基于蟻群神經(jīng)網(wǎng)絡(luò)的發(fā)射系統(tǒng)故障診斷*

宋 濤，舒 濤，雷榮強，劉 贊

（空軍工程大學(xué)防空反導(dǎo)學(xué)院，西安 710051）

基于蟻群神經(jīng)網(wǎng)絡(luò)的發(fā)射系統(tǒng)故障診斷*

宋 濤，舒 濤，雷榮強，劉 贊

（空軍工程大學(xué)防空反導(dǎo)學(xué)院，西安 710051）

發(fā)射系統(tǒng)是地空導(dǎo)彈武器系統(tǒng)的重要組成部分，研究發(fā)射系統(tǒng)的故障診斷，可提高地空導(dǎo)彈武器系統(tǒng)的作戰(zhàn)效能和部隊的快速反應(yīng)能力。BP神經(jīng)網(wǎng)絡(luò)在故障診斷方面收斂速度慢、易于陷入局部極小點。為解決上述問題，以液壓系統(tǒng)的柱塞泵為例，提出一種蟻群算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的故障診斷的方法，優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)具有全局兼局部尋優(yōu)能力。實驗結(jié)果表明，蟻群神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)收斂速度快，運算效率高，識別能力強，并且提高了診斷的準(zhǔn)確性和可靠性，是一種有效可行的故障診斷方法，具有良好的應(yīng)用效果。

發(fā)射系統(tǒng)，蟻群算法，神經(jīng)網(wǎng)絡(luò)，柱塞泵，故障診斷

0 引言

隨著裝備技術(shù)的發(fā)展，地空導(dǎo)彈部隊的自動化水平不斷提高，裝備復(fù)雜程度顯著提高，系統(tǒng)發(fā)生故障的頻率也明顯增加。

發(fā)射系統(tǒng)是地空導(dǎo)彈武器系統(tǒng)的重要組成部分，由發(fā)射、裝填設(shè)備（包括發(fā)射裝置、導(dǎo)彈裝填設(shè)備）和發(fā)射控制設(shè)備組成。其主要的功能是：發(fā)射前支撐導(dǎo)彈，并與其他設(shè)備一起，完成導(dǎo)彈發(fā)射前的檢查和準(zhǔn)備工作；發(fā)射時賦予導(dǎo)彈以規(guī)定的發(fā)射角度；發(fā)射后與裝彈設(shè)備一起完成再裝填。

由于液壓系統(tǒng)具有體積小、重量輕、功率大、響應(yīng)快、運動平穩(wěn)、控制方便和抗干擾能力強等諸多優(yōu)點，導(dǎo)彈發(fā)射裝置基本上都采用了液壓系統(tǒng)進(jìn)行動力的傳遞和控制。柱塞泵是液壓系統(tǒng)核心組成部分，它的結(jié)構(gòu)緊湊、體積小、重量輕，具有較高的容積效率和總效率，可以在較高的轉(zhuǎn)速和壓力下工作。柱塞泵常見的故障有滑靴松動或脫落、柱塞與缸體間磨損、缸體與配流盤間磨損3種。

高興培［1］將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到軸向柱塞泵的故障診斷中，推進(jìn)了故障診斷的智能化，提高了柱塞泵的故障診斷水平，但是存在收斂緩慢，容易陷入局部極小點的問題。文獻(xiàn)［2］又提出了一種基于粗糙集與神經(jīng)網(wǎng)絡(luò)結(jié)合的故障診斷新方法，大大提高了柱塞泵的診斷精度及效率。文獻(xiàn)［3］采用小波包分解方法對柱塞泵振動信號進(jìn)行多層分解,將不同頻段上的小波包能量作為特征參數(shù),利用神經(jīng)網(wǎng)絡(luò)對柱塞泵的5種常見故障和正常狀態(tài)進(jìn)行分類識別，得到較高的診斷準(zhǔn)確率。本文針對這一問題，提出將蟻群算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用到液壓泵的故障診斷中，有效解決了BP神經(jīng)網(wǎng)絡(luò)收斂緩慢、容易陷入局部極小點的不足，并具有更高的準(zhǔn)確率和可靠性，這對實現(xiàn)地空導(dǎo)彈武器系統(tǒng)故障的及時、準(zhǔn)確、有效的診斷和維修，對提高地空導(dǎo)彈武器系統(tǒng)的作戰(zhàn)效能和部隊的快速反應(yīng)能力，甚至對實現(xiàn)打贏都具有非常重大而現(xiàn)實的意義。

