復雜電子設備故障預測方法研究

韓 曉，趙昶宇

（1.海軍駐天津八三五七所軍事代表室，天津 300308；2.天津津航計算技術研究所，天津 300308）

復雜電子設備故障預測方法研究

韓 曉1，趙昶宇2

（1.海軍駐天津八三五七所軍事代表室，天津 300308；2.天津津航計算技術研究所，天津 300308）

針對系統檢測到的傳感器數據變化趨勢的分析，提出一種有效的預測復雜電子設備故障的方法。利用粗糙集屬性約簡方法預處理復雜電子設備的故障樣本數據，并對輸入樣本進行歸一化處理；利用遺傳算法對BP神經網絡的權值種群進行實數編碼，并將預測數據與期望數據之間的誤差作為適應度函數；對權值種群循環進行選擇、交叉、變異、計算適應度操作，直到達到進化次數，得到最優的初始權值和閾值；使用BP神經網絡訓練網絡的連接強度；對預測的故障樣本數據進行反歸一化處理，得到復雜電子設備的故障預測值。

故障預測；電子設備；粗糙集；遺傳算法

故障預測是故障診斷的重要環節，它能增強系統的早期故障發現能力。本文以復雜電子設備系統為技術領域，通過對系統檢測到的傳感器數據變化趨勢的分析，預測系統可能出現的故障。故障預測技術的應用有利于提高復雜電子設備系統運行時的穩定性。

目前，最常見的故障預測方法有：①趨勢圖分析法。該方法是通過趨勢分析來掌握復雜電子設備的運行狀態。但是，由于影響復雜電子設備運行狀態的原因有很多，一旦某部分的統計規律發生變化，該方法無法預測其未來的運行狀態。②曲線擬合法。該方法只適用于曲線參數方程比較明確的預測工作，對于一些復雜電子設備具有的非線性、時變性等特點，很難建立合適的曲線方程，預測效果并不理想。③時間序列法。該方法對于線性、平穩隨機時間序列的預測能夠起到較好的預測效果，應用范圍受到限制。④基于灰色理論的預測方法。該方法僅適用于有一定上升或下降趨勢的弱隨機性時間序列的預測，在對復雜電子設備中隨機性比較強的系統進行預測時，還需進一步改進。⑤人工神經網絡預測方法。人工神經網絡以其獨特的聯想、記憶、存儲和學習功能以及高度的非線性映射能力在設備的故障診斷和故障預測中被廣泛應用。但是，在實際應用中，也存在著收斂速度和收斂性無法保證，訓練容易陷入局部最小的問題。

為了改善故障預測方法中存在的不足，進一步提高故障預測率，本文提出了一種復雜電子設備故障預測的方法。這種方法能夠有效預測復雜電子設備將會發生的故障。

1 數據預處理

粗糙集理論具有很強的定性分析能力，能在保留關鍵信息的前提下對樣本數據進行約簡，達到簡化訓練樣本的目的。將采集到的復雜電子設備的原始數據通過特征提取獲得每一個故障對應的所有故障征兆，選取能體現復雜電子設備狀況的特征參數作為條件屬性，發生故障的類型作為決策屬性，然后為復雜電子設備的條件屬性和決策屬性進行編碼，建立復雜電子設備的決策表。

假設C是復雜電子設備的條件屬性，D是復雜電子設備的決策屬性，c（x）記錄x在屬性c（c∈C）上的值，C（i，j）為可辨識矩陣中第i行第j列的元素，則差別矩陣C可表示為：i，j=1，…，n.差別矩陣形式化如圖1所示。

圖1 差別矩陣示意圖

基于差別矩陣的屬性約簡算法如下（T為決策表，A為屬性約簡后的條件屬性集合，C為決策表T的差別矩陣，ak∈{cij}，C0為核屬性集合）：①將核屬性集合C0中的內容復制到集合R中；②求出所有包含核屬性的條件屬性集合Q；③差別矩陣變為（C－Q），將條件屬性集合A中去除集合R后的內容復制到集合B中；④對于所有的ak∈B，計算在C中屬性頻率最大的屬性ak，并將其添加到集合R中；⑤重復上述過程，直至C為空。經過上述處理后，集合R就是最后的約簡結果，即復雜電子設備最小故障診斷特征子集。

