基于NN與CBR的雷達故障診斷專家系統設計

引言 隨著新技術新裝備的應用，些新體制雷達系統的結構組成較之傳統雷達更為復雜，這給雷達故障的快速、準確診斷提出了更高的要求。由于新體制雷達大批量裝備部隊，使用過程中不可避免地會產生各種各樣的故障，雷達的故障維修任務也越來越重。因此，如果有一種行之有效的診斷方法和手段，使現行裝備各級保障體系相互配合，并能夠準確快速地定位雷達故障并維修，這將對保障雷達正常使用、提高部隊戰斗力有著積極作用。

目前故障診斷技術已發展到智能化階段，應用于故障診斷的幾種常用的方法有：基于規則推理、基于模型和神經網絡等，各種診斷方法各有特點和優點，在許多領域都有非常好的應用，但也有各自的局限性。對于雷達這樣高技術復雜裝備，采用單一的故障診斷方法已經越來越難滿足要求。cBR又稱援例推理，是通過訪問知識庫中過去同類問題的求解從而獲得當前問題解決的一種推理模式。CBR不需要進行規則匹配，類似的案例可以通過索引檢索出來而直接得到問題的解答．這就使迅速解決復雜問題成為可能。神經網絡技術以強有力的學習和并行處理能力為故障診斷提供了全新的理論方法和實現手段，而專家系統是具備解釋功能的基于符號的推理系統。把神經網絡(NN)、基于案例推理(CBR)和專家系統理論的故障診斷方法結合起來組建一個集成的智能診斷系統．利用兩種推理各自的推理優勢，形成優勢互補，克服了龐大豐富的知識庫對系統推理效率的影響，從而可以極大地提高雷達故障診斷的正卻性和效率。

基于NN的雷達故障診斷專家系統設計

基于NN的雷達故障診斷專家系統設計分為3個模塊：輸入模塊．推理模塊及管理維護模塊。各模塊之間的關系如圖1所示。

輸入模塊

即接收的各種故障信息及現象。輸入層從系統接收輸入信息．即為經過歸一化處理計算出的故障特征值。利用神經網絡進行故障診斷時，首先要把故障信息或現象輸入神經元網絡，并把知識變換成為網絡的權值和閾值，分布存儲在整個神經網絡之中。 推理模塊 推理模塊主要是通過推理機的計算和不斷搜索來得到一個最滿意解。通常是在一定的推理機制指導下，根據知識庫中的知識和動態數據庫中的實時數據進行推理判斷，同時隨著推理過程的不斷進行把一些中間結果送入動態數據庫。 管理維護模塊 知識庫的管理維護模塊包括知識數據庫的增加、修改、刪除、決策和評價等功能。通常是通過對靜態知識和動態知識管理與組織來實現。知識庫靜態和動態知識的自學習及自動擴充、更新知識庫等內容。系統知識庫中的知識來源于知識獲取機構，其中存儲了診斷對象的故障征兆、故障模式、故障成因、處理意見等內容，這是診斷的基礎。

基于CBR雷達故障診斷專家系統的設計

CB雷達故障診斷模塊在進行故障處理時，從故障案例庫中尋找與之匹配的故障案例，若能找到完全匹配的故障案例，就會按照以前的求解思想去解決給定的問題，若找不到完全匹配的故障案例，可以通過調整搜索方式找到一個或多個類似的故障案例(集)，通過算法或人工手段對其進行適當的修正，以滿足當前問題的要求，同時將這個解存儲到故障案例庫中。若以后遇到同樣的問題，系統就不會重復上述步驟，而是直接得到一個完全匹配的解。基于CBR的雷達故障診斷專家系統設計分為：輸入模塊，推理模塊及管理維護模塊。 CBR流程如圖2所示。

輸入模塊

輸入模塊包括案例信息表、設備信息表、征兆信息表、故障信息表、案例解釋和附件表。完整的診斷信息是進行故障診斷的先決條件。采集到的故障癥兆信息按照一定的知識表示方法表述為一個案例存放于動態數據庫中，各個診斷信息即為該案例的各個屬性。

