一种基于改进BP神经网络预测T/R组件温度的方法

李硕

摘 要 目前武器装备故障预测与健康管理技术（PHM）在航空航天领域得到飞速发展，陆军装备应用PHM尚处于起步阶段。本文针对有源相控阵雷达前端T/R组件对温度有较高要求这一特性，建立基于动量因子和自适应学习率的BP神经网络预测模型，利用传统BIT系统采集的T/R组件温度数据，在MATLAB平台进行组件温度预测仿真试验，通过对比真实温度值，验证预测模型的可信度，进一步完善传统雷达温度监控功能，对预测组件故障起到一定参考作用。

【关键词】BP神经网络 T/R组件 温度预测模型

T/R组件是构成有源相控阵雷达前端的关键部件。T/R组件的性能在很大程度上决定了有源相控阵雷达的性能。T/R组件通常由复杂的电子线路、电子元器件构成，对温度有较高的要求，当组件温度超出正常范围，便会对各级功率放大器及各类电子元器件造成损伤，从而引起连锁反应。

目前国内外在设计阶段都已经对阵面进行有效冷却设计，并能监测组件温度。但往往受到散热系统故障、组件自身故障等突发状况，组件温度发生异常，故障已经发生。而传统组件温度监测系统即使检测到温度超出警戒，但已错失发现可能出现故障的时机，元器件已经受到损伤。因此，要完善现有的温度检测功能避免此类事件的发生；通过建立合适的模型，在温度到达警戒值之前，利用历史温度数据，对T/R组件温度进行预测，及时向雷达操作人员提供温度预警，以便采取预防措施。

用于预测的方法多种多样：

（1）时间序列预测，将历史数据进行函数拟合，反映未来的某一时刻的预测值。

（2）数学模型预测：通过建立数学模型，建立输入输出映射关系，反映未来某一时刻的预测值。

（3）智能预测：基于历史数据，利用人工智能方法进行预测。其中，BP神经网络具有良好非线性拟合能力，并且可以对预测精度，误差进行人为干预，在解决本文这类预测问题中有较好应用前景。

1 BP神经网络

1.1 基本原理

BP网络结构如图1所示。其中，xj表示输入层第j个节点的输入，j=1，2...M；ωi，j表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐含层第i个节点的阈值；Ф表示隐含层的激励函数；ωk，i表示输出层第k个节点到隐含层第i个节点之间的权值，i=1，2...q；αk表示输出层第k个节点的阈值，k=1，2...L；Ψ表示输出层的激励函数；οk表示输出层第k个节点的输出。

1.2 基本算法

BP网络通过学习过程对网络的权值和阈值进行调整，达到对任一输入都能得到期望输出的目的。学习过程是由输入信号的正向传播和误差信号的反向传播组成的。正向传播过程是指：输入信号从输入层传给隐含层，经隐含层处理后传给输出层，再经输出层处理后产生输出信号。若正向传播过程所得到的输出值与期望的输出值有误差，则网络转为误差反向传播过程。误差反向传播过程是指：从输出层开始将误差信号逐层传送到输入层，并同时修改各层神经元的联结权值和阈值，使误差信号达到最小。重复上述过程 直至得到期望输出值。基本BP神经网络算法包括两个方面：信号的正向传播和误差的反向传播。

1.3 经典BP神经网络的缺陷及改良

BP神经网络算法的实质是求解误差函数的最小值问题，由于它采用非线性规划中最速下降方法，按误差函数的负梯度方向修改权值，因而通常存在以下问题：学习效率低，收敛速度慢，易陷入局部极小状态。

基于动量因子和自适应学习率的BP神经网络：

在误差反向传播的基础上，每一个权值（或阈值）的变化上加上一项正比于前次权值（或阈值）变化量的值，并根据反向传播法来产生新的权值（或阈值）变化。

?ωij （k+1）=（1-mc）η+mc?ωij （k）

?ai （k+1）=（1-mc）η+mc?ai （k）

其中，η为学习速率，mc为动量因子，一般取0.95左右。根据附加动量法的设计原则，当新的权值导致误差增长时，新的权值应被取消而不是采用，同时动量作用停止下来，以使网络不进入较大误差曲面；当新的误差变换率超过设定的最大误差变化率时，也应取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。训练程序中采用动量法的判断条件为：

