基于BP神经网络的装备维修训练质量评价方法

基于bp神经网络的装备维修训练质量评价方法
技术领域
1.本发明涉及装备维修训练质量评价技术领域，尤其涉及基于bp神经网络的装备维修训练质量评价方法。


背景技术：

2.进入20世纪80年代，随着计算机技术的发展应用，虚拟现实技术得到了极大的发展，并开始在维修训练方面应用。应用向来是各种高新技术最早和重要的应用领域，事实上，虚拟现实技术的发展也是源于应用的需要。从20世纪80年代起，发达国家都十分重视虚拟维修训练系统建设。欧盟为推动信息技术的发展，开展了esprit计划，它是“欧洲信息技术研究和开发战略计划”的简称。该计划从1983年启动，到1998年结束，15年处于欧洲信息技术研究与开发的前列，共实施了1000多个研究开发项目和900多项辅助行动，产生了巨大的成效和影响。其中一些项目涉及了仿真技术在维修训练方面的应用。目前，虚拟维修训练广泛应用于原子能设备、航空航天设备、高压电力设备以及坦克、军用车辆等的装备维修训练中。
3.美军80％以上的主战装备均不同程度地采用了虚拟维修训练。美军研制了坦克、军用车辆维修保养训练系统。各种类型的故障诊断和维修训练专家系统已用于美国f
‑
16战斗机、b
‑
2b轰炸机、海军舰艇、陆军军械装备等在役装备的故障诊断和维修训练中。在有害环境中的设备维修训练上，虚拟维修保养训练系统更显其优越性，如英国皇家海军在舰载核能推进系统维修项目研究中应用了虚拟维修训练技术。据不完全统计，采用虚拟维修训练后，训练经费可以节省40％以上，时间节省30％左右，与现有的维修训练技术手段相比，费效优势明显。虚拟维修训练已经成为一个非常有潜力和应用前景的技术领域。
4.在国内，这方面的应用尚处于起步阶段，虚拟维修训练系统具有巨大的开发价值和发展潜力。综合考虑各方面因素，结合维修训练的实际情况，开发非沉浸式、低成本、能进行维修过程演示与交互的桌面式虚拟维修训练系统很有现实意义，可将系统应用于维修训练和维修水平的考核，进行维修保障资源的合理分配、维修效能的评估以及用于对指挥员进行组织指挥能力的考核和评估。
5.装备维修训练质量评价检查装备维修训练的情况，衡量装备维修训练的效果，不断提高训练质量的重要手段和有效措施，但是现有的装备维修训练质量评价方法受到人为因素的影响较大，具有不稳定性和不可预测性，计算过程相对复杂。


技术实现要素：

6.针对上述存在的问题，本发明旨在提供一种基于bp神经网络的装备维修训练质量评价方法，可以减少人为因素的影响，使评价结果更加客观准确，评价模型简洁，运算速度快，容错能力强。
7.为了实现上述目的，本发明所采用的技术方案如下：
8.基于bp神经网络的装备维修训练质量评价方法，其特征在于，包括以下步骤；
9.s1：构建装备维修训练评价指标体系；
10.s2：根据步骤s1中的维修训练评价指标建立bp神经网络模型；
11.s3：对步骤s2中的bp神经网络模型进行训练，得到新的神经网络模型，并根据新数据进行评价。
12.进一步的，步骤s1中所述维修训练评价指标包括6个一级指标和21个二级指标。
13.进一步的，6个所述一级指标包括维修训练过程控制、人力资源、受训人员素质、维修训练资源、维修训练信息资源和维修训练管理效能。
14.进一步的，步骤s2的具体操作包括，
15.s21：确定输入、输出神经元的个数；
16.s22：确定传递函数；
17.s23：确定隐含层的层数；
18.s24：确定隐含层神经元的个数。
19.进一步的，步骤s21中输入层的神经元个数为21个，输出层的神经元个数为1个。
20.进一步的，步骤s22中输入层与隐含层之间的传递函数为正切函数，隐含层与输出层之间的传递函数为线性函数。
21.进一步的，步骤s23中所述的隐含层个数为1。
22.进一步的，步骤s24中所述隐含层神经元的个数为7。
