喻甲其，劉 坤，韓 娟

（航空工業(yè)成都飛機(jī)工業(yè)（集團(tuán)）有限責(zé)任公司，四川成都 610092）

0 引言

航空火控系統(tǒng)具有較高的綜合水平、復(fù)雜的構(gòu)成和較高的成本，是航空戰(zhàn)斗力的關(guān)鍵和基礎(chǔ)，系統(tǒng)的可靠性對(duì)飛機(jī)的使用及作戰(zhàn)性能產(chǎn)生直接影響。根據(jù)航空設(shè)備的維護(hù)標(biāo)準(zhǔn)及技術(shù)要求，應(yīng)對(duì)工作狀態(tài)及性能開展實(shí)時(shí)檢查，保證火控系統(tǒng)具有較好的狀態(tài)。傳統(tǒng)的檢測(cè)方式是技術(shù)人員將所需檢測(cè)的部件拆除，送至檢修廠進(jìn)行檢查。該方式存的不足是具有較高的勞動(dòng)強(qiáng)度和較長(zhǎng)的時(shí)間周期，主要依靠技術(shù)人員的經(jīng)驗(yàn)和技術(shù)，缺乏較高的準(zhǔn)確性，檢測(cè)結(jié)果無法呈現(xiàn)系統(tǒng)所有的工作狀態(tài)。因此，以人工智能技術(shù)為基礎(chǔ)的航空火控系統(tǒng)故障檢測(cè)設(shè)備隨即產(chǎn)生，針對(duì)該設(shè)備進(jìn)行詳細(xì)分析，以期增強(qiáng)系統(tǒng)運(yùn)行的可靠性。

1 故障診斷技術(shù)研究現(xiàn)狀

以人工智能技術(shù)為基礎(chǔ)的航空火控系統(tǒng)故障檢測(cè)技術(shù)近幾年才得以產(chǎn)生和發(fā)展，這一技術(shù)得以發(fā)展的原因是設(shè)備的復(fù)雜性和技術(shù)水平的提升，采用傳統(tǒng)的維修技術(shù)已無法滿足現(xiàn)代設(shè)備的維護(hù)要求。近年來，隨著新型傳感器的產(chǎn)生，人工智能技術(shù)取得了較快的發(fā)展，極大推動(dòng)了故障診斷技術(shù)的發(fā)展?？梢哉f，故障診斷技術(shù)是多學(xué)科融合發(fā)展的成果。就故障診斷技術(shù)發(fā)展的整體水平而言，美國(guó)所擁有的技術(shù)最為先進(jìn)。美國(guó)多個(gè)部門投入較多的資金研究故障診斷技術(shù)，設(shè)計(jì)出了多套高效可靠的故障診斷系統(tǒng)，如F-36 JSF 系統(tǒng)等，這些系統(tǒng)不僅可以有效監(jiān)測(cè)設(shè)備的運(yùn)行狀態(tài)，而且可以診斷出設(shè)備運(yùn)行中的故障。目前，該技術(shù)在各個(gè)領(lǐng)域取得了廣泛運(yùn)用。

我國(guó)對(duì)于故障診斷技術(shù)的研究起步較晚，但隨著國(guó)內(nèi)學(xué)者的不懈努力，故障診斷技術(shù)已經(jīng)取得較快的發(fā)展。王成剛等人通過開展研究提出了一種以多值測(cè)試為故障診斷測(cè)試法，以此代替?zhèn)鹘y(tǒng)的測(cè)試法，避免了信息的丟失。還有一些專家指出通過運(yùn)用多信號(hào)流圖的模型來監(jiān)測(cè)一些復(fù)雜的電子系統(tǒng)，可以在產(chǎn)品設(shè)計(jì)初期對(duì)各個(gè)測(cè)試數(shù)據(jù)進(jìn)行迅速準(zhǔn)確的判斷，基本實(shí)現(xiàn)了系統(tǒng)的檢測(cè)需求。目前，我國(guó)針對(duì)故障診斷技術(shù)所進(jìn)行的研究大多集中在高校，在各專家的持續(xù)努力中也提出了一些實(shí)用性較強(qiáng)的故障診斷方案，但在武器火控系統(tǒng)領(lǐng)域尚未建立起完善的故障診斷方法，也不具備完善的診斷系統(tǒng)，與發(fā)達(dá)國(guó)家之間存在一定的差距。目前所采取的故障診斷技術(shù)主要分為三種。

