基于故障树与神经网络结合的故障诊断专家系统研究

基于故障树与神经网络结合的故障诊断专家系统研究

赵继勋谢兴文寸现才

赵继勋谢兴文寸现才

77626部队西藏拉萨851400

[摘要]本文介绍了基于故障树模型的故障诊断技术和基于神经网络的故障诊断技术，并将两种技术相互融合，取长补短，以某型装备控制系统为例进行了实例分析，说明了故障树和神经网络的集成故障诊断思想的合理性和有效性。

[关键词]故障树；神经网络；专家系统

1引言

故障诊断专家系统（FDES）是根据对症状的观察与分析，推断故障所在，并给出排除故障方案的系统。从智能诊断的发展来看，单一的诊断知识表示方法、推理方法、诊断方法等不能很好地解决实际问题。本文根据某型装备控制系统故障特征参数多、诊断复杂的特点，提出了面向故障树的知识表示方法，可找出所有故障及可能故障的部件，对可能故障的部件，在存在大量故障样本的情况下，可采用基于神经网络模型的学习诊断最终进行故障源定位。

2基于故障树的诊断

基于故障树的故障诊断方法

故障树分析法(FaultTreeAnalysis，FTA)是目前比较常用的、有效的可靠性分析和故障诊断方法，它是指导相关人员进行系统设计、薄弱环节分析和运行维修的有力工具。

这种方法既能分析硬件本身的故障影响，又能分析人为因素、环境以及软件的影响.不仅能对故障产生的原因进行定性分析，找出导致系统故障的原因和原因组合，确定最小割集和最小路集，识别出系统的薄弱环节及所有可能失效模式，还能进行相关评价指标的定量计算，根据各已知单元的故障分布及发生概率，求得单元概率重要度、结构重要度、关键重要度和系统失效概率等定量指标。

火控计算机及传感器分系统典型故障树

本文根据系统结构、功能与故障的逻辑关系建立故障树。首先从结构上将控制系统分解为系统级、子系统级以及单体（或称基本构件）级，根据二级维修的要求，故障诊断定位到电路板或对二级维修不可分割的单体（基本构件）。基本构件上发生的故障称为底事件，然后以各分系统故障现象为顶事件建立故障树，得到以顶事件为“根”，中间事件为“枝”，底事件为“叶”的倒立的故障树。以计算机及传感器分系统中计算机出现工作紊乱的典型故障树为例，其故障树择段如图1所示。

图1计算机故障树择段

基于故障树诊断的知识表示

在建立故障树之后，需要选择合适的知识表达方法，将故障树中的专家知识用计算机能够接受的形式表示出来。基于故障树模型的常用知识表示方法有：产生式规则表示、框架结构表示、模糊矩阵表示及面向对象表示等。产生式规则表示法是目前最常用的知识表示方法，符合人们的思维习惯，有利于知识的清晰表达，规则具有模块性，易于增加、删除和修改。本故障诊断专家系统采用产生式规则的知识表达方法。根据故障树的不同结构，最基本的规则形式有AND和OR两种。对于某一具体的故障树，首先根据节点的不同层次对其进行编号，如F、Fi、Fij等。然后自顶向下根据逻辑关系的不同运用AND和OR两种规则完成知识表示。

3BP网络的缺陷分析及优化策略

(1)隐层节点数的优化

隐层节点数的多少对网络性能的影响较大，当隐层节点数太多时，会导致网络学习时间过长，甚至不能收敛;而当隐节点数过小时，网络的容错能力差。利用逐步回归分析法并进行参数的显著性检验来动态删除一些线性相关的隐节点，节点删除标准:当由该节点出发指向下一层节点的所有权值和阈值均落于死区(通常取±0.1、±0.05等区间)之中，则该节点可删除。最佳隐节点数L可参考下面公式计算:

L=(m+n)1/2+c(8)

m--输入节点数;n--输出节点数;c--介于1-10的常数。

(2)算法优化

由于BP算法采用的是梯度下降法，因而易陷于局部最小并且训练时间较长。因此采用动量法和可变学习速度法对BP算法进行改进，另外可用Levenberg-Marquardt方法或免疫遗传算法IGA取代传统的BP算法来克服此缺点。

4故障树与神经网络结合的故障诊断技术及应用实例

故障树模型中的底事件集分为3部分，即必然故障源集、可能故障源集和正常底事件集。在诊断过程中，容易产生信息不确定性，而对于大型故障树其搜索时间和空间必然显著增加。

为了解决故障树诊断中可能故障源产生的信息不确定性，提高诊断速度，一些故障诊断可采用神经网络方法。神经网络的训练样本来源于同类型诊断对象在正常运行和带故障运行时的各种特征参数。

当我们采用故障树模型判断图1中XP1-5故障和倾斜传感器-4故障时，由于测量点所得数值十分接近，难以给出唯一确定故障源，只能给出两种可能的故障源，造成信息不确定。下面对控制系统中计算机故障树用神经网络进行检测(故障分类)。其测试编码、故障编码分别如表1所示，其中故障0表示无故障状态。

表1故障编码

故障号测试编码故障编码

0111111000000

1010000100000

2100000010000

3110000001000

4111000000100

5111100000010

6111110000001

此时网络采用输入层6个神经元对应6个测试点，输出层6个神经元，隐层15个神经元，隐层神经元采用tansig作用函数，输入、输出层采用purelin作用函数。

5结论

故障树和神经网络是两种不同的故障诊断技术，本文利用两种技术各自的特点，取长补短，相互融合构建了本火控故障诊断专家系统，在存在大量训练样本的情况下，基于神经网络模型的学习诊断，可弥补基于故障树模型诊断的不足，两者的结合，可实现故障源的准确定位。

参考文献

[1]维齐利WE.故障树手册[M].疏松桂，唐信青译.北京:原子能出版社，1987:116-135.

[2]陈树越，余红英，刘广璞.BP网络算法及其在故障诊断中的应用述评[J].振动、测试与诊断，2001，21(2):100-107.