基于B—E神經網絡的起爆裝置故障診斷信息融合研究

戰琳 任建存

摘 要 針對起爆裝置故障診斷過程中存在的故障隱含性和突發性強，發生故障的具體因子難以篩選等復雜問題，基于D-S證據理論將BP神經網絡與Elman神經網絡信息相融合，提出了一種適用于起爆裝置故障診斷的高效方法，可以為起爆裝置故障診斷測試提供理論依據和實用方法。

關鍵詞 起爆裝置；故障診斷；D-S證據理論；神經網絡

起爆裝置故障診斷是測試起爆裝置技術性能狀態的重要手段。起爆裝置故障具有隱含性和突發性強的特點，在故障診斷的過程中，存在著與發生故障的關聯因素難以篩選確定等復雜問題。目前，故障診斷方法主要是采用故障診斷儀器設備來完成的。故障診斷儀器的基本原理是通過對組成起爆裝置的每個部件的性能測試來實現故障診斷的。這種診斷方式往往是通過人工來完成的，故障診斷效率較低。為了提高故障診斷效率，采用人工智能技術和自動化測試技術成為十分便捷的實用手段。其中，神經網絡技術是實現起爆裝置自動化測試的基本技術方法。常用的神經網絡都是由不同的神經單元按照一定的次序相互連接而成的復雜網絡系統，運用神經網絡可以解決起爆裝置故障狀態的診斷問題，但是，單一的神經網絡方法也存在一些缺陷，往往使網絡辨識結果難以反映故障的具體情況。文中，將D-S證據理論與多神經網絡相結合，提出了一種高效的故障診斷方法[1]。

1 起爆裝置故障的BP神經網絡辨識

通過對起爆裝置故障狀態的分析可知，所有的故障構成了一個影響起爆裝置性能的層級體系，且各個故障之間又有著復雜的關聯關系。這說明起爆裝置故障診斷符合BP神經網絡技術多層次且相互關聯的適用條件，因此，可以用BP神經網絡對故障進行辨識。

1.1 BP神經網絡的結構

BP神經網絡是一個多層次且相互關聯的復雜網絡，由構成網絡的神經元來描述各層次變量間的關系。從宏觀層面可以分為輸入層、隱含層和輸出層三個層次，其中，隱含層一般是多層的。輸入層與輸出層之間的隱含層是一個橋接層，同時也是一個輸入與輸出的關聯層，輸入層傳輸來的數據經隱含層處理后輸送到輸出層。也就是說，隱含層的變化會對同一輸入數據處理的結果產生影響，進而影響輸出的結果，這就說明了隱含層會影響整個神經網絡的性能。BP神經網絡可以對數據并行分布處理和分布存儲，同時還具有學習訓練能力，可以用于處理非線性問題。BP神經網絡的結構，如圖1所示。

1.2 故障的辨識過程

為了研究方便，將故障在隱性狀態時表現出來的情況，稱為故障狀態。當故障發生時，故障即呈顯性狀態，此時表現出來的情況，稱為故障現象。在進行起爆裝置故障診斷測試過程中，故障一般處于隱性狀態，難以直觀判斷是什么故障及其所在的具體部位[2]。運用BP神經網絡對起爆裝置故障狀態進行辨識，就是要利用故障狀態的樣本集來對BP神經網絡進行訓練；當通過神經網絡訓練發現故障現象時，即可根據網絡訓練結果對故障狀態進行分析，最終診斷出是什么故障并判斷故障所在的具體部位。

（1）構建故障狀態樣本集

在進行起爆裝置故障診斷測試的過程中，一般而言，難以做到將全部的故障一次性地診斷和篩選出來，因此，應構建起爆裝置故障狀態樣本集，該樣本集應能夠反映起爆裝置故障的基本狀況。在實際應用過程中，可以在起爆裝置故障分析的基礎上，通過故障現象反推故障狀態的具體情況，然后再具體描述和構建故障狀態樣本集。在運用BP神經網絡進行訓練的過程中，神經網絡不斷從所輸入的起爆裝置故障狀態樣本集中提取故障狀態信息，并賦予各個神經單元較為合理的權重值。

（2）確定輸入輸出層的神經單元數

在起爆裝置故障分析時，構建了故障狀態樣本集。神經網絡輸入層神經單元的個數可以由起爆裝置故障狀態數來確定，即輸入層神經單元的個數可以設定為故障狀態樣本集中的狀態數；神經網絡輸出層神經元的個數則可由起爆裝置故障診斷測試時所確認的故障狀態數來確定，即為故障狀態樣本集已經確認為故障的狀態數。

（3）確定神經網絡權重值和閾值

為了有效訓練網絡，應建立神經網絡的輸入樣本集和期望輸出樣本集，然后，通過神經網絡，確定神經網絡中各個神經元的權重和閾值。

（4）訓練神經網絡得出辨識值

從起爆裝置故障分析過程可以看出，起爆裝置各個故障狀態的量綱是不同的，當其作為神經元輸入神經網絡時，會出現量綱不同的情況，因此，要對神經網絡中故障狀態數進行無量綱化和歸一化處理，然后，將其輸入神經網絡。按照起爆裝置故障診斷測試的要求，將訓練好的神經網絡輸入一個特定的神經單元向量，通過訓練和辨識后，神經網絡就會對應于輸入產生一個輸出值，將輸出值與故障狀態進行比較，這樣就可以辨識出起爆裝置故障狀態集中哪些是起爆裝置故障。