1.1 以解析模型為基礎(chǔ)的方法

這種方法主要是通過對(duì)系統(tǒng)的行為及以模型為基礎(chǔ)的預(yù)期行為之間的差別進(jìn)行對(duì)比分析來實(shí)施故障診斷，該方法首先要?jiǎng)?chuàng)建起系統(tǒng)的數(shù)字模型，再依據(jù)模型對(duì)系統(tǒng)的輸入進(jìn)行計(jì)算及分析，以取得系統(tǒng)的輸出，再和實(shí)際輸出值進(jìn)行對(duì)比，得到殘差并進(jìn)行處理，從而明確系統(tǒng)是否出現(xiàn)故障以及故障類型。該方法主要有參數(shù)估計(jì)法、狀態(tài)預(yù)估法等。

使用該方法創(chuàng)建系統(tǒng)化數(shù)學(xué)模型時(shí)，一般還需具備足夠的傳感器信息，因此從理論上講，通過運(yùn)用該方法可以對(duì)已具備模型的系統(tǒng)故障進(jìn)行準(zhǔn)確的診斷。但對(duì)于目前已經(jīng)創(chuàng)建了系統(tǒng)的相關(guān)模型，必須充分掌握系統(tǒng)的內(nèi)部構(gòu)造及聯(lián)系，實(shí)際上大多數(shù)復(fù)雜系統(tǒng)都難以創(chuàng)建起有效的數(shù)學(xué)模型，因此，該方法很少應(yīng)用到實(shí)際系統(tǒng)中。

1.2 以知識(shí)為基礎(chǔ)的方法

隨著網(wǎng)絡(luò)技術(shù)及人工智能的快速發(fā)展，這種基于知識(shí)的故障診斷法得以產(chǎn)生。該方法充分融合了人工智能技術(shù)，基于規(guī)則及知識(shí)開展與人類思維相關(guān)的推理，最終找出可能發(fā)生的故障，再經(jīng)過用戶進(jìn)行驗(yàn)證，主要包含故障樹診斷、神經(jīng)網(wǎng)絡(luò)等方法。

采用這種方法不需要針對(duì)診斷對(duì)象創(chuàng)建精確的模型，廣泛應(yīng)用于復(fù)雜及非線性化的系統(tǒng)，但其中存在的不足就在于知識(shí)的獲取，而且也不具備較強(qiáng)的實(shí)時(shí)性及適應(yīng)性。近年來，該方法取得了飛速的發(fā)展，大部分新方法被逐漸應(yīng)用到系統(tǒng)故障診斷中，但這種方法缺少完善的系統(tǒng)理論框架，還需進(jìn)一步研究。

1.3 以分析信號(hào)為基礎(chǔ)的方法

該方法指利用信號(hào)頻譜分析、小波變換等手段提取信號(hào)的幅值、頻率等特征，進(jìn)而對(duì)這些特征進(jìn)行分析以找出故障，其中主要包含主元分析、小波變換等方法。

采取這種方法不需要?jiǎng)?chuàng)建系統(tǒng)化數(shù)學(xué)模型，具有較強(qiáng)的簡(jiǎn)便性和實(shí)時(shí)性。該方法大多應(yīng)用于故障檢測(cè)工作，但在故障的辨識(shí)及定位方面存在較大的不足，因此單獨(dú)采用該方法無法取得較好的效果，通常都要與其他方法結(jié)合起來使用，以提升故障診斷的準(zhǔn)確性。

2 故障診斷常用方法

2.1 專家系統(tǒng)

是一種借助計(jì)算機(jī)技術(shù)來模擬人的行為并以此解決問題的系統(tǒng)。專家系統(tǒng)故障診斷法指的是計(jì)算機(jī)系統(tǒng)利用人類專家處理問題的經(jīng)驗(yàn)匯總成知識(shí)，再依據(jù)所采集到的信息來模擬人類處理問題的方法開展相應(yīng)的推理計(jì)算，最終判明故障原因。

