張耀輝，韓小孩，王少華

(裝甲兵工程學(xué)院技術(shù)保障工程系　北京 豐臺(tái)區(qū)　100072)

基于離散過程神經(jīng)網(wǎng)絡(luò)的裝備技術(shù)狀態(tài)預(yù)測(cè)方法

張耀輝，韓小孩，王少華

(裝甲兵工程學(xué)院技術(shù)保障工程系北京 豐臺(tái)區(qū)100072)

針對(duì)傳統(tǒng)預(yù)測(cè)方法無法綜合分析多維參數(shù)中存在的空間聚合及時(shí)間累積效應(yīng)的問題，該文利用離散過程神經(jīng)網(wǎng)絡(luò)對(duì)裝備技術(shù)狀態(tài)多維參數(shù)進(jìn)行預(yù)測(cè)。針對(duì)網(wǎng)絡(luò)訓(xùn)練中存在的易獲得局部最優(yōu)解的問題，利用混沌粒子群算法對(duì)網(wǎng)絡(luò)學(xué)習(xí)過程進(jìn)行了優(yōu)化。在此基礎(chǔ)上，以某裝備傳動(dòng)箱油液數(shù)據(jù)預(yù)測(cè)為例對(duì)該預(yù)測(cè)方法的有效性進(jìn)行了驗(yàn)證，優(yōu)于其他同類預(yù)測(cè)方法。

混沌粒子群算法;技術(shù)狀態(tài)預(yù)測(cè);離散過程神經(jīng)網(wǎng)絡(luò);空間聚合

技術(shù)狀態(tài)是反映裝備實(shí)時(shí)質(zhì)量狀況的重要指標(biāo)。準(zhǔn)確預(yù)測(cè)裝備在未來時(shí)刻的技術(shù)狀態(tài)，不僅有利于評(píng)估裝備任務(wù)成功性，而且能夠?yàn)榫S修決策提供可靠依據(jù)。裝備技術(shù)狀態(tài)劣化規(guī)律與其影響因素之間存在著高度復(fù)雜的非線性時(shí)變關(guān)系，其技術(shù)狀態(tài)參數(shù)既依賴于多因素的空間聚合，又與時(shí)變因素在時(shí)間上的累積效應(yīng)密切相關(guān)[1]。對(duì)裝備技術(shù)狀態(tài)進(jìn)行預(yù)測(cè)時(shí)，可直接預(yù)測(cè)其技術(shù)狀態(tài)，也可間接預(yù)測(cè)反映其技術(shù)狀態(tài)的相關(guān)參數(shù)的數(shù)值。裝備技術(shù)狀態(tài)預(yù)測(cè)方法較多，但均有一定的適用條件。如文獻(xiàn)[2-4]分別針對(duì)特定的故障模式建立了相應(yīng)的數(shù)學(xué)模型，進(jìn)而對(duì)直接反映系統(tǒng)狀態(tài)的參數(shù)進(jìn)行了預(yù)測(cè)。由于裝備實(shí)際工作時(shí)技術(shù)狀態(tài)較之試驗(yàn)情形下狀態(tài)更為復(fù)雜，該方法僅被用于處理零件層次的少數(shù)故障類型。裝備技術(shù)狀態(tài)監(jiān)測(cè)結(jié)果通常為離散的時(shí)間序列數(shù)據(jù)，用于此類數(shù)據(jù)預(yù)測(cè)的方法種類較多，如常見的時(shí)間序列預(yù)測(cè)法、灰色預(yù)測(cè)法、回歸分析預(yù)測(cè)法等[5-7]。然而這些方法過于簡(jiǎn)單，無法精確描述時(shí)間序列數(shù)據(jù)間的傳遞關(guān)系，技術(shù)狀態(tài)預(yù)測(cè)結(jié)果可信性較差。近年來，隨著現(xiàn)代智能算法的發(fā)展，人們逐漸將各類智能算法引入到裝備技術(shù)狀態(tài)預(yù)測(cè)中。如文獻(xiàn)[8-9]將支持向量機(jī)算法引入裝備技術(shù)狀態(tài)預(yù)測(cè)過程；文獻(xiàn)[10-12]運(yùn)用普通神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)裝備技術(shù)狀態(tài)參數(shù)進(jìn)行了預(yù)測(cè)；文獻(xiàn)[13]將粒子濾波算法用到了技術(shù)狀態(tài)預(yù)測(cè)中。上述智能算法雖然相對(duì)于普通時(shí)間序列預(yù)測(cè)方法預(yù)測(cè)精度有所提高，但由于不能同時(shí)處理裝備技術(shù)狀態(tài)多維參數(shù)的空間聚合及時(shí)間累積效應(yīng)，預(yù)測(cè)精度依然不夠理想。

