基于模糊神经网络弹药输送车载供弹系统故障诊断

李英顺，徐长青

（1.沈阳工业大学 工程学院，辽宁 辽阳 111003；2.沈阳工业大学 信息科学与工程学院，辽宁 沈阳 110870）

近年来，随着武器装备自动化程度的日益提高，武器装备的技术复杂性也越来越高，因此完善的维修保障系统必不可少。特别是分布的不断分散，对使用维护与故障诊断提出了更高的要求，依靠传统的检测与故障诊断方法[1]，已经难以满足当前基层作战部队的需要。而且，由于弹药输送车载供弹系统比较庞大，检测任务多，在故障排除过程中，维护人员对其故障的诊断非常困难，制约了弹药输送车载供弹系统的弹药输送的能力，直接影响了我军在未来战争中的战局。

针对此现状，提出了一种基于模糊神经网络弹药输送车载供弹系统故障诊断方法[2]。运用模糊神经网络的方法对弹药输送车载供弹系统进行故障分析，构建弹药输送车载供弹系统故障诊断诊断模型，并在MATLAB中进行了仿真。仿真结果表明该系统较好地解决了传统故障诊断存在的问题，提高系统的诊断容错能力和准确率，并且还为提高弹药输送车载供弹系统的可靠性和进行有效的故障诊断与维修提供值得借鉴的依据。

1 基于模糊神经网络故障诊断

1.1 模糊神经网络模型

模糊神经网络[3]是由大量的处理单元相互连接而成的非线形复杂网络系统，它是在现代神经科学研究成果的基础上提出来的，通过模拟人脑神经网络处理、记忆信息的方式完成与人脑类似的信息处理功能，其特色在于信息的分布存储和并行协同处理，具有很强的自学习性、自组织性、容错性、高度非线性、高鲁棒性、联想记忆功能和推理意识功能强等特点，十分适用于像故障诊断这类多变量非线性问题。尽管神经网络故障诊断已经取得了很大的成功，但它在故障诊断过程中的不足也越来越明显，主要有：

1）依赖性过强，系统的诊断性能在很大的程度上依赖于样本的完整性；

2）知识的隐含性；

3）与用户的沟通性差，当数据不充分时只能降低系统的性能。

模糊神经网络是应用最广泛、效果最好的方法，与其他传统模型相比，有更好的持久性和适时预报性。模糊网络含有输入节点、输出节点及一层或多层隐节点。其网络中每一个节点就是一个神经元[4]。它是一个多输入/单输出的非线性器件，是模糊神经网络的基本处理单元，其结构模型如图1所示。

图1 模糊神经网络神经元结构Fig.1 Fuzzy neural network neuron structure

对于每个节点有一个状态变量xi，节点i到节点j有一个连接权系数ωij，且每个节点有一个阈值θj。其输入输出关系可表达为：

1.2 模糊神经网络中知识的表示

传统的知识表示都可以看做是知识的一种显式表示，而在模糊神经网络中知识的表示可看做是一种隐式表示。在模糊神经网络中，知识并不像传统方法那样表示为一系列规则等形式，而是将某一问题的若干知识在同一网络中表示，表示为网络的权值分布。以下是3层阈值型模糊神经网络的4条异或逻辑产生式规则[5]:

图2 “异或”逻辑的表示Fig.2 “Exclusive or” logic said

基于这种网络知识表示结构，其模糊神经网络结构如图3所示。

图3 模糊神经网络结构图Fig.3 Fuzzy neural network structure

其隐层节点和输出层节点输出为：

式中，Hj，yk分别为隐层和输出层节点输出值；Wij，Tjk分别为输入层到隐层和隐层到输出层的连接权值:θj，λk分别为隐层和输出层节点的偏置；N，M分别为隐层和输出层的节点数；f，g为sigmoid函数或其他形式的函数。

