基于徑向基神經網絡的艦船備件需求預測

唐 成 蓋 強 田 峰 劉 勇 黃俊添

(1.中國人民解放軍海軍大連艦艇學院 訓練艦支隊，遼寧 大連 116018；2.中國人民解放軍海軍大連艦艇學院 艦炮系，遼寧 大連 116018；3.中國人民解放軍海軍大連艦艇學院 艦船指揮系，遼寧 大連 116018)

0 引言

為了保證艦船在海上航行階段的安全性和可靠性，通常會為艦船上比較重要的和經常出現故障的設備配備一定數量的備件。長期以來，如何確定備件的數量一直是艦船裝備精確保障領域的一個難題，配置數量太少，無法保證艦船設備的可靠性；配置數量太多，又會占用大量空間，而且會造成資源的浪費。

人工神經網絡(ANN)是目前國際上前沿研究領域的一門新興交叉科學[1]。主要方法有BP網絡、支持向量機（SVM）、Hopfield網絡和專家系統。BP網絡容易陷入局部最小點；SVM和Hopfield是無導師學習算法，不容易找到自己想要的結果；專家系統在得不到相應的專家經驗就無法進行診斷。

徑向基（RBF）網絡是一種有導師的學習算法，在給定充分的訓練樣本后可以實現任意形式的非線性映射，而且還能夠克服局部最小點的困擾[2]。RBF可以避免像BP學習算法那樣冗長的迭代計算和陷入局部極值的可能，使學習速度比通常的BP算法快幾十倍甚至上百倍[3]。

1 徑向基函數神經網絡

徑向基函數網絡包含一個徑向基神經元的隱層和一個具有線性神經元的輸出層。輸入信號傳遞到隱層。隱層有S1個神經元，節點函數為高斯函數；輸出層有S2個神經元，節點函數通常是簡單的線性函數，其結構如圖1所示。

圖1 RBF神經網絡的結構

其中，R為輸入向量元素的數目；S1為第一層神經元的數目；S2為第二層神經元的數目；a1j為向量 a1的第 j個元素；i｜W1,1為權值矩陣｜W1,1的第i個向量。｜dist｜模塊計算輸入向量P和輸入權值｜W1,1的行向量之間的距離，產生S1維向量，然后與閾值b1相乘，再經過徑向基傳遞函數從而得到第一層輸出[4]。

2 艦船備件數量影響因素

現以艦船機電設備的某部件為預測對象，以一年為一個時間段，分析影響機電設備的備件需求因素。我們選取了以下4個主要影響因素進行具體分析：

計劃重大任務次數A。對于艦船來說，重大任務就是出海，艦船的機電設備幾乎時刻保持運行狀態。特別是長時間的遠洋航行，設備長時間的持續工作會加大對設備的損耗，其中，難免會有設備部件功能故障，毫無疑問將導致部件的備件需求量增加。

檢修中被拆卸的總次數B。為了維護設備的正常運轉，確保艦船在任務過程中的安全可靠，會對艦船設備部件進行定期和不定期的檢修、保養。一般來說，在保養的過程中，部件被拆卸的次數越多，部件的磨損就會越嚴重。因此，拆卸次數越多，故障的幾率也越大，備件的需求量也就越大。

累計工作時間C。艦船設備累計工作時間以小時為單位，在設備工作的過程中，設備處于高速、震動、高溫等復雜環境中，對部件的壽命會產生很大影響。累計工作時間越長，部件的損壞程度也就越大，備件需求量也就越大。

平均故障間隔時間D。平均故障間隔時間是設備可靠性的一種參數，可以通過歷史工作過程中統計獲得，對于備件的需求量有直接的影響。MTBF值大的，備件需求量少，MTBF值小的，備件的需求量較大。

3 艦船備件需求預測實例

3.1 構造訓練樣本

下面列出4個影響因素的相關數據以及艦船某備件消耗的歷史數據，如表1所示。

為了使徑向基神經網絡的預測效果更好，就要有大量的樣本對網絡進行訓練。我們將表1中1～7組數據加入標準差為k的隨機白噪聲誤差，循環100次，產生700組訓練樣本。最后用第8組數據檢驗網絡的預測效果；用前7組數據用來檢驗網絡的擬合效果。

3.2 建立徑向基神經網絡

影響備件需求量的因素有4個，所以確定徑向基神經網絡的輸入節點數為4；采用輸入層、隱層和輸出層三層結構；采用Gaussian函數作為徑向基函數。

表1 備件消耗歷史數據

從Gaussian核函數可見，其中x是函數的輸入變量；c是徑向基函數的中心；Φ(x－c)就是徑向基函數。

3.3 備件需求預測

取k的值為4，產生訓練樣本，對神經網絡進行訓練；用第8組數據檢驗徑向基神經網絡的預測效果。假設某艦船該年計劃有6次重大任務，某部件被拆卸的總次數為35次，設備累計工作時間1680小時，歷史MTBF為470小時。將數據輸入網絡，預測結果為65.2182，實際的消耗量為64個，相對誤差為1.9%，認為預測準確。

用1～7組數據檢驗網絡的擬合效果，結果如圖2所示。

表2 RBF神經網絡擬合結果

為了表現RBF神經網絡的預測效果良好，我們同BP神經網絡的擬合值進行對比，如表2所示。

圖2 RBF與BP擬合效果對比圖

4 結束語

通過分析影響艦船備件數量的4大因素，建立了影響因素與備件數量的神經網絡預測模型。結合歷史數據對徑向基神經網絡的預測效果和擬合效果進行檢驗，將結果與BP神經網絡的預測結果進行對比。結果表明，徑向基神經網絡的預測結果符合實際情況，擬合效果優于BP神經網絡。

［1］楊珊，王少紅，王吉芳.基于BP神經網絡的煙氣輪機故障診斷[J].微計算機信息，2010（22）.

［2］韓力群.人工神經網絡教程[M].北京郵電大學出版社,2007，7:127.

［3］Gori M,Tesi A.On the Problem of Local Minima in Back Propagation[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,1992,14(1):76-86.

［4］張德豐.MATLAB神經網絡仿真與應用[M].電子工業出版社,2009,6:182-184.