為解決現(xiàn)行裝備技術(shù)狀態(tài)預(yù)測(cè)方法中存在的上述問題，本文研究了裝備技術(shù)狀態(tài)多維數(shù)據(jù)預(yù)測(cè)方法，將離散過程神經(jīng)網(wǎng)絡(luò)(discrete process neural network)有效地應(yīng)用到裝備技術(shù)狀態(tài)預(yù)測(cè)中，同時(shí)處理裝備技術(shù)狀態(tài)多維參數(shù)的空間聚合效應(yīng)及時(shí)間累積效應(yīng)，提高預(yù)測(cè)精度。

1　基于離散過程神經(jīng)網(wǎng)絡(luò)的裝備技術(shù)狀態(tài)預(yù)測(cè)模型

裝備技術(shù)狀態(tài)監(jiān)測(cè)數(shù)據(jù)通常為一組離散多維時(shí)間序列數(shù)據(jù)，其預(yù)測(cè)過程不僅包含普通時(shí)間序列預(yù)測(cè)工作中的時(shí)間累積效應(yīng)，而且包含多維數(shù)據(jù)間的空間聚合效應(yīng)。其中時(shí)間累積效應(yīng)可理解為裝備未來時(shí)刻技術(shù)狀態(tài)不僅與當(dāng)前時(shí)刻裝備技術(shù)狀態(tài)相關(guān)，而且與當(dāng)前時(shí)刻前一段時(shí)間內(nèi)的裝備技術(shù)狀態(tài)也存在密切關(guān)系。這是由于裝備技術(shù)狀態(tài)在不同工作環(huán)境、工作強(qiáng)度下體現(xiàn)出不同的劣化速度的緣故。因此，有必要研究裝備技術(shù)狀態(tài)在時(shí)間上的延續(xù)性，即時(shí)間累積效應(yīng)。空間聚合效應(yīng)可理解為裝備技術(shù)狀態(tài)各參數(shù)之間存在的相互影響關(guān)系。裝備中各部件并非單獨(dú)存在，而是相互依存的一個(gè)系統(tǒng)。各部件技術(shù)狀態(tài)之間存在一定的制約關(guān)系，這一關(guān)系具體反映在裝備技術(shù)狀態(tài)監(jiān)測(cè)數(shù)據(jù)中各參數(shù)間的協(xié)同作用，即空間聚合效應(yīng)。時(shí)間累積效應(yīng)與空間聚合效應(yīng)在裝備技術(shù)狀態(tài)預(yù)測(cè)全過程中始終存在。因此，在進(jìn)行裝備技術(shù)狀態(tài)預(yù)測(cè)時(shí)，要研究二者的綜合效應(yīng)。作為過程神經(jīng)網(wǎng)絡(luò)的一個(gè)特例，離散過程神經(jīng)網(wǎng)絡(luò)是由我國著名學(xué)者何新貴于2007年提出的一種基于普通神經(jīng)網(wǎng)絡(luò)的智能學(xué)習(xí)算法。該算法不僅能有效模仿系統(tǒng)的空間聚合效應(yīng)，而且能模仿系統(tǒng)的時(shí)間累積效應(yīng)[14]。因此可用離散過程神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對(duì)裝備技術(shù)狀態(tài)進(jìn)行預(yù)測(cè)。

假設(shè)裝備的技術(shù)狀態(tài)可由n個(gè)技術(shù)狀態(tài)參數(shù)組成的向量表示，稱為技術(shù)狀態(tài)參數(shù)向量。等時(shí)間間隔監(jiān)測(cè)并記錄該裝備全壽命周期內(nèi)各技術(shù)狀態(tài)參數(shù)向量，其中第s次(ts時(shí)刻)監(jiān)測(cè)結(jié)果記為：，s=1,2,…?，F(xiàn)要求根據(jù)已知數(shù)據(jù)預(yù)測(cè)(s+1)次監(jiān)測(cè)時(shí)刻該裝備的技術(shù)狀態(tài)參數(shù)向量。由于裝備各技術(shù)狀態(tài)參數(shù)的劣化規(guī)律不僅與運(yùn)行時(shí)間相關(guān)，而且與其他參數(shù)也存在密切關(guān)系，因此可構(gòu)建如圖1所示預(yù)測(cè)模型。

圖1 基于離散過程神經(jīng)網(wǎng)絡(luò)的裝備技術(shù)狀態(tài)預(yù)測(cè)模型

該預(yù)測(cè)模型中，模型輸入為預(yù)測(cè)時(shí)刻前的l個(gè)技術(shù)狀態(tài)參數(shù)向量(l為時(shí)間累積量)。如預(yù)測(cè)時(shí)刻為t(s+1)時(shí)，模型輸入為：；模型輸出為：。

