基于模糊神經網絡彈藥輸送車載供彈系統故障診斷

李英順，徐長青

（1.沈陽工業大學 工程學院，遼寧 遼陽 111003；2.沈陽工業大學 信息科學與工程學院，遼寧 沈陽 110870）

近年來，隨著武器裝備自動化程度的日益提高，武器裝備的技術復雜性也越來越高，因此完善的維修保障系統必不可少。特別是分布的不斷分散，對使用維護與故障診斷提出了更高的要求，依靠傳統的檢測與故障診斷方法[1]，已經難以滿足當前基層作戰部隊的需要。而且，由于彈藥輸送車載供彈系統比較龐大，檢測任務多，在故障排除過程中，維護人員對其故障的診斷非常困難，制約了彈藥輸送車載供彈系統的彈藥輸送的能力，直接影響了我軍在未來戰爭中的戰局。

針對此現狀，提出了一種基于模糊神經網絡彈藥輸送車載供彈系統故障診斷方法[2]。運用模糊神經網絡的方法對彈藥輸送車載供彈系統進行故障分析，構建彈藥輸送車載供彈系統故障診斷診斷模型，并在MATLAB中進行了仿真。仿真結果表明該系統較好地解決了傳統故障診斷存在的問題，提高系統的診斷容錯能力和準確率，并且還為提高彈藥輸送車載供彈系統的可靠性和進行有效的故障診斷與維修提供值得借鑒的依據。

1 基于模糊神經網絡故障診斷

1.1 模糊神經網絡模型

模糊神經網絡[3]是由大量的處理單元相互連接而成的非線形復雜網絡系統，它是在現代神經科學研究成果的基礎上提出來的，通過模擬人腦神經網絡處理、記憶信息的方式完成與人腦類似的信息處理功能，其特色在于信息的分布存儲和并行協同處理，具有很強的自學習性、自組織性、容錯性、高度非線性、高魯棒性、聯想記憶功能和推理意識功能強等特點，十分適用于像故障診斷這類多變量非線性問題。盡管神經網絡故障診斷已經取得了很大的成功，但它在故障診斷過程中的不足也越來越明顯，主要有：

1）依賴性過強，系統的診斷性能在很大的程度上依賴于樣本的完整性；

2）知識的隱含性；

3）與用戶的溝通性差，當數據不充分時只能降低系統的性能。

模糊神經網絡是應用最廣泛、效果最好的方法，與其他傳統模型相比，有更好的持久性和適時預報性。模糊網絡含有輸入節點、輸出節點及一層或多層隱節點。其網絡中每一個節點就是一個神經元[4]。它是一個多輸入/單輸出的非線性器件，是模糊神經網絡的基本處理單元，其結構模型如圖1所示。

圖1 模糊神經網絡神經元結構Fig.1 Fuzzy neural network neuron structure

對于每個節點有一個狀態變量xi，節點i到節點j有一個連接權系數ωij，且每個節點有一個閾值θj。其輸入輸出關系可表達為：

1.2 模糊神經網絡中知識的表示

傳統的知識表示都可以看做是知識的一種顯式表示，而在模糊神經網絡中知識的表示可看做是一種隱式表示。在模糊神經網絡中，知識并不像傳統方法那樣表示為一系列規則等形式，而是將某一問題的若干知識在同一網絡中表示，表示為網絡的權值分布。以下是3層閾值型模糊神經網絡的4條異或邏輯產生式規則[5]:

圖2 “異或”邏輯的表示Fig.2 “Exclusive or” logic said

基于這種網絡知識表示結構，其模糊神經網絡結構如圖3所示。

圖3 模糊神經網絡結構圖Fig.3 Fuzzy neural network structure

其隱層節點和輸出層節點輸出為：

式中，Hj，yk分別為隱層和輸出層節點輸出值；Wij，Tjk分別為輸入層到隱層和隱層到輸出層的連接權值:θj，λk分別為隱層和輸出層節點的偏置；N，M分別為隱層和輸出層的節點數；f，g為sigmoid函數或其他形式的函數。

通過網絡學習模型對樣本進行學習，經過網絡內部自適應算法不斷修改權值，直至所需的學習精度[6]。其學習過程如下：給出輸入故障征兆，首先先向前傳播到隱節點，經過輸出變換函數即作用函數后，再把隱節點的輸出信息傳播到輸出節點，最后給出輸出結果。節點的輸出變換函數選擇（Sigmoid）型函數。這個算法的學習過程，由正向傳播和反向傳播組成[7]。在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小。

