謝永成，李光升，魏 寧，李 剛

（陸軍裝甲兵學(xué)院 兵器與控制系，北京 100072）

裝甲車輛電氣系統(tǒng)的工作狀態(tài)直接影響著裝甲車輛整體作戰(zhàn)性能。 當(dāng)前，隨著科技發(fā)達(dá)，電路板作為裝甲車輛電氣系統(tǒng)的關(guān)鍵組件，功能日趨多樣、結(jié)構(gòu)日趨復(fù)雜，隨之而來(lái)，故障發(fā)生的種類也越來(lái)越多、復(fù)雜程度也越來(lái)越高，對(duì)故障診斷的要求也不斷提升。 目前，對(duì)于裝甲車輛電氣系統(tǒng)的故障診斷，大多是系統(tǒng)級(jí)故障診斷，即使發(fā)現(xiàn)電路板故障，也多是以更換為主。 雖有部分學(xué)者將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用在電路板故障診斷中，但由于存在訓(xùn)練停滯現(xiàn)象、收斂效果較差等問題，使得基于神經(jīng)網(wǎng)絡(luò)的智能診斷方法應(yīng)用在電路板故障診斷中存在著諸多問題和限制[1]。 為了克服該問題，有部分學(xué)者引入附加動(dòng)量項(xiàng)、學(xué)習(xí)率自適應(yīng)等方法對(duì)模型進(jìn)行改進(jìn)，取得了一定效果，但由于動(dòng)量因子是固定的，學(xué)習(xí)率變化范圍不大，其整體自適應(yīng)能力仍然不夠[2-5]。 基于此，文章探索將遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，以嘗試解決單一BP 網(wǎng)絡(luò)容易陷入局部最小值、收斂效果差等問題，以期在以往神經(jīng)網(wǎng)絡(luò)診斷方法基礎(chǔ)上[2-5]，為裝甲車輛電氣系統(tǒng)電路板故障診斷提供更好的解決方法。

1 典型BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)又稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)，數(shù)據(jù)信息通過神經(jīng)網(wǎng)絡(luò)的輸入端向輸出端正向傳播，而輸出信息的誤差沿著相反的方向傳遞給神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值，使其按照反饋信息調(diào)節(jié)網(wǎng)絡(luò)結(jié)構(gòu)[6]。BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 BP neural network structure diagram

輸出層梯度：

隱含層梯度：

第n 次迭代閾值：

第n 次迭代權(quán)值：

學(xué)習(xí)率η 根據(jù)誤差變化e（n）進(jìn)行自適應(yīng)調(diào)整：

由典型BP 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)及原理可知，雖然其具有較好的收斂速度和自適應(yīng)能力，但其學(xué)習(xí)率范圍和動(dòng)量因子本身的問題導(dǎo)致其對(duì)網(wǎng)絡(luò)誤差仍然敏感性不足，難以適應(yīng)學(xué)習(xí)率較大范圍變化的情況。 為了解決上述問題，對(duì)其進(jìn)行如下改進(jìn)：

設(shè)定p1，p2分別是網(wǎng)絡(luò)誤差e（n）連續(xù)增大、減小的標(biāo)志量：

將其代入公式（5）中，得到學(xué)習(xí)率η：

自適應(yīng)動(dòng)量因子為

若誤差連續(xù)減小k 次時(shí)， 說明方向正確但學(xué)習(xí)率不夠，從而可以以k 冪指數(shù)提高η，并降低μ，推動(dòng)網(wǎng)絡(luò)進(jìn)一步收斂[11]。

