【后勤保障與裝備管理】

ANFIS在航材需求量預(yù)測中的應(yīng)用

康正亮，胥凱暉，楊傳起

(94829部隊，南昌330201)

摘要：針對運(yùn)用傳統(tǒng)航材分類方法和經(jīng)驗法預(yù)測航材需求量偏差大問題，分析選取影響航材需求量的6個關(guān)鍵要素，引入自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)建立航材需求量預(yù)測模型，并給出建模流程框圖和利用MATLAB求解方法；實例分析表明：這種方法得出的結(jié)果與原數(shù)據(jù)符合良好，是有效的；將預(yù)測結(jié)果與BP神經(jīng)網(wǎng)絡(luò)方法和多元線性回歸方法得出結(jié)果的作對比，本方法預(yù)測精度更高，體現(xiàn)了這種方法的優(yōu)越性，為航材需求量預(yù)測提供了一種新思路。

關(guān)鍵詞：航材；需求預(yù)測；ANFIS

收稿日期：2014-06-27

作者簡介：康正亮(1979—)，男，工程師，主要從事軍用航材與軍事計量研究。

doi:10.11809/scbgxb2015.01.024

中圖分類號：TP302

文章編號：1006-0707(2015)01-0084-04

本文引用格式：康正亮，胥凱暉，楊傳起.ANFIS在航材需求量預(yù)測中的應(yīng)用[J].四川兵工學(xué)報，2015(1):84-87.

Citationformat:KANGZheng-liang,XUKai-hui,YANGChuan-qi.ApplicationofANFISinAviationMaterialSparePartsRequirementPrognostication[J].JournalofSichuanOrdnance,2015(1):84-87.

ApplicationofANFISinAviationMaterialSpareParts

RequirementPrognostication

KANGZheng-liang,XUKai-hui,YANGChuan-qi

(The94829thTroopofPLA,Nanchang330201,China)

Abstract:For using traditional aviation material spare parts sorting methods and experiential methods to prognosticate its requirements are very ineffective and inaccurate, more than six observably involved correlative elements factors affect the aviation materials supplement were analyzed and the method called ANFIS (adaptive network based fuzzy inference system) was adopted to build aviation material spare parts prediction model and to get the model building flow chart, through which solving means were given based on MATLAB. Example analysis shows that the outcome data is true of the originally data, which is effective. Comparing the outcome data by using this method with data getting from BP neural network method and multiple linear regressions, we can conclude that this method is better and offers a new method for aviation material spare parts requirement’s prognostication.

Keywords:aviationmaterial；requirementprognostication；ANFIS

航材保障的質(zhì)量好壞對飛機(jī)的完好率有重要意義，它要求及時、精確、經(jīng)濟(jì)，需要對航材的需求量要有較準(zhǔn)確的估計，而在實際工作中，航空部隊對航材需求預(yù)測的運(yùn)作模式大都是根據(jù)傳統(tǒng)的航材分類法和經(jīng)驗法來對航材的需求量進(jìn)行估計，估計過程脫離各個航材備件特性和實際的維修需求[1-3]。由此導(dǎo)致對航材的儲備造成不利影響：航材儲備不足，將不能滿足飛機(jī)的保障需求；儲備過多，帶來費(fèi)用高的問題；這種管理模式下，積累的歷史數(shù)據(jù)也未得到很好地利用[3,4]。因此，研究航材需求量有重要的實際意義，將會在滿足飛機(jī)保障要求的同時，減少航材庫存量、提高經(jīng)濟(jì)效益。

航材的需求預(yù)測是一項系統(tǒng)工程，影響因素多，是多變量的非線性函數(shù)。現(xiàn)有的航材需求預(yù)測方法有經(jīng)驗法、比較法和直接計算法[1,3]。經(jīng)驗法的主觀因素明顯，而直接計算法和比較法也存在未全面考慮影響備件需求的各種因素，預(yù)測值與實際需求值誤差較大的缺點。近年來，利用神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測航材需求量取得較好的效果[5-7]。自適應(yīng)神經(jīng)模糊系統(tǒng)(ANFIS)是神經(jīng)網(wǎng)絡(luò)與模糊推理結(jié)合的產(chǎn)物，采用反向傳播算法和最小二乘法的混合算法調(diào)整前提參數(shù)和結(jié)論參數(shù)，它兼顧神經(jīng)網(wǎng)絡(luò)的非線性、自適應(yīng)性和模糊推理系統(tǒng)處理復(fù)雜系統(tǒng)的優(yōu)勢，適用于多變量非線性航材需求預(yù)測[8,9]。ANFIS應(yīng)用廣泛，例如系統(tǒng)控制、預(yù)測中，均獲得較好效果[10]。

