CN102928791B - 雷达发射机高压电源多参数融合实时健康预报方法 - Google Patents

Abstract

本发明公开了一种雷达发射机高压电源多参数融合实时健康预报方法，首先，通过在线实时监测高压电源输入电压、电流与输出电压、电流信号，实时计算并获取输出电压、输出电阻、输出纹波、电源效率四参数值，并构成四维向量作为高压电源故障特征向量；然后，根据输出电压、输出电阻、输出纹波、电源效率四个参数历史时间序列数据，采用遗传算法和最小二乘支持向量机算法实现四参数的相空间重构；采用多元时间序列局部预测融合法得到未来某时刻四参数值及对应故障特征向量；最后，对未来某时刻高压电源故障特征向量归一化后，计算其与标准故障特征向量的欧氏距离，用以评估高压电源健康状况。本发明能够实现雷达发射机高压电源实时状态监测与故障预测，为雷达发射机高压电源健康状况评估和视情维修提供准确及时的信息。

Description

雷达发射机高压电源多参数融合实时健康预报方法

技术领域

本发明涉及大功率开关电源故障预测与健康管理技术领域，尤其涉及一种应用于雷达发射机高压电源的健康预报方法。 

背景技术

雷达是利用电磁波探测目标的电子装备。雷达发射机中的高压电源不仅供给行波管大功率的能量，且对发射机输出射频信号的性能指标、发射机的体积和重量都起着至关重要的影响，是雷达系统中的关键部件。然而，雷达发射机中的高压电源长期工作在高电压大电流状态下，且工作空间环境复杂，难免会导致雷达电源系统运行异常，故障率一直居高不下。因此，迫切需要对雷达电源进行实时状态监测与健康预报，以便对其进行预防性维修，降低故障风险，为雷达发射机可靠工作提供保障。 

雷达发射机电源为高压直流开关电源，输出高压或大电流的直流电，功率可达几十千瓦，对功率、纹波、稳定性等指标要求极高。开关电源电路中含有功率开关器件，具有强非线性、高频高噪声等特点，数学模型难以建立。此外，由于不同元器件的寿命与可靠性不同，电路中各元器件性能退化及交互耦合作用，很难对由它们组成的电路或设备做准确预测。现阶段，开关电源的故障预测多为电路中关键元器件的预测，而电路级的故障预测研究很少，且仅以电路输出电压值等单一参数评估电路状况，不能真实反映电路故障特征，无法准确预测电路健康状况。 

本发明结合雷达发射机高压电源性能指标要求，采用基于多参数融合的故障预测方法实现雷达发射机高压电源的电路级预测，无需建立高压电源等效失效数学模型。本发明的预测方法中基于遗传算法与最小二乘支持向量机算法对监测到的多参数时间序列进行相空间重构，解决了依靠单参数时间序列重构进行预测不准确问题，能够实现雷达发射机高压电源的准确故障预测。 

发明内容

本发明的目的在于提供一种雷达发射机高压电源多参数融合实时健康预报方法，用于实时进行高压电源的状态监测与故障预测，以提前预知故障发生时间，准确评估高压电源健康状况。 

为了达成上述目的，本发明的解决方案是： 

一种雷达发射机高压电源多参数融合实时健康预报方法，包括以下步骤(1)～(5)： 

(1)实时采集高压电源输入电压、电流和输出电压、电流信号，实时计算并获取输出电压、输出电阻、输出纹波、电源效率四参数值，并构成四维向量作为高压电源故障特征向量； 

(2)对步骤(1)中获取的输出电压、输出电阻、输出纹波、电源效率四个参数历史及当前时刻的时间序列数据，结合遗传算法与最小二乘支持向量机(Least squares support vector machine，LSSVM)进行四参数相空间重构； 

(3)依据步骤(2)中建立的相空间重构模型，采用多元时间序列局部预测融合法获取未来某时刻输出电压、输出电阻、输出纹波、电源效率参数值； 

(4)对高压电源的额定输出电压规定最大输出电阻规定最大输出纹波规定电源效率η^*四参数值对应故障特征向量归一化，得到向量V₀，将其作为标准故障特征向量，对未来某时刻高压电源的故障特征向量归一化后得到向量V，计算V与V₀的欧氏距离d； 

