基于BP神经网络的装备维修训练质量评价方法技术

本发明专利技术公开了一种基于BP神经网络的装备维修训练质量评价方法，包括以下步骤：S1：构建装备维修训练评价指标体系；S2：建立BP神经网络模型；S3：对BP神经网络模型进行训练，并根据新数据进行评价。根据装备维修训练的6个一级指标和21个二级指标，建立三层的BP神经网络模型，其中输入层与隐含层之间的传递函数为正切函数，隐含层与输出层之间的传递函数为线性函数。将收集到的样本随机分为两部分，一部分用来训练BP神经网络模型，另一部分用来对训练完的BP神经网络模型进行测试；并将输出的测试结果作为装备维修训练质量的评价结果。本发明专利技术中的方法可以减少人为因素的影响，使评价结果更加客观准确，评价模型简洁，运算速度快，容错能力强。力强。力强。

【技术实现步骤摘要】
基于BP神经网络的装备维修训练质量评价方法


[0001]本专利技术涉及装备维修训练质量评价
，尤其涉及基于BP神经网络的装备维修训练质量评价方法。

技术介绍

[0002]进入20世纪80年代，随着计算机技术的发展应用，虚拟现实技术得到了极大的发展，并开始在维修训练方面应用。应用向来是各种高新技术最早和重要的应用领域，事实上，虚拟现实技术的发展也是源于应用的需要。从20世纪80年代起，发达国家都十分重视虚拟维修训练系统建设。欧盟为推动信息技术的发展，开展了ESPRIT计划，它是“欧洲信息技术研究和开发战略计划”的简称。该计划从1983年启动，到1998年结束，15年处于欧洲信息技术研究与开发的前列，共实施了1000多个研究开发项目和900多项辅助行动，产生了巨大的成效和影响。其中一些项目涉及了仿真技术在维修训练方面的应用。目前，虚拟维修训练广泛应用于原子能设备、航空航天设备、高压电力设备以及坦克、军用车辆等的装备维修训练中。
[0003]美军80％以上的主战装备均不同程度地采用了虚拟维修训练。美军研制了坦克、军用车辆维修保养训练系统。各种类型的故障诊断和维修训练专家系统已用于美国F
‑
16战斗机、B
‑
2B轰炸机、海军舰艇、陆军军械装备等在役装备的故障诊断和维修训练中。在有害环境中的设备维修训练上，虚拟维修保养训练系统更显其优越性，如英国皇家海军在舰载核能推进系统维修项目研究中应用了虚拟维修训练技术。据不完全统计，采用虚拟维修训练后，训练经费可以节省40％以上，时间节省30％左右，与现有的维修训练技术手段相比，费效优势明显。虚拟维修训练已经成为一个非常有潜力和应用前景的

[0004]在国内，这方面的应用尚处于起步阶段，虚拟维修训练系统具有巨大的开发价值和发展潜力。综合考虑各方面因素，结合维修训练的实际情况，开发非沉浸式、低成本、能进行维修过程演示与交互的桌面式虚拟维修训练系统很有现实意义，可将系统应用于维修训练和维修水平的考核，进行维修保障资源的合理分配、维修效能的评估以及用于对指挥员进行组织指挥能力的考核和评估。
[0005]装备维修训练质量评价检查装备维修训练的情况，衡量装备维修训练的效果，不断提高训练质量的重要手段和有效措施，但是现有的装备维修训练质量评价方法受到人为因素的影响较大，具有不稳定性和不可预测性，计算过程相对复杂。

