神经网络专家系统在电源系统诊断中的应用*

安若铭 王 均

哈尔滨工业大学航天学院，哈尔滨150001

由于卫星这类大型复杂系统的各部件之间联系广泛、复杂，致使故障征兆和故障原因之间也表现出错综复杂的关系，它们之间往往具有关联的不确定性，因此这类系统的故障诊断一直是一个难题。随着人工智能技术的快速发展，特别是专家系统、模糊理论和神经网络等在故障诊断领域得到的广泛应用，通过有效地获取、传递、处理、再生和利用诊断信息，能够模拟人类专家，以灵活的诊断策略对监控对象的运行状态和故障做出正确判断和决策。但是，由于每一种诊断方法都具有其独特的信息特征，面对故障表象与故障机理间错综复杂的关系，往往带有一定的局限性，因而基于多种方法融合的故障诊断［1－2］是航天器诊断的一个重要发展方向。本文针对单种诊断方法考虑角度的单一性，同时采用可信度BP神经网络和不确定性推理专家系统进行诊断，以取长补短，并采用模糊综合评判模型融合2种诊断方法的结果形成最终的诊断结论，既可有效避免单一方法由于对特定故障的不适用造成的误诊，又可通过多方法的相互确认提高诊断结果的正确性和可信度，从而达到提高故障诊断的准确性和稳定性的目的。成功地应用于某卫星电源系统的故障诊断中，获得了很好的诊断效果。

1 基于综合评判的神经网络专家系统诊断

1.1 神经网络与专家系统的结合

神经网络与专家系统的结合可归纳为2种方式［3－5］:一种是神经网络与专家系统共存于一个系统中，神经网络和专家系统分别表示和处理不同的知识，从而构成一个混合或称组合的故障诊断专家系统;另一种是神经网络与专家系统的全面统一，即将两者自然地统一在一个系统中，建立一种全新的系统，既有形象思维的特性，又有逻辑思维的功能，按这种方式建立的系统其通用性较好，但工作难度较大，而且可能带来的不足是ANN和ES各自的特长得不到充分发挥。本文采用的是第一种结合方式，并运用模糊综合评判来综合多个诊断结果。图1所示为基于综合评判的神经网络专家系统诊断框架。

图1 神经网络专家系统结构

1.2 综合评判模型

基于广义合成运算的模糊综合评判模型，理论而言有无穷多种，典型的模型有主因素突出型和加权平均型［6］。航天领域的故障诊断系统不同于民用的自动控制系统，应保证具有高度的准确性、自主性和可靠性。因此，推理算法应满足:要求的直觉准则、三段论法和换命题质位法。针对航天领域故障诊断系统的上述要求，采用如下算子对，使其综合考虑各因素的共同影响。

2 可信度BP神经网络

2.1 改进的BP神经网络

虽然BP神经网络的应用越来越广泛，但是本身存在的问题却无法克服，如学习效率低，对新知识的学习导致原有知识的遗忘以及容易陷入局部最小。针对以上问题，本文采用了改进的算法，即加入动量因子和可变学习速率。

2.1.1 动量因子［7］

由于标准的BP权值修正时，只按照当前的误差梯度下降的方向进行，而不考虑前一个误差梯度的变化方向，所以容易产生振荡，导致收敛速度慢。动量因子的实质就是将上一次的修正量传递过来，使当前修正量平均变化，不产生较大的摆动。其权值W和阈值θ的修正公式为:

式中，λ为动量因子(0≤λ＜1)。

2.1.2 可变学习速率［8］

在神经网络学习过程中，很多时候不知道该选择怎样的学习率，学习速率选小了，导致收敛的速度极慢;选大了，又会发生振荡。动态可变的学习速率可以解决这个问题，当误差变化很平稳时，选择较大学习率，相反在误差波动较大时，选用较小的学习率，已达到快速收敛的效果。一般的算法为:

式中η为学习率，λ为常数，可选择数值为0.0001≤λ≤0.001。

2.2 BP神经网络的可信度

由于神经网络在训练初始设置输入和连接权值时一般都采用随机样本，所以对于神经网络的输入输出可以利用概率密度方法进行分析［9］。为得到BP神经网络输出的可信度，可采取以下方法:用10个相同结构、相同样本、相同收敛要求的BP神经网络，在不同时刻，随机产生不同的初始化连接权值和阈值进行网络训练，得到不同权值和阈值的十个神经网络并存储起来，当实时数据输入后，得到相应的十个网络结果输出。利用输出结果的标准差进行概率密度分析，标准差值越小，则网络输出的一致性较高，可信度也较高;相反则网络的一致性较差，可信度较低。可信度满足:cf=1－2σ，式中cf表示结论可信度，σ表示神经网络输出的标准差。

3 专家系统的不确定性推理

不确定性推理方法主要有基于概率论和基于可信度的不确定性推理。基于概率论的不确定性推理需要对大量的故障样本进行统计分析以获取证据和结论的不确定性测度。在卫星故障诊断过程中，由于卫星本身发生故障的概率较小，而且故障的历史数据也较少，所以利用基于概率论的不确定性推理很难应用在实际工程中。而基于可信度的不确定性推理则是建立在领域专家的知识基础上，它充分考虑到了领域专家知识的经验性，从而避免了对大样本的需求。设可信度CF(H，E)为当证据E出现时，对结论H的支持程度，其公式可表示为［10］:

在基于可信度的不确定性推理中，证据和规则表示为:

式中，E表示一组逻辑前提，H为推理结论，CF (H，E)表示可信度，其取值范围为［－1，1］。当CF (H，E)＞0时，说明证据E可增加结论H为真的程度;当CF(H，E)＜0时，说明证据E可增加结论H为假的程度。由于证据E一般为一组组合逻辑证据，所以在使用组合证据时，还应该遵循以下方法:

1)当组合证据为多个单一证据合取时:

2)当组合证据为多个单一证据析取时:

3)当只有一条规则支持结论，结论可信度为:

4)当有多条规则支持结论时，则结论的可信度可分为如下几种情况分别计算，当多条规则之间是并行的关系，则每一个证据的出现都能推导出结论:

4 应用实例

某卫星电源系统原理如图2所示，系统由太阳电池阵(包括充电阵(SG1)和供电阵(SG2))、30Ah镉镍蓄电池组(Battery)、分流器(SR)、充电控制器(BCC)、放电调节器(BDR)、配电箱(DBU)、载荷(L1，Li)组成。图中系统对负载L1共有3种供电模式:1)光照期间且负载L1耗电小时仅SG2供电; 2)阴影区由蓄电池供电;3)光照期间且负载L1耗电大时SG2和SG1同时供电。

4.1 改进的BP网络应用

建立结构为5－10－4的3层BP神经网络获取卫星故障诊断的诊断结论可信度，神经网络的输入为利用故障监测系统产生征兆数据，输出为对应的故障，征兆与故障的含义及对应关系如表1所示。

图2 某卫星电源系统原理简图

表1 BP神经网络输入输出

随机生成小于1的数值初始化连接权值和阈值，同时保证10个神经网络的初始化连接权值和阈值互不相同，10个网络设置相同的收敛条件后进行网络训练，得到训练好的10个神经网络。现有1组故障数据，输入10个神经网络后得到诊断结论，如表2所示。

计算标准差并得到诊断结论的可信度如下:

可以看出，发生了F01，F02和F04故障，可信度分别为0.931，0.904和0.946;未发生F03故障，未发生故障的可信度为0.975。

表2 诊断结论输出结果

4.2 专家系统不确定推理应用

基于可信度的不确定性推理征兆及规则见表3，其中F0*的含义与表1一致。现有与4.1节相同的一组故障数据，E=E1∧E2∧¬E3∧¬E4∧E5，利用第3节中公式推理得到的诊断结果见表3。

表3 基于可信度推理的征兆、规则及诊断结果

4.3 综合评判

对卫星遥测数据的同一组故障，如前两节所述分别采用基于可信度的专家系统M1和改进的BP神经网络诊断M2进行诊断，可得到单诊断组件诊断结果(F01，F02，F03，F04)的可能性分布矩阵;根据原有诊断经验和专家对诊断方法的信任度，得出上述单诊断方式的信任度矩阵，分别记为R和C。其中M1根据4.1节中计算的cfF值得到，M2根据表3中诊断结果得到。

