薛 松，劉 濤

(1. 西安電子科技大學(xué), 陜西 西安 710071； 2. 上海宇航系統(tǒng)工程研究所， 上海 201109)

引 言

機(jī)械故障監(jiān)測(cè)技術(shù)的研究起始于20世紀(jì)60年代的美國(guó)機(jī)械故障預(yù)防小組以及后來(lái)的英國(guó)機(jī)器保健中心。經(jīng)過幾十年的發(fā)展，機(jī)械故障監(jiān)測(cè)技術(shù)在各個(gè)領(lǐng)域逐步得到普及，如飛機(jī)機(jī)身復(fù)合材料的健康監(jiān)測(cè)，機(jī)床主軸加工及壽命預(yù)測(cè)，轉(zhuǎn)子裂紋的預(yù)測(cè)以及齒輪、軸承等典型旋轉(zhuǎn)零部件的故障診斷等[1]。

雷達(dá)工作在各種不同的復(fù)雜環(huán)境中，主要包括氣候環(huán)境、機(jī)械環(huán)境以及電磁環(huán)境。環(huán)境條件對(duì)雷達(dá)的工作性能以及壽命都會(huì)產(chǎn)生嚴(yán)重的影響。在惡劣的氣候環(huán)境(高溫、高濕、鹽霧及霉菌)中，雷達(dá)設(shè)備中的金屬材料極易受到腐蝕和銹蝕，從而導(dǎo)致機(jī)械性能下降以及因各接插件接觸不良產(chǎn)生的短路。在機(jī)械環(huán)境中，長(zhǎng)期的振動(dòng)或多次沖擊也會(huì)使設(shè)備產(chǎn)生疲勞破壞，最終導(dǎo)致結(jié)構(gòu)上的破壞。例如，炮瞄雷達(dá)和制導(dǎo)雷達(dá)在使用過程中要承受炮彈和導(dǎo)彈發(fā)射產(chǎn)生的振動(dòng)和沖擊，會(huì)使雷達(dá)的可靠性降低。雷達(dá)的電磁干擾主要來(lái)自內(nèi)部元器件的干擾以及外界的電磁干擾。嚴(yán)重的電磁干擾不僅會(huì)嚴(yán)重影響雷達(dá)的性能，還會(huì)危及人員的安全[2-3]。因此，針對(duì)雷達(dá)系統(tǒng)的故障診斷能幫助人們快速找到并更換故障部件，更能保證雷達(dá)裝備安全有效地運(yùn)行。

雷達(dá)伺服裝備的故障監(jiān)測(cè)研究起始于21世紀(jì)初，其理論水平以及系統(tǒng)應(yīng)用率遠(yuǎn)遠(yuǎn)低于故障診斷在其他領(lǐng)域的理論水平和應(yīng)用率。在國(guó)內(nèi)，文獻(xiàn)[4]針對(duì)艦載雷達(dá)自身特點(diǎn)，設(shè)計(jì)了基于故障樹的雷達(dá)伺服裝備專家系統(tǒng)。該系統(tǒng)操作簡(jiǎn)單，但靈活性較差，診斷效率低。文獻(xiàn)[5]基于VXI總線和集成技術(shù)，研制了某型雷達(dá)裝備診斷專家系統(tǒng)，其缺點(diǎn)是不能對(duì)復(fù)雜雷達(dá)系統(tǒng)進(jìn)行故障分解。文獻(xiàn)[6]基于多普勒天氣雷達(dá)系統(tǒng)裝備了故障診斷軟件。該診斷軟件反應(yīng)快，定位準(zhǔn)，但虛警率較高。近幾年來(lái)，人工智能技術(shù)得到了長(zhǎng)足的發(fā)展，將人工智能與雷達(dá)傳統(tǒng)的故障檢測(cè)結(jié)合起來(lái)成為一種新的發(fā)展趨勢(shì)[7-8]。本文針對(duì)雷達(dá)天線伺服系統(tǒng)，采用內(nèi)部回歸(Internally Recurrent Network, IRN)神經(jīng)網(wǎng)絡(luò)對(duì)雷達(dá)天線伺服系統(tǒng)進(jìn)行故障分析，研究結(jié)果進(jìn)一步提高了故障診斷的準(zhǔn)確性。

