耿朝陽(yáng)，王宏見，謝安明

（1．西安工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，西安710021；2．上海信息安全技術(shù)工程研究中心，上海201204）

20世紀(jì)80年代末以來(lái)，神經(jīng)網(wǎng)絡(luò)這個(gè)涉及多種學(xué)科的新的高科技領(lǐng)域，吸引了眾多的神經(jīng)生理學(xué)家、心理學(xué)家、數(shù)理科學(xué)家、計(jì)算機(jī)與信息科學(xué)家及工程師們進(jìn)行研究和應(yīng)用［1］．神經(jīng)網(wǎng)絡(luò)日益成為當(dāng)代高科技領(lǐng)域中的競(jìng)爭(zhēng)熱點(diǎn)．

隨著現(xiàn)代化的發(fā)展，設(shè)備的規(guī)模和復(fù)雜度越來(lái)越高，對(duì)設(shè)備運(yùn)行效率的要求越來(lái)越高，因此對(duì)設(shè)備在線故障檢測(cè)和故障診斷方法有了更高的要求，故障診斷方法的研究越來(lái)越受到關(guān)注［2］．由于設(shè)備故障信息的不確定性，以及故障現(xiàn)象與故障原因之間的復(fù)雜的非線性關(guān)系，故障診斷的難度越來(lái)越高，故障診斷的效率和準(zhǔn)確度不高，需要探索一種新的方便、快捷、可靠的診斷方法，以提高故障診斷的效率和準(zhǔn)確度［3］．

基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法，因?yàn)樯窠?jīng)網(wǎng)絡(luò)自身固有的非線性映射能力、超強(qiáng)自適應(yīng)能力及學(xué)習(xí)能力，使其在故障診斷領(lǐng)域中擁有獨(dú)特的優(yōu)勢(shì)［4］．但是神經(jīng)網(wǎng)絡(luò)算法復(fù)雜，如果直接使用C／C＋＋語(yǔ)言編程，雖然運(yùn)行效率較高，但易出錯(cuò)，且修改困難．傳統(tǒng)的方法中，首先在 Matlab環(huán)境中對(duì)目標(biāo)對(duì)象進(jìn)行仿真建模，并進(jìn)行實(shí)驗(yàn)調(diào)試．確定模型正確后，再手工將 Matlab中的模型翻譯成硬件或者軟件加以實(shí)現(xiàn)，工作量大而且易出錯(cuò)．

文中將神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)融合應(yīng)用于某裝備的設(shè)備故障診斷，使用BP神經(jīng)網(wǎng)絡(luò)對(duì)某裝備的電信號(hào)的狀態(tài)特征參數(shù)進(jìn)行分類和識(shí)別，有效地將狀態(tài)分離開來(lái)，根據(jù)實(shí)時(shí)采集到的裝備內(nèi)部不同位置的電信號(hào)判斷其是否正常工作，并能對(duì)該裝備出現(xiàn)的故障類型進(jìn)行識(shí)別，首先在Matlab環(huán)境中輸入故障樣本，對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行轉(zhuǎn)換，生成C＋＋代碼，將代碼移植到Linux環(huán)境中，減少了手工工作量，提高了系統(tǒng)的開發(fā)效率和可靠性，達(dá)到快速診斷的目的．

1 診斷方法的研究

使用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷時(shí)，需要將故障信息或故障現(xiàn)象輸入神經(jīng)元網(wǎng)絡(luò)，網(wǎng)絡(luò)的權(quán)值和閾值．存儲(chǔ)在神經(jīng)網(wǎng)絡(luò)的各節(jié)點(diǎn)中．為了得到合適的權(quán)值和閾值，需要對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練［5］．選定適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)和規(guī)模，用能反映被檢測(cè)設(shè)備系統(tǒng)特性的變量組作為神經(jīng)網(wǎng)絡(luò)的輸入，以對(duì)應(yīng)的狀態(tài)編碼為期望輸出，構(gòu)成輸入／期望輸出樣本對(duì)，借助一定的學(xué)習(xí)算法，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，網(wǎng)絡(luò)訓(xùn)練完成后將神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值存儲(chǔ)下來(lái)．使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，采集到的設(shè)備信號(hào)送到神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的運(yùn)算處理，產(chǎn)生相應(yīng)的輸出結(jié)果編碼，與故障編碼進(jìn)行比較即可方便地確定故障［6-7］．

使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，xi表示神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，wi表示神經(jīng)元之間的權(quán)，yi表示神經(jīng)元的信號(hào)輸出．

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig．1 BP neural network structure

