基于神經網絡的復雜電子裝備調試決策技術

巫婕妤, 胡 剛, 呂海飛, 汪智萍

(上海無線電設備研究所,上海201109)

0 引言

復雜電子裝備是由大量相互關聯、相互制約的電子元器件、電路板和組件組成的。由于電子元器件參數的離散性及不同環境條件下的性能變化會對裝備性能指標產生影響,一般需要設置多個可調參數,并根據測試結果選配最優的調試參數。目前電子裝備調試依賴人工經驗,調試效率低、準確度差、反復次數多,大大影響了復雜電子裝備的生產效率及成品率。通過對復雜電子裝備的電路特性進行分析,可知其性能和調試元器件參數之間存在關聯關系,但無法得出精確的數學模型。基于神經網絡建立的非參數化模型,可模擬電子裝備性能和調試參數的關系,用于調試參數的預測。

神經網絡是近幾年國內外人工智能領域的研究熱點,其基本思想來源于人腦神經元的構造。神經網絡具有大規模并行運算、自適應、自組織和自學習能力,適用于處理需要同時考慮多個因素和條件的模糊信息問題[1]。范愛鋒等[2]在雷達裝備狀態監測與故障趨勢預測系統中引入基于指數衰減的神經網絡預測模型,并將該模型應用于某型雷達磁控管的高壓數據預測。李靜雯等[3]將灰色Verhulst模型與小波神經網絡相結合,來解決小樣本故障數據在誤差反向傳播(back propagation,BP)神經網絡訓練中存在缺陷的問題,提出了基于灰色Verhulst-小波神經網絡的組合預測模型,并在某型航空設備工作電壓的故障預測中對該模型進行了驗證。文瑩等[4]將粗糙變量作為神經元的輸入,通過交叉連接方式構造粗糙神經網絡,以此來對設備特征參數進行預測,并將該方法應用于某型航空電子設備的故障趨勢預測。胡雷剛等[5]應用免疫算法對神經網絡隱含層激勵函數進行改進,得到免疫神經網絡,并將該模型應用于某型航空裝備特征參數的跟蹤預測。孫文珺等[6]提出一種將去噪編碼融入稀疏自動編碼器的深度神經網絡,實現非監督學習的特征提取,并用于感應電動機的故障診斷。

本文提出一種基于神經網絡的復雜電子裝備調試決策方法,通過建立神經網絡模型,模擬電子裝備性能指標和調試元器件參數之間的關聯關系,實現電子裝備調試元器件參數最優值的預測。

1 神經網絡模型建立

1.1 神經網絡結構

電子裝備性能指標與調試元器件參數之間存在某種非線性關系,利用電子裝備的歷史調試數據進行神經網絡訓練,可以使神經網絡學習到近似于輸入與輸出之間潛在關系的規律。

神經網絡由多個神經元以不同層的形式連接。每個神經元都是一個數學運算:對輸入進行加權求和,加偏置,得到待激活值;將待激活值作為激活函數的輸入,得到輸出值,并將其傳遞給其他神經元。神經元結構如圖1所示。

圖1 神經元結構

神經網絡分為輸入層、隱藏層、輸出層。具有一個隱藏層的單輸出神經網絡結構如圖2所示。通過調節神經元內部的激活函數參數以及神經元之間的連接權重,最終得到預測值。進行復雜電子裝備調試決策時,輸入層為電子裝備性能指標,輸出層為調試元器件參數,隱藏層的設置與待解決的問題有關,通常為1～2層。

圖2 神經網絡結構

利用神經網絡預測輸入與輸出間的關系,以最小化損失函數為目標,選擇合適的優化算法迭代求解最優的神經網絡參數,即可得到近似真實關系的神經網絡模型。激活函數是神經網絡解決非線性問題的關鍵,可以將網絡連接非線性化。常用的激活函數有Re LU函數、Sigmoid函數、Softmax函數等。

一般利用均方誤差(mean squared error,MSE)指標進行神經網絡模型選擇或者預測結果評價。將MSE作為損失函數,并以最小化MSE為目標進行參數求解,則損失函數可以表示為

式中:m為樣本點數;Yp,i為第i個樣本預測值;Ya,i為第i個樣本實際值。

通過優化算法使得損失函數的值最小,以便尋找到最優的參數。常用的優化算法是隨機梯度下降(stochastic gradient descent,SGD)算法。SGD算法每次隨機選擇一個樣本來更新模型參數,訓練速度更快。

1.2 神經網絡模型參數

以某復雜電子裝備單機為例,單機由5類組件構成,每類組件由10～20塊電路板構成,共設置8項調試元器件。根據單機特性,梳理其性能指標與調試元器件的對應關系,如表1所示。靈敏度指標與調試電阻*R44、*R30、*R46有關,加速度指令指標與調試電阻*R15、*R25、*R45、*R55有關,耦合系數指標與調試電阻*R54有關。針對表1中的3類性能指標和對應的8項調試元器件,通過建立神經網絡模型進行數據分析和模型訓練,模擬單機性能指標和調試元器件之間的關聯關系,實現以單機性能指標為輸入、調試元器件參數為輸出的調試決策,輔助指導實際生產中的人工調試。

