Evaluation of Test Equipment Maintenance Ability Based on GA-Wavelet-BP Neural Network

doi:10.3969/j.issn.1009-086x.2022.02.012

Abstract

Abstract:

Aiming at the characteristics of strong subjectivity and weak adaptability of traditional test equipment maintenance support capability evaluation, a maintenance capability evaluation method based on error back propagation （BP） feedforward neural network is proposed based on test equipment maintenance records as sample data. In order to eliminate the attribute redundancy of the maintenance records， the rough set principal component reduction algorithm is selected to reduce the sample attributes. In order to avoid the influence of the local convergence and the slow convergence speed of the BP neural network due to the local extremes,the initial weights and thresholds of neural network are optimized by using the global search ability of genetic algorithm (GA). In order to increase the learning function of the network and improve the network training rate and training accuracy， the wavelet function is selected as the transfer function of the hidden layer， and the Sigmoid function is the activation function of the output layer. It is shown that the performance of the BP neural network is improved through redundant attribute reduction， and the weight/threshold value of the BP neural network and the wavelet function are optimized by GA as the transfer function of the hidden layer， which avoids local convergence and improves the training rate of the network. The accuracy of the evaluation reduces the error.

Key words: maintenance capability evaluation, principal component reduction, genetic algorithm （GA）, back propagation （BP） neural network, wavelet function

摘要：

针对传统装备维修保障能力评估主观性强、适应性弱的特点，提出了一种以装备维修记录为样本数据的基于误差反向传播（back propagation，BP）前馈神经网络的维修能力评估方法。为消除维修记录属性冗余，选用粗糙集主分量约简算法，对样本属性进行约简，为避免BP神经网络因局部极值导致局部收敛和收敛速度过慢的影响，利用遗传算法（genetic algorithm，GA）的全局搜索能力对神经网络初始权值和阈值进行了优化，为增加网络的学习功能，提高网络训练速率和训练精度，选取小波函数作为隐含层的传递函数，Sigmoid函数为输出层激活函数。研究表明：通过冗余属性约简提高了BP神经网络的性能，利用GA优化BP神经网络权值/阈值和小波函数作为隐含层的传递函数，避免了局部收敛，提高了网络的训练速率和评估的精度，降低了误差。

关键词: 维修能力评估, 主分量约简, 遗传算法, BP神经网络, 小波函数

CLC Number:

Li-xing ZHAO, Xing-ming HOU, Zhao-wen XU, Lin-zi HE. Evaluation of Test Equipment Maintenance Ability Based on GA-Wavelet-BP Neural Network[J]. Modern Defense Technology, 2022, 50(2): 84-95.

赵黎兴, 侯兴明, 徐兆文, 和林子. 基于GA-小波-BP神经网络的装备维修能力评估[J]. 现代防御技术, 2022, 50(2): 84-95.

Figures/Tables 16

Fig.1 Rough set principal component reduction algorithm example

Table 1 Maintenance records of XX maintenance company after attribute reduction

序号	维修基本情况
序号	维修等级（等级×数量）		维修人员数量	技术等级（等级×数量）	无故障运行时间/d	维修费用（万元）	维修设备完好率	维修设备等级×数量
1	2×1，3×1		4	5×3，4	569	3.5	0.865	3×1，2×1
2	3×1，4×1		3	3，4，5	932	7.5	0.769	4×1
3	4×2		2	4×2	377	3.0	0.814	2×3，1×2
4	2×1，3×2		3	3×3	832	5.4	0.913	3×1
5	4×1		3	5×3	479	6.5	0.878	4×2，3×1
序号	维修材料				维修时间			维修评价
序号	维修材料数量	维修材料等级（等级×数量）	维修材料存储数量	维修材料存储时长/d	故障定位时长/h	故障隔离时长/h	维修时长/h	评价结果
1	4	3×3，2×2	26	79	26	8	83	0.61
2	9	4×3，3×2，5	22	43	9	5	27	0.91
3	6	3×5，2×1	127	19	14	12	19	0.32
4	5	4×2，3×3	35	82	12	5	37	0.93
5	5	3×4，4×1	243	35	19	12	29	0.28

