ANFIS在航材需求量预测中的应用

【后勤保障与装备管理】

ANFIS在航材需求量预测中的应用

康正亮，胥凯晖，杨传起

(94829部队，南昌330201)

摘要：针对运用传统航材分类方法和经验法预测航材需求量偏差大问题，分析选取影响航材需求量的6个关键要素，引入自适应神经模糊推理系统(ANFIS)建立航材需求量预测模型，并给出建模流程框图和利用MATLAB求解方法；实例分析表明：这种方法得出的结果与原数据符合良好，是有效的；将预测结果与BP神经网络方法和多元线性回归方法得出结果的作对比，本方法预测精度更高，体现了这种方法的优越性，为航材需求量预测提供了一种新思路。

关键词：航材；需求预测；ANFIS

收稿日期：2014-06-27

作者简介：康正亮(1979—)，男，工程师，主要从事军用航材与军事计量研究。

doi:10.11809/scbgxb2015.01.024

中图分类号：TP302

文章编号：1006-0707(2015)01-0084-04

本文引用格式：康正亮，胥凯晖，杨传起.ANFIS在航材需求量预测中的应用[J].四川兵工学报，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

航材保障的质量好坏对飞机的完好率有重要意义，它要求及时、精确、经济，需要对航材的需求量要有较准确的估计，而在实际工作中，航空部队对航材需求预测的运作模式大都是根据传统的航材分类法和经验法来对航材的需求量进行估计，估计过程脱离各个航材备件特性和实际的维修需求[1-3]。由此导致对航材的储备造成不利影响：航材储备不足，将不能满足飞机的保障需求；储备过多，带来费用高的问题；这种管理模式下，积累的历史数据也未得到很好地利用[3,4]。因此，研究航材需求量有重要的实际意义，将会在满足飞机保障要求的同时，减少航材库存量、提高经济效益。

航材的需求预测是一项系统工程，影响因素多，是多变量的非线性函数。现有的航材需求预测方法有经验法、比较法和直接计算法[1,3]。经验法的主观因素明显，而直接计算法和比较法也存在未全面考虑影响备件需求的各种因素，预测值与实际需求值误差较大的缺点。近年来，利用神经网络、BP神经网络方法预测航材需求量取得较好的效果[5-7]。自适应神经模糊系统(ANFIS)是神经网络与模糊推理结合的产物，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，它兼顾神经网络的非线性、自适应性和模糊推理系统处理复杂系统的优势，适用于多变量非线性航材需求预测[8,9]。ANFIS应用广泛，例如系统控制、预测中，均获得较好效果[10]。

本文分析了影响航材需求的重要因素，利用ANFIS建立航材需求预测模型，取得了较好的预测效果。积累的历史数据得到充分的应用，随着数据的增多，在后续的工作中，可修正训练样本，提高预测的准确性。

1航材需求影响因素分析

航材的需求牵涉的因素众多，根据某单位航材保障的经验，选取主要的影响因素如下：

1) 执行大项任务情况x1。部队的飞行训练任务情况会影响航材的消耗，大项任务集中时，往往会伴随一些高难度科目，飞行的起落多、飞行时间长，航材的消耗量大，因此对航材的需求量也就越多。

2) 人员素质x2，包括机务人员和飞行员。机务人员维修水平高，对可修故障件的修复能力强，相应地减少航材需求量；飞行员的技术对航材的需求也有明显的影响，人员素质统一用百分比衡量，数值越大，表示维修水平越高，取飞行员和机务人员素质的加权平均值。

3) 航材可靠性水平x3。航材的可靠性水平用平均无故障间隔时间(MTBF)表征，航材的可靠性高，MTBF就越大，说明航材故障率越小，对航材的需求量就小。

4) 送修因素x4。与送修次数和平均送修周转时间有关，送修次数越多、平均送修时间越长，对航材的需求也就越多，送修因素值取送修次数和平均送修周转周期的乘积。

5) 保障水平指数x5。表示航保障要达到的水平，在军用飞机保障中，经济因素不是特别重要的因素，但是确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%之间，保障水平低，将会影响飞机的维修保障；保障水平太高，需要大量备件，经济可承受性不好。

6) 环境应力因素x6[1]。环境因素对航材的使用的存储有较大的影响。部队每年执行大项任务时，地点不固定，随着温度、湿度的变化对航材的消耗有相应地的影响，航材的自然损耗量也合并计算到这一因素中。将环境分为1～7个等级，数值越大表明环境越恶劣，对航材的需求也越大。

设航材需求量为y，那么航材需求预测模型是6输入1输出的推理模型，即：y=f(x1,x2,…,x6)。

2基于ANFIS的航材需求预测模型

影响因素与航材的需求量之间，难以用确切的公式描述，目前也没有确切的数学模型。因此，利用ANFIS建立模型评估各影响因素与航材需求量之间的关系。

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]。该模型可以用精确输入和输出数据进行模糊规则推理。在一阶Sugeno系统中有：R: ifx1isAi1,x2isAi2,…,xnisAin，则yi=ci0+ci1x1+ci2x2+…+cinxn，其中，xi(i=1,2,…n)为输入变量，Aik(i=1,2,…,n)为输入模糊语言值，cik(i,k=0,1,2,…,n)为结论参数，yi是第i条规则的输出。给定输入x={x1,x2,…,xn}，则输出y可由yi的加权平均值求得：

其中x0=1，wi是第i条if-then规则的权值。

其中i=1,2,…,n，μAikxk为模糊集Aik中k元素的隶属度。

2.2航材需求量预测ANFIS结构

航材需求量预测ANFIS结构如图1所示，在这个系统中，有6个输入1个输出的。该系统有5层，连线表示信号方向，连线无权值。方形节点表示参数可调，圆形节点表示参数不可调。x是输入，y是输出，A～F、表示隶属度函数，∏表示连乘，N表示正规化，∑表示线性叠加。

