姜 军， 邵明智， 王力占

(上海船舶工艺研究所， 上海 200032)



基于BP神经网络的船舶建造技术评价模型及仿真

姜 军， 邵明智， 王力占

(上海船舶工艺研究所， 上海 200032)

针对船舶建造技术评价非线性的特点，建立建造技术评价BP神经网络模型，并进行网络训练，结合某造船企业实际数据进行验证，避免传统评价方法存在人为随机性和主观性等影响，使得对船舶建造技术的评价更加准确、客观和便利。

船舶；建造技术；评价；BP神经网络

0 引言

在国际船舶市场需求持续低迷，世界造船业竞争日趋激烈，船舶企业利润空间不断压缩，国际海事新规则新规范频繁出台的多重压力下，我国船舶工业发展正面临着更加严峻的挑战。在新形势下，造船企业存在转型升级的迫切需要，要从注重要素投入的外延式发展方式转变为注重科技进步、质量效益为主的内涵式发展方式。科学评价和掌握企业造船技术水平，寻求转型发展的突破口成为行业的重要任务。

当前已进入大数据时代，数据的重要性无处不在。衡量船舶建造技术关键在于如何科学、真实、有效、全面评价我国船舶建造企业的实际水平。由于影响船舶建造技术的因素较多，各个造船企业目标产品存在差异，导致科学评价船舶建造技术水平有一定的困难。传统评价法通常邀请专家对各项指标进行打分汇总，存在人为随机性和主观性等影响，易产生评价不准确现象。因此，建立合理、科学的数学模型，应用智能评价算法，保证评价结果的客观性和准确性显得尤为重要。

1 建造技术评价指标的选取

以CB/T 4335-2012《船舶建造技术水平评估方法》和《船舶行业规范条件(试行版)》的内容为基础，从综合经济技术、生产设计技术、生产管理技术、单船建造技术、信息集成技术等5个层面选择7项评价指标数据，准确、客观地评价船舶建造技术水平[1-2]。

(1) 全员造船生产效率。全员造船生产效率为统计年度内完工船舶产品修正总吨与造船从业人员的比值，单位为t/人。

(2) 每修正总吨工时消耗。每修正总吨工时消耗为统计年度内完工船舶产品实动工时与完工船舶产品修正总吨的比值，单位为h/t。

(3) 钢材一次利用率。钢材一次利用率为单船船体结构设计套料重量与单船船体结构钢材实际领用量之比的百分率。

(4) 分段无余量制造率。分段无余量制造为分段在零件下料、加工和部件、组件直到形成分段的装配、焊接过程中实施无余量(可含补偿量)的制造。计算方法为无余量制造的分段个数与全船分段总数之比的百分率。

(5) 搭载前预舾装率。搭载前预舾装率为分段或总段在上船台(进坞)前已经安装完成的舾装工程量(以实动工时计)与全船舾装工程量(以实动工时计)之比的百分率。

(6) 下水/出坞安装完整性率。下水/出坞安装完整性率为船舶下水(出坞)前已经安装完成的舾装工程量(实动工时)与全船舾装工程量(以实动工时计)之比的百分率。

(7) 涂装单位面积涂料消耗量。涂装单位面积涂料消耗量为单船每平方米涂料实际消耗量与单船每平方米涂料理论消耗量之比的百分率。

通过查阅《中国船舶工业年鉴(2012-2016)》、企业上报等途径，收集汇总得到某造船企业2011-2015年建造技术评价指标数据，如表1所示。

表1 建造技术评价指标相关参考数据

2 基于BP神经网络的船舶建造技术评价

BP神经网络是由多层神经元组成的前馈网络，名字起源于网络权值的调整规则，采用的是反向传播学习算法，即BP学习算法[3]。在BP神经网络中，数据从输入层经隐含层向后传播，训练权值时，则沿着减小误差的方向传播，从输出层经过中间层向前修正网络的连接权值。随着学习不断进行，最终误差越来越小。

2.1 BP神经网络建模

一般来说，BP神经网络由多层构成，层与层之间全连接，同一层之间的神经元无连接。根据前文内容，船舶建造技术评价选定全员造船生产效率等7项数据作为评价指标。应用BP神经网络，自动判别评价指标数据与等级范围数据的接近程度，从而对船舶建造技术进行评价[4]。

2.1.1 网络层数的确定

Roberto等已经证明，对任何在闭区间内的1个连续函数都可以用1个3层BP网络逼近，因而1个3～4层的BP神经网络可实现任意n维到m维的映射[5]。根据张立明[6]在《人工神经网络模型及应用》书中指出，与含有1个隐含层的BP网络模型相比，含有2个隐含层的BP网络更容易陷入局部极小，更难以训练。综上所述，本文中船舶建造技术评价采用3层的BP神经网络模型(1个输入层、1个隐含层、1个输出层)。