Fig.2 BP neural network structure diagram

Fig.3 GA-wavelet-BP neural network flow chart

Table 2 Training errors of different numbers of neurons in the hidden layer

隐含层神经元数	误差	步数
8	6.037 6×10^-5	9
9	4.329 4×10^-5	8
10	1.448 2×10^-5	6
11	4.531 9×10^-5	6
12	5.962 1×10^-5	6

Table 3 Genetic algorithm optimization parameter settings

类别	设置
进化代数	40
种群数量	30
编码方式	实数编码
选择方式	Monte Carlo法
交叉概率	0.7
变异概率	0.01

Table 4 Repair record form of a maintenance company after data processing （excerpt）

序号	$a 1$	$a 2$	$a 3$	$a 4$	$a 5$	$a 6$	$a 7$	$a 8$
1	0.229 4	0.129 7	0.075 3	0.161 5	0.135 2	0.073 9	0.112 8	0.092 1
2	0.208 7	0.093 6	0.138 8	0.136 9	0.254 9	0.089 3	0.076 3	0.087 2
3	0.043 8	0.087 6	0.113 2	0.056 1	0.334 1	0.114 3	0.141 9	0.042 3
4	0.262 8	0.171 1	0.069 8	0.270 7	0.148 9	0.132 6	0.096 4	0.198 7
5	0.368 5	0.221 8	0.052 1	0.515 2	0.182 3	0.161 1	0.142 1	0.150 3
6	0.035 4	0.114 4	0.122 5	0.545 6	0.197 3	0.124 3	0.062 1	0.828 0
7	0.175 6	0.234 3	0.182 5	0.180 7	0.291 7	0.065 1	0.076 9	0.226 8
8	0.072 1	0.190 4	0.133 5	0.240 4	0.283 7	0.044 6	0.082 1	0.105 9
9	0.263 1	0.225 4	0.116 1	0.115 1	0.106 9	0.065 2	0.069 5	0.261 8
10	0.259 7	0.170 9	0.069 8	0.270 5	0.148 5	0.132 5	0.096 1	0.198 7
序号	$a 9$	$a 10$	$a 11$	$a 12$	$a 13$	$a 14$	$d$ 评价结果
1	0.051 7	0.133 4	0.008 7	0.123 9	0.360 9	0.063	0.20
2	0.038 5	0.142 8	0.012 1	0.166 2	0.244 6	0.059 7	0.25
3	0.181 2	0.036 9	0.008 8	0.224 7	0.151 3	0.085 1	0.21
4	0.254 1	0.086 7	0.005 8	0.178 9	0.099 8	0.783 0	0.51
5	0.128 8	0.049 6	0.007 3	0.034 3	0.044 7	0.070 1	0.54
6	0.163 5	0.099 7	0.005 4	0.152 6	0.183 3	0.129 1	0.58
7	0.205 2	0.092 1	0.007 4	0.184 8	0.349 7	0.167 5	0.85
8	0.190 4	0.158 2	0.011 2	0.169 4	0.364 1	0.271 5	0.92
9	0.258 3	0.115 1	0.004 7	0.097 4	0.150 7	0.226 9	0.82
10	0.254 1	0.086 6	0.005 5	0.178 9	0.099 6	0.078 1	0.52

Table 4 Repair record form of a maintenance company after data processing （excerpt）

