CN111047215B

CN111047215B - 基于随机森林的现场可更换单元划分类别确定方法

Info

Publication number: CN111047215B
Application number: CN201911364677.2A
Authority: CN
Inventors: 郭志明; 刘�英; 姬广振; 李长福; 王丹; 李阳; 陈岩
Original assignee: Ordnance Science and Research Academy of China
Current assignee: Ordnance Science and Research Academy of China
Priority date: 2019-12-09
Filing date: 2019-12-26
Publication date: 2023-06-23
Anticipated expiration: 2039-12-26
Also published as: CN111047215A

Abstract

本发明涉及武器装备维修保障技术领域，尤其是一种基于随机森林的现场可更换单元划分类别确定方法，首先从可靠性和寿命特征、测试诊断特征、维修更换特征、供应保障特征及其它特征五方面构建特征集；然后在特征集的基础上，对相关数据进行预处理；最后引入随机森林算法的思想并进行改进，依据已有特征集生成对应的随机森林，进而依据划分特征来判断LRU类别。本发明方法实现了LRU的科学划分，为武器装备的可靠性、维修性、保障性和测试性工程设计与分析提供支撑。

Description

基于随机森林的现场可更换单元划分类别确定方法

技术领域

本发明涉及装备维修保障技术领域，具体涉及一种基于随机森林的现场可更换单元划分类别确定方法。

背景技术

现场可更换单元（LRU，Line Replaceable Unit）是武器装备的重要组成部分，《维修性设计技术手册》中对LRU做出了相关解释：在使用的情况下，即在外场或者战斗情况下可更换的产品及其组成部分。合理的LRU划分确定有助于降低装备寿命周期费用，降低现场的装备故障诊断时间和修复时间，减少和优化保障资源的种类和数量，优化战时备件资源配置，提高装备部署的机动性，为构建科学优化的装备系统提供支撑。随着现代科学技术的日新月异，对高新武器装备的性能要求越来越高，在对装备的性能提出高需求的同时，也对其通用质量特性提出了更高的要求，所以越来越多的航天、航空、舰船以及兵器等武器装备开始重视LRU划分在提升装备通用质量特性中的作用。

现有技术中有些将权衡分析方法引入到产品LRU划分类别确定中，该方法从平均失效质量、平均失效修复时间和平均失效故障漏检率三方面建立了三个评估指标，并采用仿真方法评估LRU方案的优劣，这一研究为LRU方案权衡提供一个量化手段，但指标在LRU划分权衡需求的覆盖方面还存在不足。在RMS权衡分析方面，针对单个RMS指标和经济性方面开展了研究，提出了考虑研制进度和风险的性能、RMS与费用的权衡模型，考虑了多个RMS指标和影响因素。系统效能作为装备作战能力评价的重要指标，研究者们将其引入到RMS权衡中，提出了以使用可用度为中心的RMS权衡分析技术，通过仿真方法以系统效能为目标对RMS指标方案进行权衡优化，效能虽然是一个反映RMS综合能力的指标，但效能模型涉及参数较多且难以获得，用于LRU划分权衡难度较大。

现有技术中还有些LRU划分方法是基于核心零部件的，从设备零部件清单出发，基于Pareto原则以及设备的功能结构分析，筛选出核心零部件，并把核心零部件作为LRU模块的基本组成，最后将非核心零部件匹配组装到各LRU模块上，完成划分。在这个过程中可以看出，零部件级是该方案中划分LRU的基础结构层级，且核心零部件是LRU的基本功能单元。核心零部件具有核算成本较高、拆卸组装耗时较长并且功能独立性较强等特点。在此方法中将其它非核心零部件装配到核心零部件上的过程，引入了全寿命周期设计研制、使用保障、退役处置各个阶段成本和时间综合评判因子，通过接口关系对装配方案进行权衡选择，形成最优化的LRU划分方案。但此方法在实现设备零部件到LRU模块聚类划分之后，没有对划分得到的模块进行进一步评判，并区分设备中可能存在的非LRU，后期还需要结合各个部件故障率的分析，对设备中可能存在的非LRU进行判断，进一步对设备LRU清单进行修改和完善。

发明内容

本发明的目的是针对武器装备LRU划分影响因素较多且缺乏有效的量化指标作为依据的现状，面向以维修保障快捷方便、测试诊断迅速准确等需求为主的LRU划分权衡问题，以随机森林作为解决问题的技术手段，提出一种基于随机森林的现场可更换单元划分类别确定方法。