23.进一步的，步骤s3中对bp神经网络模型进行训练得到新的神经网络模型，并根据新数据进行评价的具体操作包括，
24.s31：将收集到的样本随机分为两部分，一部分用来训练bp神经网络模型，称为训练数据；另一部分用来对训练完的bp神经网络模型进行测试，称为测试数据；训练数据和测试数据都包括输入和输出两部分；
25.s32：使用训练数据的输入数据和输出数据对s2建立的神经网络模型进行训练；
26.s33：将测试数据的输入数据作为已完成训练的神经网络模型的输入，得到输出值，输出值即为装备维修训练质量评估的综合评价值；
27.s34：将测试数据的输出部分和步骤s33中得到的综合评价值，通过性能函数进行对比，验证模型的准确性。
28.10、根据权利要求9所述的基于bp神经网络的装备维修训练质量评价方法，其特征在于，步骤s31中训练bp神经网络模型以及对训练完的bp神经网络模型进行测试的具体操作包括：
29.s311：收集前期已完成评估且评估结果符合客观情况的数据；
30.s312：将收集的数据随机分为两类：训练bp神经网络模型的训练数据、用于测试训练后的bp神经网络模型的测试数据。
31.本发明的有益效果是：
32.1、本发明中基于bp神经网络的装备维修训练质量评价方法最终评价出来的结论客观性更强。装备维修训练质量影响因素众多，各因素之间相互影响，采用主观评价方法受人为影响因素较大，将收集的数据构建bp神经网络评价模型，能够客观对装备维修训练质量进行评价，避免人为因素干扰，评价结果更客观。
33.2、本发明中用于评价装备维修训练质量的bp神经网络模型非常简洁，bp神经网络
模型构建后，将测得的新数据输入到模型中即可得出结果，大大简化了评价过程。
34.3、本发明中基于bp神经网络的装备维修训练质量评价方法结果精度可以不断提高，模型评价结果为具体数值或矩阵，通过设定评价值的精度，能够满足不同要求。
35.4、本发明中基于bp神经网络的装备维修训练质量评价方法运算速度快、容错能力强。
附图说明
36.图1为本发明实施例一中a＝2，m＝6时的具体训练过程图；
37.图2为本发明实施例一中a＝3，m＝7时的具体训练过程图；
38.图3为本发明实施例一中a＝4，m＝8时的具体训练过程图；
39.图4为本发明实施例一中6组测试数据对训练完成的bp神经网络模型进行测试的验证数据输出结果图。
具体实施方式
40.为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
41.基于bp神经网络的装备维修训练质量评价方法，包括以下步骤，
42.s1：构建装备维修训练评价指标体系；
43.具体的，对装备维修训练质量进行评价最核心、最本质的工作是建立科学的评价指标体系。在评价过程中，指标体系反映评价目的，评价过程和结果按指标体系运行和处理，是否合理将直接决定评价工作的成败。评价指标之间即相互联系，又彼此独立，代表维修训练质量的某一方面。装备维修训练的评价指标比较复杂，在建立评价指标体系的过程中，不可能涉及训练的全部，但同时必须包括所有重要的评价指标。在建立评价指标体系的过程中，应遵循以下基本原则：
44.1)、一致性原则。装备维修训练质量的评价指标必须与装备训练大纲相一致，与现行的装备维修训练模式相适应，体现培育高素质技能人才的方针，应体现当前装备维修训练的趋势，适应训练改革，提高维修训练的效果。
45.2)、独立性原则。各评价指标之间应相互独立，每个评价指标都有自身特定的意义，指标之间不能相互替换或包容。
46.3)、全面性原则。评价指标应全面、综合反映装备维修训练的目的，即要包含所有影响训练质量的的因素，但必须层次分明、条例清晰，避免指标体系过于复杂，为组织训练提供全面的信息。
47.4)、可测性原则。评价过程中要突出评价的可测性，忽略这一原则，任何评价工作将失去意义，因此，在确定评价指标的过程中，要保证指标能够评价、便于评价。
