0 引言
舰载消磁系统作为提升舰艇磁隐身性能的最优解[1],如何客观公正地考核其装备适编性、适配性,是否符合舰艇战斗力标准,能否摸清装备性能底数和问题缺陷,则显得尤为重要。为此,我军在新体制装备试验鉴定工作中,增加了装备在役考核这一核心内容。它是指在装备入列服役期间,通过常态跟踪、专项组织等形式,持续性开展的一系列试验鉴定任务。在役考核目的是掌握一线部队装备使用、维修保障、人员编成等情况,进一步验证装备作战效能、作战适用性和体系贡献率。通过全面系统的在役考核,为后续装备的作战运用、改进提升、后续订购、装备维修、退役报废等工作提供重要依据,形成装备全寿命周期有效闭环[2]。
在役考核一经提出,引起众多专家学者的关注和研究,文献[3-5]运用灰色关联度模型、深度置信网络、数据挖掘等方法构建了不同装备系统的在役考核评估模型,文献[6-7]简述了各型装备指标体系的构建方法与内容。
目前美军在装备作战试验与鉴定方面积累了丰富的经验[8-9],但国内关于在役考核的研究起步较晚,且针对装备在役考核的研究多数集中在相互独立的装备型号,比如,文献[10-11]分析了在轨卫星、装甲装备等。到目前为止,国内上述研究还未涉及舰载消磁系统在役考核相关内容。由于不同类型装备的指标特征不同,考核评估侧重点也不同,其他考核评估方法应用于消磁系统在役考核存在局限性。为更好地开展舰载消磁系统在役考核工作,有必要结合舰载消磁系统的特点,研究其在役考核评估方法,因此,本文中提出了一种运用BP-SA混合学习策略训练的评估模型,可以对舰载消磁系统形成客观公正的在役考核评价结果。
1 舰载消磁系统在役考核指标体系
舰载消磁系统包含各类型参数众多,应选择相对独立、避免交叉关系、显著体现装备性能特性的评估指标[12]。结合装备性能指标、部队使用习惯、磁防护对抗策略等内容,并借鉴相关文献[13-15],收集院校、保障机关、使用部队意见建议,从装备作战效能、作战适用性2个方面考虑,将输出层分解为适用性、作战效能、可靠性、维修性以及测试性等5个一级指标,再分解为定性与定量2类二级指标共计15个。对定性指标主要采用专家打分的方式获得,对定量指标主要通过装备日常保障数据、图纸资料等方式采集后分析而得。初步形成如表1所示的舰载消磁系统在役考核指标体系。
表1 舰载消磁系统在役考核指标体系
Table 1 In-service evaluation index system for shipboard degaussing systems
一级指标二级指标指标说明舰 载 消 磁 系 统 在 役 考 核 指 标 体 系作战效能适用性可靠性维修性测试性消磁控制仪信号误差评估和诊断消磁控制仪工作有效性的重要参数消磁电流输出幅值评估和诊断消磁电源模块工作有效性的重要参数消磁电流精度评估和诊断消磁系统工作有效性的重要参数消磁绕组阻值诊断消磁绕组工作状态的重要参数消磁绕组效率评估舰载消磁系统产生既定感应磁场的重要参数辖区维修保障能力舰载消磁系统故障维修保障能力装备操作人员能力舰载消磁系统在编人员操作能力作战任务适编能力执行任务时舰载消磁系统发挥的预计效果平均故障率在规定时间下故障总数与寿命总数之比平均故障间隔时间舰载消磁系统整体使用可靠性参数平均维修间隔时间舰载消磁系统多种维修方式可靠性参数平均维修时间舰载消磁系统修复性维修和预防性维修能力年平均维修费用舰载消磁系统维修经济性故障检测率在规定时间下舰载消磁系统检查与测试能力故障隔离率在规定时间下舰载消磁系统自主隔离故障能力
舰载消磁系统可用消磁控制仪信号误差(定量)、消磁电流输出幅值(定量)、消磁电流精度(定量)、消磁绕组阻值(定量)、消磁绕组效率(定量)等5个评价因素反映其实际的作战效能及运行状态,并且可以直观地体现出舰载消磁系统能否防御磁性水雷以及其他磁性水中武器的攻击。
适用性是指舰艇在役时舰载消磁系统满足部队日常训练、完成任务以及维修保障的程度,主要包括辖区维修保障能力(定性)、装备操作人员能力(定性)、作战任务适编能力(定性)等3个评价因素。
