基于BP神經網絡的船舶建造技術評價模型及仿真

姜 軍， 邵明智， 王力占

(上海船舶工藝研究所， 上海 200032)

?

基于BP神經網絡的船舶建造技術評價模型及仿真

姜 軍， 邵明智， 王力占

(上海船舶工藝研究所， 上海 200032)

針對船舶建造技術評價非線性的特點，建立建造技術評價BP神經網絡模型，并進行網絡訓練，結合某造船企業實際數據進行驗證，避免傳統評價方法存在人為隨機性和主觀性等影響，使得對船舶建造技術的評價更加準確、客觀和便利。

船舶；建造技術；評價；BP神經網絡

0 引言

在國際船舶市場需求持續低迷，世界造船業競爭日趨激烈，船舶企業利潤空間不斷壓縮，國際海事新規則新規范頻繁出臺的多重壓力下，我國船舶工業發展正面臨著更加嚴峻的挑戰。在新形勢下，造船企業存在轉型升級的迫切需要，要從注重要素投入的外延式發展方式轉變為注重科技進步、質量效益為主的內涵式發展方式。科學評價和掌握企業造船技術水平，尋求轉型發展的突破口成為行業的重要任務。

當前已進入大數據時代，數據的重要性無處不在。衡量船舶建造技術關鍵在于如何科學、真實、有效、全面評價我國船舶建造企業的實際水平。由于影響船舶建造技術的因素較多，各個造船企業目標產品存在差異，導致科學評價船舶建造技術水平有一定的困難。傳統評價法通常邀請專家對各項指標進行打分匯總，存在人為隨機性和主觀性等影響，易產生評價不準確現象。因此，建立合理、科學的數學模型，應用智能評價算法，保證評價結果的客觀性和準確性顯得尤為重要。

1 建造技術評價指標的選取

以CB/T 4335-2012《船舶建造技術水平評估方法》和《船舶行業規范條件(試行版)》的內容為基礎，從綜合經濟技術、生產設計技術、生產管理技術、單船建造技術、信息集成技術等5個層面選擇7項評價指標數據，準確、客觀地評價船舶建造技術水平[1-2]。

(1) 全員造船生產效率。全員造船生產效率為統計年度內完工船舶產品修正總噸與造船從業人員的比值，單位為t/人。

(2) 每修正總噸工時消耗。每修正總噸工時消耗為統計年度內完工船舶產品實動工時與完工船舶產品修正總噸的比值，單位為h/t。

(3) 鋼材一次利用率。鋼材一次利用率為單船船體結構設計套料重量與單船船體結構鋼材實際領用量之比的百分率。

(4) 分段無余量制造率。分段無余量制造為分段在零件下料、加工和部件、組件直到形成分段的裝配、焊接過程中實施無余量(可含補償量)的制造。計算方法為無余量制造的分段個數與全船分段總數之比的百分率。

(5) 搭載前預舾裝率。搭載前預舾裝率為分段或總段在上船臺(進塢)前已經安裝完成的舾裝工程量(以實動工時計)與全船舾裝工程量(以實動工時計)之比的百分率。

(6) 下水/出塢安裝完整性率。下水/出塢安裝完整性率為船舶下水(出塢)前已經安裝完成的舾裝工程量(實動工時)與全船舾裝工程量(以實動工時計)之比的百分率。

(7) 涂裝單位面積涂料消耗量。涂裝單位面積涂料消耗量為單船每平方米涂料實際消耗量與單船每平方米涂料理論消耗量之比的百分率。

通過查閱《中國船舶工業年鑒(2012-2016)》、企業上報等途徑，收集匯總得到某造船企業2011-2015年建造技術評價指標數據，如表1所示。

表1 建造技術評價指標相關參考數據

2 基于BP神經網絡的船舶建造技術評價

BP神經網絡是由多層神經元組成的前饋網絡，名字起源于網絡權值的調整規則，采用的是反向傳播學習算法，即BP學習算法[3]。在BP神經網絡中，數據從輸入層經隱含層向后傳播，訓練權值時，則沿著減小誤差的方向傳播，從輸出層經過中間層向前修正網絡的連接權值。隨著學習不斷進行，最終誤差越來越小。

2.1 BP神經網絡建模

一般來說，BP神經網絡由多層構成，層與層之間全連接，同一層之間的神經元無連接。根據前文內容，船舶建造技術評價選定全員造船生產效率等7項數據作為評價指標。應用BP神經網絡，自動判別評價指標數據與等級范圍數據的接近程度，從而對船舶建造技術進行評價[4]。

2.1.1 網絡層數的確定

Roberto等已經證明，對任何在閉區間內的1個連續函數都可以用1個3層BP網絡逼近，因而1個3～4層的BP神經網絡可實現任意n維到m維的映射[5]。根據張立明[6]在《人工神經網絡模型及應用》書中指出，與含有1個隱含層的BP網絡模型相比，含有2個隱含層的BP網絡更容易陷入局部極小，更難以訓練。綜上所述，本文中船舶建造技術評價采用3層的BP神經網絡模型(1個輸入層、1個隱含層、1個輸出層)。

