基于粗糙集和神经网络的舰载直升机航材消耗预测研究∗

韩 玉 张作刚 张海军

（1.海军航空工程学院青岛校区 青岛 266041）

（2.海军航空工程学院 烟台 264001）

基于粗糙集和神经网络的舰载直升机航材消耗预测研究∗

韩 玉1张作刚1张海军2

（1.海军航空工程学院青岛校区 青岛 266041）

（2.海军航空工程学院 烟台 264001）

针对舰载直升机航材消耗影响因素的非定量性以及冗余性等问题，以舰载直升机操作平台某机械类易耗件的消耗预测为例，分析了影响其消耗的因素，利用粗糙集的理论知识约简方法去除冗余，选择出主要影响航材消耗的因素，利用神经网络建立了航材消耗的预测模型。最后比较了该模型的预测效果和直接神经网络预测的效果，显示了模型的实用性和有效性，为航材的消耗预测提供了一种有效的决策方法。

神经网络；粗糙集；预测；航材

ClassNum ber E239.3

1 引言

舰载直升机的使用环境是“高温、高湿、高盐雾”的海上环境和“振动、电磁”的舰船环境，面临着飞行环境复杂，海上作业难度大，海上舰面保障能力弱等问题［1］以及在海上驻舰持续时间长、飞行强度大的实际情况，使得舰载直升机航材的品种和数量大大增加［2］。航材消耗的因素涉及航材的质量状况，飞机的飞行时间，飞行成员的技术水平，自然条件的影响等，多样化的因素通过有限的一些指标很难表述，对航材的消耗量更无法精确计算，由此看出航材阶段性消耗具有明显的随机性，积累数据较少的情况，很难通过传统的预测方法进行消耗预测［3］。因此要对舰载直升机航材运用适当的预测方法，进行合理的预测，掌握航材的消耗规律，为制定航材的携行计划提供依据，提高航材保障的工作效益，有效解决航材保障任务较重和舰船上航材储备空间较小之间的矛盾，实现舰载直升机携行航材的高效、精确保障。

本文以舰载直升机操作平台某机械类易耗件的消耗预测为例，基于粗糙集的理论基础，首先将影响其消耗的相关因素用粗糙集方法进行预处理，简化影响因素，排除冗余，找出影响部件消耗的主要因素，其中通过模糊数学的方法对定性的因素作定量的处理；然后用主要的影响因素对其消耗进行神经网络预测；最后将预测结果与不考虑影响因素的神经网络预测结果进行比较。

2 影响部件消耗的因素

航材的消耗与诸多因素有关，而每一种因素对器材消耗的影响程度也各不相同。以舰载直升机操作平台某机械类易耗件为分析对象，影响此类型航材需求的主要因素包括以下几个方面。飞行训练的任务情况，飞行时间、起落等，飞行的时间越长，起落越多，部件发生损耗的概率也就越大，消耗也就越多；飞行人员的技术素质，飞行人员操作水平越高，部件的损害程度就越小，部件的消耗就会越小；部件的可靠性，水平制造工艺、产品质量等也会对航材的消耗产生重要的影响，航材质量越好，平均故障间隔时间越小，航材的需求量就越小；天气以及气温的影响，恶劣天气执行非常规任务的飞行日越多，部件损耗的概率就越大。

其中飞行员的技术，特别是飞行员的操作技术对部件的消耗影响很大。而飞行员的操作技术不仅与飞行员该机型的飞行时间、飞行等级有关，而且和飞行员的心理素质也有很大关系。由于操作技术不太好确定，在以往的预测模型中大都没有考虑该因素。以舰载直升机飞行员的飞行等级、飞舰载直升机的时间和飞行员心理品质作为考察飞行员的飞行技术参数，对每个飞行员进行相对应的定量评价。本文根据飞行员的飞行等级、飞舰载直升机的时间、飞行员心理素质各量化考评指标，采用模糊数学的方法对飞行员的操作技术分类作量化处理，并进行分类。可划分飞行员的操作技术为优秀、良好、中等、较差四个等级，反映飞行员操作技术的因素为论域S，则

