李英順，徐長(zhǎng)青

（1.沈陽(yáng)工業(yè)大學(xué) 工程學(xué)院，遼寧 遼陽(yáng) 111003；2.沈陽(yáng)工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，遼寧 沈陽(yáng) 110870）

近年來(lái)，隨著武器裝備自動(dòng)化程度的日益提高，武器裝備的技術(shù)復(fù)雜性也越來(lái)越高，因此完善的維修保障系統(tǒng)必不可少。特別是分布的不斷分散，對(duì)使用維護(hù)與故障診斷提出了更高的要求，依靠傳統(tǒng)的檢測(cè)與故障診斷方法[1]，已經(jīng)難以滿足當(dāng)前基層作戰(zhàn)部隊(duì)的需要。而且，由于彈藥輸送車載供彈系統(tǒng)比較龐大，檢測(cè)任務(wù)多，在故障排除過(guò)程中，維護(hù)人員對(duì)其故障的診斷非常困難，制約了彈藥輸送車載供彈系統(tǒng)的彈藥輸送的能力，直接影響了我軍在未來(lái)戰(zhàn)爭(zhēng)中的戰(zhàn)局。

針對(duì)此現(xiàn)狀，提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)彈藥輸送車載供彈系統(tǒng)故障診斷方法[2]。運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)的方法對(duì)彈藥輸送車載供彈系統(tǒng)進(jìn)行故障分析，構(gòu)建彈藥輸送車載供彈系統(tǒng)故障診斷診斷模型，并在MATLAB中進(jìn)行了仿真。仿真結(jié)果表明該系統(tǒng)較好地解決了傳統(tǒng)故障診斷存在的問(wèn)題，提高系統(tǒng)的診斷容錯(cuò)能力和準(zhǔn)確率，并且還為提高彈藥輸送車載供彈系統(tǒng)的可靠性和進(jìn)行有效的故障診斷與維修提供值得借鑒的依據(jù)。

1 基于模糊神經(jīng)網(wǎng)絡(luò)故障診斷

1.1 模糊神經(jīng)網(wǎng)絡(luò)模型

模糊神經(jīng)網(wǎng)絡(luò)[3]是由大量的處理單元相互連接而成的非線形復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出來(lái)的，通過(guò)模擬人腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式完成與人腦類似的信息處理功能，其特色在于信息的分布存儲(chǔ)和并行協(xié)同處理，具有很強(qiáng)的自學(xué)習(xí)性、自組織性、容錯(cuò)性、高度非線性、高魯棒性、聯(lián)想記憶功能和推理意識(shí)功能強(qiáng)等特點(diǎn)，十分適用于像故障診斷這類多變量非線性問(wèn)題。盡管神經(jīng)網(wǎng)絡(luò)故障診斷已經(jīng)取得了很大的成功，但它在故障診斷過(guò)程中的不足也越來(lái)越明顯，主要有：

1）依賴性過(guò)強(qiáng)，系統(tǒng)的診斷性能在很大的程度上依賴于樣本的完整性；

2）知識(shí)的隱含性；

3）與用戶的溝通性差，當(dāng)數(shù)據(jù)不充分時(shí)只能降低系統(tǒng)的性能。

模糊神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛、效果最好的方法，與其他傳統(tǒng)模型相比，有更好的持久性和適時(shí)預(yù)報(bào)性。模糊網(wǎng)絡(luò)含有輸入節(jié)點(diǎn)、輸出節(jié)點(diǎn)及一層或多層隱節(jié)點(diǎn)。其網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)就是一個(gè)神經(jīng)元[4]。它是一個(gè)多輸入/單輸出的非線性器件，是模糊神經(jīng)網(wǎng)絡(luò)的基本處理單元，其結(jié)構(gòu)模型如圖1所示。

圖1 模糊神經(jīng)網(wǎng)絡(luò)神經(jīng)元結(jié)構(gòu)Fig.1 Fuzzy neural network neuron structure

對(duì)于每個(gè)節(jié)點(diǎn)有一個(gè)狀態(tài)變量xi，節(jié)點(diǎn)i到節(jié)點(diǎn)j有一個(gè)連接權(quán)系數(shù)ωij，且每個(gè)節(jié)點(diǎn)有一個(gè)閾值θj。其輸入輸出關(guān)系可表達(dá)為：

