李鋒 田霞 宋文淵

（1.軍械工程學院科研部石家莊050003）（2.軍械工程學院設備指揮與管理系石家莊050003）

基于BP神經(jīng)網(wǎng)絡的設備維修人員訓練數(shù)量預測方法研究?

李鋒1，2田霞2宋文淵2

（1.軍械工程學院科研部石家莊050003）（2.軍械工程學院設備指揮與管理系石家莊050003）

當前對于設備精確化保障的要求越來越高，如何科學準確地預測維修人員訓練數(shù)量，是開展后續(xù)培訓工作的重要基礎。針對這一迫切需要，首先分析了影響設備維修人員訓練數(shù)量的主要因素，然后探討了BP神經(jīng)網(wǎng)絡在訓練人員數(shù)量預測方面的適用性和基本原理，在此基礎上利用BP神經(jīng)網(wǎng)絡構(gòu)建了設備維修人員數(shù)量預測模型，并結(jié)合實例進行了驗證應用，從而為制訂維修人員訓練計劃提供方法支撐和參考依據(jù)。

維修人員訓練；BP神經(jīng)網(wǎng)絡；預測方法

Class NumberTP391

1 引言

隨著對設備維修訓練的重視程度越來越高，與之相關(guān)的理論與方法研究也越來越多。目前許多學者從設備維修訓練需求的分析、訓練內(nèi)容的設計、訓練工作的組織、訓練效果的評估等［1～4］方面進行了定性的探討，這些研究在維修訓練系統(tǒng)的構(gòu)建過程中發(fā)揮了重要的指導作用，并取得了明顯的效果。然而在維修訓練的實施過程中，通常會出現(xiàn)送訓人員數(shù)量與實際需求偏差較大的情況，極易造成有限人力物力資源的浪費。

當前對于設備精確化保障的要求越來越高，迫切需要解決上述問題，那就是給定明確的維修訓練任務后，如何準確地預測受訓人員的數(shù)量需要，從而為后續(xù)培訓工作的實施把好入口打好基礎。因此亟待在已有研究的基礎上，開展設備維修人員訓練數(shù)量確定方法研究。

本文針對設備維修人員訓練數(shù)量科學化準確化預測的迫切需要，首先分析影響設備維修人員訓練數(shù)量的主要因素，然后探討B(tài)P神經(jīng)網(wǎng)絡在訓練人員數(shù)量預測方面的適用性，并在此基礎上利用BP神經(jīng)網(wǎng)絡構(gòu)建設備維修人員訓練數(shù)量預測模型，從而為制訂維修人員訓練計劃提供方法支撐和參考依據(jù)。

2 設備維修人員訓練數(shù)量的影響因素分析

設備維修人員訓練的目的是提供足夠合格的設備維修人員，因此，要確定受訓人員的數(shù)量，除了要考慮設備維修任務對人力的需求，還要考慮其他因素的制約［5］。通過分析，其影響因素主要包括如下幾個方面：

1）設備維修任務的人員需求

設備維修工作需要考慮待訓人員的人力需求、專業(yè)類型、技術(shù)等級等，在確定維修人員專業(yè)類型、技術(shù)等級及數(shù)量時，其主要依據(jù)有維修工作分析結(jié)果；平時維修工作及要求；各維修級別中維修人員的編制；專業(yè)設置及培訓規(guī)模等。

2）設備維修訓練人員的來源及流動規(guī)律

確定維修訓練人員的數(shù)量過程中要考慮到受訓人員數(shù)量受設備保障人力現(xiàn)狀、人員流動規(guī)律等因素的影響。人員流動是指人員的提升、調(diào)動、減員以及臨時離崗。人員補充數(shù)量的變化是人員提升、調(diào)動和減員的結(jié)果。提升是指人員從一個級別到另一個更高的級別；調(diào)動是指人員從一個專業(yè)職位到另一個專業(yè)職位的調(diào)遷，包括調(diào)入和調(diào)出；減員是指人員退休或離崗；臨時離崗包括參加培訓、外出學習、臨時協(xié)助工作等。

3）設備部署與訓練的實施與進行

由于設備維修需要一定的周期，因此，受訓人員的數(shù)量不僅要考慮當下保障人力的短缺，還要根據(jù)設備的部署計劃，制定相應的訓練計劃，針對預期的時間節(jié)點，提前對維修人員進行規(guī)劃和培訓，以保證在未來某個時間點上能滿足設備對維修人力的需求。

