孫臣良，鄭偉，趙濤，陳洪光

（1.海軍航空工程學(xué)院a.兵器科學(xué)與技術(shù)系；b.科研部，山東煙臺264001；2.91557部隊，浙江舟山316000；3.91440部隊，河南洛陽471000）

基于數(shù)據(jù)挖掘和小波神經(jīng)網(wǎng)絡(luò)的航材消耗預(yù)測方法

孫臣良1a，鄭偉1b，趙濤2，陳洪光3

（1.海軍航空工程學(xué)院a.兵器科學(xué)與技術(shù)系；b.科研部，山東煙臺264001；2.91557部隊，浙江舟山316000；3.91440部隊，河南洛陽471000）

運用數(shù)據(jù)挖掘技術(shù)對航材消耗的歷史數(shù)據(jù)進行關(guān)聯(lián)分析，篩選出對保障飛機飛行有重要作用的航材消耗數(shù)據(jù)，大大縮減了需要預(yù)測的航材數(shù)量，同時對消耗航材之間的內(nèi)在影響關(guān)系進行量化。在分析人工魚群算法原理的基礎(chǔ)上，對算法中步長參數(shù)和視野范圍參數(shù)的設(shè)置方法進行了改進。實例結(jié)果表明，運用小波神經(jīng)網(wǎng)絡(luò)預(yù)測航材消耗的方法大大降低了預(yù)測誤差，說明了該方法的有效性、可行性和實用性。

數(shù)據(jù)挖掘；小波神經(jīng)網(wǎng)絡(luò)；消耗預(yù)測

航材管理作為飛行勤務(wù)保障的重要組成部分，其科學(xué)管理水平將對飛機戰(zhàn)斗力的發(fā)揮產(chǎn)生直接的影響[1]。當代航空技術(shù)突飛猛進，航空裝備不斷朝著集成化、精細化、自動化、模塊化方向發(fā)展，飛機也越來越現(xiàn)代化、復(fù)雜化。飛機巨大戰(zhàn)斗力的發(fā)揮依賴于航材及時而又準確的供應(yīng)，因而對航材保障提出了更新、更高的要求[2]。假如某一零部件發(fā)生故障，就可能導(dǎo)致飛機無法起飛，為避免因航材短缺而造成的飛機停飛現(xiàn)象，必須保證足夠、及時的航材供應(yīng)[3]。為此，必須儲備一定數(shù)量的航材，而航材保障的經(jīng)費以及航材倉庫的容積都是有限的。因此，只能以有限的保障經(jīng)費、有限的庫容，采購有限的航材。如果儲備量過大，一方面，將增加航材庫存保管費和保管場所維護費用，降低經(jīng)濟效益；另一方面，過量庫存降低了航材的質(zhì)量，使航材陳舊、損壞，甚至因發(fā)霉、生銹而變質(zhì)，這會致使保障成本增加，保障效益降低[4]。反之，航材儲備過少會造成維修停工、飛機停飛，降低軍事效益，并且因缺貨往往造成臨時訂貨，更增加了附加的人力和費用，造成更大的損失。因此，在有限的經(jīng)費和現(xiàn)有的保障條件下，如何做到精確航材保障，提高航材保障良好率，仍是急需研究的重要課題。以往航材消耗量的預(yù)測往往存在2個方面的問題：一方面，是航材種類繁多、數(shù)量龐大，每一項航材都進行消耗量的預(yù)測工作量巨大；另一方面，選取的預(yù)測方法不合適會導(dǎo)致預(yù)測結(jié)果不準確。本文擬通過采用數(shù)據(jù)挖掘算法篩選待預(yù)測航材種類和名稱，再利用小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Networks，WNN）進行消耗量的預(yù)測。

1 數(shù)據(jù)挖掘算法研究

1.1 數(shù)據(jù)挖掘的內(nèi)涵

數(shù)據(jù)挖掘（Data Mining）又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)（Knowledge Discovery in Database），簡稱知識發(fā)現(xiàn)（KDD）。就是從海量的、不完全的、模糊的、隨機的原始數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用、可信、新穎的信息和知識的過程[5-8]。

1.2 數(shù)據(jù)挖掘流程

數(shù)據(jù)挖掘是指一個完整的過程，包括數(shù)據(jù)準備、數(shù)據(jù)挖掘以及結(jié)果的解釋和評估3個部分[9-10]，目的是從大型數(shù)據(jù)庫中挖掘出先前未知的、有效的、實用的信息，并使用這些信息做出決策或豐富知識。

