神经网络技术在捷联式惯性导航设备故障诊断中的应用.pdfVIP

神经网络技术在捷联式惯性导航设备故障诊断中的应用 吴简彤乐慧康刘金鑫原金升张朝霞 (啥尔滨工程大学自动控制系哈尔滨，150001) 摘要本文介绍了神经网络的基本原理和～个自行设计的通用BP神经网络软件包，用它对捷联式惯性导航 寸 系统中的陀螺仪力矩再平衡回路的故障检测进行了模拟，取得了满意的结果。 ‘ 关键词BP神经网络陀螺仪再平衡回路故障诊断 一 1 引言 惯性导航系统的性能在很大程度上取决于惯性仪表的精度和可靠性。特别是作为惯性系 统心脏的陀螺仪和加速度计的可靠性是一个至关重要的问题，其测试和故障诊断技术也一 直为人们所重视和关注。传统的故障诊断法中，比较有效的是状态估计法和专家系统方法。 前者是基于系统的动态模型，利用观测器或滤波器对系统的状态或参数进行重构，并构成 残差穿列，再通过对残差序列的统计和分析就可以检测出故障的发生。专家诊断系统则是 在知识库和数据库的支持下，综合运用各种规则，进行一系列的推理。它在运行中向用户 索取必要的信息后．就可以快速地直接找出最终故障。但这些方法的缺点是需要较精确的 系统模型或较多的有关故障的先验知识，有时还会遇到知识猎取时的瓶颈及推理时的数据 组合爆炸等困难。利用人工智能神经网络技术对惯性仪表系统的故障进行自动诊断，并通 过数据分析与处理来改善整个系统的性能，可以较好地克服以上的困难。 神经网络技术是近几年来得到迅速发展的国际公认的前沿研究领域之一。它的最大特 点是具有学习和记忆能力。信息处理具有并行分布的特点，特别是对于无法得到精确数学 模型的系统，更能体现其优越性。因此，它为故障诊断提供了一种全新的解决问题的途径。 神经网络用于故障检测时通常的做法是： ①选择能够反映系统故障的变量，作为神经网络的输入量，并根据需要判别的故障类 型选择输出量。 ②选择适当的神经网络模型。 ③根据输入输出信号的历史或经验数据，对神经网络进行训练。 ④当新的输入信号作用于神经网络时，网络的输出超出给定的阈值时，可认为系统已 广 J 发生故障。 神经网络模型中，用于故障检测比较有效且得到广泛应用的是误差反向传播神经网 毫 络，简称BP神经网络。尽管它还存在着学习速度慢、有局部极小点等缺点，但仍不失为一 种有效的方法，况且现在已经得到了一些快速算法，从而大大提高了它的性能。 本研究分成二大部分，一是建立一个通用的BP神经网络模拟程序，这是基础，有了它 就可以进一步开展工作；二是对捷联式导航系统的陀螺仪再平衡回路故障进行检测，验证 神经网络故障诊断的有效性。 2 BP通用神经网络模拟软件包的设计 (1)概述 人工智能神经网络是模仿人的大脑的信息处理机制，把大量的神经元按照一定的方式 】64 err／fgze．dat／n pause Wv／fgzw．dat／17／H12／07 pause 其中，学习系数为0．4，稳定系数为0．7，放大系数为0．7，权值初始值范围一0．I～0．1 ’ j 文件名为gze．dat，数值和阎值文件为gzw．dat。 ● j 图二学习误差曲线 经过250次的训练后，识别率百分之百，总误差为0．02309。 误差曲线如图2所示。事实上，学习次数达150次时，故障