神經(jīng)網(wǎng)絡專家系統(tǒng)在電源系統(tǒng)診斷中的應用*

安若銘 王 均

哈爾濱工業(yè)大學航天學院，哈爾濱150001

由于衛(wèi)星這類大型復雜系統(tǒng)的各部件之間聯(lián)系廣泛、復雜，致使故障征兆和故障原因之間也表現(xiàn)出錯綜復雜的關系，它們之間往往具有關聯(lián)的不確定性，因此這類系統(tǒng)的故障診斷一直是一個難題。隨著人工智能技術的快速發(fā)展，特別是專家系統(tǒng)、模糊理論和神經(jīng)網(wǎng)絡等在故障診斷領域得到的廣泛應用，通過有效地獲取、傳遞、處理、再生和利用診斷信息，能夠模擬人類專家，以靈活的診斷策略對監(jiān)控對象的運行狀態(tài)和故障做出正確判斷和決策。但是，由于每一種診斷方法都具有其獨特的信息特征，面對故障表象與故障機理間錯綜復雜的關系，往往帶有一定的局限性，因而基于多種方法融合的故障診斷［1－2］是航天器診斷的一個重要發(fā)展方向。本文針對單種診斷方法考慮角度的單一性，同時采用可信度BP神經(jīng)網(wǎng)絡和不確定性推理專家系統(tǒng)進行診斷，以取長補短，并采用模糊綜合評判模型融合2種診斷方法的結果形成最終的診斷結論，既可有效避免單一方法由于對特定故障的不適用造成的誤診，又可通過多方法的相互確認提高診斷結果的正確性和可信度，從而達到提高故障診斷的準確性和穩(wěn)定性的目的。成功地應用于某衛(wèi)星電源系統(tǒng)的故障診斷中，獲得了很好的診斷效果。

1 基于綜合評判的神經(jīng)網(wǎng)絡專家系統(tǒng)診斷

1.1 神經(jīng)網(wǎng)絡與專家系統(tǒng)的結合

神經(jīng)網(wǎng)絡與專家系統(tǒng)的結合可歸納為2種方式［3－5］:一種是神經(jīng)網(wǎng)絡與專家系統(tǒng)共存于一個系統(tǒng)中，神經(jīng)網(wǎng)絡和專家系統(tǒng)分別表示和處理不同的知識，從而構成一個混合或稱組合的故障診斷專家系統(tǒng);另一種是神經(jīng)網(wǎng)絡與專家系統(tǒng)的全面統(tǒng)一，即將兩者自然地統(tǒng)一在一個系統(tǒng)中，建立一種全新的系統(tǒng)，既有形象思維的特性，又有邏輯思維的功能，按這種方式建立的系統(tǒng)其通用性較好，但工作難度較大，而且可能帶來的不足是ANN和ES各自的特長得不到充分發(fā)揮。本文采用的是第一種結合方式，并運用模糊綜合評判來綜合多個診斷結果。圖1所示為基于綜合評判的神經(jīng)網(wǎng)絡專家系統(tǒng)診斷框架。

圖1 神經(jīng)網(wǎng)絡專家系統(tǒng)結構

1.2 綜合評判模型

基于廣義合成運算的模糊綜合評判模型，理論而言有無窮多種，典型的模型有主因素突出型和加權平均型［6］。航天領域的故障診斷系統(tǒng)不同于民用的自動控制系統(tǒng)，應保證具有高度的準確性、自主性和可靠性。因此，推理算法應滿足:要求的直覺準則、三段論法和換命題質(zhì)位法。針對航天領域故障診斷系統(tǒng)的上述要求，采用如下算子對，使其綜合考慮各因素的共同影響。

2 可信度BP神經(jīng)網(wǎng)絡

2.1 改進的BP神經(jīng)網(wǎng)絡

雖然BP神經(jīng)網(wǎng)絡的應用越來越廣泛，但是本身存在的問題卻無法克服，如學習效率低，對新知識的學習導致原有知識的遺忘以及容易陷入局部最小。針對以上問題，本文采用了改進的算法，即加入動量因子和可變學習速率。

