基于蚁群神经网络的发射系统故障诊断*

宋 涛，舒 涛，雷荣强，刘 赞

（空军工程大学防空反导学院，西安 710051）

基于蚁群神经网络的发射系统故障诊断*

宋 涛，舒 涛，雷荣强，刘 赞

（空军工程大学防空反导学院，西安 710051）

发射系统是地空导弹武器系统的重要组成部分，研究发射系统的故障诊断，可提高地空导弹武器系统的作战效能和部队的快速反应能力。BP神经网络在故障诊断方面收敛速度慢、易于陷入局部极小点。为解决上述问题，以液压系统的柱塞泵为例，提出一种蚁群算法改进BP神经网络的故障诊断的方法，优化神经网络的权值和阈值，使网络具有全局兼局部寻优能力。实验结果表明，蚁群神经网络比BP神经网络收敛速度快，运算效率高，识别能力强，并且提高了诊断的准确性和可靠性，是一种有效可行的故障诊断方法，具有良好的应用效果。

发射系统，蚁群算法，神经网络，柱塞泵，故障诊断

0 引言

随着装备技术的发展，地空导弹部队的自动化水平不断提高，装备复杂程度显著提高，系统发生故障的频率也明显增加。

发射系统是地空导弹武器系统的重要组成部分，由发射、装填设备（包括发射装置、导弹装填设备）和发射控制设备组成。其主要的功能是：发射前支撑导弹，并与其他设备一起，完成导弹发射前的检查和准备工作；发射时赋予导弹以规定的发射角度；发射后与装弹设备一起完成再装填。

由于液压系统具有体积小、重量轻、功率大、响应快、运动平稳、控制方便和抗干扰能力强等诸多优点，导弹发射装置基本上都采用了液压系统进行动力的传递和控制。柱塞泵是液压系统核心组成部分，它的结构紧凑、体积小、重量轻，具有较高的容积效率和总效率，可以在较高的转速和压力下工作。柱塞泵常见的故障有滑靴松动或脱落、柱塞与缸体间磨损、缸体与配流盘间磨损3种。

高兴培［1］将BP神经网络应用到轴向柱塞泵的故障诊断中，推进了故障诊断的智能化，提高了柱塞泵的故障诊断水平，但是存在收敛缓慢，容易陷入局部极小点的问题。文献［2］又提出了一种基于粗糙集与神经网络结合的故障诊断新方法，大大提高了柱塞泵的诊断精度及效率。文献［3］采用小波包分解方法对柱塞泵振动信号进行多层分解,将不同频段上的小波包能量作为特征参数,利用神经网络对柱塞泵的5种常见故障和正常状态进行分类识别，得到较高的诊断准确率。本文针对这一问题，提出将蚁群算法与神经网络的结合应用到液压泵的故障诊断中，有效解决了BP神经网络收敛缓慢、容易陷入局部极小点的不足，并具有更高的准确率和可靠性，这对实现地空导弹武器系统故障的及时、准确、有效的诊断和维修，对提高地空导弹武器系统的作战效能和部队的快速反应能力，甚至对实现打赢都具有非常重大而现实的意义。

1 地空导弹发射系统故障诊断原理

本文以发射系统中液压系统的柱塞泵为具体研究对象，其研究结果对发射系统具有一定的适用性。

1.1 液压系统故障诊断的流程

液压系统故障诊断，是对液压系统运行状态是否正常进行判断，并且当它发生了故障之后，确定故障发生的部位及产生故障的原因。针对具体的液压系统，一般通过分析其失效形式和故障机理，建立相应的知识库和推理机制，对提取的故障特征进行识别和分类，以实现故障的监测、诊断和预报，具体流程如图1所示。

1.2 传统方法的弊端

和其他液压系统一样，发射装置液压系统的液压油和液压元件也都工作在密闭的油路内，不像机械设备那样直观，出现故障后不容易查找原因，也不像电气设备那样可以方便地测量出各种参数，状态信号的监测和故障定位都比较困难，而且液压系统的故障具有多样性、隐蔽性、复杂性，同一原因引发多种故障、多种原因引发同一故障的特点，往往多种故障交叉出现，这些因素使得诊断发射装置液压系统故障的难度大大增加。

