造缺陷、施工缺陷以及設備缺陷3項分類管路失效類型分類；對滑油管路僅進行管路腐蝕以及設備缺陷兩項分類管路失效類型分類。

表3 實驗數據集基本信息

3.3 實驗結果及分析

3.3.1 魯棒性

為檢驗LPM-CBR-N算法的魯棒性，對其在輸入特征屬性存在噪音的情況下進行干擾測試，利用表3中的數據集進行魯棒性測試。首先，在每一折實驗時都自動生成一個隨機向量，即噪音noise，服從(- 1,1)均勻分布；隨后，在噪音中加入10個不同的干擾因子λi(i=1,...,10)，此時LPM-CBR-N模型的輸入向量s變為[I+λi× diag(noise)]s，即輸入向量s與噪音noise之和，其中干擾因子λi(i=1,...,10)為1%～10%變化，I為適當維數的單位矩陣，diag(.)為對角矩陣。不同干擾因子下的模型分類準確性如圖2所示。

圖2 魯棒性測試

根據比例將數據劃進行劃分，分為訓練集Dtrain和測試集Dtest，將90%的數據集劃分為訓練集Dtrain，10%的數據集劃分為測試集Dtest。

2.3.3 十折交叉實驗

定理1給定集合X和一組等價類是從X上的等價關系～導出的，方程式式（9）是對集合X上的函數f的定義：

為驗證LPM-CBR-N算法的準確率，將LPMCBR-N與SVM、KNN、BP、LPM-CBR-K幾種方法進行了對比實驗，表4為各算法的分類準確率。

表4 各算法的分類準確率

可以看出，LPM-CBR-N算法對大部分數據集都有較高的準確率，在數據集DG上的準確率比LPM-CBR-K算法高4.58%，在數據集RG上的準確率比LPM-CBR-K算法高4.64%，在數據集HG上的準確率比LPM-CBR-K算法高2.3%，即使在數據集RG的測試中，LPM-CBR-N算法所得的分類準確率雖略低于LPM-CBR-K算法，但兩者間準確率差距較小，僅低了0.56%，說明LPM-CBR-K算法具有一定的優越性。

[17]Lazer D, Kennedy R, King G, et al., “The parable of Google Flu: traps in big data analysis”, Science, 2014, 343(6176), pp.1203-1205.

選擇2017年1月—2018年1月于我院接受肝癌治療的患者86例，采用奇偶法將其分為實驗組（n=43）與參照組（n=43）。其中，男性肝癌患者61例，女性患者25例。最小年齡35周歲，最大年齡73周歲，中位年齡（51.09±10.36）周歲。兩組患者年齡、性別等基線資料統計分析結果不具備明顯差異（P＞0.05），分組方式有可比性。納入標準：（1）了解本研究內容，主觀自愿參與本研究；（2）經病理確診為肝癌[1]。排除標準：（1）預估存活時間少于3個月；（2）病案資料不全。

進行對比試驗時，對表3內數據集依次運行SVM、KNN、BP、LPM-CBR、LPM-CBR-K 及LPM-CBR-N算法，數據集運行時間如圖3所示，具體數值如表5所示。

圖3 運行時間對比

表5 各算法運行時間

由實驗數據可知，對同一數據集而言，LPM-CBR-N算法與SVM算法及KNN算法相比運行時間較長，但較BP算法、LPM-CBR-K算法與LPM-CBR算法而言顯著的降低了運行時間；LPM-CBR-N算法運算速度略優于LPM-CBR-K算法，但運行時間差別較小。

3.3.4 不均衡數據比較

正負樣本不均衡的情況在二分類數據集中時有發生。例如淡水管路數據集DG與滑油管路YG，若以單一的準確率指標作為參考，作用其實并不大。為考察LPM-CBR-N算法的綜合性能，還需綜合考慮查全率和查準率，查全率（TPR）主要用于表示能夠算法被正確診斷出故障的案例在所有故障案例中的占比，查準率（FPR）主要用于表示被算法錯誤判斷的正常案例在所有正常案例中的占比，兩項指標的基本公式如下所示：

翠綠色獨山玉的折射率為1.57[1]，比重為2.9[1]，摩氏硬度為5.5～6.4[1]；而翠綠色的仿獨山玉，在外觀上與獨山玉中的天藍玉、滿綠玉很相似，但其硬度略低于獨山玉的正常值。為了確定這種翠綠“獨山玉”，筆者對其進行了常規的寶石學檢測和薄片鑒定、X射線粉末衍射分析、電子探針檢測、紅外光譜檢測，并探討了它的顏色成因。

查全率與查準率時一對矛盾的度量，一般而言，查準率較高時查全率往往較低，而查全率較高時查準率往往較低[12]。在對兩項指標要求都較高時，實驗選擇F1指標衡量算法在不均衡數據上的性能，F1是查全率與查準率的調和平均，基本公式如下所示：

其次，在開展不同課堂活動的過程中，老師還可以也結合知識傳授的具體規律和相關的策略不斷的構建活動的意義和價值，實現翻轉課堂與英語專業翻譯教學之間的緊密配合，提高和培養學生良好的互助合作精神，鼓勵學生通過共同協商和共同探討的形式解決翻譯過程中所存在的問題。另外老師還可以將翻轉課堂與小組式的教學模式相結合，讓學生在小組探討的過程中進行合理的分工，真正地實現相互合作和共同發展。

以淡水管路數據集DG為例，以不同的正負樣本比例對LPM-CBR-N算法與LPM-CBR-K算法、LPM-CBR算法進行實驗測試，正負樣本比例從1:4至4:1，判決結果如圖4、圖5所示。

圖4 Acc對比圖

圖5 F1對比圖

由實驗數據可以看出，LPM-CBR-N算法能夠更好地處理不平衡數據集，當正負樣本比例較大時表現較LPM-CBR與LPM-CBR-K都好，LPMCBR-N算法的準確率最高，當正負樣本均衡時，LPM-CBR-N算法的F1值略高于LPM-CBR與LPM-CBR-K。

根據對創業中主要困難的調查，54家樣本科技型創業企業中，有75.93%的企業將融資難、融資貴列在首位，占比最高；同時有超過一半的企業認為政策支持不完善和創新創業能力不足影響企業發展。基于上述現狀與問題分析，要進一步發揮眾籌對科技創業的支持作用，還需強化政策支持，完善風險防控和監管措施，構建長效機制，形成協同效應，打通政策落地“最后一公里”。

4 結語

本文對基于學習型偽度量LPM的CBR檢索模型進行了優化，針對案例特征屬性較多、正負比例不均衡的數據集分類情況進行了改進，提出了基于LPM-CBR-K算法優化的LPM-CBR-N算法。在案例檢索階段使用偽度量代替傳統的距離度量，避免了“距離陷阱”問題的出現，在案例重用階段對K公式進行改進，避免了聚類需要重復匹配數據的缺點。最后利用來自實驗數據集對本文所述LPMCBR-N算法進行了性能測試，證明算法具有一定的抗干擾能力，綜合能力較其他算法更強，具有一定的優勢。為案例推理技術在艦船管路破損決策上的應用提供了一定的理論基礎，為艦船的損管決策方法提供了新思路。