苗 軍，高 磊，邵森木，胡含凱

（西安機(jī)電信息技術(shù)研究所，陜西 西安 710065）

目前，隨著高新技術(shù)的應(yīng)用，引信智能化程度越來(lái)越高，但結(jié)構(gòu)越來(lái)越復(fù)雜。因此在引信的組裝、調(diào)試和測(cè)試過(guò)程中，故障預(yù)測(cè)顯得尤為重要。傳統(tǒng)的引信故障預(yù)測(cè)方法大多依靠經(jīng)驗(yàn)，當(dāng)前應(yīng)用較多的引信故障預(yù)測(cè)算法大多基于前饋式神經(jīng)網(wǎng)絡(luò)[1]。前饋式神經(jīng)網(wǎng)相對(duì)反饋型神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，網(wǎng)絡(luò)的學(xué)習(xí)、記憶具有不穩(wěn)定性[2]。相比之下，簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)有預(yù)測(cè)可靠準(zhǔn)確、收斂迅速、學(xué)習(xí)記憶穩(wěn)定和動(dòng)態(tài)特性好等優(yōu)勢(shì)。因此基于前饋式神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)算法存在自適應(yīng)能力差、故障預(yù)測(cè)誤差大等缺點(diǎn)。針對(duì)當(dāng)前引信故障預(yù)測(cè)算法自適應(yīng)能力差、誤差大的問(wèn)題，本文提出了基于簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)的引信故障預(yù)測(cè)算法。

1 故障預(yù)測(cè)和簡(jiǎn)單遞歸神經(jīng)（Elman）網(wǎng)絡(luò)

故障預(yù)測(cè)的定義是系統(tǒng)通過(guò)處理收到的檢測(cè)數(shù)據(jù)，分析判斷并預(yù)先診斷設(shè)備部件或設(shè)備完成其功能的狀態(tài)，確定設(shè)備部件正常工作的時(shí)間長(zhǎng)度，并預(yù)測(cè)設(shè)備可能出現(xiàn)的故障類型和故障位置。在設(shè)備健康管理系統(tǒng)中，故障預(yù)測(cè)功能是通過(guò)近一段時(shí)期內(nèi)設(shè)備的運(yùn)行狀況，對(duì)該段時(shí)間內(nèi)的檢測(cè)參數(shù)數(shù)據(jù)進(jìn)行綜合，并通過(guò)算法預(yù)測(cè)未來(lái)某個(gè)時(shí)間的檢測(cè)數(shù)據(jù)，并對(duì)預(yù)測(cè)得到的數(shù)據(jù)進(jìn)行分析處理，判斷未來(lái)時(shí)間可能會(huì)出現(xiàn)的故障[3]。故障預(yù)測(cè)的關(guān)鍵是預(yù)測(cè)的算法[6]。故障預(yù)測(cè)中算法功能是讀取近一段時(shí)期內(nèi)的檢測(cè)數(shù)據(jù)，并且模擬各個(gè)檢測(cè)參數(shù)的未來(lái)數(shù)據(jù)走向，預(yù)測(cè)下一個(gè)時(shí)刻參數(shù)的數(shù)值。

人工神經(jīng)網(wǎng)絡(luò)根據(jù)其運(yùn)行過(guò)程中的信息流向可分為前饋式神經(jīng)網(wǎng)絡(luò)和反饋式神經(jīng)網(wǎng)絡(luò)兩個(gè)基本類型。通常采用的前饋式神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的最終輸出只于當(dāng)前的網(wǎng)絡(luò)輸入和權(quán)矩陣有關(guān)，而與先前的輸入和輸出結(jié)果無(wú)關(guān)[4]。而簡(jiǎn)單遞歸神經(jīng)（Elman）網(wǎng)絡(luò)是一種反饋式人工神經(jīng)網(wǎng)絡(luò)。其結(jié)構(gòu)一般分為四層，包括輸入層、隱含層（也稱作中間層）、承接層和輸出層，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其中，輸入層、隱含層、輸出層的連接與前饋式神經(jīng)網(wǎng)絡(luò)相似。輸入層的節(jié)點(diǎn)用于傳輸信號(hào)；隱含層節(jié)點(diǎn)的傳遞函數(shù)既可以采用線性函數(shù)，也可以采用非線性函數(shù)；承接層（中間層）用于緩存隱含層節(jié)點(diǎn)前一時(shí)刻的輸出值并返回給輸入層；輸出層的節(jié)點(diǎn)用作結(jié)性加權(quán)。

其空間表達(dá)式為：

圖1 簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 The structure of elman neural network

其中，u是輸入層的R維的輸入向量，x是隱含層 （中間層）N維單元向量，xc是承接層的N維反饋狀態(tài)向量，y為輸出層的M維的輸出向量；w是承接層到中間層的連接權(quán)值，w2是輸入層到中間層的連接權(quán)值，w3是中間層到輸出層的連接權(quán)值。g（*）是輸出神經(jīng)元節(jié)點(diǎn)的傳遞函數(shù)，f（*）是中間層神經(jīng)元節(jié)點(diǎn)的傳遞函數(shù)。

