復(fù)雜電子設(shè)備故障預(yù)測(cè)方法研究

韓 曉，趙昶宇

（1.海軍駐天津八三五七所軍事代表室，天津 300308；2.天津津航計(jì)算技術(shù)研究所，天津 300308）

復(fù)雜電子設(shè)備故障預(yù)測(cè)方法研究

韓 曉1，趙昶宇2

（1.海軍駐天津八三五七所軍事代表室，天津 300308；2.天津津航計(jì)算技術(shù)研究所，天津 300308）

針對(duì)系統(tǒng)檢測(cè)到的傳感器數(shù)據(jù)變化趨勢(shì)的分析，提出一種有效的預(yù)測(cè)復(fù)雜電子設(shè)備故障的方法。利用粗糙集屬性約簡(jiǎn)方法預(yù)處理復(fù)雜電子設(shè)備的故障樣本數(shù)據(jù)，并對(duì)輸入樣本進(jìn)行歸一化處理；利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值種群進(jìn)行實(shí)數(shù)編碼，并將預(yù)測(cè)數(shù)據(jù)與期望數(shù)據(jù)之間的誤差作為適應(yīng)度函數(shù)；對(duì)權(quán)值種群循環(huán)進(jìn)行選擇、交叉、變異、計(jì)算適應(yīng)度操作，直到達(dá)到進(jìn)化次數(shù)，得到最優(yōu)的初始權(quán)值和閾值；使用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)的連接強(qiáng)度；對(duì)預(yù)測(cè)的故障樣本數(shù)據(jù)進(jìn)行反歸一化處理，得到復(fù)雜電子設(shè)備的故障預(yù)測(cè)值。

故障預(yù)測(cè)；電子設(shè)備；粗糙集；遺傳算法

故障預(yù)測(cè)是故障診斷的重要環(huán)節(jié)，它能增強(qiáng)系統(tǒng)的早期故障發(fā)現(xiàn)能力。本文以復(fù)雜電子設(shè)備系統(tǒng)為技術(shù)領(lǐng)域，通過(guò)對(duì)系統(tǒng)檢測(cè)到的傳感器數(shù)據(jù)變化趨勢(shì)的分析，預(yù)測(cè)系統(tǒng)可能出現(xiàn)的故障。故障預(yù)測(cè)技術(shù)的應(yīng)用有利于提高復(fù)雜電子設(shè)備系統(tǒng)運(yùn)行時(shí)的穩(wěn)定性。

目前，最常見(jiàn)的故障預(yù)測(cè)方法有：①趨勢(shì)圖分析法。該方法是通過(guò)趨勢(shì)分析來(lái)掌握復(fù)雜電子設(shè)備的運(yùn)行狀態(tài)。但是，由于影響復(fù)雜電子設(shè)備運(yùn)行狀態(tài)的原因有很多，一旦某部分的統(tǒng)計(jì)規(guī)律發(fā)生變化，該方法無(wú)法預(yù)測(cè)其未來(lái)的運(yùn)行狀態(tài)。②曲線擬合法。該方法只適用于曲線參數(shù)方程比較明確的預(yù)測(cè)工作，對(duì)于一些復(fù)雜電子設(shè)備具有的非線性、時(shí)變性等特點(diǎn)，很難建立合適的曲線方程，預(yù)測(cè)效果并不理想。③時(shí)間序列法。該方法對(duì)于線性、平穩(wěn)隨機(jī)時(shí)間序列的預(yù)測(cè)能夠起到較好的預(yù)測(cè)效果，應(yīng)用范圍受到限制。④基于灰色理論的預(yù)測(cè)方法。該方法僅適用于有一定上升或下降趨勢(shì)的弱隨機(jī)性時(shí)間序列的預(yù)測(cè)，在對(duì)復(fù)雜電子設(shè)備中隨機(jī)性比較強(qiáng)的系統(tǒng)進(jìn)行預(yù)測(cè)時(shí)，還需進(jìn)一步改進(jìn)。⑤人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的聯(lián)想、記憶、存儲(chǔ)和學(xué)習(xí)功能以及高度的非線性映射能力在設(shè)備的故障診斷和故障預(yù)測(cè)中被廣泛應(yīng)用。但是，在實(shí)際應(yīng)用中，也存在著收斂速度和收斂性無(wú)法保證，訓(xùn)練容易陷入局部最小的問(wèn)題。

