基于GRNN神经网络的ADS?B系统故障率预测

胡水镜

摘 要： 为指导制定ADS?B系统的维护策略，提高系统完好率，提出一种利用GRNN神经网络对故障率进行预测的方法。利用总使用时间、维护质量、环境温度和环境湿度的特征数据作为输入向量，故障率为输出向量，建立GRNN神经网络故障预测模型。仿真实例表明，GRNN神经网络预测模型具有较高的预测精度、稳定的网络以及较快的收敛速度，预测结果可为科学制定维护策略提供帮助。

关键词： ADS?B系统； GRNN神经网络； 故障率预测； 故障预测模型

中图分类号： TN965.6?34； V240.2 文献标识码： A 文章编号： 1004?373X（2014）15?0107?03

ADS?B system′s failure rate prediction based on GRNN neural network

HU Shui?jing

（Civil Aviation Flight University of China， Guanghan 618307， China）

Abstract： In order to instruct the formulation of maintenance policy for ADS?B system and improve the system availability， a method to predict the failure rate by the aid of GRNN neural network is put forward in this paper. A GRNN neural network failure rate prediction model was established by taking the characteristic data of total working time， environment temperature， environment humidity and maintain quality as input vector， and the failure rate as output vector. The simulation example shows that the prediction model has the advantages of high?accuracy prediction， stable network and quick convergence， and the predicted results can provide a help for formulation of the scientific maintenance policy.

Keywords： ADS?B system； GRNN neural network； failure rate prediction； failure prediction model

0 引 言

广播式自动相关监视系统（Automatic Dependent Surveillance?Broadcast，ADS?B）是利用全球卫星定位系统及机载设备产生自身状态数据，以地空/空空数据链为通信手段的一种飞机运行监视技术。ADS?B系统可实现空地飞机的实时跟踪定位和相互感知，达到自动监控和预警，避免飞机危险接近，可有效缩小飞机之间的间隔并提高运行安全水平[1]。ADS?B系统作为空管领域的一项新技术，在中国民航飞行学院得到了全面应用，替代了地面塔台管制员靠陆空对话确定飞机的位置和高度，利用“摆棋子”、目视以及记忆等指挥飞机的传统方式，虽然大大提高了飞行训练数量和质量，但造成了空管指挥对ADS?B系统的高度依赖性，一旦该系统发生故障，将会影响飞行训练的正常运行，甚至危及飞行安全。因此，研究如何提高ADS?B系统的完好率，是当前设备维护人员亟待解决的新课题。

ADS?B系统故障率的准确预测，将对指导制定维护策略，提高完好率具有重要意义。人工神经网络具有强大的非线性映射能力，处理复杂性和多变性问题具有较大的优势，在故障率预测方面得到了广泛的应用。然而，ADS?B系统是一种新兴技术，目前尚未发现针对其故障率进行预测的相关研究报道[2?5]。为此，本文提出一种基于广义回归神经网络（Generalized Regression Neural Network，GRNN），利用故障率影响因素的特征数据，对ADS?B系统故障率进行预测的方法。

1 GRNN神经网络模型

GRNN是径向基神经网络模型的一种，具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适用于解决非线性问题[6]。GRNN的结构如图1所示，由输入层、模式层、求和层和输出层四层构成。对应网络输入[X=[x1，x2，…，xn]T，]其输出为[Y=[y1，y2，…，yn]T。]

1.1 输入层

输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布元，直接将输入变量传递给模式层。

图1 GRNN神经网络结构

1.2 模式层

模式层神经元数目等于学习样本的数目[n，]各神经元对应不同的样本，模式层神经元传递函数为：

[pi=exp-（X-Xi）T?（X-Xi）（2σ2）， i=1，2，…，n]

神经元[i]的输出为输入变量与其对应的样本[X]之间Euclid距离平方的指数平方[D2i=（X-Xi）T（X-Xi）]的指数形式。其中：[X]为网络输入变量；[Xi]为第[i]个神经元对应的学习样本。

1.3 求和层

求和层中使用两种类型神经元进行求和：

（1） 计算公式为[i=1nexp-（X-Xi）T（X-Xi）（2σ2），]它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：