1 地空導(dǎo)彈發(fā)射系統(tǒng)故障診斷原理

本文以發(fā)射系統(tǒng)中液壓系統(tǒng)的柱塞泵為具體研究對象，其研究結(jié)果對發(fā)射系統(tǒng)具有一定的適用性。

1.1 液壓系統(tǒng)故障診斷的流程

液壓系統(tǒng)故障診斷，是對液壓系統(tǒng)運行狀態(tài)是否正常進(jìn)行判斷，并且當(dāng)它發(fā)生了故障之后，確定故障發(fā)生的部位及產(chǎn)生故障的原因。針對具體的液壓系統(tǒng)，一般通過分析其失效形式和故障機理，建立相應(yīng)的知識庫和推理機制，對提取的故障特征進(jìn)行識別和分類，以實現(xiàn)故障的監(jiān)測、診斷和預(yù)報，具體流程如圖1所示。

1.2 傳統(tǒng)方法的弊端

和其他液壓系統(tǒng)一樣，發(fā)射裝置液壓系統(tǒng)的液壓油和液壓元件也都工作在密閉的油路內(nèi)，不像機械設(shè)備那樣直觀，出現(xiàn)故障后不容易查找原因，也不像電氣設(shè)備那樣可以方便地測量出各種參數(shù)，狀態(tài)信號的監(jiān)測和故障定位都比較困難，而且液壓系統(tǒng)的故障具有多樣性、隱蔽性、復(fù)雜性，同一原因引發(fā)多種故障、多種原因引發(fā)同一故障的特點，往往多種故障交叉出現(xiàn)，這些因素使得診斷發(fā)射裝置液壓系統(tǒng)故障的難度大大增加。

液壓系統(tǒng)故障診斷技術(shù)的發(fā)展主要經(jīng)歷了主觀診斷法、基于信號處理與建模的診斷法、人工智能診斷方法3個階段。主觀診斷法是指依靠簡單的診斷儀器，憑借診斷人員的實踐經(jīng)驗，確定故障發(fā)生的部位及原因，并提出相應(yīng)的排除方法。這種方法對診斷人員的要求很苛刻，需要他們掌握和具備豐富的故障機理和診斷經(jīng)驗，而且診斷結(jié)果因人而異。基于信號處理與建模分析的診斷方法實質(zhì)上是一種以信號處理和建模為基礎(chǔ)，利用傳感器和動態(tài)測試技術(shù)的診斷方法。但是這種方法缺乏領(lǐng)域?qū)＜疫\用知識處理問題的能力，尤其缺乏辯證思維和符號處理能力?；谌斯ぶ悄艿墓收显\斷方法的本質(zhì)是模擬人腦的機能，比人腦更有效地獲取、傳遞、處理和利用故障信息，成功地識別和預(yù)測對象的狀態(tài)，是當(dāng)前液壓系統(tǒng)故障診斷發(fā)展的主要方向。其中神經(jīng)網(wǎng)絡(luò)故障診斷方法應(yīng)用最為普遍。但是這種方法暴露出收斂緩慢、容易陷入局部極小點的不足，針對這一問題，本文提出了一種利用蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的思路和方法。

2 蟻群神經(jīng)網(wǎng)絡(luò)故障診斷方法

2.1 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)，通常簡稱為神經(jīng)網(wǎng)絡(luò)，是一種在生物神經(jīng)網(wǎng)絡(luò)的啟示下建立的數(shù)據(jù)處理模型。主要通過調(diào)整神經(jīng)元之間的權(quán)值來對輸入的數(shù)據(jù)進(jìn)行建模，最終具備解決實際問題的能力。

BP神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)，在結(jié)構(gòu)上是一種分層型的多層網(wǎng)絡(luò)，具有輸入層、隱含層和輸出層，各層之間一般采用全連接方式。典型的三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

BP網(wǎng)絡(luò)采用誤差反向傳播算法(Back-Propagation Algorithm)進(jìn)行學(xué)習(xí)。在BP網(wǎng)絡(luò)中，數(shù)據(jù)從輸入層經(jīng)隱含層逐層向后傳播，訓(xùn)練網(wǎng)絡(luò)權(quán)值時，則沿著減少誤差的方向，從輸出層經(jīng)過中間各層逐層向前修正網(wǎng)絡(luò)的連接權(quán)值。

式中，α為學(xué)習(xí)速率；m為網(wǎng)絡(luò)層數(shù)。

然而，傳統(tǒng)的BP算法是一種靜態(tài)尋優(yōu)算法，依據(jù)yi與ti的誤差來修改網(wǎng)絡(luò)的權(quán)值和閾值，從而使實際輸出與所期望的輸出盡可能接近。但只是按照當(dāng)前時刻的負(fù)梯度方式修正權(quán)值，沒有考慮以前積累的經(jīng)驗，從而使學(xué)習(xí)過程產(chǎn)生振蕩，收斂速度緩慢，容易陷入局部極小點。

