基于GRNN神經網絡的ADS?B系統故障率預測

胡水鏡

摘 要： 為指導制定ADS?B系統的維護策略，提高系統完好率，提出一種利用GRNN神經網絡對故障率進行預測的方法。利用總使用時間、維護質量、環境溫度和環境濕度的特征數據作為輸入向量，故障率為輸出向量，建立GRNN神經網絡故障預測模型。仿真實例表明，GRNN神經網絡預測模型具有較高的預測精度、穩定的網絡以及較快的收斂速度，預測結果可為科學制定維護策略提供幫助。

關鍵詞： ADS?B系統； GRNN神經網絡； 故障率預測； 故障預測模型

中圖分類號： TN965.6?34； V240.2 文獻標識碼： A 文章編號： 1004?373X（2014）15?0107?03

ADS?B system′s failure rate prediction based on GRNN neural network

HU Shui?jing

（Civil Aviation Flight University of China， Guanghan 618307， China）

Abstract： In order to instruct the formulation of maintenance policy for ADS?B system and improve the system availability， a method to predict the failure rate by the aid of GRNN neural network is put forward in this paper. A GRNN neural network failure rate prediction model was established by taking the characteristic data of total working time， environment temperature， environment humidity and maintain quality as input vector， and the failure rate as output vector. The simulation example shows that the prediction model has the advantages of high?accuracy prediction， stable network and quick convergence， and the predicted results can provide a help for formulation of the scientific maintenance policy.

Keywords： ADS?B system； GRNN neural network； failure rate prediction； failure prediction model

0 引 言

廣播式自動相關監視系統（Automatic Dependent Surveillance?Broadcast，ADS?B）是利用全球衛星定位系統及機載設備產生自身狀態數據，以地空/空空數據鏈為通信手段的一種飛機運行監視技術。ADS?B系統可實現空地飛機的實時跟蹤定位和相互感知，達到自動監控和預警，避免飛機危險接近，可有效縮小飛機之間的間隔并提高運行安全水平[1]。ADS?B系統作為空管領域的一項新技術，在中國民航飛行學院得到了全面應用，替代了地面塔臺管制員靠陸空對話確定飛機的位置和高度，利用“擺棋子”、目視以及記憶等指揮飛機的傳統方式，雖然大大提高了飛行訓練數量和質量，但造成了空管指揮對ADS?B系統的高度依賴性，一旦該系統發生故障，將會影響飛行訓練的正常運行，甚至危及飛行安全。因此，研究如何提高ADS?B系統的完好率，是當前設備維護人員亟待解決的新課題。

ADS?B系統故障率的準確預測，將對指導制定維護策略，提高完好率具有重要意義。人工神經網絡具有強大的非線性映射能力，處理復雜性和多變性問題具有較大的優勢，在故障率預測方面得到了廣泛的應用。然而，ADS?B系統是一種新興技術，目前尚未發現針對其故障率進行預測的相關研究報道[2?5]。為此，本文提出一種基于廣義回歸神經網絡（Generalized Regression Neural Network，GRNN），利用故障率影響因素的特征數據，對ADS?B系統故障率進行預測的方法。

1 GRNN神經網絡模型

GRNN是徑向基神經網絡模型的一種，具有很強的非線性映射能力和柔性網絡結構以及高度的容錯性和魯棒性，適用于解決非線性問題[6]。GRNN的結構如圖1所示，由輸入層、模式層、求和層和輸出層四層構成。對應網絡輸入[X=[x1，x2，…，xn]T，]其輸出為[Y=[y1，y2，…，yn]T。]

1.1 輸入層

輸入層神經元的數目等于學習樣本中輸入向量的維數，各神經元是簡單的分布元，直接將輸入變量傳遞給模式層。

圖1 GRNN神經網絡結構

1.2 模式層

模式層神經元數目等于學習樣本的數目[n，]各神經元對應不同的樣本，模式層神經元傳遞函數為：

[pi=exp-（X-Xi）T?（X-Xi）（2σ2）， i=1，2，…，n]

神經元[i]的輸出為輸入變量與其對應的樣本[X]之間Euclid距離平方的指數平方[D2i=（X-Xi）T（X-Xi）]的指數形式。其中：[X]為網絡輸入變量；[Xi]為第[i]個神經元對應的學習樣本。

