祁濤，張彥斌，姚人前

（1.軍械工程學(xué)院，石家莊050003；2.解放軍66476部隊，北京100042）

神經(jīng)網(wǎng)絡(luò)技術(shù)在智能BIT故障診斷系統(tǒng)中的應(yīng)用*

祁濤1，張彥斌1，姚人前2

（1.軍械工程學(xué)院，石家莊050003；2.解放軍66476部隊，北京100042）

論述了智能BIT的智能設(shè)計、智能檢測、智能診斷和智能決策，構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的某高炮裝備隨動系統(tǒng)的智能BIT故障診斷系統(tǒng)。用Multisim進行電路仿真，提取輸出信號的均值、峭度、偏斜度構(gòu)成三維向量，以它作為特征向量利用神經(jīng)網(wǎng)絡(luò)進行模擬電路的故障診斷。通過比較BP神經(jīng)網(wǎng)絡(luò)、SOM神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果，得知利用均值、峭度和偏斜度作為特征，BP神經(jīng)網(wǎng)絡(luò)和SOM神經(jīng)網(wǎng)絡(luò)能夠有效識別故障狀態(tài)模式。

智能BIT，軟故障，神經(jīng)網(wǎng)絡(luò)，Multisim仿真

0　引言

某新型武器系統(tǒng)涉及車輛、火炮、雷達、火力控制等多種裝備技術(shù)，具有技術(shù)綜合性強、技術(shù)領(lǐng)域廣、保障難度大的特點，按照傳統(tǒng)的技術(shù)保障模式對某新型裝備實施技術(shù)保障面臨許多問題，如該武器系統(tǒng)包含的各種裝備維修周期的差異、故障模式與規(guī)律的不同，等等。因此，在進行裝備保障過程中對裝備的可靠性、測試性和維修性提出了更高的要求。機內(nèi)測試（BIT）技術(shù)的應(yīng)用，適應(yīng)了裝備技術(shù)保障的需求，提高了系統(tǒng)的可測試性和故障診斷的精確度，降低了故障診斷成本和對維修人員的技能要求，從而提高了裝備的完好率。

模擬電路故障按類型可分為軟故障和硬故障兩種。軟故障通常是指元件參數(shù)隨時間或者環(huán)境條件的影響而偏離至不能允許的程度，從而導(dǎo)致了系統(tǒng)性能異?；驉夯＼浌收贤ǔ２粫?dǎo)致電路網(wǎng)拓?fù)浣Y(jié)構(gòu)的改變，因此，大部分情況下不會對電路功能造成重大影響。硬故障又稱災(zāi)難性故障，是指元件參數(shù)發(fā)生“質(zhì)”的變化（短路、斷路、元件損壞等），從而導(dǎo)致系統(tǒng)嚴(yán)重失效。本文的主要研究內(nèi)容是某裝備隨動系統(tǒng)模擬電路軟故障的早期故障診斷，為裝備適時保障提供技術(shù)建議。

1　智能BIT

智能BIT（Intelligent Built-in Test）的概念是由美國空軍羅姆航空發(fā)展中心的Dale W.Richards在1987年的“Smart BIT:a Plan for Intelligent Built-in Test”一文中首次提出。此后，許多學(xué)者對智能BIT給出了自己的定義，大多數(shù)人可接受的定義是:“智能BIT就是將包括專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊理論、信息融合等在內(nèi)的智能理論應(yīng)用到BIT的設(shè)計、檢測、決策等方面，提高BIT綜合效能，從而降低設(shè)備全壽命周期費用的理論、技術(shù)和方法［1］。”簡單地說，智能BIT就是將人工智能理論應(yīng)用到BIT研究的全過程，從而達到提高復(fù)雜裝備BIT綜合效能的理論、技術(shù)和方法。

