PNN神經網絡在甚高頻通信收發機故障診斷中的應用

唐壽根中國民航飛行學院

?

PNN神經網絡在甚高頻通信收發機故障診斷中的應用

唐壽根
中國民航飛行學院

摘要：為提高甚高頻通信收發機通信失真故障診斷的效率和準確性，提出了一種利用PNN神經網絡進故障診斷的方法。利用甚高頻通信收發機輸出信號中的9個參數作為故障特征輸入向量，5類故障模式作為輸出向量，建立PNN神經網絡故障診斷模型。仿真實例表明，該診斷方法可行、有效，可大大提高診斷效率和準確性。

關鍵字：甚高頻 概率神經網絡 故障診斷 航空電子設備

1　引言

甚高頻通信收發機是飛機機載通信系統的重要電子設備，主要由通信系統、著陸系統以及全向信標系統組成，實現空地、空空之間的通信聯絡和導航等功能，對保證飛行安全十分重要。甚高頻通信收發機通常采用多電路板集成系統，系統交聯程度高，故障診斷十分困難。如何提高故障效率和準確性，一直是維修人員所關注的問題。人工神經網絡具有強大的非線性映射能力和并行處理能力，處理復雜性和多變性問題具有較大的優勢，在故障診斷和預測等方面得到了大量應用。人工神經網絡中，概率神經網絡（PNN）是一類結構簡單、訓練簡潔以及善于處理分類問題的人工神經網絡。為此，本文提出一種從甚高頻通信收發機的輸出信號中提取故障特征數據作為輸入向量，利用PNN神經網絡進行故障診斷的方法，旨在提高故障診斷的效率和準確性。

2　PNN神經網絡模型

PNN神經網絡是徑向基函數網絡的一個分支，利用Bayes分類規則和Parzen窗口的概率密度函數估計方法進行分類模式識別，已在各類故障診斷中得到廣泛的應用。

2.1 PNN的算法原理

基于Baves理論，設有兩種已知的故障模式鼠、如，待診斷的故障特征向量炸0t，x：，．．．z。），

2.2 PNN的網絡結構

PNN的網絡結構由輸入層、模式層、求和層和輸出層共四層構成。

1）輸入層。輸入層接收故障特征向量x，神經元數目等于故障特征向量的維數，各神經元為單輸入單輸出，傳遞函數為線性，直接將特征向量傳遞給模式層。

2）模式層。模式層計算輸入特征向量與訓練樣本中的故障模式的匹配關系，神經元數目等于各個故障模式的訓練樣本的總數目Ⅳ。

3）求和層。求和層將屬于某類故障模式的概率累計并乘以代價因子，從而得到各故障模式的估計概率密度函數。該層的神經元數目等故障模式的數量，每一類故障模式對應一個求和層單元，求和層單元只與屬于自己類的模式層單元相加，與模式層的其它單元無連接。求和層單元的輸出與各類基于內核的概率密度的估計成比例，通過輸出層的歸一化處理，得到各類故障模式的概率估計。

4）輸出層。輸出層主要執行判決功能，它的神經元是一種競爭神經元，每一個神經元分別對應一種故障模式，神經元數目等于故障模式的數量，它接收從求和層輸出的各類概率密度函數，概率密度函數最大的神經元輸出為1，即所對應的那一類為待識別的樣本故障模式，其它神經元輸出全為0。

3　PNN神經網絡故障診斷方法

3.1故障分析

甚高頻通信收發機的故障可分為：顯示故障、機件不工作、通信失真、VOR／LOC導航故障、發射故障、GS不工作、旋鈕及其它故障。在這些故障中，通信失真故障較為常見，且故障診斷最為困難，故障涉及到從輸入到輸出電路的所有模塊的線路及器件。引起甚高頻通信收發機通信失真的原因主要有五種：1）電源故障；2一射頻信號處理電路故障；3）中

頻電路故障；4）調解電路故障；5）AGC電路故障。按照傳統的故障診斷方法，需對上述五種可能的原因逐一進行分析排查，最后才能實現準確的診斷，需耗費大量的時間與精力。

3.2 PNN神經網絡故障診斷模型

甚高頻通信收發機結構復雜、交聯程度高，引起通信失真的故障原因多，不易快速進行故障診斷。為此，可采用PNN神經網絡對故障進行診斷。基于已有的維修經驗和大量的試驗表明，甚高頻通信收發機輸出信號中的頻率、失真度、信噪比、正過沖、負過沖、上升時間、下降時間以及正脈沖寬度負脈沖寬度9種參數可表征大量的故障信息。因此，將上述9種參數作為PNN神經網絡的故障特征輸入向量，用于通信失真的故障診斷。甚高頻通信收發機通信失真的故障模式為：電源故障、射頻信號處理電路故障、中頻電路故障、調解電路故障、AGC電路故障。為便于孫礬神經網絡計算，分別將電源故障、射頻信號處理電路故障、中頻電路故障、調解電路故障、AGC電路故障設置故障代碼為：1、2、3、5，將這些故障代碼作為PNN神經網絡的輸出向量。PNN神經網絡的輸入層神經元的個數為9，輸出層神經元個數為5，模式層和求和層神經元個數由實際訓練樣本數目確定。

3.3 PNN故障診斷仿真

以某甚高頻通信收發機為例，試驗獲得20組樣本作為故障診斷的訓練數據。

4　結束語

以甚高頻通信收發機輸出信號中的9個參數作為故障診斷的特征向量，利用PNN神經網絡建立故障診斷模型，經對診斷模型進行訓練后，可對故障進行有效的診斷。PNN神經網絡診斷方法相對傳統診斷方法，不僅可大大提高診斷效率，而且可獲得較高的診斷正確率。本文所提出的故障診斷方法，不僅己成功應用于甚高頻通信收發機通信失真故障診斷中，而且可為其它航空電子設備故障診斷提供參考借鑒。

參考文獻

［1］錢偉，楊江，王海斌甚高頻通信收發機典型故障及其排故分析［J］．桂林航天工業學院學報，2014，74（2）：95—98．

［2］郭陽明，冉從寶，姬聽禹，等．基于組合優化BP神經網絡的模擬電路故障診斷［J］．西北工業大學學報，2013，31（1）：44—48．

［3］吳江基于LVQ神經網絡的飛機減震器故障預測方法［J］．潤滑與密封，2014，39（7）：107—110．

［4］李天玉，吳楠．基于概率神經網格模型的異步電機故障診斷［J］．電機與控制應用，2013，40（1）：35—38．

［5］李冬輝，劉浩．基于概率神經網絡的故障診斷方法及應用［J］．系統工程與電子技術，2004，26（7）：997—999．