基于粗糙集-神經(jīng)網(wǎng)絡(luò)的飛機壽命消耗量預(yù)測模型研究

安 航，王 瑛，馮博宇

AN Hang,WANG Ying,FENG Bo-yu

（空軍工程大學(xué) 工程學(xué)院，西安 710038）

0 引言

隨著現(xiàn)代科學(xué)技術(shù)的快速發(fā)展，以及軍事斗爭準備工作的不斷深入，飛機的使用強度越來越大。我國規(guī)定同型飛機的平均剩余壽命百分比不能低于一定的比例，為航空工程保障計劃的順利實施，需經(jīng)常安排好飛機的使用和保持最大數(shù)量的飛機處于良好狀態(tài)，這就對飛機的使用壽命提出了更高的要求。飛機壽命資源的消耗量直接影響到壽命資源的存儲量（即可用飛行小時），飛機壽命資源存儲量是開展各種飛行活動和任務(wù)的根本基礎(chǔ)。因此，構(gòu)建模型實現(xiàn)對飛機壽命資源消耗量的準確預(yù)測，可以進一步完善飛機壽命管理方法，使得飛機做到物盡其用[1]。

目前針對飛機壽命的研究較多，文獻[2]研究了飛行強度對使用壽命的影響；文獻[3]研究分析了腐蝕環(huán)境對飛機結(jié)構(gòu)和使用壽命的影響；何宇廷提出了飛機結(jié)構(gòu)壽命包線的建立方法[4]。然而文獻中分析并預(yù)測在使用過程中飛機壽命資源消耗的論述較少，基于此，筆者融合粗糙集方法和人工神經(jīng)網(wǎng)絡(luò)技術(shù)各自的優(yōu)勢，在不改變樣本分類質(zhì)量的條件下，運用粗糙集理論約簡樣本指標，確定網(wǎng)絡(luò)輸入層變量和神經(jīng)元個數(shù)[5]，建立基于粗糙集-神經(jīng)網(wǎng)絡(luò)的飛機壽命資源消耗量預(yù)測模型，并應(yīng)用這一非線性模型對飛機壽命資源消耗量進行了預(yù)測。

1 基于RS-BP神經(jīng)網(wǎng)絡(luò)的飛機壽命消耗量預(yù)測模型的建立

結(jié)合粗糙集屬性約簡的特點和神經(jīng)網(wǎng)絡(luò)對復(fù)雜函數(shù)全局逼近的優(yōu)勢[6]，本文采用基于RS-BP神經(jīng)網(wǎng)絡(luò)的智能建模方法對飛機壽命資源消耗量進行預(yù)測。因為航空裝備的使用以及管理一般是成建制進行的，所以，在研究飛機壽命消耗量時，以機群為研究對象更有意義。首先全面考察影響飛機壽命資源消耗量的因素，然后使用粗糙集理論針對決策屬性來約簡條件屬性，從條件屬性中去掉對于決策屬性而言冗余的（或相對不重要的）屬性，隨后我們將這些約簡后的條件屬性（影響因素）和決策屬性（消耗量）作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)進行訓(xùn)練，最終得到影響因素和飛機壽命消耗量之間的映射關(guān)系。構(gòu)建基于RS-BP神經(jīng)網(wǎng)絡(luò)模型的步驟如圖1所示。

圖1 基于RS-BP神經(jīng)網(wǎng)絡(luò)建模流程

1.1 原始數(shù)據(jù)預(yù)處理

由于現(xiàn)實中所采集數(shù)據(jù)的度量單位不同，各維數(shù)據(jù)值相差也較大，如果不對這些數(shù)據(jù)進行處理或選擇，而直接用粗糙集算法進行屬性約簡，勢必會造成效率較低，所以在使用約簡算法前，應(yīng)先將原始數(shù)據(jù)進行規(guī)范化處理。