如圖1所示，網(wǎng)絡(luò)輸入層共有n個(gè)節(jié)點(diǎn)，分別代表輸入技術(shù)狀態(tài)向量的n分量；網(wǎng)絡(luò)輸出層有p(p=n)個(gè)節(jié)點(diǎn)；中間層(隱層)共有m個(gè)節(jié)點(diǎn)。其中，Σ表示加權(quán)求和算子；Σt表示時(shí)間效應(yīng)累積算子；f為隱層神經(jīng)元激勵(lì)函數(shù)；g為輸出節(jié)點(diǎn)激勵(lì)函數(shù)；ijω為第i個(gè)輸入節(jié)點(diǎn)對(duì)第j個(gè)隱層節(jié)點(diǎn)的連接權(quán)值；vji為第j個(gè)隱層節(jié)點(diǎn)對(duì)第i個(gè)輸出節(jié)點(diǎn)的連接權(quán)值。

預(yù)測(cè)模型中，空間聚合效應(yīng)由加權(quán)求和算子Σ實(shí)現(xiàn)。如第j個(gè)中間層(隱層)節(jié)點(diǎn)可實(shí)現(xiàn)輸入技術(shù)狀態(tài)向量各分量的空間聚合為：

在中間層(隱層)中，各節(jié)點(diǎn)可通過時(shí)間效應(yīng)累積算子∑t實(shí)現(xiàn)輸入層的時(shí)間累積效應(yīng)。如，該預(yù)測(cè)模型需實(shí)現(xiàn)預(yù)測(cè)時(shí)刻前l(fā)個(gè)時(shí)刻的時(shí)間累積效應(yīng)，則第j個(gè)中間層節(jié)點(diǎn)的輸出為：

綜合網(wǎng)絡(luò)空間聚合效應(yīng)及時(shí)間累積效應(yīng)可知，第i個(gè)輸出節(jié)點(diǎn)的輸出為：

式中，jθ為第j個(gè)隱層節(jié)點(diǎn)的激勵(lì)閾值；iε為第i個(gè)輸出節(jié)點(diǎn)激勵(lì)閾值。Δt為給定的數(shù)據(jù)采集間隔時(shí)間。由于技術(shù)狀態(tài)數(shù)據(jù)為等時(shí)間間隔監(jiān)測(cè)數(shù)據(jù)，因此可令Δt=1。此時(shí)，第i個(gè)輸出節(jié)點(diǎn)的輸出可簡(jiǎn)化為：

不難看出，基于離散過程神經(jīng)網(wǎng)絡(luò)的裝備技術(shù)狀態(tài)預(yù)測(cè)模型的實(shí)質(zhì)是擬合輸入與輸出數(shù)據(jù)間的對(duì)應(yīng)關(guān)系，需要一定量的數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，且這些數(shù)據(jù)應(yīng)當(dāng)能夠反映裝備全壽命周期內(nèi)的各種技術(shù)狀態(tài)。因此，收集模型訓(xùn)練數(shù)據(jù)時(shí)，通常選用與待預(yù)測(cè)裝備同型號(hào)且工況相仿的裝備全壽命監(jiān)測(cè)數(shù)據(jù)。

此外，基于離散過程神經(jīng)網(wǎng)絡(luò)的裝備技術(shù)狀態(tài)預(yù)測(cè)模型還可進(jìn)行多步預(yù)測(cè)。例如進(jìn)行q步預(yù)測(cè)時(shí)，網(wǎng)絡(luò)第i個(gè)輸出節(jié)點(diǎn)的輸出可設(shè)為。進(jìn)而對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)預(yù)測(cè)。

2　基于混沌粒子群算法的裝備技術(shù)狀態(tài)預(yù)測(cè)模型學(xué)習(xí)過程優(yōu)化

離散過程神經(jīng)網(wǎng)絡(luò)是普通神經(jīng)網(wǎng)絡(luò)的推廣，其網(wǎng)絡(luò)學(xué)習(xí)原理基本相同。本文所建裝備技術(shù)狀態(tài)預(yù)測(cè)模型可借鑒BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中常用的梯度下降法進(jìn)行學(xué)習(xí)。

1)梯度下降法[15]