智能BIT主要分為4部分:智能BIT設(shè)計、智能BIT檢測、智能BIT診斷和智能BIT決策。BIT設(shè)計是BIT技術(shù)實現(xiàn)和應(yīng)用的基礎(chǔ)和關(guān)鍵。本文研究對象涉及到車輛、雷達、火炮、火力控制等多種裝備技術(shù)。智能BIT設(shè)計中，主要是建立相應(yīng)的技術(shù)模型，依據(jù)裝備本身特點制定BIT總體設(shè)計框架與技術(shù)指標(biāo)。智能BIT檢測技術(shù)一方面要研究新檢測方法、原理、儀器、精度等，以獲取傳統(tǒng)方法無法獲取的信息；另一方面為實現(xiàn)系統(tǒng)測試的整體目標(biāo)，采用智能傳感器技術(shù)、自適應(yīng)濾波技術(shù)和信息融合等技術(shù)進行測試信息的獲取和分析。智能BIT診斷是將智能理論應(yīng)用于BIT故障診斷之中，能夠顯著提高BIT故障診斷的準(zhǔn)確性、適應(yīng)性，使其能夠具有連續(xù)監(jiān)控、自動重構(gòu)、指示多余度、分散式自動測試和學(xué)習(xí)機制等特點［2-3］。本文利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、聯(lián)想記憶、分布式并行信息處理以及極強的非線性映射能力，解決診斷系統(tǒng)的知識表示、獲取和并行推理的問題，使模式分類具有自學(xué)習(xí)、速度快的優(yōu)點［4］。智能BIT決策是對各種故障采取應(yīng)對措施的策略，包括故障預(yù)測和壽命預(yù)測。決策的主要依據(jù)是通過故障危害度分析、系統(tǒng)壽命預(yù)測、BIT歷史數(shù)據(jù)和系統(tǒng)設(shè)計數(shù)據(jù)庫等基礎(chǔ)，利用BIT決策專家系統(tǒng)、BIT信息融合決策、BIT模糊決策等智能決策方法，從而正確決策，采取應(yīng)對措施。智能BIT主要研究內(nèi)容如圖1所示。

圖1　智能BIT主要研究內(nèi)容

2　基于神經(jīng)網(wǎng)絡(luò)的智能BIT故障診斷系統(tǒng)

神經(jīng)網(wǎng)絡(luò)具有良好的非線性逼近能力，在工程方面受到廣泛的應(yīng)用，主要應(yīng)用于故障診斷、人工智能、信息科學(xué)、自動控制及機器人等領(lǐng)域［5-7］。本智能BIT故障診斷系統(tǒng)設(shè)計是把特征提取工具包和神經(jīng)網(wǎng)絡(luò)工具包直接嵌入到BIT測試系統(tǒng)的軟件設(shè)計中，在獲取狀態(tài)信息后直接利用測試系統(tǒng)就能夠獲得故障診斷結(jié)果，從而減少了數(shù)據(jù)傳輸次數(shù)，提高了故障診斷效率。神經(jīng)網(wǎng)絡(luò)的類型與規(guī)模是由診斷對象的實際需求來決定，輸入層神經(jīng)元個數(shù)依據(jù)提取的特征向量的維數(shù)決定，隱層神經(jīng)元的個數(shù)依神經(jīng)網(wǎng)絡(luò)的類型及經(jīng)驗公式計算得到，輸出層神經(jīng)元個數(shù)則取決于所要辨識的狀態(tài)模式數(shù)量。