采用代数积与代数和模糊算子对作为合成运算规则，以得到综合评判结果，计算结果如下:b1≈0.72，b2≈0.68，b3≈0.03，b4≈0.96，进而得到的诊断结果可能性分布向量为:

由诊断结果可以看出，通过综合评判区分开了F01和F04故障，F01和F02发生的可能性较小，而故障F04由于两种方法的诊断一致性被加强了，实际诊断经验验证了诊断结果的正确性。

5 结论

通过对多个改进的BP神经网络输出的标准差的计算，提高了神经网络方法诊断的精确度并能够获得诊断结果的可信度。专家系统采用基于可信度的不确定性推理更好地利用了专家知识，推理结果更加符合实际情况。最终的诊断结果由基于模糊综合评判的两种方法结果融合给出，增加了诊断结果的准确性和可信度。本方法在卫星电源系统中的应用表明:融合诊断达到了优势互补的目的，能够克服单个诊断方法的局限性。

［1］ 姚德臣，杨建伟，殷玉枫，蔡国强.基于多方法融合的铁路轴承故障诊断［J］.机械设计与研究，2010，26 (3):70-73.(YAO De-chen，YANG Jian-wei，YIN Yufeng，CAI Guo-qiang.Fault Diagnosis of Railway Bearing Based on Muti-method Fusion Techniques［J］.Machine Design＆Research，2010，26(3):70-73.)

［2］ 杨廷方，李景禄，曾祥君，周力行.基于多方法组合诊断模型的大型变压器故障诊断［J］.电力系统自动化，2009，33(20):92-96.(YANG Tingfang，LI Jinglu，ZENG Xiangjun，ZHOU Lixing.Large Power Transformer Fault Diagnosis Based on a Diagnosis Model Combined with Several Methods［J］.Automation of Electric Power Systems，2009，33(20):92-96.)

［3］ 张荣沂.基于神经网络的智能故障诊断技术［J］.自动化技术与应用，2003，22(2):15-17.(ZHANG Rongyi.Inteiligent Fault Diagnosis Technology Based on Neural Networks［J］.Techniques of Automation and Applications，2003，22(2):15-17.)

［4］ Cheng shu，Gao qinhe，Yu junjun.Expert System of Fault Diagnosis Based on the Neural Network and Regulatons［C］.IEEE Proceedings of the 3rdWorld Congress On Intelligent Control and Automation，2000，28(2):329.

［5］ Wang Zhenyuan，Liu Yilu，J Paul.Griffin.A Combined Ann and Eexpert System Tool for Ttransformer Fault Diagnosis［J］.IEEE Trans on Power Delivery，1998，13 (4):1224-1229.

［6］ 宋政吉.航天器分布式融合诊断的理论与技术研究［D］.哈尔滨工业大学博士学位论文，2003.

［7］ 李季，严东超，赵虎城.基于动量因子技术的BP神经网络改进算法及应用［J］.电气应用，2005，24(6): 42-44.(LI Ji，YAN Dongchao，ZHAO Hucheng.An Momentum BP Neural Network Algorithm and Application［J］.Electrotechnical Journal，2005，24(6):42-44.)

［8］ 杨安华，彭清娥，刘光中.BP算法固定学习率不收敛原因分析及对策［J］.系统工程理论与实践，2002，12 (12):22-25.(YANG Anhua，PENG Qinge，LIU Guangzhong.Analysis of Divergence of BP Algorithm with Fixed Learning Rate and the Countermeasure［J］.Systems Engineering-theory＆Practice，2002，12(12):22-25.)

［9］ 回敬，律方成.将具有可信度的BP神经网络应用于变压器故障诊断［J］.电力科学与工程，2010，26 (2):9-12.(HUI Jing，LV Fangcheng.Application of BP ANN with Credence for Transformer Fault Diagnosis［J］.Electric Power Science and Engineering，2010，26 (2):9-12.)

［10］ 卞世晖.专家系统中不确定性推理的研究与应用［D］.安徽大学硕士学位论文，2010，4.