在飛機(jī)火控系統(tǒng)開展故障診斷的過程中，專家系統(tǒng)得到了深入的應(yīng)用，但采用這種方法極易受到專家知識(shí)庫的影響，如果不具備全面、正確的專家知識(shí)，將會(huì)極大降低故障診斷的準(zhǔn)確度，而且該系統(tǒng)在實(shí)際應(yīng)用的過程中，取得專家知識(shí)是一個(gè)最大的難點(diǎn)。

2.2 故障樹分析法

這種方法指的是通過對(duì)對(duì)象進(jìn)行診斷來建立相關(guān)的模型，之后將系統(tǒng)產(chǎn)生的故障作為頂節(jié)點(diǎn)，故障現(xiàn)象屬于中間節(jié)點(diǎn)，然后根據(jù)故障信息的類型實(shí)施分解，直至得到以故障源作為葉子節(jié)點(diǎn)的診斷方法。故障樹的結(jié)構(gòu)見圖1。

故障樹依據(jù)系統(tǒng)出現(xiàn)故障時(shí)所形成的各種故障問題，持續(xù)向下進(jìn)行細(xì)分，最后得到了處于葉子節(jié)點(diǎn)的故障源。當(dāng)具備全面及精確的故障樹模型的時(shí)候，故障樹分析法取得了較好的診斷效果，但是通常情況下，對(duì)于一些系統(tǒng)過于復(fù)雜的故障樹，其具備較強(qiáng)的繁瑣性，很難創(chuàng)建起完善的故障樹模型，從而在某種程度上極大約束了這一方法的運(yùn)用。

圖1 故障樹結(jié)構(gòu)

2.3 神經(jīng)網(wǎng)絡(luò)

在故障診斷的過程中，神經(jīng)網(wǎng)絡(luò)主要作為一種分類器來識(shí)別出系統(tǒng)的故障，也可以與其他方法相結(jié)合形成組合型的故障診斷法。該方法首先要針對(duì)現(xiàn)存的故障樣本開展學(xué)習(xí)，之后再針對(duì)故障樣本獲取相應(yīng)的特征，最后再經(jīng)過已結(jié)束訓(xùn)練的神經(jīng)網(wǎng)絡(luò)實(shí)施故障樣本分裂，最終取得相應(yīng)的結(jié)果。

神經(jīng)網(wǎng)絡(luò)有著較強(qiáng)的適應(yīng)能力，當(dāng)具備充足及有效的樣本時(shí)，可以較好地解決復(fù)雜的分類問題，但這也是存在于神經(jīng)網(wǎng)絡(luò)的最大缺點(diǎn)，由于無法取得較多的訓(xùn)練樣本，而且這種方法常常會(huì)出現(xiàn)局部最優(yōu)，無法實(shí)現(xiàn)整體優(yōu)化。

2.4 多信號(hào)流圖的模型

該模型所針對(duì)被監(jiān)測(cè)對(duì)象的構(gòu)成板塊、測(cè)試及被監(jiān)測(cè)對(duì)象之間存在的特征進(jìn)行分析，并基于此采取有向性方法對(duì)其進(jìn)行表示，再依據(jù)系統(tǒng)中信號(hào)的檢測(cè)結(jié)果對(duì)故障實(shí)施診斷。該模型同時(shí)融入了以解析和以信號(hào)的兩種診斷方式，在復(fù)雜系統(tǒng)中有著較廣泛的運(yùn)用。

3 航空火控系統(tǒng)故障檢測(cè)裝置功能板塊

航空火控系統(tǒng)故障檢測(cè)裝置構(gòu)成單元主要有主控處理單元、數(shù)據(jù)收集分析處理單元、接口轉(zhuǎn)換單元等。

3.1 主控處理單元

故障診斷設(shè)置選擇S3C2440A 來作為嵌入式控制器，它是某半導(dǎo)體企業(yè)推出的一種微處理器，其內(nèi)核是ARM920T。S3C2440A 的構(gòu)成主要有16/32 位的RISC 體系構(gòu)造與相應(yīng)的指令集，其MMU（Memory Management Unit，內(nèi)存管理單元）適用于WinCE，EPOC 32 和Linux。