最小-最大規(guī)范化方法：

假定min和max分別為變量的最小值和最大值，通過

可將的區(qū)間映射到[0,1]區(qū)間。這里的x1f,x2f,…,x1f是的f幾個度量值。

1.2 連續(xù)屬性離散化

由于粗糙集理論無法直接使用連續(xù)型數(shù)據(jù)，所以在使用粗糙集理論進行屬性約簡前需先對具有連續(xù)值特征的屬性進行離散化。經(jīng)過離散化之后，原來的決策系統(tǒng)被一個新的決策系統(tǒng)所代替，且不同的斷點集會將決策系統(tǒng)轉(zhuǎn)換成不同的決策系統(tǒng)。由于最終的決策屬性值均為一維的，故對決策列采用較為簡單且成熟的K-means值聚類法進行離散化[7]。

粗糙集理論中對連續(xù)屬性離散化的方法很多，在這里采用苗奪謙[8]提出的基于動態(tài)層次聚類的連續(xù)屬性離散化算法。其的指導(dǎo)思想是在保證離散后的決策表應(yīng)當同離散化前一樣保持其相容性的前提下，尋找使得約簡效率最高的聚類劃分。該算法無需事先指定聚類的數(shù)目，而是根據(jù)聚類后的決策表相容度的限制條件、聚類的距離閥值實現(xiàn)自動聚類。

1.3 對離散化后的樣本數(shù)據(jù)屬性約簡

通過屬性約簡可以去除冗余的或?qū)勖牧款A(yù)測結(jié)果影響不大的屬性，以減少屬性數(shù)目，提高分析效率。文獻[9]提出的基于系統(tǒng)正域的屬性主要性的數(shù)據(jù)約簡方法，盡管不能保證一定能夠找到系統(tǒng)信息的最優(yōu)解，但筆者認為依據(jù)單個屬性重要的約簡算法依然具有合理性。其算法得到的約簡即使不是最優(yōu)約簡，健壯性和穩(wěn)定性也是較好的。因此本文采用基于屬性重要性的約簡方法作為粗糙集的數(shù)據(jù)約簡算法。具體步驟如下：

1）REDU=核；

2）候選屬性集AR=C－REDU；

3）找出AR中具有最大屬性重要性SGF (a,R,D)的屬性a；

4）如果有多個屬性ai(i=1,,m)具有相同的最大重要性，則選取與REDU具有最小屬性取值組合的屬性ai；

5）REDU=REDU ? {aj}；AR=AR － {aj}；

6）如果K(REDU,D)=1，則算法中止，否則轉(zhuǎn)回3)。

1.4 利用屬性約簡結(jié)果建立基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型

應(yīng)用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[10]的詳細步驟如圖2所示。

圖2 GA-BP算法詳細步驟

由上一節(jié)屬性約簡所確定的屬性數(shù)量作為網(wǎng)絡(luò)輸入向量，接下來則要考慮網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計，由于影響網(wǎng)絡(luò)泛化能力的因素與研究問題的復(fù)雜程度、網(wǎng)絡(luò)結(jié)構(gòu)的選擇等諸多因素有關(guān)，因此BP網(wǎng)絡(luò)結(jié)構(gòu)的確定要根據(jù)實際問題來決定。

1.4.1 網(wǎng)絡(luò)結(jié)構(gòu)的確定

一個S型隱含層加上一個線性輸出層的BP網(wǎng)絡(luò)，能夠逼近任何在閉區(qū)間內(nèi)的一個連續(xù)有理函數(shù)[11]，因而一個三層的神經(jīng)網(wǎng)絡(luò)就具有模擬任意復(fù)雜的非線性映射的能力，并且可以通過增加隱含層神經(jīng)元的個數(shù)來提高網(wǎng)絡(luò)的精度。

隱含層神經(jīng)元個數(shù)的確定目前還沒有統(tǒng)一的方法，本文采用試算法來確定隱含層的神經(jīng)元個數(shù)：開始根據(jù)經(jīng)驗公式使用很少的隱含層神經(jīng)元數(shù)對網(wǎng)絡(luò)進行訓(xùn)練和測試，然后不斷增加隱含層神經(jīng)元數(shù)，比較不同訓(xùn)練和測試的結(jié)果，最終選取合適的隱含層神經(jīng)元個數(shù)。

1.4.2 采用GA算法優(yōu)化權(quán)值和閥值

BP神經(jīng)網(wǎng)絡(luò)采取的權(quán)值更新方法為最速梯度下降法，其缺陷是容易陷入局部極小、收斂速度慢[12]。本文采用遺傳算法來優(yōu)化初始權(quán)值、閥值，主要步驟如下：

