陶敏，丁求啟，張桂平

（中國(guó)衛(wèi)星海上測(cè)控部 江蘇 江陰 214431）

隨著科學(xué)技術(shù)的發(fā)展，特別是計(jì)算機(jī)技術(shù)的發(fā)展和應(yīng)用，船載雷達(dá)伺服系統(tǒng)呈現(xiàn)出高度自動(dòng)化、信息化、系統(tǒng)化和智能化的發(fā)展趨勢(shì)，其系統(tǒng)的復(fù)雜性也越來(lái)越高，但同時(shí)船載雷達(dá)伺服系統(tǒng)的維護(hù)難度也越來(lái)越大，單對(duì)某一或局部信號(hào)的檢測(cè)或采用單一的故障診斷方法往往很難對(duì)系統(tǒng)進(jìn)行全面徹底的診斷，而且診斷效率較低，經(jīng)常造成誤拆好的部件和進(jìn)行的“無(wú)故障”維修[1]。因此，伺服系統(tǒng)故障診斷方法的研究就顯得格外重要。神經(jīng)網(wǎng)絡(luò)方法基于人腦的組織模式，將眾多結(jié)構(gòu)和功能極其簡(jiǎn)單的神經(jīng)元通過(guò)各種方式連接成一個(gè)復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，以實(shí)現(xiàn)復(fù)雜的智能行為。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)能力，能夠自動(dòng)地從訓(xùn)練樣本中學(xué)習(xí)領(lǐng)域知識(shí)，具有很強(qiáng)的自適應(yīng)能力，近年來(lái)，神經(jīng)網(wǎng)絡(luò)被廣泛地用來(lái)解決工程實(shí)際問(wèn)題，為復(fù)雜系統(tǒng)的故障診斷提供了一條新的解決途徑。

文中針對(duì)雷達(dá)伺服系統(tǒng)的結(jié)構(gòu)和故障特點(diǎn)，采用分層次的思想，將神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)等智能診斷技術(shù)有機(jī)結(jié)合，設(shè)計(jì)了一種現(xiàn)代雷達(dá)伺服系統(tǒng)智能診斷系統(tǒng)，并對(duì)其主要功能模塊實(shí)現(xiàn)和關(guān)鍵問(wèn)題進(jìn)行了研究。

1 雷達(dá)伺服系統(tǒng)簡(jiǎn)介

雷達(dá)伺服系統(tǒng)主要由天線控制單元、天線驅(qū)動(dòng)系統(tǒng)、伺服監(jiān)控單元、天線設(shè)備及軸角編碼器五大部分組成，其控制對(duì)象為天線座?？刂浦噶钣煽刂茊卧a(chǎn)生，并送至驅(qū)動(dòng)單元，驅(qū)動(dòng)單元根據(jù)接收到的命令控制電機(jī)轉(zhuǎn)動(dòng)帶動(dòng)天線旋轉(zhuǎn)到指定位置，同時(shí)軸角編碼器采集天線的實(shí)時(shí)角度信息，完成閉環(huán)控制。

圖1 伺服系統(tǒng)組成框圖Fig.1 Structure diagram of servo system

2 智能診斷系統(tǒng)的總體結(jié)構(gòu)框圖

現(xiàn)代雷達(dá)伺服系統(tǒng)結(jié)構(gòu)日趨復(fù)雜，但仍然具有明顯的層次型特點(diǎn)，即可按分系統(tǒng)、分機(jī)箱、功能單元、電路板、元器件的順序逐層向下擴(kuò)展。系統(tǒng)結(jié)構(gòu)的層次性，勢(shì)必使故障也具有層次性的特點(diǎn)。因此，采用分層次分模塊的診斷策略可大大降低診斷的復(fù)雜程度。

診斷技術(shù)的融合有多種方式，應(yīng)遵循充分發(fā)揮各自優(yōu)勢(shì)，相互彌補(bǔ)缺點(diǎn)的原則，找到各種診斷技術(shù)的“最佳結(jié)合點(diǎn)”。通過(guò)對(duì)現(xiàn)代雷達(dá)伺服系統(tǒng)結(jié)構(gòu)、故障特征及各類智能診斷技術(shù)的特點(diǎn)分析，本文以傳統(tǒng)的專家系統(tǒng)為主體，使用神經(jīng)網(wǎng)絡(luò)解決知識(shí)獲取的“瓶頸”和復(fù)雜故障推理為輔，采用基于知識(shí)的專家系統(tǒng)推理機(jī)制[2]和數(shù)值計(jì)算的神經(jīng)網(wǎng)絡(luò)推理機(jī)制[3]相結(jié)合的方式，構(gòu)建一種現(xiàn)代雷達(dá)伺服智能故障診斷系統(tǒng)，其總體結(jié)構(gòu)如圖2所示。

