基于B—E神經(jīng)網(wǎng)絡(luò)的起爆裝置故障診斷信息融合研究

戰(zhàn)琳 任建存

摘 要 針對(duì)起爆裝置故障診斷過(guò)程中存在的故障隱含性和突發(fā)性強(qiáng)，發(fā)生故障的具體因子難以篩選等復(fù)雜問(wèn)題，基于D-S證據(jù)理論將BP神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)信息相融合，提出了一種適用于起爆裝置故障診斷的高效方法，可以為起爆裝置故障診斷測(cè)試提供理論依據(jù)和實(shí)用方法。

關(guān)鍵詞 起爆裝置；故障診斷；D-S證據(jù)理論；神經(jīng)網(wǎng)絡(luò)

起爆裝置故障診斷是測(cè)試起爆裝置技術(shù)性能狀態(tài)的重要手段。起爆裝置故障具有隱含性和突發(fā)性強(qiáng)的特點(diǎn)，在故障診斷的過(guò)程中，存在著與發(fā)生故障的關(guān)聯(lián)因素難以篩選確定等復(fù)雜問(wèn)題。目前，故障診斷方法主要是采用故障診斷儀器設(shè)備來(lái)完成的。故障診斷儀器的基本原理是通過(guò)對(duì)組成起爆裝置的每個(gè)部件的性能測(cè)試來(lái)實(shí)現(xiàn)故障診斷的。這種診斷方式往往是通過(guò)人工來(lái)完成的，故障診斷效率較低。為了提高故障診斷效率，采用人工智能技術(shù)和自動(dòng)化測(cè)試技術(shù)成為十分便捷的實(shí)用手段。其中，神經(jīng)網(wǎng)絡(luò)技術(shù)是實(shí)現(xiàn)起爆裝置自動(dòng)化測(cè)試的基本技術(shù)方法。常用的神經(jīng)網(wǎng)絡(luò)都是由不同的神經(jīng)單元按照一定的次序相互連接而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，運(yùn)用神經(jīng)網(wǎng)絡(luò)可以解決起爆裝置故障狀態(tài)的診斷問(wèn)題，但是，單一的神經(jīng)網(wǎng)絡(luò)方法也存在一些缺陷，往往使網(wǎng)絡(luò)辨識(shí)結(jié)果難以反映故障的具體情況。文中，將D-S證據(jù)理論與多神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種高效的故障診斷方法[1]。

1 起爆裝置故障的BP神經(jīng)網(wǎng)絡(luò)辨識(shí)

通過(guò)對(duì)起爆裝置故障狀態(tài)的分析可知，所有的故障構(gòu)成了一個(gè)影響起爆裝置性能的層級(jí)體系，且各個(gè)故障之間又有著復(fù)雜的關(guān)聯(lián)關(guān)系。這說(shuō)明起爆裝置故障診斷符合BP神經(jīng)網(wǎng)絡(luò)技術(shù)多層次且相互關(guān)聯(lián)的適用條件，因此，可以用BP神經(jīng)網(wǎng)絡(luò)對(duì)故障進(jìn)行辨識(shí)。

1.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一個(gè)多層次且相互關(guān)聯(lián)的復(fù)雜網(wǎng)絡(luò)，由構(gòu)成網(wǎng)絡(luò)的神經(jīng)元來(lái)描述各層次變量間的關(guān)系。從宏觀層面可以分為輸入層、隱含層和輸出層三個(gè)層次，其中，隱含層一般是多層的。輸入層與輸出層之間的隱含層是一個(gè)橋接層，同時(shí)也是一個(gè)輸入與輸出的關(guān)聯(lián)層，輸入層傳輸來(lái)的數(shù)據(jù)經(jīng)隱含層處理后輸送到輸出層。也就是說(shuō)，隱含層的變化會(huì)對(duì)同一輸入數(shù)據(jù)處理的結(jié)果產(chǎn)生影響，進(jìn)而影響輸出的結(jié)果，這就說(shuō)明了隱含層會(huì)影響整個(gè)神經(jīng)網(wǎng)絡(luò)的性能。BP神經(jīng)網(wǎng)絡(luò)可以對(duì)數(shù)據(jù)并行分布處理和分布存儲(chǔ)，同時(shí)還具有學(xué)習(xí)訓(xùn)練能力，可以用于處理非線性問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，如圖1所示。