技术实现思路

[0006]针对上述存在的问题，本专利技术旨在提供一种基于BP神经网络的装备维修训练质量评价方法，可以减少人为因素的影响，使评价结果更加客观准确，评价模型简洁，运算速度快，容错能力强。
[0007]为了实现上述目的，本专利技术所采用的技术方案如下：
[0008]基于BP神经网络的装备维修训练质量评价方法，其特征在于，包括以下步骤；
[0009]S1：构建装备维修训练评价指标体系；
[0010]S2：根据步骤S1中的维修训练评价指标建立BP神经网络模型；
[0011]S3：对步骤S2中的BP神经网络模型进行训练，得到新的神经网络模型，并根据新数据进行评价。
[0012]进一步的，步骤S1中所述维修训练评价指标包括6个一级指标和21个二级指标。
[0013]进一步的，6个所述一级指标包括维修训练过程控制、人力资源、受训人员素质、维修训练资源、维修训练信息资源和维修训练管理效能。
[0014]进一步的，步骤S2的具体操作包括，
[0015]S21：确定输入、输出神经元的个数；
[0016]S22：确定传递函数；
[0017]S23：确定隐含层的层数；
[0018]S24：确定隐含层神经元的个数。
[0019]进一步的，步骤S21中输入层的神经元个数为21个，输出层的神经元个数为1个。
[0020]进一步的，步骤S22中输入层与隐含层之间的传递函数为正切函数，隐含层与输出层之间的传递函数为线性函数。
[0021]进一步的，步骤S23中所述的隐含层个数为1。
[0022]进一步的，步骤S24中所述隐含层神经元的个数为7。
[0023]进一步的，步骤S3中对BP神经网络模型进行训练得到新的神经网络模型，并根据新数据进行评价的具体操作包括，
[0024]S31：将收集到的样本随机分为两部分，一部分用来训练BP神经网络模型，称为训练数据；另一部分用来对训练完的BP神经网络模型进行测试，称为测试数据；训练数据和测试数据都包括输入和输出两部分；
[0025]S32：使用训练数据的输入数据和输出数据对S2建立的神经网络模型进行训练；
[0026]S33：将测试数据的输入数据作为已完成训练的神经网络模型的输入，得到输出值，输出值即为装备维修训练质量评估的综合评价值；
[0027]S34：将测试数据的输出部分和步骤S33中得到的综合评价值，通过性能函数进行对比，验证模型的准确性。
[0028]10、根据权利要求9所述的基于BP神经网络的装备维修训练质量评价方法，其特征在于，步骤S31中训练BP神经网络模型以及对训练完的BP神经网络模型进行测试的具体操作包括：
[0029]S311：收集前期已完成评估且评估结果符合客观情况的数据；
[0030]S312：将收集的数据随机分为两类：训练BP神经网络模型的训练数据、用于测试训练后的BP神经网络模型的测试数据。
[0031]本专利技术的有益效果是：
[0032]1、本专利技术中基于BP神经网络的装备维修训练质量评价方法最终评价出来的结论客观性更强。装备维修训练质量影响因素众多，各因素之间相互影响，采用主观评价方法受人为影响因素较大，将收集的数据构建BP神经网络评价模型，能够客观对装备维修训练质量进行评价，避免人为因素干扰，评价结果更客观。
[0033]2、本专利技术中用于评价装备维修训练质量的BP神经网络模型非常简洁，BP神经网络
模型构建后，将测得的新数据输入到模型中即可得出结果，大大简化了评价过程。
[0034]3、本专利技术中基于BP神经网络的装备维修训练质量评价方法结果精度可以不断提高，模型评价结果为具体数值或矩阵，通过设定评价值的精度，能够满足不同要求。
[0035]4、本专利技术中基于BP神经网络的装备维修训练质量评价方法运算速度快、容错能力强。
附图说明
[0036]图1为本专利技术实施例一中a＝2，m＝6时的具体训练过程图；
[0037]图2为本专利技术实施例一中a＝3，m＝7时的具体训练过程图；
[0038]图3为本专利技术实施例一中a＝4，m＝8时的具体训练过程图；
[0039]图4为本专利技术实施例一中6组测试数据对训练完成的BP神经网络模型进行测试的验证数据输出结果图。
具体实施方式
[0040]为了使本领域的普通技术人员能更好的理解本专利技术的技术方案，下面结合附图和实施例对本专利技术的技术方案做进一步的描述。
[0041]基于BP本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于BP神经网络的装备维修训练质量评价方法，其特征在于，包括以下步骤；S1：构建装备维修训练评价指标体系；S2：根据步骤S1中的维修训练评价指标建立BP神经网络模型；S3：对步骤S2中的BP神经网络模型进行训练，得到新的神经网络模型，并根据新数据进行评价。2.根据权利要求1所述的基于BP神经网络的装备维修训练质量评价方法，其特征在于，步骤S1中所述维修训练评价指标包括6个一级指标和21个二级指标。3.根据权利要求2所述的基于BP神经网络的装备维修训练质量评价方法，其特征在于，6个所述一级指标包括维修训练过程控制、人力资源、受训人员素质、维修训练资源、维修训练信息资源和维修训练管理效能。4.根据权利要求1所述的基于BP神经网络的装备维修训练质量评价方法，其特征在于，步骤S2的具体操作包括，S21：确定输入、输出神经元的个数；S22：确定传递函数；S23：确定隐含层的层数；S24：确定隐含层神经元的个数。5.根据权利要求4所述的基于BP神经网络的装备维修训练质量评价方法，其特征在于，步骤S21中输入层的神经元个数为21个，输出层的神经元个数为1个。6.根据权利要求5所述的基于BP神经网络的装备维修训练质量评价方法，其特征在于，步骤S22中输入层与隐含层之间的传递函数为正切函数，隐含层与输出层之间的传递函数为线性函数。7.根据权利要求6所述的基于BP神经网络的装备维修训练质量评...

【专利技术属性】
技术研发人员：曹继平，吴聪伟，王新军，李爱华，王连锋，刘建友，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：