(5)将步骤(4)中获取的未来某时刻欧氏距离d与设定故障阈值d_f比较，若d≥d_f，则判定高压电源故障，若d＜d_f，则判定高压电源尚未发生故障。 

本发明的雷达发射机高压电源多参数融合实时健康预报方法，利用输出电压、输出电阻、输出纹波、电源效率四个参数融合对高压电源健康状况进行评估；所述健康预报方法步骤(2)中，结合遗传算法与最小二乘支持向量机算法，对输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据的四元相空间重构，具体步骤为(a1)～(a4)： 

设输出电压、输出电阻、输出纹波、电源效率四个参数1～k时刻的时间序列数据分别为  ${\left\{x_{1,i}\right\}}_{i=1}^k,{\left\{x_{2,i}\right\}}_{i=1}^k,{\left\{x_{3,i}\right\}}_{i=1}^k,{\left\{x_{4,i}\right\}}_{i=1}^k,$ 相空间重构的状态向量为  $x_n=(x_{1,n},x_{1,n-{\mathrm{\τ}}_1},...,x_{1,n-(m_1-1){\mathrm{\τ}}_1};x_{2,n},x_{2,n-{\mathrm{\τ}}_2},...,x_{2,n-(m_2-1){\mathrm{\τ}}_2};x_{3,n},x_{3,n-{\mathrm{\τ}}_3},...,x_{3,n-(m_3-1){\mathrm{\τ}}_3};x_{4,n},x_{4,n-{\mathrm{\τ}}_4},...,x_{4,n-(m_4-1){\mathrm{\τ}}_4})$ ，n＝k₀，k₀+1，...，k，k₀＝max{(m_l-1)τ_l+1}，τ_l、m_l分别为延迟时间间隔和嵌入维数，其中l＝1，2，3，4； 

(a1)确定τ_l、m_l的取值范围分别为1≤τ_l≤100，1≤m_l≤100，且均为正整数，并给定初始值τ_l，0＝1、m_l，0＝1，其中l＝1，2，3，4； 

(a2)采用最小二乘支持向量机算法，利用输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据进行相空间重构，获取状态空间演化方程x_n+1＝G(x_n)，其中x_n+1为n+1时刻相空间重构的状态向量，具体步骤为(b1)～(b2)： 

(b1)设置最小二乘支持向量机的核函数为径向基核函数，核函数参数gam＝1000， sig2＝0.1； 

(b2)以相空间重构的状态向量x_n为输入，x_n+1为输出，此处n＝k₀，k₀+1，...，k-1，训练最小二乘支持向量机(LSSVM)，即确定状态空间演化方程x_n+1＝G(x_n)。 

(a3)对步骤(a2)中由训练好的最小二乘支持向量机(LSSVM)所建立的状态空间演化方程x_n+1＝G(x_n)，以x_k-1为输入，可获取最小二乘支持向量机(LSSVM)输出值以与x_k的误差作为适应度函数，采用遗传算法寻优，获取最小误差下的τ_l、m_l值，记为τ_l，p、m_l，p，本步骤中的遗传算法为现有成熟方法，具体不再赘述； 

(a4)取τ_l＝τ_l，p、m_l=m_lp，采用最小二乘支持向量机回归拟合得到最优相空间重构下的状态空间演化方程x_n+1＝G_p(x_n)。 

本发明的雷达发射机高压电源多参数融合实时健康预报方法，步骤(3)中采用的多元时间序列局部预测融合法，具体步骤为(c1)～(c3)： 

设T时刻的最优相空间重构状态向量为 

$\begin{array}{c}{x}_T=(x_{1,T},x_{1,T-{\mathrm{\τ}}_{1,p}},...,x_{1,T-(m_{1,p}-1){\mathrm{\τ}}_{1,p}};x_{2,T},x_{2,T-{\mathrm{\τ}}_{2,p}},...,x_{2,T-(m_{2,p}-1){\mathrm{\τ}}_{2,p}};\\ x_{3,T},x_{3,T-{\mathrm{\τ}}_{3,p}},...,x_{3,T-(m_{3,p}-1){\mathrm{\τ}}_{3,p}};x_{4,T},x_{4,T-{\mathrm{\τ}}_{4,p}},...,x_{4,T-(m_{4,p}-1){\mathrm{\τ}}_{4,p}})\end{array}$