[SD=i=1nPi]

（2） 计算公式为[i=1nYiexp-（X-Xi）T（X-Xi）（2σ2），]它对所有模式层的神经元进行加权求和，模式层中第[i]个神经元与求和层中第[j]个分子求和神经元之间的连接权值为第[i]个输出样本[Yi]中的第[j]个元素，传递函数为：

[SNj=i=1nyijPi， j=1，2，…，k]

1.4 输出层

输出层中的神经元数目等于学习样本中输出向量的维数[k]，各神经元将求和层的输出相除，神经元[j]的输出对应估计结果[Y（X）]的第[j]个元素，即：

[yj=SNjSD， j=1，2，…，k]

2 ADS?B系统故障率预测建模

ADS?B是由导航数据定位系统、机载设备和地面接收处理显示系统组成的复杂系统，可分为硬件部分和软件部件，其中硬件部分包括GBT/GPS天馈线、GBT设备、路由器、交换机、基站服务器、光配线架、传输网络、客户端以及设备电源，软件部分包括数据库管理软件、应用软件和安全软件。据ADS?B系统的维护数据统计分析得出，故障主要发生在硬件部分，而引起硬件部分故障的因素广泛地存在于设计、制造、使用和维护的全过程，但ADS?B系统使用单位，往往只能关注运行（使用、维护）环节中的因素。为此，本文从ADS?B系统运行的角度，分析引起硬件部分故障的因素，提取故障率影响因素的特征数据，建立故障率预测模型。

2.1 故障率影响因素分析

影响ADS?B系统故障率的主要因素有：

（1） 总使用时间。ADS?B系统中硬件的自然损耗将引起的各种元器件、板件、接口电路、电缆接口松动以及系统性能衰减等， 是诱发各类故障的重要因素之一。由于ADS?B系统中硬件的自然损耗一般与总使用时间成正比，因此可将总使用时间作为影响故障率的主要因素。

（2） 维护质量。ADS?B系统运行中，需要进行日常的保养（外表清洁以及内部除尘等）、定期的维护（周、月以及年维护等）以及故障维修。上述维护作业的内容、时间间隔以及维护人员技术水平等因素所决定的维护质量，直接影响ADS?B系统影响故障率，因此可将维护质量作为影响故障率的主要因素。

（3） 环境温度。环境温度交替变化，ADS?B系统硬件将产生热应力和应变，引起钎焊接触电阻增大、印刷电路板上电镀通孔开裂以及接头松驰等故障。环境温度过高，ADS?B系统硬件将产生过热现象，引起零件粘接、电子电路稳定性变差、有机材料开裂以及断电器接通/断开范围变化等故障。在高于室内环境温度（20～25 ℃）条件下，故障率近似以指数规律随温度的升高而增加。环境温度过低，ADS?B系统硬件将产生物质收缩、流动性降低以及凝结交硬，引起材料发硬变脆、零件相互咬死、电子元件性能变差以及变压器性能变化等故障。综上分析可知，环境温度对ADS?B系统的故障率影响显著，可作为影响故障率的主要因素。

（4） 环境湿度。潮湿环境会引起ADS?B系统硬件发生外观、物理、化学以及电性能方面的劣化，引起表面吸收、毛细凝露以及松散材料扩散等故障。特别是空气中存在各种大气污染物质时，将加剧潮湿环境对故障的影响，如某些易吸收水分的尘埃将增加电子元件表面凝露和水气吸收，加剧表面绝缘性能下降和霉菌的生成而影响电阻值等。因此，环境湿度越大，ADS?B系统的故障率越高，环境湿度可作为影响故障率的主要因素。

2.2 故障率影响因素的特征数据

根据影响因素中各特征对ADS?B系统故障率影响程度的大小，设定不同影响因子作为特征数据，见表1。

表1 故障率影响因素的特征数据

[影响因素＼&程度＼&特征数据＼&总工作时间＼&小时＼&1，2，…＼&＼&维护质量＼&优＼&0.9＼&良＼&0.8＼&中＼&0.7＼&＼&环境温度 /℃＼&16～30＼&1＼&0～15＼&0.8＼&<0＼&0.7＼&>30＼&0.6＼&＼&环境湿度 /%＼&<20＼&0.9＼&20～80＼&0.7＼&>80＼&0.5＼&]