蟻群算法具有全局尋優(yōu)的特點，因此，用蟻群算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可以避免傳統(tǒng)BP算法的諸多缺陷，提高神經(jīng)網(wǎng)絡(luò)模型尋優(yōu)的智能性。

2.2 基于蟻群算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練

蟻群算法 (Ant Colony Optimization Algorithm, ACO)是Bonabeau Dorigo等人提出的，該算法是受自然界中螞蟻覓食的啟發(fā)，通過設(shè)計虛假螞蟻種群，以一定的概率按照不同的路線進(jìn)行搜索，并在搜索過的路徑上留下和真實螞蟻類似的、隨時間揮發(fā)的虛擬氣味（稱為信息素），然后根據(jù)信息素正反饋的原則選擇出最優(yōu)解［5］。

蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的基本思想：

假設(shè)在需要訓(xùn)練的網(wǎng)絡(luò)中共有m個需要優(yōu)化的參數(shù)，包括所有的權(quán)值和閾值。首先，把m個參數(shù)進(jìn)行排序，分別記為p1，p2，…，pi，…，pm。對于參數(shù)pi（1≤i≤m），將其設(shè)置成N個隨機非零值，形成一個集合Ipi。然后，記螞蟻的數(shù)目為s，讓所有螞蟻出動尋找食物。每一只螞蟻從Ipi出發(fā)，根據(jù)每個元素信息素的狀態(tài)，從每個集合Ipi中隨機地選擇唯一的一個元素，當(dāng)螞蟻在每一個集合中都選擇完元素后，它就到達(dá)了食物源，然后對信息素做相應(yīng)調(diào)節(jié)。反復(fù)進(jìn)行這一過程，直到所有螞蟻都收斂到同一路徑，這樣就找到了最優(yōu)的網(wǎng)絡(luò)參數(shù)［6-7］。

蟻群算法具體實現(xiàn)過程為［8］：設(shè)螞蟻種群的個數(shù)為m，途中i點和j點之間的路徑距離記為dij，用（ijt）表示在t時刻路徑ij上信息素的殘留量，

表示在t時刻第k只螞蟻選擇從i點到j(luò)點的概率［8-10］:

上式中，ηij表示路徑距離作用因子，一般ηij=1／dij，a，b分別表示信息素和路徑距離在路徑選擇的概率上所發(fā)揮作用的大小。

2.3 實現(xiàn)蟻群神經(jīng)網(wǎng)絡(luò)故障診斷

用蟻群算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并將它應(yīng)用在柱塞泵的故障診斷中，利用已有的柱塞泵故障診斷案例作為學(xué)習(xí)樣本訓(xùn)練網(wǎng)絡(luò)，得到網(wǎng)絡(luò)參數(shù)，然后用此訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行柱塞泵新的故障診斷。

因此，本文BP網(wǎng)絡(luò)模型結(jié)構(gòu)為5-x-3。5個輸入信號分別為r1～r5這5個癥狀屬性通過歸一化處理后的數(shù)值；Y1～Y3為3個輸出，分別表示故障類別編碼的一位值，當(dāng)Y1Y2Y3=001時表示滑靴松動或脫落，Y1Y2Y3=010時表示缸體與配流盤間磨損，Y1Y2Y3=100時表示柱塞與缸體間磨損。網(wǎng)絡(luò)使用時，按照取大原則選出Y1～Y3中的最大者記為1，其他為0，這樣就得到了一個三維的二進(jìn)制串。

為了確定隱含層節(jié)點數(shù)x，采用逐點試探法。對每組學(xué)習(xí)集均使得x從10～23逐一改變來訓(xùn)練網(wǎng)絡(luò)，然后對比網(wǎng)絡(luò)訓(xùn)練的最小系統(tǒng)誤差確定出最佳的x。系統(tǒng)誤差函數(shù)為EP，按式（5）計算。

其中，opi是系統(tǒng)輸出值，tpi是期望的輸出值。通過試探結(jié)果可得：當(dāng)x=15時，經(jīng)過不同訓(xùn)練次數(shù)均可以使誤差縮小到允許范圍之內(nèi)，并且在檢驗時，系統(tǒng)的誤差也較小。

3 仿真結(jié)果分析

為了驗證本文提出的蟻群神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，使用Matlab/Simulink進(jìn)行仿真，并在環(huán)境下進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，將BP神經(jīng)網(wǎng)絡(luò)和本文提出的蟻群神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力進(jìn)行對比，如圖3所示。

