優(yōu)化的BP神經(jīng)網(wǎng)絡在電子設備故障診斷中的應用

摘 要:給出BP神經(jīng)網(wǎng)絡故障診斷模型，研究了共軛梯度法對BP算法進行優(yōu)化設計。針對電子設備的一些實測數(shù)據(jù)，利用優(yōu)化的神經(jīng)網(wǎng)絡對其進行了故障診斷，給出實驗的仿真結果，并進行詳細的分析，最后得出設備的診斷結果。通過實驗證明，基于共軛梯度法的BP神經(jīng)網(wǎng)絡優(yōu)化算法應用于電子設備故障診斷，其診斷率較高，有很強的實用性。

關鍵詞:BP神經(jīng)網(wǎng)絡;優(yōu)化設計;共軛梯度法;故障診斷

中圖分類號:TP306 文獻標識碼:A

文章編號:1004-373X(2010)03-147-03

Application of Optimized BP Neural Network in Fault Diagnosis Against Avionics

WANG Qiuyan，JU Jianbo，JIN Xin

(Naval Aeronautical Astronautical University，Yantai，264001，China)

Abstract:BP fault diagnosis model is given out，the conjugate gradient is studied and carried on the optimum design to BP algorithm.According to the surveyed data which are directed against one avionics，the optimized neural network is applied in the fault diagnosis against the avionics，the simulation of experiment and the result of fault diagnosis are given out.It proves that when BP based on the conjugate gradient is applied in fault diagnosis，its diagnosis efficiency is higher，and this method has strong practical value.

Keywords:BP neural network;optimum design;conjugate gradient;fault diagnosis

隨著現(xiàn)代科學技術的發(fā)展，設備的集成度越來越高，越來越復雜，故障診斷技術的出現(xiàn)為提高系統(tǒng)的可靠性和安全性開辟了一條新的途徑。近些年來，由于計算機技術、信號處理、人工智能、模式識別技術的發(fā)展，促進了故障診斷技術的不斷發(fā)展，大型復雜電子設備的出現(xiàn)，使得人們更迫切地希望能提高整體可靠性與維修性，這就給故障診斷提出了更高的要求。因此，對故障診斷技術的研究[1]有著重要的理論及現(xiàn)實意義。

1 BP神經(jīng)網(wǎng)絡故障診斷模型

一個神經(jīng)網(wǎng)絡用于故障診斷時，主要包括三層[2]:輸入層，即從設備對象接收各種故障信息和現(xiàn)象;中間層，是把從輸入層得到的故障信息，經(jīng)內(nèi)部的學習和處理，轉化為針對性的解決辦法;輸出層，是針對輸入的故障形式，經(jīng)過調(diào)整權值后得到的故障處理方法。對于一個新的輸入狀態(tài)信息，訓練好的網(wǎng)絡將由輸出層給出故障識別結果。BP神經(jīng)網(wǎng)絡故障診斷模型如圖1所示。

2 BP神經(jīng)網(wǎng)絡的優(yōu)化——共軛梯度法

雖然神經(jīng)網(wǎng)絡模型已成功應用于模式識別、函數(shù)逼近、時間序列預測等領域，但是由于BP學習算法僅改變網(wǎng)絡的連接值和閾值，不改變網(wǎng)絡的拓撲結構，因此BP網(wǎng)絡在處理具體問題時還存在收斂速度慢，易陷入局部極小值等缺點[3]。為了解決BP網(wǎng)絡訓練的缺點，人們提出了多種有益的改進方法[4]。

圖1 BP神經(jīng)網(wǎng)絡故障診斷模型

本文研究了共軛梯度法對BP神經(jīng)網(wǎng)絡進行優(yōu)化設計，基本思想如下:

傳統(tǒng)的前向多層網(wǎng)絡的BP學習算法實質(zhì)上是無約束的最速下降法，改進的BP算法是對最速下降法作了一些約束;而共軛梯度法則是介于最速下降法和牛頓法之間的一種方法，它僅需要利用一階導數(shù)信息，不僅克服了BP學習算法收斂慢的缺點，又避免了存儲和計算牛頓法所需要的二階導數(shù)信息。共軛梯度法的計算步驟和最速下降梯度法差別不大，主要差別在于搜索方向不同，即每一步的方向不是梯度的負方向，而是一種共軛的方向。由原來的負梯度方向加上一個修正項得到共軛方向，也就是使得最速下降法具有共軛性，從而提高算法的有效性和可靠性。共軛梯度法應用于神經(jīng)網(wǎng)絡中的目的是求誤差函數(shù)E(W)的最小值。算法主要是利用共扼梯度方向來修正權值W，使W的確定更為快速，計算過程如下:

(1) 初始化權值W1，令k=1;

(2) 計算網(wǎng)絡的負梯度矢量:

