选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

第３２卷第１期２０１０年１月

舰船科学技术

ＳＨＩＰＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹ

Ｖ０１．３２，Ｎｏ．１Ｊａｎ．，２０１０

基于ＢＰ神经网络的贮存可靠性预测

吴进煌，刘海波

（海军装备技术研究所，北京１０２４４２）

摘要：导弹在贮存过程中，可用的故障数据量少，具体的故障时间难以准确确定。为此，引入ＢＰ神经网络

进行导弹贮存可靠性分析，建立了导弹贮存可靠性预测模型。利用某２型导弹在贮存期间的测试故障数据，对贮存可靠度指标进行了定量计算。结果表明，该模型能迅速得出其贮存可靠性随时间的变化规律，对给定贮存条件下的贮存可靠性进行准确的预测。

。

关键词：神经网络；贮存可靠性；预测中图分类号：ＴＪ７６２．３文章编号：

文献标识码：Ａ

ＤＯｌ：１０．３４０４／ｊ．ｉｓｓｎ．１６７２—７６４９．２０１０．０１．０１８

１６７２—７６４９（２０１０）０１—００９９—０３

Ｐｒｅｄｉｃｔｉｏｎｏｆｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙｂａｓｅｄ

ｏｎ

ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

ＷＵＪｉｎ—ｈｕａｎｇ．ＬＩＵＨａｉ—ｂｏ

（ＮａｖａｌＥｑｕｉｐｍｅｎｔＴｅｃｈｎｏｌｏｇｙＩｎｓｔｉｔｕｔｅ，Ｂｅｉｊｉｎｇ１０２４４２，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｅｆａｉｌｕｒｅｄａｔａｏｆｍｉｓｓｉｌｅｓｉｓｆｅｗ，ＳＯｉｔｉｓｄｉｆｆｉｃｕｌｔＴｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍ，ａｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ

ｔｏ

ｐｒｅｄｉｃｔｔｈｅｆａｉｌｕｒｅｔｉｍｅｏｆｍｉｓｓｉｌｅｓ．

ｂａｓｅｄ

ｏｎ

ａｂｏｕｔｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙｗａｓｂｒｏｕｇｈｔｆｏｒｗａｒｄ

ｔｈｅＢＰ

ｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｗｅｃａｌｃｕｌａｔｅｄｔｈｅｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙｏｆｔｗｏｔｙｐｅｓｏｆｍｉｓｓｉｌｅｓｕｓｉｎｇｔｈｅｆａｉｌｕｒｅｄａｔａ．Ｔｈｉｓｍｏｄｅｌ

ｃａｎ

ｐｒｅｄｉｃｔｔｈｅｃｈａｎｇｅｏｆｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙｗｉｔｈｔｉｍｅａｎｄｔｈｅｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙ

ｏｎ

ｇｉｖｉｎｇｓｔｏｒａｇｅ

ｃｏｎｄｉｔｉｏｎｓ．

Ｋｅｙｗｏｒｄｓ：

ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙ；ｐｒｅｄｉｃｔｉｏｎ

０

引言

能。因此，神经网络广泛应用于人工智能、自动控制、机器人、统计学等领域的信息处理中。

１

神经网络由许多并行运算的功能简单单元组成，这些单元类似于生物神经系统的单元。神经网络是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。神经网络系统具有集体运算能力和自适应学习能力，还具有很强的容错性和鲁棒性，善于联想，综合和推广等功能。

神经网络模型各种各样，可以从神经元的角度对生物神经系统进行神经元层次的描述和模拟¨≈】。有代表性的网络模型有感知器、ＢＰ网络、ＲＢＦ网络、双向联想记忆、Ｈｏｐｆｉｅｌｄ网络等。利用这些网络模型可实现函数逼近、数据聚类、模式分类、优化计算等功