從故障預(yù)測(cè)的角度看，預(yù)測(cè)結(jié)果與之前的數(shù)據(jù)有直接關(guān)系。反饋式人工神經(jīng)網(wǎng)絡(luò)的輸入包含有延遲的輸入或者輸出數(shù)據(jù)的反饋，這種網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程就是它的神經(jīng)節(jié)點(diǎn)狀態(tài)的變化過(guò)程。并且學(xué)習(xí)過(guò)程結(jié)束后，最終會(huì)達(dá)到一個(gè)神經(jīng)元節(jié)點(diǎn)狀態(tài)不變的穩(wěn)定狀態(tài)。

2 基于簡(jiǎn)單遞歸神經(jīng)（Elman）網(wǎng)絡(luò)的引信故障預(yù)測(cè)算法設(shè)計(jì)

Elman網(wǎng)絡(luò)是一種典型的反饋式人工神經(jīng)網(wǎng)絡(luò)，它的特點(diǎn)在于承接層通過(guò)延遲和存儲(chǔ)，將隱含層的輸出反饋給隱含層的輸入。這種自聯(lián)的方式使網(wǎng)絡(luò)對(duì)歷史狀態(tài)的數(shù)據(jù)具有一定的敏感性[5]。這樣，內(nèi)部反饋增加了網(wǎng)絡(luò)本身處理動(dòng)態(tài)信息的能力，達(dá)到動(dòng)態(tài)建模。算法利用簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任意非線性函數(shù)的特性，以及其本身具有的反饋可以參照學(xué)習(xí)歷史數(shù)據(jù)，并且具有輸入延遲的特點(diǎn)，外部噪聲對(duì)系統(tǒng)的影響甚至可以忽略，預(yù)測(cè)結(jié)果較為真實(shí)。算法流程圖設(shè)計(jì)如圖2所示。

在上述算法中通過(guò)確定合適的隱含層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測(cè)試，就可以得到誤差最小的預(yù)測(cè)結(jié)果。該算法把經(jīng)驗(yàn)和Elman網(wǎng)絡(luò)在故障預(yù)測(cè)方面的優(yōu)勢(shì)結(jié)合在了一起，大大縮短了網(wǎng)絡(luò)訓(xùn)練時(shí)間，提高了引信的故障預(yù)測(cè)精度，而且有很強(qiáng)的適應(yīng)能力和良好的穩(wěn)定性。

3 算法驗(yàn)證

3.1 樣本數(shù)據(jù)獲取

這里選取一發(fā)無(wú)線電引信，為了測(cè)試樣本數(shù)據(jù)的一致性，連續(xù)9天內(nèi)在同一時(shí)刻對(duì)該引信進(jìn)行測(cè)試，得到測(cè)試數(shù)據(jù)如表1所示，將表1所示測(cè)試數(shù)據(jù)作為測(cè)試樣本數(shù)據(jù)。

3.2 預(yù)測(cè)結(jié)果

圖2 算法流程圖Fig.2 Flow chart of the algorithm

表1 測(cè)試樣本數(shù)據(jù)Tab.1 Data of test samples

將得到的測(cè)試樣本數(shù)據(jù)輸入算法中，以每3組測(cè)試數(shù)據(jù)作為輸入，第4組測(cè)試數(shù)據(jù)作為目標(biāo)輸出，得到5組訓(xùn)練樣本。將5組訓(xùn)練樣本循環(huán)輸入算法中的Elman網(wǎng)絡(luò)，不斷進(jìn)行訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練完成以后以第9組測(cè)試測(cè)數(shù)據(jù)作為正式樣本進(jìn)行預(yù)測(cè)。為選擇合適的隱含層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)，我們分別將隱含層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)設(shè)置為 10，20，30，40；40，50，60，70 個(gè)，并對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測(cè)試，得出預(yù)測(cè)結(jié)果如表2所示。

表2 預(yù)測(cè)結(jié)果歸一化值Tab.2 The predicted results normalized values

3.3 誤差分析

把 隱 含 層 神 經(jīng) 元 節(jié) 點(diǎn) 個(gè) 數(shù) 分 別 為 10，20，30，40；40，50，60，70時(shí)的預(yù)測(cè)結(jié)果進(jìn)行比較，得出的預(yù)測(cè)結(jié)果對(duì)比如下圖 3（a）、（b）所示。