通过网络学习模型对样本进行学习，经过网络内部自适应算法不断修改权值，直至所需的学习精度[6]。其学习过程如下：给出输入故障征兆，首先先向前传播到隐节点，经过输出变换函数即作用函数后，再把隐节点的输出信息传播到输出节点，最后给出输出结果。节点的输出变换函数选择（Sigmoid）型函数。这个算法的学习过程，由正向传播和反向传播组成[7]。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。

2 模糊神经网络的建立与训练

2.1 弹药输送车载供弹系统模糊神经网络模型建立与训练

通过对弹药输送车载供弹系统基于模糊神经网络的建模和分析，模糊神经网络的大小是根据需要来确定的，多少个故障现象，对应多少个输入节点；多少个故障，对应多少个输出节点。但是，由于弹药输送车载供弹系统结构复杂、工作环境恶劣、故障现象多等特点，若输入层神经元数目太大，会影响到整个网络的学习速度和训练质量，应用模块分解技术，将弹药输送车载供弹系统故障分为若干个学习模块，各模块独立进行训练和诊断。对弹药输送车载供弹系统进行训练和诊断，并根据以上的弹药输送车载供弹系统结构，在MATLAB中编程[8]，对弹药输送车载供弹系统进行仿真。

在对仿真前，取学习速率η=0.01，动量因子α=0.95，通过对所建立的弹药输送车载供弹系统模糊神经网络训练，经过16步循环训练后，均方误差平方和为0.000 098 9，落在了所要求的范围0.000 1之内，满足了均方误差最小的理想效果，并将训练成功的网络权值和偏差保存。其训练过程的均方误差曲线如图4所示。

从训练均方误差曲线图可以看出，均方误差随着训练次数的增加逐渐减小，当训练次数达到一定值时，均方误差达到最小且达到了理想效果，若再增加训练不会再发生改变甚至会发生训练过度。

2.2 神经网络诊断故障分类

对所建立的弹药输送车载供弹系统神经网络训练达到所需要的理想效果后，取待测样本集中的样本检验该网络并对弹药输送车载供弹系统的正常状态和故障状态进行分类诊断。正常状态和故障状态均取2组特征信号，组成2×2×8维特征向量作为模糊神经网络的待测样本集进行分类诊断。表1和表2给出了对弹药输送车载供弹系统所采集的数据测试样本集及通过模糊神经网络训练得出的故障诊断结果。

图4 训练均方误差曲线Fig.4 Training mean square error curve

表1 测试样本Tab.1 Test sample

表2 模糊神经网络故障诊断结果Tab.2 Fuzzy neural network fault diagnosis results

从模糊神经网络故障诊断结果表中可以很清楚地看出，通过用训练好的网络进行弹药输送车载供弹系统两种状态的分类诊断，诊断结果表明网络的两个节点的输出向量基本上与所要求的输出向量吻合，达到了预想的理想效果。

3 结 论

通过对弹药输送车载供弹系统的故障分析，构建了基于模糊神经网络弹药输送车载供弹系统故障诊断模型，并运用MATLAB语言编程进行仿真。仿真结果表明该方法不仅提高系统的诊断容错能力和准确率，而且还为弹药输送车载供弹系统的精密故障诊断提供了有效的方法，具有广泛的军事应用前景。

[1]杨军，冯振声，黄考利，等.装备智能故障诊断技术[M].北京:国防工业出版社，2004.

[2]杨迎化，唐大全，卢建华.神经网络在智能故障诊断技术中的应用及其发展趋势[J].测控技术学报，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]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出社，2003.

[4]焦李成.神经网络系统理论[M].吉林:吉林大学出版社，1990.

[5]王永骥，涂健.神经元网络控制[M].北京:机械工业出版社，1998.

[6]汪振兴，刘臣宇，李丽，等.基于改进BP神经网络的某型装备故障诊断专家系统[J].计算机与现代化，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]吴凌云，王华.BP神经网络专家系统在故障诊断中的应用[J].信息技术，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神经网络的网络故障诊断系统[D].南京:南京理工大学，2005.