在被檢測(cè)設(shè)備內(nèi)部提取信號(hào)，內(nèi)部各元件連接處的電壓值為V1～V6，如圖2所示，從設(shè)備研制單位得到設(shè)備正常工作時(shí)這些工作點(diǎn)的電壓范圍，如果在正常范圍內(nèi)，用“1”表示，不在正常范圍內(nèi)，用“0”表示，“＊”表示任意值．如：電源輸出電壓V1如果不在正常范圍內(nèi)，則電源故障，V1如果在正常范圍內(nèi)則電源正常；電源正常的情況下，如果電源電纜的輸出端電壓V2不正常，則電源電纜故障，如果V2正常，則電源電纜正常．由此得到設(shè)備故障征兆列表見表，對(duì)應(yīng)電壓值V1～V6正常與否，可快速確定設(shè)備內(nèi)部某個(gè)元件是否發(fā)生故障．故障征兆見表1．

圖2 設(shè)備內(nèi)部工作電壓采集點(diǎn)Fig．2 Voltage acquisition points of equipment

表1 設(shè)備故障征兆列表Tab．1 List of equipment fault symptoms

2 環(huán)境神經(jīng)網(wǎng)絡(luò)的建立

訓(xùn)練樣本直接來(lái)自設(shè)備工作過(guò)程中的故障信息，對(duì)各節(jié)點(diǎn)處的工作電壓進(jìn)行歸一化處理后得到各種典型故障特征值，U1～U6作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本．測(cè)試的訓(xùn)練樣本見表2．

用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，需確定BP網(wǎng)絡(luò)的結(jié)構(gòu)，要采集6個(gè)節(jié)點(diǎn)的電壓值，抽取6個(gè)故障特征參數(shù)，因此網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為6，經(jīng)過(guò)反復(fù)的訓(xùn)練確定隱含層神經(jīng)元個(gè)數(shù)為17，輸出層為3個(gè)神經(jīng)元，表征7種狀態(tài)，這就需要對(duì)故障進(jìn)行簡(jiǎn)單編碼，見表3．

表2 故障診斷特征參數(shù)值Tab．2 The parameter values of Fault characteristics

表3 設(shè)備故障源編碼Tab．3 Source codes of equipments faults

Matlab中提供了很多工具箱，主要用到神經(jīng)網(wǎng)絡(luò)工具箱，開發(fā)人員只需要調(diào)用神經(jīng)網(wǎng)絡(luò)函數(shù)庫(kù)中的相應(yīng)的函數(shù)基本就能實(shí)現(xiàn)所需要的應(yīng)用功能，減少了開發(fā)難度并縮短了工程開發(fā)周期，將表2的訓(xùn)練樣本數(shù)值保存在矩陣P中，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本矩陣，表3的故障源代碼作為神經(jīng)網(wǎng)絡(luò)的目標(biāo)矩陣T對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練．以下是BP的網(wǎng)絡(luò)腳本代碼

Matlab中所提供的神經(jīng)網(wǎng)絡(luò)庫(kù)提供的訓(xùn)練函數(shù)train，開發(fā)者根據(jù)實(shí)際需要可以調(diào)用此函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練使之完成函數(shù)的收斂，達(dá)到或接近預(yù)先所設(shè)定的誤差目標(biāo)，如圖3所示，訓(xùn)練消耗一定的時(shí)間，經(jīng)過(guò)多個(gè)周期的運(yùn)算后，函數(shù)逼近和收斂到所預(yù)定的誤差范圍內(nèi)，滿足了預(yù)定的訓(xùn)練要求．

圖3 Matlab中BP網(wǎng)絡(luò)的訓(xùn)練Fig．3 BP network training in Matlab

3 BP網(wǎng)絡(luò)代碼轉(zhuǎn)換

3．1 BP網(wǎng)絡(luò)中生成的 ModelSim模型

使用Matlab中的組件Real-Time Workshop對(duì)生成ModelSim模型進(jìn)行代碼轉(zhuǎn)換，可以直接把Matlab里的M語(yǔ)言轉(zhuǎn)換成嵌入式平臺(tái)下所運(yùn)行的C代碼形式，想要實(shí)現(xiàn)這個(gè)目標(biāo)，必須得把訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換為ModelSim模型，因?yàn)榻M件Real-Time Workshop的代碼轉(zhuǎn)換功能是要把訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成ModelSim模型后才能進(jìn)行轉(zhuǎn)換，神經(jīng)網(wǎng)絡(luò)工具箱中所提供的gensim函數(shù)能實(shí)現(xiàn)此功能，將預(yù)先設(shè)定好的神經(jīng)網(wǎng)絡(luò)保存到對(duì)象net中，然后執(zhí)行腳本代碼gensim（net，1）后，生成目標(biāo)模型ModelSim模型，然后執(zhí)行g(shù)ensim（new＿net，1）．

