摘要：快速有效地診斷和排除雷達故障是當前裝備維修保障工作的重點。對雷達這樣復雜的設備進行故障源的充分暴露和故障定位，僅依靠傳統單一的方法有較大的局限性，故設計并實現基于神經網絡(NN)與基于案例推理(CBR)的雷達故障診斷專家系統。該系統主要由輸入模塊，推理模塊及管理維護模塊等組成。診斷實例表明，運用NN與CBR相結合的技術建立的故障診斷專家系統，診斷結果與實際吻合，且具有診斷速度快、針對性強等優點。

　　引言

　　隨著新技術新裝備的應用，一些新體制雷達系統的結構組成較之傳統雷達更為復雜，這給雷達故障的快速、準確診斷提出了更高的要求。由于新體制雷達大批量裝備部隊，使用過程中不可避免地會產生各種各樣的故障，雷達的故障維修任務也越來越重。因此，如果有一種行之有效的診斷方法和手段，使現行裝備各級保障體系相互配合，并能夠準確快速地定位雷達故障并維修，這將對保障雷達正常使用、提高部隊戰斗力有著積極作用。

　　目前故障診斷技術已發展到智能化階段，應用于故障診斷的幾種常用的方法有：基于規則推理、基于模型和神經網絡等，各種診斷方法各有特點和優點，在許多領域都有非常好的應用，但也有各自的局限性。對于雷達這樣高技術復雜裝備，采用單一的故障診斷方法已經越來越難滿足要求。CBR又稱援例推理，是通過訪問知識庫中過去同類問題的求解從而獲得當前問題解決的一種推理模式。CBR不需要進行規則匹配，類似的案例可以通過索引檢索出來而直接得到問題的解答，這就使迅速解決復雜問題成為可能。神經網絡技術以強有力的學習和并行處理能力為故障診斷提供了全新的理論方法和實現手段，而專家系統是具備解釋功能的基于符號的推理系統。把神經網絡(NN)、基于案例推理(CBR)和專家系統理論的故障診斷方法結合起來組建一個集成的智能診斷系統，利用兩種推理各自的推理優勢，形成優勢互補，克服了龐大豐富的知識庫對系統推理效率的影響，從而可以極大地提高雷達故障診斷的正確性和效率。

　　基于NN的雷達故障診斷專家系統設計

　　基于NN的雷達故障診斷專家系統設計分為3個模塊：輸入模塊，推理模塊及管理維護模塊。各模塊之間的關系如圖1所示。　　

 

　　輸入模塊

　　即接收的各種故障信息及現象。輸入層從系統接收輸入信息，即為經過歸一化處理計算出的故障特征值。利用神經網絡進行故障診斷時，首先要把故障信息或現象輸入神經元網絡，并把知識變換成為網絡的權值和閾值，分布存儲在整個神經網絡之中。