基于FNN的機場助航燈光故障診斷研究

摘 要：首先將神經網絡與模糊邏輯結合，構建了模糊神經網絡模型，然后采集了近幾年軍用機場燈光設備發生故障數據，并以此為樣本，借助Matlab軟件對神經網絡進行訓練，得出測試結果，最后對故障樣本進行診斷，得到了較高精度的診斷結果。

關鍵詞：助航燈光；模糊邏輯；神經網絡；故障診斷

軍用機場助航燈光系統是保障飛機在夜間和復雜天氣條件下順利起飛、著陸、滑行的目視助航設備[1]。隨著新一代戰機陸續裝配到部隊，航空兵飛行訓練密度及機場作戰等級不斷提高，對機場助航燈光保障提出了更高的要求。而目前，空軍機場助航燈光普遍存在著供電連續性差、回路故障頻繁、燈具亮度不夠等問題，嚴重影響飛行安全。如何快速準確地診斷出這些故障，是進行控制管理、日常維護、戰時搶修等一系列工作的前提。

1 模糊神經網絡方法

模糊神經網絡的故障診斷方法，是將模糊邏輯與神經網絡兩種方法結合起來，利用兩個系統各自優勢，不僅可以確定故障類型，而且通過引入模糊隸屬度，能夠進一步對故障的權重值進行判斷，提高了故障診斷的準確率[2]。

1.1 模糊神經網絡概述

針對機場助航燈光設備的運行特性，本文選用應用廣、成效大的BP網絡進行運算。具體的過程為：首先對被診斷系統的監測參量進行模糊量化，從而使神經網絡的訓練樣本更加精確；然后基于BP神經網絡進行燈光設備的故障診斷；最后清晰化故障診斷的結果[3]。

該診斷網絡由3個神經元層次組成：第一層為輸入層，它的每一個節點代表已經模糊量化過后的輸入變量；第二層為隱含層，用于實現輸入變量模糊值到輸出變量模糊值的映射；第三層為輸出層，每個神經元代表一種故障，它的值即代表故障存在的可能程度。各層次的神經元之間形成全互聯連接，同一層次的神經元之間沒有連接。診斷網絡示意圖如圖1所示。

圖1 模糊神經診斷網絡示意圖

1.2 模糊神經網絡數學模型的建立

要運用模糊神經網絡進行故障診斷分析，首先必須建立診斷數學模型，具體步驟如下：

1.2.1 建立故障征兆集賦初值C，即助航燈光系統可能發生的所有故障現象的集合：

式中，元素 代表各種可能發生的燈光故障現象。然后，求出故障征兆模糊向量：

其中， 是燈光系統發生故障現象ci的隸屬度。故障征兆集模糊向量對應于模糊神經網絡的神經元域，因此，

將作為各個神經元的輸入值 。

1.2.2 建立故障原因集 ，即助航燈光系統所有可能的故障原因所組成的集合：

式中，元素 代表各種可能的故障原因。確定故障原因集合對應故障原因模糊向量：

其中， 是燈光系統具有fi故障的隸屬度。本文將用隸屬度 來說明故障原因fi發生的可能性大小。

1.2.3 建立故障征兆向量與故障原因向量之間的模糊矩陣，該矩陣就是模糊神經網絡的連接權值矩陣：

實際上，該矩陣中的各個連接權值也表示了故障現象到故障原因的一個模糊關系，即rij表述征兆的第i種特征對第j種故障的映射值，即故障診斷知識。在燈光故障診斷模型中，取計算公式為：

（1）

2 模糊神經網絡在機場助航燈光設備故障診斷中的應用

2.1 機場助航燈光設備常見故障及其原因

根據軍用機場助航燈光設備保障相關規定，燈光不亮或者達不到亮度要求就屬于故障，嚴重影響日常的飛行訓練任務。

據調查并經相關專家證實，燈光設備的故障主要有市電中斷、市電降壓變壓器燒毀、配電柜損壞、柴油機啟動失敗、轉換開關損壞、電纜接地短路、電纜開路、燈具損壞、隔離變壓器燒毀、單片機故障、可控硅燒毀、采樣電路失效、升壓變壓器燒毀等十三種[4]。根據上述的故障類型，筆者繼而分析了產生這些故障的原因。分析結果如下：

