基于虛擬儀器的甚高頻通信系統發射電路故障診斷技術的研究

陳 云 徐亞軍

（中國民航飛行學院 四川 廣漢 618307）

0 引言

甚高頻通信系統（VHF COMM）擔負著飛機與飛機、飛機與地面臺之間的通信，是目前在飛機上應用最為廣泛也是最為重要的無線電通信設備。該系統主要由發射電路和接收電路兩部分組成。發射電路主要用話音音頻調制RF載波信號并送往甚高頻天線；接收電路將從甚高頻天線上接受到的RF信號進行解調，從中檢出音頻并送往機組和其它飛機系統使用。

對于發射電路而言只要電路中任一個電子元件出了問題就會導致發射機發射的信號距離近、信號不穩定等故障現象。因此，迅速地診斷出故障元件就成了關鍵的任務。

1 甚高頻通信系統發射電路故障診斷的方法

目前對甚高頻通信系統發射電路故障元件的診斷方法還停留在過去的方法上,比如：依靠一些儀表，按照跟蹤信號逐點尋找原因的思路，再根據人的邏輯思維來判斷故障的所在。這樣的診斷技術在很大程度上要依賴于維修人員的經驗和專業技術水平，可以說幾乎沒有形成一套科學的、成熟的辦法。

因此，針對上述甚高頻通信系統發射電路故障診斷的缺點本文提出了一種新的、快速、有效的診斷方法——基于虛擬儀器的甚高頻通信系統發射電路故障診斷技術。該方法是在以虛擬儀器為平臺，以神經網絡為算法，專門針對甚高頻通信系統發射電路故障診斷而設計。該方法能迅速地診斷出相應的故障元件，且不依賴于維修人員的經驗和技術。

2 虛擬儀器和神經網絡簡介

2.1 虛擬儀器

虛擬儀器最早是由美國NI公司提出，通過將計算機的硬件資源與儀器硬件資源結合起來，操作人員可以通過相應的軟件制作成自己熟悉的、友好的界面并結合相應的圖形化程序來操作儀器面板，完成對被測物的數據采集、分析、顯示、存儲等功能。其基本結構如圖1所示。

圖1 虛擬儀器的基本結構

虛擬儀器繼承了PC技術的優點，與傳統儀器相比具有以下特點：

（1）智能化程度高，處理能力強。

（2）復用性強，經濟合理。

（3）靈活自如，操作性強。

2.2 BP網絡結構

人工神經網絡就是模擬生物大腦的功能和結構，采用物理和數學的方法進行研究的一種信息處理系統。在人工神經網絡中應用的最多、最為普遍的網絡就是BP(Error Back Propagation Network)神經網絡[1]。

BP神經網絡是基于誤差反向傳播的一種監督式學習算法的人工神經網絡，其結構圖如圖2所示。

圖2 BP網絡結構

從圖中可以看出，x1…xn為網絡的輸入，y1…ym為網絡的輸出，其中設d1…dj為隱含層的輸出，o1…om為網絡的期望輸出，wij為輸入層神經元i與隱含層神經元j的連接權值，vjt為隱層神經元j與輸出層神經元t的連接權值。

2.3 BP網絡中幾個重要的設置

2.3.1 初始權值

BP網絡的初始權值很重要，初始權值不同會導致每次訓練的結果也不同。初始值過大或者過小都會影響學習的速度。一般情況，初始權值要取較小的隨機值，這樣既能保證各節點的輸入值較小，也可以防止多次連續學習后某些權值的絕對值成不合理的增長趨勢[2]。

2.3.2 權值的修正

一般BP網絡是一個三層神經網絡，因此對權值的修正包括兩個部分：隱含層與輸出層之間的權值修正和輸入層與隱含層之間的權值修正。

隱含層神經元j與輸出層神經元t之間的權值修正量為：

其中，η為學習率，Δvjt為權值修正量。

輸入層神經元i與隱含層神經元j之間的權值修正為：

2.3.3 激勵函數

BP網絡的激勵函數有很多，一般采用單極Sigmoid函數，即

也可以采用雙極Sigmoid函數，此時

2.3.4 學習步長

學習步長也叫學習率，在實際應用中，很難確定始終都合適的最佳學習率。一般當訓練到誤差曲面的平坦區時，使之增大以便加快收斂，當訓練到誤差曲面的變化劇烈區時，使之減小以防止過學習。一個較為理想的方法就是加入“動量項”，使學習率該大時增大，該小時減小[4]。

