一種基于改進BP神經網絡預測T/R組件溫度的方法

李碩

摘 要 目前武器裝備故障預測與健康管理技術（PHM）在航空航天領域得到飛速發展，陸軍裝備應用PHM尚處于起步階段。本文針對有源相控陣雷達前端T/R組件對溫度有較高要求這一特性，建立基于動量因子和自適應學習率的BP神經網絡預測模型，利用傳統BIT系統采集的T/R組件溫度數據，在MATLAB平臺進行組件溫度預測仿真試驗，通過對比真實溫度值，驗證預測模型的可信度，進一步完善傳統雷達溫度監控功能，對預測組件故障起到一定參考作用。

【關鍵詞】BP神經網絡 T/R組件 溫度預測模型

T/R組件是構成有源相控陣雷達前端的關鍵部件。T/R組件的性能在很大程度上決定了有源相控陣雷達的性能。T/R組件通常由復雜的電子線路、電子元器件構成，對溫度有較高的要求，當組件溫度超出正常范圍，便會對各級功率放大器及各類電子元器件造成損傷，從而引起連鎖反應。

目前國內外在設計階段都已經對陣面進行有效冷卻設計，并能監測組件溫度。但往往受到散熱系統故障、組件自身故障等突發狀況，組件溫度發生異常，故障已經發生。而傳統組件溫度監測系統即使檢測到溫度超出警戒，但已錯失發現可能出現故障的時機，元器件已經受到損傷。因此，要完善現有的溫度檢測功能避免此類事件的發生；通過建立合適的模型，在溫度到達警戒值之前，利用歷史溫度數據，對T/R組件溫度進行預測，及時向雷達操作人員提供溫度預警，以便采取預防措施。

用于預測的方法多種多樣：

（1）時間序列預測，將歷史數據進行函數擬合，反映未來的某一時刻的預測值。

（2）數學模型預測：通過建立數學模型，建立輸入輸出映射關系，反映未來某一時刻的預測值。

（3）智能預測：基于歷史數據，利用人工智能方法進行預測。其中，BP神經網絡具有良好非線性擬合能力，并且可以對預測精度，誤差進行人為干預，在解決本文這類預測問題中有較好應用前景。

1 BP神經網絡

1.1 基本原理

BP網絡結構如圖1所示。其中，xj表示輸入層第j個節點的輸入，j=1，2...M；ωi，j表示隱含層第i個節點到輸入層第j個節點之間的權值；θi表示隱含層第i個節點的閾值；Ф表示隱含層的激勵函數；ωk，i表示輸出層第k個節點到隱含層第i個節點之間的權值，i=1，2...q；αk表示輸出層第k個節點的閾值，k=1，2...L；Ψ表示輸出層的激勵函數；οk表示輸出層第k個節點的輸出。

1.2 基本算法

BP網絡通過學習過程對網絡的權值和閾值進行調整，達到對任一輸入都能得到期望輸出的目的。學習過程是由輸入信號的正向傳播和誤差信號的反向傳播組成的。正向傳播過程是指：輸入信號從輸入層傳給隱含層，經隱含層處理后傳給輸出層，再經輸出層處理后產生輸出信號。若正向傳播過程所得到的輸出值與期望的輸出值有誤差，則網絡轉為誤差反向傳播過程。誤差反向傳播過程是指：從輸出層開始將誤差信號逐層傳送到輸入層，并同時修改各層神經元的聯結權值和閾值，使誤差信號達到最小。重復上述過程 直至得到期望輸出值。基本BP神經網絡算法包括兩個方面：信號的正向傳播和誤差的反向傳播。

1.3 經典BP神經網絡的缺陷及改良

BP神經網絡算法的實質是求解誤差函數的最小值問題，由于它采用非線性規劃中最速下降方法，按誤差函數的負梯度方向修改權值，因而通常存在以下問題：學習效率低，收斂速度慢，易陷入局部極小狀態。

基于動量因子和自適應學習率的BP神經網絡：

在誤差反向傳播的基礎上，每一個權值（或閾值）的變化上加上一項正比于前次權值（或閾值）變化量的值，并根據反向傳播法來產生新的權值（或閾值）變化。

?ωij （k+1）=（1-mc）η+mc?ωij （k）

?ai （k+1）=（1-mc）η+mc?ai （k）

其中，η為學習速率，mc為動量因子，一般取0.95左右。根據附加動量法的設計原則，當新的權值導致誤差增長時，新的權值應被取消而不是采用，同時動量作用停止下來，以使網絡不進入較大誤差曲面；當新的誤差變換率超過設定的最大誤差變化率時，也應取消所計算的權值變化。其最大誤差變化率可以是任何大于或等于1的值。訓練程序中采用動量法的判斷條件為：

