（71939部隊 濟南 250300）

1 引言

隨著智能檢測技術的發(fā)展，人工智能技術在裝備故障檢測中的應用越來越廣泛，隨著人工神經(jīng)網(wǎng)絡技術的成熟發(fā)展，它不斷推動故障診斷技術向智能化方向發(fā)展。現(xiàn)代的武器裝備越來越多的應用復雜的大規(guī)模集成電路，功能結構復雜，故障原因多樣化，故障診斷的難度越來越大。鑒于神經(jīng)網(wǎng)絡具備的I/O非線性信息映射能力、自學習能力、并行處理能力為復雜故障診斷提供了新的實現(xiàn)方法，本文采用神經(jīng)網(wǎng)絡技術對某型裝備的雷達系統(tǒng)的故障診斷進行了研究。

2 神經(jīng)網(wǎng)絡簡介

2.1 BP網(wǎng)絡的特點

人工神經(jīng)網(wǎng)絡也稱為神經(jīng)網(wǎng)絡，它以人腦神經(jīng)網(wǎng)絡為模型，通過模擬人腦神經(jīng)網(wǎng)絡的思維方式，使系統(tǒng)具備人腦的感知、學習和邏輯推理能力。

BP網(wǎng)絡是一種單向傳播的多層前向網(wǎng)絡，由輸入層、隱含層和輸出層3部分組成，其中隱含層可以有一個或多個。每層內(nèi)部的神經(jīng)元之間沒有連接，上下層之間神經(jīng)元實現(xiàn)全連接。若隱層中的作用函數(shù)采用S型傳遞函數(shù)，則輸出為0～1間的連續(xù)變量，確定輸入輸出之間的非線性映射關系［1］。

圖1 神經(jīng)網(wǎng)絡結構

神經(jīng)網(wǎng)絡的優(yōu)點在于具有很強的自適用性學習能力，能夠通過對樣本的學習、訓練和不斷演算，掌握系統(tǒng)規(guī)律，獲取診斷對象的模型及知識，無需對測量信號作模型假設。對故障的診斷都是在大量訓練樣本的基礎上通過兩種形式實現(xiàn)［2］，一是函數(shù)逼近，二是建立動態(tài)模型。

故障診斷系統(tǒng)的核心在于神經(jīng)網(wǎng)絡結構，故障征兆作為輸人量進入神經(jīng)元網(wǎng)絡，通過神經(jīng)網(wǎng)絡的自學習能力，把外部知識轉(zhuǎn)換成為網(wǎng)絡結構的連接權值和閾值，分布在整個神經(jīng)網(wǎng)絡結構之中。在確定了網(wǎng)絡的神經(jīng)元特性、結構參數(shù)和學習算法后，網(wǎng)絡可以自行解決進行故障診斷［3］。

2.2 神經(jīng)網(wǎng)絡知識庫

基于神經(jīng)網(wǎng)絡的專家系統(tǒng)的知識庫可以分為靜態(tài)知識庫和動態(tài)知識庫兩部分，靜態(tài)知識由工程師把雷達領域?qū)＜业脑\斷知識以產(chǎn)生式規(guī)則輸入。動態(tài)知識在神經(jīng)網(wǎng)絡中通過樣本的學習和訓練獲取，包括連接權值和閾值知識、節(jié)點值等［4］。

對于故障診斷系統(tǒng)，首先就要建立一個故障模式樣本庫，也就是靜態(tài)知識庫。樣本庫的知識包括試驗數(shù)據(jù)和專家經(jīng)驗。網(wǎng)絡輸入的是被診斷對象的故障現(xiàn)象，網(wǎng)絡輸出的是被診斷對象發(fā)生故障的概率。根據(jù)診斷對象故障知識確定網(wǎng)絡的結構、算法，通過樣本訓練網(wǎng)絡，直到故障類型和故障征兆之間建立正確的非線性映射關系，將知識轉(zhuǎn)換為神經(jīng)網(wǎng)絡的連接權值和閾值［5］。

因此，知識庫的建立可以總結為［6］

1）針對診斷對象的故障知識確定神經(jīng)網(wǎng)絡結構；

2）多途徑獲取大量的訓練樣本，形成樣本庫；

3）通過對樣本庫的訓練獲得網(wǎng)絡結構的連接權值和閾值，形成知識庫。

2.3 BP網(wǎng)絡算法

BP網(wǎng)絡的結構在確定以后，其網(wǎng)絡的連接權值和閾值不能滿足網(wǎng)絡要求，就要通過樣本庫對網(wǎng)絡進行訓練，使網(wǎng)絡參數(shù)不斷得到修正，以實現(xiàn)輸入輸出之間的映射關系。BP算法的學習過程由正向傳播和反向傳播兩部分組成，其算法為

wji為輸入層第i個神經(jīng)元與隱含層第j個神經(jīng)元之間的連接權值，vkj為隱層第j個神經(jīng)元與輸出層第k個神經(jīng)元之間的連接權值［7］。