图1　航材需求量预测的 ANFIS结构

第1层：变量模糊化。输入变量，将输入的变量模糊化，并输出对应模糊集的隶属度，在本系统中，有6个输入变量，该层的每个结点i是一个有结点函数的自适应结点。

第2层：计算各规则激励强度。将输入信号相乘，规则节点将执行模糊AND操作[11]。输出为

O2,i=ωi=μAi(x1)μBi(x2)…μFi(x6)

其中i=1,2。

第3层：归一化激励强度，用N表示。第i个节点计算第i条规则的激励强度与全部规则ω之比。

O3,i=βi=αi/(α1+α2+…+α6)

第4层：自适应节点层。每个节点有对应的节点函数自适应节点，它向下一级输出为

O4,i=β(pi1x1+pi2x2+…+pi6x6+ci)

其中，p、c为常数。

第5层：计算ANFIS的最终输出，是加权和。

2.3混合学习算法及在Matlab中的实现

单一优化学习算法收敛速度慢，ANFIS采用的是混合学习算法，它将最小二乘法和梯度下降法相结合，可以降低梯度法中搜索空间的维数，进而提高收敛速度，有利于快速确定未知参数。在ANFIS的单次样本训练中，混合学习算法存在前向传递和反向传递两个过程。

在MATLABR2013a软件中，提供了Sugeno模型ANFIS计算方法，具体步骤如下[12-14]：产生训练数据和校验数据；确定输入变量的隶属度函数类型和个数；由genfis1函数在使用训练数据的基础上产生初始FIS结构；确定ANFIS训练的相关参数；利用anfis函数训练ANFIS；检验得到的FIS结构，若满足精度要求，则此FIS结构就是要得到的系统结构。

2.4航材需求量预测建模

航材需求量预测建模流程图如图2所示。建模时，充分考虑选取的6个影响因素，选择输入的样本、数据要确保统计准确无误，这样得出的预测模型才更准确。参数初始化后，利用ANFIS建立预测模型。

图2　航材需求量预测模型建模流程

3实例分析

3.1实验数据

选取某基地保障的某型飞机所需一种航材的统计数据，近20个月的数据如表1所示。在表1中，人员素质做了归一化处理，送修因素的量纲为小时。

表1　训练数据和预测结果表

3.2模型求解

采用MatlabR2013a软件计算，参数设置如下：学习速率为0.15，动量常数设为0.95。ANFIS训练的初始步长设为0.01，步长增量比、减量比分别为1.0和0.9。先用历史数据训练，然后用得到的航材预测模型检验，得到的预测值如表1所示。实际值与预测值对比图如图3所示。

图3　训练数据与预测值对比

3.3分析与讨论

为了验证ANFIS模型的精度，选取5组数据，与采用BP神经网络和线性回归方法得到的数据对比，结果如表2所示，误差如图4所示，单位是百分比。从表2中可以得出，ANFIS的预测效果要好于BP神经网络和多元线性回归方法，这也证明了用ANFIS预测航材消耗量的有效性。

表2　预测结果对比

图4　3种算法误差对比

4结论

本研究针对航材需求量预测，采用ANFIS方法建立航材消耗量预测模型，应用MATLAB软件求解。通过与BP神经网络方法和多元线性回归方法的对比，证明ANFIS在航材消耗量预测中有较好的效果。该方法考虑多种影响因素，为航材的消耗量预测提供了一种新思路。下一步要细化数据采集，并对得到的模型不断修正，以有利于消耗量预测。

参考文献：

[1]李连，孙聪，苏涛.改进BP网络在航材需求预测中的应用[J].计算机与现代化,2012,(8):179-182,186.

[2]付兴方，张瑞昌.考虑航材可靠性能的消耗预测模型[J].军事运筹与系统工程,2012,26(3):77-80.

[3]吴清亮，董辉，张政.基于神经网络对航材备件需求率的预测分析[J].兵工自动化,2009,28(1):54-55,64.

[4]翟胜路，张作刚，李元垒.战时航材需求预测[J].四川兵工学报,2011,32(10):10-13.

[5]郭峰，刘臣宇，李卫灵.基于指数平滑法的航材消耗定额预测研究[J].计算机与现代化,2012(9):163-165.

[6]魏崇辉，金福禄，何亚群.基于粗糙集和神经网络的空军航材消耗预测方法[J].东南大学学报：自然科学版,2004,34(9):68-70.

[7]刘飞，孔媛媛，王海军.一种基于粗糙集与BP神经网络集成的新方法[J].连云港职业技术学院学报,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]贺桂成，丁德馨，刘永.衡山石膏矿老采空区地表沉陷的ANFIS预测[J].采矿与安全工程学报,2012,29(6):876-881.

[11]张小娟.自适应神经模糊推理系统(ANFIS)及其仿真[J].电子设计工程,2013,20(5):11-13.

[12]马细霞，郭慧芳，陈鑫.基于ANFIS的水质评价模型及其应用[J].水资源保护,2007,23(6):12-14,69.

[13]张志红，韩直，肖盛燮.基于ANFIS交通流实时预测及在MATLAB中的实现[J].重庆交通学院学报，2007,26(3):112-115.

[14]龚纯，王正林.MATLAB语言常用算法程序集[M].第二版.北京：电子工业出版社，2013.

[15]郭峰，温德宏，刘军，等.绝对寿控航材需求预测[J].兵工自动化，2013(9):32-36.

(责任编辑周江川)