基于径向基神经网络舰船备件需求预测.docVIP

基于径向基神经网络舰船备件需求预测 　　【摘 要】针对舰船装备保障过程中备件数量的确定方法缺乏科学性和实际操作繁琐的现状，分析了影响舰船备件数量主要因素，研究了径向基神经网络的工作原理，提出基于径向基函数神经网络的舰船备件需求预测方法。最后给出了预测实例，并与BP神经网络预测结果进行对比。结果表明，径向基神经网络预测方法操作简单，预测结果符合实际情况，拟合效果优于BP。 　　【关键词】备件需求预测；神经网络；精确保障 　　0 引言 　　为了保证舰船在海上航行阶段的安全性和可靠性，通常会为舰船上比较重要的和经常出现故障的设备配备一定数量的备件。长期以来，如何确定备件的数量一直是舰船装备精确保障领域的一个难题，配置数量太少，无法保证舰船设备的可靠性；配置数量太多，又会占用大量空间，而且会造成资源的浪费。 　　人工神经网络（ANN）是目前国际上前沿研究领域的一门新兴交叉科学[1]。主要方法有BP网络、支持向量机（SVM）、Hopfield网络和专家系统。BP网络容易陷入局部最小点；SVM和Hopfield是无导师学习算法，不容易找到自己想要的结果；专家系统在得不到相应的专家经验就无法进行诊断。 　　径向基（RBF）网络是一种有导师的学习算法，在给定充分的训练样本后可以实现任意形式的非线性映射，而且还能够克服局部最小点的困扰[2]。RBF可以避免像BP学习算法那样冗长的迭代计算和陷入局部极值的可能，使学习速度比通常的BP算法快几十倍甚至上百倍[3]。 　　1 径向基函数神经网络 　　径向基函数网络包含一个径向基神经元的隐层和一个具有线性神经元的输出层。输入信号传递到隐层。隐层有S1个神经元，节点函数为高斯函数；输出层有S2个神经元，节点函数通常是简单的线性函数，其结构如图1所示。 　　图1 RBF神经网络的结构 　　其中，R为输入向量元素的数目；S1为第一层神经元的数目；S2为第二层神经元的数目；a1j为向量a1的第j个元素；i|W1，1为权值矩阵|W1，1的第i个向量。||dist||模块计算输入向量P和输入权值|W1，1的行向量之间的距离，产生S1维向量，然后与阈值b1相乘，再经过径向基传递函数从而得到第一层输出[4]。 　　2 舰船备件数量影响因素 　　现以舰船机电设备的某部件为预测对象，以一年为一个时间段，分析影响机电设备的备件需求因素。我们选取了以下4个主要影响因素进行具体分析： 　　计划重大任务次数A。对于舰船来说，重大任务就是出海，舰船的机电设备几乎时刻保持运行状态。特别是长时间的远洋航行，设备长时间的持续工作会加大对设备的损耗，其中，难免会有设备部件功能故障，毫无疑问将导致部件的备件需求量增加。 　　检修中被拆卸的总次数B。为了维护设备的正常运转，确保舰船在任务过程中的安全可靠，会对舰船设备部件进行定期和不定期的检修、保养。一般来说，在保养的过程中，部件被拆卸的次数越多，部件的磨损就会越严重。因此，拆卸次数越多，故障的几率也越大，备件的需求量也就越大。 　　累计工作时间C。舰船设备累计工作时间以小时为单位，在设备工作的过程中，设备处于高速、震动、高温等复杂环境中，对部件的寿命会产生很大影响。累计工作时间越长，部件的损坏程度也就越大，备件需求量也就越大。 　　平均故障间隔时间D。平均故障间隔时间是设备可靠性的一种参数，可以通过历史工作过程中统计获得，对于备件的需求量有直接的影响。MTBF值大的，备件需求量少，MTBF值小的，备件的需求量较大。 　　3 舰船备件需求预测实例 　　3.1 构造训练样本 　　下面列出4个影响因素的相关数据以及舰船某备件消耗的历史数据，如表1所示。 　　为了使径向基神经网络的预测效果更好，就要有大量的样本对网络进行训练。我们将表1中1～7组数据加入标准差为k的随机白噪声误差，循环100次，产生700组训练样本。最后用第8组数据检验网络的预测效果；用前7组数据用来检验网络的拟合效果。 　　3.2 建立径向基神经网络 　　影响备件需求量的因素有4个，所以确定径向基神经网络的输入节点数为4；采用输入层、隐层和输出层三层结构；采用Gaussian函数表1 备件消耗历史数据 　　作为径向基函数。 　　从Gaussian核函数可见，其中x是函数的输入变量；c是径向基函数的中心；Φ（x-c）就是径向基函数。 　　3.3 备件需求预测 　　取k的值为4，产生训练样本，对神经网络进行训练；用第8组数据检验径向基神经网络的预测效果。假设某舰船该年计划有6次重大任务，某部件被拆卸的总次数为35次，设备累计工作时间1680小时，历史MTBF为470小时。将数据输入网络，预测结果为65.2182，实际的消耗量为64个，相对误差为1.9%，认为预测准确。 　　用1～7组数据检验网络的拟合效果，结果如图2所示。 　　表2