3．2 ModelSim模型的修改

Real-Time Workshop在進(jìn)行轉(zhuǎn)換時(shí)首先搜索模型中的Input與Output標(biāo)準(zhǔn)模塊，將標(biāo)準(zhǔn)模塊翻譯成函數(shù)目標(biāo)輸入和輸出．調(diào)用gensim生成的網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)模塊被封裝成一個(gè)對(duì)象，但生成的網(wǎng)絡(luò)模型不能直接轉(zhuǎn)換成預(yù)想的C代碼，默認(rèn)設(shè)置下，輸入外接虛擬數(shù)據(jù)源，輸出外接虛擬示波器．用模型庫(kù)中的標(biāo)準(zhǔn)輸入和輸出模塊代替虛擬數(shù)據(jù)源和虛擬示波器．將神經(jīng)網(wǎng)絡(luò)模塊和標(biāo)準(zhǔn)輸入輸出模塊連線，為代碼轉(zhuǎn)換做準(zhǔn)備．

3．3 ModelSim模型中生成的C＋＋代碼

在嵌入式系統(tǒng)目標(biāo)平臺(tái)上運(yùn)行Linux下的Qt環(huán)境生成的可執(zhí)行程序，Qt下運(yùn)用的編譯器是GCC（GNU Compiler Collection），由 GCC 編 譯ModelSim模型生成C＋＋代碼，再由Matlab的編譯器Bordland C生成和硬件相關(guān)的可執(zhí)行程序，對(duì)編譯器和相關(guān)參數(shù)進(jìn)行有效設(shè)置，在tool下找到Real-time Workshop組件，使用Options對(duì)相關(guān)選項(xiàng)設(shè)置，進(jìn)行代碼轉(zhuǎn)換．

轉(zhuǎn)換前重要參數(shù)設(shè)置為

① 轉(zhuǎn)換目標(biāo)模板設(shè)置為ERT，則實(shí)際使用的是Embbed Real-Time Workshop，此模式化了嵌入式應(yīng)用且更容易嵌入代碼．

② 語(yǔ)言類型設(shè)置為C＋＋，使生成的代碼以C＋＋形式存在，以便Qt程序調(diào)用．

③ 勾選Generate code only選項(xiàng)，使轉(zhuǎn)換結(jié)果形成頭文件和CPP文件．

④設(shè)置執(zhí)行及采樣時(shí)間為定步長(zhǎng)，否則不能生成有效代碼．

⑤確定目標(biāo)硬件類型，指定硬件中的高低字節(jié)順序及字長(zhǎng)大?。?/p>

⑥數(shù)據(jù)接口中選擇生成目標(biāo)語(yǔ)言標(biāo)準(zhǔn)為C89／C90（ANSI）．

⑦數(shù)據(jù)交換選項(xiàng)中選擇C-API，此模式下轉(zhuǎn)換的代碼以函數(shù)方式呈現(xiàn)入口和出口．

4 代碼嵌入Linux／Qt程序的算法產(chǎn)品化實(shí)現(xiàn)

4．1 Qt與 Matlab代碼的沖突問題

Test-data．cpp中存儲(chǔ)了大量的常用數(shù)據(jù)，文中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)權(quán)重與偏移等參數(shù)以常量的方式記錄在此，供程序調(diào)用．文件Ert-main．cpp中的main函數(shù)作為程序入口點(diǎn)，以周期性的采樣頻率獨(dú)立運(yùn)行，實(shí)現(xiàn)在線實(shí)時(shí)仿真．自動(dòng)生成代碼時(shí)，可以參考文件Ert-main．cpp中main函數(shù)運(yùn)算模型的調(diào)用方法，編譯時(shí)屏蔽此main函數(shù)，再用Qt的main函數(shù)代替文件Ert-main．cpp中main函數(shù)作為整個(gè)程序的入口點(diǎn)．

4．2 在Matlab中生成的主要代碼模塊

以Test．mdl模型測(cè)試為例，轉(zhuǎn)換后生成的主要文件見表4．

表4 代碼模塊Tab．4 Code module

Test-data．cpp中存儲(chǔ)了大量的常用數(shù)據(jù)，文中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)權(quán)重與偏移等參數(shù)以常量方式記錄在此，供程序調(diào)用，把主函數(shù)Ert-main．cpp文件中的main函數(shù)當(dāng)成程序入口點(diǎn)，以周期性的采樣頻率獨(dú)立運(yùn)行，實(shí)現(xiàn)在線的實(shí)時(shí)仿真，自動(dòng)生成代碼時(shí)，可以參考main函數(shù)中運(yùn)算模型的調(diào)用方法，編譯時(shí)屏蔽這個(gè)main函數(shù)，用Qt的主函數(shù)代替作為整個(gè)程序的入口點(diǎn)．

