基于深度置信网络的装甲装备在役考核评估研究

李赫才,韦国军

(航天工程大学,北京 102200)

在役考核是新的试验鉴定类型,是对性能试验和作战试验的补充和拓展,旧装备改进升级和新装备立项都必须经过在役考核。随着大量新型装备列装部队,在装备服役期检验装备性能、效能的需求不断增加,在役考核正在成为部队的经常性工作。装甲装备在役考核是装甲装备在服役期间检验满足部队训练使用和保障需求程度[1],旨在发现制约装甲装备战斗力提升的关键问题缺陷,给出装甲装备改进升级的有效建议[2]。在役考核指标存在非一一对应的关系,无法做到完全相互独立,比如装备维修费用既影响装备服役经济性，又影响装备部队适用性。深度学习具有拟合任意非线性关系的特性,为其应用于装甲装备在役考核评估打下了理论基础。

1 装甲装备在役考核评估概述

装甲装备在役考核评估就是以发现挖掘装备问题和不足为目标[3],以在役考核数据为基础,采取科学合理的数据分析与计算方法,挖掘隐藏在数据背后的规律、信息和问题等内容,得出反映装甲装备状态的具体结论。

1.1 装甲装备在役考核数据

在役考核数据是在役考核评估的输入,而装备在服役期间的效能和适用性是在役考核评估的输出。在役考核数据产生于装备服役的整个阶段,在日常使用、训练、作战、维修保障等过程中持续增长,使得在役考核数据类型多样、结构复杂、体量庞大。以装甲装备服役经济性数据为例,其包含大量纸质的使用及维护保养记录数据,如维修器材消耗、弹药及油料消耗等;大量自动采集数据,如测量仪测量数据、装备自检数据等。

1.2 装甲装备在役考核评估主要内容

装甲装备在役考核评估内容以在役考核大纲规定的具体内容为准,结合部队的实际工作情况,综合评估装甲装备在服役期间的真实情况和底数,主要包括:验证前期试验给出的战技性能、考核前期试验未能进行的内容及装甲装备在役适用性等内容[4]。

1.3 装甲装备在役考核评估原则要求

1)着眼装甲装备的实际运用。装甲装备在役考核评估必须围绕部队实际服役任务进行,综合考虑装甲装备的整个服役周期。只有立足装甲装备在部队的使用、保障等工作,才能发现装甲装备在服役过程中出现的各类问题。

2)确保客观准确反映装甲装备状态。在役考核评估结果服务于装备的训练、作战和发展决策,这就要求装甲装备在役考核评估必须做到客观和准确。不仅要选择准确的评估模型,还要精确地采集在役考核数据[5]。

3)坚持定性评估与定量评估结合。在役考核是在装备服役过程中组织实施的,这一特点决定了在役考核数据既有大量的定量数据,又有大量的定性数据。定量数据确保在役考核评估的准确性,而定性数据能够清楚描述装备使用人员的主观感受,综合使用定性和定量评估的方法,才能使评估结论更加科学合理[6]。

1.4 装甲装备在役考核评估方法

目前,经过长期发展形成了基于定性推断的经验方法、基于因果关系的建模方法、基于仿真的模拟试验方法等评估方法体系,用于解决各类评估问题。在役考核是持续性考核,在役考核数据持续产生,装备在服役后处于复杂的装备体系内,各种影响因素相互交织[7],比如装备自身的维修适应性与装备体系的维修保障能力相互影响。传统的评估方法很难取得预期的评估效果。针对在役考核数据的特点,采用合适的数据处理方法非常重要,深度学习作为一种“黑箱”机制,能够输入各种非结构化的数据后输出预测结果[8],非常适用于在役考核评估。

2 基于深度置信网络的评估模型

在役考核数据存在大量半结构化(比如装备维修信息)或非结构化的数据(比如装备维修录像),并且由于数据采集手段的限制,部分数据的精确度不高,这些都要求创新使用新的评估方法以适应在役考核数据的特点。

2.1 深度学习

深度学习并非某一种学习算法,而是一类学习算法的统称,通过利用简单的概念来构建复杂的模型,能够从视频、音频、图像等原始数据中提取有用的信息,对于处理各种结构复杂的数据具有天然优势[9]。深度置信网络(Deep Belief Networks,DBN)就是第一批成功应用于深度学习的模型之一,由多层受限玻尔兹曼机和一个BP神经网络组成[10]。受限玻尔兹曼机是无监督学习,无法得出确定的结果,BP神经网络是有监督学习,能够学习出模型函数,得到输出结果。

