基于小波神经网络的指控装备故障诊断方法

陈 旭,胡建旺,孙慧贤,单成进

(1.陆军工程大学石家庄校区，河北 石家庄 050003；2.解放军32228部队23分队，福建 厦门 361100)

0 引言

近年来，随着人工智能、概率论等理论不断应用到设备的故障测试诊断上，国内外故障诊断技术取得了较大发展[1]。从实际的研究应用来看，故障诊断技术主要分为以下三类：一是借助常用信号处理的方法完成故障识别；二是借助经验知识的诊断方法，如专家系统法、模糊推理法、模式识别法等；三是借助解析模型分解的识别方法[2]。三类测试诊断方法各有优劣，其中借助经验知识的诊断方法，具有快速、智能、准确率高的优点，但是其自身网络结构难以确定，诊断实时性较差，特征量的选取与表述较难。基于信号处理的方法实现简单方便，但故障诊断不够精确，难以定位故障。利用解析模型的诊断方法优点是输入输出关系明确，可以直观反应诊断过程，但缺点在于数学模型难建立、实时性差、受噪声的影响较大[3]。

目前我军在对指控装备通信设备故障诊断上主要存在有以下两个方面的问题：一是大部分的检测方法故障定位不够准确，测试深度不够，故障诊断层次低；二是检测设备、检测工具、检测方法的通用性不强，没有形成成熟的测试诊断理论。针对上述不足，提出一种基于小波分析与神经网络相结合的故障诊断方法[3]。

1 小波神经网络

神经网络由于具有良好的自我学习能力、非线性映射和容错能力，被广泛地应用于复杂电子设备的故障诊断[4]；但神经网络中激励函数的支撑集是无穷大的，使得传统神经网络收敛速度非常慢。而小波分析因其在时频域出色的局部分析变焦能力，可以有效减少神经网络学习的结构规模以及优化权值选择[5]。小波和神经网络的结合一方面可以通过神经网络的优势解决大规模应用小波分析对小波基构造和储存花费大的问题；另一方面利用小波局部时频域分析能力为神经网络的网络结构规模和学习参数作为依据，从而很好地解决传统神经网络收敛慢、过学习或欠学习等一系列问题[6]。相比传统的神经网络，小波神经网络具有更好的自适应分辨性和容错能力，收敛速度快，有效地避免了局部最小值问题。

小波与神经网络的结合有两种方式：一种是松散型结合，利用小波分析对通信信号进行预处理，依靠小波包分解或者多分辨分析提取信号的故障特征，而后送用神经网络进行学习判别，其结构如图1所示；另一种为紧致型结合的方式，即神经网络与小波直接结合，用小波函数来代替神经网络中的激励函数，由小波函数的尺度和平移参数代替神经网络中的权值和隐层阈值，其结构如图2所示[7]。

图1 松散型小波神经网络Fig.1 Loose wavelet neural network

图2 紧致型小波神经网络Fig.2 Compact wavelet neural network

本文采用松散型结构小波神经网络，先通过小波分析提取故障特征向量，再送入神经网络进行学习训练和测试[4]。在小波分析的发展过程中，Mallat提出了多分辨分析性，将正交小波基的构造方法统一起来，确定了正交小波变换的快速算法，为松散型小波神经网络故障诊断奠定了基础。空间L2(R)的多分辨分析性是指在空间内构造一个子空间序列{Vm:m∈Z}，使其具有下列性质：

1) 单调性

Vj⊂Vj+1,j∈Z；

2) 逼近性

3) 伸缩性

f(x)∈Vj⟺f(2x)∈Vj+1,j∈Z;

4) 平移不变性

f(x)∈V0⟹f(x-k)∈V0,k∈Z;

5) 正交基存在性

存在φ(x)∈V0，使得|φ(x-k)|k∈Z是V0的标准正交基。

则Vj(j∈Z)是空间L2(R)的一个多分辨分析，其中φ(x)为尺度函数。多分辨分析的基本思想是将信号分解成低频部分和高频部分，然后继续对低频部分进行分解，从而能形成多分层结构。多分辨分析结构如图3所示。

