基于粗糙集和神經網絡的艦載直升機航材消耗預測研究?

韓 玉 張作剛 張海軍

（1.海軍航空工程學院青島校區 青島 266041）

（2.海軍航空工程學院 煙臺 264001）

基于粗糙集和神經網絡的艦載直升機航材消耗預測研究?

韓 玉1張作剛1張海軍2

（1.海軍航空工程學院青島校區 青島 266041）

（2.海軍航空工程學院 煙臺 264001）

針對艦載直升機航材消耗影響因素的非定量性以及冗余性等問題，以艦載直升機操作平臺某機械類易耗件的消耗預測為例，分析了影響其消耗的因素，利用粗糙集的理論知識約簡方法去除冗余，選擇出主要影響航材消耗的因素，利用神經網絡建立了航材消耗的預測模型。最后比較了該模型的預測效果和直接神經網絡預測的效果，顯示了模型的實用性和有效性，為航材的消耗預測提供了一種有效的決策方法。

神經網絡；粗糙集；預測；航材

ClassNum ber E239.3

1 引言

艦載直升機的使用環境是“高溫、高濕、高鹽霧”的海上環境和“振動、電磁”的艦船環境，面臨著飛行環境復雜，海上作業難度大，海上艦面保障能力弱等問題［1］以及在海上駐艦持續時間長、飛行強度大的實際情況，使得艦載直升機航材的品種和數量大大增加［2］。航材消耗的因素涉及航材的質量狀況，飛機的飛行時間，飛行成員的技術水平，自然條件的影響等，多樣化的因素通過有限的一些指標很難表述，對航材的消耗量更無法精確計算，由此看出航材階段性消耗具有明顯的隨機性，積累數據較少的情況，很難通過傳統的預測方法進行消耗預測［3］。因此要對艦載直升機航材運用適當的預測方法，進行合理的預測，掌握航材的消耗規律，為制定航材的攜行計劃提供依據，提高航材保障的工作效益，有效解決航材保障任務較重和艦船上航材儲備空間較小之間的矛盾，實現艦載直升機攜行航材的高效、精確保障。

本文以艦載直升機操作平臺某機械類易耗件的消耗預測為例，基于粗糙集的理論基礎，首先將影響其消耗的相關因素用粗糙集方法進行預處理，簡化影響因素，排除冗余，找出影響部件消耗的主要因素，其中通過模糊數學的方法對定性的因素作定量的處理；然后用主要的影響因素對其消耗進行神經網絡預測；最后將預測結果與不考慮影響因素的神經網絡預測結果進行比較。

2 影響部件消耗的因素

航材的消耗與諸多因素有關，而每一種因素對器材消耗的影響程度也各不相同。以艦載直升機操作平臺某機械類易耗件為分析對象，影響此類型航材需求的主要因素包括以下幾個方面。飛行訓練的任務情況，飛行時間、起落等，飛行的時間越長，起落越多，部件發生損耗的概率也就越大，消耗也就越多；飛行人員的技術素質，飛行人員操作水平越高，部件的損害程度就越小，部件的消耗就會越??；部件的可靠性，水平制造工藝、產品質量等也會對航材的消耗產生重要的影響，航材質量越好，平均故障間隔時間越小，航材的需求量就越小；天氣以及氣溫的影響，惡劣天氣執行非常規任務的飛行日越多，部件損耗的概率就越大。

其中飛行員的技術，特別是飛行員的操作技術對部件的消耗影響很大。而飛行員的操作技術不僅與飛行員該機型的飛行時間、飛行等級有關，而且和飛行員的心理素質也有很大關系。由于操作技術不太好確定，在以往的預測模型中大都沒有考慮該因素。以艦載直升機飛行員的飛行等級、飛艦載直升機的時間和飛行員心理品質作為考察飛行員的飛行技術參數，對每個飛行員進行相對應的定量評價。本文根據飛行員的飛行等級、飛艦載直升機的時間、飛行員心理素質各量化考評指標，采用模糊數學的方法對飛行員的操作技術分類作量化處理，并進行分類?？蓜澐诛w行員的操作技術為優秀、良好、中等、較差四個等級，反映飛行員操作技術的因素為論域S，則