主要包括4个步骤：

S1：特征集选取：从五个方面构建特征集：可靠性和寿命特征、测试诊断特征、维修更换特征、供应保障特征及其它特征；

S2：数据收集与预处理：根据现实设计制造的实际需求，选取质量、体积等相关特征作为输入特征，然后将所得相关输入数据进行预处理，从而构建相应的数据集；

S3：建立随机森林改进模型：基于选取的特征集，将随机森林算法进行改进，结合训练样本的个数和特征数目构建每棵树；

S4：根据收集的数据集生成对应的随机森林，并依据划分特征来判断LRU类别。

步骤S2中所述的数据进行预处理主要包括如下步骤：

1)产品结构树层级预处理：分别用1、2、3、4代表整个产品、系统、部件以及零件；

2)可拆卸性、可装配性预处理：对于可拆卸性以及可装配性是0至1之间的数表示，通过模糊打分的方式给出，数越接近于1拆卸性越好；

3)需要专用工具维修预处理：分别用1和0代表需要和不需要；

4)现场故障可诊断性预处理：对于现场故障可诊断性预处理以0至1之间的数表示，通过模糊打分的方式给出，数越接近于1可诊断性越好；

5)LRU类别预处理：分别用1和0代表LRU和非LRU。

步骤S3中所述的随机森林算法改进主要包括如下步骤：

1) N，M分别为训练样本的个数和特征数目；

2) 输入特征数目m，m＜＜M ，用于确定决策树上某节点的决策结果；

3) 采用放回抽样的方式，从N个训练样本取样N次，从而形成训练集，并对随机未选取的样本作评估，评估其误差；

4) 在每一个节点随机选择m个特征，基于该特征确定决策树上每个节点，并以此特征计算，从而达到其最佳的分裂方式；

5) 每棵决策树都会完整成长而不会剪枝，随机采用正常树状分类器；

6) 最后测试数据，根据每棵树，以少胜多方式决定分类。

本发明的技术特点：

本发明所述的一种基于随机森林的现场可更换单元划分类别确定方法，其面向以维修保障快捷方便、测试诊断迅速准确等需求为主的LRU划分权衡问题，以随机森林作为解决问题的技术手段，提供一种科学实用的LRU划分理论与方法。本发明针对武器装备LRU划分影响因素较多且缺乏有效的量化指标作为依据的现状，将现场可更换单元划分归为分类问题，将随机森林这种鲁棒性较强的分类算法，结合到LRU划分问题上，提出了一种随机森林改进模型。重点解决在LRU划分权衡量化指标参数集构建、LRU划分权衡模型与优化算法研究过程中遇到的一些理论问题，实现了LRU的科学划分，为武器装备的可靠性、维修性、保障性和测试性工程设计与分析提供支撑。

附图说明

图1 LRU划分特征集构建框架；

图2 LRU划分特征集合；

图3 产品结构树层级预处理；

图4需要专用工具维修预处理；

图5 LRU类别预处理；

图6 处理后的数据集代表；

图7 划分特征概率分布；

图8 实验分类结果。

具体实施方式

本发明所述的一种基于随机森林的现场可更换单元划分类别确定方法，首先从以下五个方面构建特征集：可靠性和寿命特征、测试诊断特征、维修更换特征、供应保障特征及其它特征；然后对收集到的数据进行预处理，包括数质量化等；接着基于以上特征集的选取，将随机森林算法进行改进，结合训练样本的个数和特征数目构建每棵树；最后根据以上收集的数据集已经生成了对应的随机森林，并依据划分特征来判断LRU类别。

选取某种武器装备作为具体的实施例：

综合考虑可靠性和寿命特征、测试诊断特征、维修更换特征、供应保障特征以及其它特征等特征因素，选取质量、体积等相关特征作为输入特征，对上述基于随机森林的现场可更换单元划分方法进行有效性验证。

（1）特征集的选取

特征集的选取是LRU划分工作的基础，LRU划分特征会直接影响模型的分类结果，选择的特征越好，分类效果越好。从五个方面构建特征集：可靠性和寿命特征（可靠性、寿命）、测试诊断特征（故障诊断难易程度、状态测试难易程度等）、维修更换特征（可达性、互换性、防错性等）、供应保障特征（对生产流程的影响、包装装卸储运要求、特殊技术培训要求等）及其它特征（经济子因素、环保子因素等）。特征集构建框架如图1所示。

（a）可靠性和寿命特征

装备可靠性对LRU的影响表现在产品各组成结构的故障率的高低，而可靠性高低是装备组成结构是否确定为LRU的先决条件；寿命的长短对产品是否被划分为LRU也起着至关重要的作用，由于寿命短需要频繁更换的部分应被确定为LRU。