48.5)、科学性原则。在评价过程中，评价指标体系必须符合装备维修训练的实际情况、水平及规律，是对维修训练所固有的特征及规律的客观描述，保证量化方法切实可行。
49.s2：根据步骤s1中的维修训练评价指标建立bp神经网络模型；
50.具体的，bp神经网络模型包括输入层、隐含层和输出层，建立bp神经网络模型的具体操作包括：
51.s21：确定输入、输出神经元的个数；
52.s22：确定传递函数；
53.具体的，传递函数又称激活函数，在bp神经网络模型中，传递函数必须是连续可微的，通常采用的传递函数有线性函数和s型曲线函数，s型曲线函数包括对数函数和正切函数。
54.线性函数表示为：y＝x；
55.对数函数表示为：
56.正切函数表示为：
57.s23：确定隐含层的层数为1；
58.s24：确定隐含层神经元的个数。
59.具体的，隐含层神经元数目越多，相对训练学习的时间越长，误差也随之加大，相反，神经元数目越少，则会降低收敛速度，可能在规定的训练次数内仍没有达到误差范围，达不到预期的目的。因此，可先通过经验公式大致确定隐含层神经元数目的范围，再根据不同的隐含层神经元数目计算得出不同的训练次数和误差值，确定最优的隐含层神经元数目。
60.s3：对步骤s2中的bp神经网络模型进行训练，并根据新数据进行评价。
61.具体的，bp神经网络模型确定之后，要训练网络模型并根据新数据进行评价。其中，网络的泛化能力是评定网络模型性能好坏的最主要指标，即将收集到的样本随机分为两部分，第一部分用来训练网络模型，第二部分作为测试集用来验证模型的性能，并将测试结果作为装备维修训练质量的评价结果。
62.进一步的，训练bp神经网络模型以及对训练完的bp神经网络模型进行测试。设置训练目标值为10
‑5，将收集的样本随机分为两部分，第一部分用来训练网络模型，第二部分用来验证网络模型。
63.实施例一：
64.基于bp神经网络的装备维修训练质量评价方法，包括以下步骤，
65.s1：构建装备维修训练评价指标体系；
66.具体的，将影响装备维修训练质量的主要因素归纳为：维修训练过程控制、人力资源、受训人员素质、维修训练资源、维修训练信息资源、维修训练管理效能等六个主要因素。结合评价指标的建立原则及对维修训练质量影响的主要因素，建立6个一级评价指标和21个二级评价指标，构建的装备维修训练质量评价指标体系结构如表1所示。
67.表1装备维修训练质量评价指标体系结构
[0068][0069]
综合评价的6个一级指标和21个二级指标的内涵具体为：
[0070]
(1)维修训练过程控制。维修训练控制主要包括对训练时间、经费使用、资源分配的控制。训练时间控制主要是确定训练时间长度及周期，优化训练计划、提高训练效率；经费使用控制主要是对维修训练费用、购置训练设备费用、研发训练产品费用等进行合理的控制，防止资金浪费；资源分配控制是运用相关理论、技术对训练资源进行合理分配，确保最大限度开发利用训练资源。
[0071]
(2)人力资源。维修训练人力资源主要包括施训人员编配率、施训人员称职率、管理人员编配率、管理人员称职率。施训人员编配率是指施训人员的实际数量与完成训练任务所需人员数量的配套程度；施训人员称职率是指施训人员能够对完成训练任务所需知识的掌握程度达到实际需求的程度；管理人员编配率是指维修训练管理人员达到训练所需管理人员的程度；管理人员称职率是管理人员管理水平达到训练所需管理水平的程度。
[0072]
(3)受训人员素质。维修训练中受训人员素质主要包括基本素养、思维观察能力、创新实践能力。受训人员的基本素养是指受训人员的意志品质、掌握知识的程度等，旨在确定受训人员是否能够顺利完成训练任务并根据具体情况及时调整训练计划；思维观察能力是指受训人员在训练过程中勤于思考、善于发现，对所发现的问题及时加以改正；创新实践能力是指受训人员能够合理运用所学知识解决实际问题的能力，是影响训练效果的一个重要因素。
