舰炮电气故障神经网络论文范文

1电路故障知识获取

一般来说，要获取一个复杂系统的电气运行时包括正常或异常状态下的所有状态数据，在实际工作中是非常困难的，从某种程度上来讲，也是不可取的。例如，舰炮电气系统既有大规模的模拟电子电路器件，又有数字电路器件，均混合布局在几个机柜内，电路之间本身复杂的联锁控制关系，且可测试点相对少了很多，导致了数据获取的难度大大增加;同时，在实装里设置各种各样的故障来提取这个先验知识既是难以做到，又具有很高成本。因此，这给舰炮电气故障的预测带来了很大的局限性。鉴于电路仿真软件可以很好地模拟实际电路运行状态，因此，本文通过电路仿真软件Multisim10来获取预测诊断所需要的数据。主要步骤如下［6］:1)电路仿真建模在Multisim10仿真平台上建立起待分析诊断的电路。该平台专门用于电路仿真和设计的电子设计自动化软件，不仅提供了规模庞大的元器件库，而且允许用户建立自己的元件库。这些元器件的参数可以任意修改，从而为故障设置提供了途径。2)监测点设置Multisim10仿真平台提供了强大的虚拟仪器功能，利用数字万用表、示波器、信号发生器等，可为待分析电路进行各种工况下的数据监测和提取。但，非常重要的一点是，监测点设置必须要考虑在实际使用时是可测的点，否则该监测点是无效的。3)工况设置工况设置的目的是建立起监测点电压和电路状态的对应关系。这需要在平台上建立的仿真电路上设置良好状态和各种各样的假想故障，可以是部件级，也可以是元器件级。重点是要从舰炮实际工作原理上分析哪些是重要的数据，哪些又是舰炮实际使用过程中出现的常见故障，从而提高数据的利用率。通过上述步骤，即可建立监测点电压和电路状态关联数据库。以舰炮典型的某供电电路为例(仿真电路见图1)，通过上述步骤可以获取到不同工况下的状态数据。图1中万用表XMM1在电源器件LM7812CT设置了一个监测点，示波器XSC1在运放AD741H输出端设置了一个监测点，当工作正常时，这2个测试点会有正确输出。倘若相关电路中有线路断开或器件参数异常或损坏，监测信号可能就会发生变化，这些数据均能保存下来。有关电路仿真及故障知识获取的具体方法可参见文献。

2BP神经网络

在诸多故障诊断数据处理方法中，由于人工神经网络具有很强的自学习能力、高度的容错能力、强大的联想记忆功能、快速的推理能力、大规模分布式并行处理信息功能，是一种值得采用的方法。在人工神经网络当中，比较常用、结构比较简单的就是BP神经网络。BP神经网络是一种具有3层或3层以上的神经网络，包括输入层、隐含层和输出层，采用的是误差逆传播算法，算法流程框图见图2所示。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。但是传统的BP网络存在着易陷入局部、平坦区的收敛速度较慢和网络结构参数不易确定等不足，对此也提出了很多的改进算法。为了充分对比各种算法的特点，以选取更为合适的算法，采用了Matlab工具箱提供的函数，在同一神经网络的拓扑结构、样本数据和期望误差设定下，通过各种不同的改进算法，进行了效果对比，如表1所示。由表1可知，在同样网络结构情况下，采用基于数值优化方法的LM算法不仅网络训练速度最快，而且误差也比较理想。因此，本文将选用LM算法进行故障的预测与诊断。

3仿真分析

1)网络样本选取及参数选择网络样本来自监测点电压和电路状态关联数据库，取电路的4个检测点电压X=［x1，x2，x3，x4］作为BP神经网络的输入，取Y=［y1，y2，y3，y4，y5，y6，y7］作为目标输出向量。其中:y1代表状态正常;y2代表某线路连接开路;y3代表某电阻烧坏开路;y4代表二极管击穿后断路;y5代表某芯片损坏，y6代表某电容容量变小，y7代表某供电电压变化。仿真中，故障诊断预测模型为3层BP神经网络，且输入层神经元节点数N=4，输出层神经元节点数M=7，隐含层神经元节点数根据公式h=N+槡M+σ可得为3－6间的数，σ为经验值。2)训练测试分析通过输入样本组(将近500组)对所设计的网络进行训练(用trainlm训练函数训练)，训练1000次以后误差收敛到0．111324e－006，训练结束。训练网络的过程，实际上就是调整网络参数的过程，具体来说就是确定各个网络权值。网络训练完成后，选取部分已设置的故障现象(70组)和电压稍有偏差的值(30组)对该预测网络进行对比分析，得到BP神经网络的输出正确率为95．5%，其中，对于已设置的故障现象诊断正确率为100%，对未设置的为83．5%。对未能正确识别的，主要在于没有先验知识，和与已知的数据库中知识存在较大差异。这虽然可以通过增加输入样本的数量和样本数，来提高神经网络的适应性和鲁棒性，且其故障诊断的准确性理论上可以达到100%。但一般来说，先验知识是不太可能覆盖到状态的100%，因此，在实际使用过程中，对于预测失败的情况可以通过人工校正的方法来对训练过程中未遇到过的状态进行学习，使网络具备学习能力，如此可使神经网络的故障预测诊断效果更好。

4结论

为实现舰炮的故障预测和健康管理，本文针对舰炮电气系统的运行机理，利用电路仿真软件提取了该系统的故障知识，建立了故障诊断专家系统知识库，并运用BP神经网络方法完成了该舰炮电气系统的故障预测。仿真结果验证了该方法的有效性，取得了较好的诊断预测效果。

作者：王满林谢道明应文健单位：海装重庆局东海舰队装备部海军工程大学兵器工程系