基于BP神经网络的设备维修人员训练数量预测方法研究∗

李锋 田霞 宋文渊

（1.军械工程学院科研部石家庄050003）（2.军械工程学院设备指挥与管理系石家庄050003）

基于BP神经网络的设备维修人员训练数量预测方法研究∗

李锋1，2田霞2宋文渊2

（1.军械工程学院科研部石家庄050003）（2.军械工程学院设备指挥与管理系石家庄050003）

当前对于设备精确化保障的要求越来越高，如何科学准确地预测维修人员训练数量，是开展后续培训工作的重要基础。针对这一迫切需要，首先分析了影响设备维修人员训练数量的主要因素，然后探讨了BP神经网络在训练人员数量预测方面的适用性和基本原理，在此基础上利用BP神经网络构建了设备维修人员数量预测模型，并结合实例进行了验证应用，从而为制订维修人员训练计划提供方法支撑和参考依据。

维修人员训练；BP神经网络；预测方法

Class NumberTP391

1 引言

随着对设备维修训练的重视程度越来越高，与之相关的理论与方法研究也越来越多。目前许多学者从设备维修训练需求的分析、训练内容的设计、训练工作的组织、训练效果的评估等［1～4］方面进行了定性的探讨，这些研究在维修训练系统的构建过程中发挥了重要的指导作用，并取得了明显的效果。然而在维修训练的实施过程中，通常会出现送训人员数量与实际需求偏差较大的情况，极易造成有限人力物力资源的浪费。

当前对于设备精确化保障的要求越来越高，迫切需要解决上述问题，那就是给定明确的维修训练任务后，如何准确地预测受训人员的数量需要，从而为后续培训工作的实施把好入口打好基础。因此亟待在已有研究的基础上，开展设备维修人员训练数量确定方法研究。

本文针对设备维修人员训练数量科学化准确化预测的迫切需要，首先分析影响设备维修人员训练数量的主要因素，然后探讨BP神经网络在训练人员数量预测方面的适用性，并在此基础上利用BP神经网络构建设备维修人员训练数量预测模型，从而为制订维修人员训练计划提供方法支撑和参考依据。

2 设备维修人员训练数量的影响因素分析

设备维修人员训练的目的是提供足够合格的设备维修人员，因此，要确定受训人员的数量，除了要考虑设备维修任务对人力的需求，还要考虑其他因素的制约［5］。通过分析，其影响因素主要包括如下几个方面：

1）设备维修任务的人员需求

设备维修工作需要考虑待训人员的人力需求、专业类型、技术等级等，在确定维修人员专业类型、技术等级及数量时，其主要依据有维修工作分析结果；平时维修工作及要求；各维修级别中维修人员的编制；专业设置及培训规模等。

2）设备维修训练人员的来源及流动规律

确定维修训练人员的数量过程中要考虑到受训人员数量受设备保障人力现状、人员流动规律等因素的影响。人员流动是指人员的提升、调动、减员以及临时离岗。人员补充数量的变化是人员提升、调动和减员的结果。提升是指人员从一个级别到另一个更高的级别；调动是指人员从一个专业职位到另一个专业职位的调迁，包括调入和调出；减员是指人员退休或离岗；临时离岗包括参加培训、外出学习、临时协助工作等。

3）设备部署与训练的实施与进行

由于设备维修需要一定的周期，因此，受训人员的数量不仅要考虑当下保障人力的短缺，还要根据设备的部署计划，制定相应的训练计划，针对预期的时间节点，提前对维修人员进行规划和培训，以保证在未来某个时间点上能满足设备对维修人力的需求。

4）设备维修训练的模式与方法

按照受训人员的来源与承训机构的关系，设备保障训练的组织形式可分为自训和他训两种。在自训这种形式中，受训人员的数量为本单位所有的设备维修人员数量；而在他训形式中，受训人员只占送训单位设备维修人员的一部分。

5）承训机构培训能力

承训机构的培训能力主要体现为：单次可提供的合格人员数量以及培训出特定专业和技术等级的合格人员所需的时间，受承训机构的资源所限，并不是所有需要训练的人员都能得到训练，往往按照一定的比例，分批次进行。

3 基于BP神经网络的设备维修人员训练数量预测模型

目前训练数量预测和分析的常用方法主要有：维修工作分析法（MTA法）、利用率法、相似设备法、维修单元法等［6］。设备维修人员训练数量的确定是一个非常复杂的非线性系统，对数量的准确预测能为设备保障等提供重要依据。但由于设备维修人员训练数量影响因素众多、相互作用复杂，很难直接找到描述系统发展变化规律的函数，因此上述方法的结果与实际的偏差较大、精度不高，常常难以得到满意的结果。