收稿日期：２００９—０２—２０；修回日期：２００９—０５—２６

ＢＰ神经网络

多层网络及反向传播ＢＰ（Ｂａｃｋ—Ｐｒｏｐａｇａｔｉｏｎ）算法

是工程界应用最多也是最成熟的方法之一。１个典型的多层网络由１个输入层、１个输出层以及１个或若干中间层组成，它是带监督学习的前向网络。网络中的每个单元从前层所有单元接收到信号经加权阈值处理后输出到下一层的单元。由于各连接处的连接权和阈值完全确定，通过对已有的经验（输入一输出关系）进行监督学习来获取各连接权和阈值，一旦网络学习（训练）完毕，就可以用来预测此类问题的其他情形的输出。由于多层网络具有很强的输入输出映射能力，并且适应性广、算法简单，事先不要求任

作者简介：吴进煌（１９６３一），男，博士，研究员，研究方向为装备综合保障工程。

选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

１００

舰船科学技术第３２卷

何的输入输出数学关系，因而在工程领域中得到了最为广泛的应用。

ＢＰ神经网络是最为常用的前馈网络¨。，前馈网络又称为“前向网络”，其特点是在前后相邻的２层之间神经元相互连接，在各神经元之间没有反馈。每个神经元可以从前一层接收多个输入，并产生１个输出传递给下一层的各个神经元，信息只能从输入层开始逐层向前依次传递。前馈网络叮以包括许多层，而实际上三层前馈网络一般就足以满足应用需要。所谓三层前馈网络包括３个单层的输入层、隐含层和输出层，其中，隐含层和输出层的节点是具有计算功能的计算单元。

３层ＢＰ网络的结构图如图１所示。

为Ｙ＝｛Ｙ。｝：：。，实际网络输出为ｉ，＝｛，，：３’｝：：。。

根据梯度下降最优化思想，可以通过梯度来修正网络权值：

仰Ｐ一叩努叫Ｐ∥川。（４）

其中，叩为网络学习步长，∥’的取值对于输出层（第

３层）为：

毹３’＝（，，。一ｙ：３’）ｇ’（ｓ：３’）；

对于隐含层（第２层）为：

（５）

毹２’＝∑训孑’影３ｈｇ（ｓ㈡。

（６）

利用给定的输入输出样本集，按照上述过程反复调整网络权值，最终使网络的输出接近期望的输出。整个处理过程可以分为２个阶段：一是从输入层开始逐层向前计算，根据输入样本计算出各层的输出，最终求出网络输出层的输出，这是正向传播过程；二是对权值的修正，从网络的输出层开始逐层向后进行计算和修正，这是反向传播过程。２个过程反复交替，直到网络收敛。

网络计算单元的传递函数决定了计算神经元输

图１

３层ＢＰ神经网络结构图

入输出之间的关系，通常ＢＰ网络中取Ｓｉｇｍｏｉｄ函数作为计算单元的传递函数：

Ｆｉｇ．１

Ｓｔｒｕｃｔｕｒｅｏｆ３ｌａｙｅｒｓｏｆｎｅｕｒａｌｎｅｔｗｏｒｋ

ＢＰ网络是１种有监督学习网络，遵循最小均方误差准则，由误差正向传播和反向传播组成。该型神经网络通过比较实际输出与期望输出的差值不断调节网络权值，以达到函数逼近的目的。

ＢＰ网络的学习采用“误差反向传播算法”，即ＢＰ

．算法”１。当网络为３层时，设第Ｚ（１＝１，２，３）层的节

２

ｇｓ（Ｊ）２再南。

（７）

某型反舰导弹贮存可靠性ＢＰ网络预测

２．１神经网络的训练

１个３层ＢＰ神经网络，若合理设定隐含层节点数，就可以任意精度实现任何非线性函数映射关

点数为ｎ，，ｙ∥表示第ｚ层节点ｋ的输出，ｓ∥为该层神

经元的状态，则

系阻６１。利用ＢＰ网络的这一特性，本文对某型导弹

《

＝

㈦

叫∑Ⅲ

蟛丸

乃

＝

＝

畎

。

一

ｙ

（１）（２）

的贮存可靠性进行预测。

所谓预测，即通过一些已知数据对未来未知数据

“

，』噜

０

的取值进行估计。设导弹的可靠度序列为｛尺；｝，其中历史数据为ＲＰ＋ｌ，尺Ｐ＋２，…，Ｒｍ，对于未来ｐ＋ｑ＋ｒ时刻的可靠度进行预测，即预测Ｒ。＋，的值。预测函数为：