假設經過上述預處理后的樣本為x（1），x（2），…，x（n），則經過歸一化處理后得到的樣本為：

式（1）中：xmax為樣本x（n）中的最大值；xmin為樣本x（n）中的最小值。

將x（1），x（2），…，x（n）分成k組，每組有m＋1個值，前m個值作為BP神經網絡輸入節點的輸入值，后一個作為輸出節點的期望值。

2 獲得最佳神經元初始權值和閾值

對經典遺傳算法進行改進，以網絡誤差最小作為進化準則，經過多次迭代，最后獲得BP神經網絡開始訓練的初始權值和閾值。

2.1 個體編碼

將經過粗糙集約簡后的復雜電子設備最小故障診斷特征子集作為輸入層神經元。復雜電子設備的個體編碼方式選擇實數編碼，每個個體均為一個實數串，由BP神經網絡輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值和輸出層閾值4個部分組成。

2.2 建立適應度函數，計算種群適應度

根據個體得到BP神經網絡的初始權值和閾值，用訓練數據訓練BP神經網絡后，預測復雜電子設備系統輸出，將預測輸出與期望輸出間的誤差絕對值和作為個體適應度F：

式（2）中：k為系數；n為神經網絡輸出節點數；di為神經網絡第i個節點的期望輸出；oi為第i個節點的預測輸出。

接下來判斷是否滿足終止條件。算法終止條件是：如果當連續繁殖很多代的最優BP神經網絡權值的適應值沒有變化時，獲取BP神經網絡初始值，計算BP神經網絡誤差，否則執行下一個步驟，即文章2.3所示內容。

2.3 選擇算子

由于操作簡單，傳統的遺傳算法大多采用“輪盤賭”選擇算子。但是，這種方法一方面，容易導致局部最優而無法進化；另一方面，無法體現個體優劣，造成搜索精度不夠的局面。本文對傳統遺傳算法的“選擇算子”進行改進，改進后的選擇方式可確保適應度比平均適應度大的一些個體一定能夠被遺傳到下一代群體中，所以，這種方法的選擇誤差比較小。這種方法的具體操作步驟是：①假設2.2中得到的BP神經網絡的權值數目為N，每個權值的適應度為Fi（i＝1，2，…，N），計算BP神經網絡的權值在下一代權值中的期望生存數目，即個對應BP神經網絡的權值在下一代權值中的生存數目。其表示取不大于Ni的最大整數，這樣可以確定下一代權值中權值新的適應度，用“輪盤賭”選擇算子，隨機確定下一代權值中還未確定的

2.4 采用自適應交叉率和變異率

本文使用BP神經網絡權值的適應度值來衡量遺傳算法的收斂情況。對于適應值高的解，取較低的交叉率Pc和變異率Pm，使得該解進入下一代的機會增大；對于適應值低的解，應取比較高的交叉率Pc和變異率Pm，使該解被淘汰掉。式（3）是交叉率Pc和變異率Pm隨適應值的變化而自適應改變的計算方法，即：

式（3）中：kc和km是小于1的常數；fc是要交叉的2個權值中適應值大的1個；fm是要變異的權值的適應值；fmax和f分別是群體的最大適應值和平均適應值，fmax－f為群體的收斂程度，該值越小，表明群體已趨向收斂。

2.5 判斷是否完成進化次數

算法終止條件是：如果算法執行次數達到了進化次數的上限時仍不符合適應度函數優化準則，則算法停止，否則轉向步驟2.2.

3 計算BP神經網絡輸出層的預測值

為了進一步縮短訓練時間，對BP神經網絡進行改進，動態調整學習速率，提高網絡的收斂速度。對樣本數據進行反歸一化處理，得到復雜電子設備故障樣本數據的預測值。

3.1 獲取BP神經網絡初始值，計算網絡誤差

在遺傳算法中，以BP神經網絡誤差最小作為進化準則，經過多次迭代操作，最后獲得一組權值和閾值。該組值是遺傳算法所能遍歷的值中網絡誤差最小的，可將其作為BP神經網絡的初始值。