S=｛飞舰载直升机的时间，飞行的等级，心理素质｝

假使S上的W集为：优秀=｛200，特级，0.9｝，良好=｛150，一级，0.8｝，中等=｛100，二级，0.7｝，较差=｛50，三级，0.6｝。

利用模糊数学方法归一化处理之后得：优秀=｛0.4，0.29，0.33｝，良好=｛0.3，0.26，0.27｝，中等=｛0.2，0.24，0.23｝，较差=｛0.1，0.21，0.20｝，假设某飞行员操作技术的W集为B=｛0.32，0.24，0.20｝。

利用模糊数学格贴近度［4］的公式计算可得：B=max｛0.32，0.3，0.24，0.21｝=0.32。所以该飞行员的飞行操作技术属于优秀。利用同样的方法可以计算出一个操作技术不好的飞行员所占比例。

3 基于粗糙集和神经网络的预测

3.1 预测信息表的确定

根据实际情况分析，可以假设飞行时间为T，飞行的起落数为K，恶劣天气的飞行日占全年飞行日的比例为E，故障率为Q，平均故障间隔的时间为M（小时），自然的损耗量为X，执行非常规飞行任务的飞行日占全年飞行日的比例为Y，操作技术不好的飞行员占全部飞行员的比例为W。在这些影响因素中，除了操作不好的飞行员占全部飞行员的比例W需按照上面介绍的方法计算外，其他因素都可以在飞行记录中得到。以部件消耗为例，结合某舰舰载直升机2007～2012年的历史统计资料，其中飞行时间和飞行起落数处理分别为飞行时间、飞行起落数占首先给定计划数的比例，整理得表1。

表1 历史统计资料

3.2 预测信息表的约简［5～6］

影响部件消耗的因素组成属性集合L=｛T，K，E，Q，M，X，Y，W｝，2007～2012年组成集合Z=｛1，2，3，4，5，6｝，对每个属性设定一个阈值，1代表着超过阈值，0代表着没有达到标准。例如对于飞行时间T，阈值设定为115，大于115的为1，否则为0；对于飞行的起落数K，阈值设定为110；对于恶劣天气的飞行日占全年飞行日的比例E，阈值设定为0.25；对于故障率Q，阈值设定为0.50；对于平均故障间隔的时间M，阈值设定为240；对于自然的损耗量X，阈值设定为3；对于执行非常规飞行任务的飞行日占全年飞行日的比例Y，阈值设定为0.25；对于W，阈值设定为0.1，由表1得到信息表2。

由表2可知X的属性值相同，这说明每年的自然损耗数量基本稳定，对预测不会有太大影响，可以把它去掉。属性E和Y，T和Q，W和M的值基本相同，所以只保留一个，假设保留为E，T和W删除Y，Q和M四列，得信息表3。

表2 消耗因素信息表

表3 消耗因素约简信息表

下面对表3中的影响因素进行约简，其中S=｛1，2，3，4，5，6｝，L1=｛T，K，W，E｝，则等价关系T，K，W和E分别有下列等价类：

关系ind（L1）有下列等价类：

S/ind（L1）=｛｛1｝｛2｝｛3｝｛4｝｛5，6｝｝

S/ind（L1-T）=｛｛1｝｛2｝｛3｝｛4｝｛5，6｝｝=S/ind（L1）

S/ind（L1-K）=｛｛1，2｝｛3｝｛4｝｛5，6｝｝≠S/ind（L1）

3.3 甚于神经网络的预测［7～14］

本文采用了3层D的前向神经网，其中输入层有3个神经元，而隐层有4个神经元。输出层有1个神经元。把选定的特征参数K，E和W作为神经网络的输入向量，部件的消耗作为神经网络的输出，用表1的数据训练这个网络，用这个训练好的网络来预测2013～2016年的部件消耗。2007～2016年十年的预测的结果和实际的消耗对比如图1所示，从图1中可以看到预测的结果能够较好地跟踪实际的消耗。