離散過程神經(jīng)網(wǎng)絡(luò)可用梯度下降法進(jìn)行學(xué)習(xí)。其原理如下：

給定K個(gè)學(xué)習(xí)樣本：

因此，可制定學(xué)習(xí)規(guī)則如下：

式中，α,β,γ,η為學(xué)習(xí)效率常數(shù)。

給定網(wǎng)絡(luò)學(xué)習(xí)次數(shù)N，網(wǎng)絡(luò)學(xué)習(xí)精度H，利用上述學(xué)習(xí)規(guī)則對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行學(xué)習(xí)。達(dá)到網(wǎng)絡(luò)學(xué)習(xí)次數(shù)或?qū)W習(xí)精度要求時(shí)停止學(xué)習(xí)。

2)基于混沌粒子群算法的網(wǎng)絡(luò)學(xué)習(xí)過程優(yōu)化

基于梯度下降法的過程神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程的實(shí)質(zhì)是一個(gè)非線性多維函數(shù)的極小化過程。因此在網(wǎng)絡(luò)實(shí)際訓(xùn)練過程中，可能會(huì)獲得局部最優(yōu)解[16]，影響網(wǎng)絡(luò)輸入、輸出關(guān)系的擬合。這一現(xiàn)象主要受網(wǎng)絡(luò)的學(xué)習(xí)過程及訓(xùn)練樣本多樣化程度影響。因此，在實(shí)際訓(xùn)練時(shí)，不僅要選擇能反映數(shù)據(jù)總體特性的樣本數(shù)據(jù)，而且要進(jìn)行多次訓(xùn)練，從而避免上述現(xiàn)象的出現(xiàn)。

樣本數(shù)據(jù)由裝備技術(shù)狀態(tài)監(jiān)測(cè)結(jié)果確定，盡可能地采取全壽命監(jiān)測(cè)獲取，沒有太大的改進(jìn)空間。在訓(xùn)練時(shí)，將樣本數(shù)據(jù)進(jìn)行歸一化處理，消除各參數(shù)量綱差異帶來的不便。至于網(wǎng)絡(luò)的學(xué)習(xí)過程，可利用混沌粒子群算法進(jìn)行優(yōu)化。

在進(jìn)行裝備技術(shù)狀態(tài)預(yù)測(cè)時(shí)，構(gòu)建如圖1所示預(yù)測(cè)模型并令模型中各參數(shù)均為區(qū)間(?1,1)內(nèi)的隨機(jī)數(shù)。以權(quán)值iε的混沌化處理為例進(jìn)行分析。

式中，μ為控制參數(shù)，取值0～4；當(dāng)μ=4時(shí)，系統(tǒng)處于混沌狀態(tài)。取隨機(jī)初始值，迭代400次，可得混沌化處理后的。進(jìn)而可實(shí)現(xiàn)iε的混沌化處理。同理，可依次對(duì)進(jìn)行混沌化處理。網(wǎng)絡(luò)參數(shù)混沌化處理的目的是使得此后多次網(wǎng)絡(luò)參數(shù)初始化時(shí)能夠盡可能做到離散，從而避免出現(xiàn)多次訓(xùn)練結(jié)果在少數(shù)幾個(gè)局部最優(yōu)解附近聚集的現(xiàn)象。

考慮到網(wǎng)絡(luò)一旦陷入局部最優(yōu)解便很難跳出，可適當(dāng)?shù)貙?duì)各局部最優(yōu)解添加混沌激勵(lì)，使其躍出原有局部困擾，獲得新網(wǎng)絡(luò)參數(shù)向量，稱為擾動(dòng)局部最優(yōu)解。利用多個(gè)擾動(dòng)局部最優(yōu)解重新訓(xùn)練網(wǎng)絡(luò)可得多個(gè)全局次優(yōu)解。將已獲取的局部最優(yōu)解與全局次優(yōu)解共同組成粒子群，利用粒子群優(yōu)化算法進(jìn)一步優(yōu)化，得全局最優(yōu)解。

依據(jù)這一思路，本文提出如下網(wǎng)絡(luò)學(xué)習(xí)算法優(yōu)化過程。

初步優(yōu)化階段：

1)將預(yù)測(cè)模型中各參數(shù)在logistic映射400次迭代的基礎(chǔ)上再進(jìn)行n*次迭代(n*可根據(jù)實(shí)際試驗(yàn)需求設(shè)置)，并記錄每次迭代的結(jié)果，構(gòu)成n*個(gè)初始參數(shù)向量：

2)將n*個(gè)初始參數(shù)向量分別代入網(wǎng)絡(luò)，用梯度下降法進(jìn)行學(xué)習(xí)，得n*個(gè)局部最優(yōu)解。

