基于NN與CBR的雷達(dá)故障診斷專家系統(tǒng)設(shè)計(jì)

引言 隨著新技術(shù)新裝備的應(yīng)用，些新體制雷達(dá)系統(tǒng)的結(jié)構(gòu)組成較之傳統(tǒng)雷達(dá)更為復(fù)雜，這給雷達(dá)故障的快速、準(zhǔn)確診斷提出了更高的要求。由于新體制雷達(dá)大批量裝備部隊(duì)，使用過程中不可避免地會(huì)產(chǎn)生各種各樣的故障，雷達(dá)的故障維修任務(wù)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(xiàn)行裝備各級(jí)保障體系相互配合，并能夠準(zhǔn)確快速地定位雷達(dá)故障并維修，這將對(duì)保障雷達(dá)正常使用、提高部隊(duì)?wèi)?zhàn)斗力有著積極作用。

目前故障診斷技術(shù)已發(fā)展到智能化階段，應(yīng)用于故障診斷的幾種常用的方法有：基于規(guī)則推理、基于模型和神經(jīng)網(wǎng)絡(luò)等，各種診斷方法各有特點(diǎn)和優(yōu)點(diǎn)，在許多領(lǐng)域都有非常好的應(yīng)用，但也有各自的局限性。對(duì)于雷達(dá)這樣高技術(shù)復(fù)雜裝備，采用單一的故障診斷方法已經(jīng)越來越難滿足要求。cBR又稱援例推理，是通過訪問知識(shí)庫中過去同類問題的求解從而獲得當(dāng)前問題解決的一種推理模式。CBR不需要進(jìn)行規(guī)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(fù)雜問題成為可能。神經(jīng)網(wǎng)絡(luò)技術(shù)以強(qiáng)有力的學(xué)習(xí)和并行處理能力為故障診斷提供了全新的理論方法和實(shí)現(xiàn)手段，而專家系統(tǒng)是具備解釋功能的基于符號(hào)的推理系統(tǒng)。把神經(jīng)網(wǎng)絡(luò)(NN)、基于案例推理(CBR)和專家系統(tǒng)理論的故障診斷方法結(jié)合起來組建一個(gè)集成的智能診斷系統(tǒng)．利用兩種推理各自的推理優(yōu)勢(shì)，形成優(yōu)勢(shì)互補(bǔ)，克服了龐大豐富的知識(shí)庫對(duì)系統(tǒng)推理效率的影響，從而可以極大地提高雷達(dá)故障診斷的正卻性和效率。

基于NN的雷達(dá)故障診斷專家系統(tǒng)設(shè)計(jì)

基于NN的雷達(dá)故障診斷專家系統(tǒng)設(shè)計(jì)分為3個(gè)模塊：輸入模塊．推理模塊及管理維護(hù)模塊。各模塊之間的關(guān)系如圖1所示。

輸入模塊

即接收的各種故障信息及現(xiàn)象。輸入層從系統(tǒng)接收輸入信息．即為經(jīng)過歸一化處理計(jì)算出的故障特征值。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)，首先要把故障信息或現(xiàn)象輸入神經(jīng)元網(wǎng)絡(luò)，并把知識(shí)變換成為網(wǎng)絡(luò)的權(quán)值和閾值，分布存儲(chǔ)在整個(gè)神經(jīng)網(wǎng)絡(luò)之中。 推理模塊 推理模塊主要是通過推理機(jī)的計(jì)算和不斷搜索來得到一個(gè)最滿意解。通常是在一定的推理機(jī)制指導(dǎo)下，根據(jù)知識(shí)庫中的知識(shí)和動(dòng)態(tài)數(shù)據(jù)庫中的實(shí)時(shí)數(shù)據(jù)進(jìn)行推理判斷，同時(shí)隨著推理過程的不斷進(jìn)行把一些中間結(jié)果送入動(dòng)態(tài)數(shù)據(jù)庫。 管理維護(hù)模塊 知識(shí)庫的管理維護(hù)模塊包括知識(shí)數(shù)據(jù)庫的增加、修改、刪除、決策和評(píng)價(jià)等功能。通常是通過對(duì)靜態(tài)知識(shí)和動(dòng)態(tài)知識(shí)管理與組織來實(shí)現(xiàn)。知識(shí)庫靜態(tài)和動(dòng)態(tài)知識(shí)的自學(xué)習(xí)及自動(dòng)擴(kuò)充、更新知識(shí)庫等內(nèi)容。系統(tǒng)知識(shí)庫中的知識(shí)來源于知識(shí)獲取機(jī)構(gòu)，其中存儲(chǔ)了診斷對(duì)象的故障征兆、故障模式、故障成因、處理意見等內(nèi)容，這是診斷的基礎(chǔ)。