图3 多分辨分析分解树结构图Fig.3 Multi-resolution analysis decomposition tree structure diagram

小波包是在小波变换的基础上提出来的，由于多分辨分析对信号的时频分解尺度是二进制变化的，所以仍然存在高频段频率分辨率低，低频段时间分辨率低的问题[8]。小波包分析作为一种更为精细的分析方法，将原始信号分解为高频细貌和低频概貌，并进一步继续分解。因为小波包具有高频信号分析能力，可以对多分辨分析没有细分的高频部分进行更为精细的分解。

以一个三层的分解树来对小波包分析进行说明，如图4所示，D代表高频部分，A代表低频部分，数字代表分解尺度，其分解关系如下式：

图4 小波包分解树结构图Fig.4 Wavelet packet decomposition tree structure diagram

S=AAA3+DAA3+ADA3+DDA3+AAD3+
DAD3+ADD3+DDD3

(1)

所以在指挥系统故障诊断中，可以对输出信号进行小波包分析以提取在不同故障模式下的故障特征作为样本集或测试集[9]。当一个频率丰富的测试信号输入到被测设备中时，由于设备故障点对信号的不同频率成分作用必然发生改变，所以其输出信号与正常信号相比，内部各频率的信号能量将会发生改变，因此在输出信号中将包含大量故障信息，选取某几种合适的频率能量变化作为故障特征，即可代表对应的故障。

2 基于小波预处理的装备故障诊断

2.1 故障特征提取

小波神经网络对指控装备的诊断主要分为两大部分：第一部分首先是利用小波包分析完成对信号的频率分析以及故障特征的提取；第二部分为多层前馈神经网络，利用提取的故障特征，完成故障模式的分类功能[10]。故障特征的提取是运用小波神经网络进行故障模式识别的关键。选择小波包分析对指控装备故障信号进行分解，选择能具有较好识别能力的频率系数部分作为故障特征向量，输入至神经网络进行模式识别[11]。在Matlab中利用小波包分析对信号的故障特征提取的过程如下：

1) 将测试收集到的装备输出信号离散化，而后保存为.mat文件方便进行小波包分析。

2) 利用小波包对离散后信号数据进行多尺度分解，编程如：T=wpdec(s,N,’wavename’);N代表分解层数，wavename代表使用小波。

3) 从分解结构中提取各层节点系数向量，并从中选取能表征故障特征的系数。编程如：T=wpcoef(T,[m,n]);

4) 对选取的系数进行归一化处理，作为故障特征向量输入神经网络进行模式识别。

2.2 故障模式识别

针对装备故障模式识别的基本原理是先将装备所有的故障由唯一特征表征；然后利用神经网络学习对这些特征进行学习，通过特征以及对应故障模式的关联，对学习的神经网络进行相关权重系数优化；最后输入响应的测试数据，进行故障模式判别。具体步骤如下：

1) 对指控装备针对不同故障模式以及正常状态下的信号数据进行采集，并分类整理。

2) 利用Matlab工具对信号进行预处理，选取合适的系数来表征不同状态特征。

3) 构造特征向量。

4) 对各状态信号数据归一化处理，选取典型特征向量，制作训练样本集。

5) 将样本集输入神经网络进行训练，优化神经网络的权重。

将待测信号输入训练好的神经网络中，进行故障识别[12]。流程图如图5所示。

图5 基于小波神经网络的故障诊断流程图Fig.5 Fault diagnosis flowchart based on wavelet neural network

3 指控装备故障诊断实例分析

通信控制机作为指控系统集网络间数据转换、数字交换、电台组网控制、高速有线传输等功能于一体的核心通信设备，结构复杂，内部板件众多，选取通信控制机作为实验对象进行测试，研究的测试方式可以推广到其他指控设备测试诊断上。

