基于專家系統和神經網絡的雷達伺服系統故障診斷方法

陶敏，丁求啟，張桂平

（中國衛星海上測控部 江蘇 江陰 214431）

隨著科學技術的發展，特別是計算機技術的發展和應用，船載雷達伺服系統呈現出高度自動化、信息化、系統化和智能化的發展趨勢，其系統的復雜性也越來越高，但同時船載雷達伺服系統的維護難度也越來越大，單對某一或局部信號的檢測或采用單一的故障診斷方法往往很難對系統進行全面徹底的診斷，而且診斷效率較低，經常造成誤拆好的部件和進行的“無故障”維修[1]。因此，伺服系統故障診斷方法的研究就顯得格外重要。神經網絡方法基于人腦的組織模式，將眾多結構和功能極其簡單的神經元通過各種方式連接成一個復雜的網絡結構，以實現復雜的智能行為。神經網絡具有很強的自學習能力，能夠自動地從訓練樣本中學習領域知識，具有很強的自適應能力，近年來，神經網絡被廣泛地用來解決工程實際問題，為復雜系統的故障診斷提供了一條新的解決途徑。

文中針對雷達伺服系統的結構和故障特點，采用分層次的思想，將神經網絡和專家系統等智能診斷技術有機結合，設計了一種現代雷達伺服系統智能診斷系統，并對其主要功能模塊實現和關鍵問題進行了研究。

1 雷達伺服系統簡介

雷達伺服系統主要由天線控制單元、天線驅動系統、伺服監控單元、天線設備及軸角編碼器五大部分組成，其控制對象為天線座。控制指令由控制單元產生，并送至驅動單元，驅動單元根據接收到的命令控制電機轉動帶動天線旋轉到指定位置，同時軸角編碼器采集天線的實時角度信息，完成閉環控制。

圖1 伺服系統組成框圖Fig.1 Structure diagram of servo system

2 智能診斷系統的總體結構框圖

現代雷達伺服系統結構日趨復雜，但仍然具有明顯的層次型特點，即可按分系統、分機箱、功能單元、電路板、元器件的順序逐層向下擴展。系統結構的層次性，勢必使故障也具有層次性的特點。因此，采用分層次分模塊的診斷策略可大大降低診斷的復雜程度。

診斷技術的融合有多種方式，應遵循充分發揮各自優勢，相互彌補缺點的原則，找到各種診斷技術的“最佳結合點”。通過對現代雷達伺服系統結構、故障特征及各類智能診斷技術的特點分析，本文以傳統的專家系統為主體，使用神經網絡解決知識獲取的“瓶頸”和復雜故障推理為輔，采用基于知識的專家系統推理機制[2]和數值計算的神經網絡推理機制[3]相結合的方式，構建一種現代雷達伺服智能故障診斷系統，其總體結構如圖2所示。

圖2 雷達伺服智能故障診斷系統結構框圖Fig.2 Structure diagram of radar servo intelligent faults diagnosis system

系統主要包括預處理模塊、實時數據庫、知識庫、推理機、知識庫和數據庫管理系統、學習模塊、解釋模塊和人機接口。預處理模塊主要完成診斷信息的采集和特征提取。人機接口是領域專家和雷達伺服崗位人員實現對診斷系統進行管理、控制的渠道。解釋模塊負責向崗位人員解釋診斷過程和結果。

3 雷達伺服系統級故障診斷方法

伺服系統級專家診斷系統的邏輯結構圖如圖3所示。它由知識庫和推理機組成。專家將診斷的知識，經驗加以總結，形成規則，例如伺服主控臺角度信息無變化，引起此故障的原因有天線驅動單元故障和軸角編碼器故障，如果天線轉動正常，那么由此可以推出軸角編碼器發生故障。將類似的規則存入計算機建立知識庫，使計算機擁有本領域內專家的知識；推理機是一個軟件系統，運用知識庫提供的關于規則和數據的兩類知識，進行自動推理、求解問題[4]。

圖3 系統級專家診斷系統的邏輯結構圖Fig.3 Logic block diagram of expert diagnosis system

專家系統知識庫的建立，系統仿照故障字典來獲取知識。基本思路是：提取各個分系統在故障狀態下的特征值，然后將特征值與故障的對應關系列成一個字典。診斷時按照測量得到的實際值在故障字典中進行檢索，比較和判斷出故障的性質和位置[5]。

本文所建立的專家系統為基于規則的診斷專家系統，推理規則格式采用“IF…Then…”語句。實測數據采集進來后與故障征兆集中特征數據進行對比，只要條件匹配，則Then后的語句被執行，進行推理，進入下一步判斷，再一次執行上面的推理過程，直到定位于故障分系統。