本文分析了影響航材需求的重要因素，利用ANFIS建立航材需求預(yù)測模型，取得了較好的預(yù)測效果。積累的歷史數(shù)據(jù)得到充分的應(yīng)用，隨著數(shù)據(jù)的增多，在后續(xù)的工作中，可修正訓(xùn)練樣本，提高預(yù)測的準(zhǔn)確性。

1航材需求影響因素分析

航材的需求牽涉的因素眾多，根據(jù)某單位航材保障的經(jīng)驗，選取主要的影響因素如下：

1) 執(zhí)行大項任務(wù)情況x1。部隊的飛行訓(xùn)練任務(wù)情況會影響航材的消耗，大項任務(wù)集中時，往往會伴隨一些高難度科目，飛行的起落多、飛行時間長，航材的消耗量大，因此對航材的需求量也就越多。

2) 人員素質(zhì)x2，包括機(jī)務(wù)人員和飛行員。機(jī)務(wù)人員維修水平高，對可修故障件的修復(fù)能力強(qiáng)，相應(yīng)地減少航材需求量；飛行員的技術(shù)對航材的需求也有明顯的影響，人員素質(zhì)統(tǒng)一用百分比衡量，數(shù)值越大，表示維修水平越高，取飛行員和機(jī)務(wù)人員素質(zhì)的加權(quán)平均值。

3) 航材可靠性水平x3。航材的可靠性水平用平均無故障間隔時間(MTBF)表征，航材的可靠性高，MTBF就越大，說明航材故障率越小，對航材的需求量就小。

4) 送修因素x4。與送修次數(shù)和平均送修周轉(zhuǎn)時間有關(guān)，送修次數(shù)越多、平均送修時間越長，對航材的需求也就越多，送修因素值取送修次數(shù)和平均送修周轉(zhuǎn)周期的乘積。

5) 保障水平指數(shù)x5。表示航保障要達(dá)到的水平，在軍用飛機(jī)保障中，經(jīng)濟(jì)因素不是特別重要的因素，但是確定合理的航材保障水平是有必要的。目前，通用的保障水平在80%～97%之間，保障水平低，將會影響飛機(jī)的維修保障；保障水平太高，需要大量備件，經(jīng)濟(jì)可承受性不好。

6) 環(huán)境應(yīng)力因素x6[1]。環(huán)境因素對航材的使用的存儲有較大的影響。部隊每年執(zhí)行大項任務(wù)時，地點不固定，隨著溫度、濕度的變化對航材的消耗有相應(yīng)地的影響，航材的自然損耗量也合并計算到這一因素中。將環(huán)境分為1～7個等級，數(shù)值越大表明環(huán)境越惡劣，對航材的需求也越大。

設(shè)航材需求量為y，那么航材需求預(yù)測模型是6輸入1輸出的推理模型，即：y=f(x1,x2,…,x6)。

2基于ANFIS的航材需求預(yù)測模型

影響因素與航材的需求量之間，難以用確切的公式描述，目前也沒有確切的數(shù)學(xué)模型。因此，利用ANFIS建立模型評估各影響因素與航材需求量之間的關(guān)系。

2.1Takagi-Sugeno(T-S)模糊模型

Takagi和Sugeno在1985年提出T-S模糊模型，也即Sugeno模糊模型[8,9]。該模型可以用精確輸入和輸出數(shù)據(jù)進(jìn)行模糊規(guī)則推理。在一階Sugeno系統(tǒng)中有：R: ifx1isAi1,x2isAi2,…,xnisAin，則yi=ci0+ci1x1+ci2x2+…+cinxn，其中，xi(i=1,2,…n)為輸入變量，Aik(i=1,2,…,n)為輸入模糊語言值，cik(i,k=0,1,2,…,n)為結(jié)論參數(shù)，yi是第i條規(guī)則的輸出。給定輸入x={x1,x2,…,xn}，則輸出y可由yi的加權(quán)平均值求得：

其中x0=1，wi是第i條if-then規(guī)則的權(quán)值。

其中i=1,2,…,n，μAikxk為模糊集Aik中k元素的隸屬度。

2.2航材需求量預(yù)測ANFIS結(jié)構(gòu)

