PNN神经网络在甚高频通信收发机故障诊断中的应用

唐寿根中国民航飞行学院



PNN神经网络在甚高频通信收发机故障诊断中的应用

唐寿根
中国民航飞行学院

摘要：为提高甚高频通信收发机通信失真故障诊断的效率和准确性，提出了一种利用PNN神经网络进故障诊断的方法。利用甚高频通信收发机输出信号中的9个参数作为故障特征输入向量，5类故障模式作为输出向量，建立PNN神经网络故障诊断模型。仿真实例表明，该诊断方法可行、有效，可大大提高诊断效率和准确性。

关键字：甚高频 概率神经网络 故障诊断 航空电子设备

1　引言

甚高频通信收发机是飞机机载通信系统的重要电子设备，主要由通信系统、着陆系统以及全向信标系统组成，实现空地、空空之间的通信联络和导航等功能，对保证飞行安全十分重要。甚高频通信收发机通常采用多电路板集成系统，系统交联程度高，故障诊断十分困难。如何提高故障效率和准确性，一直是维修人员所关注的问题。人工神经网络具有强大的非线性映射能力和并行处理能力，处理复杂性和多变性问题具有较大的优势，在故障诊断和预测等方面得到了大量应用。人工神经网络中，概率神经网络（PNN）是一类结构简单、训练简洁以及善于处理分类问题的人工神经网络。为此，本文提出一种从甚高频通信收发机的输出信号中提取故障特征数据作为输入向量，利用PNN神经网络进行故障诊断的方法，旨在提高故障诊断的效率和准确性。

2　PNN神经网络模型

PNN神经网络是径向基函数网络的一个分支，利用Bayes分类规则和Parzen窗口的概率密度函数估计方法进行分类模式识别，已在各类故障诊断中得到广泛的应用。

2.1 PNN的算法原理

基于Baves理论，设有两种已知的故障模式鼠、如，待诊断的故障特征向量炸0t，x：，．．．z。），

2.2 PNN的网络结构

PNN的网络结构由输入层、模式层、求和层和输出层共四层构成。

1）输入层。输入层接收故障特征向量x，神经元数目等于故障特征向量的维数，各神经元为单输入单输出，传递函数为线性，直接将特征向量传递给模式层。

2）模式层。模式层计算输入特征向量与训练样本中的故障模式的匹配关系，神经元数目等于各个故障模式的训练样本的总数目Ⅳ。

3）求和层。求和层将属于某类故障模式的概率累计并乘以代价因子，从而得到各故障模式的估计概率密度函数。该层的神经元数目等故障模式的数量，每一类故障模式对应一个求和层单元，求和层单元只与属于自己类的模式层单元相加，与模式层的其它单元无连接。求和层单元的输出与各类基于内核的概率密度的估计成比例，通过输出层的归一化处理，得到各类故障模式的概率估计。

4）输出层。输出层主要执行判决功能，它的神经元是一种竞争神经元，每一个神经元分别对应一种故障模式，神经元数目等于故障模式的数量，它接收从求和层输出的各类概率密度函数，概率密度函数最大的神经元输出为1，即所对应的那一类为待识别的样本故障模式，其它神经元输出全为0。

3　PNN神经网络故障诊断方法

3.1故障分析

甚高频通信收发机的故障可分为：显示故障、机件不工作、通信失真、VOR／LOC导航故障、发射故障、GS不工作、旋钮及其它故障。在这些故障中，通信失真故障较为常见，且故障诊断最为困难，故障涉及到从输入到输出电路的所有模块的线路及器件。引起甚高频通信收发机通信失真的原因主要有五种：1）电源故障；2一射频信号处理电路故障；3）中

频电路故障；4）调解电路故障；5）AGC电路故障。按照传统的故障诊断方法，需对上述五种可能的原因逐一进行分析排查，最后才能实现准确的诊断，需耗费大量的时间与精力。

3.2 PNN神经网络故障诊断模型

甚高频通信收发机结构复杂、交联程度高，引起通信失真的故障原因多，不易快速进行故障诊断。为此，可采用PNN神经网络对故障进行诊断。基于已有的维修经验和大量的试验表明，甚高频通信收发机输出信号中的频率、失真度、信噪比、正过冲、负过冲、上升时间、下降时间以及正脉冲宽度负脉冲宽度9种参数可表征大量的故障信息。因此，将上述9种参数作为PNN神经网络的故障特征输入向量，用于通信失真的故障诊断。甚高频通信收发机通信失真的故障模式为：电源故障、射频信号处理电路故障、中频电路故障、调解电路故障、AGC电路故障。为便于孙矾神经网络计算，分别将电源故障、射频信号处理电路故障、中频电路故障、调解电路故障、AGC电路故障设置故障代码为：1、2、3、5，将这些故障代码作为PNN神经网络的输出向量。PNN神经网络的输入层神经元的个数为9，输出层神经元个数为5，模式层和求和层神经元个数由实际训练样本数目确定。

3.3 PNN故障诊断仿真

以某甚高频通信收发机为例，试验获得20组样本作为故障诊断的训练数据。

4　结束语

以甚高频通信收发机输出信号中的9个参数作为故障诊断的特征向量，利用PNN神经网络建立故障诊断模型，经对诊断模型进行训练后，可对故障进行有效的诊断。PNN神经网络诊断方法相对传统诊断方法，不仅可大大提高诊断效率，而且可获得较高的诊断正确率。本文所提出的故障诊断方法，不仅己成功应用于甚高频通信收发机通信失真故障诊断中，而且可为其它航空电子设备故障诊断提供参考借鉴。

参考文献

［1］钱伟，杨江，王海斌甚高频通信收发机典型故障及其排故分析［J］．桂林航天工业学院学报，2014，74（2）：95—98．

［2］郭阳明，冉从宝，姬听禹，等．基于组合优化BP神经网络的模拟电路故障诊断［J］．西北工业大学学报，2013，31（1）：44—48．

［3］吴江基于LVQ神经网络的飞机减震器故障预测方法［J］．润滑与密封，2014，39（7）：107—110．

［4］李天玉，吴楠．基于概率神经网格模型的异步电机故障诊断［J］．电机与控制应用，2013，40（1）：35—38．

［5］李冬辉，刘浩．基于概率神经网络的故障诊断方法及应用［J］．系统工程与电子技术，2004，26（7）：997—999．