1.2 故障的辨識(shí)過(guò)程

為了研究方便，將故障在隱性狀態(tài)時(shí)表現(xiàn)出來(lái)的情況，稱(chēng)為故障狀態(tài)。當(dāng)故障發(fā)生時(shí)，故障即呈顯性狀態(tài)，此時(shí)表現(xiàn)出來(lái)的情況，稱(chēng)為故障現(xiàn)象。在進(jìn)行起爆裝置故障診斷測(cè)試過(guò)程中，故障一般處于隱性狀態(tài)，難以直觀判斷是什么故障及其所在的具體部位[2]。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)起爆裝置故障狀態(tài)進(jìn)行辨識(shí)，就是要利用故障狀態(tài)的樣本集來(lái)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；當(dāng)通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練發(fā)現(xiàn)故障現(xiàn)象時(shí)，即可根據(jù)網(wǎng)絡(luò)訓(xùn)練結(jié)果對(duì)故障狀態(tài)進(jìn)行分析，最終診斷出是什么故障并判斷故障所在的具體部位。

（1）構(gòu)建故障狀態(tài)樣本集

在進(jìn)行起爆裝置故障診斷測(cè)試的過(guò)程中，一般而言，難以做到將全部的故障一次性地診斷和篩選出來(lái)，因此，應(yīng)構(gòu)建起爆裝置故障狀態(tài)樣本集，該樣本集應(yīng)能夠反映起爆裝置故障的基本狀況。在實(shí)際應(yīng)用過(guò)程中，可以在起爆裝置故障分析的基礎(chǔ)上，通過(guò)故障現(xiàn)象反推故障狀態(tài)的具體情況，然后再具體描述和構(gòu)建故障狀態(tài)樣本集。在運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過(guò)程中，神經(jīng)網(wǎng)絡(luò)不斷從所輸入的起爆裝置故障狀態(tài)樣本集中提取故障狀態(tài)信息，并賦予各個(gè)神經(jīng)單元較為合理的權(quán)重值。

（2）確定輸入輸出層的神經(jīng)單元數(shù)

在起爆裝置故障分析時(shí)，構(gòu)建了故障狀態(tài)樣本集。神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)單元的個(gè)數(shù)可以由起爆裝置故障狀態(tài)數(shù)來(lái)確定，即輸入層神經(jīng)單元的個(gè)數(shù)可以設(shè)定為故障狀態(tài)樣本集中的狀態(tài)數(shù)；神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的個(gè)數(shù)則可由起爆裝置故障診斷測(cè)試時(shí)所確認(rèn)的故障狀態(tài)數(shù)來(lái)確定，即為故障狀態(tài)樣本集已經(jīng)確認(rèn)為故障的狀態(tài)數(shù)。

（3）確定神經(jīng)網(wǎng)絡(luò)權(quán)重值和閾值

為了有效訓(xùn)練網(wǎng)絡(luò)，應(yīng)建立神經(jīng)網(wǎng)絡(luò)的輸入樣本集和期望輸出樣本集，然后，通過(guò)神經(jīng)網(wǎng)絡(luò)，確定神經(jīng)網(wǎng)絡(luò)中各個(gè)神經(jīng)元的權(quán)重和閾值。

（4）訓(xùn)練神經(jīng)網(wǎng)絡(luò)得出辨識(shí)值

從起爆裝置故障分析過(guò)程可以看出，起爆裝置各個(gè)故障狀態(tài)的量綱是不同的，當(dāng)其作為神經(jīng)元輸入神經(jīng)網(wǎng)絡(luò)時(shí)，會(huì)出現(xiàn)量綱不同的情況，因此，要對(duì)神經(jīng)網(wǎng)絡(luò)中故障狀態(tài)數(shù)進(jìn)行無(wú)量綱化和歸一化處理，然后，將其輸入神經(jīng)網(wǎng)絡(luò)。按照起爆裝置故障診斷測(cè)試的要求，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)輸入一個(gè)特定的神經(jīng)單元向量，通過(guò)訓(xùn)練和辨識(shí)后，神經(jīng)網(wǎng)絡(luò)就會(huì)對(duì)應(yīng)于輸入產(chǎn)生一個(gè)輸出值，將輸出值與故障狀態(tài)進(jìn)行比較，這樣就可以辨識(shí)出起爆裝置故障狀態(tài)集中哪些是起爆裝置故障。