人工神经网络的出现，提供了解决这类问题的一种有效办法。人工神经网络的基本思想是从仿生学角度对人脑的神经系统进行模拟，使之具有人脑那样感知学习和推理的能力，类似于人脑的生物神经元［7］。人工神经网络具有高度的自学能力，可以任意精度逼近非线性函数，非常适合模拟复杂的非线性系统，并对其进行预测。在预测中，当前应用中较为广泛和成熟的是误差逆向传播网络（Er⁃ror Back Propagation Network），简称为BP神经网络，本文将运用BP神经网络对设备维修训练员的数量进行预测。

3.1 BP神经网络的基本原理

Back Propagation Network，简称为BP网络，即基于误差反向传播算法的多层前馈网络，是目前应用最成功和广泛的人工神经网络。它由输入层、隐含层和输出层组成，隐含层可以是一层或多层。BP神经网络自身具有的非线性映射、自学习、自适应能力、容易实现并行计算等优点，能较好地实现各指标与评价结果之间非线性关系的映射。

神经网络理论已经证明BP网络具有强大的非线性映射能力和泛化功能，任意一个连续函数或映射均可采用三层网络加以实现［8］。以一个三层的BP网络为例，该网络可描述为：输入神经元以i编号，隐含层神经元以j编号，输出层神经元以k编号，采用包含一个隐层的BP神经网络建立预测模型，其结构如图1所示。

图1BP神经网络模型

很多研究人员在网络的算法上做了很多改进工作，希望以此提高网络的预测精度，然而代表性好的样本即便用常规的BP算法仍是可以得到令人满意的结果的［9］。通过实际应用，本文认为样本的代表性较之复杂的算法更为重要，而且如何划分样本的问题也是影响有效学习的重要因素，后面将详细阐述。

3.2 基于BP神经网络的设备维修训练数量预测模型

依照上述分析，本文基于BP神经网络所构建设备维修训练数量预测模型的主要步骤如下所示。

3.2.1 训练样本的选定

神经网络的学习不是简单地记忆已学过的输入，而是通过对有限个训练样本的学习，得到隐含在样本中的有关环境本身的内在规律性。神经网络的性能与训练样本的选取密切相关，样本的复杂性和代表性将严重影响网络训练的结果，训练样本的选取主要受两个因素的影响：其一是训练样本的大小，样本并非越大越好，过大的训练样本不仅影响计算速度，还会导致拟合精度的下降；其二是训练样本的代表性，这一问题受原始资料的约束较大，有的研究对象本身就缺少资料，样本的代表性必然受到影响，对资料较丰富的问题，训练样本以尽量包含大值为优。

3.2.2 输入数据的预处理

数据是建立预测模型的基础，数据选取的好坏直接影响着神经网络的性能，所以对数据进行预处理是很有必要的。

由于在实际应用中训练样本各元素之间的取值范围不可能完全一致，这就给网络的训练带来很大的不便，不仅加大了逼近函数的波动性，使网络训练速度下降，而且容易造成网络训练失败，因此为使网络训练更加有效，本文对神经网络的输入、输出数据进行一定的预处理以加快网络的训练速度。本为采用的是归一化处理，即将输入、输出数据映射到［0，1］范围内，训练结束后再反映射到原数据范围。具体步骤如下：

首先，寻找每一项数据中的最大值和最小值，分别记为MAX、MIN；

然后，将第t组数据的Xt转化为

这样，就可将数据全部映射到［0，1］范围内。

3.2.3 BP神经网络结构设计

在网络结构中，主要涉及到网络层数、隐含层转移函数等关键因素的设计与确定。

1）BP网络层数、神经元数的确定

神经网络理论Kolmogorov定理已经证明，经充分学习的三层BP网络可以逼近任何函数，因此选择三层BP网络。时间序列数据输入层节点数是由样本维数决定的，输入层节点数太多会造成网络学习次数较大或陷入局部最小，输入层节点数太少则会影响预测结果精度。

2）隐含层转移函数的确定

转移函数决定了神经元的连接方式，在神经网络中的作用非常重要。在BP网络中，涉及到的转移函数很多种，如：Sigmoid函数中的logsig函数与tansig函数，线性函数purelin。隐含层神经元函数分别选择tansig函数与logsig函数进行试验对比，选出误差较小的作为最终的隐含层函数。输出层神经元的转移函数则可采用常用的线性激活函数purelin。

3.2.4 BP神经网络的训练

网络建立之后，便可用相关工具对其进行训练与仿真等。本文主要是借助Matlab软件中的神经网络工具箱对其进行训练［10］，在训练时需要设定相关的训练函数、学习函数、训练次数、目标误差、训练停止条件等。经训练合格的网络，即可用于后续设备维修训练数量的预测。