基于CBR雷達(dá)故障診斷專家系統(tǒng)的設(shè)計(jì)

CB雷達(dá)故障診斷模塊在進(jìn)行故障處理時(shí)，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(huì)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(diào)整搜索方式找到一個(gè)或多個(gè)類似的故障案例(集)，通過算法或人工手段對(duì)其進(jìn)行適當(dāng)?shù)男拚詽M足當(dāng)前問題的要求，同時(shí)將這個(gè)解存儲(chǔ)到故障案例庫中。若以后遇到同樣的問題，系統(tǒng)就不會(huì)重復(fù)上述步驟，而是直接得到一個(gè)完全匹配的解。基于CBR的雷達(dá)故障診斷專家系統(tǒng)設(shè)計(jì)分為：輸入模塊，推理模塊及管理維護(hù)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(shè)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(jìn)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(shí)表示方法表述為一個(gè)案例存放于動(dòng)態(tài)數(shù)據(jù)庫中，各個(gè)診斷信息即為該案例的各個(gè)屬性。

推理模塊

推理機(jī)是整個(gè)診斷的核心，也是CBR雷達(dá)故障診斷的主體。由故障檢索、修正和調(diào)整、執(zhí)行部門、知識(shí)精化。故障存儲(chǔ)查找失敗原因等過程組成。根據(jù)動(dòng)大數(shù)據(jù)庫中的當(dāng)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(diào)出歷史案例的解決方案作為當(dāng)前問題的解決辦法：若案例相似，則須調(diào)整個(gè)舊案例的解法，以適應(yīng)當(dāng)前問題。 管理維護(hù)模塊 案例庫的管理維護(hù)主要包括案例庫的增加、修改、刪除、決策及評(píng)價(jià)等功能。CBB系統(tǒng)中的案例庫是由領(lǐng)域?qū)＜乙郧敖鉀Q過的一些歷史案例組成的。故障案例庫存儲(chǔ)著按一定結(jié)構(gòu)存放的故障案例，每一條案例都有具體的說明、結(jié)論、解決方案等。處理失敗的故障案例也存儲(chǔ)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(huì)被作為故障案例存儲(chǔ)其中，一般性案例表示的故障案例記錄了對(duì)同桌源、同性質(zhì)的故障在各種環(huán)境條件下的數(shù)據(jù)。 基于NN與CBR的雷達(dá)故障診斷 專家系統(tǒng)的實(shí)例 針對(duì)雷達(dá)故障案例，以某型雷達(dá)通信系統(tǒng)為例，介紹雷達(dá)故障診斷過程。雷達(dá)通信系統(tǒng)是現(xiàn)代雷達(dá)的重要配套設(shè)備。傳統(tǒng)意義上，雷達(dá)通信系統(tǒng)一方面可以把雷達(dá)所探測到的信息傳輸?shù)街笓]所，供指揮人員掌握動(dòng)態(tài)變化的戰(zhàn)場情況，把握戰(zhàn)機(jī)；另一方面．指揮人員利用雷達(dá)通信系統(tǒng)可以遠(yuǎn)離戰(zhàn)場對(duì)雷達(dá)設(shè)備發(fā)布操作指令和進(jìn)行控制。隨著新體制雷達(dá)的發(fā)展，雷達(dá)通信系統(tǒng)的傳輸內(nèi)容由單純的雷達(dá)情報(bào)數(shù)據(jù)、話音傳輸演變?yōu)槔走_(dá)圖像、網(wǎng)絡(luò)數(shù)據(jù)以及高速、保密的話音傳輸，雷達(dá)所探測的動(dòng)態(tài)戰(zhàn)場情況更加準(zhǔn)確，信息量更大，新型雷達(dá)裝備的接收系統(tǒng)、信號(hào)處理、顯示系統(tǒng)等已形成了一個(gè)基于TCP／IP協(xié)議的局域網(wǎng)。雷達(dá)與指揮所之間要傳輸?shù)男畔?nèi)容更多，例如雷達(dá)成像信息、雷達(dá)陣地視頻信息、網(wǎng)絡(luò)信息等。可見，對(duì)雷達(dá)通信系統(tǒng)的故障診斷具有十分重要的現(xiàn)實(shí)意義。 雷達(dá)故障診斷專家系統(tǒng)組成及故障診斷流程 基于NN與CBR的雷達(dá)故障診斷專家系統(tǒng)的總體結(jié)構(gòu)如圖3所示。系統(tǒng)主要由輸入模塊、推理模塊和管理維護(hù)模塊組成。輸入模塊包含數(shù)據(jù)采集、故障征兆參數(shù)兩個(gè)子模塊。推理模塊包括兩個(gè)部分：一部分采用正向推理，進(jìn)行神經(jīng)網(wǎng)絡(luò)的計(jì)算，由已知的征兆向量經(jīng)過計(jì)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(diào)出歷史案例的解決方案作為當(dāng)前問題的解決方法，若案例相似，則須調(diào)整這個(gè)舊案例的解法，以適應(yīng)當(dāng)前的問題。管理維護(hù)模塊包括對(duì)知識(shí)庫和案例庫的增加、修改、刪除、決策及評(píng)價(jià)等功能。本系統(tǒng)的知識(shí)庫在雷達(dá)故障診斷過程中至關(guān)重要，對(duì)故障的診斷必須利用知識(shí)庫進(jìn)行推理，給出用戶需要的緒論。系統(tǒng)診斷流程如圖4所示。 基于NN與CBR的專家系統(tǒng)雷達(dá)通信系統(tǒng)故障診斷 雷達(dá)診斷專家系統(tǒng)在診斷過程中首先使用基于神經(jīng)網(wǎng)絡(luò)的診斷方法，神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)各自的故障征兆，利用知識(shí)庫中的已有知識(shí)和解釋機(jī)制對(duì)其進(jìn)行故障解釋，給出故障原因和維修建議，得到診斷結(jié)果和解決方法：如果故障診斷失敗或者還存在其它故障時(shí)，再用基于案例的推理進(jìn)行故障診斷，采用人機(jī)交互的方式，根據(jù)診斷對(duì)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(jīng)過評(píng)價(jià)，若有價(jià)值則按一定的存儲(chǔ)策略存入案例庫中，也可以用于構(gòu)造和訓(xùn)練新的神經(jīng)網(wǎng)絡(luò)模型，同時(shí)案例的不斷積累使案例庫增大，降低效率，因此對(duì)于可通過神經(jīng)網(wǎng)絡(luò)正確診斷的案例，可從案例庫中刪除，提高診斷效率。通過對(duì)新體制雷達(dá)通信系統(tǒng)的各種故障現(xiàn)象、故障類型進(jìn)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(fā)射組件、射頻接收組件、中頻發(fā)組件、中頻收組件、射頻電源、中頻電源、幀同步、糾錯(cuò)，共8個(gè)輸入變量。這些參數(shù)通過系統(tǒng)預(yù)處理，變成0、1兩種形式，更能直觀地反映故障的特點(diǎn)：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(shù)據(jù)中的12組數(shù)據(jù)，如表1所示。

