陳 旭,胡建旺,孫慧賢,單成進

(1.陸軍工程大學(xué)石家莊校區(qū)，河北 石家莊 050003；2.解放軍32228部隊23分隊，福建 廈門 361100)

0 引言

近年來，隨著人工智能、概率論等理論不斷應(yīng)用到設(shè)備的故障測試診斷上，國內(nèi)外故障診斷技術(shù)取得了較大發(fā)展[1]。從實際的研究應(yīng)用來看，故障診斷技術(shù)主要分為以下三類：一是借助常用信號處理的方法完成故障識別；二是借助經(jīng)驗知識的診斷方法，如專家系統(tǒng)法、模糊推理法、模式識別法等；三是借助解析模型分解的識別方法[2]。三類測試診斷方法各有優(yōu)劣，其中借助經(jīng)驗知識的診斷方法，具有快速、智能、準(zhǔn)確率高的優(yōu)點，但是其自身網(wǎng)絡(luò)結(jié)構(gòu)難以確定，診斷實時性較差，特征量的選取與表述較難。基于信號處理的方法實現(xiàn)簡單方便，但故障診斷不夠精確，難以定位故障。利用解析模型的診斷方法優(yōu)點是輸入輸出關(guān)系明確，可以直觀反應(yīng)診斷過程，但缺點在于數(shù)學(xué)模型難建立、實時性差、受噪聲的影響較大[3]。

目前我軍在對指控裝備通信設(shè)備故障診斷上主要存在有以下兩個方面的問題：一是大部分的檢測方法故障定位不夠準(zhǔn)確，測試深度不夠，故障診斷層次低；二是檢測設(shè)備、檢測工具、檢測方法的通用性不強，沒有形成成熟的測試診斷理論。針對上述不足，提出一種基于小波分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法[3]。

1 小波神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)由于具有良好的自我學(xué)習(xí)能力、非線性映射和容錯能力，被廣泛地應(yīng)用于復(fù)雜電子設(shè)備的故障診斷[4]；但神經(jīng)網(wǎng)絡(luò)中激勵函數(shù)的支撐集是無窮大的，使得傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度非常慢。而小波分析因其在時頻域出色的局部分析變焦能力，可以有效減少神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的結(jié)構(gòu)規(guī)模以及優(yōu)化權(quán)值選擇[5]。小波和神經(jīng)網(wǎng)絡(luò)的結(jié)合一方面可以通過神經(jīng)網(wǎng)絡(luò)的優(yōu)勢解決大規(guī)模應(yīng)用小波分析對小波基構(gòu)造和儲存花費大的問題；另一方面利用小波局部時頻域分析能力為神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)規(guī)模和學(xué)習(xí)參數(shù)作為依據(jù)，從而很好地解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂慢、過學(xué)習(xí)或欠學(xué)習(xí)等一系列問題[6]。相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，小波神經(jīng)網(wǎng)絡(luò)具有更好的自適應(yīng)分辨性和容錯能力，收斂速度快，有效地避免了局部最小值問題。

小波與神經(jīng)網(wǎng)絡(luò)的結(jié)合有兩種方式：一種是松散型結(jié)合，利用小波分析對通信信號進行預(yù)處理，依靠小波包分解或者多分辨分析提取信號的故障特征，而后送用神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)判別，其結(jié)構(gòu)如圖1所示；另一種為緊致型結(jié)合的方式，即神經(jīng)網(wǎng)絡(luò)與小波直接結(jié)合，用小波函數(shù)來代替神經(jīng)網(wǎng)絡(luò)中的激勵函數(shù)，由小波函數(shù)的尺度和平移參數(shù)代替神經(jīng)網(wǎng)絡(luò)中的權(quán)值和隱層閾值，其結(jié)構(gòu)如圖2所示[7]。

