神经网络在设备全寿命费用分析中应用.docVIP

神经网络在设备全寿命费用分析中的应用 在设备全寿命分析过程中，全寿命费用与其影响因素之间存在着极其复杂的非线性关系，对这一非线性关系的模拟和识别及其全局优化问题还没有得到很好的解决。近几年来神经网络得到了飞速的发展，已广泛应用于人工智能、自动控制、统计学等领域，特别是 BP网络以其良好的非线性功能、自学习功能等许多优良特性而在很多领域获得了成功，已渐渐成为解决此类问题的工具。 1 人工神经网络及BP网络原理 人工神经网络及BP网络原理人工神经网络是一个并行和分布式的信息处理网络结构。近年较为流行的反向传播神经网络（简称BP，Back Propagation）网络，以其良好的非线性映射能力而成为一种应用最广泛的神经网络模型。它在分类， 预测，故障诊断和参数检测中具有广泛的应用。BP网络算法的学习过程，由正向传播和反向传播组成。通常标准的BP网络由3层神经元组成， 最下一层为输入层， 中间层为隐含层， 最上层为输出层，每层由若干神经元组成。各层次之间的神经元形成全互连接，各层次内的神经元之间没有连接。BP神经网络的预测功能是通过误差的反向传播学习算法来实现。其主要思想是：对于个学习样本：，……. ，与其对应的输出样本为：，……. 学习的目的是用网络的实际输出，……. 与目标矢量，……. 之间的误差来修改其权值，使与期望的尽可能的接近，即使网络输出层的误差平方和最小。它通过连续不断的相对于误差函数斜率下降方向上，计算网络权和偏差的变化而逼近目标。每一次权值和偏差的变化都与网络误差成正比，并以反向传播的方式传输到每一层。设输入为P，输入神经元有r个，隐含层内有s1个神经元，激活函数为f1，输出层内有s2个神经元，对应的激活函数为f2， 输出为A，目标矢量为T，其步骤如下： 隐含层中第i个神经元的输出： 隐含层中第k个神经元的输出： （3）定义误差函数为： （4）用梯度法求输出层的权值变化 对从第i个输入到第k个输出的权值变化为： 其中 同理可得： （5）利用梯度法求隐含层权值变化 对从第j个输入到第i个输出的权值为： 其中： 2 全寿命费用预测结构神经网络设计 2.1全寿命费用分解结构的构成因素 全寿命费用可认为是设备从其概念系统方案的形成到设备退役为止，这一寿命剖面的各个事件内所消耗的总费用，即设备在开发、试验、 装备、使用、维护一直到最后废弃或退役等过程中各项费用总和。为了便于对全寿命费用进行估算和组织管理。通常按设备类别和系统分析原理进行费用分解。在提出设备在其寿命周期内的费用分解结构时，应准确的估算或预测出在全寿命阶段设备的全寿命费用，并同时对各项费用做出合理评价。根据以往的经验，通常构成全寿命费用分解结构有以下几个方面： （1）研究与研制费 研究与研制费是指设备的全部技术研究、型号设计、样机和原型机制造、各种试验和鉴定的费用。研究和研制费基本上是固定的且是一次性支付的，与最终该型设备的生产量无关。 （2）最初投资费用 最初投资费用是最初工厂装备一套设备所花的全部费用，主要包括设备的采购费，包括生产费、运输费等、设施建筑费、人员训练费及首批备件的采购费。 最初投资费用也是一次性支付的。 （3）使用保障费用 使用保障费用是一个设备在装备之后，使用过程中所需的全部费用。这些费用包括能源费用、使用费用、维护修理费用等。使用保障费用通常要高于研究与研制费用和最初投资费用。 （4）退役费用 退役费用是设备退役或报废时，加以处理所用的费用。与前 3类相比，退役费用的数额很小。 2.2 全寿命费用预测神经网络模型设计 现在的问题已经不是设备的研究与研制费、最初投资费、使用保障费和退役费等分别加以管理，而是把这几个环节结合起来作为全寿命费用进行综合管理。为了给设备的全寿命分析提供一个参考依据，可以运用神经网络的模型设计方法，对整个设备的全系统、全寿命费用进行综合设计，得出其预测模型。 （1）输入输出层的设计 对于设备的全寿命费用而言，按照以上的 4个分解结构就可以把其应用到实际中， 但这并不是包括了全部费用。在实际使用中，根据影响费用因素的重要程度，可以分为采购费、使用费、维修费、后勤保障费、培训费、技术改进费和退役处理费等，其中已包括了主要费用因素。依据BP网络的设计特性不考虑各因素之间的相互影响关系，即各层次内的神经元之间没有连接，可以选其作为输入层，其输入节点数为7。输出层为全寿命费用，则输出层的节点数为1。 （2）隐含层节点数及选取 隐含层节点选取是一个复杂的问题，节点数太多会导致训练时间过长，误差可能达不到预期的要求。若节点数太少会导致容错性较差，不能识别新的样本。所以隐含层节点数要根据经验来选取，一般的选取方法如下： 式中：为隐含层节点的数目；为输入层节点数；为输出层节点数；为