在航行及执行各项任务过程中,舰载消磁系统必须时时处于工作状态,并且现代电子设备复杂程度不断提高,故必须重视其系统可靠性指标,因此选择平均故障率(定量)、平均故障间隔时间(定量)、平均维修间隔时间(定量)作为舰载消磁系统可靠性的评价指标。
舰载消磁系统的维修性是表征其维修的简便、迅速和经济程度的直接体现,是能否按规定程序和方法进行维修,保持或恢复到规定状态的能力的体现。因此选择平均维修时间(定量)、年平均维修费用(定量)、平均应急抢修时间(定量)对舰载消磁系统维修性进行量化。
舰载消磁系统运行前、运行中以及维修后都需要进行功能与状态检查测试,特别是出现异常时更需要进行故障的检测、隔离与定位。因此通过故障检测率(定量)和故障隔离率(定量)来考核舰载消磁系统测试性具有十分重要的意义。
2 基于BP-SA混合学习策略的评价模型
2.1 构造BP神经网络模型
BP神经网络算法(back propagation,BP)实质是将数据样本沿着神经网络输入层到输出层的方向求出各自的输出值,并得到数据样本输出值与样本期望值的误差,再沿着网络正向计算过程的反向传播,将误差信息传递,对网络层级之间的权重进行不断修正,以逼近所期望的输出误差,经过所有数据样本的训练,最终得出理想模型。
将数据样本分为L(l1,l2,…,lt)作为BP神经网络的训练样本集合,O(o1,o2,…,ot)作为训练样本的期望输出集合,t为训练样本个数。
初始化神经网络各项参数,设定输入层指标单元为n个,输出层评价单元为q个,隐含层单元为p个。设定输入层与隐含层连接权值为wij、隐含层各单元阈值为θj,隐含层与输出层连接权值为wj、输出层阈值为
且wij、θj、wj和
的随机值范围为[-2/n,2/n], i=1,2,…,n, j=1,2,…,p。
设选取数据样本集L(l1,l2,…,lt)中某一组作为输入层向量X=(x1,x2,…,xn)T, BP神经网络训练步骤如下。
步骤1 计算隐含层第p个单元的激活值cp。
(1)
选取S型函数作为传递函数。
f(x)=1/(1+e-x)
(2)
步骤2 得出隐含层第p个单元的输出值。
(3)
步骤3 沿着神经网络正向传递可计算输出层第q个单元的实际输出值yq。
(4)
步骤4 用输出层第q个单元的期望输出oq和实际输出yq得到损失函数,并沿着负梯度方向求得输出层第q个单元的校正误差。
σq=(oq-yq)yq(1-yq)
(5)
步骤5 同理可得,计算隐含层第p个单元的校正误差。
ep=bp(1-bp)σqwp
(6)
当校正误差求出后,可利用σq和ep沿着神经网络逆方向逐层调整输出层至隐含层、隐含层至输出层的连接权值和阈值。
步骤6 可计算出下一次隐含层和输出层之间第p个单元新的连接权值与阈值。
wp(t+1)=wp(t)+η(t)σqbp+α[wp(t)-wp(t-1)]
(7)
(8)
η(t)=η0[1-t/(T-M)]
(9)
式(7)—式(9)中:η(t)为步长;α为动量系数;η0为初始步长;t为学习次数;T为总的迭代次数;M为正数。
步骤7 并且可计算出下一次输入层第n个单元和隐含层第p个单元之间新的连接权值与阈值。
wnp(t+1)=wnp(t)+η(t)epxn+α[wnp(t)-wnp(t-1)]
(10)
θp(t+1)=θp(t)+η(t)epxn+α[θp(t)-θp(t-1)]
(11)
步骤8 通过迭代计算,最终各层误差值均在要求范围之内,再选取下一组训练样本进行训练,重复以上步骤直至所有训练样本训练结束。
步骤9 待所有训练样本均学习结束之后,代入测试样本集合进行神经网络学习参数的验证。
2.2 基于BP-SA混合学习策略的模型改进方法
BP神经网络算法在应用中容易陷入由于误差曲面上存在局部极小和平坦区而导致的“陷阱”。模拟退火算法SA(simulated annealing,SA)在搜索过程中基于概率突跳性能够避免局部极小,可使最终解趋于全局最优[16-19]。因此本文中以BP神经网络构建模型框架,并在训练过程中引入模拟退火,形成了BP-SA混合学习策略,这既利用了BP神经网络基于梯度下降来提高“细调”精度,又利用了模拟退火算法的概率突跳性来提高“粗调”搜索性能,从而实现最终的全局收敛。改进方法如下:
步骤1 随机产生的输入层与隐含层之间的初始连接权值ωij(0)、隐含层与输出层之间的连接权值ωj(0),令初温t1=1,步数k=0。
步骤2 用ωij(0)、ωj(0)计算目标函数E,并判断是否小于精度ε,若小于,则终止算法并输出最终结果。
(12)
式(12)中:t为训练样本个数;q为输出层评价因素个数;
表示第i个训练样本的第j个实际输出值;
表示第i个训练样本的第j个期望输出值。
步骤3 由各层级之间的初始权值经过BP神经网络计算可得步数k=k+1的ωij(k+1)、ωj(k+1)。
步骤4 模拟退火原理进行“粗调”搜索,使用SA状态产生函数,产生新的连接权值
且μ∈random(-1,1)。
步骤5 计算
的目标函数E′,并与ωij(k+1)的目标函数E做差得到Δf。
步骤6 以接受概率函数判断是否选择作为新的连接权值,接受概率函数为
(13)
若Δf<0则意味所求E′更靠近精度ε,则接受
若Δf≥0则意味所求E′不如原有E,但为防止陷入局部最优解,判断是否p>random(0,1),若是,则接受
步骤7 利用退温函数tk=αtk-1进行退温,其中α∈(0,1)为退温速率。设定终止温度te=a,当tk<te时终止迭代,输出最终解。否则,返回步骤2。
3 评价步骤与方法
3.1 输入层数据归一化处理
舰载消磁系统在役考核评估需要多个不同量纲的二级指标作为评价模型的输入层,为此,在进行模型训练、验证、测试之前,应将各数据样本转化为无量纲的标准化数据,以便用同一标准衡量各输入层数据。
将所有数据样本表示为集合Xi:Xi={xi1,xi2,…,xin}(i=1,2,…,p),其中xin表示为第i组训练样本的第n个输入层指标,p为样本个数。再将集合Xi进行无量纲化处理,形成规范化样本集合
1) 对于效能型(极大型)输入因素,用式(14)进行归一化处理,有
(14)
2) 对于成本型(极小型)输入因素,用式(15)进行归一化处理,有
(15)
3.2 舰载消磁系统在役考核评估标准
以“优秀、良好、中等,差”4个等级建立舰载消磁系统在役考核评估标准的评语集V={v1,v2,v3,v4},如表2。
表2 舰载消磁系统在役考核评语集
Table 2 Shipboard degaussing system in-service evaluation catalogue
评语集(75,100](50,75](25,50][0,25]vi优秀良好中等差
3.3 评估模型训练
依据前述建立的舰载消磁系统在役考核评估指标体系,以某一辖区内某型主战舰艇舰载消磁系统保障数据为基础,并经过试验鉴定机关、部队使用人员、装备维修保障人员以及相关专业院校专家评审,得到共计70组数据样本。
使用Matlab软件搭建评估模型,将数据样本按照训练集70%、测试集30%的比例分配,先用来训练BP-SA混合学习策略模型,再分析此次模型拟合程度是否达到要求,若未达到,则更改参数重新训练。最后将符合要求的BP-SA混合学习策略模型保存,以待后续舰载消磁系统在役考核评估使用。
4 评估案例分析
建立3层神经网络结构的BP-SA混合学习策略模型,输入层神经元为15个,输出层神经元1个,隐含层神经元5个,数据样本70组,训练算法为非线性最小二乘法,优化算法为模拟退火法。经过混合学习策略模型的训练,神经网络的梯度下降精度已达到约束值,停止学习,并生成评估模型的所有样本拟合预测图、验证性能图、测试集预测结果对比图,如图1—图3所示。
图1 所有样本拟合预测
Fig.1 Full-sample fitting prediction
通过观察图1,所有样本数据点沿着斜45°的直线排列,数据点位均位于拟合线附近,样本真实值与预测值拟合度较高,均方根误差PMSEP为1.809 3;代表真实值与预测值之间相关性的决定系数
为0.989 72,其值越接近1,表示真实值与预测值之间的关系越紧密,相反越接近0,则表示真实值与预测值之间的随机性越大。再对离群值相对较大的几个数据点进行检查,发现未存在样本数据损坏。由上述分析可知,此次生成的评估模型预测误差小、拟合程度高、模型稳定性好,该评估模型可以进行舰载消磁系统在役考核评估。