圖1 松散型小波神經(jīng)網(wǎng)絡(luò)Fig.1 Loose wavelet neural network

圖2 緊致型小波神經(jīng)網(wǎng)絡(luò)Fig.2 Compact wavelet neural network

本文采用松散型結(jié)構(gòu)小波神經(jīng)網(wǎng)絡(luò)，先通過小波分析提取故障特征向量，再送入神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練和測試[4]。在小波分析的發(fā)展過程中，Mallat提出了多分辨分析性，將正交小波基的構(gòu)造方法統(tǒng)一起來，確定了正交小波變換的快速算法，為松散型小波神經(jīng)網(wǎng)絡(luò)故障診斷奠定了基礎(chǔ)?？臻gL2(R)的多分辨分析性是指在空間內(nèi)構(gòu)造一個子空間序列{Vm:m∈Z}，使其具有下列性質(zhì)：

1) 單調(diào)性

Vj?Vj+1,j∈Z；

2) 逼近性

3) 伸縮性

f(x)∈Vj?f(2x)∈Vj+1,j∈Z;

4) 平移不變性

f(x)∈V0?f(x-k)∈V0,k∈Z;

5) 正交基存在性

存在φ(x)∈V0，使得|φ(x-k)|k∈Z是V0的標(biāo)準(zhǔn)正交基。

則Vj(j∈Z)是空間L2(R)的一個多分辨分析，其中φ(x)為尺度函數(shù)。多分辨分析的基本思想是將信號分解成低頻部分和高頻部分，然后繼續(xù)對低頻部分進行分解，從而能形成多分層結(jié)構(gòu)。多分辨分析結(jié)構(gòu)如圖3所示。

圖3 多分辨分析分解樹結(jié)構(gòu)圖Fig.3 Multi-resolution analysis decomposition tree structure diagram

小波包是在小波變換的基礎(chǔ)上提出來的，由于多分辨分析對信號的時頻分解尺度是二進制變化的，所以仍然存在高頻段頻率分辨率低，低頻段時間分辨率低的問題[8]。小波包分析作為一種更為精細(xì)的分析方法，將原始信號分解為高頻細(xì)貌和低頻概貌，并進一步繼續(xù)分解。因為小波包具有高頻信號分析能力，可以對多分辨分析沒有細(xì)分的高頻部分進行更為精細(xì)的分解。

以一個三層的分解樹來對小波包分析進行說明，如圖4所示，D代表高頻部分，A代表低頻部分，數(shù)字代表分解尺度，其分解關(guān)系如下式：

圖4 小波包分解樹結(jié)構(gòu)圖Fig.4 Wavelet packet decomposition tree structure diagram

S=AAA3+DAA3+ADA3+DDA3+AAD3+
DAD3+ADD3+DDD3

(1)

所以在指揮系統(tǒng)故障診斷中，可以對輸出信號進行小波包分析以提取在不同故障模式下的故障特征作為樣本集或測試集[9]。當(dāng)一個頻率豐富的測試信號輸入到被測設(shè)備中時，由于設(shè)備故障點對信號的不同頻率成分作用必然發(fā)生改變，所以其輸出信號與正常信號相比，內(nèi)部各頻率的信號能量將會發(fā)生改變，因此在輸出信號中將包含大量故障信息，選取某幾種合適的頻率能量變化作為故障特征，即可代表對應(yīng)的故障。

2 基于小波預(yù)處理的裝備故障診斷

2.1 故障特征提取

小波神經(jīng)網(wǎng)絡(luò)對指控裝備的診斷主要分為兩大部分：第一部分首先是利用小波包分析完成對信號的頻率分析以及故障特征的提??；第二部分為多層前饋神經(jīng)網(wǎng)絡(luò)，利用提取的故障特征，完成故障模式的分類功能[10]。故障特征的提取是運用小波神經(jīng)網(wǎng)絡(luò)進行故障模式識別的關(guān)鍵。選擇小波包分析對指控裝備故障信號進行分解，選擇能具有較好識別能力的頻率系數(shù)部分作為故障特征向量，輸入至神經(jīng)網(wǎng)絡(luò)進行模式識別[11]。在Matlab中利用小波包分析對信號的故障特征提取的過程如下：