1.3 求和層

求和層中使用兩種類型神經元進行求和：

（1） 計算公式為[i=1nexp-（X-Xi）T（X-Xi）（2σ2），]它對所有模式層神經元的輸出進行算術求和，其模式層與各神經元的連接權值為1，傳遞函數為：

[SD=i=1nPi]

（2） 計算公式為[i=1nYiexp-（X-Xi）T（X-Xi）（2σ2），]它對所有模式層的神經元進行加權求和，模式層中第[i]個神經元與求和層中第[j]個分子求和神經元之間的連接權值為第[i]個輸出樣本[Yi]中的第[j]個元素，傳遞函數為：

[SNj=i=1nyijPi， j=1，2，…，k]

1.4 輸出層

輸出層中的神經元數目等于學習樣本中輸出向量的維數[k]，各神經元將求和層的輸出相除，神經元[j]的輸出對應估計結果[Y（X）]的第[j]個元素，即：

[yj=SNjSD， j=1，2，…，k]

2 ADS?B系統故障率預測建模

ADS?B是由導航數據定位系統、機載設備和地面接收處理顯示系統組成的復雜系統，可分為硬件部分和軟件部件，其中硬件部分包括GBT/GPS天饋線、GBT設備、路由器、交換機、基站服務器、光配線架、傳輸網絡、客戶端以及設備電源，軟件部分包括數據庫管理軟件、應用軟件和安全軟件。據ADS?B系統的維護數據統計分析得出，故障主要發生在硬件部分，而引起硬件部分故障的因素廣泛地存在于設計、制造、使用和維護的全過程，但ADS?B系統使用單位，往往只能關注運行（使用、維護）環節中的因素。為此，本文從ADS?B系統運行的角度，分析引起硬件部分故障的因素，提取故障率影響因素的特征數據，建立故障率預測模型。

2.1 故障率影響因素分析

影響ADS?B系統故障率的主要因素有：

（1） 總使用時間。ADS?B系統中硬件的自然損耗將引起的各種元器件、板件、接口電路、電纜接口松動以及系統性能衰減等， 是誘發各類故障的重要因素之一。由于ADS?B系統中硬件的自然損耗一般與總使用時間成正比，因此可將總使用時間作為影響故障率的主要因素。

（2） 維護質量。ADS?B系統運行中，需要進行日常的保養（外表清潔以及內部除塵等）、定期的維護（周、月以及年維護等）以及故障維修。上述維護作業的內容、時間間隔以及維護人員技術水平等因素所決定的維護質量，直接影響ADS?B系統影響故障率，因此可將維護質量作為影響故障率的主要因素。

（3） 環境溫度。環境溫度交替變化，ADS?B系統硬件將產生熱應力和應變，引起釬焊接觸電阻增大、印刷電路板上電鍍通孔開裂以及接頭松馳等故障。環境溫度過高，ADS?B系統硬件將產生過熱現象，引起零件粘接、電子電路穩定性變差、有機材料開裂以及斷電器接通/斷開范圍變化等故障。在高于室內環境溫度（20～25 ℃）條件下，故障率近似以指數規律隨溫度的升高而增加。環境溫度過低，ADS?B系統硬件將產生物質收縮、流動性降低以及凝結交硬，引起材料發硬變脆、零件相互咬死、電子元件性能變差以及變壓器性能變化等故障。綜上分析可知，環境溫度對ADS?B系統的故障率影響顯著，可作為影響故障率的主要因素。

（4） 環境濕度。潮濕環境會引起ADS?B系統硬件發生外觀、物理、化學以及電性能方面的劣化，引起表面吸收、毛細凝露以及松散材料擴散等故障。特別是空氣中存在各種大氣污染物質時，將加劇潮濕環境對故障的影響，如某些易吸收水分的塵埃將增加電子元件表面凝露和水氣吸收，加劇表面絕緣性能下降和霉菌的生成而影響電阻值等。因此，環境濕度越大，ADS?B系統的故障率越高，環境濕度可作為影響故障率的主要因素。