其工作過程如下:1）選定待測設(shè)備測試點。測試點的信息含量是選取信息采集點的主要依據(jù)，是系統(tǒng)狀態(tài)檢測和故障診斷技術(shù)指標(biāo)的決定性因素。根據(jù)被測裝備工作原理并采用模式識別理論，合理確定有效的信息監(jiān)測點，才能確保裝備技術(shù)狀態(tài)實時監(jiān)測和故障診斷。2）利用BIT測試系統(tǒng)從機完成數(shù)據(jù)采集與預(yù)處理。信息采集與處理技術(shù)在一定程度上可以彌補硬件條件受限制造成的信息量不足。在獲取的有限檢測點原始信息量的前提下，可以通過信息處理技術(shù)挖掘現(xiàn)有信號的信息，以達到有效實施裝備狀態(tài)檢測與故障診斷目的。其中包括信號幅值和強度的調(diào)整、信號的緩存、信號的切換以及數(shù)字格式與通訊協(xié)議的匹配等。3）BIT測試系統(tǒng)主機實現(xiàn)故障狀態(tài)的特征提取，然后與神經(jīng)網(wǎng)絡(luò)知識庫進行信息匹配，利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)裝備故障診斷并實現(xiàn)故障定位。系統(tǒng)框圖如圖2所示。

圖2　智能BIT故障診斷系統(tǒng)

3　實例分析

峭度反映了信號概率密度函數(shù)峰頂?shù)亩盖统潭龋軌蜉^好地反映信號沖擊分量的大小。偏斜度則能很好地顯示信號的偏離程度。通過構(gòu)建由均值、峭度、偏斜度組成的三維向量作為故障狀態(tài)特征向量，由仿真實驗結(jié)果得知其具有一定的可行性，并且測試準(zhǔn)確性能得到保證。

本文的研究以Sallen-Key低通濾波器為例，如圖3，該電路為中心頻率為25 kHz的低通濾波器，在濾波器電路中，電阻和電容的容差分別為5%和10%。

圖3　Sallen-Key低通濾波器

經(jīng)過靈敏度分析得知C1、C2、R2、R3的取值變化對該電路輸出響應(yīng)的影響較大，因此，在進行模擬電路故障診斷研究中，選擇這4個元件進行分析。在給電路施加激勵信號進行仿真時，如果電阻和電容在各自的容差范圍內(nèi)變化，則認(rèn)為電路為無故障狀態(tài)。當(dāng)電路中4個對電路影響較大的元件中任何一個高于或低于它正常值的50%，其他3個元件工作在容差范圍內(nèi)，則認(rèn)為是該元件發(fā)生故障。仿真實驗分析類型為C1↑、C1↓、C2↑、C2↓、R2↑、R2↓、R3↑、R3↓和無故障狀態(tài)。其中的↑、↓分別表示該元件故障值高于或低于標(biāo)稱值的50%，而其他元件工作在容差范圍內(nèi)。Sallen-Key低通濾波器元件的標(biāo)稱值、故障值及故障類型如表1。

表1　低通濾波器元件的標(biāo)稱值、故障值及故障類型

利用神經(jīng)網(wǎng)絡(luò)進行模擬電路故障診斷的步驟如下:

（1）故障信號的預(yù)處理及其特征向量的形成。首先利用Multisim對待診斷電路進行不同故障狀態(tài)的仿真，進行20次蒙特卡羅分析并在輸出端獲得相應(yīng)的狀態(tài)輸出波形。這里對電路施加幅值為1 V，頻率為1 kHz的脈沖信號，持續(xù)時間為50 μs，對每個狀態(tài)模式采集20個狀態(tài)響應(yīng)樣本，每一個樣本有5 000個采樣點。獲取樣本的均值、峭度和偏斜度，構(gòu)造三維向量作為樣本的特征向量。

（2）神經(jīng)網(wǎng)絡(luò)的體系構(gòu)建設(shè)計。根據(jù)特征向量的提取結(jié)果，選擇3個輸入層感知節(jié)點，對于BP神經(jīng)網(wǎng)絡(luò)來說，隱層神經(jīng)元個數(shù)根據(jù)性能要求一般選擇10～30之間，本文依據(jù)經(jīng)驗選擇12個，輸出神經(jīng)元的個數(shù)則依據(jù)需要診斷的故障類別個數(shù)及無故障狀態(tài)為9個，神經(jīng)元激活函數(shù)依據(jù)分類的要求確定為sigmoid類函數(shù)，輸出值為［0，1］區(qū)間值，為電路狀態(tài)模式識別提供方便。對SOM神經(jīng)網(wǎng)絡(luò)來說，輸入層為3，競爭層依經(jīng)驗取為6×6=36個神經(jīng)元，SOM分類準(zhǔn)確度與訓(xùn)練次數(shù)有關(guān)，參考文獻［7］可設(shè)訓(xùn)練次數(shù)分別是10、30、50、100、200、500、1 000、5 000次。對小波網(wǎng)絡(luò)來說，選擇基于morlet小波和haar小波的小波神經(jīng)網(wǎng)絡(luò)，進行故障診斷。