設p1=r1=-E′(W1)，式中E′(W1)是根據(jù)BP算法求出的負梯度。

(3) 計算步長ak:

ak = pTkrkpTkEn(Wk)pk

式中:En(W1)為誤差函數(shù)對權值矢量W的二次導數(shù)。

(4) 調(diào)整權值:

Wk+1=Wk+akpk

rk=-E′(Wk+1)

(5) 如果k除以樣本數(shù)N的余數(shù)為零時，pk+1=rk+1，否則計算新的搜索方向:

pk+1=rk+12-rTk+1rk(pTkrk)+rk+1

(6) 如果梯度方向rk>ε，則置k=k+1，否則停止，Wk+1為所求權值矢量。

3 診斷實例

現(xiàn)以一電子設備為診斷對象[5]，驗證優(yōu)化的BP神經(jīng)網(wǎng)絡算法。樣本數(shù)據(jù)從測試口測試獲得，一共6個測試點，10個板卡故障。診斷步驟如下:

(1) 故障特征提取[6]

表1為實驗測得的故障樣本數(shù)據(jù);表2為歸一化后的數(shù)據(jù)，其激活函數(shù)[7]采用S型函數(shù)f=1/(1+e-ax);表3為神經(jīng)網(wǎng)絡的目標輸出模式，1表示有故障，0表示正常。

(2) BP網(wǎng)絡的訓練

取輸入節(jié)點N1=6，輸出節(jié)點N3=11，隱層節(jié)點采用N2=N1N3+α，α取1~10，本實驗中α取7(根據(jù)訓練誤差曲線調(diào)整而得)，N2=15。學習率η=0.2，訓練誤差E<0.005，最大訓練次數(shù)n=1 000。圖2為BP網(wǎng)絡的訓練誤差曲線。

表1 故障樣本數(shù)據(jù)

V1 /VV2 /VV3 /VV4 /Vf1 /Hzf2 /Hz故障形式

10.25314.13510.62411.311205989MA-1

0.53614.7820.3250.259213996MA-2

5.1268.39513.69814.6872091 010MB-1

0.5684.8659.65814.5682151 008MB-2

14.32511.4590.2655.3682201 012MC-1

13.68412.0840.6574.865208990MC-2

13.95613.6529.65711.5272101 003MD

9.57612.65112.3570.8262111 013ME

5.3674.79512.6570.264221994MF

14.96510.5324.9769.853253856MG

5.01314.96510.0214.9862101 000正常

表2 自身數(shù)據(jù)歸一化

V1 /VV2 /VV3 /VV4 /Vf1 /Hzf2 /Hz故障形式

0.141 80.177 00.101 80.282 40.145 80.070 1MA-1

0.476 50.167 00.483 30.313 20.208 00.025 5MA-2

0.289 00.286 50.056 90.310 60.062 50.137 0MB-1

0.475 10.370 80.121 30.328 30.062 50.210 0MB-2

0.074 80.223 50.486 40.326 70.166 70.076 4MC-1

0.083 00.211 90.466 40.297 60.083 30.237 0MC-2

0.079 40.184 80.121 40.314 60.041 70.019 1MD

0.156 90.201 80.073 60.285 40.120 00.082 8ME

0.280 40.372 60.069 50.302 00.187 50.038 2MF

0.067 40.241 40.264 90.349 60.854 20.917 2MG

0.293 10.164 30.113 60.280 30.001 70.002 8正常

a=-0.175 6a=-0.108 7a=-0.205 1a=-0.063a=0.006 4a=0.0023

(3) BP網(wǎng)識別結果分析

① 用樣本自身數(shù)據(jù)輸入訓練好的神經(jīng)網(wǎng)絡中，其識別結果見表4。與故障模式對比分析可知，自身數(shù)據(jù)檢測正確率為100%。可見，該網(wǎng)絡達到了訓練的要求。

② 任取4組測試數(shù)據(jù)見表5，觀察其識別結果。表6為歸一化后的測試數(shù)據(jù)，表7為識別結果。與故障模式對比可知，第一組數(shù)據(jù)對應的故障是MA-1;第二組數(shù)據(jù)對應的故障是MB-2;第三組數(shù)據(jù)對應的故障是MD;第四組數(shù)據(jù)對應的故障是MG。由此可見，本網(wǎng)絡不僅能識別樣本本身的故障，而且能準確診斷樣本以外的數(shù)據(jù)故障。

