基于BP神經網絡的機庫工程建設項目質量綜合評估

戰希臣 武學忠 鄭海平

[摘 要] 飛機機庫是一個先進、復雜、可靠的完備技術體系，飛機機庫工程建設項目則是一項復雜的系統工程，可以為提升飛機維修保障能力提供重要的支撐平臺。為了準確地反映飛機機庫工程建設項目質量的現實狀況，結合BP神經網絡非線性映射、自適應和自學習等特點，構建項目質量綜合評估模型，并進行了仿真驗證，分析結果表明，運用BP神經網絡進行綜合評估，可以修正專家打分法的主觀隨意性，提高綜合評估結果的準確性和可靠性，可以為項目質量綜合評估提供實用方法和理論依據。

[關鍵詞] 機庫工程建設項目；項目質量；指標體系；BP神經網絡

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 05. 030

[中圖分類號] TP18；TU712.3 [文獻標識碼] A [文章編號] 1673 - 0194（2018）05- 0071- 02

0 引 言

隨著大量先進飛機裝備部隊，飛機機庫工程建設項目越來越多，工程量越來越大，對機庫工程建設質量的要求也越來越高。飛機機庫多采用尖端的國防科學技術，是一個先進、復雜、可靠的完備技術體系，因此，只有注重飛機機庫工程建設項目質量，才能確保飛機維修保障能力的提升，為飛機維修保障提供先進的技術平臺。運用BP神經網絡反映機庫工程建設項目質量的現實狀況，可以為機庫工程建設質量評估提供高效的方法。

1 BP神經網絡模型引理

BP神經網絡運算具有較強的適應性，構建神經網絡主要應進行網絡拓撲結構設計和網絡參數設定。網絡結構和學習參數主要包括網絡結構、隱層單元數、輸入/輸出層數據、網絡初始權值、網絡閾值、網絡訓練最大期望誤差等。在網絡訓練過程中，把采集到的飛機機庫建設質量數據經過預處理后輸入神經網絡，然后，根據數據特征和數據多少選擇合適的訓練函數進行訓練，運用網絡期望誤差與網絡最大訓練次數對訓練函數進行控制，確認函數是否收斂，使誤差滿足所提出的精確要求，若函數收斂，則保存網絡訓練結果，形成權值閾值矩陣；若不收斂，則通過調整網絡結構及訓練參數，進入新一輪學習。

1.1 網絡結構

根據神經網絡理論，在任何閉區間內的一個連續函數均可用至少一個S型隱含層加上一個線性輸出層的網絡來逼近。應優先考慮增加神經網絡隱含層中的神經元數，來達到訓練誤差要求并使網絡盡快收斂。實踐表明，網絡結構采用輸入層—隱層—輸出層結構，比較適應于飛機機庫工程建設項目質量評估。

1.2 隱層單元數量的確定

就BP神經網絡而言，隱層單元數量是反映機庫工程建設項目影響因素并體現在網絡節點的因素中。隱層單元數量與輸入、輸出單元數量以及影響因素的復雜程度直接相關。如果隱層單元數量過多，神經網絡就會很復雜，訓練過程中運算速度就會降低，可能會出現神經元冗余現象；如果隱層單元數量過少，那么神經網絡所能反映的影響機庫工程建設項目的因素就會太少，則有可能導致訓練難以收斂和精確度下降，進而影響神經網絡的辨別能力降低，使輸出的仿真結果難以準確反映被評估對象的現實狀況。借鑒Robert Hecht提出的隱層單元數為2N+1，其中N為輸入節點數。結合飛機機庫工程建設項目實際，選用經驗模型為：隱層單元數≤■+1，其中，N為輸入節點數，L為輸出節點數。因為影響因素選取了20個，即 N=20，輸出節點 L=1，最終確定隱層單元數為10個節點。

