基于神经网络的装甲车辆维修系统

尹光辉

(装甲兵学院射击理论教研室，蚌埠 233050)

基于大脑神经系统结构和功能模拟基础上的神经网络，可以通过对实例的学习自动获取知识，并将知识分布存储在神经网络中.它还可以提取出类似实例之间的相似性，和不同类别实例之间的差异.当环境信息不完全时，它仍然可以通过计算而得出一个比较令人满意的解答［1］.因此，利用神经网络方法来构造装甲车辆维修系统不仅可以在一定程度上克服知识瓶颈问题，而且可以提高系统的鲁棒性.

1 系统的总体结构及原理

1.1 系统的总体结构

系统的总体结构如图1所示.系统主要由知识库、辅助库、推理机以及知识处理支撑环境等模块构成.其核心是知识库.

1.2 系统原理

在故障诊断问题求解时，由维修人员输入相关的故障现象信息，系统根据神经元与物理符号关系表示将故障现象信息转换为神经网络的数值输入，这些数值输入再通过推理机制转换为相应的故障名称数值输出.此时系统根据自身内部的给定标准对故障名称数值输出加以评判，如果能确定故障名称，则表示推理成功;如果不能确定，系统根据一定算法推理出为了确定故障名称所必需的其它方面的故障信息，并根据辅助库中神经元相关问题表达式向维修人员提问.待系统得到更多的故障信息后，重复上述的“故障信息→故障名称”的推理过程，直至确定故障名称，或是维修人员再也不能提供更多的故障信息，而系统仍不能确定故障名称而放弃为止.若系统已确定故障名称，则系统将进行“故障名称→维修方案”的推理.

图1 系统结构图

2 辅助库的构造及原理

2.1 神经元、物理符号对应关系表示

系统中的神经元有其物理符号含义，这样不仅有利于对推理结果做出直观、明确的解释，也是建造神经网络知识库的基础.系统中神经元与物理符号对应关系表示分为如下几种类型:

(1)故障现象神经元ux:每一故障现象神经元均与某一故障现象对应，如神经元ux1表示“发动机声音异常”等.所有故障现象神经元集合ux={ux1，ux2，…，uxn}应该覆盖尽可能多的故障现象.

(2)故障名称神经元um:每一故障名称神经元均与某一故障名称对应.所有故障名称神经元集合um={um1，um2，…，umr}应该覆盖尽可能多的故障名称.

(3)维修方法神经元ub:每一维修方法神经元均与一种维修方法相对应.所有维修方法神经元集合ub= {ub1，ub2，…，ubs}应该覆盖尽可能多的维修方法.

2.2 神经元与特定问题对应关系表示

系统在实际应用中，通过人机交互的方式从维修人员处获取输入信息.这些信息在系统进行推理时是知识库的输入信息，也即是神经元的输入信息.为了完成这一过程中的“维修人员问题回答”到“神经元数值输入”的转换过程，使相应范围内的每一种神经元都与一个特定的问题相对应，从而为维修人员提供一种友好的交互手段，使系统可以从维修人员处得到更多的信息.

3 知识库

3.1 知识库的构造及原理

知识库将维修领域看成是一组描述输入/输出关系的神经网络，将故障产生的内部机理当成一个黑箱，利用知识处理支撑环境从维修专家处得到大量形式为{〈故障现象，故障名称〉，〈故障名称，维修方案〉}的实例偶对输入［2］.系统通过神经网络学习算法自动从这些偶对所表示的维修经验中获取知识，并将这些知识分布存储在神经网络中.

知识库的结构如图2所示，其分为两个子网，一个为辩证子网，主要用来确定装备故障名称;另一个为维修子网，主要用来得出维修方案.两个子网均为三层前馈神经网络［3］.知识处理支撑环境利用反向传播 (BP)学习算法，从维修专家提供的训练实例偶对中获取故障维修经验知识，并将这些知识分布存储在神经网络中.

图2 知识库神经网络结构

辩证子网由输入层、输出层和隐含层构成，各层次之间完全互连.输入层神经元为故障现象神经元，用以接收故障现象信息，并且将所接受到的输入不作任何处理的送入隐含层中与之相连的神经元.隐含层神经元接收输入层神经元送来的信息，并对其进行加权求和，根据加权求和的总输入值，以及原来该神经元的活跃值而计算出该神经元当前的活跃值，然后再计算出神经元的输出值.输出层由故障名称神经元组成，它在隐含层神经元输出的作用下，根据装甲装备故障现象完成故障名称的聚类操作.其中的神经元从隐含层神经元接收输入信息，并对其进行加权求和，根据加权求和的总输入值以及神经元原来的活跃值而计算出神经元当前的活跃值.输出层每一神经元均有一阈值，如果输出神经元新的活跃值大于其阈值，则神经元的输出值为1，否则其输出值为0.根据输出层神经元的输出状态可得到对应于输入故障现象的故障名称［4］.