1 雷達(dá)天線伺服故障分析

雷達(dá)天線伺服系統(tǒng)主要由電子控制設(shè)備以及機(jī)械傳動(dòng)系統(tǒng)組成。電子控制設(shè)備給定雷達(dá)需要的運(yùn)動(dòng)規(guī)律和運(yùn)動(dòng)位置，之后控制天線機(jī)械傳動(dòng)系統(tǒng)按照給定的規(guī)律自動(dòng)轉(zhuǎn)動(dòng)以達(dá)到捕獲、跟蹤目標(biāo)的目的。圖1是CINRAD/SA型雷達(dá)交流數(shù)字伺服系統(tǒng)角碼和速度信號(hào)流程圖[9]。從圖中可以看出，天線主要受到來(lái)自俯仰以及方位電機(jī)的控制，而2個(gè)方位的信號(hào)又通過光纖以及數(shù)字板傳遞到DAU大底板上，最后傳遞到RDA計(jì)算機(jī)上。RDA計(jì)算機(jī)也通過相同的路徑實(shí)現(xiàn)對(duì)天線的控制。圖2是圖1中角碼信號(hào)的流程圖[9]。從圖中可以清楚地看到角碼信號(hào)從俯仰和方位2個(gè)方向匯流到伺服監(jiān)控單元的整個(gè)流程。角碼信號(hào)依次通過電機(jī)、減速箱、大齒輪、同步機(jī)、光碼盤、編碼器、光纖以及DAU，最后傳遞到監(jiān)控單元。

圖1 雷達(dá)交流數(shù)字伺服系統(tǒng)角碼和速度流程圖

圖2 交流數(shù)字伺服系統(tǒng)角碼信號(hào)流程圖

在雷達(dá)天線伺服系統(tǒng)中，較常見的故障形式主要包括天線定位精度差、轉(zhuǎn)速不穩(wěn)定以及雷達(dá)角碼異常等[9]。這些故障形式是由不同的故障部位引起的。為了尋找故障根源，本文擬采用故障樹分析法對(duì)雷達(dá)天線伺服系統(tǒng)故障進(jìn)行分析。該方法是將故障原因從總體到局部逐級(jí)細(xì)化的多層次分析方法。通過分析雷達(dá)伺服系統(tǒng)的速度流程圖和角碼信號(hào)圖，可以掌握雷達(dá)天線伺服系統(tǒng)的總體工作流程，因此一旦出現(xiàn)故障，可以方便地找出所有可能的故障部件。圖3為天線失控或角碼異常的故障樹圖。從圖中可以看出，天線失控或角碼異常主要是由使能控制信號(hào)不正?；蚪谴a閃碼或天線不動(dòng)或伺服自檢錯(cuò)誤造成的。而這些原因又是由其他因素造成的，如此一級(jí)一級(jí)地構(gòu)成天線失控的故障樹。例如，天線失控的一個(gè)原因是角碼閃碼，而角碼閃碼主要由俯仰閃碼或方位閃碼造成，其中，俯仰閃碼主要由光纖鏈路故障、DAU故障等5方面造成，而方位閃碼主要由慣性鏈路故障、軸角盒故障等造成。通過圖3還可以看出，不同故障最終有可能源于同一故障部件，例如慣性鏈路故障可能同時(shí)造成天線罩門開關(guān)信號(hào)不正常、鎖定信號(hào)不正常以及角碼閃碼和天線不動(dòng)。因此對(duì)故障樹的最終故障進(jìn)行分類編號(hào)對(duì)理解天線失控具有重要意義。依據(jù)此故障樹模型，分類總結(jié)雷達(dá)天線的故障部件并對(duì)其進(jìn)行編號(hào)，見表1。