4 雷達伺服分系統級故障診斷方法

4.1 診斷參數的采集及選取

4.1.1 診斷參數的采集

診斷參數的采集在故障診斷系統中占據重要角色。對于診斷系統而言，采集的信息越多，越容易對故障進行定位和判斷，分系統級的故障診斷要將故障定位于具體的板卡或是元器件，所以更突出了其重要性。為此系統將增加必要的硬件設計，同時為減小伺服系統硬件設計的復雜程度，更具伺服系統的特點和專家的經驗總結，利用伺服系統自身必須硬件連接，增加少量硬件設計，組成采集單元。

在伺服系統的硬件在線故障檢測中，診斷系統將伺服系統的接插件依據系統功能和物理位置進行分組，分在一組的接插件串連在一起，接至伺服系統檢測I/O板，對于智能化硬件，如板卡、驅動器等，直接與其通信，讀取特征字，作為其特征參數。

對于天線驅動系統，由于驅動器本身是智能化、數字化的，其安裝的數字化儀表可以將測量值直接送出，例如電機電流、電壓、轉速等。驅動系統的核心器件功率放大器，其本身帶有自診斷功能，可以根據其輸入輸出情況給出故障參數。

時碼編碼系統的數據采集包含天線角度、時碼及編碼系統，這一部分主要根據板卡知識進行特征參數檢測。如激磁信號、電源電壓、處理板中處理器工作情況等。

如操作桿、操控按鍵板等其他模塊，利用板卡對其數據進行采集分析后作為特征參數。

4.1.2 診斷參數的選取

根據故障機理，若某一故障發生，則其特征參數將發生較大變化。因受各種因素影響，盡量不以絕對值作為異常診斷的依據，而要與初始值或正常值進行比較，用其比值作為檢測參數來進行診斷，例如軸角編碼器發生故障時，測量其電壓值，再與正常時的電壓進行比較，作為其特征參數。為此，診斷的檢測參數定義為：

式中 ST（xi）為相對于 xi的待檢狀態參數值，SR（xi）為相對于xi的正常狀態參數值。兩者的比值與一門限值進行比較，若大于門限值，故障征兆輸入取為“1”，即故障征兆存在，否則則去為“0”，則故障征兆不存在。

4.2 知識庫的建立

它包括知識獲取和知識存儲兩個過程。知識獲取表現為訓練樣本的獲取與選擇。訓練樣本來源于同類型診斷對象在正常運轉時和帶故障運行時的各種特征參數。知識存儲是將由訓練樣本對神經網絡進行訓練獲得的連接權值和閾值進行存儲，從而形成知識庫。其建立過程如下：

針對各分系統特點，分析分系統故障知識結構、根據征兆、故障及樣本數目確定神經網絡的結構模型，即輸入神經元、輸出神經元以及隱含層神經元的數目；

在眾多的樣本中選取訓練樣本，即根據對象特點及專家長期積累的經驗獲得各種情況下（單故障或多故障）神經網絡的訓練樣本；

利用樣本進行網絡訓練，則可獲得網絡的連接取值和閾值，存儲連接權值和閾值形成知識庫。

4.3 BP神經網絡

BP神經網絡的工作過程通常由兩個階段組成[6]。一個階段是工作期，在這一階段網絡各節點的連接權值固定不變，網絡的計算從輸入層開始，逐層逐個節點地計算每一個節點的輸出，直到輸出層中各節點計算完畢。另一階段是學習期，在這一階段，各節點的輸出保持不變，網絡學習則是從輸出層開始，反向逐層逐個節點地計算各連接權值的修改量，以修改各連接的權值，直到輸入層位置。這兩個階段又稱為正向傳播和反向傳播過程。在正向傳播中，如果在輸出層的網絡輸出與所期望的輸出相差較大，則開始反向傳播過程，根據網絡輸出與所期望輸出的信號誤差，對網絡節點間的各連接權值進行修改，以此來減小網絡輸出信號與所期望輸出的誤差。BP神經網絡，正是通過這樣不斷進行的正向傳播和反向傳播的計算過程，最終使得網絡輸出層的輸出值與期望值趨于一致。神經網絡的訓練算法如下：

1）網絡訓練開始時，權值和節點閾值初始化為一組隨機數；

2）輸入 P 個訓練樣本，分別為（X1，X2，…，XP）；且設定預期的輸出即對應的一組教師值為（T1，T2，…，TP）；

3）運用BP學習算法在經過網絡的代價函數計算后，將實際輸出（Y1，Y2，…，YP）與（T1，T2，…，TP）的誤差逐層向輸入層方向逆向傳播，使網絡不斷自適應地修改網絡的連接權值和節點閾值，以減小代價函數值；