3.1 故障模式分析

通信控制机的故障按照元件参数值偏离标称值的程度可以划分为软故障和硬故障两类，常见的故障模式及影响如表1所示[13]。

表1 通控机故障模式表Tab.1 Failure mode table of communication control machine

3.2 测试方案及数据分析

通信控制机的测试包含接口注入测试信号，响应信号的处理，故障特征的识别提取以及故障模式识别四个阶段。实验选取一台功能正常的通信控制机以及设置故障的用户板U09进行验证实验。利用数据采集卡对测试响应信号进行采集，小波-神经网络的方法对测试响应信号进行分析处理，实验采集数据仿真在Matlab环境中进行。首先选择合适的测试端口，根据通信控制机的结构原理，车内口与内部众多电路板相通，故选取车内口作为测试信号注入接口。注入的测试信号流经不同功能状态的电路会使响应信号内部时频信息产生不同变化，所以当通过有故障的板件后，响应信号中就会携带着大量故障信息。而后利用小波包分析对响应信号进行预处理，选取合适的小波细节系数作为故障特征向量送入神经网络进行学习训练。

在验证实验中，选取用户板上一个电路进行故障设置，具体实验流程如下：

1) 设置故障诊断集

F0(正常状态)：R1=10 K，L=0.01 μH，C=9 pF；

F1(故障状态①)：R1=10 K，L=0.01 μH，C=开路；

F2(故障状态②)：R1=短路，L=0.01 μH，C=9 pF；

2) 分别在三种不同状态下进行通信控制机测试实验，利用采集卡收集响应信号，并对各状态下的响应信号进行小波预处理。首先对信号进行离散，然后在Matlab中使用小波包工具对离散后信号进行三层分解。

3) 利用小波包仿真计算向量系数和从分解后的信号中提取故障信号作为故障特征向量，并从中选取能表征故障特征的系数。

4) 将小波系数进行归一化处理。

5) 对BP神经网络进行训练，神经网络的结构由一个隐含层和一个输出层组成，输入节点有5个，输出节点3个，神经网络的误差曲线如图6所示。

图6 小波神经网络训练误差收敛图Fig.6 Wavelet neural network training error convergence diagram

6) 在三种状态下对通控机进行测试，并将测试结果进行小波预处理并归一化，形成测试集，然后利用训练好的BP神经网络对测试结果进行分类诊断，故障诊断的正确率为90%。

为了更好地说明小波神经网络在故障诊断中的优势，我们选择普通BP神经网络进行对照实验，同样在通控机的用户板上设置两个常见故障：

1) 设置故障诊断集

F0(正常状态)：R1=10 K，L=0.01 μH，C=9 pF；

F1(故障状态①)：R1=10 K，L=0.01 μH，C=短路；

F2(故障状态②)：R1=开路，L=0.01 μH，C=9 pF；

2) 在没有小波包工具对响应信号进行分解预处理的前提下，我们选择测量通控机上电压值作为故障特征，选择四个合适的测试点进行电压测量。

3) 对三种状态下的通控机进行测试，共测得150组数据，其中100组数据作为用于训练神经网络的学习样本集，50组数据用于测试集，表3仅列出具有代表性的一组数据以及对应的分类编码。

表3 三种工作状态下通控机测试节点电压值Tab.3 The test node voltage value of the communication control machine in three working states

4) 对表3中数据进行归一化处理，送入神经网络进行训练，误差曲线如图7所示。经过训练，使系统的输出误差e<0.000 1，BP神经网络训练完成，构成通控机的故障诊断分类器。将测试数据送入神经网络进行分类测试，正确率78%。

图7 BP神经网络训练误差收敛图Fig.7 BP neural network training error convergence diagram

经过两次的实验结果对比可以看出，通过小波工具对信号进行预处理，对测试信号中的冗余信息进行剔除，简化了神经网络的结构，有效减少了神经网络训练的时间，提高了故障诊断的效率，同时也提升了故障诊断的准确率。

4 结论

本文提出了一种基于小波神经网络的指控装备故障诊断方法。该方法既能利用小波对信号良好的时频域分析能力，又可以充分发挥神经网络自学习能力和大规模处理信息的能力等优点。经实例分析结果表明，两者的结合进一步简化了神经网络的结构使其具有更好的逼近能力和收敛速度，提高了故障准确识别率。该测试方法实现了对指控装备的全面有效测试，针对多类型故障的诊断更加智能准确。