2.2 故障率影響因素的特征數據

根據影響因素中各特征對ADS?B系統故障率影響程度的大小，設定不同影響因子作為特征數據，見表1。

表1 故障率影響因素的特征數據

[影響因素＼&程度＼&特征數據＼&總工作時間＼&小時＼&1，2，…＼&＼&維護質量＼&優＼&0.9＼&良＼&0.8＼&中＼&0.7＼&＼&環境溫度 /℃＼&16～30＼&1＼&0～15＼&0.8＼&<0＼&0.7＼&>30＼&0.6＼&＼&環境濕度 /%＼&<20＼&0.9＼&20～80＼&0.7＼&>80＼&0.5＼&]

2.3 故障率預測建模

ADS?B系統故障率預測模型的輸入向量為故障率影響因素的特征數據：總使用時間（1，2，…），維護質量影響因子（0.95，0.8，0.7），環境溫度影響因子（1，0.8，0.6，0.4），環境濕度影響因子（0.9，0.7，0.5）。故障率預測模型的輸出向量為ADS?B系統的千時故障率即每1 000 h發生的故障次數。基于Matlab平臺，編程建立一個GRNN神經網絡，采用交叉驗證方法訓練網絡，利用已訓練好的網絡對ADS?B系統故障率進行預測[7]。

3 仿真實例

以中國民航飛行學院的ADS?B系統為例，根據5個機場的實際運行情況，分析選取了40組樣本作為故障率預測模型的訓練數據，部分訓練數據見表2。

表2 訓練樣本數據（部分）

[工作時間 /h＼&維護質量＼&環境溫度＼&環境濕度＼&千時故障率＼&5 000＼&0.9＼&1＼&0.9＼&0.526＼&10 000＼&0.9＼&0.8＼&0.7＼&0.816＼&10 000＼&0.7＼&0.8＼&0.7＼&1.042＼&15 000＼&0.7＼&1＼&0.7＼&1.355＼&20 000＼&0.8＼&0.7＼&0.5＼&1.462＼&20 000＼&0.7＼&0.6＼&0.9＼&1.402＼&25 000＼&0.9＼&0.8＼&0.9＼&1.655＼&30 000＼&0.7＼&0.6＼&0.5＼&2.651＼&30 000＼&0.8＼&1＼&0.7＼&2.275＼&35 000＼&0.8＼&0.7＼&0.9＼&3.322＼&40 000＼&0.7＼&0.7＼&0.7＼&4.056＼&40 000＼&0.8＼&1＼&0.9＼&3.759＼&]

GRNN神經網絡模型中，光滑因子對預測性能影響較大。光滑因子越大，網絡對樣本數據的逼近過程越光滑，但逼近誤差較大；光滑因子越小，網絡對樣本數據的逼近性越好，但逼近過程越不光滑，還可能出現過擬后現象。為選取最佳的光滑因子，本文采用交叉驗證方法，確定光滑因子為0.4。根據表2中的樣本數據對神經網絡進行訓練，將4組測試數據輸入訓練好的神經網絡，結果見表3。

由表3可得出，以總使用時間、維護質量、環境溫度、環境濕度的特征數據為輸入向量，利用GRNN神經網絡對ADS?B系統故障率進行預測，預測相對誤差在-4%～4%以內，具有較高的預測精度。

4 結 語

將影響ADS?B系統故障率的因素設定合理的特征數據，以這些特征數據作為輸入向量，每1 000 h發生故障的數量作為輸出向量，利用GRNN神經網絡建立預測模型，可獲得較高的預測精度、穩定的訓練過程以及較快的收斂速度。ADS?B系統故障率的預測結果，可為科學制定維護策略，提高系統的完好率提供幫助。

參考文獻

[1] 李敏，王幫峰，丁萌.ADS?B在機場場面監視中的應用研究[J].中國民航飛行學院學報，2014，25（1）：11?14.

[2] 楊婷，楊根科，潘常春.基于BP神經網絡的汽車故障率預測[J].計算機仿真，2009，26（1）：267?270.

[3] 李瑞瑩，康銳.基于神經網絡的故障率預測方法[J].航空學報，2008，29（2）：357?363.

[4] 李瑞瑩，康銳.基于ARMA的故障率預測方法[J].系統工程與電子技術，2008，30（8）：1588?1591.

[5] 郭斌，孟令啟，杜勇，等.基于GRNN神經網絡的中厚板軋機厚度預測[J].中南大學學報，2011，42（4）：960?965.

[6] 高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2010.

[7] 王小川，史峰，郁磊，等.Matlab神經網絡43個案例分析[M].北京：北京航空航天大學出版社，2013.