（b）测试诊断特征

LRU发生故障后要满足迅速拆装的功能，应具有良好的测试性，可以及时、快速地检测与隔离故障，为后续拆卸安装提供便捷。

（c）维修更换特征

维修更换主要体现在故障维修量上，维修量涉及维修时间、维修人员数量、维修工具等；

（d）供应保障特征

保障性对LRU划分权衡的需求主要是便于携带性，包括质量、体积、数量等方面，减小维修保障资源的规模，可提高整个部队部署的机动性；

（e）其它特征

其他特征主要为经济上的需求，在LRU划分的时候，可以对LRU的经济成本进行考虑。

根据实际需求，从可靠性和寿命特征、测试诊断特征、维修更换特征、供应保障特征以及其它特征等特征因素选取建立特征集，具体如图2所示。

（2）数据收集与预处理

综合考虑可靠性和寿命特征、测试诊断特征、维修更换特征、供应保障特征以及其它特征等特征因素，针对某型武器装备，根据现实设计制造的实际需求，选取质量、体积等相关特征作为输入特征。然后将所得相关输入数据进行预处理，从而构建相应的数据集。比如，产品结构树层级，需要进行数值量化，因此需要定义相应的转化规则来进行特征映射。

具体的数据预处理方法如下：

（a）产品结构树层级预处理，分别用1、2、3、4代表整个产品、系统、部件以及零件，具体如图3所示。

（b）可拆卸性、可装配性预处理：对于可拆卸性以及可装配性是0至1之间的数表示，通过模糊打分的方式给出，数越接近于1拆卸性越好。

（c）需要专用工具维修预处理，分别用1和0代表需要和不需要，具体如图4所示。

（d）现场故障可诊断性预处理：对于现场故障可诊断性预处理以0至1之间的数表示，通过模糊打分的方式给出，数越接近于1可诊断性越好；

（e）LRU类别预处理，分别用1和0代表LRU和非LRU，具体如图5所示。

（3）随机森林改进模型

随机森林即在随机的情况下构建一个森林，该森林包含许多特征类型属性的决策树，并且其中的决策树互相之间没有关联。在森林被构建完成之后，每当有一个新的输入样本进入其中，则该森林中的每一棵决策树分别进行相应的判断，判断该样本的具体分类，然后分析哪类居多，并以此进行预测。基于以上特征集的选取，将随机森林算法进行改进，结合训练样本的个数和特征数目构建每棵树。

随机森林算法改进具体包括如下步骤：

（a） N，M分别为训练样本的个数和特征数目。

（b）输入特征数目m，m＜＜M，用于确定决策树上某节点的决策结果。

（c）采用放回抽样的方式，从N个训练样本取样N次，从而形成训练集，并对随机未选取的样本作评估，评估其误差。

（d）在每一个节点随机选择m个特征，基于该特征确定决策树上每个节点，并以此特征计算，从而达到其最佳的分裂方式。

（e）每棵决策树都会完整成长而不会剪枝，随机采用正常树状分类器。

（f）最后测试数据，根据每棵树，以少胜多方式决定分类。

（4）根据已构建的数据集（图5所示）生成预处理后的数据集代表如图6所示，然后依据已有的数据集生成了对应的随机森林，每一棵决策树在不同类别下的概率如图7所示。本文以两组某型武器装配相关实验数据为例，对该组数据根据随机森林决策树进行预测判断，分类结果如图8所示。

最终得出结论，第一组某型武器装配相关实验数据76%为LRU划分，24%为非LRU划分，所以最终认定其为LRU划分类别。第二组某型武器装配相关实验数据27%为LRU划分，73%为非LRU划分，所以最终认定其为非LRU划分类别。

Claims

1.基于随机森林的现场可更换单元划分类别确定方法，其特征在于：包括如下四个步骤：

S2：数据收集与预处理：根据现实设计制造的实际需求，选取质量、体积、产品结构树层级、可靠度、寿命、可拆卸性、可装配性、需要专用工具维修、更换需要人员数量、更换时间、现场故障可诊断性作为输入特征，然后将所得相关输入数据进行预处理，从而构建相应的数据集；

S3：建立随机森林改进模型：基于选取的特征集，将随机森林算法进行改进，结合训练样本的个数和特征数目构建每棵树；随机森林算法改进的主要步骤如下：

1) N，M分别为训练样本的个数和特征数目；

6) 最后测试数据，根据每棵树，以少胜多方式决定分类。

2.根据权利要求1所述的基于随机森林的现场可更换单元划分类别确定方法，其特征在于：步骤S2中所述的数据进行预处理主要包括如下步骤：

1) 产品结构树层级预处理：分别用1、2、3、4代表整个产品、系统、部件以及零件；

2) 可拆卸性、可装配性预处理：对于可拆卸性以及可装配性是0至1之间的数表示，通过模糊打分的方式给出，数越接近于1拆卸性越好；

3) 需要专用工具维修预处理：分别用1和0代表需要和不需要；

4) 现场故障可诊断性预处理：对于现场故障可诊断性预处理以0至1之间的数表示，通过模糊打分的方式给出，数越接近于1可诊断性越好；

5) LRU类别预处理：分别用1和0代表LRU和非LRU。