1.3 輸入/輸出數據的確定

在機庫工程建設項目質量評估過程中，由于涉及的項目質量因素很多，能夠反映項目質量的各種情況又千差萬別，在實際的綜合評估過程中不可能將因素數據全部考慮在內，因此，考慮到項目質量綜合評估實際情況和神經網絡的要求，選擇輸入數據為質量綜合評估的20個指標作為控制點，輸出數據即為項目質量綜合評估的結果。

2 綜合評估指標體系的構建

以機庫工程建設項目質量的綜合評估為目標，以人員因素、材料因素、機械設備因素、方案因素、環境因素為一級指標，進行分解得到二級、三級指標，建立一個具有三級指標的評估指標體系。

2.1 綜合評估指標的篩選

（1）人員因素指標的選取。

（2）材料因素指標的選取。

（3）機械因素指標的選取。

（4）方案因素指標的選取。

（5）環境因素指標的選取。

2.2 綜合評估指標體系的結構

機庫工程建設項目質量綜合評估指標體系的結構如表1所示。

3 數據獲取與仿真分析

根據機庫工程建設項目施工過程中采集了10組數據。在神經網絡工具的輸入節點數據“inputs”項中放輸入數據矩陣，輸出節點數據“targets”選項中放輸出數據矩陣。

3.1 初始權值的設置

連接權重的初始權值設置必須合理，若初始權值過大，則會導致轉換函數飽和，使網絡陷入局部最小；若初始權值過小，則會導致離散性大，訓練精度下降。因此，應使初始加權后的每個神經元輸出值都趨近于零，以確保各神經元權值都能在其S型激勵函數變化最大處進行調節，使權重調整速度較快。可見，初始權值選取[-1，1] 之間的隨機數比較合理且可行。

3.2 期望誤差的選取

期望誤差的大小決定了神經網絡的精度，機庫工程建設項目質量特性的形成盡管有一定的規律性，但是，因此而構建的神經網絡并不一定都能收斂到一個較小的期望誤差。一般而言，非線性程度越高，期望誤差就會越大。同時，期望誤差的大小還取決于隱層節點數量和訓練時間長短，增加隱含層的節點和增加訓練時間可以有效降低期望誤差，為了準確反映機庫工程建設項目質量，選取期望誤差為：0.000 01[1]。

3.3 訓練次數的確定

神經網絡訓練次數受輸入數據、網絡結構、隱節點數、訓練函數等環節的影響。當網絡訓練到一定程度，誤差會趨于一個穩定的值，此時網絡訓練的次數即為最佳訓練次數。結合項目質量綜合評估實際，選用網絡訓練次數為：10 000次。

3.4 訓練過程

設定完參數后就可以進行樣本訓練，以獲得各個節點之間的連接權重。訓練的過程就是將數據前向傳播，和目標數據比較后將誤差反向傳播，從而不斷調整神經網絡中各個節點之間的連接權重。

3.5 仿真結果分析

通過網絡訓練后，得出誤差變化曲線圖和權重直方圖，如圖1、圖2所示。

從誤差變化曲線圖和權重直方圖可以看出，BP神經網絡在訓練了127次，即已訓練完成，系統已經將權值和閥值進行了合理調整并存到了訓練好的網絡中。運用Simulate Network進行仿真，得出仿真結果為0.898 15。此飛機機庫工程建設項目質量綜合評估結果為：優。

4 結 語

基于BP神經網絡對飛機機庫工程建設項目質量進行綜合評估，可以比較準確地反映機庫工程建設項目質量的現實狀況，通過神經網絡評估結果，可以找出影響工程建設項目質量的主要因素和這些因素存在的主要問題，以便于采取相應的對策措施。

主要參考文獻

[1]尹越琳.建筑施工項目質量控制探究[J].冶金叢刊，2017（4）：175-176.

[2]彭東.建筑項目質量的控制管理研究[J].經營管理者，2013（6x）：299.

[3]劉建寧. 基于神經網絡評價的鄭徐高鐵建設質量風險研究[J].洛陽理工學院學報：自然科學版，2014，24（3）3：67-72.