图2中,横坐标表示评估模型训练轮数,纵坐标表示数据集的均方误差。通过观察,可以看出该评估模型经过训练集第10轮的训练,性能梯度已小于最小目标值。并且评估模型训练阶段未出现过拟合、欠拟合、局部极小等情况。
图2 验证性能
Fig.2 Verifying performance
图3中,测试集的决定系数R2为0.982 15,均方根误差RMSE为2.457,均方根误差MSE为6.036 7,RPD为9.309 3。其中,剩余预测残差RPD(relative percent difference)是一种用于评价模型性能的指标,通过将真实值与预测值的残差与预测误差的标准偏差相除来得到,它通常用于比较真实值与预测值的一致性。通常当RPD大于2时,即可表示该评估模型具有很好的预测与评估能力。
图3 测试集预测结果对比
Fig.3 Comparison of test set predictions
5 结论
装备的在役考核在我军装备建设中发挥着重要作用,国内相关研究也在积极探索当中,可以得出以下结论。
1) 从评估模型分析中可以看出,本文所提出的运用BP-SA混合策略优化的评估方法具有较好的准确性和适用性,能够为舰载消磁系统在役考核的预测与评估给予重要的参考依据。
2) BP-SA混合学习策略能有效避免了传统BP神经网络所存在的不足,在拟合效果、学习时长、误差精度等方面具有独特的优势。
3) 本文针对舰载消磁系统在役考核的评估指标体系、评估方法、评估模型搭建进行了初步研究,但是对于其他舰艇装备的具体考核项目,需要具体问题具体分析,这也是后续的研究方向。
[1] 王志飞.舰船消磁系统综述[J].船电技术,2020,40(9):4-7.WANG Zhifei.Overview on the ship degaussing system[J].Marine Electric,2020,40(9):4-7.
[2] 孟庆均,曹玉坤,张宏江,等.装备在役考核的内涵与工作方法[J].装甲兵工程学院学报,2017,31(5):18-22.MENG Qingjun,GUO Qisheng,CAO Yukun,et al.Evaluation indicators system of equipment assessment in service[J].Journal of Academy of Armored Force Engineering,2017,31(5):18-22.
[3] 赵维涛,尹福平,胡东超.武器装备系统效能评估的非线性模型[J].兵器装备工程学报,2022,43(8):62-67.ZHAO Weitao,YIN Fuping,HU Dongchao.Nonlinear model of effectiveness evaluation for weapon equipment system[J].Journal of Ordnance Equipment Engineering,2022,43(8):62-67.
[4] 赵爱罡,葛春,钟建强,等.智能分布式武器装备系统寿命估计方法研究[J].兵器装备工程学报,2022,43(9):53-59.ZHAO Aigang,GE Chun,ZHONG Jianqiang,et al.Research on life estimation method of intelligent distributed Weapon and equipment system[J].Journal of Ordnance Equipment Engineering,2022,43(9):53-59.
[5] 李赫才,韦国军.基于深度置信网络的装甲装备在役考核评估研究[J].指挥控制与仿真,2021,43(6):66-70.LI Hecai,WEI Guojun.Research on in-service evaluation of armored equipment based on deep confidence network[J].Command Control &Simulation,2021,43(6):66-70.
