賀擁亮

（武警士官學(xué)校軍械系，杭州 310023）

0 引言

軍械備件是為保證軍械裝備保持良好的技術(shù)狀態(tài)，以應(yīng)對部隊(duì)在開展訓(xùn)練、執(zhí)行任務(wù)、戰(zhàn)備等條件下出現(xiàn)的突發(fā)故障而預(yù)存的一定量的零部件。因此，為保證軍械裝備可以一直處于或快速恢復(fù)良好的技術(shù)狀態(tài)，軍械應(yīng)急維修在軍械裝備保障中起著重要的作用。軍械應(yīng)急維修是指對出現(xiàn)故障的軍械裝備進(jìn)行快速換件式修理，使之能夠立即恢復(fù)良好的技術(shù)狀態(tài)，發(fā)揮其戰(zhàn)斗力。一般應(yīng)用于部隊(duì)開展實(shí)戰(zhàn)化訓(xùn)練、遂行多樣化軍事任務(wù)等條件下，軍械裝備實(shí)施戰(zhàn)時(shí)保障，出現(xiàn)故障等突發(fā)情況。軍械應(yīng)急維修能力的提高可以有效提高部隊(duì)?wèi)?zhàn)斗力，快速適應(yīng)多樣化任務(wù)環(huán)境，確保部隊(duì)圓滿完成各項(xiàng)任務(wù)。在當(dāng)前軍械裝備的系列化、通用化、模塊化配置的大背景下，制約軍械應(yīng)急維修保障的瓶頸在于軍械備件能否實(shí)現(xiàn)精準(zhǔn)供應(yīng)，這就對軍械備件的需求預(yù)測提出了新的要求［1］。

現(xiàn)有的備件需求預(yù)測主要有移動(dòng)平均法、指數(shù)平滑法等方法，這主要針對連續(xù)型的備件需求預(yù)測。但筆者通過調(diào)研發(fā)現(xiàn)，部分軍械備件在需求上并不是連續(xù)的，而是存在著間斷性，滿足Johnston 提出的間斷型需求模式，即相鄰兩次需求發(fā)生的間隔時(shí)間大于1.25 倍的觀測周期［2］。因此，傳統(tǒng)的連續(xù)型備件需求預(yù)測方法對此并不適用。

本文提出一種基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)的軍械備件需求預(yù)測方法，利用神經(jīng)網(wǎng)絡(luò)對任意非線性函數(shù)的擬合能力，將間斷的軍械備件需求預(yù)測轉(zhuǎn)換成兩步：一是需求發(fā)生序列預(yù)測，由于需求發(fā)生序列為間斷型，將其轉(zhuǎn)換成連續(xù)型后，通過神經(jīng)網(wǎng)絡(luò)對需求發(fā)生序列進(jìn)行預(yù)測；二是需求量序列預(yù)測，將實(shí)際需求量轉(zhuǎn)換成需求量序列，應(yīng)為一連續(xù)序列，直接運(yùn)用神經(jīng)網(wǎng)絡(luò)對其擬合預(yù)測，得出新的需求量預(yù)測。最后，將需求發(fā)生序列與需求量序列兩者整合后，得出最終的備件需求預(yù)測值。

1 改進(jìn)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型

神經(jīng)網(wǎng)絡(luò)對于非線性的函數(shù)擬合效果是比較好的，可以說有足夠的數(shù)據(jù)支撐訓(xùn)練，神經(jīng)網(wǎng)絡(luò)可以以任意精度無限逼近一個(gè)非線性函數(shù)［3］。軍械備件需求量正是一個(gè)受多個(gè)因素影響的非線性函數(shù)，可以嘗試用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。

神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱藏層和輸出層組成，利用訓(xùn)練樣本，經(jīng)過輸入層、隱藏層的傳遞計(jì)算，不斷修正誤差，得出輸出層。同時(shí)，可將輸出層與樣本中剩余數(shù)據(jù)進(jìn)行對比，反向修正計(jì)算過程，直至輸出層符合期望誤差，基本計(jì)算流程如圖1 所示。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2 改進(jìn)的神經(jīng)網(wǎng)絡(luò)預(yù)測步驟