1.3 求和層

求和層中使用兩種類型神經元進行求和：

（1） 計算公式為[i=1nexp-（X-Xi）T（X-Xi）（2σ2），]它對所有模式層神經元的輸出進行算術求和，其模式層與各神經元的連接權值為1，傳遞函數為：

[SD=i=1nPi]

（2） 計算公式為[i=1nYiexp-（X-Xi）T（X-Xi）（2σ2），]它對所有模式層的神經元進行加權求和，模式層中第[i]個神經元與求和層中第[j]個分子求和神經元之間的連接權值為第[i]個輸出樣本[Yi]中的第[j]個元素，傳遞函數為：

[SNj=i=1nyijPi， j=1，2，…，k]

1.4 輸出層

輸出層中的神經元數目等于學習樣本中輸出向量的維數[k]，各神經元將求和層的輸出相除，神經元[j]的輸出對應估計結果[Y（X）]的第[j]個元素，即：

[yj=SNjSD， j=1，2，…，k]

2 ADS?B系統故障率預測建模

ADS?B是由導航數據定位系統、機載設備和地面接收處理顯示系統組成的復雜系統，可分為硬件部分和軟件部件，其中硬件部分包括GBT/GPS天饋線、GBT設備、路由器、交換機、基站服務器、光配線架、傳輸網絡、客戶端以及設備電源，軟件部分包括數據庫管理軟件、應用軟件和安全軟件。據ADS?B系統的維護數據統計分析得出，故障主要發生在硬件部分，而引起硬件部分故障的因素廣泛地存在于設計、制造、使用和維護的全過程，但ADS?B系統使用單位，往往只能關注運行（使用、維護）環節中的因素。為此，本文從ADS?B系統運行的角度，分析引起硬件部分故障的因素，提取故障率影響因素的特征數據，建立故障率預測模型。

2.1 故障率影響因素分析

影響ADS?B系統故障率的主要因素有：

（1） 總使用時間。ADS?B系統中硬件的自然損耗將引起的各種元器件、板件、接口電路、電纜接口松動以及系統性能衰減等， 是誘發各類故障的重要因素之一。由于ADS?B系統中硬件的自然損耗一般與總使用時間成正比，因此可將總使用時間作為影響故障率的主要因素。

（2） 維護質量。ADS?B系統運行中，需要進行日常的保養（外表清潔以及內部除塵等）、定期的維護（周、月以及年維護等）以及故障維修。上述維護作業的內容、時間間隔以及維護人員技術水平等因素所決定的維護質量，直接影響ADS?B系統影響故障率，因此可將維護質量作為影響故障率的主要因素。

（3） 環境溫度。環境溫度交替變化，ADS?B系統硬件將產生熱應力和應變，引起釬焊接觸電阻增大、印刷電路板上電鍍通孔開裂以及接頭松馳等故障。環境溫度過高，ADS?B系統硬件將產生過熱現象，引起零件粘接、電子電路穩定性變差、有機材料開裂以及斷電器接通/斷開范圍變化等故障。在高于室內環境溫度（20～25 ℃）條件下，故障率近似以指數規律隨溫度的升高而增加。環境溫度過低，ADS?B系統硬件將產生物質收縮、流動性降低以及凝結交硬，引起材料發硬變脆、零件相互咬死、電子元件性能變差以及變壓器性能變化等故障。綜上分析可知，環境溫度對ADS?B系統的故障率影響顯著，可作為影響故障率的主要因素。

（4） 環境濕度。潮濕環境會引起ADS?B系統硬件發生外觀、物理、化學以及電性能方面的劣化，引起表面吸收、毛細凝露以及松散材料擴散等故障。特別是空氣中存在各種大氣污染物質時，將加劇潮濕環境對故障的影響，如某些易吸收水分的塵埃將增加電子元件表面凝露和水氣吸收，加劇表面絕緣性能下降和霉菌的生成而影響電阻值等。因此，環境濕度越大，ADS?B系統的故障率越高，環境濕度可作為影響故障率的主要因素。

