遗传算法和神经网络在导弹测试设备故障诊断中的应用研究
(西安 710000)
摘要： 在某型导弹测试设备故障诊断神经网络知识库的组建过程中，针对BP算法易陷入局部极小、收敛速度慢的缺点，
根据遗传算法具有全局寻优的特点，将二者结合起来形成一种训练神经网络的混合算法-GA-BP算法；通过算法比较和实
例结果分析，表明该算法可以有效、可靠地运用于导弹地面测试设备的故障诊断中，并可方便地应用于其它方面。
关键词：神经网络 BP算法 遗传算法 导弹测试 故障诊断
1引言
对于导弹等大型复杂的设备，在进行故障诊断时，很难建立一个足够精确的模型来描述这样一个系
统，利用传统的识别手段很难解决问题，近年来，人工神经网络的发展为解决这个问题提供了有效的途
径。
神经网络在进行故障诊断时多采用BP网络，BP算法的优点是寻优具有精确性，但同时存在一些缺
点，最主要的是易陷入局部极小、收敛速度慢和引起振荡效应等。由于遗传算法具有很强的宏观搜索能
力，且能以较大的概率找到全局最优解，所以用它来完成前期的搜索能较好的克服BP算法的缺点。本
文将二者结合起来，形成一种混合训练算法－GA-BP算法，达到优化网络的目的。
2 导弹测试设备故障诊断神经网络知识库的组建
在某型导弹测试设备故障诊断神经网络知识库的组建中，针对导弹地面设备结构复杂，系统性强，
各分系统相互影响、制约的特点，对系统进行了特点分析和分类归纳，采用层次分类原理进行层次分类
，然后分层次诊断，以保证诊断的快速性。
地面测试设备的故障是与测试步骤、测试动作相联系的，而且故障又可归类在指示灯、测试仪表
及其它三类之中，指示灯涵盖了测试设备的所有指示灯，对于每一个指示灯的故障又可细分为动作过后
不亮、不灭或具有时延性的亮或灭等；对于仪表故障，可分为无读数或读数不对等；其它类故障包含数
据传输错误、计算机显示错误等，故障定位网络主要根据以上所述完成故障的定位，它通过对测试信号
的判别（在线）或用户的选择（离线）对故障进行分类，其输出对应第二层的输入。例如，在建立的故
障诊断系统的诸多神经子网络中，有一仪表网络，其输入输出符号定义如下：
x1: 电压表1是否指示正确 0 正确 1 不正确
x2: 漏电表显示是否漏电 0 不漏电 1 漏电
x3： 电压表2是否指示正确 0 正确 1 不正确
x4： 寿命钟是否有显示 0 有显示 1 无显示
x5： 温度表p6是否损坏 0 未损坏 1 损坏
y1： 调压旋钮BP1,BP2是否有故障 0 没有 1 有
y2： 计算机组合与系统地是否绝缘 0 绝缘 1不绝缘
y3： 寿命钟是否损坏 0 未损坏 1 损坏
y4 ：CZ/CT等是否不通 0 通畅 1 不通
据此建立神经网络，它具有5个输入神经元，4个输出神经元，隐含神经元数取为6个。其训练样本
如表1所示。
表1 某子网络训练样本
样本
号
输 入
输 出
x1
x2
x3
x4
x5
y1
y2
y3
y4
1
0
0
0
0
0
0
0
0
0
2
1
0
0
0
1
1
0
0
0
3
0
1
0
0
1
0
1
0
0
4
0
0
1
0
0
0
0
1
0