含有動量項的表達式為：

α 為動量系數，一般有 α∈（0，1）。

3 甚高頻通信系統發射電路故障診斷系統設計

3.1 樣本的確定

使用BP網絡對故障進行診斷時，訓練樣本和目標樣本的選取尤為重要。對于甚高頻通信系統的發射電路來說，容易 產 生 故 障 的 元 件 主 要 有 電 阻 R802、R803、R804、R805、R806和電感L805、L806、L807、L808的開路故障。其中有5個關鍵電壓測試點，它們分別是電容C836、C840、二極管CR804負極、三極管Q803基極、Q804基極上的電壓。這5個電壓值在上述電子元件發生故障時與正常值相比變化相對較大，足以反映相應的故障類型。如表1所示。

目標樣本為表2所示。

3.2 BP網絡結構的建立

對于三層BP網絡來說，隱含層神經元數目的確定是非

表1 訓練樣本

表2 目標樣本

表3 不同神經元數的誤差對比

常重要的。由于隱含層神經元數的選擇無統一標準，所遵守的一般原則是：為了追求網絡結構的簡單，我們在能正確反映輸入輸出關系的基礎上，選擇盡可能少的神經元節點[5]。因此，根據學者提供的大量實驗研究選擇了公式作為選取隱含層神經元數的依據[6，7]。其中，N為隱含層神經元數，a為輸入層神經元個數，b為輸出層神經元個數，δ為1－10之間的整數。初步估計本課題的BP網絡隱含層神經元數應該在9－18之間，經過反復對網絡進行訓練得出如表3所示的結果。

從表中可以看出當N=15時網絡誤差最小，訓練步數較少，精度最高。因此，在本課題的BP網絡結構選擇為5－15－10。

3.3 測試界面的設計

利用Labview語言制作的測試界面分為5大部分：網絡訓練面板、測試數據輸入面板、故障指示面板、診斷誤差顯示面板、系統停止面板。如圖3所示。

網絡訓練面板：該面板主要是用于提供多種訓練函數來訓練網絡，以便選擇最優的一個。

測試數據輸入面板：該面板主要是用于輸入需要診斷的故障數據。

故障指示面板：該面板主要用于將診斷出的故障信息用指示燈和文字顯示出來。

診斷誤差顯示面板：該面板主要用于顯示并計算出本次故障診斷的實際輸出與相應的目標樣本輸出的誤差值，根據該誤差值可以初步判斷診斷結果的可靠性。

系統停止面板：該面板用于停止這個系統的運行。

3.4 診斷程序的設計

在此采用LabView和Matlab語言混合編程來制作診斷程序。診斷程序共分為2大部分：網絡訓練部分和故障診斷部分，如圖4，5所示。

該部分主要用于實現測試界面中網絡訓練面板的功能。

該部分主要用于實現測試界面中測試數據輸入面板、故障指示面板和診斷誤差顯示面板的功能。

3.5 測試系統驗證

需要診斷的故障數據如表4所示。

表4

將兩組故障數據分別輸入到測試界面的測試數據輸入面板中得到如圖6，7所示的診斷結果。

從圖中可以看出該系統通過對兩組需要診斷的故障數據進行迅速地處理并診斷出設備中R802和R805的開路故障，同時用故障指示燈和文字直觀地告訴給用戶。

4 總結

圖3 測試界面

圖4 網絡訓練部分程序

圖5 故障診斷部分程序

本課題將虛擬儀器和BP網絡算法相結合應用于甚高頻通信系統發射電路的故障診斷中是一項新的嘗試。不過盡管本課題在這方面進行了有益的探討，但需要做的工作還有很多，也有很多的工作還沒有到位。比如：由于甚高頻通信系統是飛機上的重要電子設備，關于這方面的資料具有一定的保密性，所以能查閱的重要資料較少，收集的故障樣本數也相對較少，有很多故障都還沒有進行系統的分析和研究。甚高頻通信系統的故障類型很多，該診斷方法能否成功地應用于其他故障診斷尚待驗證，能夠用于工程實際的診斷系統也有待開發。

圖6 第一組數據診斷情況

圖7 第二組數據診斷情況

［1］廖薇,許春冬,劉錦高.基于神經網絡的模擬電路故障診斷研究[J].微電子學與計算機,2010,27(5):125-128.

［2］董長虹.Matlab神經網絡與應用[M].北京:國防工業出版社,2007.

［3］趙爭鳴,劉建政,孫曉瑛.太陽能光伏發電及其應用[M].北京:科學出版社,2005.

［4］王恩亮,沈元隆.基于神經網絡的混合電路故障檢測[J].通信技術,2010,43(6):241-245.

［5］李云紅.基于BP神經網絡的模擬電路故障診斷[J].計算機與數字工程,2009,37(6):192-194.

［6］飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京:電子工業出版社,2005:44-52.

［7］張春紅,陸綺榮.LabVIEW在液壓系統故障檢測中的應用[J].大眾科技,2008(2):26－27.

［8］姚文俊,游正紅.基于神經網絡的模擬電路的故障診斷[J].中南民族大學學報:自然科學版,2004,23(3):50-53.