基于神经网络的某装备智能故障诊断方法研究∗

马长刚 李 青 孙大林 周 杰

（1.空军勤务学院 徐州 221000）（2．94676部队 上海 202150）（3．95696部队 重庆 401329）

基于神经网络的某装备智能故障诊断方法研究∗

马长刚1李 青1孙大林2周 杰3

（1.空军勤务学院 徐州 221000）（2．94676部队 上海 202150）（3．95696部队 重庆 401329）

BP网络诊断对定量数据的系统故障诊断效果明显，但无法处理定性故障数据的系统诊断问题。论文研究了处理定性数据的BP神经网络装备的智能故障诊断方法，通过对故障现象编码等预处理技术，将定性数据转换为定量数据，基于知识库实现了某装备故障诊断的自动化与智能化，极大地提高了装备故障诊断效率，拓展了BP网络诊断方法的应用范围。

神经网络；智能诊断；装备故障；定性数据分析

1 引言

某型装备在长期贮存与保障过程中，其性能指标会在各种因素作用下衰变，出现各种故障。这些故障数据具有高度的非线性且特点明显，如：故障数据难量化，不利于定量处理；某些故障发生次数少、突发性强、数据采集困难、数据样本量小；故障发生受多因素影响，数据不确定性强；故障现象和故障定位不具有一对一的映射关系等。而且随着装备的不断使用，故障数据中故障描述具有专家经验的特点，包含了故障模式、故障现象与原因的映射关系、故障处置建议等信息。对于这一类装备无法采用基于定量故障数据的故障诊断方法进行故障诊断，必须研究新的依据定性数据进行故障诊断的方法。本文利用神经网络技术，通过对定性数据的预处理，提出了基于知识的装备智能故障诊断方法，并应用于某装备的故障诊断。

2 基于BP神经网络的故障诊断过程

鉴于装备故障数据特点，装备故障诊断方法应能科学分析定量和定性两类故障数据，处理不确定性信息，智能、快速地进行故障诊断。智能故障诊断方法就是通过对装备故障及其解决方案等知识的不断积累，达到迅速解决装备故障诊断问题。

人工神经网络（ANN）方法是一种智能的人脑仿生信息系统，采用非线性的方式处理数据并建立数据间的联系，在学习、联想记忆、非线性映射等方面优势明显，而BP神经网络具有网络结构简单，算法成熟，计算速度快、易仿真实现和易更改等优点。因此，本文将BP神经网络用于装备智能故障诊断。关于BP神经网络的基本理论在此不再赘述。

利用BP神经网络进行故障诊断，其诊断过程为：分别把故障现象及其对应原因作为输入和输出，并建立现象和原因之间的非线性关系。故障诊断的流程如图1所示。

图1 神经网络实现故障诊断过程示意图

Step1：故障数据的预处理。通过归一化处理、数据挖掘等方式对数据进行训练前的调整，使BP网络能够更好地接纳；

Step2：构建网络模型。包括网络层数及隐含层节点数的确定、学习函数的选取、计算精度的设定等。

Step3：训练神经网络。利用学习样本进行有导师型的训练，在学习中自动调节权值和阈值，收敛后使之逼近计算精度的设定值。

Step4：故障诊断。将任意故障现象输入BP网络，根据反馈结果并对照实际装备完成故障判定和维修工作［1］。

3 基于BP神经网络和定性数据的某型空地导弹故障诊断方法研究

基于BP神经网络的智能故障诊断方法，就是要对定性描述的故障现象通过采用基于粗糙集的故障数据预处理方法进行量化［2］，然后，采用BP神经网络技术进行故障诊断。经过预处理后的故障数据可有效增强辨识力、缩短训练时间和训练步数。对定性数据的建模如下：

Step1：定性故障数据的预处理和网络输入输出的设计

由于BP网络是多输入-单输出模型，并且输出量范围是［0，1］［3］。而该装备的每一个故障现象可能会映射多个原因，即诊断结果不唯一，需人工排查确定故障真实原因。为适用于BP网络，对故障现象的编号做如下调整：

1）用四位数对故障现象编号并作为输入量，使输入维数为1。

2）故障原因由于有多个，BP输出又是单一的。而诊断任意故障最终都不会直接得到一个确定的原因，因此将所有故障原因的编号作为输出不合适。所以对故障原因采用：把某一种故障现象的原因个数作为输出量，如1101故障有三个原因，则要求BP网络的输出为3。而对故障原因的个数将采用二进制数来表示。

通过已收集到的数据显示，故障原因最多六个，但随着装备的使用，某一故障现象的新诱因可能被发现，所以采用三位以上的二进制码表示。一方面为今后故障原因的补充留下余地，并且数据更改简便；另一方面，由于数据差异不大，比采用归一化的预处理要容易，同时满足BP模型的输出要求。表1为一个故障原因个数的3位二进制编码表，得到的诊断结果为一个三维行向量的单输出。

