神經網絡技術在智能BIT故障診斷系統中的應用*

祁濤，張彥斌，姚人前

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

神經網絡技術在智能BIT故障診斷系統中的應用*

祁濤1，張彥斌1，姚人前2

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

論述了智能BIT的智能設計、智能檢測、智能診斷和智能決策，構建了基于神經網絡的某高炮裝備隨動系統的智能BIT故障診斷系統。用Multisim進行電路仿真，提取輸出信號的均值、峭度、偏斜度構成三維向量，以它作為特征向量利用神經網絡進行模擬電路的故障診斷。通過比較BP神經網絡、SOM神經網絡和小波神經網絡的診斷結果，得知利用均值、峭度和偏斜度作為特征，BP神經網絡和SOM神經網絡能夠有效識別故障狀態模式。

智能BIT，軟故障，神經網絡，Multisim仿真

0　引言

某新型武器系統涉及車輛、火炮、雷達、火力控制等多種裝備技術，具有技術綜合性強、技術領域廣、保障難度大的特點，按照傳統的技術保障模式對某新型裝備實施技術保障面臨許多問題，如該武器系統包含的各種裝備維修周期的差異、故障模式與規律的不同，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。機內測試（BIT）技術的應用，適應了裝備技術保障的需求，提高了系統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隨時間或者環境條件的影響而偏離至不能允許的程度，從而導致了系統性能異?；驉夯?。軟故障通常不會導致電路網拓撲結構的改變，因此，大部分情況下不會對電路功能造成重大影響。硬故障又稱災難性故障，是指元件參數發生“質”的變化（短路、斷路、元件損壞等），從而導致系統嚴重失效。本文的主要研究內容是某裝備隨動系統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，許多學者對智能BIT給出了自己的定義，大多數人可接受的定義是:“智能BIT就是將包括專家系統、神經網絡、模糊理論、信息融合等在內的智能理論應用到BIT的設計、檢測、決策等方面，提高BIT綜合效能，從而降低設備全壽命周期費用的理論、技術和方法［1］?！焙唵蔚卣f，智能BIT就是將人工智能理論應用到BIT研究的全過程，從而達到提高復雜裝備BIT綜合效能的理論、技術和方法。

智能BIT主要分為4部分:智能BIT設計、智能BIT檢測、智能BIT診斷和智能BIT決策。BIT設計是BIT技術實現和應用的基礎和關鍵。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。智能BIT設計中，主要是建立相應的技術模型，依據裝備本身特點制定BIT總體設計框架與技術指標。智能BIT檢測技術一方面要研究新檢測方法、原理、儀器、精度等，以獲取傳統方法無法獲取的信息；另一方面為實現系統測試的整體目標，采用智能傳感器技術、自適應濾波技術和信息融合等技術進行測試信息的獲取和分析。智能BIT診斷是將智能理論應用于BIT故障診斷之中，能夠顯著提高BIT故障診斷的準確性、適應性，使其能夠具有連續監控、自動重構、指示多余度、分散式自動測試和學習機制等特點［2-3］。本文利用神經網絡的學習、聯想記憶、分布式并行信息處理以及極強的非線性映射能力，解決診斷系統的知識表示、獲取和并行推理的問題，使模式分類具有自學習、速度快的優點［4］。智能BIT決策是對各種故障采取應對措施的策略，包括故障預測和壽命預測。決策的主要依據是通過故障危害度分析、系統壽命預測、BIT歷史數據和系統設計數據庫等基礎，利用BIT決策專家系統、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，采取應對措施。智能BIT主要研究內容如圖1所示。

圖1　智能BIT主要研究內容

2　基于神經網絡的智能BIT故障診斷系統

神經網絡具有良好的非線性逼近能力，在工程方面受到廣泛的應用，主要應用于故障診斷、人工智能、信息科學、自動控制及機器人等領域［5-7］。本智能BIT故障診斷系統設計是把特征提取工具包和神經網絡工具包直接嵌入到BIT測試系統的軟件設計中，在獲取狀態信息后直接利用測試系統就能夠獲得故障診斷結果，從而減少了數據傳輸次數，提高了故障診斷效率。神經網絡的類型與規模是由診斷對象的實際需求來決定，輸入層神經元個數依據提取的特征向量的維數決定，隱層神經元的個數依神經網絡的類型及經驗公式計算得到，輸出層神經元個數則取決于所要辨識的狀態模式數量。

其工作過程如下:1）選定待測設備測試點。測試點的信息含量是選取信息采集點的主要依據，是系統狀態檢測和故障診斷技術指標的決定性因素。根據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測點，才能確保裝備技術狀態實時監測和故障診斷。2）利用BIT測試系統從機完成數據采集與預處理。信息采集與處理技術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挖掘現有信號的信息，以達到有效實施裝備狀態檢測與故障診斷目的。其中包括信號幅值和強度的調整、信號的緩存、信號的切換以及數字格式與通訊協議的匹配等。3）BIT測試系統主機實現故障狀態的特征提取，然后與神經網絡知識庫進行信息匹配，利用神經網絡實現裝備故障診斷并實現故障定位。系統框圖如圖2所示。

圖2　智能BIT故障診斷系統

3　實例分析

峭度反映了信號概率密度函數峰頂的陡峭程度，它能夠較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。通過構建由均值、峭度、偏斜度組成的三維向量作為故障狀態特征向量，由仿真實驗結果得知其具有一定的可行性，并且測試準確性能得到保證。

