組合神經網絡在狀態(tài)維修中的應用

韓松，王族統(tǒng)，端木京順

(空軍工程大學工程學院，西安 710038)

組合神經網絡在狀態(tài)維修中的應用

韓松，王族統(tǒng)，端木京順

(空軍工程大學工程學院，西安 710038)

為了進一步加強武器裝備維修管理，引入基于狀態(tài)的維修(Condition Based Maintenance，CBM)概念，介紹了裝備健康評估技術的研究現狀;在此基礎上，為了克服單一BP神經網絡無聯想記憶功能的缺點，引入Hopfield網絡加以組合，構建了組合神經網絡狀態(tài)的評估模型，提出了狀態(tài)評估的具體步驟，并進行可行性分析;最后，以某型飛機發(fā)動機燃油控制系統(tǒng)為例進行了健康狀態(tài)評估，取得了較為理想的評估效果。

狀態(tài)維修;組合神經網絡;狀態(tài)評估;武器裝備

0 引言

隨著現代工業(yè)和科學技術的飛速發(fā)展及現代戰(zhàn)爭對武器系統(tǒng)作戰(zhàn)性能的更高要求，武器裝備的結構日趨復雜，功能漸臻完善，自動化程度不斷提高。但是，與此同時，也大大增加了系統(tǒng)的不確定性、任務的復雜性以及故障危害的嚴重性，給裝備的維修保障帶來了巨大的挑戰(zhàn)［1］。因此，世界各國軍隊都非常注重研究高新技術裝備的維修和把高新技術應用于裝備維修，通過改進維修來滿足裝備作戰(zhàn)使用的新要求?，F階段采取修復性維修和定期維修等傳統(tǒng)的維修方式不能完全滿足維修需求，狀態(tài)維修改進了定期維修中只將裝備的運行時間作為維修依據的缺陷，解決了定期維修中維修不足和維修過剩的問題，為裝備維修提供了一種新型的維修方式。本文將BP神經網絡和Hopfield網絡組合起來，用于CBM中的狀態(tài)評估，并結合發(fā)動機燃油控制系統(tǒng)進行了實例應用。

1 CBM概述

1．1 定義

基于狀態(tài)的維修(Condition Based Maintenance，CBM)是武器裝備預報初始故障的主動維修的一種形式，是基于實時或接近實時評估裝備狀態(tài)的一系列維修活動［2］。裝備狀態(tài)通過嵌入式傳感器或外部測試以及利用便攜裝置測量而獲得，其目的是只有出現了明顯故障征兆時才進行維修，從而精確預測裝備的維修需求。與傳統(tǒng)的定期維修相比，它在制定維修策略的同時，考慮到裝備的當前技術狀態(tài)和運行時間，在裝備發(fā)生故障前進行維修，有效發(fā)揮裝備的使用壽命，節(jié)約維修費用，提高完好率和可用度，提高任務成功率。因此，狀態(tài)維修在軍用裝備領域有著廣闊的前景，并逐漸成為維修理論研究的熱點［3］。

1．2 實施內容［3－4］

實現裝備的基于狀態(tài)維修，主要包括3方面的內容:狀態(tài)監(jiān)控;故障診斷和預測;維修決策。

狀態(tài)監(jiān)控是指對裝備的某些特征參數(如振動、噪聲和溫度等)進行測取，將測定值與規(guī)定的正常值進行比較，以判別裝備工作是否正常。裝備的許多故障，在發(fā)生前都會有特定的征兆，其相應的參數會發(fā)生一系列的變化。狀態(tài)監(jiān)控是借助有效、可靠的儀器及技術手段，采集代表裝備狀態(tài)或故障信息的參數，要求選擇的這些狀態(tài)參數應能真正表明裝備故障狀態(tài)。

故障診斷，就是要對裝備產生故障的原因、部位、嚴重程度等一一做出判斷，為管理決策提供依據，是對裝備“健康”狀況的診斷。故障診斷技術是對已經采集到的狀態(tài)或故障信息的各種綜合參數進行分析、模式識別和綜合預測評價。故障預測就是通過建立的模型及各種智能方法對處于潛在故障的裝備進行剩余壽命預測。

狀態(tài)監(jiān)控、故障診斷的最終目的就是維修決策。由故障診斷得出了裝備的故障率與使用時間、使用環(huán)境和使用方式等因素之間的關系，因此，只要給出裝備參數惡化的極限值就可以進行維修決策。用戶可根據最大可用度、任務可靠度、維修費用最低來決策，故可根據目標的不同做出不同的維修決策。