3.2 數(shù)據(jù)收集分析處理板塊

故障檢測(cè)設(shè)置主要是利用USB 模塊來收集數(shù)據(jù)，其應(yīng)用于現(xiàn)階段的Unix 等多個(gè)類型的操作系統(tǒng)及相應(yīng)的軟件環(huán)境。該板塊所具有以下功能：

（1）USB 數(shù)據(jù)采集板塊安裝了一個(gè)自動(dòng)化通道/程控增益的掃描電路，該電路主要對(duì)采樣過程中的多路選通器進(jìn)行控制，具備較高的效率。

（2）模擬輸入：?jiǎn)味撕筒罘址謩e有48 和24 路。

（3）擁有4 路模擬輸出，其中可選擇的模式主要有電流及電壓兩種。

（4）提供可靠的編程計(jì)數(shù)器，其中主要包含了3 個(gè)16 位計(jì)數(shù)器。

（5）輸入及輸出分別為16 路。

（6）在對(duì)開機(jī)進(jìn)行模擬后，可以利用跳線設(shè)置相關(guān)的輸出值，該數(shù)值應(yīng)保持量程值的1/2 或者最小值。用戶可以先后對(duì)這四個(gè)通道的輸出設(shè)定相對(duì)應(yīng)的范圍，分別為：0～5 V，0～10 V，+5 V，+10 V，0～20 mA。

（7）當(dāng)系統(tǒng)開啟熱啟動(dòng)時(shí)，USB 數(shù)據(jù)收集板塊可以維持上個(gè)循環(huán)的數(shù)字量輸出設(shè)置。

（8）模擬輸出：擁有4 路通道，12 位分辨率，其輸出范疇為0～5 V，0～10 V，-5～+5 V，-10～+10 V，0～20 mA。

（9）計(jì)數(shù)器：擁有3 路通道數(shù)，16 位分辨率，技術(shù)范疇≤65535，采取減數(shù)計(jì)算器和頻率測(cè)量法，電平形式為TTL 電平。

（10）數(shù)字量輸入/輸出：輸入及輸出通道均為16 路，電平形式則采取TTL 電平。

（11）供電電壓9～40 V。

3.3 位置角量信號(hào)形成板塊

該板塊主要為系統(tǒng)提供多渠道的位置模擬角量，其構(gòu)成部分主要有功率適配線路、電阻網(wǎng)絡(luò)等，該板塊形成的位置角量信號(hào)主要用于對(duì)姿態(tài)傳感器的角量進(jìn)行模擬，并利用故障檢測(cè)設(shè)備進(jìn)行輸出，并將結(jié)果呈現(xiàn)在便攜式終端上，進(jìn)而對(duì)轉(zhuǎn)換控制板所具有的精準(zhǔn)度及功能進(jìn)行有效檢測(cè)。

3.4 通信測(cè)試板塊

該板塊主要對(duì)火控系統(tǒng)內(nèi)部各單體之間的通信指令進(jìn)行模擬，以檢測(cè)火控系統(tǒng)內(nèi)部的CAN 接口，對(duì)其中存在的各CAN 節(jié)點(diǎn)所傳輸?shù)臋z測(cè)報(bào)文進(jìn)行模擬，并接收各個(gè)檢測(cè)單體所反饋出的信息，通過對(duì)比分析，明確火控系統(tǒng)各CAN 節(jié)點(diǎn)是否具備完善的通信功能。

3.5 接口轉(zhuǎn)換板塊

該板塊主要是將檢測(cè)設(shè)備中各功能模塊的數(shù)據(jù)接口轉(zhuǎn)變?yōu)橄嚓P(guān)的USB 接口。

3.6 電源處理板塊

該板塊主要包含DC/DC 電源板塊及各相關(guān)處理電路，其功能是將內(nèi)部供電轉(zhuǎn)變?yōu)闄z測(cè)裝置中各板塊所需的工作電源。

