基于神經(jīng)網(wǎng)絡(luò)的某裝備智能故障診斷方法研究?

馬長剛 李 青 孫大林 周 杰

（1.空軍勤務(wù)學(xué)院 徐州 221000）（2．94676部隊 上海 202150）（3．95696部隊 重慶 401329）

基于神經(jīng)網(wǎng)絡(luò)的某裝備智能故障診斷方法研究?

馬長剛1李 青1孫大林2周 杰3

（1.空軍勤務(wù)學(xué)院 徐州 221000）（2．94676部隊 上海 202150）（3．95696部隊 重慶 401329）

BP網(wǎng)絡(luò)診斷對定量數(shù)據(jù)的系統(tǒng)故障診斷效果明顯，但無法處理定性故障數(shù)據(jù)的系統(tǒng)診斷問題。論文研究了處理定性數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)裝備的智能故障診斷方法，通過對故障現(xiàn)象編碼等預(yù)處理技術(shù)，將定性數(shù)據(jù)轉(zhuǎn)換為定量數(shù)據(jù)，基于知識庫實現(xiàn)了某裝備故障診斷的自動化與智能化，極大地提高了裝備故障診斷效率，拓展了BP網(wǎng)絡(luò)診斷方法的應(yīng)用范圍。

神經(jīng)網(wǎng)絡(luò)；智能診斷；裝備故障；定性數(shù)據(jù)分析

1 引言

某型裝備在長期貯存與保障過程中，其性能指標會在各種因素作用下衰變，出現(xiàn)各種故障。這些故障數(shù)據(jù)具有高度的非線性且特點明顯，如：故障數(shù)據(jù)難量化，不利于定量處理；某些故障發(fā)生次數(shù)少、突發(fā)性強、數(shù)據(jù)采集困難、數(shù)據(jù)樣本量??；故障發(fā)生受多因素影響，數(shù)據(jù)不確定性強；故障現(xiàn)象和故障定位不具有一對一的映射關(guān)系等。而且隨著裝備的不斷使用，故障數(shù)據(jù)中故障描述具有專家經(jīng)驗的特點，包含了故障模式、故障現(xiàn)象與原因的映射關(guān)系、故障處置建議等信息。對于這一類裝備無法采用基于定量故障數(shù)據(jù)的故障診斷方法進行故障診斷，必須研究新的依據(jù)定性數(shù)據(jù)進行故障診斷的方法。本文利用神經(jīng)網(wǎng)絡(luò)技術(shù)，通過對定性數(shù)據(jù)的預(yù)處理，提出了基于知識的裝備智能故障診斷方法，并應(yīng)用于某裝備的故障診斷。

2 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷過程

鑒于裝備故障數(shù)據(jù)特點，裝備故障診斷方法應(yīng)能科學(xué)分析定量和定性兩類故障數(shù)據(jù)，處理不確定性信息，智能、快速地進行故障診斷。智能故障診斷方法就是通過對裝備故障及其解決方案等知識的不斷積累，達到迅速解決裝備故障診斷問題。

人工神經(jīng)網(wǎng)絡(luò)（ANN）方法是一種智能的人腦仿生信息系統(tǒng)，采用非線性的方式處理數(shù)據(jù)并建立數(shù)據(jù)間的聯(lián)系，在學(xué)習、聯(lián)想記憶、非線性映射等方面優(yōu)勢明顯，而BP神經(jīng)網(wǎng)絡(luò)具有網(wǎng)絡(luò)結(jié)構(gòu)簡單，算法成熟，計算速度快、易仿真實現(xiàn)和易更改等優(yōu)點。因此，本文將BP神經(jīng)網(wǎng)絡(luò)用于裝備智能故障診斷。關(guān)于BP神經(jīng)網(wǎng)絡(luò)的基本理論在此不再贅述。

利用BP神經(jīng)網(wǎng)絡(luò)進行故障診斷，其診斷過程為：分別把故障現(xiàn)象及其對應(yīng)原因作為輸入和輸出，并建立現(xiàn)象和原因之間的非線性關(guān)系。故障診斷的流程如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障診斷過程示意圖

Step1：故障數(shù)據(jù)的預(yù)處理。通過歸一化處理、數(shù)據(jù)挖掘等方式對數(shù)據(jù)進行訓(xùn)練前的調(diào)整，使BP網(wǎng)絡(luò)能夠更好地接納；

Step2：構(gòu)建網(wǎng)絡(luò)模型。包括網(wǎng)絡(luò)層數(shù)及隱含層節(jié)點數(shù)的確定、學(xué)習函數(shù)的選取、計算精度的設(shè)定等。

Step3：訓(xùn)練神經(jīng)網(wǎng)絡(luò)。利用學(xué)習樣本進行有導(dǎo)師型的訓(xùn)練，在學(xué)習中自動調(diào)節(jié)權(quán)值和閾值，收斂后使之逼近計算精度的設(shè)定值。