表1 故障原因个数的3位二进制编码表

Step2：BP神经网络的建立

利用Matlab进行仿真实验，设置网络有三层：输入层、输出层和隐含层［49］。以某装备的故障现象编码作为输入，故输入层节点数n=1；输出是表征故障原因个数的一个三维行向量，因此输出节点需要m=3个；隐含层用以逼近任何有理函数，其节点数l由经验公式l=2n+a或且为整数）确定。

a的取值的确定：一般设置目标最小均方误差为1e-8，训练1000次。但通过仿真发现，不论采用哪种经验公式，a取何值，最终训练完成后的BP网络的Performance达不到预期的1e-8，且达到稳定时的训练步数在500步以内。计算精度如表2所示。

表2 训练精度

通过仿真发现，由于训练1000次的实际精度都在1e-2到1e-1之间，且大于0.11，小于0.17，所以可以取中间值，设训练精度为0.14。仿真结果表明：精度在0.14左右，达到稳定时训练步数相对较少，此时l=7，a=5，由此可确定隐含节点数为7。

Step3：BP网络的训练

通过网络设计及基于定性数据的BP网络训练，BP网络训练结果如图2所示，其中黑色曲线表示目标精度，灰色为训练精度。

图2 基于定性数据的BP网络训练精度

Step4：BP网络测试及故障诊断

使用定性数据测试样本测试网络，测试结果共98组，其中正常输出81组，与目标输出不相符的有17组，仿真正确率82.7%，基本达到故障诊断的预期要求。

该方法对于新的、数据库中尚不存在的故障，需要借助其他诊断方法共同完成诊断任务。诊断完成之后，按统一编码形式对数据库进行补充，并重新训练神经网络。

4 基于BP神经网络和定量数据的某装备故障诊断方法研究

在定性数据的应用上，BP网络的诊断结果还有待提高。而基于定量测量数据的诊断方法已经十分成熟，且广泛应用。由于某装备之综合测试设备具有基于测量信号诊断的能力，下面给出BP网络在该装备故障诊断中的应用。

假设在装备电气系统测试时出现短路，表现为电流突然增大并超出正常用电流值。通过分析装备电气系统结构，发现故障原因可能有：部件1、部件2或部件3故障。需测量的参数为：1#～6#电缆不同组合时，该装备与测试设备分离插座的供电正负线之间的电阻值。

具体表现为：故障时，测量装备与测试设备分离插座的供电正负线之间的电阻R0＜3Ω。断开1#与2#、1#与4#、1#与6#后，再次测量正负线电阻R1；以及断开2#与3#、4#与5#后，测量1#与2#连接后的 R2，1#与3#连接后的 R3，1#与4#连接后的R4，1#与5#连接后的R5。样本数据及故障类型如表3和表4。

表3 故障类型

基于16组训练样本，BP网络训练精度如图3所示。

图3 基于定量数据的BP网络训练精度

4组测试样本的测试输出结果与目标输出相一致。实践表明，基于定量数据的BP网络诊断法完全适用于某装备的故障诊断。

5 结语

装备故障诊断与处理既涉及定量数据，也涉及定性数据。在某型装备故障诊断中，基于定量数据的BP网络诊断法诊断精度高、可靠性好，但却无法用于该装备基于定性数据的故障诊断。本文通过数据预处理方法对定性描述的故障现象进行量化，研究提出了基于BP神经网络的智能故障诊断方法，很好地解决了用定性数据进行装备故障诊断的问题。

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

［2］王晶，徐百荣.基于神经网络的导弹引信故障危害度研究［J］.徐州空军学院学报，2007，18（3）：36-39.

［3］周杰等.基于粗糙集的知识约简算法改进研究［J］.徐州空军学院学报，2011（5）：65-68.

［4］赵导，齐晓慧等.基于仿真数据的神经网络故障诊断方法［J］.计算机工程与设计，2010，31（9）：2020-2022.

［5］钟宇，白云等.某自动测试系统神经网络故障诊断模块设计与实现［J］.航天控制，2011，29（5）：58-62，76.

［6］文天柱，许爱强等.基于粒子群优化的可拓神经网络故障诊断方法研究［J］.计算机测量与控制，2014，22（2）：346-366，369.

［7］王秋彦，鞠建波等.优化的BP神经网络在电子设备故障诊断中的应用［J］.现代电子技术，2012（3）.

Research on Intelligent Fault Diagnosis Methods for Some Equipment Based on Neural Network

MA Changgang1LI Qing1SUN Dalin2ZHOU Jie3
（1.Air Force Logistics College，Xuzhou 221000）（2.No.94676 Troops of PLA，Shanghai 202150）（3.No.95696 Troops of PLA，Chongqing 401329）

The problem of diagnosis on qualitative data system is still unresolved，although the effect of BP neural diagnosis on system fault which consist of quantitative data is obvious.The chapter is intended to study intelligent fault diagnosis methods on dealing with qualitative data of BP neural network equipment，switching qualitative data into quantitative data by applying some pretreatment technology like coding of fault diagnosis，realizing automation and intellectualization of fault diagnosis for equipment based on knowledge base，greatly improving the efficiency of fault diagnosis of equipment，expanding application range of BP neural network diagnosis methods.

neural network，intelligent diagnosis，equipment fault，qualitative data analysis

TP274

10.3969∕j.issn.1672-9730.2017.10.024

Class Number TP274

2017年5月5日，

2017年6月10日

马长刚，男，硕士研究生，研究方向：武器系统与运用工程。