4 设备维修人员训练数量预测算例

为了验证上面所建立BP神经网络的适用性和有效性，这里以某设备电机系统修理工人数为例，探究利用BP经网络对该修理工进行训练数量的预测。

4.1 算例背景

本文对某设备电机系统修理工训练数量建立BP神经网络预测模型。在训练数量影响因素中，选取人力需求、平均技术等级、人员流动、承训机构的培训能力四个指标作为输入向量。其中，平均技术等级以初级修理工0.2分，中级修理工0.4分，高级修理工0.6分，技师0.8分，高级技师1分来计算。人员流动率正数为流入，负数为流出。承训机构的培训能力为承训机构所能容纳的受训人员人数。经统计，得出了近年来各影响因素与电机系统修理工训练人数，如表1～3所示。

4.2 训练样本的归一化处理

根据前文介绍的方法，将上一小节中数据进行预处理，将其全部映射到［0，1］范围内。如2011年影响因素与修理工人数统计表归一化后分别如表4所示。

表12011 年某设备电机系统修理工有关数据表

表22012 年某设备电机系统修理工有关数据表

表32013 年某设备电机系统修理工有关数据表

表42011 年归一化后数据表

4.3 基于BP神经网络的训练与仿真

采用Matlab软件中的神经网络工具箱建立BP网络，对上述数据进行训练与仿真，预测出2011年至2013年修理工的人数，然后其与实际人数进行对比并作出误差分析。2011年～2013年网络训练结果如图2～4所示。

网络训练结束后，将经过归一化后的数据进行仿真模拟，获得网络的输出，然后进行反归一化处理，得到BP网络预测值，最后检查BP网络预测值和实际修理工数之间的误差是否符合要求。表5即为预测结果及误差值。

表5反映了该BP网络较好地逼近了输入矢量，用BP神经网络对现有人力资源状况进行分析拟合，是人力资源需求预测的较理想方法。与传统的人力资源需求预测方法相比，将BP神经网络用于人力资源需求预测，克服了输入矢量和目标矢量非线性、不符合统计规律的问题。BP神经网络模型良好的容错和自学习能力，调用Matlab工具箱函数，使预测过程更易实现，可以更好地对人力资源进行规划，提高人力资源预测精度。

图22011年网络训练图

图32012年网络训练图

图42013年网络训练图

表5 预测结果比对及误差

5 结语

本文针对设备维修人员训练数量科学化准确化预测的迫切需要，首先分析了影响设备维修任用训练数量的主要因素，然后结合BP神经网络在数量预测方面的适用性，构建了设备维修人员训练数量预测模型，并给出了应用算例，验证了本文所提出方法的有效性。在未来研究中，可探索整合多个BP神经网络方法对设备维修人员训练数量进行预测，以期带来整体的训练速度等方面的提高。

［1］康广，宋辉.通用装备保障训练需求分析框架研究［J］.军械工程学院学报，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］张春润等.基于任务+能力的通用装备保障训练内容需求分析模型研究［J］.军事交通学院学报，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］杨超.通用装备保障训练内容设计方法研究［D］.石家庄：军械工程学院硕士学位论文，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.部队通用装备保障训练绩效评估研究［D］.石家庄：军械工程学院硕士学位论文，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］武艳梅.装备保障训练需求分析研究及原型系统开发［D］.石家庄：军械工程学院硕士学位论文，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］武艳梅，贾希胜，宋文渊，等.基于人员素质差距的装备保障训练需求分析过程研究［J］.装甲兵工程学院学报，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，郭丽华.人工神经网络基础［M］.哈尔滨：哈尔滨工程大学出版社，2008. DING Shiqi，GUO Lihua.The Foundation of ANN［M］. Harbin：Harbin Engineering University Press，2008.

［8］夏玫.BP神经网络泛化能力改进研究［D］.太原：太原科技大学硕士学位论文，2009. XIA Mei.Research on Improving Generalization of BP Neural Network［D］.Taiyuan：Taiyuan Technology Univer⁃sity Dissertation for Master Degree，2009.

［9］刘天舒.BP神经网络的改进研究及应用［D］.哈尔滨：东北农业大学硕士学位论文，2011. LIU Tianshu.The Research and Application on BP Neural Network［D］.Harbin：Northeast Agricultural University Dissertation for Master Degree，2011.

［10］董长虹.MATLAB神经网络与应用［M］.北京：国防工业出版社，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

李锋，男，硕士，讲师，研究方向：维修保障训练系统工程。田霞，女，硕士，讲师，研究方向：维修保障训练需求分析。宋文渊，男，博士，副教授，研究方向：维修保障系统分析。