[6] 孟庆均,郭齐胜,曹玉坤,等.装备在役考核评估指标体系[J].装甲兵工程学院学报,2018,32(1):18-24.MENG Qingjun,GUO Qiheng,CAO Yukun,et al.Evaluation indicators system of equipment assessment in service[J].Journal of Ordnance Equipment Engineering,2018,32(1):18-24.
[7] 薛益新,周玢.武器装备作战试验鉴定指标体系建立方法[J].装备学院学报,2016,27(4):102-107.XUE Yixin,ZHOU Fen.Establishment method of index system for weapons and equipments operational test and evaluation[J].Journal of Ordnance Equipment Engineering,2016,27(4):102-107.
[8] 邢云燕,姜江,杨克巍.美军作战试验与鉴定发展研究[J].国防科技,2020,41(3):80-85.XING Yunyan,JIANG Jiang,YANG Kewei.Research on the operational test and evaluation development of US forces[J].National Defense Technology,2020,41(3):80-85.
[9] 徐松林,王海哲.美军武器装备作战试验与鉴定管理体系[J].国防科技,2015,36(4):42-47.XU Songlin,WANG Haizhe.The US weapon and equipment operational test and evaluation management system[J].National Defense Technology,2015,36(4):42-47.
[10] 朱闽,杨清文.主战装备在役考核指标体系的构建及评价[J].指挥控制与仿真,2020,42(5):55-59.ZHU Min,YANG Qingwen.Construction and evaluation of main battle equipment in-service assessment indicators system[J].Command Control &Simulation,2020,42(5):55-59.
[11] 侯炜,韦国军,齐分岭,等.在轨卫星平台在役考核标体系构建[J].舰船电子工程,2022,42(12):113-117,129.HOU Wei,WEI Guojun,QI Fenling,et al.Construction of in-service evaluation standard system for in-orbit satellite platform[J].Ship Electronic Engineering,2022,42(12):113-117,129.
[12] 王保青,张磊,李军.舰船装备保障性分析技术研究[J].船舶,2020,31(6):113-124.WANG Baoqing,ZHANG Lei,LI Jun.Supportability analysis technology of ship equipment[J].Ship &Boat,2020,31(6):113-124.
[13] 李士刚,王坤云,袁烨,等.复杂装备系统任务可靠性在役考核评估方法[J].空天防御,2023,6(1):23-28.LI Shigang,WANG Kunyun,YUAN Ye,et al.An in-service mission reliability assessment method of complex equipment system[J].Air &Space Defense,2023,6(1):23-28.
[14] 黄佳典,李彦强,董理.舰船装备可靠性、维修性和保障性指标量化方法研究[J].中国工程科学,2015,17(5):14-19.HUANG Jiadian,LI Yanqiang,DONG Li.Quantitativve methods for warship equipment reliability,maintainability and supportability[J].Strategic Study of CAE,2015,17(5):14-19.
[15] 张旺勋,龚时雨,李康伟.装备系统可靠性维修性保障性仿真策略研究[J].计算机仿真,2011,28(9):14-17.ZHANG Wangxun,GONG Shiyu,LI Kangwei.Study on simulate strategy of equipment system RMS[J].Computer Simulation,2011,28(9):14-17.
[16] ZHANG D,LI W,WU X,et al.Application of simulated annealing genetic algorithm-optimized back propagation (BP) neural network in fault diagnosis[J].International Journal of Modeling,Simulation,and Scientific Computing,2019,10(4):84-95.
[17] XU X L,SHI K W,LI X H,et al.Optimization analysis method of new orthotropic steel deck based on backpropagation neural network-simulated annealing algorithm[J].Advances in Civil Engineering,2021,2021(PT4):1-16.
[18] 周爱武,翟增辉,刘慧婷.基于模拟退火算法改进的BP神经网络算法[J].微电子学与计算机,2016,33(4):144-147.ZHOU Aiwu,ZHAI Zenghui,LIU Huiting.Improved BP neural network based on simulated annealing[J].Microelectronics &Computer,2016,33(4):144-147.
[19] 蒋美云.基于模拟退火算法优化的BP神经网络预测模型[J].软件工程,2018,21(7):36-38.JIANG Meiyun.A predication model of BP neural network based on genetic simulated annealing algorithms[J].Software Engineering,2018,21(7):36-38.