Ｒｍ＋，：Ｆ（ＲＰ＋１，ＲＰ＋２，…，Ｒｍ，Ｐ＋ｑ＋ｒ）。

（８）

式中，ｇ（ ）为网络计算单元的传递函数；哦＂为由

网络权值组成的系数行向量；Ｙ“’为第Ｚ层的输出列向量。输入层作为第１层处理，对于组合导航系统而言，网络的输入为系统的量测向量，即Ｙ¨’＝Ｚ。

给定网络学习样本后，调整ＢＰ网络权值，使下面的误差目标函数达到最小：

１

ｔ

式中，Ｐ，ｑ，ｒ均为贮存年份点，ｑ为已收集的贮存可靠性年份点数，Ｐ＋１为已收集的贮存可靠性起始年份点，，．为将预测的年份点。

根据某２型导弹实际情况，现有３年贮存期内的测试数据和故障数据，因此，ｑ取为２。

＾３

Ｅ（形）＝寺ｌ｜ｙ一钏２＝÷∑（ｙ。一，，：３’）２。（３）

式中，形表示ＢＰ网络中所有的权值，期望输出向量

选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

第１期吴进煌，等：基于ＢＰ神经网络的贮存可靠性预测

１０１

网络结构取３层，即输入层、隐含层和输出层。根据输入和输出数据可知，输入层节点数为３个，即尺川，ＲＰ＋２和Ｐ＋２＋ｒ为输入值；输出层节点数为ｌ，即

尺Ｐ＋ｇ＋ｒ。

隐含层节点数目的确定没有明确结论。一般认为，通过增加隐含层神经元节点数可以提高网络训练精度，但同时增加了训练时间。综合考虑，此处隐含层节点数确定为６个，如图２所示。

卉

‰‰

Ｄ＋２＋’

图２某型反舰导弹贮存可靠性预测ＢＰ网络结构图

Ｆｉｇ．２

ＳｔｒｕｃｔｕｒｅｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｐｒｅｄｉｃｔｔｈｅｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙｏｆ

ｏｎｅ

ｔｙｐｅ

ｏｆａｎｔｉｓｈｉｐｍｉｓｓｉｌｅ

隐含层与输出层的激活函数均选用对数Ｓｉｇｍｏｉｄ函数。

按某型反舰导弹贮存年限，列出相对应的贮存可靠度如表１所示。

表ｌ

某型反舰导弹贮存期与贮存可靠度关系

Ｔａｂ．１

Ｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｓｈｅｌｆｌｉｆｅａｎｄｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙｏｆ

ｏｎｅ

ｔｙｐｅ

ｏｆａｎｔｉｓｈｉｐｍｉｓｓｉｌｅ

训练样本分为３组，如表２所示。

表２训练样本

Ｔａｂ．２

Ｔｒａｉｎｉｎｇｓｗａｔｃｈｅｓ

导弹贮存可靠性预测ＢＰ神经网络按式（４）调整权值，以达到式（３）的误差目标条件，从而完成网络训练。网络训练过程在ＭＡＴＬＡＢ语言环境下进行。

２．２导弹可靠性预测

ＢＰ网络训练完成后，即可用于反舰导弹的贮存可靠度预测。预测结果如表３所示。

表３

某型反舰导弹贮存可靠度预测

Ｔａｂ．３

Ｐｒｅｄｉｃｔｉｏｎｏｆｔｈｅｓｔｏｒａｇｅ

ｒｅｌｉａｂｉｌｉｔｙｏｆｏｎｅ

ｔｙｐｅ

ｏｆａｎｔｉｓｈｉｐｍｉｓｓｉｌｅ

３

某型舰空导弹贮存可靠性ＢＰ网络预测

根据某型舰空导弹贮存可靠性特点，选取ＢＰ神

经网络结构进行某型舰空导弹的贮存可靠性预测。即：ｑ取为２；网络结构取３层，包括输入层、隐含层和输出层；输入层节点数为３个，即ＲＰ＋ｌ，ＲＰ＋２和Ｐ＋２＋ｒ为输入值；输出层节点数为１，即Ｒ…＋，；隐含层节点数为６个；隐含层与输出层的激活函数均选用对数Ｓｉｇｍｏｉｄ函数。该网络结构图与某型反舰导弹贮存可