數(shù)據(jù)準備包括了數(shù)據(jù)抽取，數(shù)據(jù)預(yù)處理和數(shù)據(jù)變換；數(shù)據(jù)挖掘階段首先要明確挖掘的任務(wù)或目的，如數(shù)據(jù)總結(jié)、分類等。確定了挖掘任務(wù)后，就要決定使用什么樣的算法，同樣的任務(wù)可以用不同的算法來實現(xiàn)；數(shù)據(jù)挖掘階段發(fā)現(xiàn)出來的模式，經(jīng)過用戶或機器的評估，可能存在冗余或無關(guān)的模式，就需要將其剔除或返回初始階段重新選擇數(shù)據(jù)及數(shù)據(jù)變換方法。

1.3 利用數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則算法篩選航材

在進行數(shù)據(jù)挖掘時，選擇合適的挖掘算法，其余的工作都可以自行完成。本文為了確定消耗航材之間的關(guān)聯(lián)，應(yīng)用數(shù)據(jù)挖掘工具SAS中的Enterprise Miner模塊進行關(guān)聯(lián)規(guī)則挖掘，對某機型航材消耗數(shù)據(jù)進行分析。處理后的原始數(shù)據(jù)表結(jié)構(gòu)見表1，主要存儲內(nèi)容有單位、消耗航材。

表1 原始數(shù)據(jù)存儲表Tab.1 Table of initial data store

由于航材種類繁多，如果把所有原始數(shù)據(jù)表中列出的航材作為屬性進行關(guān)聯(lián)規(guī)則分析，一些不重要的、個例的屬性就會影響最終的分析結(jié)果，而且會影響分析的效率。通過數(shù)據(jù)清理（填寫空缺值、平滑噪聲數(shù)據(jù)、識別、刪除孤立點、解決不一致性），數(shù)據(jù)變換（規(guī)范化，即消除冗余屬性和數(shù)據(jù)匯總），對原始數(shù)據(jù)進行預(yù)處理，最終存入數(shù)據(jù)庫中準備進行實驗的部分數(shù)據(jù)見表2、表3。

表2 數(shù)據(jù)庫數(shù)據(jù)存儲表Tab.2 Table of database data store

表3 最大頻繁項目集表Tab.3 Table of maximum frequent itemsets

表2、3中，每一條數(shù)據(jù)對應(yīng)一架飛機，“編號”列對應(yīng)與該條數(shù)據(jù)的序號，“數(shù)據(jù)項”列存儲的是這架飛機存在的故障，每個英文字母對應(yīng)一類故障，如：P為分電器夾子；Q為前起上位鎖；R為放油開關(guān)；S為火線；T為通風(fēng)導(dǎo)管等。

根據(jù)實際情況，支持度設(shè)為0.1，采用Apriori算法，產(chǎn)生的最大頻繁項目集如表3所示。由試驗結(jié)果可以看出：P、Q、R、S、T發(fā)生故障的概率比較高，在33組數(shù)據(jù)中，概率超過15%。

依據(jù)產(chǎn)生的頻繁項生成關(guān)聯(lián)規(guī)則，產(chǎn)生結(jié)果如表4。如果最小信任度設(shè)置為0.6，從表4可以看出，產(chǎn)生了3條關(guān)聯(lián)規(guī)則，分別是：P→S；P→T；S→T。對應(yīng)到飛機故障為：分電器夾子→火線；分電器夾子→通風(fēng)導(dǎo)管；火線→通風(fēng)導(dǎo)管。

表4 關(guān)聯(lián)規(guī)則表Tab.4 Table of association Rules

根據(jù)關(guān)聯(lián)規(guī)則挖掘得出的結(jié)論，在對飛機進行維修或保養(yǎng)時，要對可能引起其他零部件出現(xiàn)故障的零件進行重點檢測維修，從而減少航材消耗的誘因，對提高航材保障效率具有推進作用。