圖2 雷達(dá)伺服智能故障診斷系統(tǒng)結(jié)構(gòu)框圖Fig.2 Structure diagram of radar servo intelligent faults diagnosis system

系統(tǒng)主要包括預(yù)處理模塊、實(shí)時(shí)數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、推理機(jī)、知識(shí)庫(kù)和數(shù)據(jù)庫(kù)管理系統(tǒng)、學(xué)習(xí)模塊、解釋模塊和人機(jī)接口。預(yù)處理模塊主要完成診斷信息的采集和特征提取。人機(jī)接口是領(lǐng)域?qū)＜液屠走_(dá)伺服崗位人員實(shí)現(xiàn)對(duì)診斷系統(tǒng)進(jìn)行管理、控制的渠道。解釋模塊負(fù)責(zé)向崗位人員解釋診斷過(guò)程和結(jié)果。

3 雷達(dá)伺服系統(tǒng)級(jí)故障診斷方法

伺服系統(tǒng)級(jí)專家診斷系統(tǒng)的邏輯結(jié)構(gòu)圖如圖3所示。它由知識(shí)庫(kù)和推理機(jī)組成。專家將診斷的知識(shí)，經(jīng)驗(yàn)加以總結(jié)，形成規(guī)則，例如伺服主控臺(tái)角度信息無(wú)變化，引起此故障的原因有天線驅(qū)動(dòng)單元故障和軸角編碼器故障，如果天線轉(zhuǎn)動(dòng)正常，那么由此可以推出軸角編碼器發(fā)生故障。將類似的規(guī)則存入計(jì)算機(jī)建立知識(shí)庫(kù)，使計(jì)算機(jī)擁有本領(lǐng)域內(nèi)專家的知識(shí)；推理機(jī)是一個(gè)軟件系統(tǒng)，運(yùn)用知識(shí)庫(kù)提供的關(guān)于規(guī)則和數(shù)據(jù)的兩類知識(shí)，進(jìn)行自動(dòng)推理、求解問(wèn)題[4]。

圖3 系統(tǒng)級(jí)專家診斷系統(tǒng)的邏輯結(jié)構(gòu)圖Fig.3 Logic block diagram of expert diagnosis system

專家系統(tǒng)知識(shí)庫(kù)的建立，系統(tǒng)仿照故障字典來(lái)獲取知識(shí)?；舅悸肥牵禾崛「鱾€(gè)分系統(tǒng)在故障狀態(tài)下的特征值，然后將特征值與故障的對(duì)應(yīng)關(guān)系列成一個(gè)字典。診斷時(shí)按照測(cè)量得到的實(shí)際值在故障字典中進(jìn)行檢索，比較和判斷出故障的性質(zhì)和位置[5]。

本文所建立的專家系統(tǒng)為基于規(guī)則的診斷專家系統(tǒng)，推理規(guī)則格式采用“IF…Then…”語(yǔ)句。實(shí)測(cè)數(shù)據(jù)采集進(jìn)來(lái)后與故障征兆集中特征數(shù)據(jù)進(jìn)行對(duì)比，只要條件匹配，則Then后的語(yǔ)句被執(zhí)行，進(jìn)行推理，進(jìn)入下一步判斷，再一次執(zhí)行上面的推理過(guò)程，直到定位于故障分系統(tǒng)。

4 雷達(dá)伺服分系統(tǒng)級(jí)故障診斷方法

4.1 診斷參數(shù)的采集及選取

4.1.1 診斷參數(shù)的采集

診斷參數(shù)的采集在故障診斷系統(tǒng)中占據(jù)重要角色。對(duì)于診斷系統(tǒng)而言，采集的信息越多，越容易對(duì)故障進(jìn)行定位和判斷，分系統(tǒng)級(jí)的故障診斷要將故障定位于具體的板卡或是元器件，所以更突出了其重要性。為此系統(tǒng)將增加必要的硬件設(shè)計(jì)，同時(shí)為減小伺服系統(tǒng)硬件設(shè)計(jì)的復(fù)雜程度，更具伺服系統(tǒng)的特點(diǎn)和專家的經(jīng)驗(yàn)總結(jié)，利用伺服系統(tǒng)自身必須硬件連接，增加少量硬件設(shè)計(jì)，組成采集單元。