1) 將測試收集到的裝備輸出信號離散化，而后保存為.mat文件方便進行小波包分析。

2) 利用小波包對離散后信號數(shù)據(jù)進行多尺度分解，編程如：T=wpdec(s,N,’wavename’);N代表分解層數(shù)，wavename代表使用小波。

3) 從分解結(jié)構(gòu)中提取各層節(jié)點系數(shù)向量，并從中選取能表征故障特征的系數(shù)。編程如：T=wpcoef(T,[m,n]);

4) 對選取的系數(shù)進行歸一化處理，作為故障特征向量輸入神經(jīng)網(wǎng)絡(luò)進行模式識別。

2.2 故障模式識別

針對裝備故障模式識別的基本原理是先將裝備所有的故障由唯一特征表征；然后利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對這些特征進行學(xué)習(xí)，通過特征以及對應(yīng)故障模式的關(guān)聯(lián)，對學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)進行相關(guān)權(quán)重系數(shù)優(yōu)化；最后輸入響應(yīng)的測試數(shù)據(jù)，進行故障模式判別。具體步驟如下：

1) 對指控裝備針對不同故障模式以及正常狀態(tài)下的信號數(shù)據(jù)進行采集，并分類整理。

2) 利用Matlab工具對信號進行預(yù)處理，選取合適的系數(shù)來表征不同狀態(tài)特征。

3) 構(gòu)造特征向量。

4) 對各狀態(tài)信號數(shù)據(jù)歸一化處理，選取典型特征向量，制作訓(xùn)練樣本集。

5) 將樣本集輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重。

將待測信號輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，進行故障識別[12]。流程圖如圖5所示。

圖5 基于小波神經(jīng)網(wǎng)絡(luò)的故障診斷流程圖Fig.5 Fault diagnosis flowchart based on wavelet neural network

3 指控裝備故障診斷實例分析

通信控制機作為指控系統(tǒng)集網(wǎng)絡(luò)間數(shù)據(jù)轉(zhuǎn)換、數(shù)字交換、電臺組網(wǎng)控制、高速有線傳輸?shù)裙δ苡谝惑w的核心通信設(shè)備，結(jié)構(gòu)復(fù)雜，內(nèi)部板件眾多，選取通信控制機作為實驗對象進行測試，研究的測試方式可以推廣到其他指控設(shè)備測試診斷上。

3.1 故障模式分析

通信控制機的故障按照元件參數(shù)值偏離標(biāo)稱值的程度可以劃分為軟故障和硬故障兩類，常見的故障模式及影響如表1所示[13]。

表1 通控機故障模式表Tab.1 Failure mode table of communication control machine

3.2 測試方案及數(shù)據(jù)分析

通信控制機的測試包含接口注入測試信號，響應(yīng)信號的處理，故障特征的識別提取以及故障模式識別四個階段。實驗選取一臺功能正常的通信控制機以及設(shè)置故障的用戶板U09進行驗證實驗。利用數(shù)據(jù)采集卡對測試響應(yīng)信號進行采集，小波-神經(jīng)網(wǎng)絡(luò)的方法對測試響應(yīng)信號進行分析處理，實驗采集數(shù)據(jù)仿真在Matlab環(huán)境中進行。首先選擇合適的測試端口，根據(jù)通信控制機的結(jié)構(gòu)原理，車內(nèi)口與內(nèi)部眾多電路板相通，故選取車內(nèi)口作為測試信號注入接口。注入的測試信號流經(jīng)不同功能狀態(tài)的電路會使響應(yīng)信號內(nèi)部時頻信息產(chǎn)生不同變化，所以當(dāng)通過有故障的板件后，響應(yīng)信號中就會攜帶著大量故障信息。而后利用小波包分析對響應(yīng)信號進行預(yù)處理，選取合適的小波細(xì)節(jié)系數(shù)作為故障特征向量送入神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練。