1）種群初始化，包括交叉概率Pc、交叉規(guī)模、突變概率Pm以及初始化w1ij、w1jk、q1j和q1k進行；采用實數(shù)編碼，初始種群取50各個體均是由w1ij、w1jk、q1j和q1k四部分組成的實數(shù)串；

2）各個體評價函數(shù)計算，進行各個體排序。按照下式概率值進行網(wǎng)絡(luò)個體的選擇。

其中為個體的適配值，可用誤差平方和E來衡量，即：

其中，i=1,2,…,N為染色體數(shù)；k=1,…,4為輸出層節(jié)點數(shù)，本文中k取1；p=1,…,10為訓(xùn)練樣本數(shù)；Tk為預(yù)期輸出值。

3）按照概率Pc對個體Gi和Gi+1交叉操作，從而產(chǎn)生新個體和，未進行交叉操作的個體，則直接進行復(fù)制。

4）運用概率Pm突變，從而產(chǎn)生Gj的新個體；

5）將新個體插到種群P中，并且計算其評價函數(shù)；

6）計算誤差平方和，如果達到預(yù)定值εGA，那么轉(zhuǎn)(7)。反之，則轉(zhuǎn)入(3)，繼續(xù)執(zhí)行遺傳操作；

7）將GA輸出的優(yōu)化初值作為閾值和初始權(quán)值。再用BP算法訓(xùn)練網(wǎng)絡(luò)，直到達到指定精度εBP(εBP<εGA)。

1.4.3 預(yù)測結(jié)果評價參數(shù)

選擇平均相對誤差MAPE、相關(guān)系數(shù)R、輸出數(shù)據(jù)可行度Z三個參數(shù)來評價神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的預(yù)測精度。因為它們既不受樣本規(guī)模的影響，又不受樣本單位的制約，便于將預(yù)測結(jié)果與前面的線性預(yù)測方法進行對比，其公式表示為：

其中xi代表模型模擬輸出值，yi表示實測值。平均相對誤差MAPE反映了預(yù)測值的總體質(zhì)量，相關(guān)系數(shù)R反映了觀測值的變化對預(yù)測值的影響，輸出數(shù)據(jù)可信度Z反映了預(yù)測值在給定的可信度內(nèi)的分類精度。

2 飛機壽命消耗量預(yù)測實例

運用具體數(shù)據(jù)和已建立的模型，預(yù)測飛機壽命資源的消耗量。選取某單位2007-2009每月飛行數(shù)據(jù)，對原始數(shù)據(jù)進行變換處理后如表1所示。

結(jié)合實地調(diào)研結(jié)論，將影響飛機壽命資源消耗量的因素歸納為以下5種，即：當月飛行訓(xùn)練消耗量M、惡劣天氣占當月的比例U、調(diào)出飛機消耗量N、事故P、機務(wù)素質(zhì)差的機務(wù)人員所占的比例Q。

2.1 連續(xù)屬性離散化

將表1中原始數(shù)據(jù)預(yù)處理后，使用K-means法和文獻[8]中的算法對決策屬性和條件屬性進行離散化。將決策屬性（飛機壽命資源消耗量）和條件屬性（當月飛行訓(xùn)練消耗量、惡劣天氣占當月的比例、調(diào)出飛機消耗量、事故、機務(wù)素質(zhì)差的機務(wù)人員所占的比例）進行分類從而將連續(xù)屬性離散化，離散結(jié)果如下：

每月飛機壽命總消耗量：{1：[0，0.059]；2：[0.078，0.139]；3：[0.167，0.227]；4：[0.307，0.394]；5：[1，1]}。

當月飛行訓(xùn)練消耗量：{1：[0，0.195]；2：[0.3，0.356]；3：[0.388，0.455]；4：[0.598，0.758]；5：[0.825，1]}。

惡劣天氣占當月的比例：{1：[0，0.221]；2：[0.279，0.485]；3：[0.618，0.765]；4：[0.824，1]}。

調(diào)出飛機的壽命消耗量：{1：[0，0]；2：[0.531，0.766]；3：[0.813，1]}。

機務(wù)素質(zhì)差的機務(wù)人員所占的比例：{1：[0，0.077]；2：[0.154，0.269]；3：[0.462，0.731]；4：[0.769，1]}。

