本站原创摘 要：针对复杂设备智能故障诊断问题,本文应用小波包分析提取信号的特征能量,构造出诊断系统的特征向量,应用对象传播神经网络（CPN）对故障模式进行辨识,克服了无监督聚类学习不能利用导师信号的缺陷,使得网络的自组织学习更加准确,将该算法应用在装甲车辆电源系统整流桥智能故障诊断中,仿真结果证明了算法的有效性.
关 键 词 ：电源系统 智能故障诊断 CPN网络
随着大量电力电子设备在装甲车辆中的应用,车载电源系统的可靠性是其能否运行的关键.传统的依靠简单检测仪表进行判断的方法已无法保障系统的可靠性.目前,智能技术已逐步应用在装备的故障诊断当中,利用改进的Elman神经网络来实现飞机电源系统欠压故障的识别和定位,具有很好的动态系统故障诊断能力,但不能对未知故障进行识别.文献[1]利用BP神经网络实现了三相全控桥整流电路故障诊断.但基于BP神经网络的方法存在着局部最小、收敛速度慢的问题,且随着诊断系统复杂程度的增加,较大规模的BP网络结构有可能导致系统泛化能力的下降,从而造成错误的诊断决策.本文研究基于对象传播的自组织神经网络,并将算法应用到装甲车辆电源系统的智能故障诊断中.该网络在竞争层通过无监督的竞争学习方式对输入故障进行自组织聚类,并将聚类结果通过线性输出层输出,具有很好的故障识别和诊断效果.
一、CPN对象传播神经网络算法
CPN对象传播神经网络分为输入层、竞争层和输出层.由输入层到竞争层,网络按照SOM学习规则产生竞争层获胜神经元,并按照这一规则调整相应的输入层到竞争层的连接权；由竞争层到输出层,网络按照基本竞争型网络学习规则,得到各输出神经元的实际输出值,并按照有导师型的误差校正方法,修正由竞争层到输出层的连接权.因此,该网络既涉及了无导师网络分类灵活、算法简练的优点,又采纳了有导师型网络分类精细、准确的长处,使两种不同类型的网络有机地结合起来,具体的网络学习过程参考文献[2].
二、实例应用
在装甲车辆电源系统智能故障诊断中,根据系统结构和测试性设计准则,该系统的检测对象包括以下LRU（现场可更换单元）模块：无刷旋转励磁交流同步发电机,电压调节器和不可控三相整流桥.每个模块中的SRU（内场可更换单元）根据不同的设计要求进行划分,在此不再列出.通过大量的实验数据和分析,得到了电源系统的不同的故障模式.本文选取整流桥故障作为CPN诊断算法的研究对象,主要分为：第一类：无故障状态（正常工作状态）；第二类：一个二极管断路；第三类：同一相电源的2个二极管断路；第四类：同一半桥中的2个二极管断路；第五类：交叉2个二极管断路5种故障模式.通过MATLAB＼Simulink建模仿真,各种模式下的整流输出电压仿真波.
本文利用小波包变换来构造诊断系统的特征向量,选用db3小波作为小波基对五类故障状态下的电压信号进行小波包分析,构造出各自的能量特征向量,建立特征向量与故障状态的对应关系,这样网络的输入节点数为8.实验中取每种故障模式的数据各10组,对其进行处理后的结果（限于篇幅,表中给出了6组特征向量）.通常故障状态需要经历一个暂态的过渡过程,故将故障后的暂态过程和稳态过程作为故障状态的两个子类,因此竞争层（即无监督聚类层）应含有9个节点.
为了方便计算,对期望输出编码为（U1,U2,U3）,则第一类故障期望输出为000,第二类故障期望输出为100,第三类故障期望输出为010,第四类故障期望输出为001,第五类故障期望输出为110,输出层的节点数为3.从而,整个诊断网络的结构为（8,9,3）.
网络训练参数选择为：学习率等于0.1,等于0.1,偏值因子等于0.1,时间因子等于0.0001,最大迭代学习次数为1000.将5类模式共50组数据依次输入改进的CPN网络中,网络在监督下进行自组织学习,不断修正网络的权值.训练结果与期望输出如表3所示.
对训练好的网络进行测试.另取不同的样本输入该网络,测试样本,实际诊断结果与期望输出.表中可以看出,实际的诊断结果与期望的输出完全一致.
在装甲车辆电源系统整流桥故障诊断中,先采用小波包变换提取各种模式下信号的特征能量,构造出诊断系统的特征向量,应用改进的对象传播神经网络进行辨识,使系统具有无导师聚类,有导师学习的能力,取得了较好的诊断效果.然而,网络的参数选择一般通过经验来确定,需要进一步研究参数的自动调整,以适应不同系统的应用.