2 基于遺傳算法的BP 神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法

為了對(duì)典型BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，可引入遺傳算法， 對(duì)典型BP 神經(jīng)網(wǎng)絡(luò)的各層節(jié)點(diǎn)參數(shù)進(jìn)行尋優(yōu)操作。 遺傳算法是一種常用的全局搜索方法，通過設(shè)置種群初始值、選擇、交叉、變異等操作步驟，可以對(duì)典型BP 神經(jīng)網(wǎng)絡(luò)的各層節(jié)點(diǎn)參數(shù)進(jìn)行尋優(yōu)，從而降低訓(xùn)練停滯和局部極小值問題對(duì)模型預(yù)測(cè)結(jié)果的影響[12-15]。 其與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合對(duì)各層參數(shù)進(jìn)行優(yōu)化的基本流程如圖2 所示。

圖2 改進(jìn)型GA-BP 算法基本流程Fig.2 Basic flow chart of improved GA-BP algorithm

運(yùn)用遺傳算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)模型參數(shù)尋優(yōu)的基本操作可分為5 個(gè)步驟：

步驟1種群初始化。 遺傳算法是從潛在的解集出發(fā)進(jìn)行尋優(yōu)的過程，因此，在模型運(yùn)用過程中，首先應(yīng)按照一定的編碼規(guī)則給出種群的初始解，對(duì)種群進(jìn)行初始化，生成初始種群、確定適應(yīng)度函數(shù)。本模型中，選取網(wǎng)絡(luò)誤差為適應(yīng)度函數(shù)。

步驟2選擇操作。在本模型中，采取基于適應(yīng)度比例的選擇操作，每個(gè)個(gè)體被選擇的幾率為：Pi=

步驟3交叉操作。通過交叉操作，可以進(jìn)一步增大子代基因信息范圍。本模型中，第k 個(gè)染色體ak和第s 個(gè)染色體as在第j 位的交叉方法為

式中：d 為［0，1］之間的隨機(jī)值。

步驟4變異操作。通過變異，能夠提高種群的多樣性，使種群得到豐富和優(yōu)化。若對(duì)第i 個(gè)個(gè)體第j 個(gè)基因a 進(jìn)行變異操作，可得到：

式中：amax是基因aij的上邊界；為一個(gè)隨機(jī)值；g 為當(dāng)前迭代次數(shù)；Gmax為最大迭代次數(shù)；r 為［0，1］之間的隨機(jī)值。

步驟5判斷。按照上述步驟進(jìn)行計(jì)算，并判斷進(jìn)化是否達(dá)到了預(yù)期目標(biāo)，若沒有達(dá)到，則重復(fù)上述步驟直到達(dá)到預(yù)設(shè)目標(biāo)為止。

3 模型實(shí)現(xiàn)與驗(yàn)證

3.1 樣本數(shù)據(jù)

以裝甲車輛電氣系統(tǒng)中80 式滅火系統(tǒng)控制盒電路板撕裂后存在故障的子網(wǎng)絡(luò)為例，對(duì)優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證分析。選擇撕裂后的子網(wǎng)絡(luò)作為數(shù)據(jù)采集的區(qū)域，故障信息通過節(jié)點(diǎn)電壓測(cè)量法獲取。 其故障采集區(qū)域如圖3 所示。

圖3 80 式滅火系統(tǒng)控制盒電路板電壓信息采集區(qū)域Fig.3 Type 80 fire extinguishing system control box circuit board voltage information collection area

首先設(shè)置故障元器件以及元器件所產(chǎn)生的故障，如表1 所示。

表1 故障注入?yún)?shù)設(shè)置Tab.1 Fault injection parameter settings

然后依據(jù)測(cè)量節(jié)點(diǎn)的順序依次將故障測(cè)量節(jié)點(diǎn)命名為a～g，并將故障依次注入電路可以通過測(cè)量節(jié)點(diǎn)電壓獲得故障數(shù)據(jù)。 獲得節(jié)點(diǎn)電壓數(shù)據(jù)后，進(jìn)行歸一化處理，如表2 所示，對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)輸出，如表3 所示。

表2 故障參數(shù)（0-1）歸一化Tab.2 Fault parameters（0-1） are normalized

表3 故障參數(shù)（0-1）歸一化網(wǎng)絡(luò)輸出Tab.3 Fault parameters（0-1） normalize the network output