学习速率η决定每一次循环训练所产生的权值变化量。大的学习速率可能导致系统的不稳定；小的学习速率会导致较长的训练时间，可能收敛速度很慢。一般情况下，学习率初始值选取范围为0.01至0.8。在实际训练过程中，经常出现训练在达到规定的总步长就已经停止，而误差没有下降到规定精度。因此，需要根据训练误差值调整学习率，调整依据为

2 仿真试验

2.1 试验方法

以某有源相控阵雷达为例，其共有80个组件，从雷达正常工作开始，每分钟记录一次组件的温度。

通过反复测量可以得知，雷达工作30分钟后组件温度达到相对稳定状态，从每分钟温升3℃、4℃降到每3、4分钟温升1℃或不变。预测方法为：用前3分钟温度值，预测1分钟后的温度值。例如要预测1分钟后的温度，选择第0，1，2分钟的温度数据，目标为第3分钟的温度数据，通过搭建好的神经网络预测模型进行训练，当输入第1，2，3分钟的温度数据，预测第4分钟温度，通过对比进行验证。

可根据实际情况选择合适大小的输入向量p（t1，t2，t3；t2，t3，t4；...），目标向量t（t4；t5；...），隐藏层数为1，隐含层节点数为经验值12，传输函数选用logsig，purlin。训练函数选用traingdx，学习函数选用learngdm。动量因子net.trainParam.mc选择0.9，自适应学习率net.trainParam.lr_inc=1.05，net.trainParam.lr_dec=0.7。

2.2 仿真结果分析

2.2.1 预测1分钟后温度

选择2号组件进行1分钟后温度预测，输入向量为（34，34，36；34，36，40），目标向量（40，41），预测样本（36，40，41），预测第5分钟温度。预测模型结构如图2所示。

预测模型结构及训练误差曲线如图3所示。

统计连续预测10次的误差。由表1可以看出，预测温度值与实际值的误差基本保持在1℃左右。

以上预测出现误差较大的情况，但发生的频率不高。这种情况出现的原因之一是神经网络初始权值的随机性。虽然每次训练网络都达到相应精度，但每次训练后网络的各个隐含层权值、阈值都不完全一样，因此在预测时，即使保持输入样本不变，但结果仍然会有变化。第二，当网络初始值恰好随机到某些数值时，训练过程中，步数已经达到规定步数，但误差值不跳出误差表面的低谷，收敛速度过慢，使得训练已经停止，而训练误差还很大；如果增加步数，训练时间亦会增加。

3 结束语

基于动量因子的自适应学习速率BP神经网络能够完成T/R组件的温度预测。若将每次开机后温度都记录下来，丰富训练样本，可进一步减少温度预测的误差。由于神经网络具有很强的非线性映射拟合能力，能反映出组件实际工作状态的发展趋势与状态信息之间的关系，因此，当预测程序发出预警，未来时刻组件的温度发生异常，偏离了历史温度值或与相邻组件温度值有较大差异时，雷达操作员将做出相应的预防性维修措施，防止组件因温度过高而受到损伤。

在雷达装备应用PHM技术起步阶段，此方法能够应用到有源相控阵雷达前端的状态预测，提高装备的可靠性和维修性。同时也对其他设备的状态监测及预测起到一定借鉴作用，具有良好的应用前景。

参考文献

[1]郭衍莹.相控阵雷达测试维修技术[M].北京：国防工业出版社，2013：172-174.

[2]周林， 赵杰.装备故障预测与健康管理技术[M].北京：国防工业出版社，2015：168-170.

[3]刘冰，郭海霞.MATLAB神经网络超级学习手册[M].北京：人民邮电出版社，2014：160-164.

[4]陈明.MATLAB神经网络原理与实例精解[M].北京：清华大学出版社，2013：156-160.

[5]肖治平，吴丈全.遗传BP网络在机载雷达故障诊断中的应用研究[J].计算机测量与控制，2011，19（01）：14-25.

[6]陈明.MATLAB神经网络原理与实例精解[M].北京：清华大学出版社，2013：156-160.

作者单位

西安电子工程研究所 陕西省西安市 710100