4）設備維修訓練的模式與方法

按照受訓人員的來源與承訓機構(gòu)的關(guān)系，設備保障訓練的組織形式可分為自訓和他訓兩種。在自訓這種形式中，受訓人員的數(shù)量為本單位所有的設備維修人員數(shù)量；而在他訓形式中，受訓人員只占送訓單位設備維修人員的一部分。

5）承訓機構(gòu)培訓能力

承訓機構(gòu)的培訓能力主要體現(xiàn)為：單次可提供的合格人員數(shù)量以及培訓出特定專業(yè)和技術(shù)等級的合格人員所需的時間，受承訓機構(gòu)的資源所限，并不是所有需要訓練的人員都能得到訓練，往往按照一定的比例，分批次進行。

3 基于BP神經(jīng)網(wǎng)絡的設備維修人員訓練數(shù)量預測模型

目前訓練數(shù)量預測和分析的常用方法主要有：維修工作分析法（MTA法）、利用率法、相似設備法、維修單元法等［6］。設備維修人員訓練數(shù)量的確定是一個非常復雜的非線性系統(tǒng)，對數(shù)量的準確預測能為設備保障等提供重要依據(jù)。但由于設備維修人員訓練數(shù)量影響因素眾多、相互作用復雜，很難直接找到描述系統(tǒng)發(fā)展變化規(guī)律的函數(shù)，因此上述方法的結(jié)果與實際的偏差較大、精度不高，常常難以得到滿意的結(jié)果。

人工神經(jīng)網(wǎng)絡的出現(xiàn)，提供了解決這類問題的一種有效辦法。人工神經(jīng)網(wǎng)絡的基本思想是從仿生學角度對人腦的神經(jīng)系統(tǒng)進行模擬，使之具有人腦那樣感知學習和推理的能力，類似于人腦的生物神經(jīng)元［7］。人工神經(jīng)網(wǎng)絡具有高度的自學能力，可以任意精度逼近非線性函數(shù)，非常適合模擬復雜的非線性系統(tǒng)，并對其進行預測。在預測中，當前應用中較為廣泛和成熟的是誤差逆向傳播網(wǎng)絡（Er?ror Back Propagation Network），簡稱為BP神經(jīng)網(wǎng)絡，本文將運用BP神經(jīng)網(wǎng)絡對設備維修訓練員的數(shù)量進行預測。

3.1 BP神經(jīng)網(wǎng)絡的基本原理

Back Propagation Network，簡稱為BP網(wǎng)絡，即基于誤差反向傳播算法的多層前饋網(wǎng)絡，是目前應用最成功和廣泛的人工神經(jīng)網(wǎng)絡。它由輸入層、隱含層和輸出層組成，隱含層可以是一層或多層。BP神經(jīng)網(wǎng)絡自身具有的非線性映射、自學習、自適應能力、容易實現(xiàn)并行計算等優(yōu)點，能較好地實現(xiàn)各指標與評價結(jié)果之間非線性關(guān)系的映射。

神經(jīng)網(wǎng)絡理論已經(jīng)證明BP網(wǎng)絡具有強大的非線性映射能力和泛化功能，任意一個連續(xù)函數(shù)或映射均可采用三層網(wǎng)絡加以實現(xiàn)［8］。以一個三層的BP網(wǎng)絡為例，該網(wǎng)絡可描述為：輸入神經(jīng)元以i編號，隱含層神經(jīng)元以j編號，輸出層神經(jīng)元以k編號，采用包含一個隱層的BP神經(jīng)網(wǎng)絡建立預測模型，其結(jié)構(gòu)如圖1所示。

圖1BP神經(jīng)網(wǎng)絡模型

很多研究人員在網(wǎng)絡的算法上做了很多改進工作，希望以此提高網(wǎng)絡的預測精度，然而代表性好的樣本即便用常規(guī)的BP算法仍是可以得到令人滿意的結(jié)果的［9］。通過實際應用，本文認為樣本的代表性較之復雜的算法更為重要，而且如何劃分樣本的問題也是影響有效學習的重要因素，后面將詳細闡述。