2 模糊神經網絡的建立與訓練

2.1 彈藥輸送車載供彈系統模糊神經網絡模型建立與訓練

通過對彈藥輸送車載供彈系統基于模糊神經網絡的建模和分析，模糊神經網絡的大小是根據需要來確定的，多少個故障現象，對應多少個輸入節點；多少個故障，對應多少個輸出節點。但是，由于彈藥輸送車載供彈系統結構復雜、工作環境惡劣、故障現象多等特點，若輸入層神經元數目太大，會影響到整個網絡的學習速度和訓練質量，應用模塊分解技術，將彈藥輸送車載供彈系統故障分為若干個學習模塊，各模塊獨立進行訓練和診斷。對彈藥輸送車載供彈系統進行訓練和診斷，并根據以上的彈藥輸送車載供彈系統結構，在MATLAB中編程[8]，對彈藥輸送車載供彈系統進行仿真。

在對仿真前，取學習速率η=0.01，動量因子α=0.95，通過對所建立的彈藥輸送車載供彈系統模糊神經網絡訓練，經過16步循環訓練后，均方誤差平方和為0.000 098 9，落在了所要求的范圍0.000 1之內，滿足了均方誤差最小的理想效果，并將訓練成功的網絡權值和偏差保存。其訓練過程的均方誤差曲線如圖4所示。

從訓練均方誤差曲線圖可以看出，均方誤差隨著訓練次數的增加逐漸減小，當訓練次數達到一定值時，均方誤差達到最小且達到了理想效果，若再增加訓練不會再發生改變甚至會發生訓練過度。

2.2 神經網絡診斷故障分類

對所建立的彈藥輸送車載供彈系統神經網絡訓練達到所需要的理想效果后，取待測樣本集中的樣本檢驗該網絡并對彈藥輸送車載供彈系統的正常狀態和故障狀態進行分類診斷。正常狀態和故障狀態均取2組特征信號，組成2×2×8維特征向量作為模糊神經網絡的待測樣本集進行分類診斷。表1和表2給出了對彈藥輸送車載供彈系統所采集的數據測試樣本集及通過模糊神經網絡訓練得出的故障診斷結果。

圖4 訓練均方誤差曲線Fig.4 Training mean square error curve

表1 測試樣本Tab.1 Test sample

表2 模糊神經網絡故障診斷結果Tab.2 Fuzzy neural network fault diagnosis results

從模糊神經網絡故障診斷結果表中可以很清楚地看出，通過用訓練好的網絡進行彈藥輸送車載供彈系統兩種狀態的分類診斷，診斷結果表明網絡的兩個節點的輸出向量基本上與所要求的輸出向量吻合，達到了預想的理想效果。

3 結 論

通過對彈藥輸送車載供彈系統的故障分析，構建了基于模糊神經網絡彈藥輸送車載供彈系統故障診斷模型，并運用MATLAB語言編程進行仿真。仿真結果表明該方法不僅提高系統的診斷容錯能力和準確率，而且還為彈藥輸送車載供彈系統的精密故障診斷提供了有效的方法，具有廣泛的軍事應用前景。

[1]楊軍，馮振聲，黃考利，等.裝備智能故障診斷技術[M].北京:國防工業出版社，2004.

[2]楊迎化，唐大全，盧建華.神經網絡在智能故障診斷技術中的應用及其發展趨勢[J].測控技術學報，2003，22（9）:1-5.YANG Ying-hua，TANG Da-quan，LU Jian-hua.Neural network intelligentfaultdiagnosis technology and its development trend[J].Measurement and Control Technology Journal，2003，22（9）:1-5.

[3]周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京:清華大學出社，2003.

[4]焦李成.神經網絡系統理論[M].吉林:吉林大學出版社，1990.

[5]王永驥，涂健.神經元網絡控制[M].北京:機械工業出版社，1998.

[6]汪振興，劉臣宇，李麗，等.基于改進BP神經網絡的某型裝備故障診斷專家系統[J].計算機與現代化，2010（2）：200-203.WANG Zhen-xing，LIU Chen-yu，LI Li，et al.Fault diagnosis for certain equipment based on improved BP neural network[J].Computer and Modernization，2010（2）：200-203.

[7]吳凌云，王華.BP神經網絡專家系統在故障診斷中的應用[J].信息技術，2003（2）：66-68.WU Ling-yun，WANG Hua.Application of the BP neural network and expert system in fault diagnosis[J].Information Technology，2003（2）：66-68.

[8]唐洪法.基于BP神經網絡的網絡故障診斷系統[D].南京:南京理工大學，2005.