1．3 OSA-CBM組成［3］

在狀態(tài)維修的理論研究過程中，美國賓夕法尼亞州的MMOSA等一些組織聯合提出了狀態(tài)維修開放系統(tǒng)結構(Open System Architecture for Condition Based Maintenance，OSA-CBM)，如圖1所示。該體系結構將CBM系統(tǒng)分為7個功能模塊，其中前3個模塊主要解決了裝備運行技術狀態(tài)數據的獲取問題;健康評價模塊和預測模塊是系統(tǒng)的核心部分，通過處理前面3個模塊所提供的數據，得到裝備現在和未來某個時刻的技術狀態(tài)，為制定有效的裝備維修策略提供依據;決策支持模塊主要是根據評估、預測的結果制定合適的維修策略;數據展示模塊用于展示各個模塊中的各種數據，便于人機交互。

圖1 OSA-CBM組成［3］Fig．1The composition of OSA-CBM

2 狀態(tài)維修中的健康評估技術研究現狀

健康狀態(tài)評估的目的是分析經過預處理的裝備數據，判斷裝備的技術狀態(tài)。在早期的狀態(tài)評估中，大多依靠專家經驗判斷裝備的技術狀態(tài)，判斷結果依據專家的水平高低存在很大的主觀性。隨著狀態(tài)監(jiān)測技術和數據分析技術的發(fā)展，通過對數據的分析，科學評估裝備技術狀態(tài)的方法成為研究的熱點。

評估算法是評估的核心問題。目前常見的評估算法主要有:模糊綜合評價法［5］、灰色評估方法［6－7］、人工神經網絡算法［8］、免疫算法。此外，基于正負理想點的距離評估算法、援例推理、數據挖掘，灰色聚類決策、物元理論等技術也在狀態(tài)評估中得到了研究和應用。

在OSA-CBM中，健康評價模塊和預測模塊是系統(tǒng)的核心部分，通過對原始數據的處理得到用于支持維修決策的信息，裝備技術狀態(tài)評估和預測結果的準確度直接決定著所制定的裝備維修策略是否適用、有效，進而影響整個狀態(tài)維修的效果。從狀態(tài)維修的研究現狀看，裝備技術狀態(tài)的評估和預測，尚沒有統(tǒng)一、有效的方法，這是目前制約CBM實施的瓶頸問題［3］。

3 組合神經網絡健康狀態(tài)評估基本原理

3．1 裝備健康狀態(tài)劃分［9］

裝備由正常狀態(tài)到故障狀態(tài)的過程可以用P-F曲線表示。故障萌發(fā)點表示裝備剛剛出現故障，潛在故障點P表示有明顯征兆，F點表示裝備喪失功能的故障發(fā)生點，如圖2所示。

圖2 裝備狀態(tài)劣化過程Fig．2The proceeding of equipment condition deterioration

根據P-F曲線，將裝備的健康狀態(tài)劃分為4類。對應裝備健康狀態(tài)，可以將平時裝備維修過程采集、積累的數據分成4類。這就得到了神經網絡所需要的輸入與輸出。

3．2 組合神經網絡的基本訓練原理

狀態(tài)評估的過程可以理解為對評估對象的狀態(tài)進行分類和識別［10］。具體來說，從反映裝備健康的眾多特征中提取出那些對狀態(tài)分類識別最有效的特征，把它們作為系統(tǒng)的輸入;把系統(tǒng)可能的狀態(tài)預先分類，把這些不同的類作為系統(tǒng)的輸出，那么對應于不同的特征輸入，系統(tǒng)將有不同的分類輸出。

本文中采用BP神經網絡和Hopfield網絡進行組合，用于對采集到的數據進行狀態(tài)評估。BP神經網絡又稱為誤差反向傳播(Back Propagation)神經網絡，它是一種多層的前向型神經網絡。在BP網絡中，信號是前向傳播的，而誤差是反向傳播的。圖3給出了誤差反向傳播學習過程原理圖［11］。一般用3層具有Sigmoid函數非線性輸入、輸出特性的節(jié)點，就可以以任意精度逼近任何連續(xù)函數。Hopfield網絡由美國物理學家Hopfield于1982年首先提出，突出的優(yōu)點之一是利用網絡的吸引子及其吸引域實現信息的聯想記憶功能。

圖3 誤差反傳學習過程原理Fig．3The principle of error back propagation learning

因此，在BP神經網絡基礎上，引入可以實現聯想記憶功能的Hopfield網絡，將裝備的4個健康狀態(tài)看作是網絡的4個穩(wěn)定的平衡狀態(tài)，這些平衡狀態(tài)稱之為吸引子，吸引子具有一定的吸引域。記憶過程就是將記憶和存儲的模式映射為網絡吸引子的過程;聯想過程就是給定輸入模式，網絡按照動力學的演化規(guī)則運行到穩(wěn)定狀態(tài)，收斂到吸引子，從而回憶起存儲模式的過程。具體原理可以從圖4來看。

圖4 Hopfield網絡中的吸引子與吸引域［12］Fig．4Attractors and attracting domains in Hopfield network

