GA-BP网络在反后坐故障诊断中的运用

吴军，张相炎

（南京理工大学机械工程学院，江苏南京 210094）

0 引言

反后坐装置是火炮重要组成部分，它的性能直接影响到火炮射击的安全性，同时还影响火炮的射速和精度。据统计，反后坐装置故障率较高，占火炮总故障的30%～40%。如何快速、正确地进行火炮反后坐装置性能检测与故障诊断，对部队火炮技术保障具有重大意义。

目前，神经网络诊断技术作为智能诊断技术之一，为故障诊断问题提供了一种新的解决途径。在故障诊断的应用中，神经网络能准确、快速地判断故障类型和原因，对及早发现和排除故障发挥了很好的作用。BP神经网络具有高度的并行分布式、联想记忆、自组织、自学习、容错能力强的非线性映射能力，尤其适用于故障诊断。故应用神经网络进行反后坐装置的故障诊断，能准确、快速判断故障类型和原因，对及时准确处理火炮反后坐故障具有重要的意义。

1 GA－BP神经网络原理

BP神经网络是一种多层前馈型神经网络，S型函数是神经元的传递函数，输出为0到1的区间数，实现输入与输出之间的非线性映射。Back Propagation算法实现权值的调整。

BP神经网络故障诊断的基本思想是:以故障特征作为神经网络输入X，诊断结果作为神经网络输出Y。用已有的故障诊断征兆和诊断结果对神经网络进行训练，使神经网络通过权值和阀值记忆故障征兆与诊断结果之间存在的对应关系;然后将得到的故障征兆加到神经网络的输入端，就可以利用训练后的神经网络进行故障诊断，并得到相应的诊断结果。

GA-BP算法就是在BP算法之前，先用GA在随机点集中遗传出优化初值，以此作为BP算法的初始权值，再由BP算法进行训练。

2 火炮后坐、复进运动模型

火炮射击后在炮膛合力作用下先进行后坐运动，并在规定距离内停止，然后再复进运动，恢复射前位置。其后坐、复进运动微分方程组［1］为:

式中，X为后坐位移;v为后坐速度;ζ为复进位移;U为复进速度;DT为制退杆活塞套直径;dg为节制环孔直径。其他各参数含义和表达式参见文献［1］。

3 火炮反后坐故障机理分析

火炮反后坐装置故障现象主要表现为后坐过长、后坐过短、复进过猛与复进不足4种，反后坐装置故障主要原因为反后坐装置气、液量不正确及零件磨损。复进机故障主要是气、液量不正确，可以根据复进机气压、后坐位移和速度参数来判断其故障原因;制退机故障主要为制退机漏液、节制环磨损、制退杆活塞套磨损。由于无法直接测出制退机内的漏液量和节制环、制退杆活塞套的磨损量，故很难直接从测试数据来判断制退机故障原因，但可以根据后坐位移与速度、及复进速度间接来判断制退机故障原因。

由上述可知，制退机液量VZ、节制环孔径dg、制退杆活塞套直径DT与后坐位移X、后坐速度v、复进速度Vf之间具有非线性函数关系。因此，本文针对制退机故障采用神经网络进行诊断，具体诊断思路为:寻找制退机漏液量△VZ、节制环磨损量△dg、制退杆活塞套磨损量△DT，代入数学模型计算后坐位移X、后坐速度v、复进速度Vf。以计算值作为GA-BP网络的训练样本，训练神经网络。选取一组测试值（X，v，Vf）对GA-BP网络进行验证，以此来评估建立的GA-BP网络在火炮制退机故障诊断中的准确性。

4 GA－BP网络仿真

4.1 训练GA－BP网络

由于火炮制退机故障诊断传统主要是凭借专家建言进行判断，并没有积累大量的实际故障数据，因此本论文在不影响GA-BP网络诊断方法准确性条件下，忽略实际影响因素，采取理论计算值作为神经网络训练样本，具体方法为:设定取值范围ΔVZ（0～5L）、Δdg（0～1.25mm）、和ΔDT（0～0.6mm），分别均匀选取6个数据，组成216组数据，在matlab中建立制退机运动数学模型，计算得后坐位移X、后坐最大速度vmax、复进到位速度Vf end，由此组成GA-BP网络的训练样本。

根据训练样本，应用matlab编程，建立GA-BP网络，设定该网络具有3个输入，10个隐单元，3个输出，训练函数取trainlm;利用遗传算法优化后的权值和阀值对BP网络训练。

用遗传算法优化BP网络的权值和阀值，本文设定初始种群Pop=60，遗传迭代数gen=200，用initializega函数初始化种群。其遗传算法误差平方和曲线，适应度曲线分别为图1、图2。

由图1和图2可以判断，随着遗传迭代数的增加，遗传平方误差和逐渐趋向于0，而适应度不断趋向于1，说明遗传算法对于BP网络的优化有着明显的效果。

图1 误差平方和曲线

图2 适应度曲线

4.2 仿真结果分析

用GA-BP算法训练建立的神经网络，其网络训练目标曲线如图3。根据网络训练曲线可以判断GA-BP算法进行了107步收敛到制定精度εBP，耗时为15.37s。

图3 GA－BP网络训练曲线

为了验证GA-BP神经网络的有效性，通过采取理论计算值来作为网络输入值。本文以某炮故障节制环磨损为实例分析:设定ΔVZ为 0L，Δdg为 0.2825mm，ΔDT为0mm，代入数学模型计算得后坐位移X为0.7351m，后坐最大速度vmax为11.4148m/s，复进到位速度Vf end为1.1972m/s，以此作为GA-BP网络测试输入样本，表1为 诊断结果。

表1 GA－BP网络诊断结果

根据表1数据结果分析，理论输出值与实际输出值误差较小，诊断结果正确。由网络输出与诊断结果可以清晰地辨明各种故障原因，表明GA-BP网络性能良好。

5 结语

针对火炮制退机结构复杂，故障与征兆之间的关系难以建立精确地数学模型的实际，本文应用人工神经网络的故障诊断方法，建立了GA-BP网络模型。结果表明其理论输出值和网络输出值相符合，表明GA-BP网络诊断方法在自行火炮制退机故障诊断中是可行的。另外，随着人工智能技术的发展，类似于GA-BP网络诊断技术对于解决复杂的机电液气一体化复杂设备的故障时非常有效的。

［1］高树滋，陈运生，张月林，等.火炮反后坐装置设计［M］.北京:兵器工业出版社，1995.

［2］原情，贺新锋，刘湘崇.遗传算法和神经网络在导弹测试设备故障诊断中的应用研究［J］，测试技术学报，2002（16）:702-706.

［3］邓竞.浅谈遗传算法原理在神经网络优化中的应用［J］，科技信息，2011（27）:39-40.

［4］卢华强，徐桃，夏天凉.模糊神经网络在多冲液压系统故障诊断中的应用［J］.苏州大学学报，2011，31（1）:17-20.

［5］杨超，王志伟.遗传算法和BP网络在电机故障诊断中的应用研究［J］，噪声与振动控制，2010，5:153-157.

［6］郭晓婷，朱岩.基于遗传算法的进化神经网络［J］，清华大学学报，2000，VoL.40，No.10.