2.1.2 輸入層和輸入層單元數的確定

根據前文已選擇7項指標數據所組成的船舶建造技術評級基本因子，船舶建造技術評價BP網絡模型即包含全員造船生產效率、每修正總噸工時消耗、鋼材一次利用率、分段無余量制造率、搭載前預舾裝率、下水/出塢安裝完整性率、涂裝單位面積涂料消耗量7個輸入層節點。

2.1.3 隱含層和隱含層單元數的確定

不少學者提出了隱含層節點數確定的方法，如嚴太山在《基于BP神經網絡的玻璃瓶裂紋檢測模型》文章中，歸納總結了如下計算方法：

式中：NH為最佳隱含節點數；m為輸入層節點數；n為輸出層節點數；a為0～10之間的常數[7]，本文中選擇隱含節點數為3。

2.1.4 輸出層和輸出層單元數的確定

對于船舶建造技術水平評價尚未有標準等文件明確規定，結合表1中整理的5年數據，將建造技術評價劃分為：I、II、III3個等級，分別表示一般、先進和優秀。因此，輸出層單元數為3個，對應各自評價等級。

2.2BP神經網絡訓練

2.2.1 訓練樣本和期望輸出

訓練樣本也稱專家樣本，即BP網絡模型的“教師值”，通常是由多組“輸入-輸出對”構成的矩陣。根據2.1.4小節中輸出評價等級劃分為：I、II、III3個等級，將其用二進制表示，依次為：001、010、001。同時，針對各個等級，對評價指標數據進行范圍劃分，如表2所示。

表2 建造技術評價等級劃分 %

根據表2中評價指標數據劃分，形成3對訓練樣本，考慮采用3對樣本作為輸入進行BP網絡訓練，通過訓練得出的網絡魯棒性差，會出現異常輸出的情況。為了提高BP神經網絡的魯棒性和適用性，依據表2所示的劃分原則，利用Matlab軟件隨機生成訓練樣本，對訓練樣本進行擴充。

2.2.2 樣本的歸一化處理

在BP神經網絡中，非線性函數值域一般取[0,1]或[-1,1]2種類型。因此，需要對表2中指標數據進行歸一化處理，本文選擇[0,1]，采用計算公式為

2.2.3BP神經網絡訓練過程

本文采用BP神經網絡的架構，將歸一化的特征和二進制編碼后的輸出作為網絡的輸入和輸出，設定網絡輸入層為7層，輸出層為3層，其中隱含層結點為20個，選擇Sigmoid函數作為隱含層激勵函數，收斂誤差為0.001，最大迭代次數選擇10 000，神經網絡的建立命令如下，訓練過程如圖1所示。

圖1 BP神經網絡的訓練過程

net=newff(minmax(P_train),[20,3],{'tansig' 'tansig'} ,'traingda');

net.trainParam.epochs=10000;

net.trainParam.goal=0.001。

2.3BP神經網絡測試評價結果

利用已經訓練好的BP神經網絡，將船舶建造技術評價指標數據樣本(2011-2015年)輸入網絡，網絡評價結果按年依次為：001(一般)、001(一般)、010(良好)、011(優秀)、010(良好)。

3 結論

本文將船舶建造技術評價問題轉化為模式識別問題，把指標數據范圍劃分為3個等級，指標數據與最為接近等級范圍數據所對應建造技術等級為BP網絡模型識別輸出，表示船舶建造技術水平評價等級。隨著研究的深入，船舶建造技術評價指標豐富，訓練樣本不斷擴充，應用BP神經網絡評價船舶建造技術更加準確、客觀和便利。

[1] 中華人民共和國工業和信息化部.船舶建造技術水平評估方法：CB/T 4335-2012[S].北京：中國船舶工業綜合技術經濟研究院，2013.

[][]

[2] 朱嘉龍，劉傳茂. 造船技術水平評價研究[J]. 船舶工程，1999，4：19-21.

[3] 孫曉玲，王寧，梁艷. 應用BP神經網絡的教學評價模型及仿真[J]. 計算機仿真，2010,11：314-318.

[4] 賀清碧. BP神經網絡及應用研究[D]. 重慶：重慶交通大學，2004.

[5] 翟航，辛欣. BP人工神經網絡對長春市土壤質量評價[J]. 環境研究與監測，2009,4：70-72.

[6] 張立明. 人工神經網絡的模型及其應用[M]. 上海：復旦大學出版社，1993.

[7] 白潤才，殷伯良，孫慶宏. BP神經網絡模型在城市環境質量評價中的應用[J]. 遼寧工程技術大學學報(自然科學版)，2001,3：373-375.

Shipbuilding Technology Evaluation Model Based onBP Neural Networks

JIANG Jun， SHAO Mingzhi， WANG Lizhan

(Shanghai Shipbuilding Technology Research Institute, Shanghai 200032, China)

Based on the nonlinear characteristics of shipbuilding technology evaluation, a BP neural network model of construction technology evaluation is established. Network training is made. The verification is made which combines the shipbuilding enterprises actual data, which avoids the randomness and subjectivity of traditional evaluation methods. The evaluation of shipbuilding technology are made more accurate, objective and convenient.

ship; building technology; evaluation; BP neural network

姜 軍(1987-)，男，助理工程師，研究方向為船舶與海洋工程建造工藝

1000-3878(2017)03-0005-03

U671

A