4的组合，Y 1是输出向 量，也就是（X1X2X3XAi)的组合，其中（11????)代表底事件。表中的1代表发生了该事件， 0代表没有发生该事件。
[0080] 表2 FTA整理的训练样本
[0081]
[0082] 5)由于输入向量X已正交，双极化后，利用公式
化十算权值矩阵M :
[0083]
[0084] 根据实测点Si (i = 1，2, 3, 4)的所有监测数据，得到该方法的实际诊断结果，如表 3所示。
[0085] 表3故障诊断结果表
[0086]
[0087] 经验证，16种故障均与检测故障一致。
[0088] 根据实验结果可知，FTA与BAM结合方法能准确地诊断导致飞行机组呼叫系统中 飞行员呼叫乘务员功能失效事件的所有故障。而且这种融合方法不仅能够解决单一故障， 对于多源故障也能够有效处理。
[0089] (2)故障现象不明显的故障采用联合BP神经网络方法进行故障诊断。以飞行机组 呼叫系统中的典型放大电路故障为例。
[0090] 1)假设共有3类故障，分别为三极管、电阻、二极管故障，具体又可分为7种故障， 如表4所示。采用Multisim对放大电路进行仿真，模拟7种故障，并选取15个测试点进行 数据采集。
[0091] 表4典型放大电路故障分类表
[0092]
[0093] 2)利用MATLAB对采集的数据进行归一化处理，得到BP网络的训练样本。为了减 小训练误差，网络训练采用的是附加动量法的改进BP算法。利用MATLAB的newff函数对 BP网络进行建立，采用init函数来初始化设置的参数。
[0094] 3)利用建立好的BP网络进行学习训练。网络输入向量范围在0~1之间，分别 选用logsig、purelin函数作为隐层和输出层神经元的传递函数。分别选用traingdm、 Iearngdm函数作为训练函数与梯度下降动量学习函数。设置1个隐层，其中包含10个神经 元。总步长数设为5000,全局收敛误差和学习率分别设为0. 001和0. 05。
[0095] 训练结束之后，针对以上7种故障，分别选择3组样本，经过归一化后，来完成对网 络的检验。
[0096] 表5为神经网络实际诊断结果，训练结果如图6所示。
[0097] 表5神经网络实际诊断结果
[0098]
[0099]
[0100] 由表5可以看出，在21组检验数据中，有2组检验结果出现了问题，其余19组均 正确，故检验准确率约为19/21*100% ~ 90. 48%。所以，与BP网络联合的诊断方法应用于 航电系统是有效的，解决了二者各自的不足之处。
[0101] 综合表3可以得出，基于FTA、BAM神经网络、BP神经网络三种方法联合的航电系 统故障诊断方法是可行的，有效解决了三种单一方法应用于航电故障诊断时存在的问题， 从而能够快速而有效地诊断出航电系统的各种故障，在实际工作中具有很好的实用性和准 确性。
【主权项】
1. 多方法联合的航电系统故障诊断方法，其特征在于：当故障现象明显时，采用FTA与 BAM神经网络融合的故障诊断模型，首先利用FTA得到系统的故障模式，分析归纳出BAM的 训练样本，最后BAM通过联想记忆矩阵并行联想，得到诊断结果；当故障现象不明显或者故 障实例库没有此故障时，采用联合BP神经网络的故障诊断模型，对BP神经网络采集到的训 练样本进行学习，最后利用训练后的网络进行故障诊断。2. 根据权利要求1所述的多方法联合的航电系统故障诊断方法，其特征在于：明显的 故障现象包括着火、烟、雾、异味、火花、器件损坏、接口松动、零件老化、零件震动或抖动。3. 根据权利要求1所述的多方法联合的航电系统故障诊断方法，其特征在于：不明显 的故障现象包括由电源接触不良或内部损坏、短路或断路造成的肉眼无法感知的现象。4. 