根據(jù)試驗結(jié)果，分電器夾子損壞會導(dǎo)致火線或者通風(fēng)導(dǎo)管損壞，火線損壞會導(dǎo)致通風(fēng)導(dǎo)管損壞，或者說分電器夾子和火線或者通風(fēng)導(dǎo)管同時損壞的概率較高。這一試驗結(jié)果為飛機的保養(yǎng)、維修和庫存的關(guān)聯(lián)提供了可靠依據(jù)，但是這一結(jié)果仍需要更多的數(shù)據(jù)和實際應(yīng)用來驗證。從數(shù)據(jù)不難看出，從關(guān)聯(lián)規(guī)則上對航空器材消耗進行挖掘，對維護飛機的技戰(zhàn)術(shù)性能上有很大的幫助。

2 基于WNN的航材消耗預(yù)測方法研究

2.1 WNN算法原理

首先，需要考慮網(wǎng)絡(luò)參數(shù)初始化和確定網(wǎng)絡(luò)中的輸入層、隱層、輸出層節(jié)點個數(shù)；之后，構(gòu)建小波神經(jīng)網(wǎng)絡(luò)，從而使航材消耗數(shù)據(jù)在網(wǎng)絡(luò)上進行學(xué)習(xí)、訓(xùn)練。在利用小波神經(jīng)網(wǎng)絡(luò)模型解決航材消耗預(yù)測建模問題時，將參數(shù)初始化和網(wǎng)絡(luò)結(jié)構(gòu)問題統(tǒng)稱為優(yōu)化的WNN預(yù)測模型建立問題[11-12]。

2.2 人工魚群算法及其改進

人工魚群算法（Artificial Fish Swarm Algorithm， AFSA）是一種模擬魚群覓食行為的新型高效的群體智能優(yōu)化算法，是集群智能思想的一個具體應(yīng)用，它能很好地解決復(fù)雜非線性系統(tǒng)的優(yōu)化等問題。其基本原理是借鑒魚的覓食、聚群和追尾行為，從構(gòu)造單條人工魚底層行為做起，通過魚群中各個體局部尋優(yōu)，達到全局最優(yōu)值在群體中突現(xiàn)出來的目的。

人工魚群算法具體包括以下步驟。

1）初始化魚群，在控制變量可行域內(nèi)隨機生成n條人工魚個體，形成初始魚群；包括人工魚群的個體數(shù)目，每條人工魚的初始位置，人工魚移動的最大步長Step，視野范圍Visual，重試次數(shù)try-number，擁擠度因子δ。

2）設(shè)置公告板，公告板用來記錄人工魚群尋到的最優(yōu)值及對應(yīng)的人工魚個體狀態(tài)。

3）對魚群中的每條人工魚個體所在位置的食物濃度進行評價。

4）每條人工魚個體分別模擬執(zhí)行追尾行為和聚群行為，選擇行動后食物濃度較大值的行為為實際執(zhí)行，缺省行為方式為覓食行為。

5）更新公告板，每條人工魚個體每行動一次后，檢驗自身的食物濃度值與公告板的食物濃度值。如果優(yōu)于公告板，則以自身取代之。

6）判斷是否迭代停止。若是，輸出結(jié)果；否則，轉(zhuǎn)向步驟3）。

人工魚在覓食行為中，其個體總是嘗試向更優(yōu)的方向前進，這奠定了算法收斂的基礎(chǔ)。人工魚隨機巡視其視野范圍中某點的狀態(tài)Xj，如果發(fā)現(xiàn)好于當前狀態(tài)Xi，則狀態(tài)Xi的方向前進一步到達狀態(tài)Xj；如果狀態(tài)Xj并不比狀態(tài)Xi好，則它繼續(xù)隨機巡視視野范圍內(nèi)的狀態(tài)，如果巡視次數(shù)達到一定次數(shù)try-number仍未找到更優(yōu)狀態(tài)，則做隨機游動。在上述過程中，步長參數(shù)Step與視野范圍Visual對魚群算法收斂的速度和精度影響很大。設(shè)置不當則會陷入局部極值或達不到精度。在覓食行為中，人工魚個體沒有找到較優(yōu)狀態(tài)時，會隨機選擇一個新狀態(tài)，未充分利用已得到的信息，致使計算量增加和收斂速度較慢。

針對以上不足，Visual和Step可動態(tài)調(diào)整為：

式（1）中：t為當前迭代次數(shù)；Tmax為最大迭代次數(shù)；Visualmin=0.001；Stepmin=0.000 2；Step=Visual 8；s為函數(shù)a的變化速率，通常取值整數(shù)的范圍為[1,30]。