序号	$a 1$	$a 2$	$a 3$	$a 4$	$a 5$	$a 6$	$a 7$	$a 8$
1	0.229 4	0.129 7	0.075 3	0.161 5	0.135 2	0.073 9	0.112 8	0.092 1
2	0.208 7	0.093 6	0.138 8	0.136 9	0.254 9	0.089 3	0.076 3	0.087 2
3	0.043 8	0.087 6	0.113 2	0.056 1	0.334 1	0.114 3	0.141 9	0.042 3
4	0.262 8	0.171 1	0.069 8	0.270 7	0.148 9	0.132 6	0.096 4	0.198 7
5	0.368 5	0.221 8	0.052 1	0.515 2	0.182 3	0.161 1	0.142 1	0.150 3
6	0.035 4	0.114 4	0.122 5	0.545 6	0.197 3	0.124 3	0.062 1	0.828 0
7	0.175 6	0.234 3	0.182 5	0.180 7	0.291 7	0.065 1	0.076 9	0.226 8
8	0.072 1	0.190 4	0.133 5	0.240 4	0.283 7	0.044 6	0.082 1	0.105 9
9	0.263 1	0.225 4	0.116 1	0.115 1	0.106 9	0.065 2	0.069 5	0.261 8
10	0.259 7	0.170 9	0.069 8	0.270 5	0.148 5	0.132 5	0.096 1	0.198 7
序号	$a 9$	$a 10$	$a 11$	$a 12$	$a 13$	$a 14$	$d$ 评价结果
1	0.051 7	0.133 4	0.008 7	0.123 9	0.360 9	0.063	0.20
2	0.038 5	0.142 8	0.012 1	0.166 2	0.244 6	0.059 7	0.25
3	0.181 2	0.036 9	0.008 8	0.224 7	0.151 3	0.085 1	0.21
4	0.254 1	0.086 7	0.005 8	0.178 9	0.099 8	0.783 0	0.51
5	0.128 8	0.049 6	0.007 3	0.034 3	0.044 7	0.070 1	0.54
6	0.163 5	0.099 7	0.005 4	0.152 6	0.183 3	0.129 1	0.58
7	0.205 2	0.092 1	0.007 4	0.184 8	0.349 7	0.167 5	0.85
8	0.190 4	0.158 2	0.011 2	0.169 4	0.364 1	0.271 5	0.92
9	0.258 3	0.115 1	0.004 7	0.097 4	0.150 7	0.226 9	0.82
10	0.254 1	0.086 6	0.005 5	0.178 9	0.099 6	0.078 1	0.52

Fig. 4 Error curve of BP neural network

Fig. 5 GA-BP neural network error curve

Fig.6 GA-BP fitness curve with algebra

Fig. 7 GA-wavelet-BP fitness curve with algebra

Fig. 8 BP neural network fit degree

Fig. 9 The fit of GA-BP neural network

Fig. 10 Comparison of evaluation results

Table 5 BP neural network， GA-BP neural network， GA-wavelet-BP neural network output and real value comparison

真实值	BP	GA-BP	GA-小波-BP
0.81	0.675 406	0.964 691	0.732 886
0.97	1.085 623	0.953 308	0.962 701
0.25	0.309 997	0.238 049	0.335 806
0.34	0.378 114	0.302 260	0.371 450
0.62	0.543 988	0.584 288	0.646 040
0.55	0.446 435	0.625 955	0.489 170
0.27	0.320 139	0.258 714	0.271 431
0.29	0.300 846	0.294 930	0.294 466
0.31	0.288 982	0.289 137	0.290 067
0.33	0.300 069	0.352 539	0.349 371
0.41	0.368 385	0.373 674	0.374 125
0.55	0.626 175	0.608 520	0.604 010
0.49	0.446 100	0.512 200	0.501 120

Table 6 Algorithm error comparison

算法	测试样本平均绝对误差/%	测试样本最大绝对误差/%	测试样本最小绝对误差/%
GA-小波-BP	3.344 2	8.580 6	0.143 1
GA-BP	3.918 5	15.469 1	0.493 0
BP	6.165 6	13.459 4	1.084 6

