基于GRNN神經網絡的電子裝備狀態預測方法研究?

陳 平 魏玉人

（1.中國人民解放軍91827部隊 威海 264200）（2.中國人民解放軍南部戰區海軍參謀部 湛江 524001）

1 引言

隨著軍隊信息化建設的不斷發展，電子裝備在艦艇上的部署和應用越來越廣泛，對于提高部隊的作戰指揮效能發揮了重要作用。電子裝備健康狀態的自動檢測與故障診斷是目前研究的一個熱點問題。從當前的實踐來看，電子裝備的狀態檢測大多依賴人工經驗，往往在裝備出現實際使用問題或故障后才進行檢查維修，如果裝備在執行任務或其它緊急場合發生故障時，對問題的排查和修復則需要消耗大量時間和精力［1］，對任務的順利遂行造成不利影響。實際上，電子裝備的健康狀態往往是一個逐漸變化的過程，隨著使用時間增長各參數項都在發生著變化，并最終導致故障發生［2～3］。因此，對裝備狀態進行實際監測，根據其變化規律可以預測出將來可能產生的故障，做到提前維護，從而延長裝備的使用壽命并更好地發揮其效能。

為更好地解決艦艇電子裝備的狀態預測問題，本文利用連接到裝備的傳感器所采集的狀態參數，基于GRNN神經網絡建立起電子裝備的狀態預測模型，對其進行訓練和測試，最終達到準確預測電子裝備狀態即可能發生的故障的目的。

2 GRNN神經網絡

人工神經網絡是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統，它是一個由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統［4］。

廣義回歸神經網絡（General Regression Neural Network，GRNN）是以估計器理論為基礎，由D.F.Specht于1991年提出的，是徑向基函數網絡的一種變化形式［5～7］。GRNN建立在徑向基函數網絡和非參數回歸基礎上，具有良好的非線性逼近性能，可用于解決擬合回歸、模式識別、分類識別等問題中。GRNN網絡具有連續函數逼近性能好、分類能力好、學習過程收斂速度快等優點，應用于電子裝備的狀態預測問題中，可以有效根據現有的裝備狀態和故障數據進行學習并做出預測。

GRNN的結構一般由輸入層、隱含層和輸出層組成。輸入層將輸入變量傳入隱含層；隱含層以歐式距離函數（||dist||）為權值函數來計算輸入與第一層的權值 IW1，1間的距離，以b1為閾值，以徑向基函數為傳遞函數（通常采用高斯函數）；第三層為線性輸出層，其權函數為規范化點積權函數（nprod），計算網絡的向量為n2并將其提供給線性傳遞函數a2=purelin(n2)以計算網絡輸出［8］。GRNN網絡結構如圖1所示。

圖1 GRNN結構

3 基于GRNN網絡的電子裝備狀態預測模型

電子裝備的狀態預測模型主要分為數據信息采集和狀態預測兩部分，通過對電子裝備各分系統和設備信號傳遞的正確性檢查，系統控制與裝備的工作協調性檢查，實現對各設備接口信號的實時采集與檢測，進而實現故障的自動診斷與處理。

3.1 模型構成

電子裝備狀態預測模型主要由數據采集、數據庫和計算機處理三部分組成。數據采集部分主要采用傳感器和數據采集卡等硬件設備和數據處理軟件完成電子裝備狀態參數的采集和預處理。數據庫模塊中儲存狀態參數、故障信息等訓練數據以及故障解決方案［9］。計算機處理模塊主要由GRNN神經網絡和專家系統構成，完成對狀態參數等數據的分析處理，輸出故障可能和對應解決方案。電子裝備狀態預測模型結構如圖2所示。

圖2 電子裝備狀態預測模型結構圖

3.2 數據采集和預處理

數據采集通過電子裝備內部自檢以及外接傳感器、數據采集卡等實現。現代艦船電子裝備的操作檢測機內一體化設計使得其自身可以實時檢測監控狀態信息，對于機內不能自動檢測的狀態信息則通過接入傳感器的方式檢測狀態參數，獲得對應模塊器件的電壓、溫度、濕度等數據信息，最后通過數據采集卡完成信號的轉換并傳入計算機中［10］。在計算機中完成信號的預處理，對采集的原始數據進行分類整理和歸一化操作，形成標準的狀態參數信息以作為狀態預測的輸入。

