基于神經網絡的某裝備智能故障診斷方法研究?

馬長剛 李 青 孫大林 周 杰

（1.空軍勤務學院 徐州 221000）（2．94676部隊 上海 202150）（3．95696部隊 重慶 401329）

基于神經網絡的某裝備智能故障診斷方法研究?

馬長剛1李 青1孫大林2周 杰3

（1.空軍勤務學院 徐州 221000）（2．94676部隊 上海 202150）（3．95696部隊 重慶 401329）

BP網絡診斷對定量數據的系統故障診斷效果明顯，但無法處理定性故障數據的系統診斷問題。論文研究了處理定性數據的BP神經網絡裝備的智能故障診斷方法，通過對故障現象編碼等預處理技術，將定性數據轉換為定量數據，基于知識庫實現了某裝備故障診斷的自動化與智能化，極大地提高了裝備故障診斷效率，拓展了BP網絡診斷方法的應用范圍。

神經網絡；智能診斷；裝備故障；定性數據分析

1 引言

某型裝備在長期貯存與保障過程中，其性能指標會在各種因素作用下衰變，出現各種故障。這些故障數據具有高度的非線性且特點明顯，如：故障數據難量化，不利于定量處理；某些故障發生次數少、突發性強、數據采集困難、數據樣本量小；故障發生受多因素影響，數據不確定性強；故障現象和故障定位不具有一對一的映射關系等。而且隨著裝備的不斷使用，故障數據中故障描述具有專家經驗的特點，包含了故障模式、故障現象與原因的映射關系、故障處置建議等信息。對于這一類裝備無法采用基于定量故障數據的故障診斷方法進行故障診斷，必須研究新的依據定性數據進行故障診斷的方法。本文利用神經網絡技術，通過對定性數據的預處理，提出了基于知識的裝備智能故障診斷方法，并應用于某裝備的故障診斷。

2 基于BP神經網絡的故障診斷過程

鑒于裝備故障數據特點，裝備故障診斷方法應能科學分析定量和定性兩類故障數據，處理不確定性信息，智能、快速地進行故障診斷。智能故障診斷方法就是通過對裝備故障及其解決方案等知識的不斷積累，達到迅速解決裝備故障診斷問題。

人工神經網絡（ANN）方法是一種智能的人腦仿生信息系統，采用非線性的方式處理數據并建立數據間的聯系，在學習、聯想記憶、非線性映射等方面優勢明顯，而BP神經網絡具有網絡結構簡單，算法成熟，計算速度快、易仿真實現和易更改等優點。因此，本文將BP神經網絡用于裝備智能故障診斷。關于BP神經網絡的基本理論在此不再贅述。

利用BP神經網絡進行故障診斷，其診斷過程為：分別把故障現象及其對應原因作為輸入和輸出，并建立現象和原因之間的非線性關系。故障診斷的流程如圖1所示。

圖1 神經網絡實現故障診斷過程示意圖

Step1：故障數據的預處理。通過歸一化處理、數據挖掘等方式對數據進行訓練前的調整，使BP網絡能夠更好地接納；

Step2：構建網絡模型。包括網絡層數及隱含層節點數的確定、學習函數的選取、計算精度的設定等。

Step3：訓練神經網絡。利用學習樣本進行有導師型的訓練，在學習中自動調節權值和閾值，收斂后使之逼近計算精度的設定值。

Step4：故障診斷。將任意故障現象輸入BP網絡，根據反饋結果并對照實際裝備完成故障判定和維修工作［1］。

3 基于BP神經網絡和定性數據的某型空地導彈故障診斷方法研究

基于BP神經網絡的智能故障診斷方法，就是要對定性描述的故障現象通過采用基于粗糙集的故障數據預處理方法進行量化［2］，然后，采用BP神經網絡技術進行故障診斷。經過預處理后的故障數據可有效增強辨識力、縮短訓練時間和訓練步數。對定性數據的建模如下：

Step1：定性故障數據的預處理和網絡輸入輸出的設計

由于BP網絡是多輸入-單輸出模型，并且輸出量范圍是［0，1］［3］。而該裝備的每一個故障現象可能會映射多個原因，即診斷結果不唯一，需人工排查確定故障真實原因。為適用于BP網絡，對故障現象的編號做如下調整：

1）用四位數對故障現象編號并作為輸入量，使輸入維數為1。

2）故障原因由于有多個，BP輸出又是單一的。而診斷任意故障最終都不會直接得到一個確定的原因，因此將所有故障原因的編號作為輸出不合適。所以對故障原因采用：把某一種故障現象的原因個數作為輸出量，如1101故障有三個原因，則要求BP網絡的輸出為3。而對故障原因的個數將采用二進制數來表示。

通過已收集到的數據顯示，故障原因最多六個，但隨著裝備的使用，某一故障現象的新誘因可能被發現，所以采用三位以上的二進制碼表示。一方面為今后故障原因的補充留下余地，并且數據更改簡便；另一方面，由于數據差異不大，比采用歸一化的預處理要容易，同時滿足BP模型的輸出要求。表1為一個故障原因個數的3位二進制編碼表，得到的診斷結果為一個三維行向量的單輸出。