航材需求量預(yù)測ANFIS結(jié)構(gòu)如圖1所示，在這個系統(tǒng)中，有6個輸入1個輸出的。該系統(tǒng)有5層，連線表示信號方向，連線無權(quán)值。方形節(jié)點表示參數(shù)可調(diào)，圓形節(jié)點表示參數(shù)不可調(diào)。x是輸入，y是輸出，A～F、表示隸屬度函數(shù)，∏表示連乘，N表示正規(guī)化，∑表示線性疊加。

圖1　航材需求量預(yù)測的 ANFIS結(jié)構(gòu)

第1層：變量模糊化。輸入變量，將輸入的變量模糊化，并輸出對應(yīng)模糊集的隸屬度，在本系統(tǒng)中，有6個輸入變量，該層的每個結(jié)點i是一個有結(jié)點函數(shù)的自適應(yīng)結(jié)點。

第2層：計算各規(guī)則激勵強(qiáng)度。將輸入信號相乘，規(guī)則節(jié)點將執(zhí)行模糊AND操作[11]。輸出為

O2,i=ωi=μAi(x1)μBi(x2)…μFi(x6)

其中i=1,2。

第3層：歸一化激勵強(qiáng)度，用N表示。第i個節(jié)點計算第i條規(guī)則的激勵強(qiáng)度與全部規(guī)則ω之比。

O3,i=βi=αi/(α1+α2+…+α6)

第4層：自適應(yīng)節(jié)點層。每個節(jié)點有對應(yīng)的節(jié)點函數(shù)自適應(yīng)節(jié)點，它向下一級輸出為

O4,i=β(pi1x1+pi2x2+…+pi6x6+ci)

其中，p、c為常數(shù)。

第5層：計算ANFIS的最終輸出，是加權(quán)和。

2.3混合學(xué)習(xí)算法及在Matlab中的實現(xiàn)

單一優(yōu)化學(xué)習(xí)算法收斂速度慢，ANFIS采用的是混合學(xué)習(xí)算法，它將最小二乘法和梯度下降法相結(jié)合，可以降低梯度法中搜索空間的維數(shù)，進(jìn)而提高收斂速度，有利于快速確定未知參數(shù)。在ANFIS的單次樣本訓(xùn)練中，混合學(xué)習(xí)算法存在前向傳遞和反向傳遞兩個過程。

在MATLABR2013a軟件中，提供了Sugeno模型ANFIS計算方法，具體步驟如下[12-14]：產(chǎn)生訓(xùn)練數(shù)據(jù)和校驗數(shù)據(jù)；確定輸入變量的隸屬度函數(shù)類型和個數(shù)；由genfis1函數(shù)在使用訓(xùn)練數(shù)據(jù)的基礎(chǔ)上產(chǎn)生初始FIS結(jié)構(gòu)；確定ANFIS訓(xùn)練的相關(guān)參數(shù)；利用anfis函數(shù)訓(xùn)練ANFIS；檢驗得到的FIS結(jié)構(gòu)，若滿足精度要求，則此FIS結(jié)構(gòu)就是要得到的系統(tǒng)結(jié)構(gòu)。

2.4航材需求量預(yù)測建模

航材需求量預(yù)測建模流程圖如圖2所示。建模時，充分考慮選取的6個影響因素，選擇輸入的樣本、數(shù)據(jù)要確保統(tǒng)計準(zhǔn)確無誤，這樣得出的預(yù)測模型才更準(zhǔn)確。參數(shù)初始化后，利用ANFIS建立預(yù)測模型。

圖2　航材需求量預(yù)測模型建模流程

3實例分析

3.1實驗數(shù)據(jù)

選取某基地保障的某型飛機(jī)所需一種航材的統(tǒng)計數(shù)據(jù)，近20個月的數(shù)據(jù)如表1所示。在表1中，人員素質(zhì)做了歸一化處理，送修因素的量綱為小時。

表1　訓(xùn)練數(shù)據(jù)和預(yù)測結(jié)果表

3.2模型求解

采用MatlabR2013a軟件計算，參數(shù)設(shè)置如下：學(xué)習(xí)速率為0.15，動量常數(shù)設(shè)為0.95。ANFIS訓(xùn)練的初始步長設(shè)為0.01，步長增量比、減量比分別為1.0和0.9。先用歷史數(shù)據(jù)訓(xùn)練，然后用得到的航材預(yù)測模型檢驗，得到的預(yù)測值如表1所示。實際值與預(yù)測值對比圖如圖3所示。

