价值工程
0引言
随着武器装备复杂性不断增加，对武器装备维护和故
障诊断提出了更高的要求。近年来，
一些逐渐兴起的智能故障诊断方法，比传统方法能够更加快速，有效的诊断装备故障。
目前，人工智能技术的发展，特别是基于知识的专家系统技术在故障诊断中的应用，使得设备故障诊断技术进入了一个新的智能公发展阶段。传统的故障诊断专家系统虽然在某些领域取得了成功，但这种系统在实际应用中存在着一定的局限性，而人工神经网络技术为解决传统的专家系统中的知识获取，知识学习等问题提供了一条崭新的途径[1][2][3]。
1神经网络模型原理
人工神经网络简称神经网络（Neural Network ），具备并行性、
自学习、自组织性、容错性和联想记忆功能等信息处理特点而广泛用于故障诊断领域，它通过对故障实例及诊断经验的训练和学习，用分布在神经网络中的连接权值来表达所学习的故障诊断知识，具有对故障联想记忆、模糊匹配和相似归纳等能力。人工神经网络在故障诊断中的应用研究主要有三个方面：一是从预测角度应用神经网络作为动态预测模型进行故障预测；二是从模式识别角度应用神经网络作为分类器进行故障诊断；三是从知识处理角
度建立基于神经网络的专家系统[4][5]
。
1．1神经网络基本模型基于神经细胞的这种理论知识，在1943年McCulloch 和Pitts 提出的第一个人工神经元模型以来，人们相继提出了多种人工神经元模型，其中被人们广泛接受并普遍应用的是图1所示的模型[6]。
图1中的x 0，x 1，…，x n-1为实连续变量，是神经元的输入，θ称为阈值（也称为门限），w 0，w 1，…，w n-1是本神经元与上级神经元的连接权值。
神经元对输入信号的处理包括两个过程：第一个过程
是对输入信号求加权和，然后减去阈值变量θ，
得到神经元的净输入net ，即
net=n-1
i =0Σw i x i -θ
从上式可以看出，连接权大于0的输入对求和起着增强的作用，因而这种连接又称为兴奋连接，相反连接权小于0的连接称为抑制连接。
下一步是对净输入net 进行函数运算，得出神经元的输出y ，即y=f （net ）
f 通常被称为变换函数（或特征函数），简单的变换函
数有线性函数、
阈值函数、Sigmiod 函数和双曲正切函数。根据本文的研究特点，变换函数f 取为Sigmoid 函数，即f （x ）=11+e
（-x ）
1．2神经网络知识表示传统的知识表示都可以看作是知识的一种显示表示，而在ANN 中知识的表示可看作是一种隐式表示。在ANN 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。如下所示阈值型BP 网络表示了四条“异或”逻辑产生式规则[7]：
IF x 1=0AND x 2=0THEN y=0IF x 1=0AND x 2=1THEN y=1IF x 1=1AND x 2=0THEN y=1IF x 1=1AND x 2=1THEN y=0基于这种网络知识表示结构，其BP 网络结构如图2所示。
网络通常由输入层、隐层和输出层组成。网络第一层为输入层，由信号源节点组成，传递信号到隐层；第二层为隐层，隐层节点的变换函数是中心点对称且衰减的非负线性函数；第三层为输出层，一般是简单的线性函数，对输入模式做出响应。理论上已证实，在网络隐
——————————————————————
—作者简介：李洪刚（1981-），男，河北石家庄人，硕士，控制工程专
业；郭日红（1982-），男，山西大同人，硕士，测试专业。
装备故障诊断方法研究
Analysis of Fault Diagnosis for Equipment Based on Neural Network System
李洪刚①②LI Hong-gang ；郭日红②GUO Ri-hong
（①军械工程学院，石家庄050003；②中国人民解放军66440部队，石家庄050081）
（①Ordnance Engineering College ，Shijiazhuang 050003，China ；②No.66440Unit of PLA ，Shijiazhuang 050081，China ）
摘要：分析了神经网络故障诊断的特点，构建了神经网络的装备故障诊断模型，克服了传统故障诊断的缺点，并用某型装备故障
的数据进行了验证，结果表明了神经网络诊断故障是一种有效的诊断方法。
Abstract:Characteristics of the neural network and expert system are analyzed.Fault diagnosis for equipment base on neural network is constructed.A weak of the traditional method of fault diagnose is overcome.And availability of the method based on neutral network system is verified by experimental results of one equipment fault.
