基于BP神經網絡的故障診斷技術在裝備維修中的應用*

潘亞楠 李 晶

(海軍704廠 青島 266109)

1 引言

隨著現代科學技術的發展,電子裝備的集成度越來越高,越來越復雜,傳統的故障診斷方法漸漸顯得“力不從心”。故障診斷技術的出現則為提高裝備系統的可靠行和安全性開辟了一條新的途徑。由于計算機技術、信號處理、人工智能、模式識別技術的發展,促進了故障診斷技術的不斷發展,尤其是大型復雜電子裝備的出現,使得裝備保障人員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有著重要的理論及現實意義。

近年來,人工神經網絡的研究和應用有了很大的發展,人工神經網絡以其諸多優點,如并行分布處理、自適應、聯想記憶等,為故障診斷開辟了新途徑,因而在故障診斷領域受到高度的重視,并得到了廣泛的研究和應用。

2 基于BP神經網絡的故障診斷模型

2.1 BP神經網絡

圖1 三層BP模型神經網絡

BP模型是一種多層前向網絡。三層BP神經網絡由輸入層、中間層和輸出層組成,其結構如圖1所示。

2.2 神經網絡訓練

則式(5)、(6)停止迭代,連接權值和閾值訓練完畢。其中,ε為任意給定的正小數,它取決于網絡訓練的精度。

2.3 BP神經網絡故障診斷推理

一個神經網絡用于故障診斷時,其輸入層則從裝備對象接收各種故障信息和現象;中間層是把從輸入層得到的故障信息,經內部的學習和處理,轉化為針對性的解決辦法;輸出層是針對輸入的故障形式,經過調整權值后得到的故障處理方法。對于一個新的輸入狀態信息,訓練好的網絡將由輸出層給出故障識別結果。BP神經網絡故障診斷模型如圖2所示。

三層BP神經網絡進行故障診斷,采用數據驅動的正向推理策略,從初始狀態出發,向前推理,到達目標狀態為止。其故障診斷推理步驟如下:

圖2 BP神經網絡的故障診斷模型

1)將故障樣本輸入給輸入層各節點,并將其作為該層神經元的輸出;

2)由式(2)求出中間層神經元的輸出作為輸出層的輸入;

3)由式(4)求出輸出層神經元的輸出;

4)由閾值函數判定輸出層神經元的最終輸出結果。假設用Fk表示故障類型,則故障類型閾值判定函數為:

3 故障診斷實例

表1所示為某綜合業務保密機中的10個實際故障樣本,每個故障樣本都有9個故障特征值,因而網絡的輸入節點數為9。將某個故障樣本的9個故障特征值輸入圖1所示網絡輸入層節點,網絡輸出層節點將有對應的輸出。如果用每個輸出節點的輸出代表一個故障類型,共有10個故障樣本或10種故障類型,因而,網絡輸出節點數為10。

根據故障診斷的特點,網絡輸入層、隱層和輸出層節點數分別取 9、6和10,系統總誤差 E=0.001,表1所列10個實際故障樣本為網絡的原始訓練樣本,用Matlab編程,網絡訓練次數為29000多次,得出圖1所示三層BP網絡的各個連接權值和閾值。表2所示為表1所列10個故障樣本的對應網絡輸出。

將表1中第1個故障樣本(電源類)的9個故障特征值輸給網絡的輸入層節點,則網絡輸出層節點與其對應的輸出為表2中“電源類”所在行的10個輸出值,其中只有 y1=0.9918＞0.95,其他9個輸出均遠小于0.95,所以,網絡故障診斷的結果為“電源類”。將表1中第6個故障樣本(保密數據收故障)的9個故障特征值輸給網絡的輸入層節點,則網絡輸出層節點與其對應的輸出為表2中“保密數據收故障”所在行的10個輸出值,其中只有y6=0.9888＞0.95,其他9個輸出均遠小于0.95。所以,網絡故障診斷的結果為“保密數據收故障”。其 他類型的故障診斷以此類推。

表1 典型故障樣本

表2 典型故障樣本目標輸出

4 結語

由實驗數據可知,該網絡能夠準確診斷數據的故障狀態,可見,該方法能夠成功應用于設備的故障診斷中。只要選擇足夠多的原始故障樣本訓練BP神經網絡,在故障診斷過程中,神經網絡發揮其聯想記憶和分布并行處理功能,能夠診斷出常見的或已出現過的故障,而且還能診斷出從未出現過的故障,同時還能滿足故障診斷的實時性要求。因此,用BP神經網絡進行故障診斷,不僅大大簡化了故障診斷的方法,而且為狀態監測和故障診斷提供了新的理論方法和技術手段,具有很大的潛力和廣泛的應用前景。

[1]陳允平,王旭蕊,韓寶亮,等.人工神經網絡原理及其應用[M].北京:中國電力出版社,2002:23～34

[2]朱大奇,史慧.人工神經網絡原理及應用[M].北京:科學出版社,2006:12～21

[3]聞新,周露,王丹力,等.M ATLAB神經網絡應用設計[M].北京:科學出版社,2000:200～234

[4]何強,何英.MATLAB擴展編程[M].北京:清華出版社,2002:34～42

[5]桂現才.BP神經網絡在MAT LAB上的實現與應用[J].湛江師范學院學報,2004,25(3):79～83