4 航空火控系統(tǒng)故障檢測(cè)裝置組成設(shè)備

由于航空火控系統(tǒng)故障檢測(cè)裝置運(yùn)用了串行的工作形式，無法提升運(yùn)行速率及裝置隨時(shí)運(yùn)行的要求。隨著系統(tǒng)控制質(zhì)量要求的不斷提升，人工智能專家系統(tǒng)中設(shè)置的規(guī)則庫持續(xù)擴(kuò)大，沖突越來越顯著。因此，該故障檢測(cè)裝置通過運(yùn)用神經(jīng)網(wǎng)絡(luò)及專家系統(tǒng)相互結(jié)合的形式，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的功能，即并行處理大批化的輸入信息、分布式儲(chǔ)存等優(yōu)點(diǎn)，以確保航空火控系統(tǒng)得到迅速、精確地檢測(cè)，提升被檢戰(zhàn)機(jī)的反應(yīng)水平。裝置原理見圖2。

圖2 航空火控系統(tǒng)故障檢測(cè)裝置工作原理

4.1 通用適配器

由于火控系統(tǒng)存在大量的接口種類，故障檢測(cè)設(shè)備必須與該系統(tǒng)形成較好的信號(hào)交錯(cuò)；輸入及輸出信號(hào)實(shí)施阻抗匹配轉(zhuǎn)換；信號(hào)持續(xù)衰退、電平轉(zhuǎn)換等需要借助通用的適配器實(shí)現(xiàn)。適配器的輸入輸出端采用標(biāo)準(zhǔn)的接口元件及同軸電纜，使適配器具備較高的性能。此外，適配器內(nèi)部通過較好的措施進(jìn)行隔離，使電磁具備較好的兼容性。

4.2 數(shù)據(jù)庫

數(shù)據(jù)庫的功能是儲(chǔ)存與故障檢測(cè)相關(guān)的數(shù)據(jù)信息，主要包含靜態(tài)與動(dòng)態(tài)兩種數(shù)據(jù)。其構(gòu)造應(yīng)有助于系統(tǒng)的處理及推理，在管理軟件的背景下，數(shù)據(jù)庫的作用是接收及儲(chǔ)備火控系統(tǒng)的各個(gè)信息，并由此推理出相應(yīng)的結(jié)論結(jié)果，并將其作為一種裝置來開展故障檢測(cè)工作。由于數(shù)據(jù)庫不僅可以儲(chǔ)存大量的信息，而且也有助于查找，應(yīng)盡可能降低數(shù)據(jù)庫的規(guī)模，因此設(shè)計(jì)數(shù)據(jù)庫時(shí)必須采取有助于查找及升級(jí)信息的措施。

4.3 知識(shí)庫

知識(shí)庫中儲(chǔ)存了大量與故障診斷相關(guān)的專家經(jīng)驗(yàn)及知識(shí)，其中經(jīng)驗(yàn)是指該領(lǐng)域?qū)＜以陂L(zhǎng)期工作中積累的經(jīng)驗(yàn)；理論知識(shí)主要從相關(guān)描述及研究火控系統(tǒng)方面的書中獲取。設(shè)計(jì)知識(shí)庫時(shí)應(yīng)依據(jù)以上經(jīng)驗(yàn)及知識(shí)，將其轉(zhuǎn)換為控制規(guī)則及參數(shù)調(diào)整規(guī)則，并儲(chǔ)存在知識(shí)庫內(nèi)部。

4.4 規(guī)則庫和推理機(jī)

4.4.1 推理機(jī)

該裝置指的是在專家系統(tǒng)中完成的基于知識(shí)推理的元件，是系統(tǒng)中存在的某個(gè)控制程序，在控制策略下基于中間數(shù)據(jù)庫內(nèi)的信息來收集及選擇知識(shí)庫內(nèi)對(duì)處理問題有用的知識(shí)，并將其運(yùn)用到診斷推理中。推理機(jī)是依據(jù)檢測(cè)裝置當(dāng)前的運(yùn)行及之前的故障信息，即數(shù)據(jù)庫內(nèi)的信息，在規(guī)則庫內(nèi)檢索控制手段及參數(shù)調(diào)整的方法。推理機(jī)所有的輸入及輸出都基于事實(shí)進(jìn)行，但輸出則是輸入事實(shí)處于推理機(jī)的控制下，依靠規(guī)則推測(cè)的事實(shí)。為了使檢測(cè)設(shè)備具備較好的推理技術(shù)及實(shí)現(xiàn)實(shí)時(shí)推算，推理機(jī)的結(jié)構(gòu)采取了確定性與概率性兩種推理機(jī)制，對(duì)各個(gè)形式的事實(shí)規(guī)則及各類事件之間的因果關(guān)系展開推理，通過將正向及反向推理及規(guī)則評(píng)價(jià)推理進(jìn)行較好的結(jié)合，以增強(qiáng)裝置的置信度。