图1 2013～2016年预测结果对比图

同时采用未考虑因素预测的神经网络使用过去3年的消耗作为输入，下一年的消耗作为输出来训练网络。用训练好的网络对2013～2016年消耗预测，其预测结果和因素预测结果比较得到表4，从中可以看到本文介绍的方法确实要比神经网络预测的相对误差要小。

表4 考虑因素预测与神经网络预测结果对比表

4 结语

本文先利用粗糙集的理论消除干扰，确定了影响部件消耗的主要因素，用神经网络找出消耗数量和影响因素之间的非线性关系，通过神经网络预测部件消耗，是航材器材消耗预测的一种尝试，为航材的供应保障提供了一种新的决策方法。

［1］赵睿等.舰载直升机综合保障问题的几点探讨［J］.科技广场，2008：228-231.

［2］徐廷学，芮国胜，郑伟.航空装备综合保障［M］.北京：兵器工业出版社，2004：12-14.

［3］段刚等.基于马尔科夫分析的航材消耗预测［J］.价值工程，2012：218-219.

［4］杨纶标，高英仪.模糊数学原理及应用［M］.广州：华南理工大学出版社，2002：56-60.

［5］Lingras P．Comparison of fuzzy and rough network［J］.Information Science，2008，110（6）：207-215.

［6］高尚.基于Rough集理论的神经网络的武器系统参数费用模型［J］.系统工程理论与实践，2009，23（04）：52-55.

［7］ SankarKPal，SushmitaMitra，PabitraMitra.Rough-fuzzy MLP：Modularevolution，rulegeneration，andevaluation［J］.IEEETransonKnowledgeandDataEngineering， 2003， 15（1）：14-25.

［8］张力明.人工神经网络的模型及其应用［M］.上海：复旦大学出版社，2014：32-47.

［9］LuHJ，RudySetiono，LiuH.Effective datamining using neural networks［J］.IEEE Transon Knowledge and Data Engineering，1996，8（6）：957-961.

［10］BlakeC，KeoghE，MerzJ.UCIrepositoryofmachine learningdatatables［EB/OL］.（2005-12-28）.http：//www.ics.uci.edu/～m learn.

［11］曾黄麟.粗糙集理论及其应用［M］.重庆：重庆大学出版社，1998.

［12］QuinlanJR.Rulequestresearch：Dataminingtools see5andc 5.0［EB/OL］.（2005-12-28）.http：//www.rulequest.com/see5-info.htm l.

［13］ PawlakZ.Roughsetsandintelligentdataanalysis［J］.InformationSciences，2002，147（1）：1-12.

［14］何明，李博，马兆丰，等.粗糙集理论框架下的神经网络建模研究及应用［J］.控制与决策，2005，20（7）：782-785.

Dem and Prediction of Carried Aviation Materials for Ship-borne Helicopters

HAN Yu1ZHANG Zuogang1ZHANG Haijun2
（1.Naval Aeronautical Engineering Institute Qingdao Branch，Qingdao 266041）
（2.Naval Aeronauticaland Astronautical University，Yantai 264001）

In view of the ship-borne helicoptermaterial consumption influence factors of the quantitative and redundancy，as ship-borne helicopter operation platform，a precision instrumentparts consumption forecastas an example，the factors affecting the consumption are analyzed，the theory of rough set knowledge reductionmethod is used to remove redundancy，themain factors affecting the consumption ofmaterial are chosen，material consumption is established based on the neural network predictionmodel.Finally the prediction results of themodeland the effectofneuralnetwork prediction are compared，the practicability and validity of themodelare shown，an effective decision is provided formaterialconsumption forecastmethod.

neuralnetwork，rough sets，to predict，supply chain

E239.3

10.3969/j.issn.1672-9730.2017.09.021

2017年3月7日，

2017年4月25日

韩玉，男，硕士，讲师，研究方向：装备、器材勤务技术。张作刚，男，硕士，教授，研究方向：装备、器材勤务技术。张海军，男，硕士，研究方向：装备、器材勤务技术。