為了改善故障預(yù)測(cè)方法中存在的不足，進(jìn)一步提高故障預(yù)測(cè)率，本文提出了一種復(fù)雜電子設(shè)備故障預(yù)測(cè)的方法。這種方法能夠有效預(yù)測(cè)復(fù)雜電子設(shè)備將會(huì)發(fā)生的故障。

1 數(shù)據(jù)預(yù)處理

粗糙集理論具有很強(qiáng)的定性分析能力，能在保留關(guān)鍵信息的前提下對(duì)樣本數(shù)據(jù)進(jìn)行約簡(jiǎn)，達(dá)到簡(jiǎn)化訓(xùn)練樣本的目的。將采集到的復(fù)雜電子設(shè)備的原始數(shù)據(jù)通過(guò)特征提取獲得每一個(gè)故障對(duì)應(yīng)的所有故障征兆，選取能體現(xiàn)復(fù)雜電子設(shè)備狀況的特征參數(shù)作為條件屬性，發(fā)生故障的類型作為決策屬性，然后為復(fù)雜電子設(shè)備的條件屬性和決策屬性進(jìn)行編碼，建立復(fù)雜電子設(shè)備的決策表。

假設(shè)C是復(fù)雜電子設(shè)備的條件屬性，D是復(fù)雜電子設(shè)備的決策屬性，c（x）記錄x在屬性c（c∈C）上的值，C（i，j）為可辨識(shí)矩陣中第i行第j列的元素，則差別矩陣C可表示為：i，j=1，…，n.差別矩陣形式化如圖1所示。

圖1 差別矩陣示意圖

基于差別矩陣的屬性約簡(jiǎn)算法如下（T為決策表，A為屬性約簡(jiǎn)后的條件屬性集合，C為決策表T的差別矩陣，ak∈{cij}，C0為核屬性集合）：①將核屬性集合C0中的內(nèi)容復(fù)制到集合R中；②求出所有包含核屬性的條件屬性集合Q；③差別矩陣變?yōu)椋–－Q），將條件屬性集合A中去除集合R后的內(nèi)容復(fù)制到集合B中；④對(duì)于所有的ak∈B，計(jì)算在C中屬性頻率最大的屬性ak，并將其添加到集合R中；⑤重復(fù)上述過(guò)程，直至C為空。經(jīng)過(guò)上述處理后，集合R就是最后的約簡(jiǎn)結(jié)果，即復(fù)雜電子設(shè)備最小故障診斷特征子集。

假設(shè)經(jīng)過(guò)上述預(yù)處理后的樣本為x（1），x（2），…，x（n），則經(jīng)過(guò)歸一化處理后得到的樣本為：

式（1）中：xmax為樣本x（n）中的最大值；xmin為樣本x（n）中的最小值。

將x（1），x（2），…，x（n）分成k組，每組有m＋1個(gè)值，前m個(gè)值作為BP神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)的輸入值，后一個(gè)作為輸出節(jié)點(diǎn)的期望值。

2 獲得最佳神經(jīng)元初始權(quán)值和閾值

對(duì)經(jīng)典遺傳算法進(jìn)行改進(jìn)，以網(wǎng)絡(luò)誤差最小作為進(jìn)化準(zhǔn)則，經(jīng)過(guò)多次迭代，最后獲得BP神經(jīng)網(wǎng)絡(luò)開始訓(xùn)練的初始權(quán)值和閾值。