在進(jìn)行數(shù)據(jù)處理時(shí)，軍械備件出現(xiàn)間斷需求的特征：在一個(gè)觀測周期內(nèi)，軍械備件需求量多次出現(xiàn)了“相鄰兩次需求發(fā)生的間隔時(shí)間大于1.25 倍的觀測周期［2］”的情況，符合間斷需求的特征。而未改進(jìn)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型若需同時(shí)預(yù)測需求發(fā)生時(shí)間和需求量，則需要大量的裝備保障數(shù)據(jù)作為訓(xùn)練樣本，一方面對于數(shù)據(jù)處理難度增大，另一方面對于部分新裝備的備件需求預(yù)測難以進(jìn)行。為此將軍械備件需求預(yù)測分為需求發(fā)生序列預(yù)測與需求量序列預(yù)測兩步，其步驟如圖2 所示。

1）軍械裝備保障數(shù)據(jù)處理：將歷年收集的軍械裝備保障數(shù)據(jù)進(jìn)行處理，在一個(gè)觀測周期內(nèi)，分為需求發(fā)生相關(guān)數(shù)據(jù)與需求量相關(guān)數(shù)據(jù)兩類。

2）神經(jīng)網(wǎng)絡(luò)模型建立：仍利用神經(jīng)網(wǎng)絡(luò)模型強(qiáng)大的非線性函數(shù)擬合能力，對需求發(fā)生和需求量進(jìn)行預(yù)測。由于需求發(fā)生為不連續(xù)數(shù)據(jù)，在輸入時(shí)需進(jìn)行調(diào)制處理，得到連續(xù)值進(jìn)行輸入。

3）序列預(yù)測的輸出：經(jīng)過樣本訓(xùn)練與判定，分別得到需求發(fā)生序列和需求量序列預(yù)測。

4）得出軍械備件需求預(yù)測：綜合需求發(fā)生序列與需求量序列預(yù)測，得到軍械備件需求預(yù)測。具體數(shù)據(jù)處理與函數(shù)選擇見第2 節(jié)、第3 節(jié)。

2 需求發(fā)生序列預(yù)測

2.1 備件發(fā)生序列

由于軍械備件的需求存在間斷性，為了對需求發(fā)生序列進(jìn)行預(yù)測，首先需要對實(shí)際備件需求進(jìn)行轉(zhuǎn)換，轉(zhuǎn)換成需求發(fā)生時(shí)間序列。此時(shí)，選用Croston方法［4］提取需求發(fā)生序列。

將備件實(shí)際需求轉(zhuǎn)換成0-1 發(fā)生序列F，如式（1）所示

式中，X（t）為備件實(shí)際需求。

2.2 備件發(fā)生序列調(diào)制處理

轉(zhuǎn)換得到的備件發(fā)生序列F，由于存在多個(gè)斷點(diǎn)，無法應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，需對基進(jìn)行平滑連續(xù)處理。在此，可借鑒數(shù)字調(diào)制技術(shù)，將F 累加到載波上，既能保持備件實(shí)際需求的原始信息，亦能得到備件發(fā)生序列的平滑連續(xù)信號(hào)。正弦信號(hào)由于形式簡單，調(diào)制、解調(diào)相對簡單，載波一般選用正弦信號(hào)對備件發(fā)生序列進(jìn)行調(diào)制［5］。

2.3 備件發(fā)生序列預(yù)測

以完整波形作為神經(jīng)網(wǎng)絡(luò)的輸入，輸出下一個(gè)波形的前兩個(gè)值作為輸出層。每個(gè)載波波形有6 個(gè)離散點(diǎn)，輸入層為6 n，其中，n 為正整數(shù)，一般隱藏層節(jié)點(diǎn)數(shù)為3 時(shí)，即可任意擬合一個(gè)復(fù)雜的非線性函數(shù)。具體驗(yàn)證結(jié)果見第4 節(jié)。