3.2 基于BP神經(jīng)網(wǎng)絡的設備維修訓練數(shù)量預測模型

依照上述分析，本文基于BP神經(jīng)網(wǎng)絡所構(gòu)建設備維修訓練數(shù)量預測模型的主要步驟如下所示。

3.2.1 訓練樣本的選定

神經(jīng)網(wǎng)絡的學習不是簡單地記憶已學過的輸入，而是通過對有限個訓練樣本的學習，得到隱含在樣本中的有關(guān)環(huán)境本身的內(nèi)在規(guī)律性。神經(jīng)網(wǎng)絡的性能與訓練樣本的選取密切相關(guān)，樣本的復雜性和代表性將嚴重影響網(wǎng)絡訓練的結(jié)果，訓練樣本的選取主要受兩個因素的影響：其一是訓練樣本的大小，樣本并非越大越好，過大的訓練樣本不僅影響計算速度，還會導致擬合精度的下降；其二是訓練樣本的代表性，這一問題受原始資料的約束較大，有的研究對象本身就缺少資料，樣本的代表性必然受到影響，對資料較豐富的問題，訓練樣本以盡量包含大值為優(yōu)。

3.2.2 輸入數(shù)據(jù)的預處理

數(shù)據(jù)是建立預測模型的基礎，數(shù)據(jù)選取的好壞直接影響著神經(jīng)網(wǎng)絡的性能，所以對數(shù)據(jù)進行預處理是很有必要的。

由于在實際應用中訓練樣本各元素之間的取值范圍不可能完全一致，這就給網(wǎng)絡的訓練帶來很大的不便，不僅加大了逼近函數(shù)的波動性，使網(wǎng)絡訓練速度下降，而且容易造成網(wǎng)絡訓練失敗，因此為使網(wǎng)絡訓練更加有效，本文對神經(jīng)網(wǎng)絡的輸入、輸出數(shù)據(jù)進行一定的預處理以加快網(wǎng)絡的訓練速度。本為采用的是歸一化處理，即將輸入、輸出數(shù)據(jù)映射到［0，1］范圍內(nèi)，訓練結(jié)束后再反映射到原數(shù)據(jù)范圍。具體步驟如下：

首先，尋找每一項數(shù)據(jù)中的最大值和最小值，分別記為MAX、MIN；

然后，將第t組數(shù)據(jù)的Xt轉(zhuǎn)化為

這樣，就可將數(shù)據(jù)全部映射到［0，1］范圍內(nèi)。

3.2.3 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)設計

在網(wǎng)絡結(jié)構(gòu)中，主要涉及到網(wǎng)絡層數(shù)、隱含層轉(zhuǎn)移函數(shù)等關(guān)鍵因素的設計與確定。

1）BP網(wǎng)絡層數(shù)、神經(jīng)元數(shù)的確定

神經(jīng)網(wǎng)絡理論Kolmogorov定理已經(jīng)證明，經(jīng)充分學習的三層BP網(wǎng)絡可以逼近任何函數(shù)，因此選擇三層BP網(wǎng)絡。時間序列數(shù)據(jù)輸入層節(jié)點數(shù)是由樣本維數(shù)決定的，輸入層節(jié)點數(shù)太多會造成網(wǎng)絡學習次數(shù)較大或陷入局部最小，輸入層節(jié)點數(shù)太少則會影響預測結(jié)果精度。

2）隱含層轉(zhuǎn)移函數(shù)的確定

轉(zhuǎn)移函數(shù)決定了神經(jīng)元的連接方式，在神經(jīng)網(wǎng)絡中的作用非常重要。在BP網(wǎng)絡中，涉及到的轉(zhuǎn)移函數(shù)很多種，如：Sigmoid函數(shù)中的logsig函數(shù)與tansig函數(shù)，線性函數(shù)purelin。隱含層神經(jīng)元函數(shù)分別選擇tansig函數(shù)與logsig函數(shù)進行試驗對比，選出誤差較小的作為最終的隱含層函數(shù)。輸出層神經(jīng)元的轉(zhuǎn)移函數(shù)則可采用常用的線性激活函數(shù)purelin。

3.2.4 BP神經(jīng)網(wǎng)絡的訓練

網(wǎng)絡建立之后，便可用相關(guān)工具對其進行訓練與仿真等。本文主要是借助Matlab軟件中的神經(jīng)網(wǎng)絡工具箱對其進行訓練［10］，在訓練時需要設定相關(guān)的訓練函數(shù)、學習函數(shù)、訓練次數(shù)、目標誤差、訓練停止條件等。經(jīng)訓練合格的網(wǎng)絡，即可用于后續(xù)設備維修訓練數(shù)量的預測。