2.3 優(yōu)化的WNN預(yù)測模型建立

用改進人工魚群算法優(yōu)化WNN的目的是為了確定與給定任務(wù)最佳匹配的WNN參數(shù)初始值和網(wǎng)絡(luò)結(jié)構(gòu)，優(yōu)化的目的是不僅要確保初始化參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)最優(yōu)，還要減小WNN網(wǎng)絡(luò)的輸出誤差。適應(yīng)值函數(shù)定義為輸出的均方誤差函數(shù)MSE，人工魚群代表了不同結(jié)構(gòu)的WNN，不同人工魚對應(yīng)于含有不同網(wǎng)絡(luò)參數(shù)和隱節(jié)點數(shù)的WNN網(wǎng)絡(luò)結(jié)構(gòu)組成，且整個優(yōu)化過程不是基于一種固定的網(wǎng)絡(luò)結(jié)構(gòu)。

由改進人工魚群算法確定的WNN參數(shù)初始值和結(jié)構(gòu)模型建立方法如下：

1）初始化人工魚群的群體規(guī)模M、每條人工魚的初始位置、視野范圍Visual、步長Step、擁擠度因子δ和最大重復(fù)嘗試次數(shù)因子try-number、最大迭代次數(shù)number等參數(shù)；

2）設(shè)置初始迭代次數(shù)num=0，在控制變量可行域內(nèi)隨機生成M個人工魚個體，形成初始魚群；

3）計算每條人工魚的適應(yīng)度，并與公告板的狀態(tài)比較，若較好，則將其賦給公告板；

4）按式（1）計算視野范圍Visual和步長Step；

5）每條人工魚通過覓食、聚群、追尾和隨機行為更新自己的位置；

6）判斷num是否已經(jīng)達到預(yù)置的最大迭代次數(shù)number，若滿足，算法終止，輸出計算結(jié)（即公告板的FC值）果；否則num+1，轉(zhuǎn)步驟3）；

7）將改進人工魚群算法得到的最優(yōu)解，解碼為WNN參數(shù)的初始值和隱層節(jié)點數(shù)，采用BP算法，對網(wǎng)絡(luò)參數(shù)進行梯度下降法訓(xùn)練。

3 實例分析

選取研究對象為某型飛機的油箱安全活門，實驗所用的數(shù)據(jù)實測于其120個月該項器材的實際消耗量。

人工魚群算法中，WNN的初始參數(shù)（連接權(quán)值、平移因子和伸縮因子）為[-1,1]內(nèi)的隨機數(shù)，隱層節(jié)點數(shù)取為[1,30]內(nèi)的整數(shù)。群體規(guī)模M=40，視野范圍Visual=1，步長Step=0.05，擁擠度因子δ=0.168，s=3，最大重復(fù)嘗試次數(shù)因子try-number=30，迭代次數(shù)number=100，采用梯度下降法訓(xùn)練WNN次數(shù)N=200，目標誤差MSN為0.000 1。本文設(shè)計了一種組合式的WNN優(yōu)化設(shè)計方法，以便于驗證本文優(yōu)化設(shè)計方法的有效性。即分別采用普通的BP算法和WNN算法來初始化參數(shù)和確定隱層節(jié)點個數(shù)。

表5列出了采用普通的BP算法和本文算法優(yōu)化設(shè)計后的WNN的性能指標對比，即50次實驗的平均值。

表5 不同優(yōu)化設(shè)計方法的WNN模型的性能對比Tab.5 Performance comparison of different optimization approach with WNN

從實驗結(jié)果可以看出，采用本文優(yōu)化設(shè)計的方法得到的WNN模型具有較強的預(yù)測能力，僅需訓(xùn)練87次，就可收斂目標精度，并且選取的隱層節(jié)點數(shù)也少于后者。另外，本文方法優(yōu)化過程中沒有出現(xiàn)局部最優(yōu)和不收斂現(xiàn)象，這也證明了本文方法的有效性。更為重要的是，該方法能夠?qū)崿F(xiàn)WNN參數(shù)初始值和隱層節(jié)點數(shù)的同步優(yōu)化，從而避免了WNN工程應(yīng)用出現(xiàn)的參數(shù)初始化和結(jié)構(gòu)設(shè)計的盲目性問題，具有較好的應(yīng)用前景。