學習速率η決定每一次循環訓練所產生的權值變化量。大的學習速率可能導致系統的不穩定；小的學習速率會導致較長的訓練時間，可能收斂速度很慢。一般情況下，學習率初始值選取范圍為0.01至0.8。在實際訓練過程中，經常出現訓練在達到規定的總步長就已經停止，而誤差沒有下降到規定精度。因此，需要根據訓練誤差值調整學習率，調整依據為

2 仿真試驗

2.1 試驗方法

以某有源相控陣雷達為例，其共有80個組件，從雷達正常工作開始，每分鐘記錄一次組件的溫度。

通過反復測量可以得知，雷達工作30分鐘后組件溫度達到相對穩定狀態，從每分鐘溫升3℃、4℃降到每3、4分鐘溫升1℃或不變。預測方法為：用前3分鐘溫度值，預測1分鐘后的溫度值。例如要預測1分鐘后的溫度，選擇第0，1，2分鐘的溫度數據，目標為第3分鐘的溫度數據，通過搭建好的神經網絡預測模型進行訓練，當輸入第1，2，3分鐘的溫度數據，預測第4分鐘溫度，通過對比進行驗證。

可根據實際情況選擇合適大小的輸入向量p（t1，t2，t3；t2，t3，t4；...），目標向量t（t4；t5；...），隱藏層數為1，隱含層節點數為經驗值12，傳輸函數選用logsig，purlin。訓練函數選用traingdx，學習函數選用learngdm。動量因子net.trainParam.mc選擇0.9，自適應學習率net.trainParam.lr_inc=1.05，net.trainParam.lr_dec=0.7。

2.2 仿真結果分析

2.2.1 預測1分鐘后溫度

選擇2號組件進行1分鐘后溫度預測，輸入向量為（34，34，36；34，36，40），目標向量（40，41），預測樣本（36，40，41），預測第5分鐘溫度。預測模型結構如圖2所示。

預測模型結構及訓練誤差曲線如圖3所示。

統計連續預測10次的誤差。由表1可以看出，預測溫度值與實際值的誤差基本保持在1℃左右。

以上預測出現誤差較大的情況，但發生的頻率不高。這種情況出現的原因之一是神經網絡初始權值的隨機性。雖然每次訓練網絡都達到相應精度，但每次訓練后網絡的各個隱含層權值、閾值都不完全一樣，因此在預測時，即使保持輸入樣本不變，但結果仍然會有變化。第二，當網絡初始值恰好隨機到某些數值時，訓練過程中，步數已經達到規定步數，但誤差值不跳出誤差表面的低谷，收斂速度過慢，使得訓練已經停止，而訓練誤差還很大；如果增加步數，訓練時間亦會增加。

3 結束語

基于動量因子的自適應學習速率BP神經網絡能夠完成T/R組件的溫度預測。若將每次開機后溫度都記錄下來，豐富訓練樣本，可進一步減少溫度預測的誤差。由于神經網絡具有很強的非線性映射擬合能力，能反映出組件實際工作狀態的發展趨勢與狀態信息之間的關系，因此，當預測程序發出預警，未來時刻組件的溫度發生異常，偏離了歷史溫度值或與相鄰組件溫度值有較大差異時，雷達操作員將做出相應的預防性維修措施，防止組件因溫度過高而受到損傷。

在雷達裝備應用PHM技術起步階段，此方法能夠應用到有源相控陣雷達前端的狀態預測，提高裝備的可靠性和維修性。同時也對其他設備的狀態監測及預測起到一定借鑒作用，具有良好的應用前景。

參考文獻

[1]郭衍瑩.相控陣雷達測試維修技術[M].北京：國防工業出版社，2013：172-174.

[2]周林， 趙杰.裝備故障預測與健康管理技術[M].北京：國防工業出版社，2015：168-170.

[3]劉冰，郭海霞.MATLAB神經網絡超級學習手冊[M].北京：人民郵電出版社，2014：160-164.

[4]陳明.MATLAB神經網絡原理與實例精解[M].北京：清華大學出版社，2013：156-160.

[5]肖治平，吳丈全.遺傳BP網絡在機載雷達故障診斷中的應用研究[J].計算機測量與控制，2011，19（01）：14-25.

[6]陳明.MATLAB神經網絡原理與實例精解[M].北京：清華大學出版社，2013：156-160.

作者單位

西安電子工程研究所 陜西省西安市 710100