[0073]
(4)维修训练资源。维修训练资源主要包括训练器材的管理制度、器材种类配套率、器材数量配套率等。训练器材管理制度是保证训练资源能够有效利用的前提条件，是完成训练任务的制度保障；器材数量配套率是指；器材种类(数量)配套率是指维修训练过程中所需器材的适应程度和供给能力。
[0074]
(5)维修训练信息资源。装备维修训练的信息资源主要包括教材质量、教材种类配
套率、教材数量配置率、计算机软硬件配置率。教材质量的好坏直接决定维修训练效果，选取的训练教材必须具有针对性和实用性；训练教材种类(数量)的配套率、配置率是现有训练教材种类(数量)与训练所需的训练教材种类(数量)的比值；计算机软硬件适用率是指训练过程中所有计算机软硬件的利用程度；计算机软硬件配置率是指现有的计算机软硬件与训练所需数量之比。
[0075]
(6)维修训练管理效能。装备维修训练管理效能主要包括训练方法、人员参训率、器材完好率等。装备的维修训练方法是影响训练效果的重要因素，是保证能够顺利完成训练任务的重要前提；人员参训率是指受训人员参加训练的出勤情况，保持较高的人员出勤率才能保证总体的培训效果；器材完好率是指在训练过程中能够用于训练的器材与配置的训练器材总数之比，人员通过器材进行训练，必须保证足够数量的训练器材才能保证维修训练的正常实施。
[0076]
s2：根据步骤s1中的维修训练评价指标建立bp神经网络模型；
[0077]
具体的，采用matlab程序建立bp神经网络模型。建立bp神经网络模型需要确定的主要内容有：输入层神经元数，隐含层神经元数、输出层神经元数、输入层到隐含层的传递函数、隐含层到输出层的传递函数、bp神经网络的训练函数、bp学习算法、网络的性能函数等。
[0078]
在matlab程序中函数采用traingdx，即函数算法为梯度下降动量法，学习速率采用自适应方式。性能函数选为mse，即均方误差。进一步的，
[0079]
s21：确定输入、输出神经元的个数；
[0080]
具体的，选取装备维修训练质量评价指标的21个二级指标作为输入层的神经元，共有21个输入神节点，即输入神经元的个数为21；装备维修训练质量评价结果作为最终输出，输出只有一个，因此，输出层选单输出节点，即输出神经元的个数为1。
[0081]
s22：确定传递函数；
[0082]
具体的，在本实施例中，根据需要输入层与隐含层之间的传递函数为正切函数隐含层与输出层之间的传递函数为线性函数y＝x。
[0083]
s23：确定隐含层的层数；
[0084]
具体的，本实施例中，隐含层的层数为1。
[0085]
s24：确定隐含层神经元的个数。
[0086]
具体的，
[0087]
在本实施例中，设置训练目标值为10
‑5，n＝21，l＝1。
[0088]
当a＝2，则m＝6；具体的训练过程如附图1所示。
[0089]
当a＝3，则m＝7；具体的训练过程如附图2所示。
[0090]
当a＝4，则m＝8；具体的训练过程如附图3所示。
[0091]
在附图1
‑
3中，横坐标均代表训练次数，纵坐标均代表均方差，即性能函数。附图1
‑
3示出了三种不同情况下神经网络达到要求的精度时(即小于10
‑5)需要训练的次数。从附图1、2、3中可以看出，当训练次数为7时，所需训练次数最少，网络误差收敛速度最快，因此，确定本发明中bp神经网络模型隐含层神经元数目为7。
[0092]
s3：对步骤s2中的bp神经网络模型进行训练，并根据新数据进行评价。
[0093]
具体的，利用收集的前10组数据及各自对应的综合评价值来训练网络模型，并通过剩余的6组数据及各自对应的综合评价值对网络进行测试。收集的16组数据如下表2所示。
[0094]
表2评估指标评分值
[0095][0096][0097]
bp神经网络评估模型matlab源程序代码如下：