S=｛飛艦載直升機的時間，飛行的等級，心理素質｝

假使S上的W集為：優秀=｛200，特級，0.9｝，良好=｛150，一級，0.8｝，中等=｛100，二級，0.7｝，較差=｛50，三級，0.6｝。

利用模糊數學方法歸一化處理之后得：優秀=｛0.4，0.29，0.33｝，良好=｛0.3，0.26，0.27｝，中等=｛0.2，0.24，0.23｝，較差=｛0.1，0.21，0.20｝，假設某飛行員操作技術的W集為B=｛0.32，0.24，0.20｝。

利用模糊數學格貼近度［4］的公式計算可得：B=max｛0.32，0.3，0.24，0.21｝=0.32。所以該飛行員的飛行操作技術屬于優秀。利用同樣的方法可以計算出一個操作技術不好的飛行員所占比例。

3 基于粗糙集和神經網絡的預測

3.1 預測信息表的確定

根據實際情況分析，可以假設飛行時間為T，飛行的起落數為K，惡劣天氣的飛行日占全年飛行日的比例為E，故障率為Q，平均故障間隔的時間為M（小時），自然的損耗量為X，執行非常規飛行任務的飛行日占全年飛行日的比例為Y，操作技術不好的飛行員占全部飛行員的比例為W。在這些影響因素中，除了操作不好的飛行員占全部飛行員的比例W需按照上面介紹的方法計算外，其他因素都可以在飛行記錄中得到。以部件消耗為例，結合某艦艦載直升機2007～2012年的歷史統計資料，其中飛行時間和飛行起落數處理分別為飛行時間、飛行起落數占首先給定計劃數的比例，整理得表1。

表1 歷史統計資料

3.2 預測信息表的約簡［5～6］

影響部件消耗的因素組成屬性集合L=｛T，K，E，Q，M，X，Y，W｝，2007～2012年組成集合Z=｛1，2，3，4，5，6｝，對每個屬性設定一個閾值，1代表著超過閾值，0代表著沒有達到標準。例如對于飛行時間T，閾值設定為115，大于115的為1，否則為0；對于飛行的起落數K，閾值設定為110；對于惡劣天氣的飛行日占全年飛行日的比例E，閾值設定為0.25；對于故障率Q，閾值設定為0.50；對于平均故障間隔的時間M，閾值設定為240；對于自然的損耗量X，閾值設定為3；對于執行非常規飛行任務的飛行日占全年飛行日的比例Y，閾值設定為0.25；對于W，閾值設定為0.1，由表1得到信息表2。

由表2可知X的屬性值相同，這說明每年的自然損耗數量基本穩定，對預測不會有太大影響，可以把它去掉。屬性E和Y，T和Q，W和M的值基本相同，所以只保留一個，假設保留為E，T和W刪除Y，Q和M四列，得信息表3。

表2 消耗因素信息表

表3 消耗因素約簡信息表

下面對表3中的影響因素進行約簡，其中S=｛1，2，3，4，5，6｝，L1=｛T，K，W，E｝，則等價關系T，K，W和E分別有下列等價類：

關系ind（L1）有下列等價類：

S/ind（L1）=｛｛1｝｛2｝｛3｝｛4｝｛5，6｝｝

S/ind（L1-T）=｛｛1｝｛2｝｛3｝｛4｝｛5，6｝｝=S/ind（L1）

S/ind（L1-K）=｛｛1，2｝｛3｝｛4｝｛5，6｝｝≠S/ind（L1）

3.3 甚于神經網絡的預測［7～14］

本文采用了3層D的前向神經網，其中輸入層有3個神經元，而隱層有4個神經元。輸出層有1個神經元。把選定的特征參數K，E和W作為神經網絡的輸入向量，部件的消耗作為神經網絡的輸出，用表1的數據訓練這個網絡，用這個訓練好的網絡來預測2013～2016年的部件消耗。2007～2016年十年的預測的結果和實際的消耗對比如圖1所示，從圖1中可以看到預測的結果能夠較好地跟蹤實際的消耗。