從上述起爆裝置故障辨識過程可以看出，故障狀態具有隱性特征，單一依據起爆裝置故障診斷測試中的故障狀態數來確定故障，還只是確定了故障現象與故障有關系，但是，難以直觀確定這些故障狀態與故障現象所發生的直接關系。主要原因在于，起爆裝置故障診斷測試過程中故障之間存在著復雜的關系。故障診斷的目的是要找到故障發生的最小故障狀態集合，以便于實施故障控制和故障處置。可見，單一運用BP神經網絡來解決起爆裝置故障診斷問題是有缺陷的。

2 起爆裝置故障的Elman神經網絡辨識

Elman神經網絡是在BP神經網絡基礎上發展而來的一種局部回歸網絡，在結構上與BP神經網絡是基本一致的，但是，Elman神經網絡在BP神經網絡的基礎上增加了一個延時的關聯層。Elman神經網絡與BP神經網絡相比，Elman神經網絡所增加的關聯層可以用于描述過去狀態的記憶情況，并可以在下一時刻將過去狀態與要輸入的狀態樣本集進行合并然后輸送給隱含層。該網絡隱含層單元的閾值函數是非線性Sigmoid函數，同時，將網絡變量映射到[0，1]區間[3]。

Elman神經網絡與BP神經網絡一樣是用于解決非線性問題的，其非線性狀態空間可以描述為：

式中，表示非線性狀態空間在任意時刻t的輸出向量，表示時刻的輸入向量，表示t時刻隱層的輸出向量，表示t時刻的關聯層輸入向量。表示輸入層與隱層間各個神經單元的權重值，為隱層與關聯層間各個神經單元的權重值，為隱層與輸出層間神經單元的權重值，則可以得出神經網絡期望輸出結果與實際輸出結果的誤差平方和函數 ：

式中，表示神經網絡期望輸出結果，表示神經網絡的實際輸出結果。

通過上述分析可知，Elman神經網絡是一種局部回歸的反饋神經網絡。在起爆裝置故障辨識過程中，可以較好地滿足Elman神經網絡動態性要求，但是對狀態樣本及其狀態樣本數據要求的條件則比較苛刻。在故障分析過程中，故障狀態樣本的建立往往是不完備的，難以全面獲取故障狀態的全部信息 ，有些故障數據的獲取也是非常困難的，因此，單一運用Elman神經網絡仍然難以準確診斷出起爆裝置的故障所在。將BP和Elman神經網絡相結合，既可以滿足BP神經網絡的適用條件，又可以滿足Elman神經網絡的動態性要求，基于D-S證據理論將BP和Elman神經網絡診斷結果進行融合，可以有效發揮兩種神經網絡各自的優勢，取長補短，建立一種B-E起爆裝置故障信息融合與故障診斷決策方法。

3 起爆裝置故障診斷信息的D-S融合

為了實現BP與Elman的有機結合，可以引入D-S證據理論，該理論是一種不精確推理理論，可以根據不確定信息進行推理，相對來講，對于變量的條件要求較低，主要應用于目標診斷等領域，能夠較好地滿足多源信息的組合規則。當證據之間的沖突較小時，按照已有證據進行推理往往可以準確推斷出應有的結果；當證據之間沖突過大時，如果仍然按照現有證據進行推理則可能會出現推理錯誤。通過兩種神經網絡分別對起爆裝置故障的辨識結果可以看出，只要加強起爆裝置故障數據的統計分析，認真研究起爆裝置的故障規律，則兩種網絡辨識出來的結果應該具有趨同性。即所得到的證據之間具有較好的一致性，因此，可以運用D-S證據理論來對起爆裝置故障診斷信息進行融合，以確定起爆裝置故障的狀態，進而確定故障所在[4]。

在對起爆裝置故障診斷信息進行融合的過程中，應在故障因素分析的基礎上，分別運用BP神經網絡和Elman神經網絡對起爆裝置故障進行診斷。針對起爆裝置故障的實際情況尋找出可能引起起爆裝置故障的征兆、現象、狀態或行為，構建起爆裝置故障狀態樣本集，然后，將起爆裝置故障狀態樣本分別運用兩種神經網絡進行訓練，然后將訓練好的神經網絡，分別用起爆裝置故障狀態實例樣本進行仿真分析，運用故障診斷結果構造D-S概率分配函數。依據D-S證據理論對診斷結果進行融合，從而準確診斷出故障所在，如圖3所示。

通過兩種神經網絡的辨識，可以得出網絡辨識值。基于D-S證據理論把BP和Elman神經網絡相融合，可以得出幾個較大的故障狀態值，其他故障狀態的值趨于零，由此可見：故障狀態值較大者所對應的故障狀態即是故障所在。基于D-S證據理論將B-E神經網絡辨識值相融合。

4 結束語

本文結合起爆裝置故障診斷工作實際，基于D-S證據理論將BP神經網絡和Elman神經網絡相結合，提出了一種B-E融合的起爆裝置故障診斷方法。該方法克服了單一運用BP和Elman神經網絡進行起爆裝置故障診斷中，難以準確判斷故障所在的缺陷，將兩種神經網絡診斷辨識值融合，可以準確診斷起爆裝置的故障所在，提升起爆裝置故障診斷效率。

參考文獻

[1] 李錦榮.電火工品射頻阻抗測量及其應用[J].火工品，1995，（1）：11-14.

[2] Xiang-Fei J I，Feng Q M，Zhao T，et al. Research on RF Dudding Assessment of EED[J]. Initiators & Pyrotechnics，2012，（6）：44-48.

[3] 劉小龍，王牧丁，姜海堅，等.基于FPGA 的智能火工品等效器設計實現[J].電子測量技術，2012，35（5）：78-82.

[4] 張志巍，陳雷，單體強.電火工品發火信號波形采樣研究[J].軍械工程學院學報，2011，23（6）：48-50.