在伺服系統(tǒng)的硬件在線故障檢測(cè)中，診斷系統(tǒng)將伺服系統(tǒng)的接插件依據(jù)系統(tǒng)功能和物理位置進(jìn)行分組，分在一組的接插件串連在一起，接至伺服系統(tǒng)檢測(cè)I/O板，對(duì)于智能化硬件，如板卡、驅(qū)動(dòng)器等，直接與其通信，讀取特征字，作為其特征參數(shù)。

對(duì)于天線驅(qū)動(dòng)系統(tǒng)，由于驅(qū)動(dòng)器本身是智能化、數(shù)字化的，其安裝的數(shù)字化儀表可以將測(cè)量值直接送出，例如電機(jī)電流、電壓、轉(zhuǎn)速等。驅(qū)動(dòng)系統(tǒng)的核心器件功率放大器，其本身帶有自診斷功能，可以根據(jù)其輸入輸出情況給出故障參數(shù)。

時(shí)碼編碼系統(tǒng)的數(shù)據(jù)采集包含天線角度、時(shí)碼及編碼系統(tǒng)，這一部分主要根據(jù)板卡知識(shí)進(jìn)行特征參數(shù)檢測(cè)。如激磁信號(hào)、電源電壓、處理板中處理器工作情況等。

如操作桿、操控按鍵板等其他模塊，利用板卡對(duì)其數(shù)據(jù)進(jìn)行采集分析后作為特征參數(shù)。

4.1.2 診斷參數(shù)的選取

根據(jù)故障機(jī)理，若某一故障發(fā)生，則其特征參數(shù)將發(fā)生較大變化。因受各種因素影響，盡量不以絕對(duì)值作為異常診斷的依據(jù)，而要與初始值或正常值進(jìn)行比較，用其比值作為檢測(cè)參數(shù)來(lái)進(jìn)行診斷，例如軸角編碼器發(fā)生故障時(shí)，測(cè)量其電壓值，再與正常時(shí)的電壓進(jìn)行比較，作為其特征參數(shù)。為此，診斷的檢測(cè)參數(shù)定義為：

式中 ST（xi）為相對(duì)于 xi的待檢狀態(tài)參數(shù)值，SR（xi）為相對(duì)于xi的正常狀態(tài)參數(shù)值。兩者的比值與一門限值進(jìn)行比較，若大于門限值，故障征兆輸入取為“1”，即故障征兆存在，否則則去為“0”，則故障征兆不存在。

4.2 知識(shí)庫(kù)的建立

它包括知識(shí)獲取和知識(shí)存儲(chǔ)兩個(gè)過(guò)程。知識(shí)獲取表現(xiàn)為訓(xùn)練樣本的獲取與選擇。訓(xùn)練樣本來(lái)源于同類型診斷對(duì)象在正常運(yùn)轉(zhuǎn)時(shí)和帶故障運(yùn)行時(shí)的各種特征參數(shù)。知識(shí)存儲(chǔ)是將由訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲得的連接權(quán)值和閾值進(jìn)行存儲(chǔ)，從而形成知識(shí)庫(kù)。其建立過(guò)程如下：

針對(duì)各分系統(tǒng)特點(diǎn)，分析分系統(tǒng)故障知識(shí)結(jié)構(gòu)、根據(jù)征兆、故障及樣本數(shù)目確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型，即輸入神經(jīng)元、輸出神經(jīng)元以及隱含層神經(jīng)元的數(shù)目；

在眾多的樣本中選取訓(xùn)練樣本，即根據(jù)對(duì)象特點(diǎn)及專家長(zhǎng)期積累的經(jīng)驗(yàn)獲得各種情況下（單故障或多故障）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；

利用樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，則可獲得網(wǎng)絡(luò)的連接取值和閾值，存儲(chǔ)連接權(quán)值和閾值形成知識(shí)庫(kù)。