3.2 模型訓(xùn)練及驗(yàn)證

設(shè)置BP 神經(jīng)網(wǎng)絡(luò)3 個(gè)層次的節(jié)點(diǎn)數(shù)量分別為3，5，6，η=0.8，μ=0.6，并對(duì)其進(jìn)行批量訓(xùn)練，從而獲得誤差滿足要求的網(wǎng)絡(luò)模型。

對(duì)于遺傳算法部分，其初始種群規(guī)模設(shè)定為16，交叉概率和變異概率分別為0.4，0.2，共進(jìn)行20 次的進(jìn)化，以得到經(jīng)GA 優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)初始值，如表4 所示。 其中，ω1～ω3是第1～2 層網(wǎng)絡(luò)權(quán)值，b 是第2 層網(wǎng)絡(luò)閾值，W1～W5是第2～3 層網(wǎng)絡(luò)權(quán)值，B 是第3 層網(wǎng)絡(luò)閾值。

表4 優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)初始值Tab.4 Initial values of the optimized BP neural network

將上述優(yōu)化得到的BP 神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)初始值代入模型中，以表2 和表3 數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，經(jīng)過4 次迭代之后，可以得到訓(xùn)練誤差為0.0563，此時(shí)，模型的訓(xùn)練誤差滿足要求，該模型可以對(duì)裝甲車輛電氣系統(tǒng)電路板故障進(jìn)行診斷，如圖4 所示。

圖4 優(yōu)化神經(jīng)網(wǎng)絡(luò)（0，1）區(qū)間訓(xùn)練誤差曲線Fig.4 Optimization neural network（0，1） interval training error curve

為了驗(yàn)證優(yōu)化后的GA-BP 神經(jīng)網(wǎng)絡(luò)模型的可靠性， 將其與典型BP 神經(jīng)網(wǎng)絡(luò)以及測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)結(jié)果對(duì)比。 首先對(duì)沒有優(yōu)化的典型BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，經(jīng)過12 次迭代之后，得到訓(xùn)練誤差為0.16125，如圖5 所示。 將實(shí)驗(yàn)數(shù)據(jù)分別帶入優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型和沒有優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，可以得到預(yù)測(cè)結(jié)果，如圖6 所示。 可見，沒有優(yōu)化的網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果明顯與測(cè)試數(shù)據(jù)偏離較大，而優(yōu)化后的網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與測(cè)試結(jié)果擬合度較好，優(yōu)化后的網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果明顯優(yōu)于沒有優(yōu)化的網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果。

圖5 未優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.5 Not optimized neural network training error curve

圖6 免疫遺傳算法預(yù)測(cè)結(jié)果對(duì)比Fig.6 Comparison of prediction results of immunogenetic algorithms

4 結(jié)語(yǔ)

裝甲車輛電氣系統(tǒng)電路板故障診斷問題一直是一個(gè)難點(diǎn)問題，傳統(tǒng)的電路板故障診斷方法主要存在故障檢出率低、虛警等問題，應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)雖然能一定程度上解決檢出率低等問題，但其存在的自適應(yīng)問題和局部極小值問題仍然導(dǎo)致故障診斷虛警率較高。 而通過引入遺傳算法，對(duì)典型BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)尋優(yōu)改進(jìn)，從而使得神經(jīng)網(wǎng)絡(luò)故障診斷方法可以得到優(yōu)化。 本文在改進(jìn)模型的基礎(chǔ)上， 以裝甲車輛電氣系統(tǒng)中80 式滅火系統(tǒng)控制盒電路板故障診斷數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證分析，由結(jié)果可見， 經(jīng)過遺傳算法參數(shù)尋優(yōu)改進(jìn)后的BP 神經(jīng)網(wǎng)絡(luò)模型可以有效克服自適應(yīng)不夠和局部極小值問題，實(shí)現(xiàn)對(duì)裝甲車輛電氣系統(tǒng)電路板的故障診斷。