维修子网同样由输入、隐含以及输出三个神经元层次组成.各层次之间完全互联，输入层神经元由故障名称神经元、故障现象神经元组成.故障名称神经元的输入来自于辩证子网的输出，故障现象神经元的输入来自于维修人员.输入层将所接受到的输入不作任何处理的送入隐含层，隐含层的作用及操作特性与辩证子网很类似，输出层神经元从隐含层神经元接收输入信息，对其进行加权求和而求出相应的总输入值，输出神经元根据此总输入值，以及原来的活跃值而求出其新的活跃值.同样维修方法神经元也有各自的阈值，如果某一神经元新的活跃值大于其阈值，则其输出值为1，否则为0.维修方案由输出值为1的神经元对应的维修方法组成.

3.2 知识库的自动知识获取

知识库通过神经网络的学习从维修专家提供的维修实例中获取维修经验知识，并将这些知识分布存储在神经网络中.学习分为两个步骤，首先是辩证子网的学习，然后是维修子网的学习.依次学习所有的实例并达到系统要求为止.

辩证子网和维修子网的学习都采用反向传播(BP)学习算法，辩证子网在学习时，送入到输入层神经元的是故障现象信息，输入值的大小为相应现象的强弱程度，强弱程度由 ［0，1］区间的一个实数值表示.辩证子网经过计算后，与故障现象输入相对应的故障名称神经元的理想输出值为1，其它故障名称神经元的理想输出值为0，因而输出层神经元的理想输出为一维二值向量，向量中每一分量与相应神经元理想输出值相对应.BP学习算法就是根据输出层的理想输出和实际输出之间的误差进行辩证子网连接权值的调整，使之具有故障现象输入到故障名称输出的聚类能力.

维修子网在学习时，送入到输入层神经元的是故障现象信息、与故障现象信息相对应的故障名称信息.故障现象信息为一维实向量，向量每一分量在［0，1］区间内取某一实数值，故障名称信息为一维二值向量.由维修专家根据故障现象与故障名称给出的维修方案则作为维修子网中输出神经元的理想输出.如某一维修方法在该维修方案中出现，则与该维修方法相应神经元的理想输出值为1，如果维修方法不在维修方案中出现，则与该维修方法相应神经元的理想输出值为0.BP学习算法就是根据维修子网的输入、理想输出以及神经元的实际输出进行神经元之间连接权值的调整，使之具有根据故障现象信息与故障名称信息给出维修方案的能力.

3.3 基于知识库的推理

基于神经网络知识库推理的目的是根据故障现象信息，利用辩证子网进行前向计算，得出与故障现象信息相应的故障名称.如果确定了故障名称，则启动维修子网给出维修方案，否则向维修人员索取更多的信息，或是系统判断无法再次利用神经网络知识库进行推理为止.如果向维修人员索取更多的信息后确定了故障名称，则仍启动维修子网给出维修方案，否则不给出维修方案.在辩证子网进行前向计算的过程中，也包含了对神经元进行标记的过程，标记的目的是在无法确定故障名称时便于系统控制反向搜索过程，确定应该向维修人员索取哪些信息.

4 系统知识获取与在线学习

知识库中知识的获取并不需要知识工程师从维修专家的经验中提取规则，它只是对维修专家提供的大量维修实例进行学习，自动的从这些实例中提取知识.通过知识处理支撑环境，系统将新知识以{〈故障现象，故障名称〉，〈故障名称，维修方案〉}偶对表示，并利用这些偶对完成在线学习，将新知识加入到知识库中.知识库中的知识也是隐含分布在神经网络知识库中，并不像规则那样显式的表示出来，这种知识的获取方式是自动的，维修系统所用的知识大部分为经验知识，在神经网络知识库最初构造时，用来使神经网络自动获取知识的实例不可能覆盖所有情况，因而系统必须有在线学习能力.也就是说系统在实际应用中还可以进行学习，不断的获取新的知识，或是纠正原来的错误知识.

5 结论

给出了一种基于神经网络的装甲车辆维修系统，此系统较之与其它维修系统具有更强的学习能力与自适应能力，具备了在应用过程中的不断学习并提高故障排除能力的功能，求解能力较强，为此类系统的研制开辟一条新途径.

［1］谢庆生.机械工程中的神经网络方法 ［M］.北京:机械工业出版社，2003.

［2］陆金柱.基于神经网络的机械设计领域知识表达方法研究［J］.机械工程学报.1995.31(6):21-26.

［3］虞和济.机械设备故障诊断的人工神经网络法 ［J］.机械强度.1995.17(2):48-54.

［4］蔡自兴.人工智能及其应用 ［M］.北京:清华大学出版社，1996.