蒋艳艳

（95949 部队，河北 沧州 061000）

1 相关概念表述

1.1 BP 神经网络

1986 年，鲁姆哈特和麦克兰德首次提出BP 神经网络概念，这是神经网络中最有代表性的算法，具有误差逆向传播的反馈优势。BP 神经网络在输入层和输出层中间加入一层或多层的神经元节点，被称为隐层，这些隐层神经元没有与外界之间的直接联系，而是作为中间节点影响输入节点和输出节点的关系。

1.2 雷达故障

雷达（Radar）原意是“无线电探测与定位”的英文缩写，基本任务是探测目标位置，其工作原理是雷达发射机把无线电波发射到指定的方向，在发射空间位置上的物体反射电波，雷达接收到返回的信号，测定有关目标的距离、方向、速度等状态参数。近年来，雷达技术应用十分广泛，已经融入到人们生活的方方面面，不仅应用在民用，而且在军事上有着广泛的用途，包括预警雷达、航管雷达、引导雷达、炮瞄雷达、雷达引信、战场监视雷达等，能够完成搜索、跟踪、火控、天气、合成孔径等多种功能。雷达故障诊断就是按照雷达的运行状况，对内部的各类数据进行收集，并对数据进行研究、判断、寻找故障节点，找到雷达发生故障的影响因素，进而为军队雷达维修提供坚强的保障。雷达故障诊断技术经历了专业技术人员原始诊断、材料分析技术故障诊断、传感器与计算机技术故障诊断和智能化故障诊断四个阶段[1]。随着信息时代的快速发展，军事雷达装备的可靠性、有效性、稳定性问题变得十分重要，将神经网络技术应用于雷达故障诊断领域已经成为必然趋势。

2 BP 神经网络在雷达故障诊断中面临的问题

以往雷达故障诊断的方式虽然取得了一定的成效，但仍然存在故障诊断速度慢、诊断效果不直观、诊断分析不透明及缺乏智能化学习诊断等问题。随着神经网络技术的日趋成熟，将其应用在解决雷达故障过程中有着较强优势，但同时也存在不可忽视的问题。第一，故障诊断的过程需要数据作为支撑，成千上万数据的学习，使系统运行起来十分复杂，对学习速度的能力是一个考验。第二，容易将数据陷入极限值，整个诊断的过程就是数据学习的过程，在此过程中容易向极大、极小值偏向，造成数据的不稳定，检测结果的不可靠。第三，雷达技术的更新迭代迅速，需要人工神经网络系统不断优化，才能满足检测故障的可靠性[2]。

3 基于BP 神经网络故障的模型建立

雷达发射器是雷达系统中最重要的组成部分，由固态放大模块、单注速调管放大器、调制电源、灯丝电源及钛泵电源等部分构成，各电路模块间的关联度高，一旦出现故障，诊断起来极为困难。以某雷达终端为例，通过分析雷达的运行记录和检修数据，归纳出该雷达发射机的9 个具有普遍性的故障特征，8 个典型故障，14 个隐含节点数，即：整个网络的输入节点数为9，输出节点数为8，建立9-14-8 的BP 网络结构，利用神经网络对雷达的故障进行诊断。表1 为BP 网络输入/输出表。

本研究采用MATLAB 仿真进行分析，输入收集的样本数据进行BP 神经网络学习训练，为雷达系统诊断故障打下良好得基础[3]。按照雷达发射器之间的特征和故障问题的关联，获得故障样本表，如表2 所示。

把多组故障样本输入到网络中进行学习，确保构建的网络达到理想的状态。经过网络学习训练，对采集测试的数据经过处理后，输入到已经训练好的网络进行诊断，输入的故障特征，得到样本1 对应00 100000；样本2对应00 010000；样本3对应00000010，说明故障诊断的方式与实际故障相匹配，表明遗传BP 神经网络算法具有良好的泛化效果，可有效解决雷达故障自动检测与诊断需求。表3 为故障样本表，4 为诊断结果表。

表1 BP 网络输入/输出表

4 结论

从多重角度进行分析，将BP 神经网络技术应用在雷达故障诊断过程中，通过自我组织、自我学习、自我适应的能力，可以满足雷达故障自动检测与诊断的需要，使神经网络诊断故障的能力大幅度提高，精准性不断增强。通过实践研究表明，该技术在雷达系统中诊断故障是可行的，能够取得良好的应用效果，对于改进智能化自动故障检测系统，提升部队雷达系统的安全运行具有重要作用。

表2 测试样本数据表

表3 故障样本表

表4 诊断结果表