液压系统故障诊断技术的发展主要经历了主观诊断法、基于信号处理与建模的诊断法、人工智能诊断方法3个阶段。主观诊断法是指依靠简单的诊断仪器，凭借诊断人员的实践经验，确定故障发生的部位及原因，并提出相应的排除方法。这种方法对诊断人员的要求很苛刻，需要他们掌握和具备丰富的故障机理和诊断经验，而且诊断结果因人而异。基于信号处理与建模分析的诊断方法实质上是一种以信号处理和建模为基础，利用传感器和动态测试技术的诊断方法。但是这种方法缺乏领域专家运用知识处理问题的能力，尤其缺乏辩证思维和符号处理能力。基于人工智能的故障诊断方法的本质是模拟人脑的机能，比人脑更有效地获取、传递、处理和利用故障信息，成功地识别和预测对象的状态，是当前液压系统故障诊断发展的主要方向。其中神经网络故障诊断方法应用最为普遍。但是这种方法暴露出收敛缓慢、容易陷入局部极小点的不足，针对这一问题，本文提出了一种利用蚁群算法优化神经网络的思路和方法。

2 蚁群神经网络故障诊断方法

2.1 神经网络

人工神经网络(Artificial Neural Networks，ANN)，通常简称为神经网络，是一种在生物神经网络的启示下建立的数据处理模型。主要通过调整神经元之间的权值来对输入的数据进行建模，最终具备解决实际问题的能力。

BP神经网络是一种应用最广的神经网络，在结构上是一种分层型的多层网络，具有输入层、隐含层和输出层，各层之间一般采用全连接方式。典型的三层BP神经网络的结构如图2所示。

BP网络采用误差反向传播算法(Back-Propagation Algorithm)进行学习。在BP网络中，数据从输入层经隐含层逐层向后传播，训练网络权值时，则沿着减少误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值。

式中，α为学习速率；m为网络层数。

然而，传统的BP算法是一种静态寻优算法，依据yi与ti的误差来修改网络的权值和阈值，从而使实际输出与所期望的输出尽可能接近。但只是按照当前时刻的负梯度方式修正权值，没有考虑以前积累的经验，从而使学习过程产生振荡，收敛速度缓慢，容易陷入局部极小点。

蚁群算法具有全局寻优的特点，因此，用蚁群算法训练神经网络，可以避免传统BP算法的诸多缺陷，提高神经网络模型寻优的智能性。

2.2 基于蚁群算法的神经网络训练

蚁群算法 (Ant Colony Optimization Algorithm, ACO)是Bonabeau Dorigo等人提出的，该算法是受自然界中蚂蚁觅食的启发，通过设计虚假蚂蚁种群，以一定的概率按照不同的路线进行搜索，并在搜索过的路径上留下和真实蚂蚁类似的、随时间挥发的虚拟气味（称为信息素），然后根据信息素正反馈的原则选择出最优解［5］。

蚁群算法优化神经网络的基本思想：

假设在需要训练的网络中共有m个需要优化的参数，包括所有的权值和阈值。首先，把m个参数进行排序，分别记为p1，p2，…，pi，…，pm。对于参数pi（1≤i≤m），将其设置成N个随机非零值，形成一个集合Ipi。然后，记蚂蚁的数目为s，让所有蚂蚁出动寻找食物。每一只蚂蚁从Ipi出发，根据每个元素信息素的状态，从每个集合Ipi中随机地选择唯一的一个元素，当蚂蚁在每一个集合中都选择完元素后，它就到达了食物源，然后对信息素做相应调节。反复进行这一过程，直到所有蚂蚁都收敛到同一路径，这样就找到了最优的网络参数［6-7］。

蚁群算法具体实现过程为［8］：设蚂蚁种群的个数为m，途中i点和j点之间的路径距离记为dij，用（ijt）表示在t时刻路径ij上信息素的残留量，

表示在t时刻第k只蚂蚁选择从i点到j点的概率［8-10］:

上式中，ηij表示路径距离作用因子，一般ηij=1／dij，a，b分别表示信息素和路径距离在路径选择的概率上所发挥作用的大小。

2.3 实现蚁群神经网络故障诊断

用蚁群算法来训练神经网络，并将它应用在柱塞泵的故障诊断中，利用已有的柱塞泵故障诊断案例作为学习样本训练网络，得到网络参数，然后用此训练好的网络进行柱塞泵新的故障诊断。

因此，本文BP网络模型结构为5-x-3。5个输入信号分别为r1～r5这5个症状属性通过归一化处理后的数值；Y1～Y3为3个输出，分别表示故障类别编码的一位值，当Y1Y2Y3=001时表示滑靴松动或脱落，Y1Y2Y3=010时表示缸体与配流盘间磨损，Y1Y2Y3=100时表示柱塞与缸体间磨损。网络使用时，按照取大原则选出Y1～Y3中的最大者记为1，其他为0，这样就得到了一个三维的二进制串。

