豐少偉 梁遠華 邵成明

（海軍工程大學科研部1） 武漢 430033） （海軍工程大學兵器工程系2） 武漢 430033） （中國人民解放軍海軍91492部隊3） 青島 266000）

0 引 言

隨著現代科學技術的不斷發(fā)展，大量高新武器裝備部隊，這些武器裝備技術復雜，戰(zhàn)技術性能優(yōu)越，具有良好的精確打擊能力，但同時也給部隊技術人員的武器裝備保障能力提出了更高的要求.在日益復雜的高新武器裝備結構中，電氣系統(tǒng)所占的比重越來越大，根據部隊技術人員統(tǒng)計，在整個武器裝備系統(tǒng)發(fā)生的故障中，電氣系統(tǒng)故障占了較大比例.因此，如何對電氣系統(tǒng)進行快速準確的故障診斷，對提高武器裝備的戰(zhàn)斗力具有非常重要的現實意義.

武器裝備電氣系統(tǒng)具有非線性特性［1］，而BP神經網路具有較強的處理非線性、自組織性、并行性和自學習的能力，因此BP 神經網絡在非線性故障診斷方面具有很大的優(yōu)勢［2－3］.本文通過將BP神經網絡應用于武器裝備電氣系統(tǒng)的故障診斷，能夠極大地提高故障診斷的效率.

1 BP神經網絡的故障診斷模型

故障診斷其實就是一個模式分類與識別的問題，而BP神經網絡進行故障診斷就是利用網絡的相似性、聯想能力和通過學習不斷調整權值與域值來實現的.

應用神經網絡進行故障診斷一般建立輸入層、隱層和輸出層3層網絡.以故障征兆作為網絡輸入，診斷結果作為網絡輸出.故障診斷前，首先利用已知的故障征兆和診斷結果對網絡進行學習訓練，通過不斷修改權值和域值使得網絡記憶故障征兆與診斷結果之間的關系；故障診斷時，利用已經學習訓練好的網絡，通過輸入一個新的反映系統(tǒng)狀態(tài)的故障征兆，得到相應的診斷結果.

2 裝備電氣系統(tǒng)故障診斷實例

以某型號魚雷武器裝備接收機系統(tǒng)為例，介紹BP神經網絡在裝備電氣系統(tǒng)故障診斷中的應用［4］.

2.1 BP網絡診斷模型設計

建立接收機故障征兆集X＝｛x1，x2，x3，x4，x5，x6｝和故障原因集Y＝｛y1，y2，y3，y4，y5｝.式中：x1為左陷波點電壓異常；x2為右陷波點電壓異常；x3為左右陷波點電壓差異常；x4為噪聲門陷波器頻率異常；x5為多普勒門限值異常；x6為噪聲門限值異常；y1為左陷波器故障；y2為右陷波器故障；y3為噪聲門電路故障；y4為多普勒門限電路故障；y5為噪聲門限電路故障.

圖1 接收機系統(tǒng)BP神經網絡結構

2.2 故障特征提取與樣本預處理

魚雷自動測試系統(tǒng)按照測試規(guī)程完成接收機系統(tǒng)相應項目測試之后，需要對原始測試參數進行預處理，得到對應于故障征兆的模糊信度.這里通過定義模糊信度函數來實現原始數據的模糊化預處理.故障征兆x的信度函數α（x）的分布見圖2.

圖2 起始庫所信度函數分布

α（x）的表達式為

式中：x0為參數的標準值；x 為參數的實測值；e為參數的正常變化范圍，即容差；δ為參數的極限偏差；γ為修正系數.為處理問題方便并結合實際情況，在故障診斷實例中取γ＝1，e＝0，δ＝x0.

經過對原始數據的模糊預處理，得到反映所有故障特征的訓練樣本.訓練樣本見表1.

表1 訓練樣本

3 網絡訓練與診斷結果分析

BP神經網絡訓練時，網絡接受樣本的方式對訓練結果有一定影響.傳統(tǒng)的方式是學習一個樣本，調整一次權值和域值，此時不考慮誤差要求，而是學習其他的樣本，待所有樣本都被學習一次后，再考慮誤差要求，不斷重復這個過程，直到網絡同時滿足所有樣本的誤差要求.這種接受樣本的順序對訓練的結果有較大的影響，較后的樣本誤差更小.因此本文為了消除樣本順序的影響，對所有樣本同時學習，再將各樣本學習后的修正量求取總和，最后對權值和域值進行調整.

設定BP 算法學習速率η＝0.05，學習誤差ε＝0.0001，采用表1 的訓練樣本對網絡進行學習，當訓練到418次時得到滿足要求的結果.從訓練樣本中取序號為5的樣本作為檢驗樣本，輸入已訓練好的網絡，得到實際輸出為（－0.0012，0.0031，0.0011，0.9947，－0.0008），根據2.1公式計算該樣本誤差為Ep＝2.05×10－5，滿足誤差要求，由此可知故障診斷結果與實際故障原因相一致.當進行實際故障診斷時，由測試系統(tǒng)得到接收機的測試數據，經過3.2節(jié)的模糊化預處理后得到（0.0058，－0.0022，0.0036，0.9127，0.0431，0.0121），將其輸入神經網絡，得到診斷結果為（0.0024，0.0037，0.9794，－0.0462，0.0026），由此可判斷噪聲門電路故障，而這與實際故障結果是一致的.因此診斷結果具有較好的準確性和可靠性.可見BP 神經網絡在對接收機系統(tǒng)進行故障診斷時，不僅有較強的學習能力，而且有一定的泛化能力.

4 結束語

由于武器裝備電氣系統(tǒng)的非線性特點，采用傳統(tǒng)方法進行診斷比較困難.本文利用BP 神經網絡具有高度非線性、容錯性、魯棒性、自聯想自學習和自適應的優(yōu)點，成功將其應用于武器裝備電氣系統(tǒng)的故障診斷，能極大地提高診斷效率.但該方法也存在訓練樣本獲取困難、網絡學習沒有確定模式，不能解釋推理過程和推理結果等問題［6］，需要在以后做進一步的研究.

［1］王新軍，蔡艷平，成 曙.故障診斷技術在武器裝備維修中的應用研究［J］.中國修船，2006，19（S1）：23－27.

［2］張緒錦，譚劍波，韓江洪.基于BP神經網絡的故障診斷方法［J］.系統(tǒng)工程理論與實踐，2002，6（6）：61－66.

［3］謝正喜，廖學兵，趙海燕，等.BP神經網絡在自行火炮電啟動系統(tǒng)故障診斷中的應用［J］.移動電源與車輛，2007（4）：29－31.

［4］朱大奇.電子設備故障診斷原理與實踐［M］.北京：電子工業(yè)出版社，2004.

［5］王 雪.測試智能信息處理［M］.北京：清華大學出版社，2008.

［6］王仲生.智能故障診斷與容錯控制［M］.西安：西北工業(yè)大學出版社，2007.