4）使YP與TP盡可能地接近，直到它減小至一個可以接受的閾限值或者不再減小為止。設為迭代次數，權值和閾值的修正公式分別為：

式中η為步長：

當P個訓練樣本學習時的總誤差E滿足下列條件，即

則停止迭代過程，網絡的連接權值和節點閾值訓練完成。其中ε為任意給定的正小數，它取決于網絡訓練所希望得到的精度。

神經網絡知識表示是一種知識的隱式表示，知識表現為網絡的拓撲結構和連接權值，采用神經網絡技術的專家系統，由于神經網絡是一種信息存儲和處理統一的網絡系統，因此，在采用神經網絡技術的專家系統中，知識的存儲與問題求解過程中的推理過程均在系統的神經網絡模塊中進行，是推理機和知識庫的統一。三層BP神經網絡采用數據驅動正向推理的故障診斷策略，即從初始狀態出發，向前推理到達目標狀態為止，其故障診斷步驟為：

1）將故障樣本輸入給輸入層各節點，同時它也是該層神經元的輸出；

2）由式（2）求出隱層神經元的輸出，并將其作為輸出層的輸入；

3）從式（4）求得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。我們用表示故障類型，則故障類型閾值判定函數為：

其中φk為伺服分系統中由領域專家設定的閾值。

4.4 知識處理

在神經網絡專家系統中，只需將觀測到的故障現象通過編譯器轉化為數值知識，送入神經網絡，然后計算網絡輸出，最后將網絡的數值輸出經反編譯器轉化為符號知識，即得到了故障原因，這種專家系統的知識處理是與神經網絡的結構緊密相關的統一體，不需增加相應的推理機構，將數值知識轉換為符號知識的反編譯器是編譯的逆過程，有與編譯器類似的結構。在故障診斷中盡管診斷的最終結論是唯一的，但由于維護人員提供的故障表現初始描述不完備，還由于故障表現的初始描述與故障非一一映射關系，我們還采用了缺省推理和詢問推理機制。基于上述兩種推理機制，基于神經網絡和專家系統的分系統級故障診斷方法知識處理過程如下：

1）獲得故障表現的初始描述；

2）正向推理（從編譯器到計算網絡輸出，并考慮缺省推理）；

3）若已得到故障原因，給出修復意見，退出；否則進入步驟 4）；

4）反向搜索（按詢問推理的算法進行）以便找到一個對于推理不可缺少的缺省節點，請用戶回答該節點的值；

5）轉步驟 2）。

5 結束語

文中針對故障診斷[7]的特點，結合伺服系統的實際情況，采用分層次的思路，將神經網絡與專家系統集成于雷達伺服系統的故障診斷。該診斷方法為雷達伺服系統的故障診斷研究提供了一條好的途徑，具有很高的實用價值。

[1]王晗中，楊江平，張愛元.現代雷達裝備綜合智能故障診斷系統設計[J].現代雷達，2008，30（11）：18-22.WANG Han-zhong，YANG Jiang-ping，ZHANG Ai-yuan.Design of an intelligent fault diagnosis system for modern radar equipment[J].Modern Radar，2008，30（11）:18-22.

[2]尹朝慶.人工智能與專家系統[M].2版.北京：中國水利水電出版社，2009：120-132.

[3]胡霄楠，史忠科.BP神經網絡在雷達故障診斷中的應用研究[J].計算機測量與控制，2006，14（12）：1660-1662.HU Xiao-nan，SHI Zhong-ke.Application research of BP neural network in fauly diagnosis of radar[J].Computer Measurement&Control，2006，14（12）:1660-1662.

[4]張緒錦，譚劍波，韓江洪.基于BP神經網絡的故障診斷方法[J].系統工程理論與實踐，2002（6）：61-66.ZHANG Xu-jin，TAN Jian-bo，HAN Jiang-hong.A method of fault diagnosis based on BP neural network[J].Systems Engineering-theory&Practice，2002（6）:61-66.

[5]萬其，吳燕，陳桂.雷達伺服系統的專家故障診斷技術[J].現代雷達，2007，29（8）：86-88.WAN Ji，WU Yan，CHEN Gui.Fault diagnosis expert system for radar Servo-systems[J].Modern Radar，2007，29（8）:86-88.

[6]李合平，朱宏，張志強，等.基于神經網絡和專家系統的雷達故障診斷方法[J].微計算機信息，2008，24（9）：216-218.LIGe-ping，ZHU Hong，ZHANG Zhi-jiang，etal.ONE method of faults diagnosis based on neural network and expert system for radar[J].Control&Automation，2008，24（9）:216-218.

[7]魏江濤，陳方濤，姜美雷.BP神經網絡在設備故障診斷方面的應用[J].現代電子技術，2012（19）:131-134.WEI Jiang-tao，CHEN Fang-tao，JIANG Mei-lei.Application of BP neural network in fault diagnosis of radar device[J].Modern Electronics Technique，2012（19）:131-134.