2.1 個(gè)體編碼

將經(jīng)過(guò)粗糙集約簡(jiǎn)后的復(fù)雜電子設(shè)備最小故障診斷特征子集作為輸入層神經(jīng)元。復(fù)雜電子設(shè)備的個(gè)體編碼方式選擇實(shí)數(shù)編碼，每個(gè)個(gè)體均為一個(gè)實(shí)數(shù)串，由BP神經(jīng)網(wǎng)絡(luò)輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值和輸出層閾值4個(gè)部分組成。

2.2 建立適應(yīng)度函數(shù)，計(jì)算種群適應(yīng)度

根據(jù)個(gè)體得到BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)后，預(yù)測(cè)復(fù)雜電子設(shè)備系統(tǒng)輸出，將預(yù)測(cè)輸出與期望輸出間的誤差絕對(duì)值和作為個(gè)體適應(yīng)度F：

式（2）中：k為系數(shù)；n為神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；di為神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的期望輸出；oi為第i個(gè)節(jié)點(diǎn)的預(yù)測(cè)輸出。

接下來(lái)判斷是否滿足終止條件。算法終止條件是：如果當(dāng)連續(xù)繁殖很多代的最優(yōu)BP神經(jīng)網(wǎng)絡(luò)權(quán)值的適應(yīng)值沒(méi)有變化時(shí)，獲取BP神經(jīng)網(wǎng)絡(luò)初始值，計(jì)算BP神經(jīng)網(wǎng)絡(luò)誤差，否則執(zhí)行下一個(gè)步驟，即文章2.3所示內(nèi)容。

2.3 選擇算子

由于操作簡(jiǎn)單，傳統(tǒng)的遺傳算法大多采用“輪盤賭”選擇算子。但是，這種方法一方面，容易導(dǎo)致局部最優(yōu)而無(wú)法進(jìn)化；另一方面，無(wú)法體現(xiàn)個(gè)體優(yōu)劣，造成搜索精度不夠的局面。本文對(duì)傳統(tǒng)遺傳算法的“選擇算子”進(jìn)行改進(jìn)，改進(jìn)后的選擇方式可確保適應(yīng)度比平均適應(yīng)度大的一些個(gè)體一定能夠被遺傳到下一代群體中，所以，這種方法的選擇誤差比較小。這種方法的具體操作步驟是：①假設(shè)2.2中得到的BP神經(jīng)網(wǎng)絡(luò)的權(quán)值數(shù)目為N，每個(gè)權(quán)值的適應(yīng)度為Fi（i＝1，2，…，N），計(jì)算BP神經(jīng)網(wǎng)絡(luò)的權(quán)值在下一代權(quán)值中的期望生存數(shù)目，即個(gè)對(duì)應(yīng)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值在下一代權(quán)值中的生存數(shù)目。其表示取不大于Ni的最大整數(shù)，這樣可以確定下一代權(quán)值中權(quán)值新的適應(yīng)度，用“輪盤賭”選擇算子，隨機(jī)確定下一代權(quán)值中還未確定的

2.4 采用自適應(yīng)交叉率和變異率

本文使用BP神經(jīng)網(wǎng)絡(luò)權(quán)值的適應(yīng)度值來(lái)衡量遺傳算法的收斂情況。對(duì)于適應(yīng)值高的解，取較低的交叉率Pc和變異率Pm，使得該解進(jìn)入下一代的機(jī)會(huì)增大；對(duì)于適應(yīng)值低的解，應(yīng)取比較高的交叉率Pc和變異率Pm，使該解被淘汰掉。式（3）是交叉率Pc和變異率Pm隨適應(yīng)值的變化而自適應(yīng)改變的計(jì)算方法，即：

式（3）中：kc和km是小于1的常數(shù)；fc是要交叉的2個(gè)權(quán)值中適應(yīng)值大的1個(gè)；fm是要變異的權(quán)值的適應(yīng)值；fmax和f分別是群體的最大適應(yīng)值和平均適應(yīng)值，fmax－f為群體的收斂程度，該值越小，表明群體已趨向收斂。

2.5 判斷是否完成進(jìn)化次數(shù)

算法終止條件是：如果算法執(zhí)行次數(shù)達(dá)到了進(jìn)化次數(shù)的上限時(shí)仍不符合適應(yīng)度函數(shù)優(yōu)化準(zhǔn)則，則算法停止，否則轉(zhuǎn)向步驟2.2.