（3）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試。在20個樣本中，15個樣本用來訓(xùn)練網(wǎng)絡(luò)，5個樣本用來測試網(wǎng)絡(luò)，以檢驗3種神經(jīng)網(wǎng)絡(luò)故障診斷的正確性和可靠性。

本文分別利用BP神經(jīng)網(wǎng)絡(luò)、SOM神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)實現(xiàn)模擬電路的故障診斷。由診斷結(jié)果可知，以均值、峭度、偏斜度為特征的BP神經(jīng)網(wǎng)絡(luò)能夠很好地識別無故障狀態(tài)、R3↓、R2↑、R2↓、C2↑、C2↓、C1↓，而對R3↑和C1↑的識別能力則較差。從測試結(jié)果可知R3↑和C1↑對電路的影響類似，因此，可以猜測當(dāng)出現(xiàn)雙故障時會導(dǎo)致兩個故障元件的影響相互抵消，輸出結(jié)果依然處于正常狀態(tài)。另外，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法選擇RPROP算法，該算法應(yīng)用于模式識別時，相比于其他訓(xùn)練速度是最快的［8］。由BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能曲線圖可以得知在第50 000步時曲線趨于平緩，輸出誤差性能指標(biāo)MSE大概是0.01，說明其訓(xùn)練誤差較大，訓(xùn)練時間長，達到十幾分鐘。

SOM神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則是Winner-Take-All，通過SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練150個測試樣本。由測試結(jié)果可知在9種狀態(tài)的分類中，除了C2↑、C1↑的分類會出現(xiàn)交叉，其他7種狀態(tài)都能很好地識別。利用網(wǎng)絡(luò)對每種狀態(tài)的一個樣本進行測試，確定其診斷的可靠性。以上述狀態(tài)順序排列，9種狀態(tài)激發(fā)的神經(jīng)元的序號為32、15、34、25、30、1、30、3、17。由此可知除了R2↓狀態(tài)識別錯誤以外，其他8種狀態(tài)都能正確識別。SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)次數(shù)的范圍一般在10～10 000［9］，本文的1 000次訓(xùn)練只需要兩分零三秒，比BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間要短。小波神經(jīng)網(wǎng)絡(luò)在以峭度等為特征進行分類時，其分類效果并不明顯，即使訓(xùn)練次數(shù)達到1 000次，依然不能有效地區(qū)分這9種狀態(tài)。

通過比較小波神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)和SOM神經(jīng)網(wǎng)絡(luò)，得知以峭度、偏斜度及均值作為特征向量在BP神經(jīng)網(wǎng)絡(luò)和SOM神經(jīng)網(wǎng)絡(luò)中能夠較有效地實現(xiàn)模擬電路故障診斷，而在小波神經(jīng)網(wǎng)絡(luò)中的結(jié)果則不是很理想。再比較BP神經(jīng)網(wǎng)絡(luò)和SOM神經(jīng)網(wǎng)絡(luò)，相對而言，SOM神經(jīng)網(wǎng)絡(luò)診斷的可靠性更高，訓(xùn)練時間短。但存在一個缺點，即訓(xùn)練次數(shù)提高到一定程度后再提高訓(xùn)練次數(shù)已經(jīng)沒有意義。BP神經(jīng)網(wǎng)絡(luò)則網(wǎng)絡(luò)簡單，技術(shù)成熟，但其存在局部極小問題，必須給予改善。

