CN112948163A - 基于bp神经网络的评估设备对功能故障影响的方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的评估设备对功能故障影响的方法，包含以下步骤：1、收集复杂系统的设备组成关系以及具备功能，分别组成设备字符队列和功能字符队列；2、确定单个功能故障与各设备的状态的关系；3、确定组合功能故障与各设备的状态的关系；4、根据步骤3的结果在设备字符队列和功能字符队列的对应位置进行编码；5、以设备字符队列作为输入，功能字符队列作为输出，建立设备‑系统功能矩阵；6、建立GA‑BP神经网络；7、训练系统功能‑设备状态模型；8、求解系统功能‑设备状态模型中输入节点静态权重、设备关联功能数、设备失效率；9、评估设备对功能影响。

Description

基于BP神经网络的评估设备对功能故障影响的方法

技术领域

本发明属于健康管理及故障诊断领域，涉及一种基于BP神经网络的评估设备对功能故障影响的方法，用于实现对复杂系统中每个设备对功能故障的影响度进行评估，找到复杂系统的薄弱环节。

背景技术

对于复杂系统(例如综合射频系统)而言，迅速找到复杂系统中的薄弱环节以及开展故障诊断是一项十分必要的工作，根据找到的薄弱环节设计师可以在设计阶段迅速调整设计，改善薄弱环节，根据故障诊断结果可以使维修人员根据故障发生的现象迅速排查出故障根源所在，大大缩短了排故、定位时间。然而受限于综合射频系统的复杂交联关系、系统包含层级繁琐、故障突发性强、故障特征参数提取困难等情况，通常采用故障树分析方法来确定薄弱环节，但无法形成有效的故障诊断方法，而随着综合射频系统逐步向综合化、通用化、多功能化演进，这无疑会使功能和设备之间的关系更加复杂，薄弱环节的定位以及故障关联设备状态的诊断也会越发困难。与此同时，在开展故障树分析时可以有效建立起系统单个功能与设备的关系。因此，若能在此基础上建立多功能与多设备之间的交联关系，那么在薄弱环节定位以及故障诊断方面均有重大意义。

发明内容

本发明的发明目的在于提供一种基于BP神经网络的评估设备对功能故障影响的方法，用以解决由于交联关系复杂的复杂系统所引起的薄弱环节分析难以确定以及故障诊断困难的问题。

本发明的发明目的通过以下技术方案实现：

一种基于BP神经网络的评估设备对功能故障影响的方法，包含以下步骤：

步骤1、收集复杂系统的设备组成关系以及具备功能，分别组成设备字符队列和功能字符队列；

步骤2、确定单个功能故障与各设备的状态的关系；

步骤3、确定组合功能故障与各设备的状态的关系；

步骤4、根据步骤3的结果在设备字符队列和功能字符队列的对应位置进行编码；

步骤5、以编码后的设备字符队列作为输入，编码后的功能字符队列作为输出，建立设备-系统功能矩阵；

步骤6、建立BP神经网络；

步骤7、将设备-系统功能矩阵放入BP神经网络训练系统功能-设备状态模型；

步骤8、求解系统功能-设备状态模型中输入节点静态权重、设备关联功能数、设备失效率；

步骤9、根据求得的每个设备在功能故障中所占的静态权重、设备关联功能数、设备失效率实现设备对功能影响的评估。

优选地，建立BP神经网络的过程为：根据设备-系统功能矩阵、及输入节点个数、输出节点个数确定BP神经网络拓扑结构并初始化权值和阈值，利用遗传算法GA对初始化权值和阈值进行优化，得到BP神经网络的最优权值和阈值后完成BP神经网络的建立。

优选地，所述步骤9的计算公式为：

R＝Q*W*λ

其中，Q为静态权重设，W为设备关联功能数，λ为设备失效率，R为评估度；

当功能之间存在优先级排序时，设优先级系数为S，那么此时该设备对系统功能故障的影响的评估度度R为：

R＝Q*W*λ*S。

本发明的有益效果在于

1、利用0/1状态对功能和设备进行编码，遍历了系统内功能和设备的所有连接关系，将其利用神经网络建模，有效构建了输入为功能状态，输出为设备状态的系统架构模型。

2、根据训练得到的系统架构模型得到每个设备在训练系统中的权值，根据静态权重、设备关联功能数、设备失效率得到每个设备对应每种功能的贡献值，为系统设计、设备设计、测试点选取提供建设性意见。

3、系统设计阶段建立的模型可以随着研制阶段的开展，不断验证并排除不可能的功能状态组合和设备状态组合来更新训练系统模型，并可以在研制阶段后期转变成系统诊断和健康管理模型。

附图说明

图1为综合射频系统的系统架构示意图。

图2为单个功能故障与设备状态关系。

图3为故障树分析示意图。

图4为BP神经网络创建示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。

本实施例以图1所示的综合射频系统作为复杂系统进行举例说明，本实施例所示的一种基于BP神经网络的评估设备对功能故障影响的方法，根据对复杂系统的功能及组成设备进行编码建立功能状态向量与设备状态向量，并选择BP神经网络以功能状态向量作为输入、设备状态向量作为输出进行训练，将训练得到的模型作为表征系统功能与设备组成关系的系统功能-设备状态模型。根据训练好的模型，确定输入节点的权重值，以及单个设备相关联的功能数，从而实现对复杂系统中每个设备对功能故障的影响度进行评估，找到系统薄弱环节，此外还可以将训练好的模型应用于故障诊断。

本实施例所示的一种基于BP神经网络的评估设备对功能故障影响的方法具体方法如下：

步骤1、收集复杂系统的设备组成关系以及具备功能，分别组成设备字符队列和功能字符队列。

根据综合射频系统的技术文档等确定系统架构、功能、结构及组成设备，系统架构示例如图1所示，如果综合射频系统有X个功能，Y个设备，则功能字符队列有X位，每一位对应一个功能，设备字符队列Y位，每一位对应一个设备。