[0098]
bp神经网络评估模型matlab源程序代码
[0099]
clear；
[0100]
clc；
[0101]
disp(
‘
请在弹出的文件data_ann.xls中，选择训练集的输入数据’)；
[0102]
p＝xlsread('data_ann.xls',
‑
1)；
[0103]
disp(
‘
请在弹出的文件data_ann.xls中，选择训练集的目标数据’)；
[0104]
t＝xlsread('data_ann.xls',
‑
1)；
[0105]
disp(
‘
请在弹出的文件data_ann.xls中，选择测试集的输入数据’)；
[0106]
ptest＝xlsread('data_ann.xls',
‑
1)；
[0107]
disp(
‘
请在弹出的文件data_ann.xls中，选择测试集的目标数据’)；
[0108]
ttest＝xlsread('data_ann.xls',
‑
1)；
[0109]
[q,r]＝size(p)；
[0110]
h＝7；
[0111]
net＝newff(minmax(p'),[h,1],{'tansig','purelin'},'traingdx')；
[0112]
net.iw{1,1}＝0.1*rand(h,r)；
[0113]
inputweights＝net.iw{1,1}；
[0114]
net.b{1}＝0.1*rand(h,1)；
[0115]
inputbias＝net.b{1}；
[0116]
net.lw{2,1}＝0.1*rand(1,h)；
[0117]
layerweights＝net.lw{2,1}；
[0118]
net.b{2}＝0.1*rand(1)；
[0119]
layerbias＝net.b{2}；
[0120]
net.trainparam.show＝35；％显示间隔
[0121]
net.trainparam.lr＝0.5；％学习速率
[0122]
net.trainparam.mc＝0.25；动量项
[0123]
net.trainparam.epochs＝20000；％训练次数
[0124]
net.trainparam.goal＝1e
‑
5；％目标值
[0125]
[net,tr]＝train(net,p',t')；
[0126]
output＝sim(net,ptest')；
[0127]
figure(1)；
[0128]
plot(output,'ok')；
[0129]
holdon；
[0130]
x＝linspace(1,6)；
[0131]
y1＝0.75；
[0132]
y2＝0.90；
[0133]
plot(x,y1,'
‑
k',x,y2,'
‑
k')；
[0134]
xlabel(
‘
样本编号’)；
[0135]
ylabel(
‘
综合评价值’)；
[0136]
title(
‘
计算结果示意’)；
[0137]
output
[0138]
进一步的，利用本发明中建立的神经网络输出的测试结果如附图4所示，具体的结
果值为：0.864,0.882,0.839,0.756,0.902,0.832。
[0139]
进一步的，将测试数据的输出部分和附图4中得到的综合评价值，通过性能函数进行对比，验证模型的准确性，结果如表3所示。
[0140]
表3 bp神经网络的装备维修训练质量测试值与模糊综合评价值对照表
[0141][0142]
从表3中可以看出，本发明中的bp神经网络测试结果与模糊综合评估结果最大相对误差为0.67％，结果比较接近，说明本发明中建立的bp神经网络模型能够用于装备维修训练质量评价，且评价效果优于模糊综合评价。
[0143]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。