首先，系統(tǒng)選擇故障征兆為關(guān)鍵詞，在規(guī)則庫中通過運(yùn)用匹配原則取得與此征兆相對(duì)應(yīng)的行為分支，在故障樹中所存在的各種行為有著不同的分支，當(dāng)用戶明確行為之后，系統(tǒng)再將行為與事實(shí)進(jìn)行合并，并以此為關(guān)鍵詞進(jìn)行搜索，得到一個(gè)全新的事實(shí)，至此完成了一個(gè)推理周期，等待用戶明確全新的行為分支。當(dāng)規(guī)則庫內(nèi)不再存在行為分支時(shí)，表示完成推理，這就是故障點(diǎn)。

由于神經(jīng)網(wǎng)絡(luò)面對(duì)的各個(gè)征兆都來自于相同的故障輸出，但是輸入方式并不唯一，因此就必須依據(jù)數(shù)據(jù)開展正向推理。

推理步驟：①將網(wǎng)絡(luò)的結(jié)構(gòu)知識(shí)、火控系統(tǒng)的故障知識(shí)及權(quán)值矩陣從知識(shí)庫中調(diào)出；②借助導(dǎo)入規(guī)則轉(zhuǎn)換已收集到的故障征兆模式，使其成為神經(jīng)網(wǎng)絡(luò)的輸入；③對(duì)隱含層的神經(jīng)元輸出進(jìn)行計(jì)算；④對(duì)網(wǎng)絡(luò)開展前向計(jì)算，取得輸出層的神經(jīng)元輸出；⑤依據(jù)規(guī)則對(duì)神經(jīng)元的輸出進(jìn)行檢驗(yàn)，明確結(jié)果。

4.4.2 規(guī)則庫

規(guī)則庫是依據(jù)專家知識(shí)庫內(nèi)的知識(shí)來獲取控制的作用及策略，它主要體現(xiàn)在控制知識(shí)，并基于數(shù)據(jù)庫所提供的故障信息來采取有效的控制策略及參數(shù)調(diào)整措施。

4.5 專家系統(tǒng)訓(xùn)練樣本

選擇專家系統(tǒng)所開展檢測(cè)及控制工作的結(jié)果作為訓(xùn)練樣本，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成訓(xùn)練后將其運(yùn)用到故障診斷系統(tǒng)中。

4.6 故障樹-規(guī)則轉(zhuǎn)換單元

該單元指的是某個(gè)圖形轉(zhuǎn)化為Access 格式的數(shù)據(jù)庫的板塊，通過這個(gè)單元可以將手工創(chuàng)建規(guī)則庫的過程轉(zhuǎn)變?yōu)楣收蠘涞脑O(shè)計(jì)過程。首先將故障樹的樹形圖轉(zhuǎn)變?yōu)樵嫉膶傩员?，再將該表轉(zhuǎn)變?yōu)橐?guī)則表[4]。

5 神經(jīng)網(wǎng)絡(luò)的特征及構(gòu)造

神經(jīng)網(wǎng)絡(luò)因其可以有效處理復(fù)雜的多模式，且具備較強(qiáng)的想象、推理及記憶功能，已廣泛運(yùn)用于慢變的復(fù)雜系統(tǒng)或者不存在模型的故障檢測(cè)工作中。神經(jīng)網(wǎng)絡(luò)的構(gòu)成包含了多個(gè)神經(jīng)元，而神經(jīng)元?jiǎng)t采取簡(jiǎn)單的方式對(duì)信息實(shí)施處理，當(dāng)神經(jīng)元輸入超出某個(gè)閾值時(shí)，它就可以被激活。神經(jīng)元根據(jù)層級(jí)排列，輸入信息則利用網(wǎng)絡(luò)進(jìn)行傳播。每個(gè)神經(jīng)元所具有的傳播函數(shù)均對(duì)神經(jīng)網(wǎng)絡(luò)的非線性產(chǎn)生直接影響。在訓(xùn)練過程中，通過調(diào)整網(wǎng)絡(luò)權(quán)值，促使網(wǎng)絡(luò)輸出可以借助最佳形式接近預(yù)期值。目前，應(yīng)用最廣泛的是具備一個(gè)隱層的BP 網(wǎng)絡(luò)，在訓(xùn)練信息不完善的條件下，可以對(duì)故障進(jìn)行準(zhǔn)確的分類及識(shí)別。由于神經(jīng)網(wǎng)絡(luò)在該裝置中主要用于故障檢測(cè)，因此，可以將故障的測(cè)量值或故障樹當(dāng)做相應(yīng)的樣本，以完成網(wǎng)絡(luò)的訓(xùn)練。