2.1.2 输入层和输入层单元数的确定

根据前文已选择7项指标数据所组成的船舶建造技术评级基本因子，船舶建造技术评价BP网络模型即包含全员造船生产效率、每修正总吨工时消耗、钢材一次利用率、分段无余量制造率、搭载前预舾装率、下水/出坞安装完整性率、涂装单位面积涂料消耗量7个输入层节点。

2.1.3 隐含层和隐含层单元数的确定

不少学者提出了隐含层节点数确定的方法，如严太山在《基于BP神经网络的玻璃瓶裂纹检测模型》文章中，归纳总结了如下计算方法：

式中：NH为最佳隐含节点数；m为输入层节点数；n为输出层节点数；a为0～10之间的常数[7]，本文中选择隐含节点数为3。

2.1.4 输出层和输出层单元数的确定

对于船舶建造技术水平评价尚未有标准等文件明确规定，结合表1中整理的5年数据，将建造技术评价划分为：I、II、III3个等级，分别表示一般、先进和优秀。因此，输出层单元数为3个，对应各自评价等级。

2.2BP神经网络训练

2.2.1 训练样本和期望输出

训练样本也称专家样本，即BP网络模型的“教师值”，通常是由多组“输入-输出对”构成的矩阵。根据2.1.4小节中输出评价等级划分为：I、II、III3个等级，将其用二进制表示，依次为：001、010、001。同时，针对各个等级，对评价指标数据进行范围划分，如表2所示。

表2 建造技术评价等级划分 %

根据表2中评价指标数据划分，形成3对训练样本，考虑采用3对样本作为输入进行BP网络训练，通过训练得出的网络鲁棒性差，会出现异常输出的情况。为了提高BP神经网络的鲁棒性和适用性，依据表2所示的划分原则，利用Matlab软件随机生成训练样本，对训练样本进行扩充。

2.2.2 样本的归一化处理

在BP神经网络中，非线性函数值域一般取[0,1]或[-1,1]2种类型。因此，需要对表2中指标数据进行归一化处理，本文选择[0,1]，采用计算公式为

2.2.3BP神经网络训练过程

本文采用BP神经网络的架构，将归一化的特征和二进制编码后的输出作为网络的输入和输出，设定网络输入层为7层，输出层为3层，其中隐含层结点为20个，选择Sigmoid函数作为隐含层激励函数，收敛误差为0.001，最大迭代次数选择10 000，神经网络的建立命令如下，训练过程如图1所示。

图1 BP神经网络的训练过程

net=newff(minmax(P_train),[20,3],{'tansig' 'tansig'} ,'traingda');

net.trainParam.epochs=10000;

net.trainParam.goal=0.001。

2.3BP神经网络测试评价结果

利用已经训练好的BP神经网络，将船舶建造技术评价指标数据样本(2011-2015年)输入网络，网络评价结果按年依次为：001(一般)、001(一般)、010(良好)、011(优秀)、010(良好)。

3 结论

本文将船舶建造技术评价问题转化为模式识别问题，把指标数据范围划分为3个等级，指标数据与最为接近等级范围数据所对应建造技术等级为BP网络模型识别输出，表示船舶建造技术水平评价等级。随着研究的深入，船舶建造技术评价指标丰富，训练样本不断扩充，应用BP神经网络评价船舶建造技术更加准确、客观和便利。

[1] 中华人民共和国工业和信息化部.船舶建造技术水平评估方法：CB/T 4335-2012[S].北京：中国船舶工业综合技术经济研究院，2013.

[][]

[2] 朱嘉龙，刘传茂. 造船技术水平评价研究[J]. 船舶工程，1999，4：19-21.

[3] 孙晓玲，王宁，梁艳. 应用BP神经网络的教学评价模型及仿真[J]. 计算机仿真，2010,11：314-318.

[4] 贺清碧. BP神经网络及应用研究[D]. 重庆：重庆交通大学，2004.

[5] 翟航，辛欣. BP人工神经网络对长春市土壤质量评价[J]. 环境研究与监测，2009,4：70-72.

[6] 张立明. 人工神经网络的模型及其应用[M]. 上海：复旦大学出版社，1993.

[7] 白润才，殷伯良，孙庆宏. BP神经网络模型在城市环境质量评价中的应用[J]. 辽宁工程技术大学学报(自然科学版)，2001,3：373-375.

Shipbuilding Technology Evaluation Model Based onBP Neural Networks

JIANG Jun， SHAO Mingzhi， WANG Lizhan

(Shanghai Shipbuilding Technology Research Institute, Shanghai 200032, China)

Based on the nonlinear characteristics of shipbuilding technology evaluation, a BP neural network model of construction technology evaluation is established. Network training is made. The verification is made which combines the shipbuilding enterprises actual data, which avoids the randomness and subjectivity of traditional evaluation methods. The evaluation of shipbuilding technology are made more accurate, objective and convenient.

ship; building technology; evaluation; BP neural network

姜 军(1987-)，男，助理工程师，研究方向为船舶与海洋工程建造工艺

1000-3878(2017)03-0005-03

U671

A