唐 顏，徐天蒙，周 偉，王改堂，蔡睿潔

(西安現(xiàn)代控制技術(shù)研究所，西安 710065)

0 引言

彈載計(jì)算機(jī)作為彈上的控制中心，其硬件性能是決定武器系統(tǒng)運(yùn)行狀態(tài)的重要因素[1]，因此需要對(duì)其硬件性能進(jìn)行充分鑒定。

目前的鑒定方式中，彈載計(jì)算機(jī)的檢測(cè)狀態(tài)通過(guò)總線接口以十六進(jìn)制數(shù)據(jù)形式輸出，形成對(duì)應(yīng)文本文件[2]，測(cè)試人員對(duì)數(shù)據(jù)逐一分析判定是否存在異常。然而，文本文件中數(shù)據(jù)規(guī)模大，若要充分鑒定硬件性能，就面臨著巨大的數(shù)據(jù)分析，采用現(xiàn)有的人工分析方式耗時(shí)長(zhǎng)且容易出現(xiàn)疏漏。

神經(jīng)網(wǎng)絡(luò)可用來(lái)對(duì)數(shù)據(jù)進(jìn)行故障分類，但目前基于神經(jīng)網(wǎng)絡(luò)的分類方式多以單一特征量作為故障提取依據(jù)；而彈載計(jì)算機(jī)的每幀檢測(cè)數(shù)據(jù)含有多個(gè)故障特征量，因此傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方式難以直接進(jìn)行分類。

針對(duì)上述問(wèn)題，提出一種基于概率神經(jīng)網(wǎng)絡(luò)PNN的彈載計(jì)算機(jī)故障診斷方法。該方法可將每個(gè)文件的存儲(chǔ)數(shù)據(jù)由矩陣形式簡(jiǎn)化為向量，以此作為數(shù)據(jù)輸入的特征向量；然后采用特定編碼方案，對(duì)所有特征量進(jìn)行映射，得到與之對(duì)應(yīng)的唯一編碼輸出，形成故障編碼集；同時(shí)采用PNN對(duì)編碼集的輸入輸出進(jìn)行模型訓(xùn)練，實(shí)現(xiàn)多故障特征量、大容量數(shù)據(jù)輸入下的故障分類，仿真結(jié)果驗(yàn)證了該方法的可行性及有效性。

1 故障編碼集建立

1.1 故障輸入數(shù)據(jù)處理

檢測(cè)結(jié)果中的數(shù)據(jù)幀由幀頭、測(cè)試項(xiàng)1結(jié)果、測(cè)試項(xiàng)2結(jié)果、…、測(cè)試項(xiàng)n結(jié)果、校驗(yàn)和構(gòu)成。對(duì)于每一數(shù)據(jù)幀而言，將其測(cè)試結(jié)果以A表示：

Ai=[Ai1,Ai2,Ai3,…,Ain]

(1)

式中：n為檢測(cè)項(xiàng)數(shù)量；Ain為第i幀數(shù)據(jù)第n項(xiàng)檢測(cè)結(jié)果，取值為0(正常)或1(異常)?？偣瞞幀數(shù)據(jù)則構(gòu)成一個(gè)故障輸入矩陣A：

(2)

式中，每列數(shù)據(jù)為同一檢測(cè)項(xiàng)的不同時(shí)刻的故障檢測(cè)結(jié)果，若按測(cè)試類別進(jìn)行分類，則矩陣A又可表示為：

A=[X1,X2,…,Xn]

(3)

其中：

Xi=[A1i,A2i,…,Ami]T,i=1,2,…,n

(4)

接下來(lái)求取向量Xi的模Mi：

(5)

若Mi不等于0，則代表向量Xi中存在非零值，即第i類測(cè)試項(xiàng)存在異常，將Mi置1(i=1,2，…，n)，按此方式，求出所有測(cè)試項(xiàng)對(duì)應(yīng)的模Mi，構(gòu)成新的向量：

B=[M1,M2,…,Mn]

(6)

由此，輸入數(shù)據(jù)由m×n矩陣A轉(zhuǎn)換為n維向量B，以此作為數(shù)據(jù)的特征向量，簡(jiǎn)化數(shù)據(jù)分析規(guī)模。