圖3　訓(xùn)練數(shù)據(jù)與預(yù)測值對比

3.3分析與討論

為了驗證ANFIS模型的精度，選取5組數(shù)據(jù)，與采用BP神經(jīng)網(wǎng)絡(luò)和線性回歸方法得到的數(shù)據(jù)對比，結(jié)果如表2所示，誤差如圖4所示，單位是百分比。從表2中可以得出，ANFIS的預(yù)測效果要好于BP神經(jīng)網(wǎng)絡(luò)和多元線性回歸方法，這也證明了用ANFIS預(yù)測航材消耗量的有效性。

表2　預(yù)測結(jié)果對比

圖4　3種算法誤差對比

4結(jié)論

本研究針對航材需求量預(yù)測，采用ANFIS方法建立航材消耗量預(yù)測模型，應(yīng)用MATLAB軟件求解。通過與BP神經(jīng)網(wǎng)絡(luò)方法和多元線性回歸方法的對比，證明ANFIS在航材消耗量預(yù)測中有較好的效果。該方法考慮多種影響因素，為航材的消耗量預(yù)測提供了一種新思路。下一步要細(xì)化數(shù)據(jù)采集，并對得到的模型不斷修正，以有利于消耗量預(yù)測。

參考文獻(xiàn)：

[1]李連，孫聰，蘇濤.改進(jìn)BP網(wǎng)絡(luò)在航材需求預(yù)測中的應(yīng)用[J].計算機(jī)與現(xiàn)代化,2012,(8):179-182,186.

[2]付興方，張瑞昌.考慮航材可靠性能的消耗預(yù)測模型[J].軍事運(yùn)籌與系統(tǒng)工程,2012,26(3):77-80.

[3]吳清亮，董輝，張政.基于神經(jīng)網(wǎng)絡(luò)對航材備件需求率的預(yù)測分析[J].兵工自動化,2009,28(1):54-55,64.

[4]翟勝路，張作剛，李元壘.戰(zhàn)時航材需求預(yù)測[J].四川兵工學(xué)報,2011,32(10):10-13.

[5]郭峰，劉臣宇，李衛(wèi)靈.基于指數(shù)平滑法的航材消耗定額預(yù)測研究[J].計算機(jī)與現(xiàn)代化,2012(9):163-165.

[6]魏崇輝，金福祿，何亞群.基于粗糙集和神經(jīng)網(wǎng)絡(luò)的空軍航材消耗預(yù)測方法[J].東南大學(xué)學(xué)報：自然科學(xué)版,2004,34(9):68-70.

[7]劉飛，孔媛媛，王海軍.一種基于粗糙集與BP神經(jīng)網(wǎng)絡(luò)集成的新方法[J].連云港職業(yè)技術(shù)學(xué)院學(xué)報,2008,21(2):15-17.

[8]RogerJangJS.ANFIS:Adaptivenetworkbasedfuzzyinferencesystem[J].IEEETransactionsonSystem,ManandCybernetics.1993,23(3):665-685.

[9]JangJR,SunCT,MizutaniE.Nuro-Fuzzyandsoftcomputing[M].NewJersey:PrenticeHall,1997.

[10]賀桂成，丁德馨，劉永.衡山石膏礦老采空區(qū)地表沉陷的ANFIS預(yù)測[J].采礦與安全工程學(xué)報,2012,29(6):876-881.

[11]張小娟.自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)及其仿真[J].電子設(shè)計工程,2013,20(5):11-13.

[12]馬細(xì)霞，郭慧芳，陳鑫.基于ANFIS的水質(zhì)評價模型及其應(yīng)用[J].水資源保護(hù),2007,23(6):12-14,69.

[13]張志紅，韓直，肖盛燮.基于ANFIS交通流實時預(yù)測及在MATLAB中的實現(xiàn)[J].重慶交通學(xué)院學(xué)報，2007,26(3):112-115.

[14]龔純，王正林.MATLAB語言常用算法程序集[M].第二版.北京：電子工業(yè)出版社，2013.

[15]郭峰，溫德宏，劉軍，等.絕對壽控航材需求預(yù)測[J].兵工自動化，2013(9):32-36.

(責(zé)任編輯周江川)