實(shí)際的神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元數(shù)為8，輸出神經(jīng)元數(shù)為4，取RBF的分布常數(shù)spread為1.2。利用Matlab創(chuàng)建一個(gè)RBF網(wǎng)絡(luò)，訓(xùn)練完成后，取表1中的2、4、7號(hào)樣本來進(jìn)行測試，得到的網(wǎng)絡(luò)輸出及診斷結(jié)果如表2所示。取閾值為0.85，當(dāng)神經(jīng)網(wǎng)絡(luò)輸出值大于0.8s時(shí)，判定為故障，由表2可見神經(jīng)網(wǎng)絡(luò)診斷的有效性：當(dāng)神經(jīng)網(wǎng)絡(luò)診斷結(jié)果不理想時(shí)，轉(zhuǎn)入基于案例推理的診斷系統(tǒng)，按照上述cBR診斷的步驟，對(duì)案例庫進(jìn)行檢索，搜尋相似案例，需要時(shí)將進(jìn)行修改后得出的案例作為結(jié)果案例提交給用戶，并及時(shí)對(duì)案例進(jìn)行更新。其它類型的故障診斷依此類推。 結(jié)束語

本文從分析雷達(dá)故障診斷專家系統(tǒng)工作原理出發(fā)，分別闡述了基于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和基于案例推理設(shè)計(jì)的兩種故障診斷方法，在此基礎(chǔ)上，給出了雷達(dá)故障智能診斷專家系統(tǒng)的一種新的實(shí)現(xiàn)方法，即基于神經(jīng)網(wǎng)絡(luò)與基于案例推理相結(jié)合的雷達(dá)故障診斷。該方法綜合運(yùn)用神經(jīng)網(wǎng)絡(luò)、基于案例推理和專家系統(tǒng)理論，發(fā)揮各自技術(shù)的長處，并通過實(shí)例證明了該方法的有效性。本文的研究成果可以提高雷達(dá)故障診斷的效率，并促進(jìn)故障診斷的自動(dòng)化和智能化，提高雷達(dá)故障診斷的成功率，從而為雷達(dá)故障智能診斷的研究提供了一種新方法和新思路。