唐 顏，徐天蒙，周 偉，王改堂，蔡睿潔

(西安現(xiàn)代控制技術研究所，西安 710065)

0 引言

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

目前的鑒定方式中，彈載計算機的檢測狀態(tài)通過總線接口以十六進制數(shù)據(jù)形式輸出，形成對應文本文件[2]，測試人員對數(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長且容易出現(xiàn)疏漏。

神經網(wǎng)絡可用來對數(shù)據(jù)進行故障分類，但目前基于神經網(wǎng)絡的分類方式多以單一特征量作為故障提取依據(jù)；而彈載計算機的每幀檢測數(shù)據(jù)含有多個故障特征量，因此傳統(tǒng)的神經網(wǎng)絡方式難以直接進行分類。

針對上述問題，提出一種基于概率神經網(wǎng)絡PNN的彈載計算機故障診斷方法。該方法可將每個文件的存儲數(shù)據(jù)由矩陣形式簡化為向量，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，對所有特征量進行映射，得到與之對應的唯一編碼輸出，形成故障編碼集；同時采用PNN對編碼集的輸入輸出進行模型訓練，實現(xiàn)多故障特征量、大容量數(shù)據(jù)輸入下的故障分類，仿真結果驗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

檢測結果中的數(shù)據(jù)幀由幀頭、測試項1結果、測試項2結果、…、測試項n結果、校驗和構成。對于每一數(shù)據(jù)幀而言，將其測試結果以A表示：

Ai=[Ai1,Ai2,Ai3,…,Ain]

(1)

式中：n為檢測項數(shù)量；Ain為第i幀數(shù)據(jù)第n項檢測結果，取值為0(正常)或1(異常)?？偣瞞幀數(shù)據(jù)則構成一個故障輸入矩陣A：

(2)

式中，每列數(shù)據(jù)為同一檢測項的不同時刻的故障檢測結果，若按測試類別進行分類，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類測試項存在異常，將Mi置1(i=1,2，…，n)，按此方式，求出所有測試項對應的模Mi，構成新的向量：

B=[M1,M2,…,Mn]

(6)

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

1.2 故障編碼函數(shù)確定

若彈載計算機檢測項數(shù)量為n，每個檢測項包含正常和異常兩種情況，則共有2n種結果，當所有檢測項均正常時，彈載計算機才算是檢測正常，剩下2n-1種測試情況均視為故障。

結合1.1節(jié)分析可知，由n項檢測數(shù)據(jù)構成的故障輸入矩陣A，可轉換成n維向量B，作為檢測數(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的取值都與相應的故障結果r一一對應，三者之間滿足關系式如下：

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制數(shù)據(jù)的高低位，則存在唯一的十進制數(shù)值與之相對應。

如表1所示，確定故障特征向量B以后，可采用二進制轉十進制方式得到唯一數(shù)值，用來表示與之對應的故障輸出結果r，實現(xiàn)故障輸入到輸出之間的映射。因此，故障編碼函數(shù)f表達式為：

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

表1 故障編碼用例

f=M1×2n-1+M2×2n-2+M3×2n-3+…+Mn-1×2+Mn

(8)

通過式(8)即可得到故障輸入與故障輸出種類的映射關系，進而形成彈載計算機故障輸入輸出數(shù)據(jù)集，再利用概率神經網(wǎng)絡對上述樣本進行模型訓練，實現(xiàn)彈載計算機故障診斷。

2 基于PNN的故障診斷

2.1 PNN結構及分析

PNN是徑向基網(wǎng)絡的一個分支，由輸入層、模式層、求和層、輸出層構成，具體結構如圖1[3]。

圖1 PNN結構圖

如圖1所示，輸入層由n個神經元構成，其個數(shù)為輸入向量的維數(shù)，輸入層計算輸入向量與所有訓練樣本向量之間的距離。m個作為隱神經元構成模式層，該層采樣高斯函數(shù)作為激活函數(shù)，計算測試樣本與訓練樣本中的每一個樣本的高斯函數(shù)的取值，計算公式為[4]：

(9)

式中：σi為平滑系數(shù)；Xi為訓練樣本；Z為待訓練的輸入樣本。

求和層的神經元個數(shù)與總的類別數(shù)量一致，求取相同類別測試樣本對應的模式層節(jié)點輸出之和：

(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；訓練樣本中故障類型為j的樣本有tj個；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元中后驗概率最大者：

Y=max(Sj)

(11)

2.2 基于PNN的故障診斷模型設計

I=[B1,B2,…,Bm]T

(12)

式中m為輸入樣本個數(shù)。

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

圖2 彈載計算機故障診斷流程

2.3 實驗結果分析

現(xiàn)選取某型彈載計算機的環(huán)境試驗測試數(shù)據(jù)為樣本，對文中提出的測試方法進行檢驗，數(shù)據(jù)中檢測項包含F(xiàn)lash檢測結果、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項內容。為了保證測試的準確性，選取常溫、低溫、高溫、沖擊振動、低溫貯存、高溫貯存等多個環(huán)境條件下的試驗數(shù)據(jù)作為訓練樣本，且覆蓋所有故障類型，現(xiàn)將上述條件各選取50個樣本，總共300組數(shù)據(jù)，將其中250組作為訓練組，剩下50組作為測試組，求出PNN的故障輸入矩陣I及故障模型輸出向量Y后進行模型訓練。

采用Matlab中的newpnn函數(shù)創(chuàng)建PNN，對前文所述方法進行仿真驗證，將徑向基函數(shù)的分布密度θ分別設為0.3，0.5，0.8，1.0對分類結果進行驗證。

圖3～圖6為不同θ數(shù)值下，PNN對50組測試樣本的實際分類結果與預期分類結果的對比圖。其分類準確率如表2所示。

圖3 θ=0.3故障分類結果

圖4 θ=0.5故障分類結果

圖5 θ=0.8故障分類結果

圖6 θ=1.0故障分類結果

表2 PNN分類結果統(tǒng)計

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

3 結論

提出了一種基于PNN網(wǎng)絡的故障診斷方法。該方法將測試數(shù)據(jù)由復雜的m×n矩陣轉化為n維向量，簡化了輸入數(shù)據(jù)的分析規(guī)模；通過二進制到十進制之間的數(shù)據(jù)轉換確立了故障輸入與輸出之間的唯一映射關系；最后利用PNN網(wǎng)絡實現(xiàn)了多故障特征量下的故障分類。仿真結果驗證了該方法的可行性和有效性，可以實現(xiàn)對彈載計算機的故障分類，且準確率滿足要求。