3)對(duì)每個(gè)局部最優(yōu)解進(jìn)行一次混沌激勵(lì)。如對(duì)第i個(gè)局部最優(yōu)解中參數(shù)進(jìn)行激勵(lì)。令為擾動(dòng)強(qiáng)度系數(shù)，為迭代k次后的混沌變量。經(jīng)混沌激勵(lì)后，得到n*個(gè)擾動(dòng)局部最優(yōu)解。

4)將n*個(gè)擾動(dòng)局部最優(yōu)解代入網(wǎng)絡(luò)進(jìn)行梯度學(xué)習(xí)，得到n*個(gè)全局次優(yōu)解。

初步優(yōu)化階段的目的是以較快速度縮小全局最優(yōu)解的取值范圍。分析該階段得到的n*個(gè)局部最優(yōu)解和n*個(gè)全局次優(yōu)解中各網(wǎng)絡(luò)參數(shù)的取值，分別找出每個(gè)參數(shù)的最大值和最小值。如參數(shù)的最大值與最小值分別為，則全局最優(yōu)解中參數(shù)。

精確優(yōu)化階段：

5)將n*個(gè)局部最優(yōu)解與n*個(gè)全局次優(yōu)解共同組成粒子群，其中每個(gè)解為一個(gè)粒子。粒子中各參數(shù)的取值范圍取為全局最優(yōu)解中各參數(shù)取值范圍，并以此范圍設(shè)定參數(shù)更新速度約束。如參數(shù)∈，其更新速度約束為。適應(yīng)度函數(shù)取為E，適應(yīng)度越小粒子越優(yōu)。

6)設(shè)定最大迭代次數(shù)M，迭代精度Q。利用標(biāo)準(zhǔn)粒子群算法[20]進(jìn)行優(yōu)化，當(dāng)達(dá)到迭代次數(shù)或迭代精度要求時(shí)停止優(yōu)化，輸出群最佳位置即為全局最優(yōu)解。

全局最優(yōu)解的獲取與n*的取值關(guān)系密切。n*取值過小，無法獲取全局最優(yōu)解；n*取值過大，將極大增加運(yùn)算復(fù)雜性。因此在實(shí)驗(yàn)時(shí)，可根據(jù)裝備技術(shù)狀態(tài)數(shù)據(jù)特點(diǎn)設(shè)定n*值，然后逐步增大n*取值直至全局最優(yōu)解變化范圍收斂至規(guī)定精度為止。此時(shí)的n*即可用于構(gòu)建裝備技術(shù)狀態(tài)預(yù)測(cè)模型。

3　示例分析

本文選取某裝備變速箱油液分析數(shù)據(jù)，對(duì)變速箱技術(shù)狀態(tài)進(jìn)行預(yù)測(cè)，以驗(yàn)證本文方法的可行性。

1)建立預(yù)測(cè)模型

①訓(xùn)練數(shù)據(jù)收集及處理

以某裝備運(yùn)行過程中傳動(dòng)箱油液等時(shí)間間隔(20 h)監(jiān)測(cè)數(shù)據(jù)為例，共選取油液中鐵、鋁、鉛、硼、鋇、鉻、鎂、硅共8種元素的濃度作為特征參量進(jìn)行分析，樣本容量為32。由于數(shù)據(jù)為裝備全壽命監(jiān)測(cè)數(shù)據(jù)，因此，需要將數(shù)據(jù)中非變速箱劣化因素(換油等因素)引起的油液質(zhì)量變化進(jìn)行處理。具體的處理方法可查閱相關(guān)文獻(xiàn)，此處不加贅述。樣本數(shù)據(jù)歸一化處理如表1所示。

表1 油液監(jiān)測(cè)數(shù)據(jù)統(tǒng)計(jì)表

②初步優(yōu)化階段

構(gòu)建如圖1所示過程神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其中輸入層節(jié)點(diǎn)數(shù)n=8；輸出層節(jié)點(diǎn)數(shù)為p=8；隱層節(jié)點(diǎn)數(shù)m可根據(jù)文獻(xiàn)[21]提供的公式計(jì)算，a為1到10之間的常數(shù)。為提高網(wǎng)絡(luò)訓(xùn)練精度，此處取最大值m=14。

網(wǎng)絡(luò)輸入為連續(xù)5次監(jiān)測(cè)所得的共5個(gè)技術(shù)狀態(tài)參數(shù)向量。以序號(hào)1數(shù)據(jù)為例，該時(shí)刻的技術(shù)狀態(tài)參數(shù)向量為：(0.000 5,0.072 8,0.134 0,0.406 7,0.352 4,0.169 3,0.241 6,0.917 0)。網(wǎng)絡(luò)輸出為連續(xù)5次監(jiān)測(cè)之后再進(jìn)行一次監(jiān)測(cè)所得的技術(shù)狀態(tài)參數(shù)向量。依據(jù)該方式，可將表1數(shù)據(jù)組合成共27組樣本數(shù)據(jù)。將這27組樣本數(shù)據(jù)依次代入上述過程神經(jīng)網(wǎng)絡(luò)中，計(jì)算總體誤差E并據(jù)此調(diào)節(jié)相應(yīng)權(quán)值，記作一次訓(xùn)練。