對于飛行事故，可將其屬性值量化為1、2。其中1表示沒有發(fā)生飛行事故，2表示發(fā)生飛行事故。

表1 某單位飛機壽命消耗統(tǒng)計數(shù)據(jù)

2.2 屬性約簡

屬性約簡的步驟為，首先求出屬性規(guī)約集的核心，然后運用約簡算法計算歸約集，并根據(jù)某種評判標準確定最佳歸約集。

令D=決策屬性集={D}={L}，C=條件屬性全集={C}={M，U，N，P，Q}

首先計算得到Card(POSC(D))=24，計算系統(tǒng)的核為：{當月飛行訓(xùn)練消耗量，惡劣天氣占當月的比例}，由REDU={當月飛行訓(xùn)練消耗量，惡劣天氣占當月的比例}，Card(POSCred(D))=14，而后計算其余屬性的重要性為：

SGF(N,REDU,D)=12/24，SGF(P,REDU,D)=3/24，SGF(POSCred(D))=3/24

屬性N的重要性最大，因此將該屬性加入到中，由于此時,因此算法中止。最終得到的屬性約簡結(jié)果為：{當月飛行訓(xùn)練消耗量，惡劣天氣占當月的比例，調(diào)出飛機消耗量}。

2.3 仿真驗證與分析

由上節(jié)粗糙集屬性約簡結(jié)果分析可知，網(wǎng)絡(luò)的輸入層節(jié)點數(shù)為3，輸出層節(jié)點數(shù)為1，下面需要確定隱層節(jié)點的個數(shù)。本文采用試湊法，先通過經(jīng)驗公式給出隱層節(jié)點數(shù)，而后逐漸增加或減少隱層單元數(shù)，最后依據(jù)網(wǎng)絡(luò)均方誤差最小的原則（或較快的收斂速度）確定網(wǎng)絡(luò)的隱層節(jié)點數(shù)。經(jīng)過驗證，當隱含層單元數(shù)為8時，訓(xùn)練誤差和學(xué)習(xí)步數(shù)都比較理想，因此網(wǎng)絡(luò)結(jié)構(gòu)為3-8-1，3個輸入層節(jié)點分別對應(yīng)當月飛行訓(xùn)練消耗量、惡劣天氣占當月的比例、調(diào)出飛機消耗量，8個隱層神經(jīng)元，1個輸出層節(jié)點對應(yīng)飛機壽命資源消耗量。

采用Matlab神經(jīng)網(wǎng)絡(luò)工具箱，取表1中前24組為訓(xùn)練樣本，后6組為檢驗樣本。在樣本訓(xùn)練過程中，種群規(guī)模50，遺傳代數(shù)110，交叉概率為0.7，變異率為0.01訓(xùn)練步數(shù)為1000，誤差為1.00E-13，當訓(xùn)練步數(shù)為144時，期望輸出值與實際輸出值的訓(xùn)練誤差達到設(shè)定要求，BP-GA網(wǎng)絡(luò)訓(xùn)練誤差變化如圖3所示。

圖3 訓(xùn)練誤差變化

為了檢驗網(wǎng)絡(luò)的泛化能力，取2009年1-6月的壽命消耗量數(shù)據(jù)對網(wǎng)絡(luò)進行檢驗。將數(shù)據(jù)歸一化處理后，用訓(xùn)練好的網(wǎng)絡(luò)進行預(yù)測，預(yù)測結(jié)果如表2所示。除6月份的預(yù)測結(jié)果外，其余相對誤差均在較低的水平。

為了驗證經(jīng)過粗糙集屬性約簡后的影響因素具有較高的可信度，取未經(jīng)過粗糙集約簡的全指標體系（當月飛行訓(xùn)練消耗量、惡劣天氣占當月的比例、調(diào)出飛機消耗量、事故、機務(wù)素質(zhì)差的機務(wù)人員所占的比例）作為輸入元素，輸出為飛機壽命資源消耗量，其他條件不變，網(wǎng)絡(luò)訓(xùn)練誤差變化如圖4，預(yù)測結(jié)果如表3所示。