圖1 2013～2016年預測結果對比圖

同時采用未考慮因素預測的神經網絡使用過去3年的消耗作為輸入，下一年的消耗作為輸出來訓練網絡。用訓練好的網絡對2013～2016年消耗預測，其預測結果和因素預測結果比較得到表4，從中可以看到本文介紹的方法確實要比神經網絡預測的相對誤差要小。

表4 考慮因素預測與神經網絡預測結果對比表

4 結語

本文先利用粗糙集的理論消除干擾，確定了影響部件消耗的主要因素，用神經網絡找出消耗數量和影響因素之間的非線性關系，通過神經網絡預測部件消耗，是航材器材消耗預測的一種嘗試，為航材的供應保障提供了一種新的決策方法。

［1］趙睿等.艦載直升機綜合保障問題的幾點探討［J］.科技廣場，2008：228-231.

［2］徐廷學，芮國勝，鄭偉.航空裝備綜合保障［M］.北京：兵器工業出版社，2004：12-14.

［3］段剛等.基于馬爾科夫分析的航材消耗預測［J］.價值工程，2012：218-219.

［4］楊綸標，高英儀.模糊數學原理及應用［M］.廣州：華南理工大學出版社，2002：56-60.

［5］Lingras P．Comparison of fuzzy and rough network［J］.Information Science，2008，110（6）：207-215.

［6］高尚.基于Rough集理論的神經網絡的武器系統參數費用模型［J］.系統工程理論與實踐，2009，23（04）：52-55.

［7］ SankarKPal，SushmitaMitra，PabitraMitra.Rough-fuzzy MLP：Modularevolution，rulegeneration，andevaluation［J］.IEEETransonKnowledgeandDataEngineering， 2003， 15（1）：14-25.

［8］張力明.人工神經網絡的模型及其應用［M］.上海：復旦大學出版社，2014：32-47.

［9］LuHJ，RudySetiono，LiuH.Effective datamining using neural networks［J］.IEEE Transon Knowledge and Data Engineering，1996，8（6）：957-961.

［10］BlakeC，KeoghE，MerzJ.UCIrepositoryofmachine learningdatatables［EB/OL］.（2005-12-28）.http：//www.ics.uci.edu/～m learn.

［11］曾黃麟.粗糙集理論及其應用［M］.重慶：重慶大學出版社，1998.

［12］QuinlanJR.Rulequestresearch：Dataminingtools see5andc 5.0［EB/OL］.（2005-12-28）.http：//www.rulequest.com/see5-info.htm l.

［13］ PawlakZ.Roughsetsandintelligentdataanalysis［J］.InformationSciences，2002，147（1）：1-12.

［14］何明，李博，馬兆豐，等.粗糙集理論框架下的神經網絡建模研究及應用［J］.控制與決策，2005，20（7）：782-785.

Dem and Prediction of Carried Aviation Materials for Ship-borne Helicopters

HAN Yu1ZHANG Zuogang1ZHANG Haijun2
（1.Naval Aeronautical Engineering Institute Qingdao Branch，Qingdao 266041）
（2.Naval Aeronauticaland Astronautical University，Yantai 264001）

In view of the ship-borne helicoptermaterial consumption influence factors of the quantitative and redundancy，as ship-borne helicopter operation platform，a precision instrumentparts consumption forecastas an example，the factors affecting the consumption are analyzed，the theory of rough set knowledge reductionmethod is used to remove redundancy，themain factors affecting the consumption ofmaterial are chosen，material consumption is established based on the neural network predictionmodel.Finally the prediction results of themodeland the effectofneuralnetwork prediction are compared，the practicability and validity of themodelare shown，an effective decision is provided formaterialconsumption forecastmethod.

neuralnetwork，rough sets，to predict，supply chain

E239.3

10.3969/j.issn.1672-9730.2017.09.021

2017年3月7日，

2017年4月25日

韓玉，男，碩士，講師，研究方向：裝備、器材勤務技術。張作剛，男，碩士，教授，研究方向：裝備、器材勤務技術。張海軍，男，碩士，研究方向：裝備、器材勤務技術。