靠性预测的ＢＰ网络结构图相同，参见图２。

按某型舰空导弹贮存年限，列出相对应的贮存可靠度如表４所示。

表４某型舰空导弹贮存期与贮存可靠度关系

Ｔａｂ．４

Ｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｓｈｅｌｆｌｉｆｅａｎｄｓｔｏｒａｇｅｒｅｌｉａｂｉｌｉｔｙ

ｏｆ

ｏｎｅ

ｔｙｐｅ

ｏｆｓｈｉｐ

ｔｏａｉｒｍｉｓｓｉｌｅ

训练样本同样分为３组，如表５所示。

表５

ｉＪｉＩ练样本

Ｔａｂ．５

Ｔｒａｉｎｉｎｇｓｗａｔｃｈｅｓ

某型舰空导弹的贮存可靠度预测结果如表６所

刁≮ｏ

表６某型舰空导弹贮存可靠度预测

Ｔａｂ．６

Ｐｒｅｄｉｃｔｉｏｎｏｆｔｈｅｓｔｏｒａｇｅ

ｒｅｌｉａｂｉｌｉｔｙｏｆ

ｏｎｅ

ｔｙｐｅ

ｏｆｓｈｉｐ

ｔｏ

ａｉｒｍｉｓｓｉｌｅ

（下转第１０９页）

选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

第ｌ期

赵

宁，等：Ｃｒ助剂对甲醇水蒸气重整制氢铜系催化剂性能影响的研究

１０９

３

结语

研究表明，Ｃｒ的加入可使铜系催化剂的活性显著提高。在同一评价条件下，与未添加Ｃｒ助剂的９。催化剂相比，添加ｃｒ助剂的１２。催化剂的催化活性明显提高。具体表现在出口气体中ＣＯ的含量降低了５０％，甲醇的转化率提高了２０％。此外，ＸＲＤ结果表明，ｃｒ的加入既有利于形成Ｃｕ。：，ｚｎ。．，，Ｃｒ：０。尖晶石

１０

２０

３０

４０

５０

∞７０

∞

结构，还可使催化剂颗粒均匀，降低催化剂的团聚，从而提高催化剂的活性。参考文献：

［１］

吴川，张华民，等．化学制氧技术研究进展［Ｊ］．化学进

展，２００５，１７（３）：４２３—４２９．

２Ｔｈｅｔａ／ｄｅｇ

图３

Ｆｉｇ．３

９’与１２‘催化剂的ＸＲＤ谱图

ＸＲＤｐａｔｔｅｒｎｓｏｆ９。ａｎｄ１２。ｃａｔａｌｙｓｔｓ

更大的比表面，因此提高了催化活性；或者氧化铬与其他成分反应，生成新的晶体，而新晶体具有高活性，同时新晶体的析出有时还能有效促进和保持催化剂颗粒或晶粒的细化。图３中，含Ｃｒ助剂的１２４催化剂的ＣｕＯ衍射峰减弱且有一定程度的宽化，ＺｎＯ衍射峰消失。据此可认为，未参与形成Ｃｕ。．：，ｚｎ¨，Ｃｒ：Ｏ。结构的ＣｕＯ和ＺｎＯ的晶粒变小，避免了晶粒的团聚、烧结，使ＣｕＯ和ＺｎＯ晶粒之间的相互作用加强，从而提高了催化剂的催化活性。