在航空火控系統(tǒng)故障檢測(cè)中，為了使神經(jīng)網(wǎng)絡(luò)更加接近專家檢測(cè)的結(jié)果，且具備較強(qiáng)的記憶及容錯(cuò)能力，神經(jīng)網(wǎng)絡(luò)需要設(shè)計(jì)為3 層BP 網(wǎng)絡(luò)，分別為輸入層、輸出層和隱含層。依據(jù)專家系統(tǒng)的設(shè)計(jì)原理，BP 網(wǎng)絡(luò)的輸入則表現(xiàn)為導(dǎo)彈指揮儀所有工作狀態(tài)下的原始參數(shù)和平顯狀態(tài)下工作畫面的原始參數(shù)。隱含層則選擇40 個(gè)節(jié)點(diǎn)，這是依據(jù)選擇的樣本點(diǎn)及測(cè)控的質(zhì)量要求選擇的。輸出層則包含了相應(yīng)的結(jié)果。

6 BP 網(wǎng)絡(luò)模型及算法

目前，BP 網(wǎng)絡(luò)是應(yīng)用最普遍的一種神經(jīng)元網(wǎng)絡(luò)，主要包含三點(diǎn)內(nèi)容：第一，模式鑒別分類，主要對(duì)文字、語言等進(jìn)行有效識(shí)別和故障診斷等；第二，函數(shù)逼近，主要針對(duì)非線性控制建立模型；第三，數(shù)據(jù)壓縮，其功能是實(shí)現(xiàn)通信過程中的編碼壓縮及恢復(fù)，圖像信息的壓縮、儲(chǔ)存及其特征的抽取等。對(duì)于一個(gè)具備T個(gè)訓(xùn)練樣本的問題、K 個(gè)輸入、J 個(gè)輸出及H 個(gè)隱藏神經(jīng)元的網(wǎng)絡(luò)構(gòu)造，其相關(guān)的數(shù)據(jù)模型為：

式中：Tij表示第i 個(gè)目標(biāo)矢量的第j 個(gè)分量，Oij表示第i 個(gè)輸出矢量的第j 個(gè)分量。

從實(shí)質(zhì)上講，BP 算法作為一種梯度降低靜態(tài)尋優(yōu)的算法，在對(duì)權(quán)值進(jìn)行修正時(shí)，僅依據(jù)時(shí)刻所具有的負(fù)梯度方向來修正，并對(duì)以往的經(jīng)驗(yàn)加以考慮，從而導(dǎo)致學(xué)習(xí)階段產(chǎn)生了一定的震蕩，且收斂過于緩慢。為有效處理以上問題，人們通過研究提出了相應(yīng)的模型：

式中：η 和α 分別表示搜索步長(zhǎng)和動(dòng)量項(xiàng)因子。

7 結(jié)束語

本文所設(shè)計(jì)的檢測(cè)系統(tǒng)經(jīng)過長(zhǎng)期使用后，驗(yàn)證了其具備較強(qiáng)的穩(wěn)定性，操作簡(jiǎn)單且維護(hù)方便，不僅可以滿足某型飛機(jī)火控系統(tǒng)的故障檢測(cè)需求，而且稍加改善就可以滿足其他型號(hào)火控系統(tǒng)的故障檢測(cè)需求，該設(shè)備的運(yùn)用提升了部隊(duì)的反應(yīng)水平，深受好評(píng)。本文針對(duì)該故障診斷系統(tǒng)進(jìn)行深入研究，以推動(dòng)該系統(tǒng)的穩(wěn)定運(yùn)行。