4.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的工作過(guò)程通常由兩個(gè)階段組成[6]。一個(gè)階段是工作期，在這一階段網(wǎng)絡(luò)各節(jié)點(diǎn)的連接權(quán)值固定不變，網(wǎng)絡(luò)的計(jì)算從輸入層開(kāi)始，逐層逐個(gè)節(jié)點(diǎn)地計(jì)算每一個(gè)節(jié)點(diǎn)的輸出，直到輸出層中各節(jié)點(diǎn)計(jì)算完畢。另一階段是學(xué)習(xí)期，在這一階段，各節(jié)點(diǎn)的輸出保持不變，網(wǎng)絡(luò)學(xué)習(xí)則是從輸出層開(kāi)始，反向逐層逐個(gè)節(jié)點(diǎn)地計(jì)算各連接權(quán)值的修改量，以修改各連接的權(quán)值，直到輸入層位置。這兩個(gè)階段又稱為正向傳播和反向傳播過(guò)程。在正向傳播中，如果在輸出層的網(wǎng)絡(luò)輸出與所期望的輸出相差較大，則開(kāi)始反向傳播過(guò)程，根據(jù)網(wǎng)絡(luò)輸出與所期望輸出的信號(hào)誤差，對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)間的各連接權(quán)值進(jìn)行修改，以此來(lái)減小網(wǎng)絡(luò)輸出信號(hào)與所期望輸出的誤差。BP神經(jīng)網(wǎng)絡(luò)，正是通過(guò)這樣不斷進(jìn)行的正向傳播和反向傳播的計(jì)算過(guò)程，最終使得網(wǎng)絡(luò)輸出層的輸出值與期望值趨于一致。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法如下：

1）網(wǎng)絡(luò)訓(xùn)練開(kāi)始時(shí)，權(quán)值和節(jié)點(diǎn)閾值初始化為一組隨機(jī)數(shù)；

2）輸入 P 個(gè)訓(xùn)練樣本，分別為（X1，X2，…，XP）；且設(shè)定預(yù)期的輸出即對(duì)應(yīng)的一組教師值為（T1，T2，…，TP）；

3）運(yùn)用BP學(xué)習(xí)算法在經(jīng)過(guò)網(wǎng)絡(luò)的代價(jià)函數(shù)計(jì)算后，將實(shí)際輸出（Y1，Y2，…，YP）與（T1，T2，…，TP）的誤差逐層向輸入層方向逆向傳播，使網(wǎng)絡(luò)不斷自適應(yīng)地修改網(wǎng)絡(luò)的連接權(quán)值和節(jié)點(diǎn)閾值，以減小代價(jià)函數(shù)值；

4）使YP與TP盡可能地接近，直到它減小至一個(gè)可以接受的閾限值或者不再減小為止。設(shè)為迭代次數(shù)，權(quán)值和閾值的修正公式分別為：

式中η為步長(zhǎng)：

當(dāng)P個(gè)訓(xùn)練樣本學(xué)習(xí)時(shí)的總誤差E滿足下列條件，即

則停止迭代過(guò)程，網(wǎng)絡(luò)的連接權(quán)值和節(jié)點(diǎn)閾值訓(xùn)練完成。其中ε為任意給定的正小數(shù)，它取決于網(wǎng)絡(luò)訓(xùn)練所希望得到的精度。

神經(jīng)網(wǎng)絡(luò)知識(shí)表示是一種知識(shí)的隱式表示，知識(shí)表現(xiàn)為網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和連接權(quán)值，采用神經(jīng)網(wǎng)絡(luò)技術(shù)的專家系統(tǒng)，由于神經(jīng)網(wǎng)絡(luò)是一種信息存儲(chǔ)和處理統(tǒng)一的網(wǎng)絡(luò)系統(tǒng)，因此，在采用神經(jīng)網(wǎng)絡(luò)技術(shù)的專家系統(tǒng)中，知識(shí)的存儲(chǔ)與問(wèn)題求解過(guò)程中的推理過(guò)程均在系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模塊中進(jìn)行，是推理機(jī)和知識(shí)庫(kù)的統(tǒng)一。三層BP神經(jīng)網(wǎng)絡(luò)采用數(shù)據(jù)驅(qū)動(dòng)正向推理的故障診斷策略，即從初始狀態(tài)出發(fā)，向前推理到達(dá)目標(biāo)狀態(tài)為止，其故障診斷步驟為：