为了确定隐含层节点数x，采用逐点试探法。对每组学习集均使得x从10～23逐一改变来训练网络，然后对比网络训练的最小系统误差确定出最佳的x。系统误差函数为EP，按式（5）计算。

其中，opi是系统输出值，tpi是期望的输出值。通过试探结果可得：当x=15时，经过不同训练次数均可以使误差缩小到允许范围之内，并且在检验时，系统的误差也较小。

3 仿真结果分析

为了验证本文提出的蚁群神经网络的优越性，使用Matlab/Simulink进行仿真，并在环境下进行神经网络训练，将BP神经网络和本文提出的蚁群神经网络的学习能力进行对比，如图3所示。

训练中将误差平方和设定为10-8，最大训练次数为1 000。经比较可知，蚁群神经网络具有更强的学习能力，相较于一般BP神经网络，该算法可以更快收敛于预设目标，大大缩短了训练时间。

为了检验网络的故障诊断能力、准确性和可信程度，把待检样本数据输入到BP神经网络和训练好的蚁群神经网络中运行。表2是其中的9组数据。诊断结果如表3所示。

从检验样本输出结果可知，蚁群神经网络实现了对故障的准确判断，而且其学习次数远小于BP神经网络，蚁群算法的输出结果能够更好地逼近期望输出。

4 结束语

本文将蚁群算法与BP神经网络相结合，利用蚁群算法来优化神经网络的权值，应用于地空导弹发射系统柱塞泵的故障诊断中，并利用Matlab进行仿真，验证了蚁群神经网络的实用性和可信性。蚁群神经网络克服了BP神经网络收敛速度慢、容易陷入局部极小的缺点，充分体现了其收敛速度快、运算效率高、识别能力强的优点，并且提高了诊断的准确性和可靠性，成功实现了对BP神经网络的改进，具有良好的应用前景，对地空导弹部队装备诊断与维修具有重大意义。

［1］高兴培.BP神经网络在轴向柱塞泵故障诊断中的应用［J］.广东广播电视大学学报，2010，19（3）：97-99.

［2］高兴培.基于粗糙集和神经网络的柱塞泵故障诊断［J］.测控自动化，2010，26（5）：139-140.

［3］刘安宁，轩建平，高明.基于小波包能量和神经网络的柱塞泵故障诊断［J］.山西建筑，2011，37（8）：227-228.

［4］傅荟璇,赵红.MATLAB神经网络应用设计［M］.北京：机械工业出版社,2010.

［5］段海滨.蚁群算法原理及其应用［M］.北京：科学出版社，2005.

［6］吴启迪,汪镭.智能蚁群算法及应用［M］.上海：上海科技教育出版社，2004.

［7］王家林，吴正国，杨宣访.基于蚁群神经网络的线性直流电源故障诊断［J］.仪器仪表学报，2009，30（3）：515-520.

［8］刘克非，何祖威.基于蚁群神经网络的凝汽设备故障诊断［J］.计算机仿真，2008，25（5）：214-217.

［9］邓鹏飞，舒涛.一种新的液压系统故障特征信号消噪方法研究［J］.机床与液压，2012，40（9）：151-157.

Research on Fault Diagnosis for Launch System Based on Ant Colony Neural Network

SONG Tao，SHU Tao，LEI Rong-qiang，LIU Zan
（Air Defense and Antimissile Institute，Air Force Engineering University，Xi’an 710051，China）

Launch system is an important part of surface to air missile weapon system，and it is of great significance to research its fault diagnosis on improving the operational effectiveness of air defense missile system and rapid response capability.BP neural network is easy to fall into local minimum point and the convergence speed is slow in fault diagnosis.In order to overcome these shortcomings，this paper introduces ACO algorithm into BP neural network to optimize the thresholds and weights taking the plunger pump in the hydraulic system as an example.Therefore the probability of training algorithm to converge to global optima is improved.The experimental results show that ACO neural network have faster convergence speed，higher efficiency and recognition ability than BP neural network,and it effectively improves the accuracy and efficiency of fault diagnosis.It is a kind of effective and feasible method and has good application prospects.

launch system，ACO algorithm，neural network，plunger pump，fault diagnosis

TJ768

A

1002-0640（2015）09-0143-04

2014-08-18

2014-09-16

国家自然科学基金资助项目（61370031）

宋 涛（1990- ），男，山东枣庄人，在读硕士。研究方向：地空导弹发射系统故障诊断。