References 21

1	冯宇，张桦，刘鑫，等.基于BP神经网络的复杂装备维修能力评估［J］.计算机与数字工程，2017，45（4）：675-678.
	FENG Yu， ZHANG Hua， LIU Xin， et al. Complex Equipment Maintenance Capability Evaluation Based on BP Neural Network［J］.Computer and Digital Engineering，2017，45（4）： 675-678.
2	连云峰，代冬升，连光耀，等.基于DoDAF的装备维修保障能力评估［J］.兵工自动化，2020，39（6）：49-52.
	LIAN Yun-feng， DAI Dong-sheng， LIAN Guang-yao， et al. Evaluation of Equipment Maintenance Support Capability Based on DoDAF［J］.Ordnance Industry Automation， 2020，39（6）： 49-52.
3	朱敦祥，史宪铭，荣丽卿，等.云物元的军民融合装备维修保障能力评估［J］.现代防御技术，2019，47（2）：130-136.
	ZHU Dun-xiang， SHI Xian-ming， RONG Li-qing，et al. Evaluation of Maintenance Support Capability of Military and Civilian Integrated Equipment Based on Cloud Objects［J］. Modern Defense Technology，2019，47（2）：130-136.
4	任佳成，徐常凯，陈博.基于模糊综合评判的装备维修保障能力评估［J］.物流科技，2018，41（9）：128-129，144.
	REN Jia-cheng， XU Chang-kai， CHEN Bo.Evaluation of Equipment Maintenance Support Capability Based on Fuzzy Comprehensive Evaluation［J］.Logistics Techno-logy，2018， 41（9）：128-129，144.
5	Callan Rob. Artificial intelligence［M］. Beijing： Publishing House of Electronics Industry， 2004.
6	刘浩然，赵翠香，李轩，等.一种基于改进遗传算法的神经网络优化算法研究［J］.仪器仪表学报，2016，37（7）：1573-1580.
	LIU Hao-ran， ZHAO Cui-xiang， LI Xuan，et al. A Neural Network Optimization Algorithm Based on Improved Genetic Algorithm［J］.Chinese Journal of Scientific Instrument，2016，37（7）：1573-1580.
7	周彤.基于粗糙集理论的属性约简算法［J］.电子技术与软件工程，2017（7）：184-185.
	ZHOU Tong.Attribute Reduction Algorithm Based on Rough Set Theory［J］.Electronic Technology and Software Engineering， 2017（7）：184-185.
8	李磊涛，张楠，童向荣，等.基于差别矩阵的区间值决策系统β分布约简［J］.计算机应用，2021，41（4）：1084-1092.
	LI Lei-tao， ZHANG Nan， TONG Xiang-rong， et al. Beta Distribution Reduction of Interval Valued Decision System Based on Discernibility Matrix［J］.Journal of Computer Applications， 2021，41（4）：1084-1092.
9	刘鹏惠，陈子春，秦克云.区间值信息系统的决策属性约简［J］.计算机工程与应用，2009，45（28）：148-150，229.
	LIU Peng-hui， CHEN Zi-chun， QIN Ke-yun. Decision Attribute Reduction in Interval Value Information System［J］.Computer Engineering and Applications，2009，45（28）：148-150，229.
10	周璐婕，董昱.基于GA-BP神经网络的列控车载设备故障诊断方法研究［J］.铁道科学与工程学报，2018，15（12）：3257-3265.
	ZHOU Lu-jie， DONG Yu.Research on Fault Diagnosis Method of Train Control on-Board Equipment Based on GA-BP Neural Network［J］.Journal of Railway Science and Engineering，2018， 15（12）：3257-3265.
11	张楠，苗夺谦，岳晓冬.区间值信息系统的知识约简［J］.计算机研究与发展，2010，47（8）：1362-1371.
	ZHANG Nan， MIAO Duo-qian， YUE Xiao-dong.Knowledge Reduction in Interval Value Information System［J］.Computer Research and Development，2010，47（8）：1362-1371.
12	于战果，张尧，邓威，等.基于BP神经网络的部队后勤机动平台维修能力评估［J］.军事交通学院学报，2015，17（9）：36-40.