［４］［３］［２］

蒋元力。等．在Ｃｕ／ＺｎＯ／ＡＩ。Ｏ，催化剂上进行甲醇蒸气重整的动力学研究［Ｊ］．燃料化学学报，２００１，２９（４）：３４７

—３５０．

李永峰，董新法，等．甲醇水蒸气重整制氢催化剂最佳组成的确定［Ｊ］．煤炭转化，２００４，２７（１）：８５—８８．

陈兵，董新法，等．甲醇水蒸汽重整反应制氢的研究［Ｊ］．天然气化工，２０００，２５（２）：１—３．

［５］尾崎萃，田丸谦二，等．催化剂手册［Ｍ］．北京：化学工

业出版社，１９８２：４７２—４７３．

ｆ上接第１０１页）

［２］

４

毛政良，张圣坤．人工神经网络在结构可靠性中的应用［Ｊ］．上海交通大学学报，１９９７，３１（儿）：２７—３０．

结语

本文针对某２型导弹贮存可靠性随着贮存时间增长而逐渐下降的贮存可靠性负增长过程，利用ＢＰ神经网络建立了某２型导弹的贮存可靠性预测模型，能够迅速定量地得出其贮存可靠性随时间的变化规律，可以对给定贮存条件下的贮存可靠性进行较为准确地预测，并为可靠性管理提供科学依据。参考文献：

［１］

［３］ＬｉｕＭＣ，ＫｕｏＳＷ．Ａｎ

ｅｘｐｌｏｒａｔｏｒｙｓｔｕｄｙ

ｏｆ

ａ

ｎｅｕｒａｌ

ｎｅｔｗｏｒｋａｐｐｒｏａｃｈｆｏｒｒｅｌｉａｂｉｌｉｔｙｄａｔａａｎａｌｙｓｉｓ［Ｊ］．Ｑｕａｌｉｔｙ

ｒｅｌｉａｂｉｌｉｔｙ，１９９５，（１１）：７７—８３．

［４］ＡｍｊａｄｙＮ，ＥｈｓａｎＭ．Ｅｖａｌｕａｔｉｏｎｏｆ

ｂｙ

ａｒｔｉｆｉｃｉａｌ

ｎｅｕｒａｌ

ｐｏｗｅｒｓｙｓｔｅｍｒｅｌｉａｂｉｌｉｔｙ

Ｔｒａｎｓ．Ｐｏｗｅｒ

ｎｅｔｗｏｒｋ［Ｊ］．ＩＥＥＥ

Ｓｙｓｔｅｍ，１９９９，（１４）：１１４１—１１５０．

［５］ＧｕｒｖｉｃｈＭＲ，ＰｉｐｅｓＲＢ．Ｐｒｏｂａｂｉｌｉｓｔｉｃ

ｓｔｅｐ

ａｎａｌｙｓｉｓｏｆｍｕｌｔｉ—

ｂｅｎｄｉｎｇ

ｆａｉｌｕｒｅ

ｐｒｏｃｅｓｓ

ｏｆ

ａ

ｌａｍｉｎａｔｅｄｃｏｍｐｏｓｉｔｅｉｎ

［Ｊ］．Ｃｏｍｐｏｓｉｔｅ［６］

Ｓｃｉ

Ｔｅｃｈｎｏｌ，１９９５，（５５）：４１３—４２１．

陈祥光，裴旭东．人工神经网络技术及应用［Ｍ］，北京：中国电力出版社，２００３．

阎宏生，胡云昌，牛勇．基于神经网络响应面的结构可靠性分析方法研究［Ｊ］．海洋工程，２００２，２０（２）：ｌ一６．

选填,简要介绍文档的主要内容,方便文档被更多人浏览和下载。

基于BP神经网络的贮存可靠性预测

作者：作者单位：刊名：英文刊名：年，卷(期)：

吴进煌， 刘海波， WU Jin-huang， LIU Hai-bo海军装备技术研究所,北京,102442舰船科学技术

SHIP SCIENCE AND TECHNOLOGY2010,32(1)

参考文献(6条)

1.毛政良;张圣坤 人工神经网络在结构可靠性中的应用 1997(11)2.陈祥光;裴旭东 人工神经网络技术及应用 2003

3.阎宏生;胡云昌;牛勇 基于神经网络响应面的结构可靠性分析方法研究[期刊论文]-海洋工程 2002(02)4.Gurvich M R;Pipes R B Probabilistic analysis of multi-step failure process of a laminatedcomposite in bending[外文期刊] 1995(55)

5.Amjady N;Ehsan M Evaluation of power system reliability by artificial neural network 1999(14)6.Liu M C;Kuo S W An exploratory study of a neural network approach for reliability data analysis1995(11)

本文链接：http:///Periodical_jckxjs201001021.aspx