2.2 深度置信网络

装甲装备在役考核数据类型复杂、体量大、相互关系交织等特点,决定了深度置信网络模型在装甲装备在役考核评估方面具有很好的应用前景。

1)受限玻尔兹曼机。受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)本身是只包含一层可见层和一层隐藏层,而非深层模型,用于表示学习输入,是构建深度置信网络的基础[11]。标准的RBM是具有二值的可见层和隐藏层的模型,其能量函数为

E(v,h)=-bΤv-cΤh-vΤWh

(1)

其中向量b、c和权重矩阵W都是没有约束、实值的能够通过学习得到的参数,v为可见层向量,h为隐藏层向量,W代表二者之间关系的权重矩阵,可见层与隐藏层之间有相互关系,但是各层的元素之间没有直接相互作用,如图1所示。

图1 单个受限玻尔兹曼机

2)深度置信网络模型。DBN是典型的深度学习模型,涉及有向连接和无向连接,顶部两层之间的连接是无向的,而其他层之间的连接是有向的,即上层向下层连接。每层的每个元素与相邻层的每个元素有连接,而层间元素无连接,可见层与隐藏层由受限玻尔兹曼机组成,最后用BP神经网络[12]进行反向微调。

DBN隐藏层的个数决定着权重矩阵的个数,即有n个隐藏层时会有n个权重矩阵:W1,W2,…,Wn,同时也拥有n+1个偏置向量:b0,b1,…,bn,其中b0为可见层的偏置向量。DBN的概率分布为

(2)

将第一个受限玻尔兹曼机的可见层作为深度置信网络的输入层,而第一个受限玻尔兹曼机的隐藏层就是第二个受限玻尔兹曼机的可见层,输入的在役考核样本数据经过第一个受限玻尔兹曼机进行提取特征数据,由隐藏层输出并作为第二个受限玻尔兹曼机的输入,以此方式逐层叠加。最后一个受限玻尔兹曼机的输出作为BP神经网络的输入,并进行反向微调,最终形成深度置信网络[13]。

2.3 建立深度置信网络评估模型

深度置信网络能够直接从原始数据中提取数据特征,直接将数据用于评估模型,最大程度地保存数据的真实性,使装甲装备在役考核评估更加真实。利用深度置信网络的非线性拟合特性,将装甲装备在役考核数据输入建立的深度置信网络模型就能得到需要的评估结论,既省去了复杂的计算过程以提高评估效率,又能够保证装甲装备在役考核评估的时效性[14],基于深度置信网络的装甲装备在役考核评估流程如图2所示。

图2 基于深度置信网络的评估流程

1)装甲装备在役考核数据样本。装甲装备在役考核评估贯穿于装备整个服役期,因此在装甲装备服役期间产生的各类数据均可用于在役考核评估,在进行数据采集,需要采用合适的数据采集方法,以保证采集的在役考核数据的准确性,能够真实反映装备状态。将装甲装备在役考核数据分成训练样本数据、验证样本数据和测试样本数据。训练样本数据是指用来完成深度置信网络模型训练的数据,这部分数据可用由部队积累的历史数据组成。验证样本数据是指用来验证训练出来的深度置信网络模型是否真实有效,这部分数据可以由历史数据组成,也可以由部分采集的现场数据组成。测试样本数据是指用来进行装甲装备在役考核评估的数据,是评估的输入数据,由采集的现场数据组成。

2)确定深度置信网络评估模型。深度置信网络评估模型的输入是装甲装备在役考核评估的指标体系,输出是装甲装备满足部队训练使用和保障需求的程度。针对具体需要给出结论的评估内容,还需要单独选取输入指标体系和相关数据样本集,并确定相应的评估输出。采用基于能力需求的方法,结合部队实际工作和考核需求,提出影响装甲装备服役的关键在役问题,对这些关键在役问题进行逐层分解,直至得到可测的指标元,完成装甲装备在役考核指标体系构建,并选取合适的优化方法,完善指标体系。在考核评估某型装甲装备服役情况时,需将所有的在役考核指标作为模型输入,而在对装甲装备服役经济性进行评估时,只需选择相关的指标数据作为输入。深度置信网络评估模型如图3所示。

图3 深度置信网络评估模型

3)训练深度置信网络评估模型。训练样本的选择会影响模型的精度,为了保证模型是通过充分的训练学习得到的,选择训练样本时,必须具有较强的代表性,同时涵盖所有的指标数据。装甲装备在役考核数据量纲差距较大,很多数据具有较高的维度,需要对这部分数据进行降维处理,将数据从高维空间降到便于处理的低维空间。常用的有线性降维方法,如主成分分析;非线性降维方法,如流形学习。

