基于GRNN神經(jīng)網(wǎng)絡(luò)的電子裝備狀態(tài)預(yù)測方法研究?

陳 平 魏玉人

（1.中國人民解放軍91827部隊 威海 264200）（2.中國人民解放軍南部戰(zhàn)區(qū)海軍參謀部 湛江 524001）

1 引言

隨著軍隊信息化建設(shè)的不斷發(fā)展，電子裝備在艦艇上的部署和應(yīng)用越來越廣泛，對于提高部隊的作戰(zhàn)指揮效能發(fā)揮了重要作用。電子裝備健康狀態(tài)的自動檢測與故障診斷是目前研究的一個熱點(diǎn)問題。從當(dāng)前的實踐來看，電子裝備的狀態(tài)檢測大多依賴人工經(jīng)驗，往往在裝備出現(xiàn)實際使用問題或故障后才進(jìn)行檢查維修，如果裝備在執(zhí)行任務(wù)或其它緊急場合發(fā)生故障時，對問題的排查和修復(fù)則需要消耗大量時間和精力［1］，對任務(wù)的順利遂行造成不利影響。實際上，電子裝備的健康狀態(tài)往往是一個逐漸變化的過程，隨著使用時間增長各參數(shù)項都在發(fā)生著變化，并最終導(dǎo)致故障發(fā)生［2～3］。因此，對裝備狀態(tài)進(jìn)行實際監(jiān)測，根據(jù)其變化規(guī)律可以預(yù)測出將來可能產(chǎn)生的故障，做到提前維護(hù)，從而延長裝備的使用壽命并更好地發(fā)揮其效能。

為更好地解決艦艇電子裝備的狀態(tài)預(yù)測問題，本文利用連接到裝備的傳感器所采集的狀態(tài)參數(shù)，基于GRNN神經(jīng)網(wǎng)絡(luò)建立起電子裝備的狀態(tài)預(yù)測模型，對其進(jìn)行訓(xùn)練和測試，最終達(dá)到準(zhǔn)確預(yù)測電子裝備狀態(tài)即可能發(fā)生的故障的目的。

2 GRNN神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)，它是一個由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)［4］。

廣義回歸神經(jīng)網(wǎng)絡(luò)（General Regression Neural Network，GRNN）是以估計器理論為基礎(chǔ)，由D.F.Specht于1991年提出的，是徑向基函數(shù)網(wǎng)絡(luò)的一種變化形式［5～7］。GRNN建立在徑向基函數(shù)網(wǎng)絡(luò)和非參數(shù)回歸基礎(chǔ)上，具有良好的非線性逼近性能，可用于解決擬合回歸、模式識別、分類識別等問題中。GRNN網(wǎng)絡(luò)具有連續(xù)函數(shù)逼近性能好、分類能力好、學(xué)習(xí)過程收斂速度快等優(yōu)點(diǎn)，應(yīng)用于電子裝備的狀態(tài)預(yù)測問題中，可以有效根據(jù)現(xiàn)有的裝備狀態(tài)和故障數(shù)據(jù)進(jìn)行學(xué)習(xí)并做出預(yù)測。

GRNN的結(jié)構(gòu)一般由輸入層、隱含層和輸出層組成。輸入層將輸入變量傳入隱含層；隱含層以歐式距離函數(shù)（||dist||）為權(quán)值函數(shù)來計算輸入與第一層的權(quán)值 IW1，1間的距離，以b1為閾值，以徑向基函數(shù)為傳遞函數(shù)（通常采用高斯函數(shù)）；第三層為線性輸出層，其權(quán)函數(shù)為規(guī)范化點(diǎn)積權(quán)函數(shù)（nprod），計算網(wǎng)絡(luò)的向量為n2并將其提供給線性傳遞函數(shù)a2=purelin(n2)以計算網(wǎng)絡(luò)輸出［8］。GRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 GRNN結(jié)構(gòu)

3 基于GRNN網(wǎng)絡(luò)的電子裝備狀態(tài)預(yù)測模型

電子裝備的狀態(tài)預(yù)測模型主要分為數(shù)據(jù)信息采集和狀態(tài)預(yù)測兩部分，通過對電子裝備各分系統(tǒng)和設(shè)備信號傳遞的正確性檢查，系統(tǒng)控制與裝備的工作協(xié)調(diào)性檢查，實現(xiàn)對各設(shè)備接口信號的實時采集與檢測，進(jìn)而實現(xiàn)故障的自動診斷與處理。

