基于BP神经网络的飞机使用决策研究

程 新，张 乾

(1.哈尔滨飞机工业集团 客户服务部, 黑龙江 哈尔滨 150066)(2.空军航空大学 飞行器与动力系, 吉林 长春 130022)

基于BP神经网络的飞机使用决策研究

程 新1，张 乾2

(1.哈尔滨飞机工业集团 客户服务部, 黑龙江 哈尔滨 150066)(2.空军航空大学 飞行器与动力系, 吉林 长春 130022)

为了解决机群用户在执行任务飞机选择上的随意性问题，提高飞机使用决策的科学性，在分析影响飞机使用决策多种因素的基础上，构建了飞机堪用度评价体系，设计了评估堪用度的BP神经网络，并运用实例验证了方法的有效性。MATLAB软件的仿真结果表明，BP神经网络适用于解决飞机使用决策的评估问题。

飞机使用决策; BP神经网络; 堪用度; MATLAB仿真

在执行飞行任务之前，航空公司航务部门要根据任务特点和在队飞机技术状态，以航班计划和维修计划为依据，选择执行任务的飞机，满足任务需求，并确保机队飞机各项适航指令及时完成。在实际操作中，一般根据机库飞机剩余寿命和定检时限等因素粗略确定飞机，这种选择方式简单粗放、随意性较大，无法满足航空公司在维修管理上日益精确化、最优化和智能化的追求。因此，如何科学合理地选择飞机是用户亟需解决的一个实际问题。

飞机选择是一个多目标的综合决策问题[1]，应综合考虑飞机飞行小时剩余寿命、日历剩余寿命、定检、有寿件到寿、梯次使用和航材供应等情况，满足任务需求，同时减少对飞机阶段使用计划的影响。解决这类问题的方法有很多，如层次分析法、 灰色关联度法等，但这些方法主观性都太强，而人工神经网络[2]是一种高度的非线性映射处理系统，具有强大的自组织、自学习、自适应和分类计算能力，主要根据所提供的数据，通过学习和训练找出输入与输出的内在联系，规避了传统决策方法较大的主观性。本文在建立评估体系的基础上，选择应用最广的BP神经网络(Back Propagation Neural Network)作为评估机群飞机堪用度的方法。

1 评估体系建立

1.1评估指标选择

在满足任务需求的基础上，影响飞机堪用度的主要因素有剩余寿命、定检、航材保障、有寿机件等因素[3]，另外还要考虑机群飞机梯次使用状况。本文综合考虑以上因素，整合出飞行小时剩余寿命、日历剩余寿命、梯次使用、航材供应和定期工作等5个评估指标。

a.飞行小时剩余寿命。

飞行小时剩余寿命是指各飞机阶段计划使用时数的剩余时数，是飞机使用依据的基本数据，机队飞机使用时一般都严格按照计划执行，不应该超出阶段计划飞行时间。根据每架飞机的阶段计划飞行时间和实际飞行时间，令：

(1)

式中：tjfi为第i架飞机阶段计划飞行时间；tsfi为第i架飞机阶段实际飞行时间。将Ri的值按其大小进行降序排列，值大的飞机优先飞行。

b.日历剩余寿命。

日历剩余寿命主要反映飞机在使用过程中由于不当的维护活动、 环境腐蚀引起的结构疲劳、品质下降是否达到临界值。日历寿命到寿的飞机应该立即停飞，进行相应的检修。在考虑飞行小时寿命的同时，还要综合日历寿命，合理安排飞机的使用，使飞行小时寿命和日历寿命损失最小。根据每架飞机的日历剩余寿命和总飞行小时剩余寿命，令：

(2)

式中：tri为第i架飞机日历剩余寿命；tzsi为第i架飞机总飞行小时剩余寿命。将Ci的值按其大小进行降序排列，值大的飞机优先飞行。

c.航材供应。

航材的供应直接影响飞机的完好率，质控部门根据飞机状况和有寿机件到寿情况制定航材请领计划，由航材部门保障航材供应。根据每架飞机的航材供应情况，令：

(3)

式中：Xsyi为第i架飞机航材供应数；Xjhi为第i架飞机航材请领数。将Mi的值按其大小进行降序排列，值大的飞机优先飞行。

d.梯次使用。

飞机梯次使用是指机库各架飞机距离各项定检工作(C检及C检以上级别检查)的飞行时间互相间保持一定的差距，成梯次排列使用，目的是分散各飞机的定检时机，最大限度地提高飞机在队率。在飞机机库检修条形图中(如图1所示)，用平均定检剩余时间50%标准线作为理想的飞机剩余时间梯次排列趋势线，剩余时间在标准控制线之上，距离为正值；在控制线之下，距离为负值。为提高飞机定检剩余时间按梯次排列的程度，距离大的飞机应多飞，距离小的飞机应少飞。令：

(4)

式中：tsi为定检剩余时间；N为机库飞机架数；tg为平均定检规定时间。将Ei的值按其大小进行降序排列， 值大的飞机优先飞行。

图1 飞机机库检修条形图

e.定期工作。

定期工作主要是指飞机各级定检(主要是C检及C检以上级别检查)、换发和更换有寿机件等工作，是飞机维护计划的重要部分，各项工作要按照要求和计划严格执行。令：

(5)