将训练样本输入构建的深度置信网络模型,完成模型的训练并通过验证样本数据的验证,进而得到成熟的评估模型。以此得到的装甲装备深度置信网络模型可作为评估模型进行应用。

3 装甲装备在役考核评估应用

以某型坦克装甲车辆为例,仅将某型坦克装甲车辆的服役经济性作为在役考核评估的一项内容。

3.1 服役经济性指标

结合坦克装甲车辆的服役情况和部队工作实际,提出影响坦克装甲车辆服役经济性的关键问题,通过对这些关键问题的进一步分解,得到影响装备服役经济性的指标主要包括:装备年均使用费、装备年均维持费、使用维修费效比、标准经费满足度。

装备年均使用费是指装备完成年度训练、作战等任务所需的油料、弹药、器材、设施设备、技术资料、人员等费用。

Fu=o+a+e+fe+t+p

(3)

其中,Fu是指装备年均使用费,o是指年度消耗油料费用,a是指年度消耗弹药费用,e是指年度消耗器材费用,fe是指年度消耗设施设备费用,t是指年度消耗技术资料等费用,p是指年度消耗人力折合费用。

装备年均维持费是指为使装备保持良好可用状态所消耗的费用。

Fm=rm+dm+tm

(4)

其中,Fm是指装备年均维持费,rm是指装备年度故障后维修所耗费用,dm是指装备年度日常维护所耗费用,tm是指装备执行年度任务前维护所耗费用。

使用维修费效比是指装备年度使用维修的费效比。

(5)

其中，CE是指装备年度使用维修费效比,t是指装备年度可用时间。

标准经费满足度是指装备年度的标准经费满足装备完成年度训练、使用、维护保养的等所需的程度。可以通过根据装备年度经费的使用情况进行问卷调查或者专家打分得到。

3.2 数据预处理

由于基层单位没有开展在役考核任务,缺少成体系的数据采集手段和设备,因此能够获得的数据杂乱无章,甚至包含大量的异常数据,无法直接用于在役考核评估,需要对数据进行预处理。数据预处理包括数据抽取、清理和标准化,坚持数据处理真实、客观、简洁、有效的原则,主要是对定性数据进行量化处理,对定量数据进行归一化处理,采用多种数据处理方式,使数据能够直接用于模型。部分数据如表1所示。

表1 某型坦克装备服役经济性数据

3.3 评估样本集创建

由于深度置信网络评估模型需要大量数据进行训练,收集的数据样本对于深度置信网络需要的样本量来说还是太少,会影响网络模型训练的精度。需要对样本集进行优化即进行样本增广,增加样本数,采用线性插值或者非线性补差法对样本集进行扩充。还要注意在对样本进行增广时,需要整体均衡地扩充数据样本集,不能只进行部分或局部样本的扩充,避免出现样本集不均衡的问题。

3.4 输入评估模型

利用matlab中的DBN网络模型对训练样本数据进行训练,RBM的输出值作为BP神经网络的输入值。每层神经元设置为100个,通过模型训练,结果如图4所示。

图4 数据训练结果

随着样本数据的增加,训练值逐渐逼近期望值。

3.5 评估分析

通过分析模型的结果可知,该型坦克装甲车辆的服役经济性基本符合预期值,能够继续服役,但是在数据处理和模型运行过程中也发现该型装备的故障维修费和日常维护费在逐渐增高,而可用时间则在逐渐降低。特别是执行大项任务或者装备进行超负荷使用时,对装备的损害相对较大,部分日常训练使用装备状态明显低于战备装备状态。通过实例,以服役经济性指标作为模型的输入,经过训练可得能够用于评估装甲装备服役经济性的深度置信网络模型,验证了评估模型的可行性,能够实现装甲装备服役经济性的实时评估,并能够发现影响装备效能发挥的关键问题和暴露的问题缺陷,为装备的改进改型提供参考。

4 结束语

本文围绕装甲装备在役考核评估的内容和原则,利用深度置信网络的自学习优势,搭建了深度置信网络的评估模型。通过matlab软件中的DBN模块,以装甲装备服役经济性为例进行验证,可以推广至装甲装备在役考核评估。论文选取的数据样本相对较小,装甲装备在役考核拥有海量数据,建立的深度置信网络模型非常复杂,还需要进一步研究深度置信网络模型结构,使评估更加简洁高效。