本次試驗(yàn)中n*=50，模型訓(xùn)練精度H=0.001，最大訓(xùn)練次數(shù)N=500，隱層激勵(lì)函數(shù)選用S型傳輸函數(shù)，輸出層激勵(lì)函數(shù)選用線性傳輸函數(shù)。將27組樣本數(shù)據(jù)代入預(yù)測(cè)模型并依據(jù)第2節(jié)中基于混沌粒子群的網(wǎng)絡(luò)學(xué)習(xí)過程初步優(yōu)化階段步驟進(jìn)行計(jì)算，分別得到50組局部最優(yōu)解和50組全局次優(yōu)解。

③精確優(yōu)化階段

將50組局部最優(yōu)解與50組全局次優(yōu)解共同組成規(guī)模為100的粒子群。取標(biāo)準(zhǔn)粒子群算法中慣性權(quán)重為0.5，群加速常數(shù)與個(gè)體加速常數(shù)均為1.494 45，迭代最大次數(shù)M=300，迭代精度Q=0.000 1。根據(jù)已獲取的粒子群中各參數(shù)的最大、最小值設(shè)定各參數(shù)取值范圍及更新速度，進(jìn)行迭代得全局最優(yōu)解。其中，全局最優(yōu)解適應(yīng)度變化過程如圖2所示。

圖2 全局最優(yōu)解適應(yīng)度變化曲線

如圖所示，粒子群迭代到251代時(shí)達(dá)到目標(biāo)要求，可輸出全局最優(yōu)解。

實(shí)驗(yàn)中，初步優(yōu)化階段耗時(shí)2 min 27 s，精確優(yōu)化階段耗時(shí)34 s，總耗時(shí)為3 min 1 s。由于傳動(dòng)箱技術(shù)狀態(tài)劣化為磨損劣化，劣化速度較慢，因此文中預(yù)測(cè)模型可用于實(shí)際技術(shù)狀態(tài)預(yù)測(cè)。

2)技術(shù)狀態(tài)數(shù)據(jù)預(yù)測(cè)

采集該工況下，某同型號(hào)裝備連續(xù)監(jiān)測(cè)的15組數(shù)據(jù)如表2所示。

表2 實(shí)驗(yàn)數(shù)據(jù)

分別采用本文預(yù)測(cè)方法(F1)、僅考慮時(shí)間累積效應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法[22](F2)以及僅考慮空間聚合效應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法[23](F3)對(duì)后10組數(shù)據(jù)進(jìn)行預(yù)測(cè)。以鐵元素預(yù)測(cè)結(jié)果為例統(tǒng)計(jì)相對(duì)誤差，并計(jì)算各元素總體預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)之間的歐氏距離，可得表3。

表3 預(yù)測(cè)結(jié)果對(duì)比分析

如表3所示，分析鐵元素濃度預(yù)測(cè)相對(duì)誤差：序號(hào)為6、7、8、11、12、14、15的數(shù)據(jù)，F(xiàn)1預(yù)測(cè)結(jié)果明顯優(yōu)于F2、F3預(yù)測(cè)結(jié)果；序號(hào)為9、10、13的數(shù)據(jù)，F(xiàn)1預(yù)測(cè)結(jié)果雖然未體現(xiàn)明顯的預(yù)測(cè)優(yōu)勢(shì)，但與F2、F3預(yù)測(cè)結(jié)果相差不大?？芍?，單就鐵元素濃度預(yù)測(cè)而言，F(xiàn)1預(yù)測(cè)精度明顯高于F2和F3。就總體數(shù)據(jù)預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)之間歐式距離而言，除序號(hào)為7、8的數(shù)據(jù)F1預(yù)測(cè)結(jié)果不能完全優(yōu)于F2和F3，其余數(shù)據(jù)的預(yù)測(cè)結(jié)果F1均能體現(xiàn)明顯的預(yù)測(cè)優(yōu)勢(shì)。綜合分析可知，在預(yù)測(cè)精度上，F(xiàn)1明顯高于F2和F3。

為進(jìn)一步驗(yàn)證本文方法的有效性，選用目前最常用的灰色預(yù)測(cè)和移動(dòng)平均法對(duì)上述15組數(shù)據(jù)的后10組進(jìn)行預(yù)測(cè)，并以鐵元素預(yù)測(cè)結(jié)果為例繪制如圖3所示預(yù)測(cè)結(jié)果示意圖。

