基于小波神經網絡的指控裝備故障診斷方法

陳 旭,胡建旺,孫慧賢,單成進

(1.陸軍工程大學石家莊校區，河北 石家莊 050003；2.解放軍32228部隊23分隊，福建 廈門 361100)

0 引言

近年來，隨著人工智能、概率論等理論不斷應用到設備的故障測試診斷上，國內外故障診斷技術取得了較大發展[1]。從實際的研究應用來看，故障診斷技術主要分為以下三類：一是借助常用信號處理的方法完成故障識別；二是借助經驗知識的診斷方法，如專家系統法、模糊推理法、模式識別法等；三是借助解析模型分解的識別方法[2]。三類測試診斷方法各有優劣，其中借助經驗知識的診斷方法，具有快速、智能、準確率高的優點，但是其自身網絡結構難以確定，診斷實時性較差，特征量的選取與表述較難。基于信號處理的方法實現簡單方便，但故障診斷不夠精確，難以定位故障。利用解析模型的診斷方法優點是輸入輸出關系明確，可以直觀反應診斷過程，但缺點在于數學模型難建立、實時性差、受噪聲的影響較大[3]。

目前我軍在對指控裝備通信設備故障診斷上主要存在有以下兩個方面的問題：一是大部分的檢測方法故障定位不夠準確，測試深度不夠，故障診斷層次低；二是檢測設備、檢測工具、檢測方法的通用性不強，沒有形成成熟的測試診斷理論。針對上述不足，提出一種基于小波分析與神經網絡相結合的故障診斷方法[3]。

1 小波神經網絡

神經網絡由于具有良好的自我學習能力、非線性映射和容錯能力，被廣泛地應用于復雜電子設備的故障診斷[4]；但神經網絡中激勵函數的支撐集是無窮大的，使得傳統神經網絡收斂速度非常慢。而小波分析因其在時頻域出色的局部分析變焦能力，可以有效減少神經網絡學習的結構規模以及優化權值選擇[5]。小波和神經網絡的結合一方面可以通過神經網絡的優勢解決大規模應用小波分析對小波基構造和儲存花費大的問題；另一方面利用小波局部時頻域分析能力為神經網絡的網絡結構規模和學習參數作為依據，從而很好地解決傳統神經網絡收斂慢、過學習或欠學習等一系列問題[6]。相比傳統的神經網絡，小波神經網絡具有更好的自適應分辨性和容錯能力，收斂速度快，有效地避免了局部最小值問題。

小波與神經網絡的結合有兩種方式：一種是松散型結合，利用小波分析對通信信號進行預處理，依靠小波包分解或者多分辨分析提取信號的故障特征，而后送用神經網絡進行學習判別，其結構如圖1所示；另一種為緊致型結合的方式，即神經網絡與小波直接結合，用小波函數來代替神經網絡中的激勵函數，由小波函數的尺度和平移參數代替神經網絡中的權值和隱層閾值，其結構如圖2所示[7]。

圖1 松散型小波神經網絡Fig.1 Loose wavelet neural network

圖2 緊致型小波神經網絡Fig.2 Compact wavelet neural network

本文采用松散型結構小波神經網絡，先通過小波分析提取故障特征向量，再送入神經網絡進行學習訓練和測試[4]。在小波分析的發展過程中，Mallat提出了多分辨分析性，將正交小波基的構造方法統一起來，確定了正交小波變換的快速算法，為松散型小波神經網絡故障診斷奠定了基礎。空間L2(R)的多分辨分析性是指在空間內構造一個子空間序列{Vm:m∈Z}，使其具有下列性質：

1) 單調性

Vj?Vj+1,j∈Z；

2) 逼近性

3) 伸縮性

f(x)∈Vj?f(2x)∈Vj+1,j∈Z;

4) 平移不變性

f(x)∈V0?f(x-k)∈V0,k∈Z;

5) 正交基存在性

存在φ(x)∈V0，使得|φ(x-k)|k∈Z是V0的標準正交基。

則Vj(j∈Z)是空間L2(R)的一個多分辨分析，其中φ(x)為尺度函數。多分辨分析的基本思想是將信號分解成低頻部分和高頻部分，然后繼續對低頻部分進行分解，從而能形成多分層結構。多分辨分析結構如圖3所示。