4．3 編 譯

將上文中由Real-Time Workshop生成的C代碼與Qt程序進(jìn)行聯(lián)合編程后，在Qt環(huán)境下進(jìn)行編譯生成可以在嵌入式系統(tǒng)中運(yùn)行的可執(zhí)行程序，然后通過(guò)交叉編譯鏈將其下載到嵌入式硬件平臺(tái)下位機(jī)，選取輸入測(cè)試值，運(yùn)行在Matlab中的神經(jīng)網(wǎng)絡(luò)代碼程序并記下輸出結(jié)果，用同樣的數(shù)據(jù)測(cè)試在Qt環(huán)境中測(cè)試聯(lián)合編程后的Qt程序，實(shí)驗(yàn)表明經(jīng)過(guò)轉(zhuǎn)化為可在嵌入式系統(tǒng)中運(yùn)行的可執(zhí)行C代碼形式下的神經(jīng)網(wǎng)絡(luò)，與Matlab中的輸出結(jié)果完全相同，達(dá)到了預(yù)期目標(biāo)．如圖4所示．

圖4 聯(lián)合編程測(cè)試結(jié)果Fig．4 Joint programming test results

5 結(jié) 論

文中通過(guò)使用Matlab與Qt編程工具聯(lián)合編程，快速將神經(jīng)網(wǎng)絡(luò)算法轉(zhuǎn)換為能在嵌入式平臺(tái)上運(yùn)行的C／C＋＋代碼，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)算法快速應(yīng)用到嵌入式故障診斷系統(tǒng)的目標(biāo)，驗(yàn)證了這一方法的實(shí)用性和可行性，方便開發(fā)人員進(jìn)行高效的程序開發(fā)和實(shí)驗(yàn)調(diào)試，縮短了產(chǎn)品的開發(fā)周期，節(jié)約了開發(fā)成本．神經(jīng)網(wǎng)絡(luò)算法快速應(yīng)用到嵌入式故障診斷系統(tǒng)的同樣適合更復(fù)雜的應(yīng)用神經(jīng)網(wǎng)絡(luò)算法的場(chǎng)合，目標(biāo)系統(tǒng)可以是嵌入式平臺(tái)，也可以是普通的Windows平臺(tái)，在控制、模式識(shí)別等領(lǐng)域都可以廣泛的推廣和應(yīng)用．

［1］ 飛思科技產(chǎn)品研發(fā)中心．神經(jīng)網(wǎng)絡(luò)理論與Matlab7實(shí)現(xiàn)［M］．北京：電子工業(yè)出版社，2005．Feisi Science and Technology R ＆ D Center．Neural Network Theory and Matlab7Realization［M］．Beijing：Publishing House of Electronics Industry，2005．（in Chinese）

［2］ 姚光強(qiáng)，陳立平．基于COM 技術(shù)的C＃與 Matlab混合編程［J］．計(jì)算機(jī)工程，2008，34（14）：87．YAO Guang-qiang，CHEN Li-ping．Integrated Programming Between C＃ and Matlab Based on Component Object Model［J］．Computer Engineering，2008，34（14）：87．（in Chinese）

［3］ 從爽．面向 Matlab工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用［M］．合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社，2003．CONG Shuang．Toolbox for MATLAB Neural Network Theory and Application［M］．Hefei：Press of University of Science and Technology of China，2003．（in Chinese）

［4］ 王永慶．人工智能原理與方法［M］．西安：西安交通大學(xué)出版社，2006．WANG Yong-qing．The Principle and Method of Artificial Intelligence［M］．Xi’an：Xi’an Jiaotong University Press，2006．（in Chinese）

［5］ 耿朝陽(yáng)，劉德明．嵌入式故障診斷專家系統(tǒng)［J］．西安工業(yè)大學(xué)學(xué)報(bào)，2013，33（11）：889．GENG Chao-yang，LIU De-ming．Embedded Fault Diagnosis Expert System in Equipment［J］．Journal of Xi’an Technological University，2013，33（11）：889．（in Chinese）

［6］ 戚涌，李千目，劉鳳玉．基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)智能診斷系統(tǒng)［J］．微電子學(xué)與計(jì)算機(jī)，2004，21（10）：10．QI Yong，LI Qian-mu，LIU Feng-yu．Network Fault Intelligent Diagnosis Base on BP Neural Network［J］．The Microelectronics and Meter Computer，2004，21（10）：10．（in Chinese）

［7］ 蔣宗禮．人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論［M］．北京：高等教育出版社，2001．JIANG Zong-li．Introduction to Artificial Neural Network［M］．Beijing：Higher Education Press，2001．（in Chinese）