如圖3所示，本文方法預(yù)測(cè)結(jié)果較之灰色預(yù)測(cè)法和移動(dòng)平均法預(yù)測(cè)結(jié)果更加貼近實(shí)際數(shù)據(jù)，且數(shù)據(jù)變化趨勢(shì)與實(shí)際數(shù)據(jù)變化趨勢(shì)擬合程度較好?？梢姳疚姆椒軌蛴行?yīng)用于實(shí)際預(yù)測(cè)工作中。

圖3 預(yù)測(cè)結(jié)果示意圖

4　結(jié) 束 語

本文利用離散過程神經(jīng)網(wǎng)絡(luò)對(duì)裝備技術(shù)狀態(tài)多維參數(shù)進(jìn)行了預(yù)測(cè)。針對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練可能出現(xiàn)局部最優(yōu)解這一缺陷，利用混沌粒子群算法對(duì)訓(xùn)練過程進(jìn)行了優(yōu)化?；陔x散過程神經(jīng)網(wǎng)絡(luò)的裝備技術(shù)狀態(tài)預(yù)測(cè)方法能夠有效表征裝備技術(shù)狀態(tài)多維參數(shù)預(yù)測(cè)中的空間聚合及時(shí)間累積效應(yīng)，優(yōu)于其他同類預(yù)測(cè)方法。

[1]SIMON D. A comparison of filtering approaches for aircraft engine health estimation[J]. Aerospace Science and Technology,2008,12(4): 276-284.

[2]LUO J,BIXBV A,PATTIPATI K,et al. An interacting multiple model approach to model-based prognostics[J]. System Security and Assurance,2003(1): 189-194.

[3]ORSAGH R F,SHELDON J,KLENKE C J. Prognostics/ diagnostics for gas turbine engine bearings[C]//2003 International Joint Power Generation Conference. [S.l.]: [s.n],2003.

[4]KACPRZYNSLI G J,SARLASHKAR A,ROEMER M J,et al. Predicting remaining life by fusing the physics of failure modeling with diagnostics[J]. Journal of the Minerals,Metals and Materials Society,2004,5: 29-35.

[5]鄭小平,高金吉,劉夢(mèng)婷. 事故預(yù)測(cè)理論與方法[M]. 北京: 清華大學(xué)出版社,2009. ZHENG Xiao-ping,GAO Jin-ji,LIU Meng-ting. Theories and methods of accident prediction[M]. Beijing：Tsinghua University Press,2009.

[6]MARINAI L,SINGH R,CURNOCK B,et al. Detection and prediction of the performance deterioration of a turbofan engine[C]//Proceedings of the International Gas Turbine Congress. Tokyo: [s.n.],2003.

[7]沈軍. 基于狀態(tài)預(yù)測(cè)的裝備任務(wù)成功性評(píng)估與維修決策研究[D]. 北京: 裝甲兵工程學(xué)院,2011. SHEN Jun. The research of dependability evaluation and maintenance decision making based on condition prediction [D]. Beijing: Academy of Armored Forces Engineering,2011.

[8]郭磊,郭金茂,徐達(dá),等. 基于分形和支持向量機(jī)的裝備技術(shù)狀態(tài)預(yù)測(cè)模型[J]. 科學(xué)技術(shù)與工程,2009,9(17): 5172-5175. GUO Lei,GUO Jin-mao,XU Da,et al. Forecasting model of equipment technique condition based on fractal and support vector regression[J]. Science Technology and Engineering,2009,9(17): 5172-5175.

[9]李岳. 機(jī)械動(dòng)力傳動(dòng)系統(tǒng)核基故障識(shí)別與狀態(tài)預(yù)測(cè)技術(shù)研究[D]. 長(zhǎng)沙: 國防科技大學(xué),2007. LI Yue. Research on kernel based fault recognition and condition forecasting for mechanical power and transmission systems[D]. Changsha: National University of Defense Technology,2007.

[10]王少華. 基于維修保障綜合信息的裝甲裝備狀態(tài)維修決策方法研究[D]. 北京: 裝甲兵工程學(xué)院,2014. WANG Shao-hua. Research on condition-based maintenance decision-making methods of armored equipment based on integrated maintenance support information[D]. Beijing: Academy of Armored Forces Engineering,2014.

