基于BP神经网络的机库工程建设项目质量综合评估

战希臣 武学忠 郑海平

[摘 要] 飞机机库是一个先进、复杂、可靠的完备技术体系，飞机机库工程建设项目则是一项复杂的系统工程，可以为提升飞机维修保障能力提供重要的支撑平台。为了准确地反映飞机机库工程建设项目质量的现实状况，结合BP神经网络非线性映射、自适应和自学习等特点，构建项目质量综合评估模型，并进行了仿真验证，分析结果表明，运用BP神经网络进行综合评估，可以修正专家打分法的主观随意性，提高综合评估结果的准确性和可靠性，可以为项目质量综合评估提供实用方法和理论依据。

[关键词] 机库工程建设项目；项目质量；指标体系；BP神经网络

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 05. 030

[中图分类号] TP18；TU712.3 [文献标识码] A [文章编号] 1673 - 0194（2018）05- 0071- 02

0 引 言

随着大量先进飞机装备部队，飞机机库工程建设项目越来越多，工程量越来越大，对机库工程建设质量的要求也越来越高。飞机机库多采用尖端的国防科学技术，是一个先进、复杂、可靠的完备技术体系，因此，只有注重飞机机库工程建设项目质量，才能确保飞机维修保障能力的提升，为飞机维修保障提供先进的技术平台。运用BP神经网络反映机库工程建设项目质量的现实状况，可以为机库工程建设质量评估提供高效的方法。

1 BP神经网络模型引理

BP神经网络运算具有较强的适应性，构建神经网络主要应进行网络拓扑结构设计和网络参数设定。网络结构和学习参数主要包括网络结构、隐层单元数、输入/输出层数据、网络初始权值、网络阈值、网络训练最大期望误差等。在网络训练过程中，把采集到的飞机机库建设质量数据经过预处理后输入神经网络，然后，根据数据特征和数据多少选择合适的训练函数进行训练，运用网络期望误差与网络最大训练次数对训练函数进行控制，确认函数是否收敛，使误差满足所提出的精确要求，若函数收敛，则保存网络训练结果，形成权值阈值矩阵；若不收敛，则通过调整网络结构及训练参数，进入新一轮学习。

1.1 网络结构

根据神经网络理论，在任何闭区间内的一个连续函数均可用至少一个S型隐含层加上一个线性输出层的网络来逼近。应优先考虑增加神经网络隐含层中的神经元数，来达到训练误差要求并使网络尽快收敛。实践表明，网络结构采用输入层—隐层—输出层结构，比较适应于飞机机库工程建设项目质量评估。

1.2 隐层单元数量的确定

就BP神经网络而言，隐层单元数量是反映机库工程建设项目影响因素并体现在网络节点的因素中。隐层单元数量与输入、输出单元数量以及影响因素的复杂程度直接相关。如果隐层单元数量过多，神经网络就会很复杂，训练过程中运算速度就会降低，可能会出现神经元冗余现象；如果隐层单元数量过少，那么神经网络所能反映的影响机库工程建设项目的因素就会太少，则有可能导致训练难以收敛和精确度下降，进而影响神经网络的辨别能力降低，使输出的仿真结果难以准确反映被评估对象的现实状况。借鉴Robert Hecht提出的隐层单元数为2N+1，其中N为输入节点数。结合飞机机库工程建设项目实际，选用经验模型为：隐层单元数≤■+1，其中，N为输入节点数，L为输出节点数。因为影响因素选取了20个，即 N=20，输出节点 L=1，最终确定隐层单元数为10个节点。

1.3 输入/输出数据的确定

在机库工程建设项目质量评估过程中，由于涉及的项目质量因素很多，能够反映项目质量的各种情况又千差万别，在实际的综合评估过程中不可能将因素数据全部考虑在内，因此，考虑到项目质量综合评估实际情况和神经网络的要求，选择输入数据为质量综合评估的20个指标作为控制点，输出数据即为项目质量综合评估的结果。

2 综合评估指标体系的构建

以机库工程建设项目质量的综合评估为目标，以人员因素、材料因素、机械设备因素、方案因素、环境因素为一级指标，进行分解得到二级、三级指标，建立一个具有三级指标的评估指标体系。

2.1 综合评估指标的筛选

（1）人员因素指标的选取。

（2）材料因素指标的选取。

（3）机械因素指标的选取。

（4）方案因素指标的选取。

（5）环境因素指标的选取。

2.2 综合评估指标体系的结构

机库工程建设项目质量综合评估指标体系的结构如表1所示。

3 数据获取与仿真分析

根据机库工程建设项目施工过程中采集了10组数据。在神经网络工具的输入节点数据“inputs”项中放输入数据矩阵，输出节点数据“targets”选项中放输出数据矩阵。

3.1 初始权值的设置

连接权重的初始权值设置必须合理，若初始权值过大，则会导致转换函数饱和，使网络陷入局部最小；若初始权值过小，则会导致离散性大，训练精度下降。因此，应使初始加权后的每个神经元输出值都趋近于零，以确保各神经元权值都能在其S型激励函数变化最大处进行调节，使权重调整速度较快。可见，初始权值选取[-1，1] 之间的随机数比较合理且可行。

3.2 期望误差的选取

期望误差的大小决定了神经网络的精度，机库工程建设项目质量特性的形成尽管有一定的规律性，但是，因此而构建的神经网络并不一定都能收敛到一个较小的期望误差。一般而言，非线性程度越高，期望误差就会越大。同时，期望误差的大小还取决于隐层节点数量和训练时间长短，增加隐含层的节点和增加训练时间可以有效降低期望误差，为了准确反映机库工程建设项目质量，选取期望误差为：0.000 01[1]。

3.3 训练次数的确定

神经网络训练次数受输入数据、网络结构、隐节点数、训练函数等环节的影响。当网络训练到一定程度，误差会趋于一个稳定的值，此时网络训练的次数即为最佳训练次数。结合项目质量综合评估实际，选用网络训练次数为：10 000次。

3.4 训练过程

设定完参数后就可以进行样本训练，以获得各个节点之间的连接权重。训练的过程就是将数据前向传播，和目标数据比较后将误差反向传播，从而不断调整神经网络中各个节点之间的连接权重。

3.5 仿真結果分析

通过网络训练后，得出误差变化曲线图和权重直方图，如图1、图2所示。

从误差变化曲线图和权重直方图可以看出，BP神经网络在训练了127次，即已训练完成，系统已经将权值和阀值进行了合理调整并存到了训练好的网络中。运用Simulate Network进行仿真，得出仿真结果为0.898 15。此飞机机库工程建设项目质量综合评估结果为：优。

4 结 语

基于BP神经网络对飞机机库工程建设项目质量进行综合评估，可以比较准确地反映机库工程建设项目质量的现实状况，通过神经网络评估结果，可以找出影响工程建设项目质量的主要因素和这些因素存在的主要问题，以便于采取相应的对策措施。

主要参考文献

[1]尹越琳.建筑施工项目质量控制探究[J].冶金丛刊，2017（4）：175-176.

[2]彭东.建筑项目质量的控制管理研究[J].经营管理者，2013（6x）：299.

[3]刘建宁. 基于神经网络评价的郑徐高铁建设质量风险研究[J].洛阳理工学院学报：自然科学版，2014，24（3）3：67-72.