基于BP神经网络的故障诊断技术在装备维修中的应用*

潘亚楠 李 晶

(海军704厂 青岛 266109)

1 引言

随着现代科学技术的发展,电子装备的集成度越来越高,越来越复杂,传统的故障诊断方法渐渐显得“力不从心”。故障诊断技术的出现则为提高装备系统的可靠行和安全性开辟了一条新的途径。由于计算机技术、信号处理、人工智能、模式识别技术的发展,促进了故障诊断技术的不断发展,尤其是大型复杂电子装备的出现,使得装备保障人员更迫切地希望能提高整体可靠性与维修性,这就给故障诊断提出了更高的要求。因此,对故障诊断技术的研究有着重要的理论及现实意义。

近年来,人工神经网络的研究和应用有了很大的发展,人工神经网络以其诸多优点,如并行分布处理、自适应、联想记忆等,为故障诊断开辟了新途径,因而在故障诊断领域受到高度的重视,并得到了广泛的研究和应用。

2 基于BP神经网络的故障诊断模型

2.1 BP神经网络

图1 三层BP模型神经网络

BP模型是一种多层前向网络。三层BP神经网络由输入层、中间层和输出层组成,其结构如图1所示。

2.2 神经网络训练

则式(5)、(6)停止迭代,连接权值和阈值训练完毕。其中,ε为任意给定的正小数,它取决于网络训练的精度。

2.3 BP神经网络故障诊断推理

一个神经网络用于故障诊断时,其输入层则从装备对象接收各种故障信息和现象;中间层是把从输入层得到的故障信息,经内部的学习和处理,转化为针对性的解决办法;输出层是针对输入的故障形式,经过调整权值后得到的故障处理方法。对于一个新的输入状态信息,训练好的网络将由输出层给出故障识别结果。BP神经网络故障诊断模型如图2所示。

三层BP神经网络进行故障诊断,采用数据驱动的正向推理策略,从初始状态出发,向前推理,到达目标状态为止。其故障诊断推理步骤如下:

图2 BP神经网络的故障诊断模型

1)将故障样本输入给输入层各节点,并将其作为该层神经元的输出;

2)由式(2)求出中间层神经元的输出作为输出层的输入;

3)由式(4)求出输出层神经元的输出;

4)由阈值函数判定输出层神经元的最终输出结果。假设用Fk表示故障类型,则故障类型阈值判定函数为:

3 故障诊断实例

表1所示为某综合业务保密机中的10个实际故障样本,每个故障样本都有9个故障特征值,因而网络的输入节点数为9。将某个故障样本的9个故障特征值输入图1所示网络输入层节点,网络输出层节点将有对应的输出。如果用每个输出节点的输出代表一个故障类型,共有10个故障样本或10种故障类型,因而,网络输出节点数为10。

根据故障诊断的特点,网络输入层、隐层和输出层节点数分别取 9、6和10,系统总误差 E=0.001,表1所列10个实际故障样本为网络的原始训练样本,用Matlab编程,网络训练次数为29000多次,得出图1所示三层BP网络的各个连接权值和阈值。表2所示为表1所列10个故障样本的对应网络输出。

将表1中第1个故障样本(电源类)的9个故障特征值输给网络的输入层节点,则网络输出层节点与其对应的输出为表2中“电源类”所在行的10个输出值,其中只有 y1=0.9918＞0.95,其他9个输出均远小于0.95,所以,网络故障诊断的结果为“电源类”。将表1中第6个故障样本(保密数据收故障)的9个故障特征值输给网络的输入层节点,则网络输出层节点与其对应的输出为表2中“保密数据收故障”所在行的10个输出值,其中只有y6=0.9888＞0.95,其他9个输出均远小于0.95。所以,网络故障诊断的结果为“保密数据收故障”。其 他类型的故障诊断以此类推。

表1 典型故障样本

表2 典型故障样本目标输出

4 结语

由实验数据可知,该网络能够准确诊断数据的故障状态,可见,该方法能够成功应用于设备的故障诊断中。只要选择足够多的原始故障样本训练BP神经网络,在故障诊断过程中,神经网络发挥其联想记忆和分布并行处理功能,能够诊断出常见的或已出现过的故障,而且还能诊断出从未出现过的故障,同时还能满足故障诊断的实时性要求。因此,用BP神经网络进行故障诊断,不仅大大简化了故障诊断的方法,而且为状态监测和故障诊断提供了新的理论方法和技术手段,具有很大的潜力和广泛的应用前景。

[1]陈允平,王旭蕊,韩宝亮,等.人工神经网络原理及其应用[M].北京:中国电力出版社,2002:23～34

[2]朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社,2006:12～21

[3]闻新,周露,王丹力,等.M ATLAB神经网络应用设计[M].北京:科学出版社,2000:200～234

[4]何强,何英.MATLAB扩展编程[M].北京:清华出版社,2002:34～42

[5]桂现才.BP神经网络在MAT LAB上的实现与应用[J].湛江师范学院学报,2004,25(3):79～83