摘要：分析了神经网络故障诊断的特点，构建了神经网络的装备故障诊断模型，克服了传统故障诊断的缺点，并用某型装备故障的数据进行了验证，结果表明了神经网络诊断故障是一种有效的诊断方法。Abstract：Characteristicsoftheneuralnetworkandexpertsystemareanalyzed.Faultdiagnosisforequipmcntbaseonncuralnetworkisconstructed.Aweakofthetraditionalmethodoffaultdiagnoseisovercome.Andavailabilityofthemethodbasedonneutralnetworksystemisverifiedbyexperimentalresultsofoneequipmentfault.关键词：神经网络；故障诊断；装备Keywords：neuralnetwork；faultdiagnose；equipment中图分类号：E911文献标识码:A文章编号:1006-4311(2012)32-0316-020引言随着武器装备复杂性不断增加，对武器装备维护和故障诊断提出了更高的要求。近年來，一些逐渐兴起的智能故障诊断方法，比传统方法能够更加快速，有效的诊断装备故障。目询，人工智能技术的发展，特别是基于知识的专家系统技术在故障诊断中的应用，使得设备故障诊断技术进入了一个新的智能公发展阶段。传统的故障诊断专家系统虽然在某些领域取得了成功，但这种系统在实际应用中存在着一定的局限性，而人丁神经网络技术为解决传统的专家系统中的知识获取，知识学习等问题提供了一条崭新的途径[1][2][3]o1神经网络模型原理人工神经网络简称神经网络(NeuralNetwork),具备并行性、自学习、自组织性、容错性和联想记忆功能等信息处理特点而广泛用于故障诊断领域，它通过对故障实例及诊断经验的训练和学习，用分布在神经网络中的连接权值来表达所学习的故障诊断知识，具有对故障联想记忆、模糊匹配和相似归纳等能力。人工神经网络在故障诊断中的应用研究主要有三个方面：一是从预测角度应用神经网络作为动态预测模型进行故障预测；二是从模式识别角度应用神经网络作为分类器进行故障诊断；三是从知识处理角度建立基于神经网络的专家系统[4]⑸。1.1神经网络基本模型基于神经细胞的这种理论知识,在1943年McCulloch和Pitts捉出的笫一个人工神经元模型以來，人们相继提出了多种人工神经元模型，其中被人们广泛接受并普遍应用的是图1所示的模型[6]。图1中的x0,xl,…，xn-1为实连续变量，是神经元的输入，8称为阈值(也称为门限),w0,wl,…，wnT是本神经元与上级神经元的连接权值。神经元对输入信号的处理包括两个过程：第一个过程是对输入信号求加权和，然后减去阈值变量得到神经元的净输入net,即net=lwlx■-0从上式可以看出，连接权大于0的输入对求和起着增强的作用，因而这种连接乂称为兴奋连接，相反连接权小于0的连接称为抑制连接。下一步是对净输入net进行函数运算，得出神经元的输出y,即y二f(net)f通常被称为变换函数(或特征函数)，简单的变换函数有线性函数、阈值函数、Sigmiod函数和双曲正切函数。根据木文的研究特点，变换函数f取为Sigmoid函数，即f(x)=■1.2神经网络知识表示传统的知识表示都可以看作是知识的一种显示表示，而在ANN中知识的表示可看作是一种隐式表示。在ANN中知识并不像传统方法那样表示为一係列规则等形式，而是将某一问题的若干知识在同一网络中表示，表示为网络的权值分布。如下所示阈值型BP网络表示了四条“异或”逻辑:产主式规则[7]：IFxl0ANDx20THENy=0TFxl0ANDx21THENy=lIFxl1ANDx20THENy=lIFxl1ANDx21THENy二基于这种网络知识表示结构，其BP网络结构如图2所示。网络通常由输入层、隐层和输出层组成。网络第一层为输入层，由信号源节点组成，传递信号到隐层；第二层为隐层，隐层节点的变换函数是中心点对称「L衰减的非负线性函数；第三层为输出层，一•般是简单的线性函数，対输入模式做岀响应。理论上已证实，在网络隐含层节点根据需要Mi宁的前提F,三层前向神经网络可以实现以任意精度逼近任意连续函数的功能。对于三层神经网络，其隐层节点和输出层节点输出为：Hj=f[Bwijxi-0j],i=l,2,…，N；j=l,2,…，Lyk=g[HTjkHj-Xk],j=l,2,L；k=l,2,…，M1.3隐层神经元数神经网络输入和输出神经元个数的确定可以根据实际需求而定，隐层神经元个数的确定对网络的能力也有总接的影响，个数A少，则神经网络的认知能力...