訓(xùn)練中將誤差平方和設(shè)定為10-8，最大訓(xùn)練次數(shù)為1 000。經(jīng)比較可知，蟻群神經(jīng)網(wǎng)絡(luò)具有更強的學(xué)習(xí)能力，相較于一般BP神經(jīng)網(wǎng)絡(luò)，該算法可以更快收斂于預(yù)設(shè)目標(biāo)，大大縮短了訓(xùn)練時間。

為了檢驗網(wǎng)絡(luò)的故障診斷能力、準(zhǔn)確性和可信程度，把待檢樣本數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)和訓(xùn)練好的蟻群神經(jīng)網(wǎng)絡(luò)中運行。表2是其中的9組數(shù)據(jù)。診斷結(jié)果如表3所示。

從檢驗樣本輸出結(jié)果可知，蟻群神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對故障的準(zhǔn)確判斷，而且其學(xué)習(xí)次數(shù)遠(yuǎn)小于BP神經(jīng)網(wǎng)絡(luò)，蟻群算法的輸出結(jié)果能夠更好地逼近期望輸出。

4 結(jié)束語

本文將蟻群算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用蟻群算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值，應(yīng)用于地空導(dǎo)彈發(fā)射系統(tǒng)柱塞泵的故障診斷中，并利用Matlab進(jìn)行仿真，驗證了蟻群神經(jīng)網(wǎng)絡(luò)的實用性和可信性。蟻群神經(jīng)網(wǎng)絡(luò)克服了BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部極小的缺點，充分體現(xiàn)了其收斂速度快、運算效率高、識別能力強的優(yōu)點，并且提高了診斷的準(zhǔn)確性和可靠性，成功實現(xiàn)了對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)，具有良好的應(yīng)用前景，對地空導(dǎo)彈部隊裝備診斷與維修具有重大意義。

［1］高興培.BP神經(jīng)網(wǎng)絡(luò)在軸向柱塞泵故障診斷中的應(yīng)用［J］.廣東廣播電視大學(xué)學(xué)報，2010，19（3）：97-99.

［2］高興培.基于粗糙集和神經(jīng)網(wǎng)絡(luò)的柱塞泵故障診斷［J］.測控自動化，2010，26（5）：139-140.

［3］劉安寧，軒建平，高明.基于小波包能量和神經(jīng)網(wǎng)絡(luò)的柱塞泵故障診斷［J］.山西建筑，2011，37（8）：227-228.

［4］傅薈璇,趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計［M］.北京：機械工業(yè)出版社,2010.

［5］段海濱.蟻群算法原理及其應(yīng)用［M］.北京：科學(xué)出版社，2005.

［6］吳啟迪,汪鐳.智能蟻群算法及應(yīng)用［M］.上海：上海科技教育出版社，2004.

［7］王家林，吳正國，楊宣訪.基于蟻群神經(jīng)網(wǎng)絡(luò)的線性直流電源故障診斷［J］.儀器儀表學(xué)報，2009，30（3）：515-520.

［8］劉克非，何祖威.基于蟻群神經(jīng)網(wǎng)絡(luò)的凝汽設(shè)備故障診斷［J］.計算機仿真，2008，25（5）：214-217.

［9］鄧鵬飛，舒濤.一種新的液壓系統(tǒng)故障特征信號消噪方法研究［J］.機床與液壓，2012，40（9）：151-157.

Research on Fault Diagnosis for Launch System Based on Ant Colony Neural Network

SONG Tao，SHU Tao，LEI Rong-qiang，LIU Zan
（Air Defense and Antimissile Institute，Air Force Engineering University，Xi’an 710051，China）

Launch system is an important part of surface to air missile weapon system，and it is of great significance to research its fault diagnosis on improving the operational effectiveness of air defense missile system and rapid response capability.BP neural network is easy to fall into local minimum point and the convergence speed is slow in fault diagnosis.In order to overcome these shortcomings，this paper introduces ACO algorithm into BP neural network to optimize the thresholds and weights taking the plunger pump in the hydraulic system as an example.Therefore the probability of training algorithm to converge to global optima is improved.The experimental results show that ACO neural network have faster convergence speed，higher efficiency and recognition ability than BP neural network,and it effectively improves the accuracy and efficiency of fault diagnosis.It is a kind of effective and feasible method and has good application prospects.

launch system，ACO algorithm，neural network，plunger pump，fault diagnosis

TJ768

A

1002-0640（2015）09-0143-04

2014-08-18

2014-09-16

國家自然科學(xué)基金資助項目（61370031）

宋 濤（1990- ），男，山東棗莊人，在讀碩士。研究方向：地空導(dǎo)彈發(fā)射系統(tǒng)故障診斷。