表1 性能指標與調試元器件對應關系

根據表1的對應關系,神經網絡的輸入為性能指標,輸入層節點數為3或4,輸出為調試元器件參數,輸出層節點數為3、4或1。分別針對靈敏度、加速度指令、耦合系數測試項,調整輸入和輸出層節點數,建立相應的神經網絡模型,模型結構如圖3所示,模型參數如表2所示。設置2個隱藏層,第一隱藏層節點數設置為15,第二隱藏層節點數設置為7。靈敏度調試過程中神經網絡結構輸入層節點數k為3,輸出層節點數m為3;加速度指令調試過程中神經網絡結構輸入層節點數k為4,輸出層節點數m為4;耦合系統調試過程中神經網絡結構輸入層節點數k為4,輸出層節點數m為1。隱藏層激活函數采用ReLU函數,損失函數采用均方誤差函數,優化算法采用SGD算法,迭代2 000次,根據不同收斂速度設置學習率。

圖3 調試過程神經網絡結構

表2 神經網絡模型參數

2 神經網絡模型訓練

梳理電子裝備的歷史調試數據共2 000項,以9∶1的比例劃分神經網絡模型訓練集和測試集,訓練集數據為1 800項,測試集數據為200項。訓練集中的性能指標和調試元器件參數分別作為神經網絡的輸入和輸出,通過訓練得到神經網絡每層節點之間的權重。測試集用來評估訓練后的神經網絡模型,將測試集中的性能指標輸入神經網絡模型,計算得到調試元器件參數的預測值,和對應的調試元器件參數的真實值進行誤差分析,評估該神經網絡模型的預測效果,并進一步優化模型參數。神經網絡模型訓練流程如圖4所示。

圖4 神經網絡模型訓練流程

為了讓被訓練的模型更加準確可信,采用k重交叉驗證方法。將訓練集數據分成k份,其中一份作為驗證集,然后經過k次訓練,每次都更換不同的驗證集,得到k組訓練結果,取平均值作為權重的最終結果。

針對訓練后的神經網絡模型,采用網格搜索算法進行模型的權重參數優化,將參數之間的潛在關系考慮進去,整合各參數得到最終的訓練模型。將各個參數可能的取值進行排列組合,列出所有可能的組合,生成“網格”,然后將各組合用于神經網絡訓練,并采用交叉驗證方法對訓練結果進行評估,自動調整至最佳參數組合。

該電子裝備單機的3類性能指標的調試元器件數量不同,但由于神經網絡可以自由調節各層神經元數量,對于不同的預測項目可以很便利地建立神經網絡模型。各調試元器件參數的測試集預測情況如圖5所示,可看出各調試元器件參數的預測值和實際值誤差較小。

圖5 調試元器件的預測值與真實值對比

以預測值相對于真實值的誤差不超過10%作為神經網絡的預測準確判據,神經網絡模型訓練集和測試集的預測效果如表3所示。各神經網絡模型表現良好,其中*R54預測誤差較大,是由于該調試參數與性能指標的相關性不高。

3 調試決策系統

本文使用MySQL數據庫管理系統開發電子裝備調試數據庫,包括產品信息表、性能指標信息表、測試參數表。產品信息表對產品的種類、生產編號、生產時間、調試時間等基本信息進行描述。性能指標信息表主要對產品的測試項和調試元器件等信息進行描述,包括測試項名稱、測試項單位、測試項上下限、調試元器件規格、調試元器件上下限。測試參數表主要對測試指標的實測值和調試元器件實際參數進行描述。

為了滿足調試決策系統更新不同產品、不同版本的調試模型的需要,采用算法信息表的形式,建立電子裝備知識庫,管理調試過程中產生的神經網絡模型。具體如表4所示。

表4 算法信息表

基于調試數據庫和知識庫,開發復雜電子裝備調試決策系統,系統業務流程如圖6所示。

圖6 調試決策系統業務流程圖

如當前知識庫中沒有對應神經網絡模型,則需進行模型訓練。輸入對應的訓練數據文件路徑,指定網絡結構參數,包括輸入層節點數、輸出層節點數、隱藏層節點數、批量大小、迭代次數等參數,訓練完成后,對應的訓練模型自動保存在指定路徑,供預測使用。

對知識庫中已有神經網絡模型的數據進行預測時,輸入待預測的數據文件及對應的神經網絡模型文件路徑,指定預測結果輸出文件的保存路徑,運行預測程序,會在指定路徑下產生預測結果文件。

4 結束語

針對復雜電子裝備調試指標多、調試難度大等問題,基于神經網絡模型,對歷史調試數據進行分析與挖掘,模擬電子裝備性能指標和調試元器件參數之間的關聯關系。構建復雜電子裝備調試數據庫與知識庫,開發調試決策系統,通過獲取電子裝備單機性能指標,預測相應的調試元器件參數,為人工調試提供指導。