2.3 故障率预测建模

ADS?B系统故障率预测模型的输入向量为故障率影响因素的特征数据：总使用时间（1，2，…），维护质量影响因子（0.95，0.8，0.7），环境温度影响因子（1，0.8，0.6，0.4），环境湿度影响因子（0.9，0.7，0.5）。故障率预测模型的输出向量为ADS?B系统的千时故障率即每1 000 h发生的故障次数。基于Matlab平台，编程建立一个GRNN神经网络，采用交叉验证方法训练网络，利用已训练好的网络对ADS?B系统故障率进行预测[7]。

3 仿真实例

以中国民航飞行学院的ADS?B系统为例，根据5个机场的实际运行情况，分析选取了40组样本作为故障率预测模型的训练数据，部分训练数据见表2。

表2 训练样本数据（部分）

[工作时间 /h＼&维护质量＼&环境温度＼&环境湿度＼&千时故障率＼&5 000＼&0.9＼&1＼&0.9＼&0.526＼&10 000＼&0.9＼&0.8＼&0.7＼&0.816＼&10 000＼&0.7＼&0.8＼&0.7＼&1.042＼&15 000＼&0.7＼&1＼&0.7＼&1.355＼&20 000＼&0.8＼&0.7＼&0.5＼&1.462＼&20 000＼&0.7＼&0.6＼&0.9＼&1.402＼&25 000＼&0.9＼&0.8＼&0.9＼&1.655＼&30 000＼&0.7＼&0.6＼&0.5＼&2.651＼&30 000＼&0.8＼&1＼&0.7＼&2.275＼&35 000＼&0.8＼&0.7＼&0.9＼&3.322＼&40 000＼&0.7＼&0.7＼&0.7＼&4.056＼&40 000＼&0.8＼&1＼&0.9＼&3.759＼&]

GRNN神经网络模型中，光滑因子对预测性能影响较大。光滑因子越大，网络对样本数据的逼近过程越光滑，但逼近误差较大；光滑因子越小，网络对样本数据的逼近性越好，但逼近过程越不光滑，还可能出现过拟后现象。为选取最佳的光滑因子，本文采用交叉验证方法，确定光滑因子为0.4。根据表2中的样本数据对神经网络进行训练，将4组测试数据输入训练好的神经网络，结果见表3。

由表3可得出，以总使用时间、维护质量、环境温度、环境湿度的特征数据为输入向量，利用GRNN神经网络对ADS?B系统故障率进行预测，预测相对误差在-4%～4%以内，具有较高的预测精度。

4 结 语

将影响ADS?B系统故障率的因素设定合理的特征数据，以这些特征数据作为输入向量，每1 000 h发生故障的数量作为输出向量，利用GRNN神经网络建立预测模型，可获得较高的预测精度、稳定的训练过程以及较快的收敛速度。ADS?B系统故障率的预测结果，可为科学制定维护策略，提高系统的完好率提供帮助。

参考文献

[1] 李敏，王帮峰，丁萌.ADS?B在机场场面监视中的应用研究[J].中国民航飞行学院学报，2014，25（1）：11?14.

[2] 杨婷，杨根科，潘常春.基于BP神经网络的汽车故障率预测[J].计算机仿真，2009，26（1）：267?270.

[3] 李瑞莹，康锐.基于神经网络的故障率预测方法[J].航空学报，2008，29（2）：357?363.

[4] 李瑞莹，康锐.基于ARMA的故障率预测方法[J].系统工程与电子技术，2008，30（8）：1588?1591.

[5] 郭斌，孟令启，杜勇，等.基于GRNN神经网络的中厚板轧机厚度预测[J].中南大学学报，2011，42（4）：960?965.

[6] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2010.

[7] 王小川，史峰，郁磊，等.Matlab神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.