根据权利要求1所述的多方法联合的航电系统故障诊断方法，其特征在于：所述当 故障现象明显时，采用FTA与BAM神经网络融合的故障诊断模型，具体步骤如下： 1-1、建立故障树； 1-2、求出最小割集； 1-3、FTA整理出训练样本：根据步骤1-2中得到的最小割集建立改进的故障树模型，从 而得到正交的样本输入向量；所述改进的故障树模型，是指在结构上，利用最小割集对故障 树进行优化处理而得到的简化故障树； 1-4、双极化处理：对样本输入向量采用双极化处理，所述双极化处理通过如下公式计 算出来： X. = 2 -1 (1-1) 式中A为样本输入向量，；为双极化处理后的样本输入向量； 1-5、计算BAM权值矩阵：在MATLAB中建立BAM神经网络模型，利用BAM神经网络模型 对FTA整理出的训练样本进行学习和记忆，计算权值矩阵；所述的权值矩阵通过如下公式 计算出来：式中M为BAM神经网络进行学习和记忆后的权值矩阵，^为双极化后样本输入向量， 即故障现象，1为样本输出向量，即故障原因； 1-6、获得监测点的状态向量值：通过对故障监测点进行监测，获得BAM神经网络的样 本输入向量Y- 1-7、BAM联想回忆：BAM神经网络进行联想回忆，输出联想回忆结果，所述的联想回忆 结果通过如下公式计算出来： Y=XM (1-3) 式中Y为BAM神经网络联想回忆输出的故障诊断结果，I为BAM神经网络的样本输入 向量，即故障现象，M为权值矩阵； 1-8、输出故障诊断结果：根据步骤1-7中BAM的联想回忆结果，输出相应的故障诊断结 果。5. 根据权利要求1所述的多方法联合的航电系统故障诊断方法，其特征在于：所述当 故障现象不明显或者故障实例库没有此故障时，采用联合BP神经网络的故障诊断模型，具 体步骤如下： 2-1、获取BP训练样本； 2-2、样本预处理：利用MATLAB对BP神经网络的训练样本进行预处理，然后在MATLAB中利用神经网络工具箱建立BP神经网络模型； 2-3、BP神经网络训练：利用BP神经网络模型对训练样本进行学习，提取待诊断对象的 特征参数，利用训练后的网络输出故障诊断结果。6. 根据权利要求5所述的多方法联合的航电系统故障诊断方法，其特征在于：步骤2-1 所述获取BP训练样本，采用监测设备、实验仿真、故障手册或者相关专业人员获取BP神经 网络的训练样本；所述监测设备是指电流表、电压表、温度传感器；所述实验仿真是指利用 Multisim软件对数据进行仿真提取；所述故障手册是指航电系统相关的故障手册；所述相 关专业人员是指从事航电维修的专业维修人员、航电结构设计专业设计人员、航电相关专 家。7. 根据权利要求1所述的多方法联合的航电系统故障诊断方法，其特征在于：步骤2-2 所述对BP神经网络的训练样本进行预处理，由MATLAB对神经网络训练样本进行归一化处 理，使提取的训练样本保持在〇~1之间。
【专利摘要】本发明公开了一种基于FTA、BAM神经网络、BP神经网络三种方法联合的航电系统故障诊断方法。分别建立了FTA与BAM神经网络融合的故障诊断模型、联合BP神经网络的故障诊断模型。当故障现象明显时，采用FTA与BAM神经网络融合的故障诊断模型，首先利用FTA得到系统的故障模式，分析归纳出BAM的训练样本，最后BAM通过联想记忆矩阵并行联想，得到诊断结果；当故障现象不明显或者故障实例库没有此故障时，采用联合BP神经网络的故障诊断模型，对BP神经网络采集到训练样本即电压、温度等数据进行学习，最后利用训练后的网络进行故障诊断。两种故障诊断模型优势互补，弥补各自的不足之处，有效解决了航电系统故障诊断存在的上述问题，提高了故障诊断的准确性和效率性。
【IPC分类】G06N3/02
【公开号】CN104915715
【申请号】CN201510355414
【发明人】吴红兰, 刘军, 孙有朝, 宫淑丽
【申请人】南京航空航天大学
【公开日】2015年9月16日
【申请日】2015年6月24日