2.2 故障率影響因素的特征數據

根據影響因素中各特征對ADS?B系統故障率影響程度的大小，設定不同影響因子作為特征數據，見表1。

表1 故障率影響因素的特征數據

[影響因素＼&程度＼&特征數據＼&總工作時間＼&小時＼&1，2，…＼&＼&維護質量＼&優＼&0.9＼&良＼&0.8＼&中＼&0.7＼&＼&環境溫度 /℃＼&16～30＼&1＼&0～15＼&0.8＼&<0＼&0.7＼&>30＼&0.6＼&＼&環境濕度 /%＼&<20＼&0.9＼&20～80＼&0.7＼&>80＼&0.5＼&]

2.3 故障率預測建模

ADS?B系統故障率預測模型的輸入向量為故障率影響因素的特征數據：總使用時間（1，2，…），維護質量影響因子（0.95，0.8，0.7），環境溫度影響因子（1，0.8，0.6，0.4），環境濕度影響因子（0.9，0.7，0.5）。故障率預測模型的輸出向量為ADS?B系統的千時故障率即每1 000 h發生的故障次數?；贛atlab平臺，編程建立一個GRNN神經網絡，采用交叉驗證方法訓練網絡，利用已訓練好的網絡對ADS?B系統故障率進行預測[7]。

3 仿真實例

以中國民航飛行學院的ADS?B系統為例，根據5個機場的實際運行情況，分析選取了40組樣本作為故障率預測模型的訓練數據，部分訓練數據見表2。

表2 訓練樣本數據（部分）

[工作時間 /h＼&維護質量＼&環境溫度＼&環境濕度＼&千時故障率＼&5 000＼&0.9＼&1＼&0.9＼&0.526＼&10 000＼&0.9＼&0.8＼&0.7＼&0.816＼&10 000＼&0.7＼&0.8＼&0.7＼&1.042＼&15 000＼&0.7＼&1＼&0.7＼&1.355＼&20 000＼&0.8＼&0.7＼&0.5＼&1.462＼&20 000＼&0.7＼&0.6＼&0.9＼&1.402＼&25 000＼&0.9＼&0.8＼&0.9＼&1.655＼&30 000＼&0.7＼&0.6＼&0.5＼&2.651＼&30 000＼&0.8＼&1＼&0.7＼&2.275＼&35 000＼&0.8＼&0.7＼&0.9＼&3.322＼&40 000＼&0.7＼&0.7＼&0.7＼&4.056＼&40 000＼&0.8＼&1＼&0.9＼&3.759＼&]

GRNN神經網絡模型中，光滑因子對預測性能影響較大。光滑因子越大，網絡對樣本數據的逼近過程越光滑，但逼近誤差較大；光滑因子越小，網絡對樣本數據的逼近性越好，但逼近過程越不光滑，還可能出現過擬后現象。為選取最佳的光滑因子，本文采用交叉驗證方法，確定光滑因子為0.4。根據表2中的樣本數據對神經網絡進行訓練，將4組測試數據輸入訓練好的神經網絡，結果見表3。

由表3可得出，以總使用時間、維護質量、環境溫度、環境濕度的特征數據為輸入向量，利用GRNN神經網絡對ADS?B系統故障率進行預測，預測相對誤差在-4%～4%以內，具有較高的預測精度。

4 結 語

將影響ADS?B系統故障率的因素設定合理的特征數據，以這些特征數據作為輸入向量，每1 000 h發生故障的數量作為輸出向量，利用GRNN神經網絡建立預測模型，可獲得較高的預測精度、穩定的訓練過程以及較快的收斂速度。ADS?B系統故障率的預測結果，可為科學制定維護策略，提高系統的完好率提供幫助。

參考文獻

[1] 李敏，王幫峰，丁萌.ADS?B在機場場面監視中的應用研究[J].中國民航飛行學院學報，2014，25（1）：11?14.

[2] 楊婷，楊根科，潘常春.基于BP神經網絡的汽車故障率預測[J].計算機仿真，2009，26（1）：267?270.

[3] 李瑞瑩，康銳.基于神經網絡的故障率預測方法[J].航空學報，2008，29（2）：357?363.

[4] 李瑞瑩，康銳.基于ARMA的故障率預測方法[J].系統工程與電子技術，2008，30（8）：1588?1591.

[5] 郭斌，孟令啟，杜勇，等.基于GRNN神經網絡的中厚板軋機厚度預測[J].中南大學學報，2011，42（4）：960?965.

[6] 高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2010.

[7] 王小川，史峰，郁磊，等.Matlab神經網絡43個案例分析[M].北京：北京航空航天大學出版社，2013.