將BP神經網絡中每一個樣本p的輸入輸出模式的二次型誤差函數定義為：

系統的平均誤差代價函數為：

式（4）（5）中：P為樣本模式對數；L為BP神經網絡輸出節點數；dpk為BP神經網絡輸出層節點的期望輸出；Opk為BP神經網絡輸出層節點的實際輸出。

3.2 動態調整學習速率

如果BP神經網絡訓練初期有較好的學習率，對后來的訓練未必合適，因此，本文對BP神經網絡學習算法進行改進，采用動態調整學習速率的方法，使得BP神經網絡的實際輸出盡可能地接近期望輸出。這樣做，不僅提高了學習算法的可靠性，還縮短了BP神經網絡的訓練時間。

選取BP神經網絡輸出層節點的實際輸出和期望輸出的平均絕對誤差e1及其變化率e2兩個變量，即：

式（6）（7）中：e1（t）和 e1（t－1）為第 t和 t－1 時的平均絕對值誤差。

學習速率η的表達式為：

式（9）（10）中：k1和k2為比例因子，調整f1和f2的比例；b1和b2為權重因子，修正f1和f2的權重。k1，k2和b1，b2的值需根據實際需要，經過反復實驗確定。

3.3 修改BP神經網絡的權值

設BP神經網絡有m個輸入節點，輸出層有l個輸出節點，隱含層有q個節點，ωij是輸入層與隱含層節點之間的連接權值，ωjk是隱含層與輸出層節點之間的連接權值。

BP神經網絡輸入層的第i個節點的輸入為neti＝xi，輸出為Oi＝neti；隱含層的第j個節點的輸入為輸出為Oj＝f（netj）；輸出層的第k個節點的輸入為netk＝，輸出為Ok＝f（netk）。其中，i＝1， 2，…，m；j＝1，2，…，q；k＝1，2，…，l.

定義反傳誤差信號為：

輸出層權值的調整公式為：△ωjk＝ηδkOj.

隱含層權值的調整公式為：△ωij＝ηδjOi.

3.4 判斷是否達到要求的精度

如果達到了BP神經網絡要求的精度，則執行步驟3.5，否則執行步驟3.1的內容。

3.5 判斷是否完成訓練次數

如果完成了訓練的總次數，則保存已訓練的樣本；否則執行步驟3.1的內容。

3.6 反歸一化處理得到預測值

對S2中的歸一化公式進行反歸一化運算，得到：

式（11）中：x?（n+1）為復雜電子設備故障樣本的預測值。

4 結束語

為了更好地實現對復雜電子設備的故障預測，本文提出了一種復雜電子設備故障預測的方法。該方法利用粗糙集屬性約簡方法對樣本數據進行預處理，簡化了樣本數據的數量；然后根據改進的遺傳算法獲得最佳神經元初始權值和閾值；對BP神經網絡進行改進，動態調整學習速率，并用改進后的訓練算法訓練網絡的連接強度；最后，對預測數據進行反歸一化處理，得到有效的預測值，并分析預測值與實際值之間的誤差。

這種方法能夠減少神經網絡輸入層的個數，簡化神經網絡結構，提高神經網絡泛化能力，縮短神經網絡的訓練時間。同時，利用遺傳算法的快速學習網絡權值的能力，擺脫了神經網絡容易陷入極小點的困擾，加快了其收斂速度。

［1］陶志，許寶棟，汪定偉，等.基于遺傳算法的粗糙集知識約簡方法［J］.系統工程，2003，21（4）：116-122.

［2］王國胤，姚一豫，于洪.粗糙集理論與應用研究綜述［J］.計算機學報，2009，32（7）：1229-1246.

［3］劉永建，朱劍英，曾捷.改進BP神經網絡在發動機性能趨勢分析和故障診斷中的應用［J］.南京理工大學學報（自然科學版），2010，34（1）：24-29.

［4］張向前，關小偉，陳力子.BP神經網絡在武器火控系統故障診斷中的應用［J］.計算機測量與控制，2010，18（11）：2576-2578.

TN06

A

10.15913/j.cnki.kjycx.2017.20.042

2095－6835（2017）20－0042－03

韓曉（1987—），男，碩士，工程師，主要從事裝備質量監督和質量管理體系方面的研究。趙昶宇（1982—），男，陜西漢中人，工學碩士，高級工程師，主要從事嵌入式系統軟件測試方面的研究。

〔編輯：白潔〕