4 設備維修人員訓練數(shù)量預測算例

為了驗證上面所建立BP神經(jīng)網(wǎng)絡的適用性和有效性，這里以某設備電機系統(tǒng)修理工人數(shù)為例，探究利用BP經(jīng)網(wǎng)絡對該修理工進行訓練數(shù)量的預測。

4.1 算例背景

本文對某設備電機系統(tǒng)修理工訓練數(shù)量建立BP神經(jīng)網(wǎng)絡預測模型。在訓練數(shù)量影響因素中，選取人力需求、平均技術(shù)等級、人員流動、承訓機構(gòu)的培訓能力四個指標作為輸入向量。其中，平均技術(shù)等級以初級修理工0.2分，中級修理工0.4分，高級修理工0.6分，技師0.8分，高級技師1分來計算。人員流動率正數(shù)為流入，負數(shù)為流出。承訓機構(gòu)的培訓能力為承訓機構(gòu)所能容納的受訓人員人數(shù)。經(jīng)統(tǒng)計，得出了近年來各影響因素與電機系統(tǒng)修理工訓練人數(shù)，如表1～3所示。

4.2 訓練樣本的歸一化處理

根據(jù)前文介紹的方法，將上一小節(jié)中數(shù)據(jù)進行預處理，將其全部映射到［0，1］范圍內(nèi)。如2011年影響因素與修理工人數(shù)統(tǒng)計表歸一化后分別如表4所示。

表12011 年某設備電機系統(tǒng)修理工有關(guān)數(shù)據(jù)表

表22012 年某設備電機系統(tǒng)修理工有關(guān)數(shù)據(jù)表

表32013 年某設備電機系統(tǒng)修理工有關(guān)數(shù)據(jù)表

表42011 年歸一化后數(shù)據(jù)表

4.3 基于BP神經(jīng)網(wǎng)絡的訓練與仿真

采用Matlab軟件中的神經(jīng)網(wǎng)絡工具箱建立BP網(wǎng)絡，對上述數(shù)據(jù)進行訓練與仿真，預測出2011年至2013年修理工的人數(shù)，然后其與實際人數(shù)進行對比并作出誤差分析。2011年～2013年網(wǎng)絡訓練結(jié)果如圖2～4所示。

網(wǎng)絡訓練結(jié)束后，將經(jīng)過歸一化后的數(shù)據(jù)進行仿真模擬，獲得網(wǎng)絡的輸出，然后進行反歸一化處理，得到BP網(wǎng)絡預測值，最后檢查BP網(wǎng)絡預測值和實際修理工數(shù)之間的誤差是否符合要求。表5即為預測結(jié)果及誤差值。

表5反映了該BP網(wǎng)絡較好地逼近了輸入矢量，用BP神經(jīng)網(wǎng)絡對現(xiàn)有人力資源狀況進行分析擬合，是人力資源需求預測的較理想方法。與傳統(tǒng)的人力資源需求預測方法相比，將BP神經(jīng)網(wǎng)絡用于人力資源需求預測，克服了輸入矢量和目標矢量非線性、不符合統(tǒng)計規(guī)律的問題。BP神經(jīng)網(wǎng)絡模型良好的容錯和自學習能力，調(diào)用Matlab工具箱函數(shù)，使預測過程更易實現(xiàn)，可以更好地對人力資源進行規(guī)劃，提高人力資源預測精度。

圖22011年網(wǎng)絡訓練圖

圖32012年網(wǎng)絡訓練圖

圖42013年網(wǎng)絡訓練圖

表5 預測結(jié)果比對及誤差

5 結(jié)語

本文針對設備維修人員訓練數(shù)量科學化準確化預測的迫切需要，首先分析了影響設備維修任用訓練數(shù)量的主要因素，然后結(jié)合BP神經(jīng)網(wǎng)絡在數(shù)量預測方面的適用性，構(gòu)建了設備維修人員訓練數(shù)量預測模型，并給出了應用算例，驗證了本文所提出方法的有效性。在未來研究中，可探索整合多個BP神經(jīng)網(wǎng)絡方法對設備維修人員訓練數(shù)量進行預測，以期帶來整體的訓練速度等方面的提高。

［1］康廣，宋輝.通用裝備保障訓練需求分析框架研究［J］.軍械工程學院學報，2010，22（6）：16-19. KANG Guang，SONG Hui.A Framework for the Equip?ment Support Training Requirement Analysis［J］.Journal of Ordnance Engineering College，2010，22（6）：16-19.