(c1)采用多元局部平均预测法得T+q时刻的预测值x_a，T+q，其权重为w_a＝0.4； 

(c2)采用步骤(a4)所建的状态演化方程x_n+1＝G_p(x_n)，由设T时刻的最优相空间重构状态向量逐步迭代计算，得到T+q时刻的预测值x_b，T+q，其权重为w_b＝0.6； 

(c3)根据步骤(c1)～(c2)中的各预测值及相应权重，得到最终高压电源在T+q时刻的预测值x_T+q＝w_a·x_a，T+q+w_b·x_b，T+q，即可得到T+q时刻的输出电压、输出电阻、输出纹波、电源效率四参数值及对应故障特征向量，步骤(c1)中的局部平均预测法为现有成熟方法，此处具体不再赘述。 

本发明中，高压电源故障的判定依据是：高压电源故障特征向量与标准故障特征向量的欧氏距离d超过故障阈值d_f。高压电源故障阈值d_f的设定方法为：对输出电压为(1±20％) 输出电阻为(1±20％)输出纹波为120％电源效率为80％η^*时相应的故障特征向量进行归一化，得到向量V_f，计算V_f与V₀的欧氏距离，即为d_f。 

附图说明

图1是典型雷达发射机高压电源结构框图； 

图2是雷达发射机高压电源多参数融合实时健康预报方法流程图。 

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。 

如图1所示，雷达发射机高压电源工作原理为：单相或三相交流电路滤波后经全桥整流变成直流电，再经DC/AC逆变得到高频交流电，最后经高频整流并滤波后得到所需高压直流电。 

如图2所示，本发明的雷达发射机高压电源多参数融合实时健康预报方法，具体实施包括如下步骤： 

(1)实时采集高压电源输入电压、电流和输出电压、电流信号，实时获取并计算输入电压、输入电流、输出电压、输出电流、输出电阻、输出纹波、电源效率各参数，并以输出电压、输出电阻、输出纹波、电源效率四参数值构成四维向量，作为高压电源故障特征向量。 

输出电阻为输出电压的变化量ΔU_o与负载电流的变化量ΔI_L的比值(取绝对值)，记为R_o，计算公式为式(1)。 

R_o＝|ΔU_o/ΔI_L|                                        式(1) 

输出纹波为输出电压信号中的峰峰值，记为U_PP。 

电源效率指输出有功功率与输入有功功率之比，记为η，计算公式为式(2)。 

$\mathrm{\η}=\frac{U_o{I}_o}{U_i{I}_i}\×100\%$ 式(2) 

式(2)中U_i、I_i、U_o、I_o分别为输入电压、输入电流、输出电压、输出电流的平均值。 

(2)对步骤(1)中获取的输出电阻、输出电压、输出纹波、电源效率四个参数历史及当前时刻的时间序列数据，结合遗传算法与最小二乘支持向量机(Least squares support vector machine，LSSVM)进行四参数相空间重构。 

使用遗传算法与最小二乘支持向量机算法，对输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据的四元相空间重构，具体步骤为(a1)～(a4)： 

设输出电压、输出电阻、输出纹波、电源效率四个参数1～k时刻的时间序列数据分别为 相空间重构的状态向量为  $x_n=(x_{1,n},x_{1,n-{\mathrm{\τ}}_1},...,x_{1,n-(m_1-1){\mathrm{\τ}}_1};x_{2,n},x_{2,n-{\mathrm{\τ}}_2},...,x_{2,n-(m_2-1){\mathrm{\τ}}_2};x_{3,n},x_{3,n-{\mathrm{\τ}}_3},...,x_{3,n-(m_3-1){\mathrm{\τ}}_3};x_{4,n},x_{4,n-{\mathrm{\τ}}_4}{,}_{}...,x_{4,n-(m_4-1){\mathrm{\τ}}_4})$ ，n＝k₀，k₀+1，...，k，k₀＝max{(m_l-1)τ_l+1}，τ_l、m_l分别为延迟时间间隔和嵌入维数，其中l＝1，2，3，4； 