圖2 BP網(wǎng)絡訓練誤差曲線

表3 神經(jīng)網(wǎng)絡的目標輸出模式

MA-110000000000

MA-201000000000

MB-100100000000

MB-200010000000

MC-100001000000

MC-200000100000

MD00000010000

ME00000001000

MF00000000100

MG00000000010

正常00000000000

表4 自身數(shù)據(jù)識別結果

0.983 10.000 00.000 00.000 00.000 30.000 00.000 00.000 00.000 00.000 00.000 0

0.000 00.999 00.000 00.000 40.000 10.003 30.000 00.000 00.000 00.000 30.007 0

0.001 20.000 00.995 70.184 50.000 00.000 00.000 00.009 20.000 40.000 00.037 3

0.001 50.001 40.002 90.889 90.000 00.000 00.000 00.000 00.000 00.000 00.000 3

0.000 40.014 80.000 00.000 00.995 90.000 10.000 40.000 00.000 00.000 00.000 0

0.000 00.001 70.000 20.000 20.000 00.940 10.000 10.000 20.000 70.004 60.000 4

0.000 10.000 00.000 00.000 00.004 60.000 00.961 80.007 80.000 00.000 00.000 0

0.034 60.000 00.040 50.000 00.000 00.000 00.062 80.995 90.002 00.000 00.000 0

0.018 70.003 90.172 30.715 80.002 30.012 80.002 90.023 10.886 20.169 00.009 7

0.000 00.000 00.000 00.000 10.000 00.000 00.000 00.000 00.004 10.996 80.000 0

0.001 50.000 30.000 20.000 00.001 10.000 40.004 50.002 00.000 10.000 50.000 8

表5 測試數(shù)據(jù)

V1 /VV2 /VV3 /VV4 /Vf1 /Hzf2 /Hz

9.58313.69510.52311.256209993

0.5344.6799.53914.2792161 010

13.98513.6549.73611.4792151 006

14.56910.4794.8739.532294817

表6 測試數(shù)據(jù)歸一化

0.146 70.179 80.103 60.292 00.143 60.069 5

0.476 60.375 50.123 90.334 00.065 80.210 9

0.079 00.184 80.119 50.314 00.042 60.018 7

0.062 90.242 50.269 00.354 20.849 70.943 1

a=-0.175 6a=-0.108 7a=-0.205 1a=-0.063a=0.006 4a=0.002 3

表7 測試數(shù)據(jù)識別結果

0.994 80.000 00.000 00.000 10.000 10.000 00.002 60.000 50.003 80.000 00.000 2

0.000 90.000 90.013 00.999 60.000 00.000 00.001 50.000 00.000 10.000 00.000 9

0.412 40.000 00.001 50.000 00.001 00.000 00.999 50.003 10.000 00.000 00.000 2

0.000 00.000 00.003 00.000 00.001 70.000 00.196 90.000 00.000 40.979 50.000 3

4 結 語

本次實驗中的BP神經(jīng)網(wǎng)絡采用共軛梯度法進行優(yōu)化設計，由實驗數(shù)據(jù)可知，該網(wǎng)絡能夠準確診斷數(shù)據(jù)的故障狀態(tài)，可見，該方法能夠成功應用于設備的故障診斷中。故障診斷是一門實用性很強的技術，因此只有在實際應用中才能體現(xiàn)它的價值，目前在理論研究方面雖有不少進展，但真正在工程實踐中成功應用的實例還較少，因此如何將先進的故障診斷理論與方法應用到實際中，還有待更深入的研究。

參考文獻

[1]聞新，周露.神經(jīng)網(wǎng)絡故障診斷技術的可實現(xiàn)性[J].導彈與航天運載技術，2000，13(2):17-22.

[2]朱大奇.電子設備故障診斷原理與實踐[M].北京:電子工業(yè)出版社，2004.

[3]高雪鵬，叢爽.BP網(wǎng)絡改進算法的性能對比研究[J].控制與決策，2001，16(2):167-171.

[4]高洪深，陶有德.BP神經(jīng)網(wǎng)絡模型的改進[J].系統(tǒng)工程理論與實踐，1996(1):37-40.

[5]張義忠.基于神經(jīng)網(wǎng)絡電子裝備故障診斷的仿真研究[J].計算機仿真，2000，17(4):39-42.

[6]王承.基于神經(jīng)網(wǎng)絡的模擬電路故障診斷方法研究[D].成都:電子科技大學，2005.

[7]韓力群.人工神經(jīng)網(wǎng)絡的理論、設計及應用[M].北京:化學工業(yè)出版社，2002.

[8]張德豐.Matlab神經(jīng)網(wǎng)絡應用設計[M].北京:機械工業(yè)出版社，2009.

[9]高雋.人工神經(jīng)網(wǎng)絡原理及仿真實例[M].北京:機械工業(yè)出版社，2007.

[10]金聰穎，李進.神經(jīng)網(wǎng)絡在電路診斷中的應用[J].測試技術學報，2002，16(3):230-235.

[11]陳勵華.智能故障診斷技術的應用與研究[D].西安:西北工業(yè)大學，2005.