［2］張春潤等.基于任務+能力的通用裝備保障訓練內(nèi)容需求分析模型研究［J］.軍事交通學院學報，2012，14（1）：31-35. ZHANG Chunrun etc.Research on Requirement Analysis Model of General Equipment Support Training Contents Based on Mission＋Capability［J］.Journal of Academy of Military Transportation，2012，14（1）：31-35.

［3］楊超.通用裝備保障訓練內(nèi)容設計方法研究［D］.石家莊：軍械工程學院碩士學位論文，2008. YANG Chao.Study on Design Method of General Equip?ment Support Training Contents［D］.Shijiazhuang：Ord?nance Engineering College Dissertation for Master Degree，2008.

［4］裴家宏.部隊通用裝備保障訓練績效評估研究［D］.石家莊：軍械工程學院碩士學位論文，2009. PEI Jiahong.Study on Performance Evaluation of Army' General Equipment Support Training［D］.Shijiazhuang：Ordnance Engineering College Dissertation for Master De?gree，2009.

［5］武艷梅.裝備保障訓練需求分析研究及原型系統(tǒng)開發(fā)［D］.石家莊：軍械工程學院碩士學位論文，2009. WU Yanmei.Research on Requirement Analysis of Materi?el Support Training and the Prototype Development［D］. Shijiazhuang：Ordnance Engineering College Dissertation for Master Degree，2009.

［6］武艷梅，賈希勝，宋文淵，等.基于人員素質(zhì)差距的裝備保障訓練需求分析過程研究［J］.裝甲兵工程學院學報，2009，23（3）：15-19. WU Yanmei，JIA Xisheng，SONG Wenyuan，et al.Study on Requirement Analysis Process of Equipment Support Training Based on Personnel Diathesis Difference［J］. Journal of Academy of Military Transportation，2009，23（3）：15-19.

［7］丁士圻，郭麗華.人工神經(jīng)網(wǎng)絡基礎［M］.哈爾濱：哈爾濱工程大學出版社，2008. DING Shiqi，GUO Lihua.The Foundation of ANN［M］. Harbin：Harbin Engineering University Press，2008.

［8］夏玫.BP神經(jīng)網(wǎng)絡泛化能力改進研究［D］.太原：太原科技大學碩士學位論文，2009. XIA Mei.Research on Improving Generalization of BP Neural Network［D］.Taiyuan：Taiyuan Technology Univer?sity Dissertation for Master Degree，2009.

［9］劉天舒.BP神經(jīng)網(wǎng)絡的改進研究及應用［D］.哈爾濱：東北農(nóng)業(yè)大學碩士學位論文，2011. LIU Tianshu.The Research and Application on BP Neural Network［D］.Harbin：Northeast Agricultural University Dissertation for Master Degree，2011.

［10］董長虹.MATLAB神經(jīng)網(wǎng)絡與應用［M］.北京：國防工業(yè)出版社，2007. DONG Changhong.MATLAB Neural Network and Its Ap?plication［M］.Beijing：National Defense Industry Press，2007.

Device Maintenance Training Personnel Prediction Based on BP Neural Network

LI Feng1，2TIAN Xia2SONG Wenyuan2
（1.Scientific Research Department，Ordnance Engineering College，Shijiazhuang050003）（2.Management Engineering Department，Ordnance Engineering College，Shijiazhuang050003）

Currently，the requirements for device maintenance support are becoming more and more complex，and the accu?rate prediction of device maintenance training personnel is of fundamental for training plan and implementation.Aiming at the ur?gent requirement above，the main factors of maintenance training personnel are analyzed.Then，the applicability and theory of BP neural network for raining personnel prediction are discussed，and the maintenance training personnel model based on BP neural network is established.Finally，an example is presented to illustrate the model.

maintenance training，BP neural network，prediction method

TP391

10.3969/j.issn.1672-9722.2017.07.008

2017年1月20日，

2017年2月23日

李鋒，男，碩士，講師，研究方向：維修保障訓練系統(tǒng)工程。田霞，女，碩士，講師，研究方向：維修保障訓練需求分析。宋文淵，男，博士，副教授，研究方向：維修保障系統(tǒng)分析。