1.3 求和层

求和层中使用两种类型神经元进行求和：

（1） 计算公式为[i=1nexp-（X-Xi）T（X-Xi）（2σ2），]它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：

[SD=i=1nPi]

（2） 计算公式为[i=1nYiexp-（X-Xi）T（X-Xi）（2σ2），]它对所有模式层的神经元进行加权求和，模式层中第[i]个神经元与求和层中第[j]个分子求和神经元之间的连接权值为第[i]个输出样本[Yi]中的第[j]个元素，传递函数为：

[SNj=i=1nyijPi， j=1，2，…，k]

1.4 输出层

输出层中的神经元数目等于学习样本中输出向量的维数[k]，各神经元将求和层的输出相除，神经元[j]的输出对应估计结果[Y（X）]的第[j]个元素，即：

[yj=SNjSD， j=1，2，…，k]

2 ADS?B系统故障率预测建模

ADS?B是由导航数据定位系统、机载设备和地面接收处理显示系统组成的复杂系统，可分为硬件部分和软件部件，其中硬件部分包括GBT/GPS天馈线、GBT设备、路由器、交换机、基站服务器、光配线架、传输网络、客户端以及设备电源，软件部分包括数据库管理软件、应用软件和安全软件。据ADS?B系统的维护数据统计分析得出，故障主要发生在硬件部分，而引起硬件部分故障的因素广泛地存在于设计、制造、使用和维护的全过程，但ADS?B系统使用单位，往往只能关注运行（使用、维护）环节中的因素。为此，本文从ADS?B系统运行的角度，分析引起硬件部分故障的因素，提取故障率影响因素的特征数据，建立故障率预测模型。

2.1 故障率影响因素分析

影响ADS?B系统故障率的主要因素有：

（1） 总使用时间。ADS?B系统中硬件的自然损耗将引起的各种元器件、板件、接口电路、电缆接口松动以及系统性能衰减等， 是诱发各类故障的重要因素之一。由于ADS?B系统中硬件的自然损耗一般与总使用时间成正比，因此可将总使用时间作为影响故障率的主要因素。

（2） 维护质量。ADS?B系统运行中，需要进行日常的保养（外表清洁以及内部除尘等）、定期的维护（周、月以及年维护等）以及故障维修。上述维护作业的内容、时间间隔以及维护人员技术水平等因素所决定的维护质量，直接影响ADS?B系统影响故障率，因此可将维护质量作为影响故障率的主要因素。

（3） 环境温度。环境温度交替变化，ADS?B系统硬件将产生热应力和应变，引起钎焊接触电阻增大、印刷电路板上电镀通孔开裂以及接头松驰等故障。环境温度过高，ADS?B系统硬件将产生过热现象，引起零件粘接、电子电路稳定性变差、有机材料开裂以及断电器接通/断开范围变化等故障。在高于室内环境温度（20～25 ℃）条件下，故障率近似以指数规律随温度的升高而增加。环境温度过低，ADS?B系统硬件将产生物质收缩、流动性降低以及凝结交硬，引起材料发硬变脆、零件相互咬死、电子元件性能变差以及变压器性能变化等故障。综上分析可知，环境温度对ADS?B系统的故障率影响显著，可作为影响故障率的主要因素。

（4） 环境湿度。潮湿环境会引起ADS?B系统硬件发生外观、物理、化学以及电性能方面的劣化，引起表面吸收、毛细凝露以及松散材料扩散等故障。特别是空气中存在各种大气污染物质时，将加剧潮湿环境对故障的影响，如某些易吸收水分的尘埃将增加电子元件表面凝露和水气吸收，加剧表面绝缘性能下降和霉菌的生成而影响电阻值等。因此，环境湿度越大，ADS?B系统的故障率越高，环境湿度可作为影响故障率的主要因素。

2.2 故障率影响因素的特征数据

根据影响因素中各特征对ADS?B系统故障率影响程度的大小，设定不同影响因子作为特征数据，见表1。

表1 故障率影响因素的特征数据

[影响因素＼&程度＼&特征数据＼&总工作时间＼&小时＼&1，2，…＼&＼&维护质量＼&优＼&0.9＼&良＼&0.8＼&中＼&0.7＼&＼&环境温度 /℃＼&16～30＼&1＼&0～15＼&0.8＼&<0＼&0.7＼&>30＼&0.6＼&＼&环境湿度 /%＼&<20＼&0.9＼&20～80＼&0.7＼&>80＼&0.5＼&]

