基于BP神经网络的武器装备电气系统故障诊断方法研究

丰少伟 梁远华 邵成明

（海军工程大学科研部1） 武汉 430033） （海军工程大学兵器工程系2） 武汉 430033） （中国人民解放军海军91492部队3） 青岛 266000）

0 引 言

随着现代科学技术的不断发展，大量高新武器装备部队，这些武器装备技术复杂，战技术性能优越，具有良好的精确打击能力，但同时也给部队技术人员的武器装备保障能力提出了更高的要求.在日益复杂的高新武器装备结构中，电气系统所占的比重越来越大，根据部队技术人员统计，在整个武器装备系统发生的故障中，电气系统故障占了较大比例.因此，如何对电气系统进行快速准确的故障诊断，对提高武器装备的战斗力具有非常重要的现实意义.

武器装备电气系统具有非线性特性［1］，而BP神经网路具有较强的处理非线性、自组织性、并行性和自学习的能力，因此BP 神经网络在非线性故障诊断方面具有很大的优势［2－3］.本文通过将BP神经网络应用于武器装备电气系统的故障诊断，能够极大地提高故障诊断的效率.

1 BP神经网络的故障诊断模型

故障诊断其实就是一个模式分类与识别的问题，而BP神经网络进行故障诊断就是利用网络的相似性、联想能力和通过学习不断调整权值与域值来实现的.

应用神经网络进行故障诊断一般建立输入层、隐层和输出层3层网络.以故障征兆作为网络输入，诊断结果作为网络输出.故障诊断前，首先利用已知的故障征兆和诊断结果对网络进行学习训练，通过不断修改权值和域值使得网络记忆故障征兆与诊断结果之间的关系；故障诊断时，利用已经学习训练好的网络，通过输入一个新的反映系统状态的故障征兆，得到相应的诊断结果.

2 装备电气系统故障诊断实例

以某型号鱼雷武器装备接收机系统为例，介绍BP神经网络在装备电气系统故障诊断中的应用［4］.

2.1 BP网络诊断模型设计

建立接收机故障征兆集X＝｛x1，x2，x3，x4，x5，x6｝和故障原因集Y＝｛y1，y2，y3，y4，y5｝.式中：x1为左陷波点电压异常；x2为右陷波点电压异常；x3为左右陷波点电压差异常；x4为噪声门陷波器频率异常；x5为多普勒门限值异常；x6为噪声门限值异常；y1为左陷波器故障；y2为右陷波器故障；y3为噪声门电路故障；y4为多普勒门限电路故障；y5为噪声门限电路故障.

图1 接收机系统BP神经网络结构

2.2 故障特征提取与样本预处理

鱼雷自动测试系统按照测试规程完成接收机系统相应项目测试之后，需要对原始测试参数进行预处理，得到对应于故障征兆的模糊信度.这里通过定义模糊信度函数来实现原始数据的模糊化预处理.故障征兆x的信度函数α（x）的分布见图2.

图2 起始库所信度函数分布

α（x）的表达式为

式中：x0为参数的标准值；x 为参数的实测值；e为参数的正常变化范围，即容差；δ为参数的极限偏差；γ为修正系数.为处理问题方便并结合实际情况，在故障诊断实例中取γ＝1，e＝0，δ＝x0.

经过对原始数据的模糊预处理，得到反映所有故障特征的训练样本.训练样本见表1.

表1 训练样本

3 网络训练与诊断结果分析

BP神经网络训练时，网络接受样本的方式对训练结果有一定影响.传统的方式是学习一个样本，调整一次权值和域值，此时不考虑误差要求，而是学习其他的样本，待所有样本都被学习一次后，再考虑误差要求，不断重复这个过程，直到网络同时满足所有样本的误差要求.这种接受样本的顺序对训练的结果有较大的影响，较后的样本误差更小.因此本文为了消除样本顺序的影响，对所有样本同时学习，再将各样本学习后的修正量求取总和，最后对权值和域值进行调整.

设定BP 算法学习速率η＝0.05，学习误差ε＝0.0001，采用表1 的训练样本对网络进行学习，当训练到418次时得到满足要求的结果.从训练样本中取序号为5的样本作为检验样本，输入已训练好的网络，得到实际输出为（－0.0012，0.0031，0.0011，0.9947，－0.0008），根据2.1公式计算该样本误差为Ep＝2.05×10－5，满足误差要求，由此可知故障诊断结果与实际故障原因相一致.当进行实际故障诊断时，由测试系统得到接收机的测试数据，经过3.2节的模糊化预处理后得到（0.0058，－0.0022，0.0036，0.9127，0.0431，0.0121），将其输入神经网络，得到诊断结果为（0.0024，0.0037，0.9794，－0.0462，0.0026），由此可判断噪声门电路故障，而这与实际故障结果是一致的.因此诊断结果具有较好的准确性和可靠性.可见BP 神经网络在对接收机系统进行故障诊断时，不仅有较强的学习能力，而且有一定的泛化能力.

4 结束语

由于武器装备电气系统的非线性特点，采用传统方法进行诊断比较困难.本文利用BP 神经网络具有高度非线性、容错性、鲁棒性、自联想自学习和自适应的优点，成功将其应用于武器装备电气系统的故障诊断，能极大地提高诊断效率.但该方法也存在训练样本获取困难、网络学习没有确定模式，不能解释推理过程和推理结果等问题［6］，需要在以后做进一步的研究.

［1］王新军，蔡艳平，成 曙.故障诊断技术在武器装备维修中的应用研究［J］.中国修船，2006，19（S1）：23－27.

［2］张绪锦，谭剑波，韩江洪.基于BP神经网络的故障诊断方法［J］.系统工程理论与实践，2002，6（6）：61－66.

［3］谢正喜，廖学兵，赵海燕，等.BP神经网络在自行火炮电启动系统故障诊断中的应用［J］.移动电源与车辆，2007（4）：29－31.

［4］朱大奇.电子设备故障诊断原理与实践［M］.北京：电子工业出版社，2004.

［5］王 雪.测试智能信息处理［M］.北京：清华大学出版社，2008.

［6］王仲生.智能故障诊断与容错控制［M］.西安：西北工业大学出版社，2007.