3 需求量序列預(yù)測

經(jīng)過上一步需求發(fā)生時(shí)間序列的轉(zhuǎn)換，需求量序列中轉(zhuǎn)換成需求量，即可得到連續(xù)平滑的需求量序列。為有效利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，需對輸入層進(jìn)行合理的設(shè)計(jì)。

一般來講，軍械備件的需求量主要和軍械備件的使用、保管、維修等基本信息有關(guān)，因此，在選取輸入層時(shí)，著重考慮相關(guān)因素。通過對部隊(duì)的調(diào)研了解，結(jié)合歷年軍械保障的相關(guān)數(shù)年信息，經(jīng)過分析，總結(jié)出影響軍械備件需求量的主要因素有：

2）執(zhí)行重大任務(wù)和參與演練的次數(shù)。執(zhí)行重大任務(wù)和參與演練時(shí)動(dòng)用的軍械裝備與平時(shí)訓(xùn)練時(shí)情況會(huì)有較大差別，由于在執(zhí)行重大任務(wù)和參與演練時(shí)，軍械裝備使用強(qiáng)度大，會(huì)對軍械裝備造成一定的影響。因此，直接將執(zhí)行重大任務(wù)和參與演練的次數(shù)之和作為一個(gè)影響因子。

3）保障的裝備數(shù)量。裝備數(shù)量的不同對備件需求亦不同，總的保障數(shù)量基數(shù)發(fā)生變化，對需求結(jié)果影響較為直接。

4）上一周期備件使用量。備件使用有一定的壽命周期，上一周期剛進(jìn)行更換過后備件不易發(fā)生故障，因此，將上一周備件使用量也納入到備件需求預(yù)測中。

備件需求量主要由以上因素決定，故輸入層確定為4 個(gè)，隱藏層節(jié)點(diǎn)仍選3 個(gè)進(jìn)行擬合，輸出層為1 個(gè)，即備件需求量的預(yù)測值。

4 實(shí)驗(yàn)驗(yàn)證

4.1 數(shù)據(jù)處理

提取某單位近年的某軍械裝備應(yīng)急保障中的相關(guān)資料，作為樣本進(jìn)行分析，檢驗(yàn)該神經(jīng)網(wǎng)絡(luò)預(yù)測模型的適用性。由于應(yīng)急保障資料繁多，為防止樣本數(shù)據(jù)突變，影響神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，在提取樣本時(shí)，設(shè)定了本實(shí)驗(yàn)的前提條件：

1）應(yīng)急維修具有一定的突發(fā)性，應(yīng)綜合考量備件的需求情況，備件需求量在預(yù)測時(shí)以月為觀測周期；

2）裝備數(shù)量按該單位正常編制軍械裝備數(shù)量，挑選樣本時(shí)，動(dòng)用數(shù)量少于總數(shù)量的30 %不統(tǒng)計(jì)在內(nèi)。

軍械備件需求序列實(shí)例如下頁表1 所示。

根據(jù)前文所述的數(shù)據(jù)處理方法，將軍械備件需求實(shí)例，按要求轉(zhuǎn)換成備件發(fā)生序列和備件需求量序列，分別如表2、表3 所示。

表1 軍械備件需求序列實(shí)例

表2 軍械備件發(fā)生序列

表3 軍械備件需求量序列

4.2 需求發(fā)生序列驗(yàn)證

將需求發(fā)生序列經(jīng)過載波調(diào)制，可得到連續(xù)平滑的需求發(fā)生序列。如圖3 所示。

圖3 需求發(fā)生序列

根據(jù)調(diào)制后的需求發(fā)生序列，采用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。通過大量實(shí)驗(yàn)及比較確定：輸入層節(jié)點(diǎn)數(shù)24，隱層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin，用總體數(shù)據(jù)的4/5 作為訓(xùn)練數(shù)據(jù)，1/5 作為測試數(shù)據(jù)進(jìn)行預(yù)測。