1.2 故障編碼函數(shù)確定

若彈載計(jì)算機(jī)檢測(cè)項(xiàng)數(shù)量為n，每個(gè)檢測(cè)項(xiàng)包含正常和異常兩種情況，則共有2n種結(jié)果，當(dāng)所有檢測(cè)項(xiàng)均正常時(shí)，彈載計(jì)算機(jī)才算是檢測(cè)正常，剩下2n-1種測(cè)試情況均視為故障。

結(jié)合1.1節(jié)分析可知，由n項(xiàng)檢測(cè)數(shù)據(jù)構(gòu)成的故障輸入矩陣A，可轉(zhuǎn)換成n維向量B，作為檢測(cè)數(shù)據(jù)的特征向量。為了將特征向量B映射至2n-1種故障結(jié)果組成的故障空間，需求取故障編碼函數(shù)f，使每一種特征向量B的取值都與相應(yīng)的故障結(jié)果r一一對(duì)應(yīng)，三者之間滿足關(guān)系式如下：

r=f(B)

(7)

由于向量B的組成元素為0或1，因此若將向量B中的元素組合視為二進(jìn)制數(shù)據(jù)的高低位，則存在唯一的十進(jìn)制數(shù)值與之相對(duì)應(yīng)。

如表1所示，確定故障特征向量B以后，可采用二進(jìn)制轉(zhuǎn)十進(jìn)制方式得到唯一數(shù)值，用來(lái)表示與之對(duì)應(yīng)的故障輸出結(jié)果r，實(shí)現(xiàn)故障輸入到輸出之間的映射。因此，故障編碼函數(shù)f表達(dá)式為：

4.3 詞匯密度與“個(gè)性風(fēng)格詞匯”之計(jì)算。詞匯密度計(jì)算方中，實(shí)詞是指名詞、動(dòng)詞、形容詞和副詞四類。根據(jù)Biber(2000：62),計(jì)算公式是：詞匯密度=實(shí)詞數(shù)÷總詞數(shù)×100%。Ure指出，詞匯密度可以作為區(qū)別語(yǔ)體正式程度的一個(gè)指標(biāo)，某文本的詞匯密度越高，則該文本的語(yǔ)體越接近正式端；反之，若該文本詞匯密度低，則可以說(shuō)明，該文本越靠近非正式端，越接近自然口語(yǔ)。據(jù)Ure(1971：443-452)的研究，口語(yǔ)的詞匯密度大概通常低于40%，而在書面語(yǔ)里，詞匯密度通常要超過(guò)40%。

表1 故障編碼用例

f=M1×2n-1+M2×2n-2+M3×2n-3+…+Mn-1×2+Mn

(8)

通過(guò)式(8)即可得到故障輸入與故障輸出種類的映射關(guān)系，進(jìn)而形成彈載計(jì)算機(jī)故障輸入輸出數(shù)據(jù)集，再利用概率神經(jīng)網(wǎng)絡(luò)對(duì)上述樣本進(jìn)行模型訓(xùn)練，實(shí)現(xiàn)彈載計(jì)算機(jī)故障診斷。

2 基于PNN的故障診斷

2.1 PNN結(jié)構(gòu)及分析

PNN是徑向基網(wǎng)絡(luò)的一個(gè)分支，由輸入層、模式層、求和層、輸出層構(gòu)成，具體結(jié)構(gòu)如圖1[3]。

圖1 PNN結(jié)構(gòu)圖

如圖1所示，輸入層由n個(gè)神經(jīng)元構(gòu)成，其個(gè)數(shù)為輸入向量的維數(shù)，輸入層計(jì)算輸入向量與所有訓(xùn)練樣本向量之間的距離。m個(gè)作為隱神經(jīng)元構(gòu)成模式層，該層采樣高斯函數(shù)作為激活函數(shù)，計(jì)算測(cè)試樣本與訓(xùn)練樣本中的每一個(gè)樣本的高斯函數(shù)的取值，計(jì)算公式為[4]：

(9)

式中：σi為平滑系數(shù)；Xi為訓(xùn)練樣本；Z為待訓(xùn)練的輸入樣本。

求和層的神經(jīng)元個(gè)數(shù)與總的類別數(shù)量一致，求取相同類別測(cè)試樣本對(duì)應(yīng)的模式層節(jié)點(diǎn)輸出之和：

(10)