2.1.1 動量因子［7］

由于標準的BP權值修正時，只按照當前的誤差梯度下降的方向進行，而不考慮前一個誤差梯度的變化方向，所以容易產(chǎn)生振蕩，導致收斂速度慢。動量因子的實質(zhì)就是將上一次的修正量傳遞過來，使當前修正量平均變化，不產(chǎn)生較大的擺動。其權值W和閾值θ的修正公式為:

式中，λ為動量因子(0≤λ＜1)。

2.1.2 可變學習速率［8］

在神經(jīng)網(wǎng)絡學習過程中，很多時候不知道該選擇怎樣的學習率，學習速率選小了，導致收斂的速度極慢;選大了，又會發(fā)生振蕩。動態(tài)可變的學習速率可以解決這個問題，當誤差變化很平穩(wěn)時，選擇較大學習率，相反在誤差波動較大時，選用較小的學習率，已達到快速收斂的效果。一般的算法為:

式中η為學習率，λ為常數(shù)，可選擇數(shù)值為0.0001≤λ≤0.001。

2.2 BP神經(jīng)網(wǎng)絡的可信度

由于神經(jīng)網(wǎng)絡在訓練初始設置輸入和連接權值時一般都采用隨機樣本，所以對于神經(jīng)網(wǎng)絡的輸入輸出可以利用概率密度方法進行分析［9］。為得到BP神經(jīng)網(wǎng)絡輸出的可信度，可采取以下方法:用10個相同結構、相同樣本、相同收斂要求的BP神經(jīng)網(wǎng)絡，在不同時刻，隨機產(chǎn)生不同的初始化連接權值和閾值進行網(wǎng)絡訓練，得到不同權值和閾值的十個神經(jīng)網(wǎng)絡并存儲起來，當實時數(shù)據(jù)輸入后，得到相應的十個網(wǎng)絡結果輸出。利用輸出結果的標準差進行概率密度分析，標準差值越小，則網(wǎng)絡輸出的一致性較高，可信度也較高;相反則網(wǎng)絡的一致性較差，可信度較低。可信度滿足:cf=1－2σ，式中cf表示結論可信度，σ表示神經(jīng)網(wǎng)絡輸出的標準差。

3 專家系統(tǒng)的不確定性推理

不確定性推理方法主要有基于概率論和基于可信度的不確定性推理。基于概率論的不確定性推理需要對大量的故障樣本進行統(tǒng)計分析以獲取證據(jù)和結論的不確定性測度。在衛(wèi)星故障診斷過程中，由于衛(wèi)星本身發(fā)生故障的概率較小，而且故障的歷史數(shù)據(jù)也較少，所以利用基于概率論的不確定性推理很難應用在實際工程中。而基于可信度的不確定性推理則是建立在領域?qū)＜业闹R基礎上，它充分考慮到了領域?qū)＜抑R的經(jīng)驗性，從而避免了對大樣本的需求。設可信度CF(H，E)為當證據(jù)E出現(xiàn)時，對結論H的支持程度，其公式可表示為［10］:

在基于可信度的不確定性推理中，證據(jù)和規(guī)則表示為:

式中，E表示一組邏輯前提，H為推理結論，CF (H，E)表示可信度，其取值范圍為［－1，1］。當CF (H，E)＞0時，說明證據(jù)E可增加結論H為真的程度;當CF(H，E)＜0時，說明證據(jù)E可增加結論H為假的程度。由于證據(jù)E一般為一組組合邏輯證據(jù)，所以在使用組合證據(jù)時，還應該遵循以下方法:

1)當組合證據(jù)為多個單一證據(jù)合取時:

2)當組合證據(jù)為多個單一證據(jù)析取時:

3)當只有一條規(guī)則支持結論，結論可信度為:

4)當有多條規(guī)則支持結論時，則結論的可信度可分為如下幾種情況分別計算，當多條規(guī)則之間是并行的關系，則每一個證據(jù)的出現(xiàn)都能推導出結論:

4 應用實例

某衛(wèi)星電源系統(tǒng)原理如圖2所示，系統(tǒng)由太陽電池陣(包括充電陣(SG1)和供電陣(SG2))、30Ah鎘鎳蓄電池組(Battery)、分流器(SR)、充電控制器(BCC)、放電調(diào)節(jié)器(BDR)、配電箱(DBU)、載荷(L1，Li)組成。圖中系統(tǒng)對負載L1共有3種供電模式:1)光照期間且負載L1耗電小時僅SG2供電; 2)陰影區(qū)由蓄電池供電;3)光照期間且負載L1耗電大時SG2和SG1同時供電。

4.1 改進的BP網(wǎng)絡應用

建立結構為5－10－4的3層BP神經(jīng)網(wǎng)絡獲取衛(wèi)星故障診斷的診斷結論可信度，神經(jīng)網(wǎng)絡的輸入為利用故障監(jiān)測系統(tǒng)產(chǎn)生征兆數(shù)據(jù)，輸出為對應的故障，征兆與故障的含義及對應關系如表1所示。

圖2 某衛(wèi)星電源系統(tǒng)原理簡圖

表1 BP神經(jīng)網(wǎng)絡輸入輸出

隨機生成小于1的數(shù)值初始化連接權值和閾值，同時保證10個神經(jīng)網(wǎng)絡的初始化連接權值和閾值互不相同，10個網(wǎng)絡設置相同的收斂條件后進行網(wǎng)絡訓練，得到訓練好的10個神經(jīng)網(wǎng)絡。現(xiàn)有1組故障數(shù)據(jù)，輸入10個神經(jīng)網(wǎng)絡后得到診斷結論，如表2所示。

計算標準差并得到診斷結論的可信度如下:

可以看出，發(fā)生了F01，F(xiàn)02和F04故障，可信度分別為0.931，0.904和0.946;未發(fā)生F03故障，未發(fā)生故障的可信度為0.975。

表2 診斷結論輸出結果

4.2 專家系統(tǒng)不確定推理應用

基于可信度的不確定性推理征兆及規(guī)則見表3，其中F0*的含義與表1一致。現(xiàn)有與4.1節(jié)相同的一組故障數(shù)據(jù)，E=E1∧E2∧?E3∧?E4∧E5，利用第3節(jié)中公式推理得到的診斷結果見表3。

表3 基于可信度推理的征兆、規(guī)則及診斷結果

4.3 綜合評判

對衛(wèi)星遙測數(shù)據(jù)的同一組故障，如前兩節(jié)所述分別采用基于可信度的專家系統(tǒng)M1和改進的BP神經(jīng)網(wǎng)絡診斷M2進行診斷，可得到單診斷組件診斷結果(F01，F(xiàn)02，F(xiàn)03，F(xiàn)04)的可能性分布矩陣;根據(jù)原有診斷經(jīng)驗和專家對診斷方法的信任度，得出上述單診斷方式的信任度矩陣，分別記為R和C。其中M1根據(jù)4.1節(jié)中計算的cfF值得到，M2根據(jù)表3中診斷結果得到。

采用代數(shù)積與代數(shù)和模糊算子對作為合成運算規(guī)則，以得到綜合評判結果，計算結果如下:b1≈0.72，b2≈0.68，b3≈0.03，b4≈0.96，進而得到的診斷結果可能性分布向量為:

由診斷結果可以看出，通過綜合評判區(qū)分開了F01和F04故障，F(xiàn)01和F02發(fā)生的可能性較小，而故障F04由于兩種方法的診斷一致性被加強了，實際診斷經(jīng)驗驗證了診斷結果的正確性。