2.3 故障率预测建模

ADS?B系统故障率预测模型的输入向量为故障率影响因素的特征数据：总使用时间（1，2，…），维护质量影响因子（0.95，0.8，0.7），环境温度影响因子（1，0.8，0.6，0.4），环境湿度影响因子（0.9，0.7，0.5）。故障率预测模型的输出向量为ADS?B系统的千时故障率即每1 000 h发生的故障次数。基于Matlab平台，编程建立一个GRNN神经网络，采用交叉验证方法训练网络，利用已训练好的网络对ADS?B系统故障率进行预测[7]。

3 仿真实例

以中国民航飞行学院的ADS?B系统为例，根据5个机场的实际运行情况，分析选取了40组样本作为故障率预测模型的训练数据，部分训练数据见表2。

表2 训练样本数据（部分）

[工作时间 /h＼&维护质量＼&环境温度＼&环境湿度＼&千时故障率＼&5 000＼&0.9＼&1＼&0.9＼&0.526＼&10 000＼&0.9＼&0.8＼&0.7＼&0.816＼&10 000＼&0.7＼&0.8＼&0.7＼&1.042＼&15 000＼&0.7＼&1＼&0.7＼&1.355＼&20 000＼&0.8＼&0.7＼&0.5＼&1.462＼&20 000＼&0.7＼&0.6＼&0.9＼&1.402＼&25 000＼&0.9＼&0.8＼&0.9＼&1.655＼&30 000＼&0.7＼&0.6＼&0.5＼&2.651＼&30 000＼&0.8＼&1＼&0.7＼&2.275＼&35 000＼&0.8＼&0.7＼&0.9＼&3.322＼&40 000＼&0.7＼&0.7＼&0.7＼&4.056＼&40 000＼&0.8＼&1＼&0.9＼&3.759＼&]

GRNN神经网络模型中，光滑因子对预测性能影响较大。光滑因子越大，网络对样本数据的逼近过程越光滑，但逼近误差较大；光滑因子越小，网络对样本数据的逼近性越好，但逼近过程越不光滑，还可能出现过拟后现象。为选取最佳的光滑因子，本文采用交叉验证方法，确定光滑因子为0.4。根据表2中的样本数据对神经网络进行训练，将4组测试数据输入训练好的神经网络，结果见表3。

由表3可得出，以总使用时间、维护质量、环境温度、环境湿度的特征数据为输入向量，利用GRNN神经网络对ADS?B系统故障率进行预测，预测相对误差在-4%～4%以内，具有较高的预测精度。

4 结 语

将影响ADS?B系统故障率的因素设定合理的特征数据，以这些特征数据作为输入向量，每1 000 h发生故障的数量作为输出向量，利用GRNN神经网络建立预测模型，可获得较高的预测精度、稳定的训练过程以及较快的收敛速度。ADS?B系统故障率的预测结果，可为科学制定维护策略，提高系统的完好率提供帮助。

参考文献

[1] 李敏，王帮峰，丁萌.ADS?B在机场场面监视中的应用研究[J].中国民航飞行学院学报，2014，25（1）：11?14.

[2] 杨婷，杨根科，潘常春.基于BP神经网络的汽车故障率预测[J].计算机仿真，2009，26（1）：267?270.

[3] 李瑞莹，康锐.基于神经网络的故障率预测方法[J].航空学报，2008，29（2）：357?363.

[4] 李瑞莹，康锐.基于ARMA的故障率预测方法[J].系统工程与电子技术，2008，30（8）：1588?1591.

[5] 郭斌，孟令启，杜勇，等.基于GRNN神经网络的中厚板轧机厚度预测[J].中南大学学报，2011，42（4）：960?965.

[6] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2010.

[7] 王小川，史峰，郁磊，等.Matlab神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.