（1）市電電源無效y1：市電中斷x1、市電降壓變壓器燒毀x2、配電柜損壞x3；（2）應急發電失敗y2：柴油機啟動失敗x4、轉換開關損壞x5；（3）燈線單元損壞y3：電纜接地短路x6、電纜開路x7、燈具損壞x8、隔離變壓器燒毀x9；（4）單片機損壞y4：單片機故障x10；（5）調光器失效y5：可控硅燒毀x11、采樣電路失效x12、升壓變壓器燒毀x13。

2.2 助航燈光設備故障診斷實例

通過對空軍機場助航燈光設備故障進行調查，咨詢相關專家及機場助航燈光控制室戰士，筆者收集了長沙××軍用機場、濟南××軍用機場、杭州××軍用機場的2003～2010近八年的機場燈光設備故障數據。

2.2.1 模糊化處理與確立訓練樣本

根據對燈光設備的工作過程的理論分析和實際運行經驗，可以確定機場燈光系統各部件可能出現故障的原因和部位[5]，各個故障發生概率范圍分別為：[0.042，0.064]；[0.032，0.063]；[0.032，0.047]；[0.020，0.044]；[0.009，0.028]；[0.096，0.142]；[0.053，0.098]；[0.199，0.253]；[0.039，0.066]；[0.021，0.056]；[0.147，0.210]；[0.041，0.072]和[0.056，0.09

2]，將八組數據模糊化處理，得到故障程度的隸屬度分布情況，然后將對應的隸屬度作為輸入變量，輸入神經網絡，進行網絡訓練，作出下表1所示神經網絡的訓練樣本。

2.2.2 模糊神經網絡的設計

從前文可得知，輸入層節點數為13，輸出層節點數為5個，因此隱含層節點數的選擇可以參照美國科學家Hebb提出的以下公式選取[6]：

（2）

其中，M為輸出層節點數；N為輸入層節點數； 為1至10之間的常數。按照上式，M=5，N=13，考慮到輸入層節點數偏大，取神經網絡的隱含層節點數為14。隱含層節點的個數并不是確定的，需要經過實際訓練的檢驗來不斷調整。設定訓練的目標誤差平方和指標為1e-8，最大循環訓練次數為5000次，初始學習速率為0.01。由于歸一化處理后輸入/輸出值均在[0，1]之間取值，因此輸入層和輸出層節點的傳遞函數采用s型對數函數logsig，它把輸出范圍從（-∞，+∞）映射到（0，1），能滿足實際訓練要求。

本文借助Matlab神經網絡工具箱提供的函數來創建設計故障網絡，代碼為：net=newff（minmax（P），[14，5]，{'logsig'，'logsig'}，'trainlm'）；其中函數newff創建了一個神經網絡。

2.2.3 網絡的訓練與輸出結果診斷

網絡訓練過程是一個不斷修正權值和閥值的過程，通過調整，使網絡的輸出誤差達到最小，滿足實際應用要求。利用表1中的樣本數據進行訓練，選用trainlm作為訓練函數，網絡訓練結果如下：TRAINLM，Epoch 0/5000，MSE 0.280718/1e-008，Gradient 1.92244/1e-010

TRAINLM，Epoch19/5000，MSE 4.60317e-009/1e-008，Gradient 2.72203e-007/1e-010TRAINLM，Performance goal met.

圖2為該網絡訓練結果。從結果中可以看出，神經網絡經過19次訓練之后，達到了規定的誤差，代表訓練結束，接著進行輸出結果和診斷故障。

輸入Y=sim（net，P）；代碼，返回輸出結果，選擇另外4個故障樣本進行診斷，故障對應網絡輸出如表2所示。

以故障1為例，該故障的5個輸出值是由表1中的樣本1對應的13個特征值輸入神經網絡得到的，根據專家經驗知識，結合本文故障診斷的特點，故障閥值定為0.90，其中只有y1=1.0024>0.90，其余四個輸出值均遠小于0.90，可以看出神經網絡診斷結果為“故障y1”，即市電電源無效。其他故障的診斷由此類推，這樣一來，所有的故障都能被診斷出來。

3 結束語

助航燈光作為影響飛機安全起飛降落的關鍵設備，在發生故障時應盡快找出故障原因并解決，提高其可靠性和安全性，保證飛行訓練的正常進行。本文將模糊神經網絡技術應用于機場助航燈光故障的識別與診斷，診斷結果表明該理論方法對助航燈光故障完全可以正確識別，能夠滿足燈光故障診斷的要求。另外通過對該診斷系統的多次測試，當輸入數據偏離訓練樣本時，模糊神經網絡依然能夠給出準確的故障診斷結果，進而證明該理論方法可以應用到助航燈光故障診斷領域，具有很重要的研究價值。