3.3 基于GRNN網絡的狀態預測

狀態預測模型中采用GRNN神經網絡進行狀態預測。首先以電子裝備的各狀態參數作為輸入，以電子裝備各模塊可能發生的故障作為輸出建立GRNN網絡，每一個輸出變量取值為0～1之間，表示該故障可能發生的概率。根據現有裝備的狀態及已知的故障特征作為訓練數據，對建立的神經網絡進行訓練不斷優化網絡內部結構和參數權值。

針對要進行預測的特定裝備，輸入其狀態參數信息，獲取GRNN網絡對應的輸出向量，表征該裝備目前的運行狀態和可能發生的故障，將輸出向量輸入對應裝備的故障維護數據庫檢索獲得維護或檢修方案。

3.4 裝備狀態信息數據庫

該數據庫負責記錄電子裝備在不同工作狀態下（包括正常狀態與各模塊發生各種類型故障的狀態）的各狀態參數信息，為GRNN網絡提供訓練數據。數據庫中的信息由裝備制造廠家提供，同時在裝備的使用過程中通過操作人員的記錄也可以不斷為數據庫增添新的記錄以不斷提高GRNN網絡的訓練精度［11］。

3.5 裝備故障維護數據庫

裝備故障維護數據庫記錄電子裝備各故障的維護處理方法，數據由電子裝備生產廠家以及相關專家提供。根據此數據庫建立專家系統［12］，輸入故障問題后計算機可根據數據庫中的信息進行分析判斷，自動檢索解決方案并反饋給用戶。

4 模型仿真分析

為驗證模型的預測能力，選取模擬某一型電子裝備狀態參數與故障信息數據，利用Matlab進行仿真。輸入為接口、通信芯片、DSP、存儲器、電源等電路的電壓、電流、電阻、溫度參數數據，經標準化處理后數據的值為0～1之間。輸出為密碼模塊各類故障概率，包括接口故障、芯片損壞、電路短路、電源燒毀、算法丟失損壞等。

將基于GRNN神經網絡的預測模型與普通的BP神經網絡、RBF神經網絡［4］的預測結果進行比較，分別利用Matlab產生GRNN、RBF和BP神經網絡，從現有的150組數據中隨機選取其中120組作為訓練數據對它們進行訓練。將其余30組數據輸入訓練好的網絡并比較輸出，分析比較不同神經網絡對狀態的預測效果。不同神經網絡的預測誤差如圖3所示。

圖3 基于GRNN網絡預測與RBF神經網絡預測的平均概率誤差比較

從圖3中顯示，基于GRNN神經網絡的預測模型的預測結果誤差最小，精度最高。其他兩種神經網絡的預測結果均存在多處預測不準確的地方，三種神經網絡模型的預測結果如圖4～圖6所示。

圖4 基于GRNN網絡預測結果

圖5 基于RBF網絡預測結果

圖6 基于BP網絡預測結果

由圖4～圖6可見，基于神經網絡的電子裝備狀態預測模型能夠對裝備的狀態和可能產生的故障做出預測，在實際數據和經驗訓練下預測結果具有可信度，能夠減輕維護人員的檢測負擔。由三種不同神經網絡預測結果的對比分析可知，基于GRNN神經網絡的預測結果較RBF和BP神經網絡的預測效果更好，出現預測失誤的可能更小。

5 結語

利用GRNN神經網絡建立電子裝備的狀態預測模型，通過傳感器采集的裝備狀態參數，利用GRNN網絡預測裝備可能產生的故障類型。通過仿真實驗分析，表明模型具有較好的預測能力，可以有效作出故障診斷，減輕維護人員的負擔。基于GRNN網絡的狀態預測模型具有以下優點：

1）預測過程基于神經網絡運算，速度快，效果好，可以實現電子裝備狀態的實時監控和預測，實時追蹤發生故障的可能性，及時發現可能出現的問題并提前進行解決處理。

2）神經網絡的訓練數據基于電子裝備的設計廠家和大量的實際使用案例，可靠度高，具有良好的客觀性，利于使網絡參數達到最佳預測效果。

3）基于神經網絡的特點，預測過程中可充分考慮不同模塊之間參數的相互影響，使故障定位更加精準。

下一步工作將進一步提升狀態預測模型的性能，使預測更加精準，故障定位更加準確，同時加強對專家數據庫的分析檢索能力，智能地提出電子裝備的維護檢修方案。