BP 神經網絡在雷達故障診斷中的應用

蔣艷艷

（95949 部隊，河北 滄州 061000）

1 相關概念表述

1.1 BP 神經網絡

1986 年，魯姆哈特和麥克蘭德首次提出BP 神經網絡概念，這是神經網絡中最有代表性的算法，具有誤差逆向傳播的反饋優勢。BP 神經網絡在輸入層和輸出層中間加入一層或多層的神經元節點，被稱為隱層，這些隱層神經元沒有與外界之間的直接聯系，而是作為中間節點影響輸入節點和輸出節點的關系。

1.2 雷達故障

雷達（Radar）原意是“無線電探測與定位”的英文縮寫，基本任務是探測目標位置，其工作原理是雷達發射機把無線電波發射到指定的方向，在發射空間位置上的物體反射電波，雷達接收到返回的信號，測定有關目標的距離、方向、速度等狀態參數。近年來，雷達技術應用十分廣泛，已經融入到人們生活的方方面面，不僅應用在民用，而且在軍事上有著廣泛的用途，包括預警雷達、航管雷達、引導雷達、炮瞄雷達、雷達引信、戰場監視雷達等，能夠完成搜索、跟蹤、火控、天氣、合成孔徑等多種功能。雷達故障診斷就是按照雷達的運行狀況，對內部的各類數據進行收集，并對數據進行研究、判斷、尋找故障節點，找到雷達發生故障的影響因素，進而為軍隊雷達維修提供堅強的保障。雷達故障診斷技術經歷了專業技術人員原始診斷、材料分析技術故障診斷、傳感器與計算機技術故障診斷和智能化故障診斷四個階段[1]。隨著信息時代的快速發展，軍事雷達裝備的可靠性、有效性、穩定性問題變得十分重要，將神經網絡技術應用于雷達故障診斷領域已經成為必然趨勢。

2 BP 神經網絡在雷達故障診斷中面臨的問題

以往雷達故障診斷的方式雖然取得了一定的成效，但仍然存在故障診斷速度慢、診斷效果不直觀、診斷分析不透明及缺乏智能化學習診斷等問題。隨著神經網絡技術的日趨成熟，將其應用在解決雷達故障過程中有著較強優勢，但同時也存在不可忽視的問題。第一，故障診斷的過程需要數據作為支撐，成千上萬數據的學習，使系統運行起來十分復雜，對學習速度的能力是一個考驗。第二，容易將數據陷入極限值，整個診斷的過程就是數據學習的過程，在此過程中容易向極大、極小值偏向，造成數據的不穩定，檢測結果的不可靠。第三，雷達技術的更新迭代迅速，需要人工神經網絡系統不斷優化，才能滿足檢測故障的可靠性[2]。

3 基于BP 神經網絡故障的模型建立

雷達發射器是雷達系統中最重要的組成部分，由固態放大模塊、單注速調管放大器、調制電源、燈絲電源及鈦泵電源等部分構成，各電路模塊間的關聯度高，一旦出現故障，診斷起來極為困難。以某雷達終端為例，通過分析雷達的運行記錄和檢修數據，歸納出該雷達發射機的9 個具有普遍性的故障特征，8 個典型故障，14 個隱含節點數，即：整個網絡的輸入節點數為9，輸出節點數為8，建立9-14-8 的BP 網絡結構，利用神經網絡對雷達的故障進行診斷。表1 為BP 網絡輸入/輸出表。

本研究采用MATLAB 仿真進行分析，輸入收集的樣本數據進行BP 神經網絡學習訓練，為雷達系統診斷故障打下良好得基礎[3]。按照雷達發射器之間的特征和故障問題的關聯，獲得故障樣本表，如表2 所示。

把多組故障樣本輸入到網絡中進行學習，確保構建的網絡達到理想的狀態。經過網絡學習訓練，對采集測試的數據經過處理后，輸入到已經訓練好的網絡進行診斷，輸入的故障特征，得到樣本1 對應00 100000；樣本2對應00 010000；樣本3對應00000010，說明故障診斷的方式與實際故障相匹配，表明遺傳BP 神經網絡算法具有良好的泛化效果，可有效解決雷達故障自動檢測與診斷需求。表3 為故障樣本表，4 為診斷結果表。

表1 BP 網絡輸入/輸出表

4 結論

從多重角度進行分析，將BP 神經網絡技術應用在雷達故障診斷過程中，通過自我組織、自我學習、自我適應的能力，可以滿足雷達故障自動檢測與診斷的需要，使神經網絡診斷故障的能力大幅度提高，精準性不斷增強。通過實踐研究表明，該技術在雷達系統中診斷故障是可行的，能夠取得良好的應用效果，對于改進智能化自動故障檢測系統，提升部隊雷達系統的安全運行具有重要作用。

表2 測試樣本數據表

表3 故障樣本表

表4 診斷結果表