從上述起爆裝置故障辨識(shí)過(guò)程可以看出，故障狀態(tài)具有隱性特征，單一依據(jù)起爆裝置故障診斷測(cè)試中的故障狀態(tài)數(shù)來(lái)確定故障，還只是確定了故障現(xiàn)象與故障有關(guān)系，但是，難以直觀確定這些故障狀態(tài)與故障現(xiàn)象所發(fā)生的直接關(guān)系。主要原因在于，起爆裝置故障診斷測(cè)試過(guò)程中故障之間存在著復(fù)雜的關(guān)系。故障診斷的目的是要找到故障發(fā)生的最小故障狀態(tài)集合，以便于實(shí)施故障控制和故障處置?？梢?jiàn)，單一運(yùn)用BP神經(jīng)網(wǎng)絡(luò)來(lái)解決起爆裝置故障診斷問(wèn)題是有缺陷的。

2 起爆裝置故障的Elman神經(jīng)網(wǎng)絡(luò)辨識(shí)

Elman神經(jīng)網(wǎng)絡(luò)是在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展而來(lái)的一種局部回歸網(wǎng)絡(luò)，在結(jié)構(gòu)上與BP神經(jīng)網(wǎng)絡(luò)是基本一致的，但是，Elman神經(jīng)網(wǎng)絡(luò)在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加了一個(gè)延時(shí)的關(guān)聯(lián)層。Elman神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)相比，Elman神經(jīng)網(wǎng)絡(luò)所增加的關(guān)聯(lián)層可以用于描述過(guò)去狀態(tài)的記憶情況，并可以在下一時(shí)刻將過(guò)去狀態(tài)與要輸入的狀態(tài)樣本集進(jìn)行合并然后輸送給隱含層。該網(wǎng)絡(luò)隱含層單元的閾值函數(shù)是非線性Sigmoid函數(shù)，同時(shí)，將網(wǎng)絡(luò)變量映射到[0，1]區(qū)間[3]。

Elman神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)一樣是用于解決非線性問(wèn)題的，其非線性狀態(tài)空間可以描述為：

式中，表示非線性狀態(tài)空間在任意時(shí)刻t的輸出向量，表示時(shí)刻的輸入向量，表示t時(shí)刻隱層的輸出向量，表示t時(shí)刻的關(guān)聯(lián)層輸入向量。表示輸入層與隱層間各個(gè)神經(jīng)單元的權(quán)重值，為隱層與關(guān)聯(lián)層間各個(gè)神經(jīng)單元的權(quán)重值，為隱層與輸出層間神經(jīng)單元的權(quán)重值，則可以得出神經(jīng)網(wǎng)絡(luò)期望輸出結(jié)果與實(shí)際輸出結(jié)果的誤差平方和函數(shù) ：

式中，表示神經(jīng)網(wǎng)絡(luò)期望輸出結(jié)果，表示神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出結(jié)果。

通過(guò)上述分析可知，Elman神經(jīng)網(wǎng)絡(luò)是一種局部回歸的反饋神經(jīng)網(wǎng)絡(luò)。在起爆裝置故障辨識(shí)過(guò)程中，可以較好地滿(mǎn)足Elman神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)性要求，但是對(duì)狀態(tài)樣本及其狀態(tài)樣本數(shù)據(jù)要求的條件則比較苛刻。在故障分析過(guò)程中，故障狀態(tài)樣本的建立往往是不完備的，難以全面獲取故障狀態(tài)的全部信息 ，有些故障數(shù)據(jù)的獲取也是非常困難的，因此，單一運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)仍然難以準(zhǔn)確診斷出起爆裝置的故障所在。將BP和Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合，既可以滿(mǎn)足BP神經(jīng)網(wǎng)絡(luò)的適用條件，又可以滿(mǎn)足Elman神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)性要求，基于D-S證據(jù)理論將BP和Elman神經(jīng)網(wǎng)絡(luò)診斷結(jié)果進(jìn)行融合，可以有效發(fā)揮兩種神經(jīng)網(wǎng)絡(luò)各自的優(yōu)勢(shì)，取長(zhǎng)補(bǔ)短，建立一種B-E起爆裝置故障信息融合與故障診斷決策方法。