另外，本系統(tǒng)將BP神經(jīng)網(wǎng)絡(luò)和SOM神經(jīng)網(wǎng)絡(luò)的診斷識別結(jié)果進行決策級融合，然后通過關(guān)聯(lián)處理，保證參與融合的決策來自同一目標(biāo)，最后進行決策的融合判決，獲得聯(lián)合推斷結(jié)果，能夠顯著提高故障診斷的精度。

4　結(jié)論

針對某裝備隨動系統(tǒng)模擬電路元件單故障診斷，設(shè)計了智能BIT診斷系統(tǒng)，將神經(jīng)網(wǎng)絡(luò)應(yīng)用到該系統(tǒng)中，增加故障診斷的可靠性。通過仿真實驗分析，得知采用均值、峭度、偏斜度構(gòu)成的三維特征向量，在BP神經(jīng)網(wǎng)絡(luò)和SOM神經(jīng)網(wǎng)絡(luò)中能夠較為有效地識別故障狀態(tài)模式。

［1］徐永成，溫熙森，劉冠軍，等.智能BIT概念與內(nèi)涵探討［J］.計算機工程與應(yīng)用，2001，38（14）:29-32.

［2］王志穎.復(fù)雜裝備智能機內(nèi)測試研究［D］.成都:電子科技大學(xué)，2010.

［3］溫熙森，徐永成，易曉山.智能理論在BIT設(shè)計與故障診斷中的應(yīng)用［J］.國防科技大學(xué)學(xué)報，1999，21（1）:97-101.

［4］賈愛梅，梅孝順.基于BP神經(jīng)網(wǎng)絡(luò)的智能BIT故障診斷系統(tǒng)研究［J］.計算機與數(shù)字工程，2009，37（12）:54-56

［5］XIAO Y Q，HE Y G.A linear ridgelet network approach for fault diagnosis of analog circuit［J］.Science China Information Sciences，2010，53（11）:2251-2264.

［6］謝宏，何怡剛，周應(yīng)堂，等.小波神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用研究［J］.湖南大學(xué)學(xué)報（自然科學(xué)版），2004，31（4）:38-40.

［7］吳海橋，劉毅，丁運亮，等.SOM人工神經(jīng)網(wǎng)絡(luò)在客機零部件故障診斷中的應(yīng)用研究［J］.南京航空航天大學(xué)學(xué)報，2002，34（1）:31-34.

［8］周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計與應(yīng)用［M］.北京:清華大學(xué)出版社，2013:153-192.

［9］焦李成.神經(jīng)網(wǎng)絡(luò)計算［M］.西安:西安電子科技大學(xué)出版社，1996.

Application of Intelligent BIT Fault Diagnosis System of Neural Network Research

QI Tao1，ZHANG Yan-bin1，YAO Ren-qian2
（1.Ordnance Engineering College，Shijiazhuang 050003，China；2.Unit 66476 of PLA，Beijing 100042，China）

This paper discusses the intelligent BIT of intelligent design，intelligent detection，intelligent diagnosis and intelligent decision，and builds the certain anti-aircraft gun equipment servo system which based on the network of intelligent BIT fault diagnosis system.The circuit is simulated by Multisim，and then it is used to extract the output signal of the mean，kurtosis，and skewness，so to constitute a three-dimensional vector to analog circuit fault diagnosis.Comparing the BP neural network，SOM neural network and wavelet neural network diagnostic results，that using the mean，kurtosis and skewness as characteristics，can easily realize fault diagnosis by BP and SOM.

intelligentBIT，softfault，neuralnetwork，multisimsimulation

TP391.9

A

1002-0640（2016）06-0125-04

2015-05-19

2015-06-17

軍隊重點課題基金資助項目（裝通XXXX號）

祁濤（1990-），男，陜西榆林人，碩士研究生。研究方向：武器性能測試與故障診斷。