1.2 模糊神經(jīng)網(wǎng)絡(luò)中知識(shí)的表示

傳統(tǒng)的知識(shí)表示都可以看做是知識(shí)的一種顯式表示，而在模糊神經(jīng)網(wǎng)絡(luò)中知識(shí)的表示可看做是一種隱式表示。在模糊神經(jīng)網(wǎng)絡(luò)中，知識(shí)并不像傳統(tǒng)方法那樣表示為一系列規(guī)則等形式，而是將某一問(wèn)題的若干知識(shí)在同一網(wǎng)絡(luò)中表示，表示為網(wǎng)絡(luò)的權(quán)值分布。以下是3層閾值型模糊神經(jīng)網(wǎng)絡(luò)的4條異或邏輯產(chǎn)生式規(guī)則[5]:

圖2 “異或”邏輯的表示Fig.2 “Exclusive or” logic said

基于這種網(wǎng)絡(luò)知識(shí)表示結(jié)構(gòu)，其模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Fuzzy neural network structure

其隱層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)輸出為：

式中，Hj，yk分別為隱層和輸出層節(jié)點(diǎn)輸出值；Wij，Tjk分別為輸入層到隱層和隱層到輸出層的連接權(quán)值:θj，λk分別為隱層和輸出層節(jié)點(diǎn)的偏置；N，M分別為隱層和輸出層的節(jié)點(diǎn)數(shù)；f，g為sigmoid函數(shù)或其他形式的函數(shù)。

通過(guò)網(wǎng)絡(luò)學(xué)習(xí)模型對(duì)樣本進(jìn)行學(xué)習(xí)，經(jīng)過(guò)網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修改權(quán)值，直至所需的學(xué)習(xí)精度[6]。其學(xué)習(xí)過(guò)程如下：給出輸入故障征兆，首先先向前傳播到隱節(jié)點(diǎn)，經(jīng)過(guò)輸出變換函數(shù)即作用函數(shù)后，再把隱節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最后給出輸出結(jié)果。節(jié)點(diǎn)的輸出變換函數(shù)選擇（Sigmoid）型函數(shù)。這個(gè)算法的學(xué)習(xí)過(guò)程，由正向傳播和反向傳播組成[7]。在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。

2 模糊神經(jīng)網(wǎng)絡(luò)的建立與訓(xùn)練

2.1 彈藥輸送車載供彈系統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)模型建立與訓(xùn)練

通過(guò)對(duì)彈藥輸送車載供彈系統(tǒng)基于模糊神經(jīng)網(wǎng)絡(luò)的建模和分析，模糊神經(jīng)網(wǎng)絡(luò)的大小是根據(jù)需要來(lái)確定的，多少個(gè)故障現(xiàn)象，對(duì)應(yīng)多少個(gè)輸入節(jié)點(diǎn)；多少個(gè)故障，對(duì)應(yīng)多少個(gè)輸出節(jié)點(diǎn)。但是，由于彈藥輸送車載供彈系統(tǒng)結(jié)構(gòu)復(fù)雜、工作環(huán)境惡劣、故障現(xiàn)象多等特點(diǎn)，若輸入層神經(jīng)元數(shù)目太大，會(huì)影響到整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)速度和訓(xùn)練質(zhì)量，應(yīng)用模塊分解技術(shù)，將彈藥輸送車載供彈系統(tǒng)故障分為若干個(gè)學(xué)習(xí)模塊，各模塊獨(dú)立進(jìn)行訓(xùn)練和診斷。對(duì)彈藥輸送車載供彈系統(tǒng)進(jìn)行訓(xùn)練和診斷，并根據(jù)以上的彈藥輸送車載供彈系統(tǒng)結(jié)構(gòu)，在MATLAB中編程[8]，對(duì)彈藥輸送車載供彈系統(tǒng)進(jìn)行仿真。

在對(duì)仿真前，取學(xué)習(xí)速率η=0.01，動(dòng)量因子α=0.95，通過(guò)對(duì)所建立的彈藥輸送車載供彈系統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練，經(jīng)過(guò)16步循環(huán)訓(xùn)練后，均方誤差平方和為0.000 098 9，落在了所要求的范圍0.000 1之內(nèi)，滿足了均方誤差最小的理想效果，并將訓(xùn)練成功的網(wǎng)絡(luò)權(quán)值和偏差保存。其訓(xùn)練過(guò)程的均方誤差曲線如圖4所示。