表1 故障原因個數的3位二進制編碼表

Step2：BP神經網絡的建立

利用Matlab進行仿真實驗，設置網絡有三層：輸入層、輸出層和隱含層［49］。以某裝備的故障現象編碼作為輸入，故輸入層節點數n=1；輸出是表征故障原因個數的一個三維行向量，因此輸出節點需要m=3個；隱含層用以逼近任何有理函數，其節點數l由經驗公式l=2n+a或且為整數）確定。

a的取值的確定：一般設置目標最小均方誤差為1e-8，訓練1000次。但通過仿真發現，不論采用哪種經驗公式，a取何值，最終訓練完成后的BP網絡的Performance達不到預期的1e-8，且達到穩定時的訓練步數在500步以內。計算精度如表2所示。

表2 訓練精度

通過仿真發現，由于訓練1000次的實際精度都在1e-2到1e-1之間，且大于0.11，小于0.17，所以可以取中間值，設訓練精度為0.14。仿真結果表明：精度在0.14左右，達到穩定時訓練步數相對較少，此時l=7，a=5，由此可確定隱含節點數為7。

Step3：BP網絡的訓練

通過網絡設計及基于定性數據的BP網絡訓練，BP網絡訓練結果如圖2所示，其中黑色曲線表示目標精度，灰色為訓練精度。

圖2 基于定性數據的BP網絡訓練精度

Step4：BP網絡測試及故障診斷

使用定性數據測試樣本測試網絡，測試結果共98組，其中正常輸出81組，與目標輸出不相符的有17組，仿真正確率82.7%，基本達到故障診斷的預期要求。

該方法對于新的、數據庫中尚不存在的故障，需要借助其他診斷方法共同完成診斷任務。診斷完成之后，按統一編碼形式對數據庫進行補充，并重新訓練神經網絡。

4 基于BP神經網絡和定量數據的某裝備故障診斷方法研究

在定性數據的應用上，BP網絡的診斷結果還有待提高。而基于定量測量數據的診斷方法已經十分成熟，且廣泛應用。由于某裝備之綜合測試設備具有基于測量信號診斷的能力，下面給出BP網絡在該裝備故障診斷中的應用。

假設在裝備電氣系統測試時出現短路，表現為電流突然增大并超出正常用電流值。通過分析裝備電氣系統結構，發現故障原因可能有：部件1、部件2或部件3故障。需測量的參數為：1#～6#電纜不同組合時，該裝備與測試設備分離插座的供電正負線之間的電阻值。

具體表現為：故障時，測量裝備與測試設備分離插座的供電正負線之間的電阻R0＜3Ω。斷開1#與2#、1#與4#、1#與6#后，再次測量正負線電阻R1；以及斷開2#與3#、4#與5#后，測量1#與2#連接后的 R2，1#與3#連接后的 R3，1#與4#連接后的R4，1#與5#連接后的R5。樣本數據及故障類型如表3和表4。

表3 故障類型

基于16組訓練樣本，BP網絡訓練精度如圖3所示。

圖3 基于定量數據的BP網絡訓練精度

4組測試樣本的測試輸出結果與目標輸出相一致。實踐表明，基于定量數據的BP網絡診斷法完全適用于某裝備的故障診斷。

5 結語

裝備故障診斷與處理既涉及定量數據，也涉及定性數據。在某型裝備故障診斷中，基于定量數據的BP網絡診斷法診斷精度高、可靠性好，但卻無法用于該裝備基于定性數據的故障診斷。本文通過數據預處理方法對定性描述的故障現象進行量化，研究提出了基于BP神經網絡的智能故障診斷方法，很好地解決了用定性數據進行裝備故障診斷的問題。

［1］傅薈漩，趙紅等.MATLAB神經網絡應用設計［M］.北京：機械工業出版社，2010.

［2］王晶，徐百榮.基于神經網絡的導彈引信故障危害度研究［J］.徐州空軍學院學報，2007，18（3）：36-39.

［3］周杰等.基于粗糙集的知識約簡算法改進研究［J］.徐州空軍學院學報，2011（5）：65-68.

［4］趙導，齊曉慧等.基于仿真數據的神經網絡故障診斷方法［J］.計算機工程與設計，2010，31（9）：2020-2022.

［5］鐘宇，白云等.某自動測試系統神經網絡故障診斷模塊設計與實現［J］.航天控制，2011，29（5）：58-62，76.

［6］文天柱，許愛強等.基于粒子群優化的可拓神經網絡故障診斷方法研究［J］.計算機測量與控制，2014，22（2）：346-366，369.

［7］王秋彥，鞠建波等.優化的BP神經網絡在電子設備故障診斷中的應用［J］.現代電子技術，2012（3）.

Research on Intelligent Fault Diagnosis Methods for Some Equipment Based on Neural Network

MA Changgang1LI Qing1SUN Dalin2ZHOU Jie3
（1.Air Force Logistics College，Xuzhou 221000）（2.No.94676 Troops of PLA，Shanghai 202150）（3.No.95696 Troops of PLA，Chongqing 401329）

The problem of diagnosis on qualitative data system is still unresolved，although the effect of BP neural diagnosis on system fault which consist of quantitative data is obvious.The chapter is intended to study intelligent fault diagnosis methods on dealing with qualitative data of BP neural network equipment，switching qualitative data into quantitative data by applying some pretreatment technology like coding of fault diagnosis，realizing automation and intellectualization of fault diagnosis for equipment based on knowledge base，greatly improving the efficiency of fault diagnosis of equipment，expanding application range of BP neural network diagnosis methods.

neural network，intelligent diagnosis，equipment fault，qualitative data analysis

TP274

10.3969∕j.issn.1672-9730.2017.10.024

Class Number TP274

2017年5月5日，

2017年6月10日

馬長剛，男，碩士研究生，研究方向：武器系統與運用工程。