艦炮電氣故障神經網絡論文范文

本站小編為你精心準備了艦炮電氣故障神經網絡論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1電路故障知識獲取

一般來說，要獲取一個復雜系統的電氣運行時包括正常或異常狀態下的所有狀態數據，在實際工作中是非常困難的，從某種程度上來講，也是不可取的。例如，艦炮電氣系統既有大規模的模擬電子電路器件，又有數字電路器件，均混合布局在幾個機柜內，電路之間本身復雜的聯鎖控制關系，且可測試點相對少了很多，導致了數據獲取的難度大大增加;同時，在實裝里設置各種各樣的故障來提取這個先驗知識既是難以做到，又具有很高成本。因此，這給艦炮電氣故障的預測帶來了很大的局限性。鑒于電路仿真軟件可以很好地模擬實際電路運行狀態，因此，本文通過電路仿真軟件Multisim10來獲取預測診斷所需要的數據。主要步驟如下［6］:1)電路仿真建模在Multisim10仿真平臺上建立起待分析診斷的電路。該平臺專門用于電路仿真和設計的電子設計自動化軟件，不僅提供了規模龐大的元器件庫，而且允許用戶建立自己的元件庫。這些元器件的參數可以任意修改，從而為故障設置提供了途徑。2)監測點設置Multisim10仿真平臺提供了強大的虛擬儀器功能，利用數字萬用表、示波器、信號發生器等，可為待分析電路進行各種工況下的數據監測和提取。但，非常重要的一點是，監測點設置必須要考慮在實際使用時是可測的點，否則該監測點是無效的。3)工況設置工況設置的目的是建立起監測點電壓和電路狀態的對應關系。這需要在平臺上建立的仿真電路上設置良好狀態和各種各樣的假想故障，可以是部件級，也可以是元器件級。重點是要從艦炮實際工作原理上分析哪些是重要的數據，哪些又是艦炮實際使用過程中出現的常見故障，從而提高數據的利用率。通過上述步驟，即可建立監測點電壓和電路狀態關聯數據庫。以艦炮典型的某供電電路為例(仿真電路見圖1)，通過上述步驟可以獲取到不同工況下的狀態數據。圖1中萬用表XMM1在電源器件LM7812CT設置了一個監測點，示波器XSC1在運放AD741H輸出端設置了一個監測點，當工作正常時，這2個測試點會有正確輸出。倘若相關電路中有線路斷開或器件參數異常或損壞，監測信號可能就會發生變化，這些數據均能保存下來。有關電路仿真及故障知識獲取的具體方法可參見文獻。

2BP神經網絡

在諸多故障診斷數據處理方法中，由于人工神經網絡具有很強的自學習能力、高度的容錯能力、強大的聯想記憶功能、快速的推理能力、大規模分布式并行處理信息功能，是一種值得采用的方法。在人工神經網絡當中，比較常用、結構比較簡單的就是BP神經網絡。BP神經網絡是一種具有3層或3層以上的神經網絡，包括輸入層、隱含層和輸出層，采用的是誤差逆傳播算法，算法流程框圖見圖2所示。隨著這種誤差逆的傳播修正不斷進行，網絡對輸入模式響應的正確率也不斷上升。但是傳統的BP網絡存在著易陷入局部、平坦區的收斂速度較慢和網絡結構參數不易確定等不足，對此也提出了很多的改進算法。為了充分對比各種算法的特點，以選取更為合適的算法，采用了Matlab工具箱提供的函數，在同一神經網絡的拓撲結構、樣本數據和期望誤差設定下，通過各種不同的改進算法，進行了效果對比，如表1所示。由表1可知，在同樣網絡結構情況下，采用基于數值優化方法的LM算法不僅網絡訓練速度最快，而且誤差也比較理想。因此，本文將選用LM算法進行故障的預測與診斷。

3仿真分析

1)網絡樣本選取及參數選擇網絡樣本來自監測點電壓和電路狀態關聯數據庫，取電路的4個檢測點電壓X=［x1，x2，x3，x4］作為BP神經網絡的輸入，取Y=［y1，y2，y3，y4，y5，y6，y7］作為目標輸出向量。其中:y1代表狀態正常;y2代表某線路連接開路;y3代表某電阻燒壞開路;y4代表二極管擊穿后斷路;y5代表某芯片損壞，y6代表某電容容量變小，y7代表某供電電壓變化。仿真中，故障診斷預測模型為3層BP神經網絡，且輸入層神經元節點數N=4，輸出層神經元節點數M=7，隱含層神經元節點數根據公式h=N+槡M+σ可得為3－6間的數，σ為經驗值。2)訓練測試分析通過輸入樣本組(將近500組)對所設計的網絡進行訓練(用trainlm訓練函數訓練)，訓練1000次以后誤差收斂到0．111324e－006，訓練結束。訓練網絡的過程，實際上就是調整網絡參數的過程，具體來說就是確定各個網絡權值。網絡訓練完成后，選取部分已設置的故障現象(70組)和電壓稍有偏差的值(30組)對該預測網絡進行對比分析，得到BP神經網絡的輸出正確率為95．5%，其中，對于已設置的故障現象診斷正確率為100%，對未設置的為83．5%。對未能正確識別的，主要在于沒有先驗知識，和與已知的數據庫中知識存在較大差異。這雖然可以通過增加輸入樣本的數量和樣本數，來提高神經網絡的適應性和魯棒性，且其故障診斷的準確性理論上可以達到100%。但一般來說，先驗知識是不太可能覆蓋到狀態的100%，因此，在實際使用過程中，對于預測失敗的情況可以通過人工校正的方法來對訓練過程中未遇到過的狀態進行學習，使網絡具備學習能力，如此可使神經網絡的故障預測診斷效果更好。

4結論

為實現艦炮的故障預測和健康管理，本文針對艦炮電氣系統的運行機理，利用電路仿真軟件提取了該系統的故障知識，建立了故障診斷專家系統知識庫，并運用BP神經網絡方法完成了該艦炮電氣系統的故障預測。仿真結果驗證了該方法的有效性，取得了較好的診斷預測效果。

作者：王滿林謝道明應文健單位：海裝重慶局東海艦隊裝備部海軍工程大學兵器工程系