3.1 模型構(gòu)成

電子裝備狀態(tài)預(yù)測模型主要由數(shù)據(jù)采集、數(shù)據(jù)庫和計算機(jī)處理三部分組成。數(shù)據(jù)采集部分主要采用傳感器和數(shù)據(jù)采集卡等硬件設(shè)備和數(shù)據(jù)處理軟件完成電子裝備狀態(tài)參數(shù)的采集和預(yù)處理。數(shù)據(jù)庫模塊中儲存狀態(tài)參數(shù)、故障信息等訓(xùn)練數(shù)據(jù)以及故障解決方案［9］。計算機(jī)處理模塊主要由GRNN神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)構(gòu)成，完成對狀態(tài)參數(shù)等數(shù)據(jù)的分析處理，輸出故障可能和對應(yīng)解決方案。電子裝備狀態(tài)預(yù)測模型結(jié)構(gòu)如圖2所示。

圖2 電子裝備狀態(tài)預(yù)測模型結(jié)構(gòu)圖

3.2 數(shù)據(jù)采集和預(yù)處理

數(shù)據(jù)采集通過電子裝備內(nèi)部自檢以及外接傳感器、數(shù)據(jù)采集卡等實現(xiàn)?，F(xiàn)代艦船電子裝備的操作檢測機(jī)內(nèi)一體化設(shè)計使得其自身可以實時檢測監(jiān)控狀態(tài)信息，對于機(jī)內(nèi)不能自動檢測的狀態(tài)信息則通過接入傳感器的方式檢測狀態(tài)參數(shù)，獲得對應(yīng)模塊器件的電壓、溫度、濕度等數(shù)據(jù)信息，最后通過數(shù)據(jù)采集卡完成信號的轉(zhuǎn)換并傳入計算機(jī)中［10］。在計算機(jī)中完成信號的預(yù)處理，對采集的原始數(shù)據(jù)進(jìn)行分類整理和歸一化操作，形成標(biāo)準(zhǔn)的狀態(tài)參數(shù)信息以作為狀態(tài)預(yù)測的輸入。

3.3 基于GRNN網(wǎng)絡(luò)的狀態(tài)預(yù)測

狀態(tài)預(yù)測模型中采用GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行狀態(tài)預(yù)測。首先以電子裝備的各狀態(tài)參數(shù)作為輸入，以電子裝備各模塊可能發(fā)生的故障作為輸出建立GRNN網(wǎng)絡(luò)，每一個輸出變量取值為0～1之間，表示該故障可能發(fā)生的概率。根據(jù)現(xiàn)有裝備的狀態(tài)及已知的故障特征作為訓(xùn)練數(shù)據(jù)，對建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練不斷優(yōu)化網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)和參數(shù)權(quán)值。

針對要進(jìn)行預(yù)測的特定裝備，輸入其狀態(tài)參數(shù)信息，獲取GRNN網(wǎng)絡(luò)對應(yīng)的輸出向量，表征該裝備目前的運(yùn)行狀態(tài)和可能發(fā)生的故障，將輸出向量輸入對應(yīng)裝備的故障維護(hù)數(shù)據(jù)庫檢索獲得維護(hù)或檢修方案。

3.4 裝備狀態(tài)信息數(shù)據(jù)庫

該數(shù)據(jù)庫負(fù)責(zé)記錄電子裝備在不同工作狀態(tài)下（包括正常狀態(tài)與各模塊發(fā)生各種類型故障的狀態(tài)）的各狀態(tài)參數(shù)信息，為GRNN網(wǎng)絡(luò)提供訓(xùn)練數(shù)據(jù)。數(shù)據(jù)庫中的信息由裝備制造廠家提供，同時在裝備的使用過程中通過操作人員的記錄也可以不斷為數(shù)據(jù)庫增添新的記錄以不斷提高GRNN網(wǎng)絡(luò)的訓(xùn)練精度［11］。

3.5 裝備故障維護(hù)數(shù)據(jù)庫

裝備故障維護(hù)數(shù)據(jù)庫記錄電子裝備各故障的維護(hù)處理方法，數(shù)據(jù)由電子裝備生產(chǎn)廠家以及相關(guān)專家提供。根據(jù)此數(shù)據(jù)庫建立專家系統(tǒng)［12］，輸入故障問題后計算機(jī)可根據(jù)數(shù)據(jù)庫中的信息進(jìn)行分析判斷，自動檢索解決方案并反饋給用戶。