表1 雷達(dá)天線故障模式

圖3 雷達(dá)天線失控或角碼異常故障樹圖

2 IRN神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是模擬人腦結(jié)構(gòu)的一種數(shù)學(xué)模型，因其具有良好的分類功能，在故障診斷領(lǐng)域得到了廣泛應(yīng)用。有關(guān)神經(jīng)網(wǎng)絡(luò)的研究仍在發(fā)展之中，已經(jīng)提出了很多神經(jīng)網(wǎng)絡(luò)模型，但研究和使用最多的神經(jīng)網(wǎng)絡(luò)模型仍是BP算法的向前傳播模型，亦稱BP網(wǎng)絡(luò)。在BP網(wǎng)絡(luò)的基礎(chǔ)上，加入反饋信號(hào)及偏差單元，生成IRN神經(jīng)網(wǎng)絡(luò)[10]。圖4給出了帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)，它由3層節(jié)點(diǎn)組成：輸入層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)，2個(gè)偏差節(jié)點(diǎn)分布被加載到隱含層和輸出層上。隱含層節(jié)點(diǎn)不僅接收來(lái)自輸入層的輸出信號(hào)，還接收其自身的延時(shí)輸出信號(hào)，稱為關(guān)聯(lián)節(jié)點(diǎn)。

設(shè)NH和NI分別為隱含層節(jié)點(diǎn)數(shù)和輸入節(jié)點(diǎn)數(shù)，Ij(k)是帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)在時(shí)間k的第j個(gè)輸入，xj(k)是第j個(gè)隱含層節(jié)點(diǎn)在時(shí)間k的輸出，Y(k)是帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)的輸出向量，則帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)可由如下3個(gè)數(shù)學(xué)公式描述：

(1)

xj(k)=σ(Sj(k))

(2)

式中：Sj(k) 為第j個(gè)隱含層節(jié)點(diǎn)在時(shí)間k的輸入；σ(Sj(k))為隱含層節(jié)點(diǎn)的非線性激活函數(shù)。

(3)

圖4 帶有偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 IRN神經(jīng)網(wǎng)絡(luò)在雷達(dá)天線伺服故障中的應(yīng)用

本文利用IRN神經(jīng)網(wǎng)絡(luò)分3個(gè)步驟對(duì)雷達(dá)天線伺服系統(tǒng)進(jìn)行故障診斷。首先，建立IRN神經(jīng)網(wǎng)絡(luò)，賦予網(wǎng)絡(luò)的節(jié)點(diǎn)連接權(quán)值初始值；然后，利用樣本訓(xùn)練對(duì)IRN神經(jīng)網(wǎng)絡(luò)的各個(gè)連接權(quán)值進(jìn)行訓(xùn)練直至達(dá)到收斂穩(wěn)定為止；最后，利用訓(xùn)練好的IRN神經(jīng)網(wǎng)絡(luò)對(duì)輸入的故障進(jìn)行診斷，判別故障類型。

依據(jù)表1給出的故障模式，建立IRN神經(jīng)網(wǎng)絡(luò)可以利用的測(cè)試編碼和故障編碼。用IRN神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)故障分類，IRN神經(jīng)網(wǎng)絡(luò)輸入層有23個(gè)神經(jīng)元對(duì)應(yīng)23個(gè)測(cè)試點(diǎn)，輸出層共有4個(gè)神經(jīng)元，隱含層共有20個(gè)神經(jīng)元。以表2中的測(cè)試編碼作為網(wǎng)絡(luò)輸入，以故障編碼作為網(wǎng)絡(luò)輸出。第1層學(xué)習(xí)率為1.5，第2層學(xué)習(xí)率為1.5，輸入偏差學(xué)習(xí)率為1.0，輸出偏差學(xué)習(xí)率為3 000。

圖5是本文建立的IRN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線收斂圖。從圖中可以看出，經(jīng)過22次IRN神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，學(xué)習(xí)精度優(yōu)于6.4e-07，滿足所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)要求。