1.3 求和層

求和層中使用兩種類型神經元進行求和：

（1） 計算公式為[i=1nexp-（X-Xi）T（X-Xi）（2σ2），]它對所有模式層神經元的輸出進行算術求和，其模式層與各神經元的連接權值為1，傳遞函數為：

[SD=i=1nPi]

（2） 計算公式為[i=1nYiexp-（X-Xi）T（X-Xi）（2σ2），]它對所有模式層的神經元進行加權求和，模式層中第[i]個神經元與求和層中第[j]個分子求和神經元之間的連接權值為第[i]個輸出樣本[Yi]中的第[j]個元素，傳遞函數為：

[SNj=i=1nyijPi， j=1，2，…，k]

1.4 輸出層

輸出層中的神經元數目等于學習樣本中輸出向量的維數[k]，各神經元將求和層的輸出相除，神經元[j]的輸出對應估計結果[Y（X）]的第[j]個元素，即：

[yj=SNjSD， j=1，2，…，k]

2 ADS?B系統故障率預測建模

ADS?B是由導航數據定位系統、機載設備和地面接收處理顯示系統組成的復雜系統，可分為硬件部分和軟件部件，其中硬件部分包括GBT/GPS天饋線、GBT設備、路由器、交換機、基站服務器、光配線架、傳輸網絡、客戶端以及設備電源，軟件部分包括數據庫管理軟件、應用軟件和安全軟件。據ADS?B系統的維護數據統計分析得出，故障主要發生在硬件部分，而引起硬件部分故障的因素廣泛地存在于設計、制造、使用和維護的全過程，但ADS?B系統使用單位，往往只能關注運行（使用、維護）環節中的因素。為此，本文從ADS?B系統運行的角度，分析引起硬件部分故障的因素，提取故障率影響因素的特征數據，建立故障率預測模型。

2.1 故障率影響因素分析

影響ADS?B系統故障率的主要因素有：

（1） 總使用時間。ADS?B系統中硬件的自然損耗將引起的各種元器件、板件、接口電路、電纜接口松動以及系統性能衰減等， 是誘發各類故障的重要因素之一。由于ADS?B系統中硬件的自然損耗一般與總使用時間成正比，因此可將總使用時間作為影響故障率的主要因素。

（2） 維護質量。ADS?B系統運行中，需要進行日常的保養（外表清潔以及內部除塵等）、定期的維護（周、月以及年維護等）以及故障維修。上述維護作業的內容、時間間隔以及維護人員技術水平等因素所決定的維護質量，直接影響ADS?B系統影響故障率，因此可將維護質量作為影響故障率的主要因素。

（3） 環境溫度。環境溫度交替變化，ADS?B系統硬件將產生熱應力和應變，引起釬焊接觸電阻增大、印刷電路板上電鍍通孔開裂以及接頭松馳等故障。環境溫度過高，ADS?B系統硬件將產生過熱現象，引起零件粘接、電子電路穩定性變差、有機材料開裂以及斷電器接通/斷開范圍變化等故障。在高于室內環境溫度（20～25 ℃）條件下，故障率近似以指數規律隨溫度的升高而增加。環境溫度過低，ADS?B系統硬件將產生物質收縮、流動性降低以及凝結交硬，引起材料發硬變脆、零件相互咬死、電子元件性能變差以及變壓器性能變化等故障。綜上分析可知，環境溫度對ADS?B系統的故障率影響顯著，可作為影響故障率的主要因素。

（4） 環境濕度。潮濕環境會引起ADS?B系統硬件發生外觀、物理、化學以及電性能方面的劣化，引起表面吸收、毛細凝露以及松散材料擴散等故障。特別是空氣中存在各種大氣污染物質時，將加劇潮濕環境對故障的影響，如某些易吸收水分的塵埃將增加電子元件表面凝露和水氣吸收，加劇表面絕緣性能下降和霉菌的生成而影響電阻值等。因此，環境濕度越大，ADS?B系統的故障率越高，環境濕度可作為影響故障率的主要因素。