1.3 求和层

求和层中使用两种类型神经元进行求和：

（1） 计算公式为[i=1nexp-（X-Xi）T（X-Xi）（2σ2），]它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：

[SD=i=1nPi]

（2） 计算公式为[i=1nYiexp-（X-Xi）T（X-Xi）（2σ2），]它对所有模式层的神经元进行加权求和，模式层中第[i]个神经元与求和层中第[j]个分子求和神经元之间的连接权值为第[i]个输出样本[Yi]中的第[j]个元素，传递函数为：

[SNj=i=1nyijPi， j=1，2，…，k]

1.4 输出层

输出层中的神经元数目等于学习样本中输出向量的维数[k]，各神经元将求和层的输出相除，神经元[j]的输出对应估计结果[Y（X）]的第[j]个元素，即：

[yj=SNjSD， j=1，2，…，k]

2 ADS?B系统故障率预测建模

ADS?B是由导航数据定位系统、机载设备和地面接收处理显示系统组成的复杂系统，可分为硬件部分和软件部件，其中硬件部分包括GBT/GPS天馈线、GBT设备、路由器、交换机、基站服务器、光配线架、传输网络、客户端以及设备电源，软件部分包括数据库管理软件、应用软件和安全软件。据ADS?B系统的维护数据统计分析得出，故障主要发生在硬件部分，而引起硬件部分故障的因素广泛地存在于设计、制造、使用和维护的全过程，但ADS?B系统使用单位，往往只能关注运行（使用、维护）环节中的因素。为此，本文从ADS?B系统运行的角度，分析引起硬件部分故障的因素，提取故障率影响因素的特征数据，建立故障率预测模型。

2.1 故障率影响因素分析

影响ADS?B系统故障率的主要因素有：

（1） 总使用时间。ADS?B系统中硬件的自然损耗将引起的各种元器件、板件、接口电路、电缆接口松动以及系统性能衰减等， 是诱发各类故障的重要因素之一。由于ADS?B系统中硬件的自然损耗一般与总使用时间成正比，因此可将总使用时间作为影响故障率的主要因素。

（2） 维护质量。ADS?B系统运行中，需要进行日常的保养（外表清洁以及内部除尘等）、定期的维护（周、月以及年维护等）以及故障维修。上述维护作业的内容、时间间隔以及维护人员技术水平等因素所决定的维护质量，直接影响ADS?B系统影响故障率，因此可将维护质量作为影响故障率的主要因素。

（3） 环境温度。环境温度交替变化，ADS?B系统硬件将产生热应力和应变，引起钎焊接触电阻增大、印刷电路板上电镀通孔开裂以及接头松驰等故障。环境温度过高，ADS?B系统硬件将产生过热现象，引起零件粘接、电子电路稳定性变差、有机材料开裂以及断电器接通/断开范围变化等故障。在高于室内环境温度（20～25 ℃）条件下，故障率近似以指数规律随温度的升高而增加。环境温度过低，ADS?B系统硬件将产生物质收缩、流动性降低以及凝结交硬，引起材料发硬变脆、零件相互咬死、电子元件性能变差以及变压器性能变化等故障。综上分析可知，环境温度对ADS?B系统的故障率影响显著，可作为影响故障率的主要因素。

（4） 环境湿度。潮湿环境会引起ADS?B系统硬件发生外观、物理、化学以及电性能方面的劣化，引起表面吸收、毛细凝露以及松散材料扩散等故障。特别是空气中存在各种大气污染物质时，将加剧潮湿环境对故障的影响，如某些易吸收水分的尘埃将增加电子元件表面凝露和水气吸收，加剧表面绝缘性能下降和霉菌的生成而影响电阻值等。因此，环境湿度越大，ADS?B系统的故障率越高，环境湿度可作为影响故障率的主要因素。

2.2 故障率影响因素的特征数据

根据影响因素中各特征对ADS?B系统故障率影响程度的大小，设定不同影响因子作为特征数据，见表1。

表1 故障率影响因素的特征数据

[影响因素＼&程度＼&特征数据＼&总工作时间＼&小时＼&1，2，…＼&＼&维护质量＼&优＼&0.9＼&良＼&0.8＼&中＼&0.7＼&＼&环境温度 /℃＼&16～30＼&1＼&0～15＼&0.8＼&<0＼&0.7＼&>30＼&0.6＼&＼&环境湿度 /%＼&<20＼&0.9＼&20～80＼&0.7＼&>80＼&0.5＼&]