在驗證實驗中，選取用戶板上一個電路進行故障設(shè)置，具體實驗流程如下：

1) 設(shè)置故障診斷集

F0(正常狀態(tài))：R1=10 K，L=0.01 μH，C=9 pF；

F1(故障狀態(tài)①)：R1=10 K，L=0.01 μH，C=開路；

F2(故障狀態(tài)②)：R1=短路，L=0.01 μH，C=9 pF；

2) 分別在三種不同狀態(tài)下進行通信控制機測試實驗，利用采集卡收集響應(yīng)信號，并對各狀態(tài)下的響應(yīng)信號進行小波預(yù)處理。首先對信號進行離散，然后在Matlab中使用小波包工具對離散后信號進行三層分解。

3) 利用小波包仿真計算向量系數(shù)和從分解后的信號中提取故障信號作為故障特征向量，并從中選取能表征故障特征的系數(shù)。

4) 將小波系數(shù)進行歸一化處理。

5) 對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由一個隱含層和一個輸出層組成，輸入節(jié)點有5個，輸出節(jié)點3個，神經(jīng)網(wǎng)絡(luò)的誤差曲線如圖6所示。

圖6 小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差收斂圖Fig.6 Wavelet neural network training error convergence diagram

6) 在三種狀態(tài)下對通控機進行測試，并將測試結(jié)果進行小波預(yù)處理并歸一化，形成測試集，然后利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對測試結(jié)果進行分類診斷，故障診斷的正確率為90%。

為了更好地說明小波神經(jīng)網(wǎng)絡(luò)在故障診斷中的優(yōu)勢，我們選擇普通BP神經(jīng)網(wǎng)絡(luò)進行對照實驗，同樣在通控機的用戶板上設(shè)置兩個常見故障：

1) 設(shè)置故障診斷集

F0(正常狀態(tài))：R1=10 K，L=0.01 μH，C=9 pF；

F1(故障狀態(tài)①)：R1=10 K，L=0.01 μH，C=短路；

F2(故障狀態(tài)②)：R1=開路，L=0.01 μH，C=9 pF；

2) 在沒有小波包工具對響應(yīng)信號進行分解預(yù)處理的前提下，我們選擇測量通控機上電壓值作為故障特征，選擇四個合適的測試點進行電壓測量。

3) 對三種狀態(tài)下的通控機進行測試，共測得150組數(shù)據(jù)，其中100組數(shù)據(jù)作為用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本集，50組數(shù)據(jù)用于測試集，表3僅列出具有代表性的一組數(shù)據(jù)以及對應(yīng)的分類編碼。

表3 三種工作狀態(tài)下通控機測試節(jié)點電壓值Tab.3 The test node voltage value of the communication control machine in three working states

4) 對表3中數(shù)據(jù)進行歸一化處理，送入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，誤差曲線如圖7所示。經(jīng)過訓(xùn)練，使系統(tǒng)的輸出誤差e<0.000 1，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成，構(gòu)成通控機的故障診斷分類器。將測試數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)進行分類測試，正確率78%。

圖7 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差收斂圖Fig.7 BP neural network training error convergence diagram

經(jīng)過兩次的實驗結(jié)果對比可以看出，通過小波工具對信號進行預(yù)處理，對測試信號中的冗余信息進行剔除，簡化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，有效減少了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的時間，提高了故障診斷的效率，同時也提升了故障診斷的準(zhǔn)確率。

4 結(jié)論

本文提出了一種基于小波神經(jīng)網(wǎng)絡(luò)的指控裝備故障診斷方法。該方法既能利用小波對信號良好的時頻域分析能力，又可以充分發(fā)揮神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力和大規(guī)模處理信息的能力等優(yōu)點。經(jīng)實例分析結(jié)果表明，兩者的結(jié)合進一步簡化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)使其具有更好的逼近能力和收斂速度，提高了故障準(zhǔn)確識別率。該測試方法實現(xiàn)了對指控裝備的全面有效測試，針對多類型故障的診斷更加智能準(zhǔn)確。