基于GRNN神经网络的电子装备状态预测方法研究∗

陈 平 魏玉人

（1.中国人民解放军91827部队 威海 264200）（2.中国人民解放军南部战区海军参谋部 湛江 524001）

1 引言

随着军队信息化建设的不断发展，电子装备在舰艇上的部署和应用越来越广泛，对于提高部队的作战指挥效能发挥了重要作用。电子装备健康状态的自动检测与故障诊断是目前研究的一个热点问题。从当前的实践来看，电子装备的状态检测大多依赖人工经验，往往在装备出现实际使用问题或故障后才进行检查维修，如果装备在执行任务或其它紧急场合发生故障时，对问题的排查和修复则需要消耗大量时间和精力［1］，对任务的顺利遂行造成不利影响。实际上，电子装备的健康状态往往是一个逐渐变化的过程，随着使用时间增长各参数项都在发生着变化，并最终导致故障发生［2～3］。因此，对装备状态进行实际监测，根据其变化规律可以预测出将来可能产生的故障，做到提前维护，从而延长装备的使用寿命并更好地发挥其效能。

为更好地解决舰艇电子装备的状态预测问题，本文利用连接到装备的传感器所采集的状态参数，基于GRNN神经网络建立起电子装备的状态预测模型，对其进行训练和测试，最终达到准确预测电子装备状态即可能发生的故障的目的。

2 GRNN神经网络

人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，它是一个由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统［4］。

广义回归神经网络（General Regression Neural Network，GRNN）是以估计器理论为基础，由D.F.Specht于1991年提出的，是径向基函数网络的一种变化形式［5～7］。GRNN建立在径向基函数网络和非参数回归基础上，具有良好的非线性逼近性能，可用于解决拟合回归、模式识别、分类识别等问题中。GRNN网络具有连续函数逼近性能好、分类能力好、学习过程收敛速度快等优点，应用于电子装备的状态预测问题中，可以有效根据现有的装备状态和故障数据进行学习并做出预测。

GRNN的结构一般由输入层、隐含层和输出层组成。输入层将输入变量传入隐含层；隐含层以欧式距离函数（||dist||）为权值函数来计算输入与第一层的权值 IW1，1间的距离，以b1为阈值，以径向基函数为传递函数（通常采用高斯函数）；第三层为线性输出层，其权函数为规范化点积权函数（nprod），计算网络的向量为n2并将其提供给线性传递函数a2=purelin(n2)以计算网络输出［8］。GRNN网络结构如图1所示。

图1 GRNN结构

3 基于GRNN网络的电子装备状态预测模型

电子装备的状态预测模型主要分为数据信息采集和状态预测两部分，通过对电子装备各分系统和设备信号传递的正确性检查，系统控制与装备的工作协调性检查，实现对各设备接口信号的实时采集与检测，进而实现故障的自动诊断与处理。

3.1 模型构成

电子装备状态预测模型主要由数据采集、数据库和计算机处理三部分组成。数据采集部分主要采用传感器和数据采集卡等硬件设备和数据处理软件完成电子装备状态参数的采集和预处理。数据库模块中储存状态参数、故障信息等训练数据以及故障解决方案［9］。计算机处理模块主要由GRNN神经网络和专家系统构成，完成对状态参数等数据的分析处理，输出故障可能和对应解决方案。电子装备状态预测模型结构如图2所示。

图2 电子装备状态预测模型结构图

3.2 数据采集和预处理

数据采集通过电子装备内部自检以及外接传感器、数据采集卡等实现。现代舰船电子装备的操作检测机内一体化设计使得其自身可以实时检测监控状态信息，对于机内不能自动检测的状态信息则通过接入传感器的方式检测状态参数，获得对应模块器件的电压、温度、湿度等数据信息，最后通过数据采集卡完成信号的转换并传入计算机中［10］。在计算机中完成信号的预处理，对采集的原始数据进行分类整理和归一化操作，形成标准的状态参数信息以作为状态预测的输入。