圖5 訓(xùn)練誤差曲線圖

表2是計(jì)算機(jī)仿真輸出的故障診斷結(jié)果。Bit 1～Bit 4為故障編碼，不同的故障編碼組合表示不同的故障名稱。例如編碼0001表示天線罩門開關(guān)故障，編碼1111表示天線正常。表2中的故障名稱與表1中的故障名稱相對(duì)應(yīng)。從表2可以看出，IRN神經(jīng)網(wǎng)絡(luò)能夠較好地對(duì)各個(gè)故障進(jìn)行區(qū)分并分類。

表2 計(jì)算機(jī)仿真輸出的故障診斷結(jié)果

4 結(jié)束語(yǔ)

為了提高雷達(dá)天線伺服系統(tǒng)故障診斷的智能化水平，本文建立了基于IRN神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)。通過故障樹的分析手段，找到所有可能發(fā)生故障的部件并按一定的因果關(guān)系分層。通過對(duì)部件的進(jìn)一步編號(hào)，將輸入樣本和目標(biāo)樣本輸入到IRN神經(jīng)網(wǎng)絡(luò)當(dāng)中，并對(duì)其進(jìn)行訓(xùn)練。最后，對(duì)所訓(xùn)練的IRN神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，分析發(fā)現(xiàn)IRN神經(jīng)網(wǎng)絡(luò)能夠很好地對(duì)各個(gè)故障進(jìn)行分類并將它們區(qū)別開。雖然本文的研究對(duì)象為伺服系統(tǒng)，但所采用的研究手段也可用于雷達(dá)其他子系統(tǒng)乃至整個(gè)雷達(dá)系統(tǒng)的故障診斷研究。

本文的主要難點(diǎn)之一是工程訓(xùn)練樣本的獲取。因?yàn)槔蒙窠?jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的關(guān)鍵在于訓(xùn)練樣本的準(zhǔn)確性，因此大量現(xiàn)場(chǎng)的工程樣本對(duì)于本文所建立的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練非常重要。然而，到目前為止，并沒有公開發(fā)表的雷達(dá)伺服系統(tǒng)故障數(shù)據(jù)可以作為本文的輸入樣本，同時(shí)現(xiàn)場(chǎng)獲取故障數(shù)據(jù)需要大量部門的協(xié)調(diào)，因此本文只是通過對(duì)故障形式進(jìn)行編號(hào)作為訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

雷達(dá)天線伺服系統(tǒng)的故障診斷研究對(duì)雷達(dá)裝備的性能保障具有重要意義。故障診斷能夠及時(shí)、準(zhǔn)確地對(duì)各種異常狀態(tài)和故障狀態(tài)做出診斷性預(yù)防，將雷達(dá)故障損失降至最低，還能幫助管理人員制定合理的檢測(cè)維修方案，延長(zhǎng)雷達(dá)服役壽命，降低雷達(dá)設(shè)備全壽命周期費(fèi)用。本文初步探討了利用人工智能手段對(duì)雷達(dá)伺服系統(tǒng)進(jìn)行故障診斷的有效性，后續(xù)工作可以主要從以下幾個(gè)方面考慮：

1)研究雷達(dá)伺服系統(tǒng)的故障機(jī)理。雷達(dá)伺服系統(tǒng)是由電子設(shè)備和機(jī)械設(shè)備組成的，因此其故障機(jī)理也是多種多樣。正確掌握并了解伺服系統(tǒng)的故障機(jī)理對(duì)雷達(dá)故障診斷具有重要的意義。

2)研究故障特征提取手段。由于雷達(dá)伺服系統(tǒng)電子設(shè)備和機(jī)械設(shè)備的多樣性，其監(jiān)測(cè)手段也必將是多種手段相互結(jié)合。如何正確提取各個(gè)設(shè)備的故障特征也是雷達(dá)故障診斷研究的重點(diǎn)。

3)繼續(xù)推進(jìn)雷達(dá)故障診斷的智能化。各類神經(jīng)網(wǎng)絡(luò)的出現(xiàn)大大提高了故障診斷的準(zhǔn)確性，然而大量訓(xùn)練樣本或大量工程現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)的獲取問題，仍然是雷達(dá)故障診斷智能化前進(jìn)的阻力。