3 計(jì)算BP神經(jīng)網(wǎng)絡(luò)輸出層的預(yù)測(cè)值

為了進(jìn)一步縮短訓(xùn)練時(shí)間，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，動(dòng)態(tài)調(diào)整學(xué)習(xí)速率，提高網(wǎng)絡(luò)的收斂速度。對(duì)樣本數(shù)據(jù)進(jìn)行反歸一化處理，得到復(fù)雜電子設(shè)備故障樣本數(shù)據(jù)的預(yù)測(cè)值。

3.1 獲取BP神經(jīng)網(wǎng)絡(luò)初始值，計(jì)算網(wǎng)絡(luò)誤差

在遺傳算法中，以BP神經(jīng)網(wǎng)絡(luò)誤差最小作為進(jìn)化準(zhǔn)則，經(jīng)過(guò)多次迭代操作，最后獲得一組權(quán)值和閾值。該組值是遺傳算法所能遍歷的值中網(wǎng)絡(luò)誤差最小的，可將其作為BP神經(jīng)網(wǎng)絡(luò)的初始值。

將BP神經(jīng)網(wǎng)絡(luò)中每一個(gè)樣本p的輸入輸出模式的二次型誤差函數(shù)定義為：

系統(tǒng)的平均誤差代價(jià)函數(shù)為：

式（4）（5）中：P為樣本模式對(duì)數(shù)；L為BP神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；dpk為BP神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的期望輸出；Opk為BP神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的實(shí)際輸出。

3.2 動(dòng)態(tài)調(diào)整學(xué)習(xí)速率

如果BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練初期有較好的學(xué)習(xí)率，對(duì)后來(lái)的訓(xùn)練未必合適，因此，本文對(duì)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行改進(jìn)，采用動(dòng)態(tài)調(diào)整學(xué)習(xí)速率的方法，使得BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出盡可能地接近期望輸出。這樣做，不僅提高了學(xué)習(xí)算法的可靠性，還縮短了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間。

選取BP神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的實(shí)際輸出和期望輸出的平均絕對(duì)誤差e1及其變化率e2兩個(gè)變量，即：

式（6）（7）中：e1（t）和 e1（t－1）為第 t和 t－1 時(shí)的平均絕對(duì)值誤差。

學(xué)習(xí)速率η的表達(dá)式為：

式（9）（10）中：k1和k2為比例因子，調(diào)整f1和f2的比例；b1和b2為權(quán)重因子，修正f1和f2的權(quán)重。k1，k2和b1，b2的值需根據(jù)實(shí)際需要，經(jīng)過(guò)反復(fù)實(shí)驗(yàn)確定。

3.3 修改BP神經(jīng)網(wǎng)絡(luò)的權(quán)值

設(shè)BP神經(jīng)網(wǎng)絡(luò)有m個(gè)輸入節(jié)點(diǎn)，輸出層有l(wèi)個(gè)輸出節(jié)點(diǎn)，隱含層有q個(gè)節(jié)點(diǎn)，ωij是輸入層與隱含層節(jié)點(diǎn)之間的連接權(quán)值，ωjk是隱含層與輸出層節(jié)點(diǎn)之間的連接權(quán)值。

BP神經(jīng)網(wǎng)絡(luò)輸入層的第i個(gè)節(jié)點(diǎn)的輸入為neti＝xi，輸出為Oi＝neti；隱含層的第j個(gè)節(jié)點(diǎn)的輸入為輸出為Oj＝f（netj）；輸出層的第k個(gè)節(jié)點(diǎn)的輸入為netk＝，輸出為Ok＝f（netk）。其中，i＝1， 2，…，m；j＝1，2，…，q；k＝1，2，…，l.