3 起爆裝置故障診斷信息的D-S融合

為了實(shí)現(xiàn)BP與Elman的有機(jī)結(jié)合，可以引入D-S證據(jù)理論，該理論是一種不精確推理理論，可以根據(jù)不確定信息進(jìn)行推理，相對(duì)來(lái)講，對(duì)于變量的條件要求較低，主要應(yīng)用于目標(biāo)診斷等領(lǐng)域，能夠較好地滿(mǎn)足多源信息的組合規(guī)則。當(dāng)證據(jù)之間的沖突較小時(shí)，按照已有證據(jù)進(jìn)行推理往往可以準(zhǔn)確推斷出應(yīng)有的結(jié)果；當(dāng)證據(jù)之間沖突過(guò)大時(shí)，如果仍然按照現(xiàn)有證據(jù)進(jìn)行推理則可能會(huì)出現(xiàn)推理錯(cuò)誤。通過(guò)兩種神經(jīng)網(wǎng)絡(luò)分別對(duì)起爆裝置故障的辨識(shí)結(jié)果可以看出，只要加強(qiáng)起爆裝置故障數(shù)據(jù)的統(tǒng)計(jì)分析，認(rèn)真研究起爆裝置的故障規(guī)律，則兩種網(wǎng)絡(luò)辨識(shí)出來(lái)的結(jié)果應(yīng)該具有趨同性。即所得到的證據(jù)之間具有較好的一致性，因此，可以運(yùn)用D-S證據(jù)理論來(lái)對(duì)起爆裝置故障診斷信息進(jìn)行融合，以確定起爆裝置故障的狀態(tài)，進(jìn)而確定故障所在[4]。

在對(duì)起爆裝置故障診斷信息進(jìn)行融合的過(guò)程中，應(yīng)在故障因素分析的基礎(chǔ)上，分別運(yùn)用BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)對(duì)起爆裝置故障進(jìn)行診斷。針對(duì)起爆裝置故障的實(shí)際情況尋找出可能引起起爆裝置故障的征兆、現(xiàn)象、狀態(tài)或行為，構(gòu)建起爆裝置故障狀態(tài)樣本集，然后，將起爆裝置故障狀態(tài)樣本分別運(yùn)用兩種神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，分別用起爆裝置故障狀態(tài)實(shí)例樣本進(jìn)行仿真分析，運(yùn)用故障診斷結(jié)果構(gòu)造D-S概率分配函數(shù)。依據(jù)D-S證據(jù)理論對(duì)診斷結(jié)果進(jìn)行融合，從而準(zhǔn)確診斷出故障所在，如圖3所示。

通過(guò)兩種神經(jīng)網(wǎng)絡(luò)的辨識(shí)，可以得出網(wǎng)絡(luò)辨識(shí)值。基于D-S證據(jù)理論把BP和Elman神經(jīng)網(wǎng)絡(luò)相融合，可以得出幾個(gè)較大的故障狀態(tài)值，其他故障狀態(tài)的值趨于零，由此可見(jiàn)：故障狀態(tài)值較大者所對(duì)應(yīng)的故障狀態(tài)即是故障所在?；贒-S證據(jù)理論將B-E神經(jīng)網(wǎng)絡(luò)辨識(shí)值相融合。

4 結(jié)束語(yǔ)

本文結(jié)合起爆裝置故障診斷工作實(shí)際，基于D-S證據(jù)理論將BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種B-E融合的起爆裝置故障診斷方法。該方法克服了單一運(yùn)用BP和Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行起爆裝置故障診斷中，難以準(zhǔn)確判斷故障所在的缺陷，將兩種神經(jīng)網(wǎng)絡(luò)診斷辨識(shí)值融合，可以準(zhǔn)確診斷起爆裝置的故障所在，提升起爆裝置故障診斷效率。

參考文獻(xiàn)

[1] 李錦榮.電火工品射頻阻抗測(cè)量及其應(yīng)用[J].火工品，1995，（1）：11-14.

[2] Xiang-Fei J I，F(xiàn)eng Q M，Zhao T，et al. Research on RF Dudding Assessment of EED[J]. Initiators & Pyrotechnics，2012，（6）：44-48.

[3] 劉小龍，王牧丁，姜海堅(jiān)，等.基于FPGA 的智能火工品等效器設(shè)計(jì)實(shí)現(xiàn)[J].電子測(cè)量技術(shù)，2012，35（5）：78-82.

[4] 張志巍，陳雷，單體強(qiáng).電火工品發(fā)火信號(hào)波形采樣研究[J].軍械工程學(xué)院學(xué)報(bào)，2011，23（6）：48-50.