4 結(jié)束語

本文運用數(shù)據(jù)挖掘技術(shù)對航材消耗的歷史數(shù)據(jù)進行關(guān)聯(lián)分析，篩選出對保障飛機飛行有重要作用的航材消耗數(shù)據(jù)，大大縮減了需要預(yù)測的航材數(shù)量，同時對消耗航材之間的內(nèi)在影響關(guān)系進行量化。小波神經(jīng)網(wǎng)絡(luò)具有神經(jīng)網(wǎng)絡(luò)的非線性映射能力和小波分析的時頻分析特點，其應(yīng)用效果總體優(yōu)于單純使用神經(jīng)網(wǎng)絡(luò)或者小波分析。本文運用小波神經(jīng)網(wǎng)絡(luò)預(yù)測航材消耗量，實例結(jié)果表明該預(yù)測方法大大降低了預(yù)測誤差，說明了該方法的有效性、可行性和實用性。

[1]張作剛.海軍航材庫存管理[M].北京：海潮出版社，2008：1-1；13-14. ZHANG ZUOGANG.Navy air material inventory management[M].Beijing：Tides Press，2008：1-1；13-14.（in Chinese）

[2]劉臣宇.航材供應(yīng)[M].北京：國防工業(yè)出版社，2009：56-58. LIU CHENYU.Air material supply[M].Beijing：National Defense Industry Press，2009：56-58.（in Chinese）

[3]徐廷學(xué)，芮國勝，鄭偉.航空裝備綜合保障[M].北京：兵器工業(yè)出版社，2004：12-14. XU TINGXUE，RUI GUOSHENG，ZHENG WEI.Integrated logistic support for aeronautic equipment[M].Beijing：Weapon Industry Press，2004：12-14.（in Chinese）

[4]陳云翔，楊新廣.航空裝備戰(zhàn)斗損傷概率預(yù)測模型研究[J].數(shù)學(xué)的實踐與認識，2011，41（18）：118-122. CHEN YUNXIANG，YANG XINGUANG.Research on battle damage probability forecast model for aeronautic equipment[J].Mathematics in Practice and Theory，2011，41（18）：118-122.（in Chinese）

[5]計希禹.數(shù)據(jù)挖掘技術(shù)應(yīng)用實例[M].北京：機械工業(yè)出版社，2009：23-26. JI XIYU.Data mining technology application[M].Beijing：China Machine Press，2009：23-26.（in Chinese）

[6]朱玉全，楊鶴標，孫蕾.數(shù)據(jù)挖掘技術(shù)[M].南京：東南大學(xué)出版社，2006：28-30. ZHU YUQUAN，YANG HEBIAO，SUN LEI.Data mining technology[M].Nanjing：Southeast University Press，2006：28-30.（in Chinese）

[7]邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：中國水利水電出版社，2003：12-16. SHAO FENGJING，YU ZHONGQING.The principle and algorithm of data mining[M].Beijing：China Water-Power Press，2003：12-16.（in Chinese）

[8]薛青，羅佳，鄭長偉，等.面向作戰(zhàn)仿真的數(shù)據(jù)挖掘[J].四川兵工學(xué)報，2013，34（8）：93-95. XUE QING，LUO JIA，ZHENG CHANGWEI，et al. Study on data mining for combat simulation[J].Journal of Sichuan Ordnance，2013，34（8）：93-95.（in Chinese）

[9]CHENG G，LIU X，WU J X.Interactive knowledge discovery through self-organising feature maps[C]//World Congress on Neural Networks.2004：430-434.

[10]ESTER M，KRIGEL H P，XU X.Knowledge discovery in large spatial databases，advances in knowledge discovery and data mining[M].MA：AAAI/MIT Press，2006：83-115.

[11]HSU K，GUPTA H V，SOROOSHIAN S.Artificial neural network modeling of the rainfall runoff process[J].Water Resources Research，2005，31（10）：2517-2530.

[12]左廣東，周帥，張欣豫.小波神經(jīng)網(wǎng)絡(luò)研究[J].四川兵工學(xué)報，2012，33（4）：115-117. ZUO GUANGDONG，ZHOU SHUAI，ZHANG XINYU. Research of wavelet neural network[J].Journal of Sichuan Ordnance，2012，33（4）：115-117.（in Chinese）

V240.2

A

2014-01-23；

2014-03-31

國家部委技術(shù)基礎(chǔ)基金資助項目（1036221）

孫臣良（1963-），男，副教授，大學(xué)。

1673-1522（2014）03-0235-04

10.7682/j.issn.1673-1522.2014.03.008