Step4：故障診斷。將任意故障現(xiàn)象輸入BP網(wǎng)絡(luò)，根據(jù)反饋結(jié)果并對照實際裝備完成故障判定和維修工作［1］。

3 基于BP神經(jīng)網(wǎng)絡(luò)和定性數(shù)據(jù)的某型空地導(dǎo)彈故障診斷方法研究

基于BP神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法，就是要對定性描述的故障現(xiàn)象通過采用基于粗糙集的故障數(shù)據(jù)預(yù)處理方法進行量化［2］，然后，采用BP神經(jīng)網(wǎng)絡(luò)技術(shù)進行故障診斷。經(jīng)過預(yù)處理后的故障數(shù)據(jù)可有效增強辨識力、縮短訓(xùn)練時間和訓(xùn)練步數(shù)。對定性數(shù)據(jù)的建模如下：

Step1：定性故障數(shù)據(jù)的預(yù)處理和網(wǎng)絡(luò)輸入輸出的設(shè)計

由于BP網(wǎng)絡(luò)是多輸入-單輸出模型，并且輸出量范圍是［0，1］［3］。而該裝備的每一個故障現(xiàn)象可能會映射多個原因，即診斷結(jié)果不唯一，需人工排查確定故障真實原因。為適用于BP網(wǎng)絡(luò)，對故障現(xiàn)象的編號做如下調(diào)整：

1）用四位數(shù)對故障現(xiàn)象編號并作為輸入量，使輸入維數(shù)為1。

2）故障原因由于有多個，BP輸出又是單一的。而診斷任意故障最終都不會直接得到一個確定的原因，因此將所有故障原因的編號作為輸出不合適。所以對故障原因采用：把某一種故障現(xiàn)象的原因個數(shù)作為輸出量，如1101故障有三個原因，則要求BP網(wǎng)絡(luò)的輸出為3。而對故障原因的個數(shù)將采用二進制數(shù)來表示。

通過已收集到的數(shù)據(jù)顯示，故障原因最多六個，但隨著裝備的使用，某一故障現(xiàn)象的新誘因可能被發(fā)現(xiàn)，所以采用三位以上的二進制碼表示。一方面為今后故障原因的補充留下余地，并且數(shù)據(jù)更改簡便；另一方面，由于數(shù)據(jù)差異不大，比采用歸一化的預(yù)處理要容易，同時滿足BP模型的輸出要求。表1為一個故障原因個數(shù)的3位二進制編碼表，得到的診斷結(jié)果為一個三維行向量的單輸出。

表1 故障原因個數(shù)的3位二進制編碼表

Step2：BP神經(jīng)網(wǎng)絡(luò)的建立

利用Matlab進行仿真實驗，設(shè)置網(wǎng)絡(luò)有三層：輸入層、輸出層和隱含層［49］。以某裝備的故障現(xiàn)象編碼作為輸入，故輸入層節(jié)點數(shù)n=1；輸出是表征故障原因個數(shù)的一個三維行向量，因此輸出節(jié)點需要m=3個；隱含層用以逼近任何有理函數(shù)，其節(jié)點數(shù)l由經(jīng)驗公式l=2n+a或且為整數(shù)）確定。

a的取值的確定：一般設(shè)置目標最小均方誤差為1e-8，訓(xùn)練1000次。但通過仿真發(fā)現(xiàn)，不論采用哪種經(jīng)驗公式，a取何值，最終訓(xùn)練完成后的BP網(wǎng)絡(luò)的Performance達不到預(yù)期的1e-8，且達到穩(wěn)定時的訓(xùn)練步數(shù)在500步以內(nèi)。計算精度如表2所示。

表2 訓(xùn)練精度

通過仿真發(fā)現(xiàn)，由于訓(xùn)練1000次的實際精度都在1e-2到1e-1之間，且大于0.11，小于0.17，所以可以取中間值，設(shè)訓(xùn)練精度為0.14。仿真結(jié)果表明：精度在0.14左右，達到穩(wěn)定時訓(xùn)練步數(shù)相對較少，此時l=7，a=5，由此可確定隱含節(jié)點數(shù)為7。

Step3：BP網(wǎng)絡(luò)的訓(xùn)練

通過網(wǎng)絡(luò)設(shè)計及基于定性數(shù)據(jù)的BP網(wǎng)絡(luò)訓(xùn)練，BP網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖2所示，其中黑色曲線表示目標精度，灰色為訓(xùn)練精度。

圖2 基于定性數(shù)據(jù)的BP網(wǎng)絡(luò)訓(xùn)練精度

Step4：BP網(wǎng)絡(luò)測試及故障診斷

使用定性數(shù)據(jù)測試樣本測試網(wǎng)絡(luò)，測試結(jié)果共98組，其中正常輸出81組，與目標輸出不相符的有17組，仿真正確率82.7%，基本達到故障診斷的預(yù)期要求。

該方法對于新的、數(shù)據(jù)庫中尚不存在的故障，需要借助其他診斷方法共同完成診斷任務(wù)。診斷完成之后，按統(tǒng)一編碼形式對數(shù)據(jù)庫進行補充，并重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