式中：j為樣本種類，取值為1到m的整數(shù)；n為輸入特征向量的維度；訓(xùn)練樣本中故障類型為j的樣本有tj個(gè)；i為故障類型j的樣本排列數(shù)值[5]。

輸出層輸出求和層神經(jīng)元中后驗(yàn)概率最大者：

Y=max(Sj)

(11)

2.2 基于PNN的故障診斷模型設(shè)計(jì)

I=[B1,B2,…,Bm]T

(12)

式中m為輸入樣本個(gè)數(shù)。

若檢測(cè)項(xiàng)數(shù)量為n，則PNN故障模型輸出向量為Y=[1,2,3,…,2n-1]T。整個(gè)故障診斷流程如圖2所示。

圖2 彈載計(jì)算機(jī)故障診斷流程

2.3 實(shí)驗(yàn)結(jié)果分析

現(xiàn)選取某型彈載計(jì)算機(jī)的環(huán)境試驗(yàn)測(cè)試數(shù)據(jù)為樣本，對(duì)文中提出的測(cè)試方法進(jìn)行檢驗(yàn)，數(shù)據(jù)中檢測(cè)項(xiàng)包含F(xiàn)lash檢測(cè)結(jié)果、IO初始狀態(tài)、舵反饋1 AD采集精度、舵反饋2 AD采集精度、舵反饋3 AD采集精度、舵反饋4 AD采集精度共6項(xiàng)內(nèi)容。為了保證測(cè)試的準(zhǔn)確性，選取常溫、低溫、高溫、沖擊振動(dòng)、低溫貯存、高溫貯存等多個(gè)環(huán)境條件下的試驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本，且覆蓋所有故障類型，現(xiàn)將上述條件各選取50個(gè)樣本，總共300組數(shù)據(jù)，將其中250組作為訓(xùn)練組，剩下50組作為測(cè)試組，求出PNN的故障輸入矩陣I及故障模型輸出向量Y后進(jìn)行模型訓(xùn)練。

采用Matlab中的newpnn函數(shù)創(chuàng)建PNN，對(duì)前文所述方法進(jìn)行仿真驗(yàn)證，將徑向基函數(shù)的分布密度θ分別設(shè)為0.3，0.5，0.8，1.0對(duì)分類結(jié)果進(jìn)行驗(yàn)證。

圖3～圖6為不同θ數(shù)值下，PNN對(duì)50組測(cè)試樣本的實(shí)際分類結(jié)果與預(yù)期分類結(jié)果的對(duì)比圖。其分類準(zhǔn)確率如表2所示。

圖3 θ=0.3故障分類結(jié)果

圖4 θ=0.5故障分類結(jié)果

圖5 θ=0.8故障分類結(jié)果

圖6 θ=1.0故障分類結(jié)果

表2 PNN分類結(jié)果統(tǒng)計(jì)

從表2可知，θ越大，分類準(zhǔn)確率越低，θ為0.3和0.5時(shí)，分類結(jié)果的準(zhǔn)確率均為100%，均可滿足對(duì)測(cè)試集樣本故障分類的要求。但是參數(shù)θ的大小對(duì)網(wǎng)絡(luò)逼近精度同樣有很大影響[6]，θ越小，逼近的過(guò)程就越粗糙；θ越大，逼近過(guò)程就比較平滑[7]。因此θ取值為0.5時(shí)既可滿足故障分類的準(zhǔn)確率，也可確保逼近過(guò)程的平滑度。

3 結(jié)論

提出了一種基于PNN網(wǎng)絡(luò)的故障診斷方法。該方法將測(cè)試數(shù)據(jù)由復(fù)雜的m×n矩陣轉(zhuǎn)化為n維向量，簡(jiǎn)化了輸入數(shù)據(jù)的分析規(guī)模；通過(guò)二進(jìn)制到十進(jìn)制之間的數(shù)據(jù)轉(zhuǎn)換確立了故障輸入與輸出之間的唯一映射關(guān)系；最后利用PNN網(wǎng)絡(luò)實(shí)現(xiàn)了多故障特征量下的故障分類。仿真結(jié)果驗(yàn)證了該方法的可行性和有效性，可以實(shí)現(xiàn)對(duì)彈載計(jì)算機(jī)的故障分類，且準(zhǔn)確率滿足要求。