基于模糊神经网络的自动驾驶仪故障诊断研究

作者:杨立耀;白云;何广军 刊名:弹箭与制导学报 上传者:刘辉

【摘要】根据导弹自动驾驶仪的组成结构、功能原理及维修专家的实际经验,结合模糊理论推理能力和神经网络学习的能力提出模糊神经网络故障诊断方法。该方法同时具备了模糊理论的处理不确定和不准确信息的能力和神经网络的自学习能力,有效地提高故障诊断的技术水平。最后结合某型导弹自动驾驶仪故障诊断特点,给出仿真试验,证明了该方法的有效性。

全文阅读

1引言自动驾驶仪是导弹控制系统的重要组成部分,一旦某一部位发生故障,将会引起整个导弹在整个飞行过程中不受控,并最终关系到导弹飞行的成败。导弹技术准备的目的之一就是对自动驾驶仪的工作性能进行全面检测,发现隐患,排除故障,使之满足技术条件要求。新型的导弹采用了自动化测试设备,使自动驾驶仪的检测实现了自动化。自动化测试设备的优点是缩短了技术准备时间,避免了手动误操作,提高了测试的安全性,但遇到驾驶仪故障时自动化测试设备就无能为力,使自动化测试设备的使用受到了局限。模糊诊断模型是在故障诊断领域运用比较成功且具代表性的诊断模型,该模型比较成功地描述了故障诊断实际。同时人工神经网络以其强有力的学习和并行处理能力在故障诊断领域迅速兴起。人工神经网络本意是模拟人脑结构去反映客观世界以解决客观世界的问题。然而,目前的神经网络,仅能做到故障征兆特征空间与故障模式空间之间的非线性映射,泯灭了故障诊断的技术内容和内在实质。把模糊诊断和神经网格实现快速简单的计算,将使故障诊断技术提高一步。2模糊神经网络构造2.1模糊神经网络结构[1]模糊神经网络的故障诊断方法是将模糊逻辑和神经网络技术结合起来,模糊神经网络是由两个或两个以上模糊神经元相互连接形成的网络。模糊神经网络通过将BP神经网络进行模糊化处理,保留其网络结果,将神经元进行模糊化处理,使神经元从单纯处理数值数据进化到可以处理模糊信息数据。文中采用一种4层结构的模糊神经网络结构,其结构如图1所示。图1模糊神经网络结构该网络的第1层为输入层。输入层的每个神经元对应一个输入变量,这一层的神经元直接将输入数据传给第2层神经元,其权值为1。第2层为模糊量化层。用于将输入的连续变量值根据定义的模糊子集上的隶属度函数进行模糊化处理,将输入的连续数值转换成相应的隶属度,从而实现模糊化处理。第3层为模糊神经网络的隐含层。作用相当于前向反馈神经网络中的隐含层,用于实现输入变量模糊值到输出变量模糊值的映射,其节点数根据实际情况来确定。隐含层激活作用函数为Sigmoid()函数。第4层为输出层。输出层的节点分别对应于自动驾驶仪的异常故障,各输出节点输出模糊数值大小代表该故障发生的可能性。2.2隶属度函数用模糊数学的隶属度函数来描述故障的表征现象或发生可能性。在模糊故障诊断领域中一般通过故障征兆的隶属度来求出各种故障的隶属度,隶属度是指收集到数据特征对于被测系统发生故障的隶属程度。假设观测到自动驾驶仪故障征兆样本为X(x1,x2,…,xn),同时得出此样本中各分量元素xi对征兆i的隶属度,则将X中的各元素转换成隶属度,就构成了故障征兆模糊向量:FX=(x1,x2,…,xn)(1)其中xi(i=1,2,…,n)是对象具有征兆xi的隶属度。又假设该征兆样本是由故障原因Y产生的,Y对各种故障原因的隶属度为UYi(y),则构成了故障原因模糊向量:FY=(y1,y2,…,ym)(2)其中yi(i=1,2,…,m)是对象具有故障yi的隶属度。自动驾驶仪的同一种故障征兆可能对应着多种故障原因。同一故障原因,又对应着多种故障征兆,所以原因与征兆之间存在着错综复杂的关系。为了能够从征兆中诊断出原因,需要预先定出故障原因与征兆之间的隶属程度。模糊隶属度函数与实际情况的符合程度直接影响诊断的结果。因此如何确定隶属度函数是整个故障诊断的关键。在故障诊断中常用的确定隶属度函数的方法有:1)模糊统计法模糊统计法的基本思想是对论域U上的一个确定元素是否属于论域上的一个可变动的清晰集合A作出清晰的判断。模糊统计法的计算步骤是:在每次统计中,v0是固定的,A的值是可变的,作n次

参考文献

引证文献

问答

我要提问