基于grnn神经网络的ads-b系统故障率预测

《基于grnn神经网络的ads-b系统故障率预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于GRNN神经网络的ADS?B系统故障率预测摘要：为指导制定ADS?B系统的维护策略，提高系统完好率，提出一种利用GRNN神经网络对故障率进行预测的方法。利用总使用时间、维护质量、环境温度和环境湿度的特征数据作为输入向量，故障率为输出向量，建立GRNN神经网络故障预测模型。仿真实例表明，GRNN神经网络预测模型具有较高的预测精度、稳定的网络以及较快的收敛速度，预测结果可为科学制定维护策略提供帮助。关键词：ADS?B系统；GRNN神经网络；故障率预测；故障预测模型中图分类号：TN965.6?34；V24

2、0.2文献标识码：A文章编号：1004?373X（2014）15?0107?03ADS?Bsystem′sfailureratepredictionbasedonGRNNneuralnetworkHUShui?jing（CivilAviationFlightUniversityofChina，Guanghan618307，China）Abstract：InordertoinstructtheformulationofmaintenancepolicyforADS?Bsystemandimprovethe

3、systemavailability，amethodtopredictthefailure10ratebytheaidofGRNNneuralnetworkisputforwardinthispaper.AGRNNneuralnetworkfailureratepredictionmodelwasestablishedbytakingthecharacteristicdataoftotalworkingtime，environmenttemperature，environmenthumidityandm

4、aintainqualityasinputvector，andthefailurerateasoutputvector.Thesimulationexampleshowsthatthepredictionmodelhastheadvantagesofhigh?accuracyprediction，stablenetworkandquickconvergence，andthepredictedresultscanprovideahelpforformulationofthescientificmainte

5、nancepolicy.Keywords：ADS?Bsystem；GRNNneuralnetwork；failurerateprediction；failurepredictionmodel0引言广播式自动相关监视系统（AutomaticDependent10Surveillance?Broadcast，ADS?B）是利用全球卫星定位系统及机载设备产生自身状态数据，以地空/空空数据链为通信手段的一种飞机运行监视技术。ADS?B系统可实现空地飞机的实时跟踪定位和相互感知，达到自动监控和预警，避免飞机危险接

6、近，可有效缩小飞机之间的间隔并提高运行安全水平[1]。ADS?B系统作为空管领域的一项新技术，在中国民航飞行学院得到了全面应用，替代了地面塔台管制员靠陆空对话确定飞机的位置和高度，利用“摆棋子”、目视以及记忆等指挥飞机的传统方式，虽然大大提高了飞行训练数量和质量，但造成了空管指挥对ADS?B系统的高度依赖性，一旦该系统发生故障，将会影响飞行训练的正常运行，甚至危及飞行安全。因此，研究如何提高ADS?B系统的完好率，是当前设备维护人员亟待解决的新课题。ADS?B系统故障率的准确预测，将对指导制定维护策略，

7、提高完好率具有重要意义。人工神经网络具有强大的非线性映射能力，处理复杂性和多变性问题具有较大的优势，在故障率预测方面得到了广泛的应用。然而，ADS?B系统是一种新兴技术，目前尚未发现针对其故障率进行预测的相关研究报道[2?5]。为此，本文提出一种基于广义回归神经网络（GeneralizedRegressionNeuralNetwork，GRNN），利用故障率影响因素的特征数据，对ADS?B系统故障率进行预测的方法。1GRNN神经网络模型GRNN是径向基神经网络模型的一种，具有很强的非线性映射能力和柔性网

8、络结构以及高度的容错性和鲁棒性，适用于解决非线性问题[6]。GRNN的结构如图1所示，由输入层、模式层、求和层和输出层四层构成。对应网络输入[X=[x1，x2，…，xn]T，]其输出为[Y=[y1，y2，…，yn]T。]101.1输入层输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布元，直接将输入变量传递给模式层。图1GRNN神经网络结构1.2模式层模式层神经元数目等于学习样本的数目[n，]各神经元对应不同的样本，模式层