BP神经网络在某测试设备故障诊断中的应用_测试系统

论文导读:：因此要时刻确保导弹的测试系统的处于良好状态。神经网络的结构及数学描述。将神经网络引入测试设备的故障诊断中。
论文关键词：测试系统，BP神经网络，故障诊断

 

引 言

系统测试是导弹发射前必要的过程，测试的快速性和有效性直接影响到导弹的正常发射，因此要时刻确保导弹的测试系统的处于良好状态，才能做到对导弹的及时保障。而导弹的测试系统是一个非常复杂的系统，具有系统性强、结构复杂的特点，一旦发生故障很难排查。多层前馈神经网络及其误差向后传播的BP神经网络是目前应用最成功的一种神经网络，本文以导弹伺服机构测试设备的故障为例，将神经网络引入测试设备的故障诊断中，使故障诊断更加方便、快捷，对增强导弹部队的生存能力有着重要意义。

1 BP（Back Propagation）神经网络的结构及学习算法

1.1 BP神经网络的结构及数学描述

标准的BP网络由三层神经元组成，由于三层前向神经网络可以实现以任意精度逼近任意连续函数，所以本文只研究三层.BP神经网络及其学习算法。图1是一个典型的三层前向网络结构图^[1，3]。图中圆圈代表神经元，?（.）是作用函数测试系统，多层前向神经网络的作用函数是sigmoid函数。输入层对应于故障现象，输出层对应于故障原因。设输入层有m个节点，输出层有n个节点，隐含层节点的数目u可根据需要设置。

隐含层中的节点输出函数为

（1）

输出层中节点的输出函数为

（2）

式中，；――输入层输入，也是输入层输出；

――输入层到隐含层间的连接权；――隐含层到输出层间的连接权；

――隐含层的阈值；――输出层单元阈值。

1.2 BP网络的学习算法

BP网络自学习原理^[3-4]：神经网络学习时输出层出现的与事实不符的误差，归结为连接层中各节点连接权及闽值的过错，通过把输出层节点的输出误差逐层向输入层逆向传播以分给各连接节点，可算出各连接点的参考误差，并据此对各连接权进行相应的调整，使网络达到适合要求的输出，实现训练模式对A^（k）--C^（k)(k= 1,2,3......， N)的映射，其中

C^(k)=(C₁^（k),C₂ ^(k),...,C_n^（k))――第k个输出样本

A^(k)=(a₁^(k),a₂^(k),...,a_m^(k))，――第k个输入样本

a_i^(k),c_j^(k)∈R (R为实数域)

概括起来，BP网络的自学习算法如下：

（1）给、、、随机赋一个（0，1）之间的较小值；

（2）将的值输入给输入层节点，输入层节点激活值，依次正向计算、；

（3）计算输出层节点输出与期望输出值的误差；

（4）向隐含层节点反向分配误差

（5）权值调整

式中为学习步长，一般取（0，1）范围内的值；为动量因子，取（0，1）范围内的值。

（6）阈值调整

（7）重复（2）至（6），直至对于，误差变得足够小或者达到规定的训练步数。

2某伺服机构测试系统的故障诊断模型

以某导弹伺服机构为例论文提纲怎么写。伺服机构是导弹重要的组成部分，其所处工作状态的好坏直接关系到导弹能否正常发射，因此伺服机构的测试是保障工作必不可少的内容。伺服机构的测试装置采用的是智能化和自动化程度较高的测试系统，主要由控制机箱、启动机箱、计算机、显示器、打印机等组成测试系统，测试原理框图如下^[2]

伺服机构测试系统故障是与测试步骤、测试动作相联系的，而且故障可归类为指示灯、测试仪表和其他三类中。指示灯涵盖了测试设备所有的指示灯，对于每一个指示灯，故障可分为动作后不亮或不灭，仪表故障可分为无读数或读数出现偏差等，其他故障包括计算机显示错误、数据传输错误等。故障定位网络主要根据以上所述完成故障的定位，它通过对测试信号的判别(在线)或用户的选择(离线)对故障进行分类，其输出对应第二层的输入。第二层网络包括漏电故障、计算机故障、综合测试等诊断网络，它们分别完成各自的故障诊断。每个网络都是一个前馈式网络，包括输入层、隐含层和输出层^[6]。例如，在建立的故障诊断系统的神经子网络中，有一网络，其输入输出符号定义如下表格A:

表格 A

3仿真

根据表A所示，建立神经网络，它具有10个输入神经元，8个输出神经元，隐含神经元数取为10个。分别以x1，x2??x10 为输入矩阵的各行，以x1，x2??x10 的状态0/1为输入矩阵的各列；分别以y1，y2??y10 为输出矩阵的各行，以y1，y2??y10的状态0/1为输出矩阵的各列^[5]。

对应的输入矩阵为：输出矩阵为：

设置训练目标的误差为0.001，最大循环次数为100次，学习效率为0.1，利用MATLAB神经网络工具箱对建立的网络进行训练。图2所示是网络的训练结果，

图2 网络训练图

从图中可以看出，经过23次训练之后测试系统，网络的训练就达到了精度要求。从中选择一样本作为检验样本，输出结果为[0.9995 0.9998 1.0002 1.0000 -0.00011.0001 0.9998 1.0001]，而期望输出为[1 1 1 1 0 1 11]，可以看出网络的诊断结果与实际结果相一致，故障原因节点接近1，非故障原因节点接近0，说明了诊断具有较高的准确性和可靠性。

4 结束语

从以上可以看出，基于BP神经网络的导弹测试设备故障诊断方法可行，通过大量验证，故障诊断识别准确率高达96%。实例表明，诊断的结果是理想、可信的，因此，建立一个基于神经网络的测试设备故障诊断系统，有利于迅速排除测试设备故障，从而提高导弹装备的保障效率。

参考文献：
[1]周春雷，蔡敏.基于BP神经网络的航空故障诊断 .舰船电子工程，2009（10）：163-165.
Zhou Chunlei,Cai Min.Aviation Fault Diagnosis Based onBP Neural Network.Ship Electronic Engineering,2009(10):163-165.