3.3 基于GRNN网络的状态预测

状态预测模型中采用GRNN神经网络进行状态预测。首先以电子装备的各状态参数作为输入，以电子装备各模块可能发生的故障作为输出建立GRNN网络，每一个输出变量取值为0～1之间，表示该故障可能发生的概率。根据现有装备的状态及已知的故障特征作为训练数据，对建立的神经网络进行训练不断优化网络内部结构和参数权值。

针对要进行预测的特定装备，输入其状态参数信息，获取GRNN网络对应的输出向量，表征该装备目前的运行状态和可能发生的故障，将输出向量输入对应装备的故障维护数据库检索获得维护或检修方案。

3.4 装备状态信息数据库

该数据库负责记录电子装备在不同工作状态下（包括正常状态与各模块发生各种类型故障的状态）的各状态参数信息，为GRNN网络提供训练数据。数据库中的信息由装备制造厂家提供，同时在装备的使用过程中通过操作人员的记录也可以不断为数据库增添新的记录以不断提高GRNN网络的训练精度［11］。

3.5 装备故障维护数据库

装备故障维护数据库记录电子装备各故障的维护处理方法，数据由电子装备生产厂家以及相关专家提供。根据此数据库建立专家系统［12］，输入故障问题后计算机可根据数据库中的信息进行分析判断，自动检索解决方案并反馈给用户。

4 模型仿真分析

为验证模型的预测能力，选取模拟某一型电子装备状态参数与故障信息数据，利用Matlab进行仿真。输入为接口、通信芯片、DSP、存储器、电源等电路的电压、电流、电阻、温度参数数据，经标准化处理后数据的值为0～1之间。输出为密码模块各类故障概率，包括接口故障、芯片损坏、电路短路、电源烧毁、算法丢失损坏等。

将基于GRNN神经网络的预测模型与普通的BP神经网络、RBF神经网络［4］的预测结果进行比较，分别利用Matlab产生GRNN、RBF和BP神经网络，从现有的150组数据中随机选取其中120组作为训练数据对它们进行训练。将其余30组数据输入训练好的网络并比较输出，分析比较不同神经网络对状态的预测效果。不同神经网络的预测误差如图3所示。

图3 基于GRNN网络预测与RBF神经网络预测的平均概率误差比较

从图3中显示，基于GRNN神经网络的预测模型的预测结果误差最小，精度最高。其他两种神经网络的预测结果均存在多处预测不准确的地方，三种神经网络模型的预测结果如图4～图6所示。

图4 基于GRNN网络预测结果

图5 基于RBF网络预测结果

图6 基于BP网络预测结果

由图4～图6可见，基于神经网络的电子装备状态预测模型能够对装备的状态和可能产生的故障做出预测，在实际数据和经验训练下预测结果具有可信度，能够减轻维护人员的检测负担。由三种不同神经网络预测结果的对比分析可知，基于GRNN神经网络的预测结果较RBF和BP神经网络的预测效果更好，出现预测失误的可能更小。

5 结语

利用GRNN神经网络建立电子装备的状态预测模型，通过传感器采集的装备状态参数，利用GRNN网络预测装备可能产生的故障类型。通过仿真实验分析，表明模型具有较好的预测能力，可以有效作出故障诊断，减轻维护人员的负担。基于GRNN网络的状态预测模型具有以下优点：

1）预测过程基于神经网络运算，速度快，效果好，可以实现电子装备状态的实时监控和预测，实时追踪发生故障的可能性，及时发现可能出现的问题并提前进行解决处理。

2）神经网络的训练数据基于电子装备的设计厂家和大量的实际使用案例，可靠度高，具有良好的客观性，利于使网络参数达到最佳预测效果。

3）基于神经网络的特点，预测过程中可充分考虑不同模块之间参数的相互影响，使故障定位更加精准。

下一步工作将进一步提升状态预测模型的性能，使预测更加精准，故障定位更加准确，同时加强对专家数据库的分析检索能力，智能地提出电子装备的维护检修方案。