	YU Zhan-guo， ZHANG Yao， DENG Wei，et al.Evaluation of the Maintenance Capability of Army Logistics Mobile Platform Based on BP Neural Network［J］.Journal of the Academy of Military Transportation，2015，17（9）：36-40.
13	焦李成，杨淑媛，刘芳，等.神经网络七十年：回顾与展望［J］.计算机学报，2016，39（8）：1697-1716.
	JIAO Li-cheng， YANG Shu-yuan， LIU Fang， et al. Seventy Years of Neural Networks： Review and Outlook［J］.Chinese Journal of Computers，2016，39（8）：1697-1716.
14	周欣，王宜怀，姚望舒，等.基于GA-BP神经网络的非线性模拟量回归［J］.仪表技术与传感器，2021（1）：84-88，101.
	ZHOU Xin， WANG Yi-huai， YAO Wang-shu， et al. Nonlinear Analog Regression Based on GA-BP Neural Network［J］. Instrumentation Technology and Sensors， 2021（1）： 84-88，101.
15	胡永迅，姜媛媛，夏玲.基于GA-BP的输电线路负荷预测研究［J］.邵阳学院学报（自然科学版），2021，18（3）：44-51.
	HU Yong-xun， JIANG Yuan-yuan， XIA Ling.Research on Transmission Line Load Forecast Based on GA-BP［J］.Journal of Shaoyang University（Natural Science Edition），2021， 18（3）：44-51.
16	余婧，周璇，何锋，等.基于小波神经网络的航空电子系统效能评估［J］.电光与控制，2021，28（9）：70-74.
	YU Jing， ZHOU Xuan， HE Feng，et al.Availability Evaluation of Avionics System Based on Wavelet Neural Network［J］.Electronic Optics and Control， 2021，28（9）：70-74.
17	张鹏，唐琴琴.基于小波神经网络对铁路客运量的预测研究［J］.山西大同大学学报（自然科学版），2021，37（3）：29-32， 113.
	ZHANG Peng， TANG Qin-qin.Research on Railway Passenger Traffic Forecast Based on Wavelet Neural Network［J］.Journal of Shanxi Datong University（Natural Science Edition），2021， 37（3）：29-32， 113.
18	郭健忠，毛永，张华伟，等.锂电池电-热耦合模型热管理系统仿真分析［J］.电源技术，2020，44（4）：496-500.
	GUO Jian-zhong， MAO Yong， ZHANG Hua-wei， et al. Simulation Analysis of Thermal Management System of Lithium Battery Electric-Thermal Coupling Model［J］.Power Technology， 2020，44（4）：496-500.
19	刘东，李田泽，刘开石，等.GA-BP神经网络在光伏阵列故障检测中的应用研究［J］.电源技术，2021，45（3）：370-373.
	LIU Dong， LI Tian-ze， LIU Kai-shi， et al. Application Research of GA-BP Neural Network In Photovoltaic Array Fault Detection［J］. Power Technology， 2021， 45（3）： 370-373.
20	王志斌，孔亚楠，刘永成，等.遗传算法优化BP神经网络的大功率LED结温预测［J］.光电子·激光，2014，25（7）：1303-1309.
	WANG Zhi-bin， KONG Ya-nan， LIU Yong-cheng，et al. Genetic Algorithm Optimized BP Neural Network for High-Power LED Junction Temperature Prediction［J］.Photonics·Laser，2014， 25（7）：1303-1309.
21	迟明祎，侯兴明，陈小卫，等.基于BP神经网络的某反装甲武器系统打击效果预测［J］.兵器装备工程学报，2020，41（8）：52-57.
	CHI Ming-yi， HOU Xing-ming， CHEN Xiao-wei，et al. Prediction of the Strike Effect of an Anti-Armor Weapon System Based on BP Neural Network［J］.Chinese Journal of Ordnance Equipment Engineering，2020，41（8）：52-57.

[1]	SHI Duan-yang, LIN Qiang, HU Bing, CHEN Jia-xun. Radar Clutter Suppression Method Based on Neural Network Optimized by Genetic Algorithm [J]. Modern Defense Technology, 2021, 49(6): 74-83.
[2]	KANG Jing-yu , CHEN Zhong, LIU Yan-jie, CAI Jun, WANG Hui. Spare Parts Demand Prediction Algorithm for Equipment Support [J]. Modern Defense Technology, 2020, 48(4): 102-109.