2.2 故障率影響因素的特征數據

根據影響因素中各特征對ADS?B系統故障率影響程度的大小，設定不同影響因子作為特征數據，見表1。

表1 故障率影響因素的特征數據

[影響因素＼&程度＼&特征數據＼&總工作時間＼&小時＼&1，2，…＼&＼&維護質量＼&優＼&0.9＼&良＼&0.8＼&中＼&0.7＼&＼&環境溫度 /℃＼&16～30＼&1＼&0～15＼&0.8＼&<0＼&0.7＼&>30＼&0.6＼&＼&環境濕度 /%＼&<20＼&0.9＼&20～80＼&0.7＼&>80＼&0.5＼&]

2.3 故障率預測建模

ADS?B系統故障率預測模型的輸入向量為故障率影響因素的特征數據：總使用時間（1，2，…），維護質量影響因子（0.95，0.8，0.7），環境溫度影響因子（1，0.8，0.6，0.4），環境濕度影響因子（0.9，0.7，0.5）。故障率預測模型的輸出向量為ADS?B系統的千時故障率即每1 000 h發生的故障次數?；贛atlab平臺，編程建立一個GRNN神經網絡，采用交叉驗證方法訓練網絡，利用已訓練好的網絡對ADS?B系統故障率進行預測[7]。

3 仿真實例

以中國民航飛行學院的ADS?B系統為例，根據5個機場的實際運行情況，分析選取了40組樣本作為故障率預測模型的訓練數據，部分訓練數據見表2。

表2 訓練樣本數據（部分）

[工作時間 /h＼&維護質量＼&環境溫度＼&環境濕度＼&千時故障率＼&5 000＼&0.9＼&1＼&0.9＼&0.526＼&10 000＼&0.9＼&0.8＼&0.7＼&0.816＼&10 000＼&0.7＼&0.8＼&0.7＼&1.042＼&15 000＼&0.7＼&1＼&0.7＼&1.355＼&20 000＼&0.8＼&0.7＼&0.5＼&1.462＼&20 000＼&0.7＼&0.6＼&0.9＼&1.402＼&25 000＼&0.9＼&0.8＼&0.9＼&1.655＼&30 000＼&0.7＼&0.6＼&0.5＼&2.651＼&30 000＼&0.8＼&1＼&0.7＼&2.275＼&35 000＼&0.8＼&0.7＼&0.9＼&3.322＼&40 000＼&0.7＼&0.7＼&0.7＼&4.056＼&40 000＼&0.8＼&1＼&0.9＼&3.759＼&]

GRNN神經網絡模型中，光滑因子對預測性能影響較大。光滑因子越大，網絡對樣本數據的逼近過程越光滑，但逼近誤差較大；光滑因子越小，網絡對樣本數據的逼近性越好，但逼近過程越不光滑，還可能出現過擬后現象。為選取最佳的光滑因子，本文采用交叉驗證方法，確定光滑因子為0.4。根據表2中的樣本數據對神經網絡進行訓練，將4組測試數據輸入訓練好的神經網絡，結果見表3。

由表3可得出，以總使用時間、維護質量、環境溫度、環境濕度的特征數據為輸入向量，利用GRNN神經網絡對ADS?B系統故障率進行預測，預測相對誤差在-4%～4%以內，具有較高的預測精度。

4 結 語

將影響ADS?B系統故障率的因素設定合理的特征數據，以這些特征數據作為輸入向量，每1 000 h發生故障的數量作為輸出向量，利用GRNN神經網絡建立預測模型，可獲得較高的預測精度、穩定的訓練過程以及較快的收斂速度。ADS?B系統故障率的預測結果，可為科學制定維護策略，提高系統的完好率提供幫助。

參考文獻

[1] 李敏，王幫峰，丁萌.ADS?B在機場場面監視中的應用研究[J].中國民航飛行學院學報，2014，25（1）：11?14.

[2] 楊婷，楊根科，潘常春.基于BP神經網絡的汽車故障率預測[J].計算機仿真，2009，26（1）：267?270.

[3] 李瑞瑩，康銳.基于神經網絡的故障率預測方法[J].航空學報，2008，29（2）：357?363.

[4] 李瑞瑩，康銳.基于ARMA的故障率預測方法[J].系統工程與電子技術，2008，30（8）：1588?1591.

[5] 郭斌，孟令啟，杜勇，等.基于GRNN神經網絡的中厚板軋機厚度預測[J].中南大學學報，2011，42（4）：960?965.

[6] 高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2010.

[7] 王小川，史峰，郁磊，等.Matlab神經網絡43個案例分析[M].北京：北京航空航天大學出版社，2013.