GA-BP網絡在反后坐故障診斷中的運用

吳軍，張相炎

（南京理工大學機械工程學院，江蘇南京 210094）

0 引言

反后坐裝置是火炮重要組成部分，它的性能直接影響到火炮射擊的安全性，同時還影響火炮的射速和精度。據統計，反后坐裝置故障率較高，占火炮總故障的30%～40%。如何快速、正確地進行火炮反后坐裝置性能檢測與故障診斷，對部隊火炮技術保障具有重大意義。

目前，神經網絡診斷技術作為智能診斷技術之一，為故障診斷問題提供了一種新的解決途徑。在故障診斷的應用中，神經網絡能準確、快速地判斷故障類型和原因，對及早發現和排除故障發揮了很好的作用。BP神經網絡具有高度的并行分布式、聯想記憶、自組織、自學習、容錯能力強的非線性映射能力，尤其適用于故障診斷。故應用神經網絡進行反后坐裝置的故障診斷，能準確、快速判斷故障類型和原因，對及時準確處理火炮反后坐故障具有重要的意義。

1 GA－BP神經網絡原理

BP神經網絡是一種多層前饋型神經網絡，S型函數是神經元的傳遞函數，輸出為0到1的區間數，實現輸入與輸出之間的非線性映射。Back Propagation算法實現權值的調整。

BP神經網絡故障診斷的基本思想是:以故障特征作為神經網絡輸入X，診斷結果作為神經網絡輸出Y。用已有的故障診斷征兆和診斷結果對神經網絡進行訓練，使神經網絡通過權值和閥值記憶故障征兆與診斷結果之間存在的對應關系;然后將得到的故障征兆加到神經網絡的輸入端，就可以利用訓練后的神經網絡進行故障診斷，并得到相應的診斷結果。

GA-BP算法就是在BP算法之前，先用GA在隨機點集中遺傳出優化初值，以此作為BP算法的初始權值，再由BP算法進行訓練。

2 火炮后坐、復進運動模型

火炮射擊后在炮膛合力作用下先進行后坐運動，并在規定距離內停止，然后再復進運動，恢復射前位置。其后坐、復進運動微分方程組［1］為:

式中，X為后坐位移;v為后坐速度;ζ為復進位移;U為復進速度;DT為制退桿活塞套直徑;dg為節制環孔直徑。其他各參數含義和表達式參見文獻［1］。

3 火炮反后坐故障機理分析

火炮反后坐裝置故障現象主要表現為后坐過長、后坐過短、復進過猛與復進不足4種，反后坐裝置故障主要原因為反后坐裝置氣、液量不正確及零件磨損。復進機故障主要是氣、液量不正確，可以根據復進機氣壓、后坐位移和速度參數來判斷其故障原因;制退機故障主要為制退機漏液、節制環磨損、制退桿活塞套磨損。由于無法直接測出制退機內的漏液量和節制環、制退桿活塞套的磨損量，故很難直接從測試數據來判斷制退機故障原因，但可以根據后坐位移與速度、及復進速度間接來判斷制退機故障原因。

由上述可知，制退機液量VZ、節制環孔徑dg、制退桿活塞套直徑DT與后坐位移X、后坐速度v、復進速度Vf之間具有非線性函數關系。因此，本文針對制退機故障采用神經網絡進行診斷，具體診斷思路為:尋找制退機漏液量△VZ、節制環磨損量△dg、制退桿活塞套磨損量△DT，代入數學模型計算后坐位移X、后坐速度v、復進速度Vf。以計算值作為GA-BP網絡的訓練樣本，訓練神經網絡。選取一組測試值（X，v，Vf）對GA-BP網絡進行驗證，以此來評估建立的GA-BP網絡在火炮制退機故障診斷中的準確性。

4 GA－BP網絡仿真

4.1 訓練GA－BP網絡

由于火炮制退機故障診斷傳統主要是憑借專家建言進行判斷，并沒有積累大量的實際故障數據，因此本論文在不影響GA-BP網絡診斷方法準確性條件下，忽略實際影響因素，采取理論計算值作為神經網絡訓練樣本，具體方法為:設定取值范圍ΔVZ（0～5L）、Δdg（0～1.25mm）、和ΔDT（0～0.6mm），分別均勻選取6個數據，組成216組數據，在matlab中建立制退機運動數學模型，計算得后坐位移X、后坐最大速度vmax、復進到位速度Vf end，由此組成GA-BP網絡的訓練樣本。

根據訓練樣本，應用matlab編程，建立GA-BP網絡，設定該網絡具有3個輸入，10個隱單元，3個輸出，訓練函數取trainlm;利用遺傳算法優化后的權值和閥值對BP網絡訓練。

用遺傳算法優化BP網絡的權值和閥值，本文設定初始種群Pop=60，遺傳迭代數gen=200，用initializega函數初始化種群。其遺傳算法誤差平方和曲線，適應度曲線分別為圖1、圖2。

由圖1和圖2可以判斷，隨著遺傳迭代數的增加，遺傳平方誤差和逐漸趨向于0，而適應度不斷趨向于1，說明遺傳算法對于BP網絡的優化有著明顯的效果。

圖1 誤差平方和曲線

圖2 適應度曲線

4.2 仿真結果分析

用GA-BP算法訓練建立的神經網絡，其網絡訓練目標曲線如圖3。根據網絡訓練曲線可以判斷GA-BP算法進行了107步收斂到制定精度εBP，耗時為15.37s。

圖3 GA－BP網絡訓練曲線

為了驗證GA-BP神經網絡的有效性，通過采取理論計算值來作為網絡輸入值。本文以某炮故障節制環磨損為實例分析:設定ΔVZ為 0L，Δdg為 0.2825mm，ΔDT為0mm，代入數學模型計算得后坐位移X為0.7351m，后坐最大速度vmax為11.4148m/s，復進到位速度Vf end為1.1972m/s，以此作為GA-BP網絡測試輸入樣本，表1為 診斷結果。

表1 GA－BP網絡診斷結果

根據表1數據結果分析，理論輸出值與實際輸出值誤差較小，診斷結果正確。由網絡輸出與診斷結果可以清晰地辨明各種故障原因，表明GA-BP網絡性能良好。

5 結語

針對火炮制退機結構復雜，故障與征兆之間的關系難以建立精確地數學模型的實際，本文應用人工神經網絡的故障診斷方法，建立了GA-BP網絡模型。結果表明其理論輸出值和網絡輸出值相符合，表明GA-BP網絡診斷方法在自行火炮制退機故障診斷中是可行的。另外，隨著人工智能技術的發展，類似于GA-BP網絡診斷技術對于解決復雜的機電液氣一體化復雜設備的故障時非常有效的。

［1］高樹滋，陳運生，張月林，等.火炮反后坐裝置設計［M］.北京:兵器工業出版社，1995.

［2］原情，賀新鋒，劉湘崇.遺傳算法和神經網絡在導彈測試設備故障診斷中的應用研究［J］，測試技術學報，2002（16）:702-706.

［3］鄧競.淺談遺傳算法原理在神經網絡優化中的應用［J］，科技信息，2011（27）:39-40.

［4］盧華強，徐桃，夏天涼.模糊神經網絡在多沖液壓系統故障診斷中的應用［J］.蘇州大學學報，2011，31（1）:17-20.

［5］楊超，王志偉.遺傳算法和BP網絡在電機故障診斷中的應用研究［J］，噪聲與振動控制，2010，5:153-157.

［6］郭曉婷，朱巖.基于遺傳算法的進化神經網絡［J］，清華大學學報，2000，VoL.40，No.10.