式中：tdi为第i架飞机到飞机各级定检、换发和更换有寿机件需要的飞行小时数。Ni的值按其大小进行降序排列， 值大的飞机优先飞行。

1.2综合评价体系结构

根据以上选取的各项评估指标，建立如图2所示的飞机堪用度评估体系。

图2 飞机堪用度评估体系结构图

2 BP神经网络设计

2.1输入层、隐含层、输出层的设计[4]

对于机队飞机堪用度的综合评估应当依据其确定的评估指标作为输入层因素，这里选用飞行小时剩余寿命、日历剩余寿命、航材供应、梯次使用、定期工作作为输入层节点，输入单元数为5。输出层表示飞机堪用度的综合评价值，节点数为1。隐含层节点数的选取还没有明确的方法，可以根据经验来选取，由于输入层节点数为5，输出层节点数为1，选取中间隐含层节点数为3。建立的BP神经网络模型如图3所示。

图3 BP神经网络模型图

2.2学习步长、初始权值、目标精度的选取

学习步长是在学习过程中对权值的修正量，与网络的稳定性有关。步长过短，则学习效率低，步长过长，则网络稳定性差。学习步长取为0.02。初始权值选取对于输出结果是否最接近实际及是否能够收敛、学习时间的长短等影响很大。由于MATLAB仿真软件会根据初始化函数自动生成相应的初始权值和阈值，故这里不用考虑。目标精度是确定神经网络的精度标准，当误差达到目标精度要求后，网络停止训练。

3 基于MATLAB仿真软件的实例分析

在BP神经网络的分析和设计中，会涉及大量的计算问题，MATLAB仿真软件的使用为神经网络的计算带来了极大的便利，本文将应用MATLAB仿真软件对所建立的BP神经网络模型进行求解[5]。在此选定用于训练的8组样本数据建立学习样本矩阵和目标输出矩阵，选择一组检验数据建立待评估矩阵。

a.学习样本矩阵、目标输出矩阵、待评估矩阵的数据输入。

T=[0.56 0.35 0.45 0.59 0.47 0.86 0.37 0.51]

Q=[0.70 0.800 0.77 69 1.00]T

b.BP神经网络模型程序代码设计。

net=newff(minmax(P), [3, 1],{‘tansig’, ‘purelin’}, ‘traingdx’);

net=init(net);

net.trainparam.show=50;

net.trainparam.lr=0.02;

net.trainparam.epochs=500;

net.trainparam.goal=1e-2;

[net, tr]=train(net, P, T);

Y=sim(net,Q);

c.结果输出。

对应待评估矩阵的仿真结果值为：Y=0.534 7，表明待评估飞机堪用度值为0.534 7，经和样本集进行比较，数据可信。输出图形为BP神经网络训练图，如图4所示。从图中可以看出，训练仿真到64次时，达到设定的目标精度，训练停止。

图4 BP神经网络训练图

4 结束语

本文运用BP 神经网络建立了飞机堪用度评估决策模型，MATLAB仿真表明本模型收敛速度快、评估结果可信度高，较好地解决了机群飞机的使用决策问题。另外BP 神经网络是通过学习和训练找出输入与输出的内在联系，从而求取问题的解，训练样本越多，越能发挥神经网络的学习、联想和容错能力，因此在实际使用中可以持续增加样本对其进行训练改进。

[1] 陈永青, 孙春林. 飞机维修计划技术[J]. 中国民航学院学报, 2004(增刊1):36-38.

[2] 王文成. 神经网络及其在汽车工程中的应用[M]. 北京：北京理工大学出版社, 1998.

[3] 孙保开, 袁冬根. 飞机发动机使用管理综合决策研究[J]. 长沙航空职业技术学院学报, 2004, 4(4) : 27-31.

[4] 李晓宇, 王新阁, 黄勇. 基于神经网络的战时装备维修保障能力评估[J]. 飞机设计, 2011, 31(3): 63-65.

[5] 罗成汉. 基于MATLAB神经网络工具箱的BP网络实现[J]. 计算机仿真, 2004, 21(5): 109-112.

ResearchontheAircraftUsageDecisionBasedonBPNeuralNetwork

CHENG Xin1, ZHANG Qian2

(1. Harbin Aircraft Industry Group, Heilongjiang, Harbin, 150066, China)(2. The Aviation University of Air Force, Jilin Changchun, 130022, China)

Aiming at the arbitrary choose the aircraft and implement the scientific aircraft usage and decision, it establishes the evaluation system of aircraft availability, designs the BP neural network for evaluating the availability based on analysis the influencing factors, and verifies with an example. Through the simulation by MATLAB, BP neural network is available to resolve the evaluation and decision problem of aircraft usage.

Aircraft Usage Decision; Back Propagation Neural Network; Availability; MATLAB Simulation

10.3969/j.issn.2095-509X.2014.05.020

2014-04-09

程新(1967—)，男，黑龙江哈尔滨人，中航工业哈飞集团有限责任公司高级工程师，主要从事航空企业的信息化管理及相应的系统开发研究等工作。

V241.07

A

2095-509X(2014)05-0076-03