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變化，則認為電路為無故障狀態。當電路中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，則認為是該元件發生故障。仿真實驗分析類型為C1↑、C1↓、C2↑、C2↓、R2↑、R2↓、R3↑、R3↓和無故障狀態。其中的↑、↓分別表示該元件故障值高于或低于標稱值的50%，而其他元件工作在容差范圍內。Sallen-Key低通濾波器元件的標稱值、故障值及故障類型如表1。

表1　低通濾波器元件的標稱值、故障值及故障類型

利用神經網絡進行模擬電路故障診斷的步驟如下:

（1）故障信號的預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的仿真，進行20次蒙特卡羅分析并在輸出端獲得相應的狀態輸出波形。這里對電路施加幅值為1 V，頻率為1 kHz的脈沖信號，持續時間為50 μs，對每個狀態模式采集20個狀態響應樣本，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，構造三維向量作為樣本的特征向量。

（2）神經網絡的體系構建設計。根據特征向量的提取結果，選擇3個輸入層感知節點，對于BP神經網絡來說，隱層神經元個數根據性能要求一般選擇10～30之間，本文依據經驗選擇12個，輸出神經元的個數則依據需要診斷的故障類別個數及無故障狀態為9個，神經元激活函數依據分類的要求確定為sigmoid類函數，輸出值為［0，1］區間值，為電路狀態模式識別提供方便。對SOM神經網絡來說，輸入層為3，競爭層依經驗取為6×6=36個神經元，SOM分類準確度與訓練次數有關，參考文獻［7］可設訓練次數分別是10、30、50、100、200、500、1 000、5 000次。對小波網絡來說，選擇基于morlet小波和haar小波的小波神經網絡，進行故障診斷。

（3）神經網絡的訓練和測試。在20個樣本中，15個樣本用來訓練網絡，5個樣本用來測試網絡，以檢驗3種神經網絡故障診斷的正確性和可靠性。

本文分別利用BP神經網絡、SOM神經網絡和小波神經網絡實現模擬電路的故障診斷。由診斷結果可知，以均值、峭度、偏斜度為特征的BP神經網絡能夠很好地識別無故障狀態、R3↓、R2↑、R2↓、C2↑、C2↓、C1↓，而對R3↑和C1↑的識別能力則較差。從測試結果可知R3↑和C1↑對電路的影響類似，因此，可以猜測當出現雙故障時會導致兩個故障元件的影響相互抵消，輸出結果依然處于正常狀態。另外，BP神經網絡的訓練算法選擇RPROP算法，該算法應用于模式識別時，相比于其他訓練速度是最快的［8］。由BP神經網絡的訓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MSE大概是0.01，說明其訓練誤差較大，訓練時間長，達到十幾分鐘。

SOM神經網絡的學習規則是Winner-Take-All，通過SOM神經網絡訓練150個測試樣本。由測試結果可知在9種狀態的分類中，除了C2↑、C1↑的分類會出現交叉，其他7種狀態都能很好地識別。利用網絡對每種狀態的一個樣本進行測試，確定其診斷的可靠性。以上述狀態順序排列，9種狀態激發的神經元的序號為32、15、34、25、30、1、30、3、17。由此可知除了R2↓狀態識別錯誤以外，其他8種狀態都能正確識別。SOM神經網絡學習次數的范圍一般在10～10 000［9］，本文的1 000次訓練只需要兩分零三秒，比BP神經網絡的訓練時間要短。小波神經網絡在以峭度等為特征進行分類時，其分類效果并不明顯，即使訓練次數達到1 000次，依然不能有效地區分這9種狀態。

通過比較小波神經網絡、BP神經網絡和SOM神經網絡，得知以峭度、偏斜度及均值作為特征向量在BP神經網絡和SOM神經網絡中能夠較有效地實現模擬電路故障診斷，而在小波神經網絡中的結果則不是很理想。再比較BP神經網絡和SOM神經網絡，相對而言，SOM神經網絡診斷的可靠性更高，訓練時間短。但存在一個缺點，即訓練次數提高到一定程度后再提高訓練次數已經沒有意義。BP神經網絡則網絡簡單，技術成熟，但其存在局部極小問題，必須給予改善。

另外，本系統將BP神經網絡和SOM神經網絡的診斷識別結果進行決策級融合，然后通過關聯處理，保證參與融合的決策來自同一目標，最后進行決策的融合判決，獲得聯合推斷結果，能夠顯著提高故障診斷的精度。

4　結論

針對某裝備隨動系統模擬電路元件單故障診斷，設計了智能BIT診斷系統，將神經網絡應用到該系統中，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、偏斜度構成的三維特征向量，在BP神經網絡和SOM神經網絡中能夠較為有效地識別故障狀態模式。

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

［2］王志穎.復雜裝備智能機內測試研究［D］.成都:電子科技大學，2010.

［3］溫熙森，徐永成，易曉山.智能理論在BIT設計與故障診斷中的應用［J］.國防科技大學學報，1999，21（1）:97-101.

［4］賈愛梅，梅孝順.基于BP神經網絡的智能BIT故障診斷系統研究［J］.計算機與數字工程，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，周應堂，等.小波神經網絡在模擬電路故障診斷中的應用研究［J］.湖南大學學報（自然科學版），2004，31（4）:38-40.

［7］吳海橋，劉毅，丁運亮，等.SOM人工神經網絡在客機零部件故障診斷中的應用研究［J］.南京航空航天大學學報，2002，34（1）:31-34.

［8］周品.MATLAB神經網絡設計與應用［M］.北京:清華大學出版社，2013:153-192.

［9］焦李成.神經網絡計算［M］.西安:西安電子科技大學出版社，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。