圖3 多分辨分析分解樹結構圖Fig.3 Multi-resolution analysis decomposition tree structure diagram

小波包是在小波變換的基礎上提出來的，由于多分辨分析對信號的時頻分解尺度是二進制變化的，所以仍然存在高頻段頻率分辨率低，低頻段時間分辨率低的問題[8]。小波包分析作為一種更為精細的分析方法，將原始信號分解為高頻細貌和低頻概貌，并進一步繼續分解。因為小波包具有高頻信號分析能力，可以對多分辨分析沒有細分的高頻部分進行更為精細的分解。

以一個三層的分解樹來對小波包分析進行說明，如圖4所示，D代表高頻部分，A代表低頻部分，數字代表分解尺度，其分解關系如下式：

圖4 小波包分解樹結構圖Fig.4 Wavelet packet decomposition tree structure diagram

S=AAA3+DAA3+ADA3+DDA3+AAD3+
DAD3+ADD3+DDD3

(1)

所以在指揮系統故障診斷中，可以對輸出信號進行小波包分析以提取在不同故障模式下的故障特征作為樣本集或測試集[9]。當一個頻率豐富的測試信號輸入到被測設備中時，由于設備故障點對信號的不同頻率成分作用必然發生改變，所以其輸出信號與正常信號相比，內部各頻率的信號能量將會發生改變，因此在輸出信號中將包含大量故障信息，選取某幾種合適的頻率能量變化作為故障特征，即可代表對應的故障。

2 基于小波預處理的裝備故障診斷

2.1 故障特征提取

小波神經網絡對指控裝備的診斷主要分為兩大部分：第一部分首先是利用小波包分析完成對信號的頻率分析以及故障特征的提取；第二部分為多層前饋神經網絡，利用提取的故障特征，完成故障模式的分類功能[10]。故障特征的提取是運用小波神經網絡進行故障模式識別的關鍵。選擇小波包分析對指控裝備故障信號進行分解，選擇能具有較好識別能力的頻率系數部分作為故障特征向量，輸入至神經網絡進行模式識別[11]。在Matlab中利用小波包分析對信號的故障特征提取的過程如下：

1) 將測試收集到的裝備輸出信號離散化，而后保存為.mat文件方便進行小波包分析。

2) 利用小波包對離散后信號數據進行多尺度分解，編程如：T=wpdec(s,N,’wavename’);N代表分解層數，wavename代表使用小波。

3) 從分解結構中提取各層節點系數向量，并從中選取能表征故障特征的系數。編程如：T=wpcoef(T,[m,n]);

4) 對選取的系數進行歸一化處理，作為故障特征向量輸入神經網絡進行模式識別。

2.2 故障模式識別

針對裝備故障模式識別的基本原理是先將裝備所有的故障由唯一特征表征；然后利用神經網絡學習對這些特征進行學習，通過特征以及對應故障模式的關聯，對學習的神經網絡進行相關權重系數優化；最后輸入響應的測試數據，進行故障模式判別。具體步驟如下：

1) 對指控裝備針對不同故障模式以及正常狀態下的信號數據進行采集，并分類整理。

2) 利用Matlab工具對信號進行預處理，選取合適的系數來表征不同狀態特征。

3) 構造特征向量。

4) 對各狀態信號數據歸一化處理，選取典型特征向量，制作訓練樣本集。

5) 將樣本集輸入神經網絡進行訓練，優化神經網絡的權重。

將待測信號輸入訓練好的神經網絡中，進行故障識別[12]。流程圖如圖5所示。

圖5 基于小波神經網絡的故障診斷流程圖Fig.5 Fault diagnosis flowchart based on wavelet neural network

3 指控裝備故障診斷實例分析

通信控制機作為指控系統集網絡間數據轉換、數字交換、電臺組網控制、高速有線傳輸等功能于一體的核心通信設備，結構復雜，內部板件眾多，選取通信控制機作為實驗對象進行測試，研究的測試方式可以推廣到其他指控設備測試診斷上。