4 基于BP神經(jīng)網(wǎng)絡(luò)和定量數(shù)據(jù)的某裝備故障診斷方法研究

在定性數(shù)據(jù)的應(yīng)用上，BP網(wǎng)絡(luò)的診斷結(jié)果還有待提高。而基于定量測量數(shù)據(jù)的診斷方法已經(jīng)十分成熟，且廣泛應(yīng)用。由于某裝備之綜合測試設(shè)備具有基于測量信號診斷的能力，下面給出BP網(wǎng)絡(luò)在該裝備故障診斷中的應(yīng)用。

假設(shè)在裝備電氣系統(tǒng)測試時出現(xiàn)短路，表現(xiàn)為電流突然增大并超出正常用電流值。通過分析裝備電氣系統(tǒng)結(jié)構(gòu)，發(fā)現(xiàn)故障原因可能有：部件1、部件2或部件3故障。需測量的參數(shù)為：1#～6#電纜不同組合時，該裝備與測試設(shè)備分離插座的供電正負線之間的電阻值。

具體表現(xiàn)為：故障時，測量裝備與測試設(shè)備分離插座的供電正負線之間的電阻R0＜3Ω。斷開1#與2#、1#與4#、1#與6#后，再次測量正負線電阻R1；以及斷開2#與3#、4#與5#后，測量1#與2#連接后的 R2，1#與3#連接后的 R3，1#與4#連接后的R4，1#與5#連接后的R5。樣本數(shù)據(jù)及故障類型如表3和表4。

表3 故障類型

基于16組訓(xùn)練樣本，BP網(wǎng)絡(luò)訓(xùn)練精度如圖3所示。

圖3 基于定量數(shù)據(jù)的BP網(wǎng)絡(luò)訓(xùn)練精度

4組測試樣本的測試輸出結(jié)果與目標輸出相一致。實踐表明，基于定量數(shù)據(jù)的BP網(wǎng)絡(luò)診斷法完全適用于某裝備的故障診斷。

5 結(jié)語

裝備故障診斷與處理既涉及定量數(shù)據(jù)，也涉及定性數(shù)據(jù)。在某型裝備故障診斷中，基于定量數(shù)據(jù)的BP網(wǎng)絡(luò)診斷法診斷精度高、可靠性好，但卻無法用于該裝備基于定性數(shù)據(jù)的故障診斷。本文通過數(shù)據(jù)預(yù)處理方法對定性描述的故障現(xiàn)象進行量化，研究提出了基于BP神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法，很好地解決了用定性數(shù)據(jù)進行裝備故障診斷的問題。

［1］傅薈漩，趙紅等.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.

［2］王晶，徐百榮.基于神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈引信故障危害度研究［J］.徐州空軍學(xué)院學(xué)報，2007，18（3）：36-39.

［3］周杰等.基于粗糙集的知識約簡算法改進研究［J］.徐州空軍學(xué)院學(xué)報，2011（5）：65-68.

［4］趙導(dǎo)，齊曉慧等.基于仿真數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)故障診斷方法［J］.計算機工程與設(shè)計，2010，31（9）：2020-2022.

［5］鐘宇，白云等.某自動測試系統(tǒng)神經(jīng)網(wǎng)絡(luò)故障診斷模塊設(shè)計與實現(xiàn)［J］.航天控制，2011，29（5）：58-62，76.

［6］文天柱，許愛強等.基于粒子群優(yōu)化的可拓神經(jīng)網(wǎng)絡(luò)故障診斷方法研究［J］.計算機測量與控制，2014，22（2）：346-366，369.

［7］王秋彥，鞠建波等.優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在電子設(shè)備故障診斷中的應(yīng)用［J］.現(xiàn)代電子技術(shù)，2012（3）.

Research on Intelligent Fault Diagnosis Methods for Some Equipment Based on Neural Network

MA Changgang1LI Qing1SUN Dalin2ZHOU Jie3
（1.Air Force Logistics College，Xuzhou 221000）（2.No.94676 Troops of PLA，Shanghai 202150）（3.No.95696 Troops of PLA，Chongqing 401329）

The problem of diagnosis on qualitative data system is still unresolved，although the effect of BP neural diagnosis on system fault which consist of quantitative data is obvious.The chapter is intended to study intelligent fault diagnosis methods on dealing with qualitative data of BP neural network equipment，switching qualitative data into quantitative data by applying some pretreatment technology like coding of fault diagnosis，realizing automation and intellectualization of fault diagnosis for equipment based on knowledge base，greatly improving the efficiency of fault diagnosis of equipment，expanding application range of BP neural network diagnosis methods.

neural network，intelligent diagnosis，equipment fault，qualitative data analysis

TP274

10.3969∕j.issn.1672-9730.2017.10.024

Class Number TP274

2017年5月5日，

2017年6月10日

馬長剛，男，碩士研究生，研究方向：武器系統(tǒng)與運用工程。