基于神經網絡算法的某型裝備專家診斷系統的研究?

（71939部隊 濟南 250300）

1 引言

隨著智能檢測技術的發展，人工智能技術在裝備故障檢測中的應用越來越廣泛，隨著人工神經網絡技術的成熟發展，它不斷推動故障診斷技術向智能化方向發展。現代的武器裝備越來越多的應用復雜的大規模集成電路，功能結構復雜，故障原因多樣化，故障診斷的難度越來越大。鑒于神經網絡具備的I/O非線性信息映射能力、自學習能力、并行處理能力為復雜故障診斷提供了新的實現方法，本文采用神經網絡技術對某型裝備的雷達系統的故障診斷進行了研究。

2 神經網絡簡介

2.1 BP網絡的特點

人工神經網絡也稱為神經網絡，它以人腦神經網絡為模型，通過模擬人腦神經網絡的思維方式，使系統具備人腦的感知、學習和邏輯推理能力。

BP網絡是一種單向傳播的多層前向網絡，由輸入層、隱含層和輸出層3部分組成，其中隱含層可以有一個或多個。每層內部的神經元之間沒有連接，上下層之間神經元實現全連接。若隱層中的作用函數采用S型傳遞函數，則輸出為0～1間的連續變量，確定輸入輸出之間的非線性映射關系［1］。

圖1 神經網絡結構

神經網絡的優點在于具有很強的自適用性學習能力，能夠通過對樣本的學習、訓練和不斷演算，掌握系統規律，獲取診斷對象的模型及知識，無需對測量信號作模型假設。對故障的診斷都是在大量訓練樣本的基礎上通過兩種形式實現［2］，一是函數逼近，二是建立動態模型。

故障診斷系統的核心在于神經網絡結構，故障征兆作為輸人量進入神經元網絡，通過神經網絡的自學習能力，把外部知識轉換成為網絡結構的連接權值和閾值，分布在整個神經網絡結構之中。在確定了網絡的神經元特性、結構參數和學習算法后，網絡可以自行解決進行故障診斷［3］。

2.2 神經網絡知識庫

基于神經網絡的專家系統的知識庫可以分為靜態知識庫和動態知識庫兩部分，靜態知識由工程師把雷達領域專家的診斷知識以產生式規則輸入。動態知識在神經網絡中通過樣本的學習和訓練獲取，包括連接權值和閾值知識、節點值等［4］。

對于故障診斷系統，首先就要建立一個故障模式樣本庫，也就是靜態知識庫。樣本庫的知識包括試驗數據和專家經驗。網絡輸入的是被診斷對象的故障現象，網絡輸出的是被診斷對象發生故障的概率。根據診斷對象故障知識確定網絡的結構、算法，通過樣本訓練網絡，直到故障類型和故障征兆之間建立正確的非線性映射關系，將知識轉換為神經網絡的連接權值和閾值［5］。

因此，知識庫的建立可以總結為［6］

1）針對診斷對象的故障知識確定神經網絡結構；

2）多途徑獲取大量的訓練樣本，形成樣本庫；

3）通過對樣本庫的訓練獲得網絡結構的連接權值和閾值，形成知識庫。

2.3 BP網絡算法

BP網絡的結構在確定以后，其網絡的連接權值和閾值不能滿足網絡要求，就要通過樣本庫對網絡進行訓練，使網絡參數不斷得到修正，以實現輸入輸出之間的映射關系。BP算法的學習過程由正向傳播和反向傳播兩部分組成，其算法為

wji為輸入層第i個神經元與隱含層第j個神經元之間的連接權值，vkj為隱層第j個神經元與輸出層第k個神經元之間的連接權值［7］。

1）正向傳播過程

輸入層:第i個單元的輸出值oi也就是其輸入值xi；

隱含層:隱含單元j，其輸入值netj為輸入層各單元的輸出值oi的加權和:

3 故障診斷系統設計

在裝備出現故障進行智能診斷時，神經網絡通過故障樣本集進行了自學習，確定了網絡結構的連接權值和閾值，在輸入端輸入故障征兆后，神經網絡通過推理找到相應的故障原因。

裝備神經網絡診斷的準確率與網絡樣本庫中的數量和正確程度聯系密切，因此，根據專家經驗和專業理論知識創建大量的故障樣本數據是實現神經網絡故障診斷的關鍵［8］。

以某型裝備的雷達系統發射機為例進行神經網絡的訓練和診斷。根據經驗和知識，雷達系統發射機出現的故障現象和故障原因及神經網絡的輸入和輸出如表1所示［9］。

xi=0表示沒有出現此故障現象，xi=1表示有此故障現象；yi=0表示不存在此故障原因，yi=1表示存在此故障。以此建立發射機故障學習樣本數據，如表2所示。

表2 發射機單元神經網絡樣本集

根據以上分析，以發射機故障為例設計的BP神經網絡輸入層神經單元數目是8，輸出層神經單元是5。隱含層節點數的確定可以根據公式:

式中i為神經網絡輸入層神經元數量，k為神經網絡輸出層神經元數量，a為［1，10］之間的常數。選取隱層神經元數目是6或10，在本項目中選擇6。

神經網絡訓練好后，對閾值和權值進行保存，形成故障診斷的知識庫。我們通過任意選擇一故障現象輸入到訓練好的神經網絡進行驗證。選取一組故障現象輸入向量X=［1 0 1 0 0 0 0 0］，則得到的診斷結果是Y=［0.07341 0.98423 0.05184 0.02098 0.08763］，由此推斷故障原因為調制器故障。

圖3 故障診斷專家系統界面

專家系統采用的診斷技術很多，基于三層BP神經網絡技術的專家系統，一般采用正向推理的故障診斷策略［10］，即通過故障現象，向前推理到達故障原因為止。

專家系統診斷的前提是通過神經網絡知識表示法輸入完整的訓練樣本到神經網絡中進行訓練和學習，修改各層神經元的權值不斷完善精確神經網絡知識庫［11］。首先根據故障征兆利用專家系統進行故障診斷，進行故障診斷時用戶通過選擇故障結構輸入故障現象，系統便可快速給出故障原因，系統診斷界面如圖2。

4 結語

實踐結果表明，人工神經網絡建立起某雷達發射機故障征兆與故障原因之間的非線性映射［12］，提高了雷達故障診斷方面的效率和準確性，滿足了對診斷系統可靠性和可維護性的要求，在電子系統診斷方面具有極大的應用潛力和實用價值。