從訓(xùn)練均方誤差曲線圖可以看出，均方誤差隨著訓(xùn)練次數(shù)的增加逐漸減小，當(dāng)訓(xùn)練次數(shù)達(dá)到一定值時(shí)，均方誤差達(dá)到最小且達(dá)到了理想效果，若再增加訓(xùn)練不會(huì)再發(fā)生改變甚至?xí)l(fā)生訓(xùn)練過(guò)度。

2.2 神經(jīng)網(wǎng)絡(luò)診斷故障分類

對(duì)所建立的彈藥輸送車載供彈系統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練達(dá)到所需要的理想效果后，取待測(cè)樣本集中的樣本檢驗(yàn)該網(wǎng)絡(luò)并對(duì)彈藥輸送車載供彈系統(tǒng)的正常狀態(tài)和故障狀態(tài)進(jìn)行分類診斷。正常狀態(tài)和故障狀態(tài)均取2組特征信號(hào)，組成2×2×8維特征向量作為模糊神經(jīng)網(wǎng)絡(luò)的待測(cè)樣本集進(jìn)行分類診斷。表1和表2給出了對(duì)彈藥輸送車載供彈系統(tǒng)所采集的數(shù)據(jù)測(cè)試樣本集及通過(guò)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練得出的故障診斷結(jié)果。

圖4 訓(xùn)練均方誤差曲線Fig.4 Training mean square error curve

表1 測(cè)試樣本Tab.1 Test sample

表2 模糊神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果Tab.2 Fuzzy neural network fault diagnosis results

從模糊神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果表中可以很清楚地看出，通過(guò)用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行彈藥輸送車載供彈系統(tǒng)兩種狀態(tài)的分類診斷，診斷結(jié)果表明網(wǎng)絡(luò)的兩個(gè)節(jié)點(diǎn)的輸出向量基本上與所要求的輸出向量吻合，達(dá)到了預(yù)想的理想效果。

3 結(jié) 論

通過(guò)對(duì)彈藥輸送車載供彈系統(tǒng)的故障分析，構(gòu)建了基于模糊神經(jīng)網(wǎng)絡(luò)彈藥輸送車載供彈系統(tǒng)故障診斷模型，并運(yùn)用MATLAB語(yǔ)言編程進(jìn)行仿真。仿真結(jié)果表明該方法不僅提高系統(tǒng)的診斷容錯(cuò)能力和準(zhǔn)確率，而且還為彈藥輸送車載供彈系統(tǒng)的精密故障診斷提供了有效的方法，具有廣泛的軍事應(yīng)用前景。

[1]楊軍，馮振聲，黃考利，等.裝備智能故障診斷技術(shù)[M].北京:國(guó)防工業(yè)出版社，2004.

[2]楊迎化，唐大全，盧建華.神經(jīng)網(wǎng)絡(luò)在智能故障診斷技術(shù)中的應(yīng)用及其發(fā)展趨勢(shì)[J].測(cè)控技術(shù)學(xué)報(bào)，2003，22（9）:1-5.YANG Ying-hua，TANG Da-quan，LU Jian-hua.Neural network intelligentfaultdiagnosis technology and its development trend[J].Measurement and Control Technology Journal，2003，22（9）:1-5.

[3]周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出社，2003.

[4]焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].吉林:吉林大學(xué)出版社，1990.

[5]王永驥，涂健.神經(jīng)元網(wǎng)絡(luò)控制[M].北京:機(jī)械工業(yè)出版社，1998.

[6]汪振興，劉臣宇，李麗，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的某型裝備故障診斷專家系統(tǒng)[J].計(jì)算機(jī)與現(xiàn)代化，2010（2）：200-203.WANG Zhen-xing，LIU Chen-yu，LI Li，et al.Fault diagnosis for certain equipment based on improved BP neural network[J].Computer and Modernization，2010（2）：200-203.

[7]吳凌云，王華.BP神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在故障診斷中的應(yīng)用[J].信息技術(shù)，2003（2）：66-68.WU Ling-yun，WANG Hua.Application of the BP neural network and expert system in fault diagnosis[J].Information Technology，2003（2）：66-68.

[8]唐洪法.基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)故障診斷系統(tǒng)[D].南京:南京理工大學(xué)，2005.