5 結論

通過對多個改進的BP神經(jīng)網(wǎng)絡輸出的標準差的計算，提高了神經(jīng)網(wǎng)絡方法診斷的精確度并能夠獲得診斷結果的可信度。專家系統(tǒng)采用基于可信度的不確定性推理更好地利用了專家知識，推理結果更加符合實際情況。最終的診斷結果由基于模糊綜合評判的兩種方法結果融合給出，增加了診斷結果的準確性和可信度。本方法在衛(wèi)星電源系統(tǒng)中的應用表明:融合診斷達到了優(yōu)勢互補的目的，能夠克服單個診斷方法的局限性。

［1］ 姚德臣，楊建偉，殷玉楓，蔡國強.基于多方法融合的鐵路軸承故障診斷［J］.機械設計與研究，2010，26 (3):70-73.(YAO De-chen，YANG Jian-wei，YIN Yufeng，CAI Guo-qiang.Fault Diagnosis of Railway Bearing Based on Muti-method Fusion Techniques［J］.Machine Design＆Research，2010，26(3):70-73.)

［2］ 楊廷方，李景祿，曾祥君，周力行.基于多方法組合診斷模型的大型變壓器故障診斷［J］.電力系統(tǒng)自動化，2009，33(20):92-96.(YANG Tingfang，LI Jinglu，ZENG Xiangjun，ZHOU Lixing.Large Power Transformer Fault Diagnosis Based on a Diagnosis Model Combined with Several Methods［J］.Automation of Electric Power Systems，2009，33(20):92-96.)

［3］ 張榮沂.基于神經(jīng)網(wǎng)絡的智能故障診斷技術［J］.自動化技術與應用，2003，22(2):15-17.(ZHANG Rongyi.Inteiligent Fault Diagnosis Technology Based on Neural Networks［J］.Techniques of Automation and Applications，2003，22(2):15-17.)

［4］ Cheng shu，Gao qinhe，Yu junjun.Expert System of Fault Diagnosis Based on the Neural Network and Regulatons［C］.IEEE Proceedings of the 3rdWorld Congress On Intelligent Control and Automation，2000，28(2):329.

［5］ Wang Zhenyuan，Liu Yilu，J Paul.Griffin.A Combined Ann and Eexpert System Tool for Ttransformer Fault Diagnosis［J］.IEEE Trans on Power Delivery，1998，13 (4):1224-1229.

［6］ 宋政吉.航天器分布式融合診斷的理論與技術研究［D］.哈爾濱工業(yè)大學博士學位論文，2003.

［7］ 李季，嚴東超，趙虎城.基于動量因子技術的BP神經(jīng)網(wǎng)絡改進算法及應用［J］.電氣應用，2005，24(6): 42-44.(LI Ji，YAN Dongchao，ZHAO Hucheng.An Momentum BP Neural Network Algorithm and Application［J］.Electrotechnical Journal，2005，24(6):42-44.)

［8］ 楊安華，彭清娥，劉光中.BP算法固定學習率不收斂原因分析及對策［J］.系統(tǒng)工程理論與實踐，2002，12 (12):22-25.(YANG Anhua，PENG Qinge，LIU Guangzhong.Analysis of Divergence of BP Algorithm with Fixed Learning Rate and the Countermeasure［J］.Systems Engineering-theory＆Practice，2002，12(12):22-25.)

［9］ 回敬，律方成.將具有可信度的BP神經(jīng)網(wǎng)絡應用于變壓器故障診斷［J］.電力科學與工程，2010，26 (2):9-12.(HUI Jing，LV Fangcheng.Application of BP ANN with Credence for Transformer Fault Diagnosis［J］.Electric Power Science and Engineering，2010，26 (2):9-12.)

［10］ 卞世暉.專家系統(tǒng)中不確定性推理的研究與應用［D］.安徽大學碩士學位論文，2010，4.