1）正向傳播過程

輸入層:第i個單元的輸出值oi也就是其輸入值xi；

隱含層:隱含單元j，其輸入值netj為輸入層各單元的輸出值oi的加權和:

3 故障診斷系統(tǒng)設計

在裝備出現(xiàn)故障進行智能診斷時，神經(jīng)網(wǎng)絡通過故障樣本集進行了自學習，確定了網(wǎng)絡結構的連接權值和閾值，在輸入端輸入故障征兆后，神經(jīng)網(wǎng)絡通過推理找到相應的故障原因。

裝備神經(jīng)網(wǎng)絡診斷的準確率與網(wǎng)絡樣本庫中的數(shù)量和正確程度聯(lián)系密切，因此，根據(jù)專家經(jīng)驗和專業(yè)理論知識創(chuàng)建大量的故障樣本數(shù)據(jù)是實現(xiàn)神經(jīng)網(wǎng)絡故障診斷的關鍵［8］。

以某型裝備的雷達系統(tǒng)發(fā)射機為例進行神經(jīng)網(wǎng)絡的訓練和診斷。根據(jù)經(jīng)驗和知識，雷達系統(tǒng)發(fā)射機出現(xiàn)的故障現(xiàn)象和故障原因及神經(jīng)網(wǎng)絡的輸入和輸出如表1所示［9］。

xi=0表示沒有出現(xiàn)此故障現(xiàn)象，xi=1表示有此故障現(xiàn)象；yi=0表示不存在此故障原因，yi=1表示存在此故障。以此建立發(fā)射機故障學習樣本數(shù)據(jù)，如表2所示。

表2 發(fā)射機單元神經(jīng)網(wǎng)絡樣本集

根據(jù)以上分析，以發(fā)射機故障為例設計的BP神經(jīng)網(wǎng)絡輸入層神經(jīng)單元數(shù)目是8，輸出層神經(jīng)單元是5。隱含層節(jié)點數(shù)的確定可以根據(jù)公式:

式中i為神經(jīng)網(wǎng)絡輸入層神經(jīng)元數(shù)量，k為神經(jīng)網(wǎng)絡輸出層神經(jīng)元數(shù)量，a為［1，10］之間的常數(shù)。選取隱層神經(jīng)元數(shù)目是6或10，在本項目中選擇6。

神經(jīng)網(wǎng)絡訓練好后，對閾值和權值進行保存，形成故障診斷的知識庫。我們通過任意選擇一故障現(xiàn)象輸入到訓練好的神經(jīng)網(wǎng)絡進行驗證。選取一組故障現(xiàn)象輸入向量X=［1 0 1 0 0 0 0 0］，則得到的診斷結果是Y=［0.07341 0.98423 0.05184 0.02098 0.08763］，由此推斷故障原因為調(diào)制器故障。

圖3 故障診斷專家系統(tǒng)界面

專家系統(tǒng)采用的診斷技術很多，基于三層BP神經(jīng)網(wǎng)絡技術的專家系統(tǒng)，一般采用正向推理的故障診斷策略［10］，即通過故障現(xiàn)象，向前推理到達故障原因為止。

專家系統(tǒng)診斷的前提是通過神經(jīng)網(wǎng)絡知識表示法輸入完整的訓練樣本到神經(jīng)網(wǎng)絡中進行訓練和學習，修改各層神經(jīng)元的權值不斷完善精確神經(jīng)網(wǎng)絡知識庫［11］。首先根據(jù)故障征兆利用專家系統(tǒng)進行故障診斷，進行故障診斷時用戶通過選擇故障結構輸入故障現(xiàn)象，系統(tǒng)便可快速給出故障原因，系統(tǒng)診斷界面如圖2。

4 結語

實踐結果表明，人工神經(jīng)網(wǎng)絡建立起某雷達發(fā)射機故障征兆與故障原因之間的非線性映射［12］，提高了雷達故障診斷方面的效率和準確性，滿足了對診斷系統(tǒng)可靠性和可維護性的要求，在電子系統(tǒng)診斷方面具有極大的應用潛力和實用價值。