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(jīng)常出現(xiàn)故障的設備配備一定數(shù)量的備件。長期以來，如何確定備件的數(shù)量一直是艦船裝備精確保障領域的一個難題，配置數(shù)量太少，無法保證艦船設備的可靠性；配置數(shù)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(jīng)網(wǎng)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(wǎng)絡、支持向量機（SVM）、Hopfield網(wǎng)絡和專家系統(tǒng)。BP網(wǎng)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(tǒng)在得不到相應的專家經(jīng)驗就無法進行診斷。

徑向基（RBF）網(wǎng)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(xiàn)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(shù)神經(jīng)網(wǎng)絡

徑向基函數(shù)網(wǎng)絡包含一個徑向基神經(jīng)元的隱層和一個具有線性神經(jīng)元的輸出層。輸入信號傳遞到隱層。隱層有S1個神經(jīng)元，節(jié)點函數(shù)為高斯函數(shù)；輸出層有S2個神經(jīng)元，節(jié)點函數(shù)通常是簡單的線性函數(shù)，其結構如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡的結構

其中，R為輸入向量元素的數(shù)目；S1為第一層神經(jīng)元的數(shù)目；S2為第二層神經(jīng)元的數(shù)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(chǎn)生S1維向量，然后與閾值b1相乘，再經(jīng)過徑向基傳遞函數(shù)從而得到第一層輸出[4]。

2 艦船備件數(shù)量影響因素

現(xiàn)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(shù)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(tài)。特別是長時間的遠洋航行，設備長時間的持續(xù)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(shù)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(yǎng)。一般來說，在保養(yǎng)的過程中，部件被拆卸的次數(shù)越多，部件的磨損就會越嚴重。因此，拆卸次數(shù)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(huán)境中，對部件的壽命會產(chǎn)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(shù)，可以通過歷史工作過程中統(tǒng)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(shù)據(jù)以及艦船某備件消耗的歷史數(shù)據(jù)，如表1所示。

為了使徑向基神經(jīng)網(wǎng)絡的預測效果更好，就要有大量的樣本對網(wǎng)絡進行訓練。我們將表1中1～7組數(shù)據(jù)加入標準差為k的隨機白噪聲誤差，循環(huán)100次，產(chǎn)生700組訓練樣本。最后用第8組數(shù)據(jù)檢驗網(wǎng)絡的預測效果；用前7組數(shù)據(jù)用來檢驗網(wǎng)絡的擬合效果。

3.2 建立徑向基神經(jīng)網(wǎng)絡

影響備件需求量的因素有4個，所以確定徑向基神經(jīng)網(wǎng)絡的輸入節(jié)點數(shù)為4；采用輸入層、隱層和輸出層三層結構；采用Gaussian函數(shù)作為徑向基函數(shù)。

表1 備件消耗歷史數(shù)據(jù)

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

3.3 備件需求預測

取k的值為4，產(chǎn)生訓練樣本，對神經(jīng)網(wǎng)絡進行訓練；用第8組數(shù)據(jù)檢驗徑向基神經(jīng)網(wǎng)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(shù)為35次，設備累計工作時間1680小時，歷史MTBF為470小時。將數(shù)據(jù)輸入網(wǎng)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(shù)據(jù)檢驗網(wǎng)絡的擬合效果，結果如圖2所示。

表2 RBF神經(jīng)網(wǎng)絡擬合結果

為了表現(xiàn)RBF神經(jīng)網(wǎng)絡的預測效果良好，我們同BP神經(jīng)網(wǎng)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(shù)量的4大因素，建立了影響因素與備件數(shù)量的神經(jīng)網(wǎng)絡預測模型。結合歷史數(shù)據(jù)對徑向基神經(jīng)網(wǎng)絡的預測效果和擬合效果進行檢驗，將結果與BP神經(jīng)網(wǎng)絡的預測結果進行對比。結果表明，徑向基神經(jīng)網(wǎng)絡的預測結果符合實際情況，擬合效果優(yōu)于BP神經(jīng)網(wǎng)絡。

［1］楊珊，王少紅，王吉芳.基于BP神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡仿真與應用[M].電子工業(yè)出版社,2009,6:182-184.