推理模塊

推理機是整個診斷的核心，也是CBR雷達故障診斷的主體。由故障檢索、修正和調整、執行部門、知識精化。故障存儲查找失敗原因等過程組成。根據動大數據庫中的當前案例．從案例庫中檢索出相似的案例與之匹配，若案例完全相同，則直接調出歷史案例的解決方案作為當前問題的解決辦法：若案例相似，則須調整個舊案例的解法，以適應當前問題。 管理維護模塊 案例庫的管理維護主要包括案例庫的增加、修改、刪除、決策及評價等功能。CBB系統中的案例庫是由領域專家以前解決過的一些歷史案例組成的。故障案例庫存儲著按一定結構存放的故障案例，每一條案例都有具體的說明、結論、解決方案等。處理失敗的故障案例也存儲其中，并指明了失敗的原因。除了成功或失敗的具體故障案例之外，一般性案例若存在也會被作為故障案例存儲其中，一般性案例表示的故障案例記錄了對同桌源、同性質的故障在各種環境條件下的數據。 基于NN與CBR的雷達故障診斷 專家系統的實例 針對雷達故障案例，以某型雷達通信系統為例，介紹雷達故障診斷過程。雷達通信系統是現代雷達的重要配套設備。傳統意義上，雷達通信系統一方面可以把雷達所探測到的信息傳輸到指揮所，供指揮人員掌握動態變化的戰場情況，把握戰機；另一方面．指揮人員利用雷達通信系統可以遠離戰場對雷達設備發布操作指令和進行控制。隨著新體制雷達的發展，雷達通信系統的傳輸內容由單純的雷達情報數據、話音傳輸演變為雷達圖像、網絡數據以及高速、保密的話音傳輸，雷達所探測的動態戰場情況更加準確，信息量更大，新型雷達裝備的接收系統、信號處理、顯示系統等已形成了一個基于TCP／IP協議的局域網。雷達與指揮所之間要傳輸的信息內容更多，例如雷達成像信息、雷達陣地視頻信息、網絡信息等。可見，對雷達通信系統的故障診斷具有十分重要的現實意義。 雷達故障診斷專家系統組成及故障診斷流程 基于NN與CBR的雷達故障診斷專家系統的總體結構如圖3所示。系統主要由輸入模塊、推理模塊和管理維護模塊組成。輸入模塊包含數據采集、故障征兆參數兩個子模塊。推理模塊包括兩個部分：一部分采用正向推理，進行神經網絡的計算，由已知的征兆向量經過計算獲得故障向量，完成由輸入模式到輸出模式的非線性映射：另一部分從故障案例庫中檢索相似的案例，若案例完全相同，則直接調出歷史案例的解決方案作為當前問題的解決方法，若案例相似，則須調整這個舊案例的解法，以適應當前的問題。管理維護模塊包括對知識庫和案例庫的增加、修改、刪除、決策及評價等功能。本系統的知識庫在雷達故障診斷過程中至關重要，對故障的診斷必須利用知識庫進行推理，給出用戶需要的緒論。系統診斷流程如圖4所示。 基于NN與CBR的專家系統雷達通信系統故障診斷 雷達診斷專家系統在診斷過程中首先使用基于神經網絡的診斷方法，神經網絡對應各自的故障征兆，利用知識庫中的已有知識和解釋機制對其進行故障解釋，給出故障原因和維修建議，得到診斷結果和解決方法：如果故障診斷失敗或者還存在其它故障時，再用基于案例的推理進行故障診斷，采用人機交互的方式，根據診斷對象的癥狀，在案例庫中檢索最相似的案例。在案例庫中收集到的新故障案例，經過評價，若有價值則按一定的存儲策略存入案例庫中，也可以用于構造和訓練新的神經網絡模型，同時案例的不斷積累使案例庫增大，降低效率，因此對于可通過神經網絡正確診斷的案例，可從案例庫中刪除，提高診斷效率。通過對新體制雷達通信系統的各種故障現象、故障類型進行分析，確定故障樣本集如下：a.輸入變量即征兆變量，在表2中依次為射頻發射組件、射頻接收組件、中頻發組件、中頻收組件、射頻電源、中頻電源、幀同步、糾錯，共8個輸入變量。這些參數通過系統預處理，變成0、1兩種形式，更能直觀地反映故障的特點：b．輸出變量即故障模式，包括無輸出功率、接收視頻脈沖無輸出、終端異常以及多故障4種模式，0表示無故障，1表示有故障。因受篇幅限制，本文僅列出征兆／故障樣本數據中的12組數據，如表1所示。

實際的神經網絡輸入神經元數為8，輸出神經元數為4，取RBF的分布常數spread為1.2。利用Matlab創建一個RBF網絡，訓練完成后，取表1中的2、4、7號樣本來進行測試，得到的網絡輸出及診斷結果如表2所示。取閾值為0.85，當神經網絡輸出值大于0.8s時，判定為故障，由表2可見神經網絡診斷的有效性：當神經網絡診斷結果不理想時，轉入基于案例推理的診斷系統，按照上述cBR診斷的步驟，對案例庫進行檢索，搜尋相似案例，需要時將進行修改后得出的案例作為結果案例提交給用戶，并及時對案例進行更新。其它類型的故障診斷依此類推。 結束語

本文從分析雷達故障診斷專家系統工作原理出發，分別闡述了基于神經網絡設計和基于案例推理設計的兩種故障診斷方法，在此基礎上，給出了雷達故障智能診斷專家系統的一種新的實現方法，即基于神經網絡與基于案例推理相結合的雷達故障診斷。該方法綜合運用神經網絡、基于案例推理和專家系統理論，發揮各自技術的長處，并通過實例證明了該方法的有效性。本文的研究成果可以提高雷達故障診斷的效率，并促進故障診斷的自動化和智能化，提高雷達故障診斷的成功率，從而為雷達故障智能診斷的研究提供了一種新方法和新思路。