神经网络模型构建方法优化

由图1所示的自动弹库控制系统的结构可知，系统的健康状态与其子系统的健康状态息息相关。只要一个子系统出现故障，整个系统就会失效，使其无法工作。本文在进行健康状态预测设计时，考虑先分别对5个子系统建立预测模型，通过子系统的健康状态来推理整个系统的健康状态。因此，自动弹库健康管理系统有5个神经网络预测模型，分别对应其5个子系统。本文以转运伺服驱动系统故障为例，建立神经网络模型。

转运伺服驱动系统的故障节点较多，难以将全部故障状态作为PHM系统输入，本文选取最能表示系统状态的故障节点来进行设计，降低系统的耦合性。由于转运伺服驱动系统主要通过4种伺服电机来进行驱动控制，且通过测试人员调试记录的历史数据可知，此系统的常见故障均来自系统内各电机的异常甚至是故障，因此各伺服电机的工作特征参数最能表现整个系统的状态。基于以上所述，本文考虑神经网络的输入层为8个神经元，分别为抓取电机电压（X1）、抓取电机电流（X2）、伸缩电机电压（X3）、伸缩电机电流（X4）、回旋电机电压（X5）、回旋电机电流（X6）、传送电机电压（X7）、传送电机电流（X8）；输出层为系统的健康性能参数，采用专家的知识和经验及测试人员提供的系统健康因子来进行表征，因此，将模型的输出定为1个神经元。

一般情况下，隐层节点数与问题的输入、输出节点相关。隐层节点过多使网络学习时间太长，效率低下；隐层节点过少，识别新样本的能力较低，容错性不强［4］。本文在反复验证与比较的基础上，选取隐层的神经元个数为4个。该系统的神经网络模型如图3所示。(www.xing528.com)

图3　转运伺服驱动系统神经网络模型