4 模型仿真分析

為驗證模型的預(yù)測能力，選取模擬某一型電子裝備狀態(tài)參數(shù)與故障信息數(shù)據(jù)，利用Matlab進(jìn)行仿真。輸入為接口、通信芯片、DSP、存儲器、電源等電路的電壓、電流、電阻、溫度參數(shù)數(shù)據(jù)，經(jīng)標(biāo)準(zhǔn)化處理后數(shù)據(jù)的值為0～1之間。輸出為密碼模塊各類故障概率，包括接口故障、芯片損壞、電路短路、電源燒毀、算法丟失損壞等。

將基于GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測模型與普通的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)［4］的預(yù)測結(jié)果進(jìn)行比較，分別利用Matlab產(chǎn)生GRNN、RBF和BP神經(jīng)網(wǎng)絡(luò)，從現(xiàn)有的150組數(shù)據(jù)中隨機(jī)選取其中120組作為訓(xùn)練數(shù)據(jù)對它們進(jìn)行訓(xùn)練。將其余30組數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)并比較輸出，分析比較不同神經(jīng)網(wǎng)絡(luò)對狀態(tài)的預(yù)測效果。不同神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差如圖3所示。

圖3 基于GRNN網(wǎng)絡(luò)預(yù)測與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的平均概率誤差比較

從圖3中顯示，基于GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測模型的預(yù)測結(jié)果誤差最小，精度最高。其他兩種神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果均存在多處預(yù)測不準(zhǔn)確的地方，三種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果如圖4～圖6所示。

圖4 基于GRNN網(wǎng)絡(luò)預(yù)測結(jié)果

圖5 基于RBF網(wǎng)絡(luò)預(yù)測結(jié)果

圖6 基于BP網(wǎng)絡(luò)預(yù)測結(jié)果

由圖4～圖6可見，基于神經(jīng)網(wǎng)絡(luò)的電子裝備狀態(tài)預(yù)測模型能夠?qū)ρb備的狀態(tài)和可能產(chǎn)生的故障做出預(yù)測，在實際數(shù)據(jù)和經(jīng)驗訓(xùn)練下預(yù)測結(jié)果具有可信度，能夠減輕維護(hù)人員的檢測負(fù)擔(dān)。由三種不同神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的對比分析可知，基于GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果較RBF和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果更好，出現(xiàn)預(yù)測失誤的可能更小。

5 結(jié)語

利用GRNN神經(jīng)網(wǎng)絡(luò)建立電子裝備的狀態(tài)預(yù)測模型，通過傳感器采集的裝備狀態(tài)參數(shù)，利用GRNN網(wǎng)絡(luò)預(yù)測裝備可能產(chǎn)生的故障類型。通過仿真實驗分析，表明模型具有較好的預(yù)測能力，可以有效作出故障診斷，減輕維護(hù)人員的負(fù)擔(dān)?；贕RNN網(wǎng)絡(luò)的狀態(tài)預(yù)測模型具有以下優(yōu)點(diǎn)：

1）預(yù)測過程基于神經(jīng)網(wǎng)絡(luò)運(yùn)算，速度快，效果好，可以實現(xiàn)電子裝備狀態(tài)的實時監(jiān)控和預(yù)測，實時追蹤發(fā)生故障的可能性，及時發(fā)現(xiàn)可能出現(xiàn)的問題并提前進(jìn)行解決處理。

2）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)基于電子裝備的設(shè)計廠家和大量的實際使用案例，可靠度高，具有良好的客觀性，利于使網(wǎng)絡(luò)參數(shù)達(dá)到最佳預(yù)測效果。

3）基于神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，預(yù)測過程中可充分考慮不同模塊之間參數(shù)的相互影響，使故障定位更加精準(zhǔn)。

下一步工作將進(jìn)一步提升狀態(tài)預(yù)測模型的性能，使預(yù)測更加精準(zhǔn)，故障定位更加準(zhǔn)確，同時加強(qiáng)對專家數(shù)據(jù)庫的分析檢索能力，智能地提出電子裝備的維護(hù)檢修方案。