3．3 狀態(tài)評估具體模型

根據BP網絡和Hopfield網絡的訓練原理以及CBM中的數據流程，給出實現狀態(tài)維修中的健康狀態(tài)評估的具體模型。如圖5所示。

圖5 基于組合神經網絡的狀態(tài)評估模型Fig．5The model of condition evaluation based on combined neural network

第一層是采用BP神經網絡，通過平時維修工作中傳感器獲取的各種歷史數據以及其對應的狀態(tài)獲得BP網絡的訓練樣本。訓練后的BP網絡可以較高精度對新采集到的數據進行狀態(tài)預測。第二層采用Hopfield網絡，通過原先的狀態(tài)分類設計Hopfield網絡，使得Hopfield網絡對所有的狀態(tài)具有聯想記憶功能。新采集到的數據先通過BP網絡進行預測，再將BP網絡預測的狀態(tài)用Hopfield網絡進行聯想，通過聯想將預測的狀態(tài)與原有狀態(tài)對應起來，并將Hopfield聯想的狀態(tài)以圖像的形式顯示出來，便于進行維修決策。

3．4 狀態(tài)評估具體步驟

基于組合神經網絡的裝備健康狀態(tài)評估的具體步驟如下。

1)通過平時維修工作的數據收集獲得對應4個狀態(tài)分類的數據，經預處理提取狀態(tài)集數據，歸一化為網絡輸入模式。

2)建立神經網絡系統(tǒng)，用已知樣本集訓練網絡，使其達到預設的診斷精度，得出標準狀態(tài)分類。

3)通過傳感器實時輸入數據，經網絡處理后，獲得此時的裝備健康狀態(tài)。

3．5 可行性分析

人工神經網絡具有較強的非線性映射能力，能逼近任意非線性函數，因而能根據狀態(tài)信號較好地反映出裝備實際工作狀態(tài)。該組合神經網絡用于狀態(tài)評估有以下優(yōu)點:1)不需要建立反映系統(tǒng)物理規(guī)律的數學模型; 2)該組合神經網絡比其他方法更能容忍噪聲，而傳感器測量值常伴隨大量噪聲;3)該組合神經網絡具有極強的非線性映射能力，可以以數字的形式直接顯示裝備的健康狀態(tài)，具有良好的人機交互。

然而，并非所有產品均適用于開展健康狀態(tài)評估，如果裝備滿足下列標準，就是技術可行的:1)能夠確定明顯的故障萌發(fā)點和潛在故障點，才能進行狀態(tài)分類; 2)P-F間隔比較一致;3)以小于P-F間隔的時間間隔來監(jiān)測是切實可行的;4)凈剩的P-F間隔必須足夠長，以便采取某些措施，否則狀態(tài)評估就失去了意義。

4 實例分析

根據以上的對具體原理和步驟的分析，本文以某型飛機發(fā)動機的燃油控制系統(tǒng)作為研究對象。并結合采集到的數據對該方法進行驗證。通過實踐調查，收集到該型發(fā)動機的燃油控制系統(tǒng)中6個傳感器的歷史數據以及與之對應的健康狀態(tài)(其中狀態(tài)1為系統(tǒng)健康狀態(tài)數值)。具體數據如表1所示。

表1 樣本數據Table 1Sample data

得到樣本數據后，具體分析步驟如下。

1)將每個狀態(tài)對應的前3個樣本作為訓練樣本，將每個狀態(tài)對應的最后1個樣本作為驗證樣本。

2)對4個狀態(tài)類別進行編碼。為便于形象化表示系統(tǒng)狀態(tài)，代碼維度設定為12，用“1”和“－1”的個數分別反映系統(tǒng)健康程度和失效程度。如表2所示。

表2 狀態(tài)類別編碼表Table 2Condition categories coding

3)根據選取的訓練樣本數據，通過Matlab BP工具箱構建BP網絡，并對其進行訓練。訓練過程中，網絡誤差的變化情形如圖6所示。

圖6 BP網絡訓練過程中誤差的變化曲線Fig．6Result of BP network trainings

經過11次迭代，網絡達到了期望的誤差目標。

4)根據狀態(tài)類別對應的編碼，利用Matlab Hopfield工具箱設計Hopfield網絡。并利用imresize等函數將編碼轉化為圖像形式。具體顯示圖像如圖7所示，由上至下依次為狀態(tài)1、2、3、4，由左至右依次為樣本1、2、3。全白的條形表示裝備處于正常狀態(tài)，全黑的條形表示裝備處于功能故障狀態(tài)。

圖74 個健康狀態(tài)對應的圖像Fig．7Four images corresponding to different health conditions

5)利用驗證樣本對網絡進行驗證。將樣本4作為輸入向量按狀態(tài)1、2、3、4的順序輸入該組合網絡，經過BP網絡預測，再由Hopfield網絡聯想，最后，顯示出的圖像如圖8所示。