1）將故障樣本輸入給輸入層各節(jié)點(diǎn)，同時(shí)它也是該層神經(jīng)元的輸出；

2）由式（2）求出隱層神經(jīng)元的輸出，并將其作為輸出層的輸入；

3）從式（4）求得輸出層神經(jīng)元的輸出；

4）由閾值函數(shù)判定輸出層神經(jīng)元的最終輸出結(jié)果。我們用表示故障類型，則故障類型閾值判定函數(shù)為：

其中φk為伺服分系統(tǒng)中由領(lǐng)域?qū)＜以O(shè)定的閾值。

4.4 知識(shí)處理

在神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)中，只需將觀測(cè)到的故障現(xiàn)象通過(guò)編譯器轉(zhuǎn)化為數(shù)值知識(shí)，送入神經(jīng)網(wǎng)絡(luò)，然后計(jì)算網(wǎng)絡(luò)輸出，最后將網(wǎng)絡(luò)的數(shù)值輸出經(jīng)反編譯器轉(zhuǎn)化為符號(hào)知識(shí)，即得到了故障原因，這種專家系統(tǒng)的知識(shí)處理是與神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)緊密相關(guān)的統(tǒng)一體，不需增加相應(yīng)的推理機(jī)構(gòu)，將數(shù)值知識(shí)轉(zhuǎn)換為符號(hào)知識(shí)的反編譯器是編譯的逆過(guò)程，有與編譯器類似的結(jié)構(gòu)。在故障診斷中盡管診斷的最終結(jié)論是唯一的，但由于維護(hù)人員提供的故障表現(xiàn)初始描述不完備，還由于故障表現(xiàn)的初始描述與故障非一一映射關(guān)系，我們還采用了缺省推理和詢問(wèn)推理機(jī)制?；谏鲜鰞煞N推理機(jī)制，基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的分系統(tǒng)級(jí)故障診斷方法知識(shí)處理過(guò)程如下：

1）獲得故障表現(xiàn)的初始描述；

2）正向推理（從編譯器到計(jì)算網(wǎng)絡(luò)輸出，并考慮缺省推理）；

3）若已得到故障原因，給出修復(fù)意見(jiàn)，退出；否則進(jìn)入步驟 4）；

4）反向搜索（按詢問(wèn)推理的算法進(jìn)行）以便找到一個(gè)對(duì)于推理不可缺少的缺省節(jié)點(diǎn)，請(qǐng)用戶回答該節(jié)點(diǎn)的值；

5）轉(zhuǎn)步驟 2）。

5 結(jié)束語(yǔ)

文中針對(duì)故障診斷[7]的特點(diǎn)，結(jié)合伺服系統(tǒng)的實(shí)際情況，采用分層次的思路，將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)集成于雷達(dá)伺服系統(tǒng)的故障診斷。該診斷方法為雷達(dá)伺服系統(tǒng)的故障診斷研究提供了一條好的途徑，具有很高的實(shí)用價(jià)值。

[1]王晗中，楊江平，張愛(ài)元.現(xiàn)代雷達(dá)裝備綜合智能故障診斷系統(tǒng)設(shè)計(jì)[J].現(xiàn)代雷達(dá)，2008，30（11）：18-22.WANG Han-zhong，YANG Jiang-ping，ZHANG Ai-yuan.Design of an intelligent fault diagnosis system for modern radar equipment[J].Modern Radar，2008，30（11）:18-22.

[2]尹朝慶.人工智能與專家系統(tǒng)[M].2版.北京：中國(guó)水利水電出版社，2009：120-132.

[3]胡霄楠，史忠科.BP神經(jīng)網(wǎng)絡(luò)在雷達(dá)故障診斷中的應(yīng)用研究[J].計(jì)算機(jī)測(cè)量與控制，2006，14（12）：1660-1662.HU Xiao-nan，SHI Zhong-ke.Application research of BP neural network in fauly diagnosis of radar[J].Computer Measurement&Control，2006，14（12）:1660-1662.

[4]張緒錦，譚劍波，韓江洪.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J].系統(tǒng)工程理論與實(shí)踐，2002（6）：61-66.ZHANG Xu-jin，TAN Jian-bo，HAN Jiang-hong.A method of fault diagnosis based on BP neural network[J].Systems Engineering-theory&Practice，2002（6）:61-66.

[5]萬(wàn)其，吳燕，陳桂.雷達(dá)伺服系統(tǒng)的專家故障診斷技術(shù)[J].現(xiàn)代雷達(dá)，2007，29（8）：86-88.WAN Ji，WU Yan，CHEN Gui.Fault diagnosis expert system for radar Servo-systems[J].Modern Radar，2007，29（8）:86-88.

[6]李合平，朱宏，張志強(qiáng)，等.基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的雷達(dá)故障診斷方法[J].微計(jì)算機(jī)信息，2008，24（9）：216-218.LIGe-ping，ZHU Hong，ZHANG Zhi-jiang，etal.ONE method of faults diagnosis based on neural network and expert system for radar[J].Control&Automation，2008，24（9）:216-218.

[7]魏江濤，陳方濤，姜美雷.BP神經(jīng)網(wǎng)絡(luò)在設(shè)備故障診斷方面的應(yīng)用[J].現(xiàn)代電子技術(shù)，2012（19）:131-134.WEI Jiang-tao，CHEN Fang-tao，JIANG Mei-lei.Application of BP neural network in fault diagnosis of radar device[J].Modern Electronics Technique，2012（19）:131-134.