3.1 故障模式分析

通信控制機的故障按照元件參數值偏離標稱值的程度可以劃分為軟故障和硬故障兩類，常見的故障模式及影響如表1所示[13]。

表1 通控機故障模式表Tab.1 Failure mode table of communication control machine

3.2 測試方案及數據分析

通信控制機的測試包含接口注入測試信號，響應信號的處理，故障特征的識別提取以及故障模式識別四個階段。實驗選取一臺功能正常的通信控制機以及設置故障的用戶板U09進行驗證實驗。利用數據采集卡對測試響應信號進行采集，小波-神經網絡的方法對測試響應信號進行分析處理，實驗采集數據仿真在Matlab環境中進行。首先選擇合適的測試端口，根據通信控制機的結構原理，車內口與內部眾多電路板相通，故選取車內口作為測試信號注入接口。注入的測試信號流經不同功能狀態的電路會使響應信號內部時頻信息產生不同變化，所以當通過有故障的板件后，響應信號中就會攜帶著大量故障信息。而后利用小波包分析對響應信號進行預處理，選取合適的小波細節系數作為故障特征向量送入神經網絡進行學習訓練。

在驗證實驗中，選取用戶板上一個電路進行故障設置，具體實驗流程如下：

1) 設置故障診斷集

F0(正常狀態)：R1=10 K，L=0.01 μH，C=9 pF；

F1(故障狀態①)：R1=10 K，L=0.01 μH，C=開路；

F2(故障狀態②)：R1=短路，L=0.01 μH，C=9 pF；

2) 分別在三種不同狀態下進行通信控制機測試實驗，利用采集卡收集響應信號，并對各狀態下的響應信號進行小波預處理。首先對信號進行離散，然后在Matlab中使用小波包工具對離散后信號進行三層分解。

3) 利用小波包仿真計算向量系數和從分解后的信號中提取故障信號作為故障特征向量，并從中選取能表征故障特征的系數。

4) 將小波系數進行歸一化處理。

5) 對BP神經網絡進行訓練，神經網絡的結構由一個隱含層和一個輸出層組成，輸入節點有5個，輸出節點3個，神經網絡的誤差曲線如圖6所示。

圖6 小波神經網絡訓練誤差收斂圖Fig.6 Wavelet neural network training error convergence diagram

6) 在三種狀態下對通控機進行測試，并將測試結果進行小波預處理并歸一化，形成測試集，然后利用訓練好的BP神經網絡對測試結果進行分類診斷，故障診斷的正確率為90%。

為了更好地說明小波神經網絡在故障診斷中的優勢，我們選擇普通BP神經網絡進行對照實驗，同樣在通控機的用戶板上設置兩個常見故障：

1) 設置故障診斷集

F0(正常狀態)：R1=10 K，L=0.01 μH，C=9 pF；

F1(故障狀態①)：R1=10 K，L=0.01 μH，C=短路；

F2(故障狀態②)：R1=開路，L=0.01 μH，C=9 pF；

2) 在沒有小波包工具對響應信號進行分解預處理的前提下，我們選擇測量通控機上電壓值作為故障特征，選擇四個合適的測試點進行電壓測量。

3) 對三種狀態下的通控機進行測試，共測得150組數據，其中100組數據作為用于訓練神經網絡的學習樣本集，50組數據用于測試集，表3僅列出具有代表性的一組數據以及對應的分類編碼。

表3 三種工作狀態下通控機測試節點電壓值Tab.3 The test node voltage value of the communication control machine in three working states

4) 對表3中數據進行歸一化處理，送入神經網絡進行訓練，誤差曲線如圖7所示。經過訓練，使系統的輸出誤差e<0.000 1，BP神經網絡訓練完成，構成通控機的故障診斷分類器。將測試數據送入神經網絡進行分類測試，正確率78%。

圖7 BP神經網絡訓練誤差收斂圖Fig.7 BP neural network training error convergence diagram

經過兩次的實驗結果對比可以看出，通過小波工具對信號進行預處理，對測試信號中的冗余信息進行剔除，簡化了神經網絡的結構，有效減少了神經網絡訓練的時間，提高了故障診斷的效率，同時也提升了故障診斷的準確率。

4 結論

本文提出了一種基于小波神經網絡的指控裝備故障診斷方法。該方法既能利用小波對信號良好的時頻域分析能力，又可以充分發揮神經網絡自學習能力和大規模處理信息的能力等優點。經實例分析結果表明，兩者的結合進一步簡化了神經網絡的結構使其具有更好的逼近能力和收斂速度，提高了故障準確識別率。該測試方法實現了對指控裝備的全面有效測試，針對多類型故障的診斷更加智能準確。