表2 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

圖4 訓(xùn)練誤差變化

表3 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

圖5 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與實際結(jié)果對比

由圖5可以看出，兩種預(yù)測模型的預(yù)測結(jié)果與實測值的擬合度高，無論對于平穩(wěn)數(shù)列還是在有數(shù)據(jù)波動的情況下，都表現(xiàn)出良好的預(yù)測能力。

表4 預(yù)測結(jié)果比較

表4給出了經(jīng)過粗糙集屬性約簡的BP神經(jīng)網(wǎng)絡(luò)壽命消耗量預(yù)測模型，與沒有進行屬性約簡的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測結(jié)果比較。兩種預(yù)測方法的可信度都為83.3%，經(jīng)過屬性約簡的神經(jīng)網(wǎng)絡(luò)模型的MAPE僅為4.11%，雖比未進行屬性約簡的BP預(yù)測模型的MAPE略高，但兩個模型的平均相對誤差均處于較低的水平，保證了模型預(yù)測的準確性。

3 結(jié)論

1）利用粗糙集理論來化簡樣本及條件屬性，通過屬性約簡求核，篩選分析出了對飛機壽命資源消耗量影響較大的因素，從而簡化了網(wǎng)絡(luò)輸入變量的個數(shù)，減少了網(wǎng)絡(luò)的訓(xùn)練時間，改善了學(xué)習(xí)的效率。

2）應(yīng)用實測數(shù)據(jù)進行仿真，結(jié)果表明，屬性約簡后的指標體系與原有全指標體系對于壽命消耗量的預(yù)測有同樣的效果，與實際值擬合度高，平均相對誤差小，通過粗糙集屬性約簡去除了對飛機壽命消耗影響不大的、冗余的因素，證明了粗糙集是神經(jīng)網(wǎng)絡(luò)樣本分析及處理的有效方法。

3）將粗糙集理論與GA-BP神經(jīng)網(wǎng)絡(luò)算法結(jié)合，應(yīng)用于飛機壽命消耗量預(yù)測的方法使得預(yù)測結(jié)果準確、可靠，具有較高的實用價值。此研究結(jié)果為下一步建立飛機壽命資源存儲量、消耗量、補給量之間的制約關(guān)系模型打下了基礎(chǔ)。

[1] 戚燕杰,呂志剛,劉馬寶. 壽命無極限：飛機壽命管理的技術(shù)革命[J]. 中國民航大學(xué)學(xué)報,2011,29(1)： 29-34.

[2] 楊茂勝,陳躍良,郁大照. 考慮飛行強度影響的飛機使用壽命綜合評定方法[J]. 海軍航空工程學(xué)學(xué)報,2007,22(2)： 257-260.

[3] 殷建新,宋智桃. 飛機結(jié)構(gòu)腐蝕與使用壽命研究[J]. 海軍航空工程學(xué)院學(xué)報,2005,20(6)： 623-626.

[4] 何宇廷. 飛機結(jié)構(gòu)壽命包線的確定方法[J]. 空軍工程大學(xué)學(xué)報(自然科學(xué)版),2006,7(6)： 1-3.

[5] Leung Y,Wu W Z,Zhang W X. Knowledge Acquisition in Incomplete Information Systems： A rough set approach [J].European Journal of Operational Research,2006,168(1)：164-180.

[6] 陳小玉,張靜. 基于粗糙集-神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J]. 制造業(yè)自動化,2011,33(9)： 52-54.

[7] 王全,楊國梁. 一種改進的K平均聚類算法[J]. 國外電子元器件,2008,9： 73-74.

[8] 苗奪謙. Rough Set理論中連續(xù)屬性的離散化方法[J]. 自動化學(xué)報,2001. 5： 296-302.

[9] Thangavel K,PethalakshmiA.Dimensionality reduction based on rough set theory： a review[H]. Applied Soft Computing,2009,9： 1-12.

[10] 吳德勝,梁墚. 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)及信用評價研究[J]. 中國管理科學(xué),2004,12(1)： 68-74.

[11] 焦李成. 神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M]. 西安： 西安電子科技大學(xué)出版社,1992.

[12] Tushman M,L. Hybrid Neural-Network Genetic-Algorithm Technique for Aircraft Engine Performance Diagnostics[J]. 2005,21(4)： 42-45.