定義反傳誤差信號(hào)為：

輸出層權(quán)值的調(diào)整公式為：△ωjk＝ηδkOj.

隱含層權(quán)值的調(diào)整公式為：△ωij＝ηδjOi.

3.4 判斷是否達(dá)到要求的精度

如果達(dá)到了BP神經(jīng)網(wǎng)絡(luò)要求的精度，則執(zhí)行步驟3.5，否則執(zhí)行步驟3.1的內(nèi)容。

3.5 判斷是否完成訓(xùn)練次數(shù)

如果完成了訓(xùn)練的總次數(shù)，則保存已訓(xùn)練的樣本；否則執(zhí)行步驟3.1的內(nèi)容。

3.6 反歸一化處理得到預(yù)測(cè)值

對(duì)S2中的歸一化公式進(jìn)行反歸一化運(yùn)算，得到：

式（11）中：x?（n+1）為復(fù)雜電子設(shè)備故障樣本的預(yù)測(cè)值。

4 結(jié)束語(yǔ)

為了更好地實(shí)現(xiàn)對(duì)復(fù)雜電子設(shè)備的故障預(yù)測(cè)，本文提出了一種復(fù)雜電子設(shè)備故障預(yù)測(cè)的方法。該方法利用粗糙集屬性約簡(jiǎn)方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，簡(jiǎn)化了樣本數(shù)據(jù)的數(shù)量；然后根據(jù)改進(jìn)的遺傳算法獲得最佳神經(jīng)元初始權(quán)值和閾值；對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，動(dòng)態(tài)調(diào)整學(xué)習(xí)速率，并用改進(jìn)后的訓(xùn)練算法訓(xùn)練網(wǎng)絡(luò)的連接強(qiáng)度；最后，對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行反歸一化處理，得到有效的預(yù)測(cè)值，并分析預(yù)測(cè)值與實(shí)際值之間的誤差。

這種方法能夠減少神經(jīng)網(wǎng)絡(luò)輸入層的個(gè)數(shù)，簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高神經(jīng)網(wǎng)絡(luò)泛化能力，縮短神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間。同時(shí)，利用遺傳算法的快速學(xué)習(xí)網(wǎng)絡(luò)權(quán)值的能力，擺脫了神經(jīng)網(wǎng)絡(luò)容易陷入極小點(diǎn)的困擾，加快了其收斂速度。

［1］陶志，許寶棟，汪定偉，等.基于遺傳算法的粗糙集知識(shí)約簡(jiǎn)方法［J］.系統(tǒng)工程，2003，21（4）：116-122.

［2］王國(guó)胤，姚一豫，于洪.粗糙集理論與應(yīng)用研究綜述［J］.計(jì)算機(jī)學(xué)報(bào)，2009，32（7）：1229-1246.

［3］劉永建，朱劍英，曾捷.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在發(fā)動(dòng)機(jī)性能趨勢(shì)分析和故障診斷中的應(yīng)用［J］.南京理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，34（1）：24-29.

［4］張向前，關(guān)小偉，陳力子.BP神經(jīng)網(wǎng)絡(luò)在武器火控系統(tǒng)故障診斷中的應(yīng)用［J］.計(jì)算機(jī)測(cè)量與控制，2010，18（11）：2576-2578.

TN06

A

10.15913/j.cnki.kjycx.2017.20.042

2095－6835（2017）20－0042－03

韓曉（1987—），男，碩士，工程師，主要從事裝備質(zhì)量監(jiān)督和質(zhì)量管理體系方面的研究。趙昶宇（1982—），男，陜西漢中人，工學(xué)碩士，高級(jí)工程師，主要從事嵌入式系統(tǒng)軟件測(cè)試方面的研究。

〔編輯：白潔〕