為驗(yàn)證預(yù)測精度，選用式（5）作為需求發(fā)生序列的預(yù)測精度計(jì)算：

經(jīng)過計(jì)算，得到備件需求發(fā)生序列的預(yù)測精度如表4 所示。

表4 備件需求發(fā)生序列預(yù)測精度

從預(yù)測精度來看，采用正弦波調(diào)制后的預(yù)測方法符合預(yù)期。同時(shí)為進(jìn)一步檢測該預(yù)測有效性，采用文獻(xiàn)［21］的方法，另選擇二次函數(shù)、高斯函數(shù)以及墨西哥草帽小波函數(shù)等幾個(gè)常用的載波函數(shù)分別進(jìn)行了試驗(yàn)，其精度均不及正弦函數(shù)。

預(yù)測結(jié)果如圖4 所示。

圖4 備件需求發(fā)生序列預(yù)測

4.3 備件需求量序列驗(yàn)證

根據(jù)第3 節(jié)設(shè)定的相關(guān)要求，從保障數(shù)據(jù)中提取訓(xùn)練樣本，遇0 值時(shí)，相關(guān)數(shù)據(jù)疊加至下一周期，如表5 所示。

表5 備件需求量訓(xùn)練樣本

根據(jù)訓(xùn)練樣本數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。通過大量實(shí)驗(yàn)及比較確定：輸入層節(jié)點(diǎn)數(shù)4，隱層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin，用總體數(shù)據(jù)的4/5 作為訓(xùn)練數(shù)據(jù)，1/5 作為測試數(shù)據(jù)進(jìn)行預(yù)測。

為驗(yàn)證預(yù)測精度，選用式（6）作為需求量序列的預(yù)測誤差計(jì)算：

經(jīng)過計(jì)算，得到備件需求量序列的預(yù)測精度。同時(shí)與文獻(xiàn)［5］提供的指數(shù)平滑法、Croston 方法等備件預(yù)測方法進(jìn)行對比來看，其預(yù)測誤差如表6 所示。

從預(yù)測精度來看，改進(jìn)的神經(jīng)網(wǎng)絡(luò)方法預(yù)測誤差基本控制在60%左右，與指數(shù)平滑法、Croston 方法相比，其預(yù)測誤差要小很多，因此，證明本文提出的改進(jìn)的神經(jīng)網(wǎng)絡(luò)預(yù)測方法是有效的［22-23］。

綜合備件需求發(fā)生預(yù)測和備件需求量預(yù)測的結(jié)果，可得出實(shí)際備件的需求量預(yù)測結(jié)果，如圖5所示。

5 結(jié)論

本文為了解決當(dāng)前軍械應(yīng)急維修過程中備件需求問題，在對軍械備件需求分析過程中判定為間斷性需求，若直接采用神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，數(shù)據(jù)處理難度大，且預(yù)測精度不高、誤差較大，對新裝備而言，由于訓(xùn)練樣本少，更是難以進(jìn)行需求預(yù)測。為此，將軍械備件需求預(yù)測劃分為兩步：一是需求發(fā)生序列預(yù)測，將間斷型的時(shí)間序列經(jīng)過正弦函數(shù)調(diào)制成連續(xù)序列，仍利用神經(jīng)網(wǎng)絡(luò)模型的強(qiáng)大非線性擬合能力，得出需求發(fā)生序列；二是需求量序列預(yù)測，綜合考量裝備保障數(shù)據(jù)，選取訓(xùn)練時(shí)長、執(zhí)行重大任務(wù)和參與演練的次數(shù)、保障的裝備數(shù)量和上一周期備件使用量4 個(gè)因子作為需求量序列預(yù)測的輸入層，輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，得出需求量序列。

表6 備件需求量序列預(yù)測誤差

圖5 備件需求預(yù)測值

最后，結(jié)合某部隊(duì)裝備保障數(shù)據(jù)，按改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測步驟進(jìn)行預(yù)測計(jì)算，得出了軍械備件需求預(yù)測。實(shí)驗(yàn)結(jié)果表明，該方法可以有效地對軍械應(yīng)急維修下的備件需求作出預(yù)測，與直接應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測方法、指數(shù)平滑法、Croston 方法等相比，其在預(yù)測精度上有較大提高，基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)軍械備件需求的預(yù)測可以為下步軍械應(yīng)急保障提供依據(jù)。