[11]陳果,楊虞微. 航空發(fā)動(dòng)機(jī)復(fù)雜磨損趨勢(shì)的神經(jīng)網(wǎng)絡(luò)多變量預(yù)測(cè)模型[J]. 中國機(jī)械工程,2007(01): 70-74. CHEN Guo,YANG Yu-wei. Artificial neural network multi-variable forecasting model of aero-engine complex wear trend[J]. China Mechanical Engineering,2007(01): 70-74.

[12]呂永樂,郎榮玲,路輝,等. 航空發(fā)動(dòng)機(jī)性能參數(shù)聯(lián)合RBFPN和FAR預(yù)測(cè)[J]. 北京航空航天大學(xué)學(xué)報(bào),2010,(02): 131-134. Lü Yong-le,LANG Rong-ling,LU Hui,et al. Prediction of aero engine’s performance parameter combining RBFPN and FAR[J]. Journal of Beijing University of Aeronautics and Astronautics,2010 (02): 131-134.

[13]張迎,楊淑瑩,吳濤. 一種時(shí)間序列優(yōu)化的粒子濾波算法[J]. 天津理工大學(xué)學(xué)報(bào),2010,26(5): 1-5. ZHANG Ying,YANG Shu-ying,WU Tao. Time series optimized particle filter algorithm[J]. Journal of Tianjin University of Technology,2010,26(5): 1-5.

[14]HE Xin-gui. Process neural networks[C]//Proceedings of the Conference on Intelligent Information Processing. Berlin: Springer-Verlag,2000.

[15]HAYKIN S. Neural networks: a comprehensive foundation [M]. 2nd ed. NJ,USA: prentice hall,1998.

[16]AMARIS S,MURATA N. Asymptotic statistical theory of over-training and cross-validation[J]. IEEE Transactions on Neural Networks,1997,8(5): 985-996.

[17]朱華,姬翠翠. 分形理論及其應(yīng)用[M]. 北京: 科學(xué)出版社,2011. ZHU Hua,JI Cui-cui. Fractal theory and its applications [M]. Beijing: Science Press,2011.

[18]EKER I,ECERKALE K,ESNAF S. The use of logistic map as a pseudo random number generator for particle swarm optimization[C]//Proceedings of the 2008 International Conference on Genetic and Evolutionary Methods. Las Vegas: CSREA Press,2008.

[19]XIANG Tao,LIAO Xiao-feng,WONG K. An improved particle swarm optimization algorithm combined with piecewise linear chaotic map[J]. Applied Mathematics and Computation,2007,190(2): 1637-1645.

[20]LAWRENCE A B. Selectiog artificial neural network inputs using particle swarm optimization[D]. NY,USA: Pace University,2003.

[21]尚鋼,鐘洛,陳立耀. 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練參數(shù)選取[J].武漢工業(yè)大學(xué)學(xué)報(bào),1997,19(2): 108-110. SHANG Gang,ZHONG Luo,CHEN Li-yao. Discussion about BP neural network structure and choice of samples training parameter[J]. Journal of Wuhan University of Technology,1997,19(2): 108-110.

[22]鐘穎,汪秉文. 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)模型[J]. 系統(tǒng)工程與電子技術(shù),2002,24(4): 9-11. ZHONG Ying,WANG Bing-wen. BP network sequence prediction model based on genetic algorithm[J]. Systems Engineering and Electronics,2002,24(4): 9-11.

[23]楊茜. BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的改進(jìn)及其在隧道長(zhǎng)期沉降預(yù)測(cè)中的應(yīng)用[J]. 北京工業(yè)大學(xué)學(xué)報(bào),2011,37(1): 92-96. YANG Qian. Improvement of the improved BP neural network forecast method and its application in long-term settlement of the tunnel[J]. Journal of Beijing University of Technology,2011,37(1): 92-96.

編輯稅紅

Equipment’s Condition Prediction Based on the Discrete Process Neural Networks

ZHANG Yao-hui,HAN Xiao-hai,and WANG Shao-hua
(Department of Technology Support Engineering,Academy of Armored Force EngineeringFengtai Beijing100072)

Conventional forecasting methods cannot systematically analyze the aggregation of space and time in multidimensional parameter analysis. To solve the problem,a prediction method based on discrete process neural networks is proposed in this paper. In order to avoid choosing a local optimal solution during the training of the net,the chaotic particle swarm optimization algorithm is introduced in the process of training. Finally,a case study is presented to illustrate the validity of the proposed method.

chaotic particle swarm optimization algorithm;condition prediction;discrete process neural networks;space aggregation

TH17;E92

A

10.3969/j.issn.1001-0548.2016.06.008

2015 – 09 – 28；

2016 ? 05 ? 05

部級(jí)基金

張耀輝(1960 ? )，男，博士，教授，主要從事裝備維修理論與技術(shù)方面的研究.