圖3 預(yù)測(cè)結(jié)果對(duì)比Fig.3 Comparison of prediction results

由圖 3（a）、（b）可以看出當(dāng)Elman網(wǎng)絡(luò)中隱含層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為50個(gè)時(shí)，無(wú)線電引信各個(gè)工作參數(shù)的預(yù)測(cè)結(jié)果值與實(shí)測(cè)值之間的誤差不到±1%，預(yù)測(cè)誤差最小，而且每次的預(yù)測(cè)結(jié)果之間波動(dòng)很小。

通過(guò)以上驗(yàn)證，說(shuō)明這種基于Elman網(wǎng)絡(luò)的引信故障預(yù)測(cè)算法合理，且預(yù)測(cè)誤差小，可以提高無(wú)線電引信的故障預(yù)測(cè)精度，有很強(qiáng)的適應(yīng)能力和良好的穩(wěn)定性。

4 結(jié) 論

文中將簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)[7-8]引入引信的故障預(yù)測(cè)算法，提出了一種基于簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)的引信故障預(yù)測(cè)算法。該算法把經(jīng)驗(yàn)和Elman網(wǎng)絡(luò)在故障預(yù)測(cè)方面的優(yōu)勢(shì)結(jié)合在了一起，大大縮短了網(wǎng)絡(luò)訓(xùn)練時(shí)間，提高了引信的故障預(yù)測(cè)精度，而且有很強(qiáng)的適應(yīng)能力和良好的穩(wěn)定性。用此算法對(duì)引信工作參數(shù)進(jìn)行預(yù)測(cè)，仿真、計(jì)算結(jié)果表明當(dāng)Elman網(wǎng)絡(luò)中隱含層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為50個(gè)時(shí)，引信各個(gè)工作參數(shù)的預(yù)測(cè)結(jié)果值與實(shí)測(cè)值之間的誤差不到±1%，預(yù)測(cè)誤差最小，而且每次的預(yù)測(cè)結(jié)果之間波動(dòng)很小，證明了此算法的合理性。目前采集樣本數(shù)還不夠多，下一步需要采集更多樣本，對(duì)預(yù)測(cè)算法進(jìn)行進(jìn)一步的驗(yàn)證。

[1]陳長(zhǎng)征，徐玉秀，楊璐．遺傳算法改進(jìn)及其在機(jī)械故障診斷中的應(yīng)用研究[J]．機(jī)械科學(xué)與技術(shù)，2000，19（3）:392－394．CHEN Chang-zheng，XU Yu-xiu，YANGLu.Improved genetic algorithm and its application in mechanical fault diagnosis research[J]．Mechanical Science And Technology，2000，19（3）:392－394．

[2]邱立軍．武器裝備故障預(yù)測(cè)與健康管理系統(tǒng)的關(guān)鍵技術(shù)[J]．艦船電子工程，2012，32（5）：17-18.QIU Li-jun.Weapons and equipment failure prediction and health management system of key technology [J]．Ships in electrical engineering ，2012，32（5）：17-18.

[3]梁旭，李行善，張磊．支持視情維修的故障預(yù)測(cè)技術(shù)研究[J]．測(cè)控技術(shù)，2007，26（6）:5－8.LIANG Xu，LI Xing-shan，ZHANG Lei.Support as the maintenance fault prediction technology research[J]．Measurement and Control Technology，2007，26（6）:5－8.

[4]孫博，康銳，謝勁松．故障預(yù)測(cè)與健康管理系統(tǒng)研究和應(yīng)用現(xiàn)狀綜述[J]．系統(tǒng)工程與電子技術(shù)，2007，29（10）:1762－1767．SUN Bo，KANG Rui，XIE Jing-song.Fault prediction and health management system research and application status were reviewed[J]．Systems Engineering and Electronics，2007，29（10）:1762－1767．

[5]徐志軍，李淵．一種通信設(shè)備故障自動(dòng)診斷系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)[J]．艦船電子工程，2012，32（9）:138-140．XU Zhi-jun，LI Yuan.A kind of communication equipment fault diagnosis system design and implementation[J]．Ships in Electrical Engineering，2012，32（9）:138-140．

[6]劉愛(ài)軍，金國(guó)慶．電子裝備故障預(yù)測(cè)方法研究[J]．艦船電子工程，2012，32（12）:110-112．LIU Ai-jun，JIN Guo-qing．Electronic equipment fault forecast method research[J]．Ships in Electrical Engineering，2012，32（12）:110-112．

[7]單元偉.神經(jīng)網(wǎng)絡(luò)技術(shù)在錄井參數(shù)解釋中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2014（4）:21-24.SHAN Yuan-wei.Application of neural network technology in interpretation of well logging parameters[J].Modern Electronics Technique，2014（4）:21-24.

[8]劉春.基于神經(jīng)網(wǎng)絡(luò)在超聲液位檢測(cè)中的應(yīng)用[J].電子科技，2014（9）:65-67.LIU Chun.ANN based on Matlab and its application in the ultrasonic liquid level measurement[J].Electronic Science and Technology，2014（9）:65-67.