步骤2、确定单个功能故障与各设备的状态的关系。

如图2所示，根据故障树分析确定系统单个功能故障与系统组成设备的状态之间的关系，示例如图3所示。

步骤3、确定组合功能故障与各设备的状态的关系。

在确认单个功能故障与系统组成设备之间的关系的基础上对多个功能同时发生故障的情况进行分析并确认系统组成设备的状态。依然应用图2的假设那么需要确定经过排列组合的2-n种功能同时发生故障时是否与n个设备的状态相关。

步骤4、根据步骤3的结果在设备字符队列和功能字符队列的对应位置进行编码。

在单功能到多功能状态均与系统设备状态确定关系后对功能状态和设备状态进行编码，由于射频系统及设备尚未有效的技术可以定量连续测量其健康状态，因此用0表示功能正常/设备正常，1表示系统功能故障/设备故障并定义每一位数字表示的功能或者设备。比如功能编码00 1010 0001表示是第一种、第六种、第八种功能同时发生故障。设备状态编码0000 1000 1000 0100 0001表示某功能组合故障与第一个、第七个、第十二个、第十六个设备相关。

步骤5、以编码后的设备字符队列作为输入，编码后的功能字符队列作为输出，建立设备-系统功能矩阵。

根据组合功能状态与设备状态关系将上一步中的编码一一对应起来，并形成可供后续训练的输入与输出之间的映射关系如下所示：其中X₁₁～X_nn/Y₁₁～Y_nn根据相应的状态取值0或者1。

步骤6、建立BP神经网络。

对于系统功能-设备建模方面，数据驱动是目前主流的研究方向，而运用机器学习更是目前常用来进行数据驱动建模的方法，在机器学习中SVM和神经网络是常用来建模的方法，但本发明中讨论的情况是多功能和多设备之间的交联关系，而SVM输出为单个，与提出的问题不太相符，因此选择神经网络来构建功能-设备模型。BP神经网络是目前较为流行且有效的神经网络方法，它不但可以避免讨论复杂系统内部交联的逻辑关系，还可以通过负反馈机制使训练出来的模型不断收敛。不过BP算法具有计算量小和并行性强的优点，与此同时BP神经网络存在收敛速度慢，学习效率低，极易陷入局部最小值的问题因此本发明采用遗传算法进行建模实现故障诊断和评估设备在系统中的重要度。如图4所示，根据设备-系统功能矩阵、及输入节点个数、输出节点个数确定BP神经网络拓扑结构并初始化权值和阈值，利用遗传算法初始化种群确定初始种群及相关遗传参数并进行遗传操作，直到输出经过遗传算法优化后的最优权值和阈值。

步骤7、训练系统功能-设备状态模型。

将设备-功能编码一一对应起来，其中设备状态作为输入，功能状态作为输出，经过数据预处理放入BP神经网络中进行训练，当达到预定目标值时结束训练。

步骤8、求解系统功能-设备状态模型中输入节点静态权重及设备关联功能数。

求解输入节点静态权重：在经过训练后系统功能-设备状态模型具备稳定的状态，相关神经网络参数均已储存起来，且不再发生改变，此时通过程序读取储存的输入节点的权重，即为静态权重设为Q，然后计算每个设备所关联的功能数W，设备失效率为λ。那么对该设备对系统功能的影响度进行评估，评估度为R。

R＝Q*W*λ

当功能之间存在优先级排序时，设优先级系数为S，那么此时该设备对系统功能故障的影响的评估度度R为：

R＝Q*W*λ*S

步骤9、评估设备对功能的影响。

根据求得的每个设备在功能故障中所占的权重，以及每个设备所关联的功能故障数、设备本身的失效率实现设备对功能影响的评估。

Claims (3)

1.一种基于BP神经网络的评估设备对功能故障影响的方法，其特征在于包含以下步骤：

步骤1、收集复杂系统的设备组成关系以及具备功能，分别组成设备字符队列和功能字符队列；

步骤2、确定单个功能故障与各设备的状态的关系；

步骤3、确定组合功能故障与各设备的状态的关系；

步骤4、根据步骤3的结果在设备字符队列和功能字符队列的对应位置进行编码；

步骤5、以编码后的设备字符队列作为输入，编码后的功能字符队列作为输出，建立设备-系统功能矩阵；

步骤6、建立BP神经网络；

步骤7、将设备-系统功能矩阵放入BP神经网络训练系统功能-设备状态模型；

步骤8、求解系统功能-设备状态模型中输入节点静态权重、设备关联功能数、设备失效率；

步骤9、根据求得的每个设备在功能故障中所占的静态权重、设备关联功能数、设备失效率实现设备对功能影响的评估。

2.根据权利要求1所述一种基于BP神经网络的评估设备对功能故障影响的方法，其特征在于建立BP神经网络的过程为：根据设备-系统功能矩阵、及输入节点个数、输出节点个数确定BP神经网络拓扑结构并初始化权值和阈值，利用遗传算法GA对初始化权值和阈值进行优化，得到BP神经网络的最优权值和阈值后完成BP神经网络的建立。

3.根据权利要求1所述一种基于BP神经网络的评估设备对功能故障影响的方法，其特征在于所述步骤9的计算公式为：

R＝Q*W*λ

其中，Q为静态权重设，W为设备关联功能数，λ为设备失效率，R为评估度；

当功能之间存在优先级排序时，设优先级系数为S，那么此时该设备对系统功能故障的影响的评估度度R为：

R＝Q*W*λ*S。

Images