关键词：神经网络；故障诊断；装备Key words:neural network ；fault diagnose ；equipment 中图分类号：E911文献标识码：A 文章编号：1006-4311（2012）32-0316-02
·316·
Value Engineering
含层节点根据需要庙宇的前提下，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的功能。
对于三层神经网络，其隐层节点和输出层节点输出为：H j =f[N ，L
i=1，j=1
Σw ij x i -θj ]，i=1，2，…，N ；j=1，2，…，L y k =g[L ，M j =1，k =1
ΣT jk H j -λk ]，j=1，2，…，L ；k=1，2，…，M 1．3隐层神经元数神经网络输入和输出神经元个数的确定可以根据实际需求而定，隐层神经元个数的确定对网络的能力也有直接的影响，个数太少，则神经网络的认
知能力较差，影响其收敛程度和泛化能力，个数太多，则增加了计算量，降慢了网络的收敛速度，通常用以下几个公式来确定隐层神经元数：
l =n+m 姨+a ，a ∈[1，10]，p ＜n
i =1
ΣC l
ll
n ，l =log 2n ，l =2n-1/3式中：l 为隐层神经元数；n 为输入层神经元数；m 为
输出层神经元数；p 为样本总数。
2故障诊断实例
以某型装备导弹测试车为例，说明神经网络在装备故障诊断过程中的学习和自适应过程。该装备故障知识表示
如表1所示。
左侧为装备故障征兆，右侧为装备故障原因。图中所示故障征兆与故障原因为对应关系，左侧故障征兆必然由右侧某一或多个故障原因引起。因此，故障征兆为
神经网络的输入，由x 1、
x 2…x 9表示，如表2所示。神经网络接收故障原因后，通过运算、
诊断、判别，最终输出引起某一故障征兆的原因，由y 1、y 2…y 8来表示。
2．1故障诊断流程故障诊断流程如图3所示。根据专家整理的故障征兆、
故障原因知识，对知识进行区别、分类，形成神经网络知识库。并通过已知的学习样本对神经网络进行训练。
故障诊断时，对故障现象进行知识表示，输入诊断系统，经过神经网络运算得出相应故障原因结果，
由系统解释机制最终解释出来，到达输出端，提供给用户。如果系统诊断不到故障原因（即，无解），得出相应的结论，把该结论反馈至知识库存储，并更新网络知识库。针对该型装备，我们选择8个样本进行网络系统训练，其中，x i =0表示无故障现象，x i =1表示故障现象；y j =0表示无故障原因，y j =1表示故障原
因。神经网络训练知识表示样本，如表3。神经网络训练过程中，
通过误差反向传播，不断自动学习，
修改各个节点的连接权值和相应节点的阈值，一旦误差小于规定的ξ时，
网络就会停止训练。网络训练完成后，就可得到固定的连接权值和相应节点的阈值。
2．2故障诊断结果根据网络训练结果进行诊断，把故障征兆输入系统，系统调用已经训练
好的各层的连接权值和相应节点的阀值进行向前计算，最终得出训练结果，由输出端提供给用户。
在实际输出与理想输出之间有差别，实际输出值可以无限
接近理想输出值，但往往不能完全相同。如表4所示。
3结论
本文研究了模糊神经网络的原理和实现形式，提出了基于神经网络的故障诊断系统构建原则，并以某型装备故
障为例，进行了实验。
实验结果表明：人工神经网络故障诊断可以克服以往传统装备故障诊断不足，提高装备故障诊断效率，体现出了重要的意义和价值，代表着一个新的发展方向。
参考文献：
[1]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.
[2]陈维，陈永革，赵强.基于BP 神经网络的装备故障诊断专
家系统研究[J].指挥控制与仿真，
2008，30（4）103-106.[3]王改良，武妍.用入侵的自适应遗传算法训练人工神经网络[J].红外与毫米波学报，
2010，29（2）136-139.
[4]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，2010，174（2）200-206.
[5]王凡重.基于小波神经网络和支持向量机的电机故障诊断
与研究[D].太原理工大学硕士学位论文，2011.[6]王晓垠.基于神经网络和专家系统的智能故障诊断系统研究[D].东南大学硕士学位论文，2005.
[7]朱文龙.基于遗传算法的BP 神经网络在多目标优化中的应用研究
[D].
哈尔滨理工大学硕士学位论文，2009.
·317·