圖8 評估結果顯示Fig．8Evaluation results

圖8由上至下依次為狀態(tài)1、2、3、4的顯示圖像，與輸入完全對應?？梢钥闯鲇柧毢蟮慕M合網絡對裝備健康狀態(tài)的評估結果是正確的。

5 利用評估結果進行維修決策

根據顯示出的圖像進行維修決策:

1)當圖像是全白的時候，說明裝備處于正常狀態(tài)，此時，例行檢查即可;

2)當圖像呈現1/4左右的灰度時，說明裝備處于故障萌發(fā)狀態(tài)，此時，應當加強監(jiān)控;

3)當圖像呈現3/4左右的灰度時，說明裝備處于潛在故障狀態(tài)，此時，應當根據狀態(tài)預測剩余壽命，視情況適時進行修理;

4)當圖像全灰時，說明裝備已經處于功能故障狀態(tài)，此時，應當及時更換故障件，恢復飛機完好。

6 結束語

本文提出的組合神經網絡學習能力強，訓練速度快，對裝備的健康狀態(tài)評估結果準確度也很高。本文在以下3個地方有待改進:

1)在傳感器得到的原始數據處理方面，可以引入灰色系統(tǒng)理論、模糊理論、粗糙集理論、隨機集理論等;

2)在健康狀態(tài)評估后，可以繼續(xù)進行壽命預測、故障曲線預測以及發(fā)生故障的可能性分析等;

3)在神經網絡學習過程可以引入遺傳算法等優(yōu)化算法，進一步提高訓練精度和速度。

從上面提出的3個改進方面可以看出，本文提出的組合神經網絡具有很好的拓展性。在上述的3個方面進行改進后，還可以編譯成單片機程序，用單片機系統(tǒng)實現狀態(tài)維修的評估預測功能，如果對本文提出的設計加以改進完善，擴大應用范圍，可使該設計在狀態(tài)維修領域發(fā)揮更大作用。

［1］張偉，康建設，溫亮，等．基于信息神經網絡的狀態(tài)維修［J］．儀器儀表學報，2005，26(8):617-619．

［2］美國國防部．基于狀態(tài)的維修評估報告［R］．2000．

［3］孫凱，袁培賢，張耀輝．狀態(tài)維修中的評估預測技術研究與展望［J］．質量與可靠性，2009(5):12-16．

［4］張偉，康建設，賈云獻．軍用裝備基于狀態(tài)的維修策略研究［J］．裝甲兵工程學院學報，2005(3):151-156．

［5］曹立軍，秦俊奇，武彩崗，等．一種基于動態(tài)模糊綜合評判的故障預測新方法［J］．模糊系統(tǒng)與數學，2005 (3):151-156．

［6］馬振軍，閆明啟．灰色故障診斷理論在高爐鼓風機在線監(jiān)測系統(tǒng)軟件設計中的應用［J］．河南建材，2006 (4):49-50．

［7］楊帆，張彩麗，張玉杰．一種優(yōu)化的灰色診斷模型及其在減速箱狀態(tài)識別中的應用［J］．機床與液壓，2008 (9):157-159．

［8］周剛，楊立．集成神經網絡在蒸汽發(fā)生器故障診斷中的應用［J］．原子能科學技術，2009(11):997-1002．

［9］張鳳鳴，鄭東良．航空裝備科學維修導論［M］．北京:國防工業(yè)出版社，2005．

［10］李蔚，盛德仁，陳堅紅，等．雙重BP神經網絡組合模型在實時數據預測中的應用［J］．中國電機工程學報，2007(6):94-97．

［11］于永利，朱小冬．系統(tǒng)維修性建模理論與方法［M］．北京:國防工業(yè)出版社，2008．

［12］朱凱，王正林．精通MATLAB神經網絡［M］．北京:電子工業(yè)出版社，2010．

Application of Combined Neural Network in Condition Based Maintenance

HAN Song，WANG Zutong，DUANMU Jingshun
(Engineering Institute，Air Force Engineering University，Xi'an 710038，China)

The concept of Condition Based Maintenance(CBM)was introduced for maintenance management of military equipment．The current situation of study on health condition assessment of equipment was analyzed．Since the single BP neural network has no associative memory capability，the Hopfield network was introduced to construct a combined neural network for condition assessment．The detailed steps for health condition assessment were presented and the feasibility was analyzed．Finally，the health condition assessment was implemented taking the fuel control system of a certain aero-engine as an example，and the result was satisfactory．

Condition Based Maintenance(CBM);combined neural network;condition assessment; military equipment

V267;E926

A

1671－637X(2011)12－0084－05

2010－12－14

2011－01－19

韓松(1981—)，男，江蘇南通人，碩士生，研究方向為航空裝備維修管理。