2.3 故障率预测建模

ADS?B系统故障率预测模型的输入向量为故障率影响因素的特征数据：总使用时间（1，2，…），维护质量影响因子（0.95，0.8，0.7），环境温度影响因子（1，0.8，0.6，0.4），环境湿度影响因子（0.9，0.7，0.5）。故障率预测模型的输出向量为ADS?B系统的千时故障率即每1 000 h发生的故障次数。基于Matlab平台，编程建立一个GRNN神经网络，采用交叉验证方法训练网络，利用已训练好的网络对ADS?B系统故障率进行预测[7]。

3 仿真实例

以中国民航飞行学院的ADS?B系统为例，根据5个机场的实际运行情况，分析选取了40组样本作为故障率预测模型的训练数据，部分训练数据见表2。

表2 训练样本数据（部分）

[工作时间 /h＼&维护质量＼&环境温度＼&环境湿度＼&千时故障率＼&5 000＼&0.9＼&1＼&0.9＼&0.526＼&10 000＼&0.9＼&0.8＼&0.7＼&0.816＼&10 000＼&0.7＼&0.8＼&0.7＼&1.042＼&15 000＼&0.7＼&1＼&0.7＼&1.355＼&20 000＼&0.8＼&0.7＼&0.5＼&1.462＼&20 000＼&0.7＼&0.6＼&0.9＼&1.402＼&25 000＼&0.9＼&0.8＼&0.9＼&1.655＼&30 000＼&0.7＼&0.6＼&0.5＼&2.651＼&30 000＼&0.8＼&1＼&0.7＼&2.275＼&35 000＼&0.8＼&0.7＼&0.9＼&3.322＼&40 000＼&0.7＼&0.7＼&0.7＼&4.056＼&40 000＼&0.8＼&1＼&0.9＼&3.759＼&]

GRNN神经网络模型中，光滑因子对预测性能影响较大。光滑因子越大，网络对样本数据的逼近过程越光滑，但逼近误差较大；光滑因子越小，网络对样本数据的逼近性越好，但逼近过程越不光滑，还可能出现过拟后现象。为选取最佳的光滑因子，本文采用交叉验证方法，确定光滑因子为0.4。根据表2中的样本数据对神经网络进行训练，将4组测试数据输入训练好的神经网络，结果见表3。

由表3可得出，以总使用时间、维护质量、环境温度、环境湿度的特征数据为输入向量，利用GRNN神经网络对ADS?B系统故障率进行预测，预测相对误差在-4%～4%以内，具有较高的预测精度。

4 结 语

将影响ADS?B系统故障率的因素设定合理的特征数据，以这些特征数据作为输入向量，每1 000 h发生故障的数量作为输出向量，利用GRNN神经网络建立预测模型，可获得较高的预测精度、稳定的训练过程以及较快的收敛速度。ADS?B系统故障率的预测结果，可为科学制定维护策略，提高系统的完好率提供帮助。

参考文献

[1] 李敏，王帮峰，丁萌.ADS?B在机场场面监视中的应用研究[J].中国民航飞行学院学报，2014，25（1）：11?14.

[2] 杨婷，杨根科，潘常春.基于BP神经网络的汽车故障率预测[J].计算机仿真，2009，26（1）：267?270.

[3] 李瑞莹，康锐.基于神经网络的故障率预测方法[J].航空学报，2008，29（2）：357?363.

[4] 李瑞莹，康锐.基于ARMA的故障率预测方法[J].系统工程与电子技术，2008，30（8）：1588?1591.

[5] 郭斌，孟令启，杜勇，等.基于GRNN神经网络的中厚板轧机厚度预测[J].中南大学学报，2011，42（4）：960?965.

[6] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2010.

[7] 王小川，史峰，郁磊，等.Matlab神经网络43个案例分析[M].北京：北京航空航天大学出版社，2013.