(a1)确定τ_l、m_l的取值范围分别为1≤τ_l≤100，1≤m_l≤100，且均为正整数，并给定初始值τ_l，0＝1、m_l，0＝1，其中l＝1，2，3，4； 

(a2)采用最小二乘支持向量机算法利用输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据进行相空间重构，获取状态空间演化方程x_n+1＝G(x_n)，其中x_n+1为n+1时刻相空间重构的状态向量，具体步骤为(b1)～(b2)： 

(b1)设置最小二乘支持向量机的核函数为径向基核函数，核函数参数gam＝1000，sig2＝0.1； 

(b2)以相空间重构的状态向量x_n为输入，x_n+1为输出，此处n＝k₀，k₀+1，...，k-1，训练最小二乘支持向量机(LSSVM)，即确定状态空间演化方程x_n+1＝G(x_n)。 

(a3)对步骤(a2)中由训练好的最小二乘支持向量机(LSSVM)所建立的状态空间演化方程x_n+1＝G(x_n)，以x_k-1为输入，可获取最小二乘支持向量机(LSSVM)输出值 与x_k的误差作为适应度函数，采用遗传算法寻优，获取最小误差下的τ_l、m_l值，记为τ_l，p、m_l，p。 

本步骤(a3)中采取的遗传算法，根据τ_l、m_l的取值范围采用二进制编码及解码方案；初始种群随机生成，采用“轮盘赌”选择方法，每个个体进入下一代的概率为其适应度值与整个种群中个体适应度之和的比值；以与x_k的误差作为适应度函数；对两个随机选择配对的染色体个体按单点交叉方式相互交换其部分基因(交叉点按照概率选择，交叉概率Pc＝0.6)，在每一代个体中，若产生的随机数小于设定的交叉概率，则随机选择两个染色体，且随机选择交叉点位置，在交叉点处交换基因实现父代的交叉；变异过程是对染色体基因位进行概率变异，设置初始变异概率P_m＝0.1，并随着进化代数的增加逐渐减小变异概率；当达到预定的进化代数，或者最优个体的误差为某一阈值时，则进化过程终止，设定终止代数为4000代，误差为0.1。利用遗传算法进化搜索得到最小误差时的个体，最优个体解码就对应最优的τ_l、m_l，即τ_l，p、m_l，p； 

(a4)取τ_l=τ_l，p、m_l=m_l，p，采用最小二乘支持向量机回归拟合得到最优相空间重构下的 状态空间演化方程x_n+1＝G_p(x_n)。 

(3)依据步骤(2)中建立的相空间重构模型，采用多元时间序列局部预测融合法获取未来某时刻输出电压、输出电阻、输出纹波、电源效率参数值。 

本步骤中采用的多元时间序列局部预测融合法，具体步骤为(c1)～(c4)： 

设T时刻的最优相空间重构状态向量为 

$\begin{array}{c}{x}_T=(x_{1,T},x_{1,T-{\mathrm{\τ}}_{1,p}},...,x_{1,T-(m_{1,p}-1){\mathrm{\τ}}_{1,p}};x_{2,T},x_{2,T-{\mathrm{\τ}}_{2,p}},...,x_{2,T-(m_{2,p}-1){\mathrm{\τ}}_{2,p}};\\ x_{3,T},x_{3,T-{\mathrm{\τ}}_{3,p}},...,x_{3,T-(m_{3,p}-1){\mathrm{\τ}}_{3,p}};x_{4,T},x_{4,T-{\mathrm{\τ}}_{4,p}},...,x_{4,T-(m_{4,p}-1){\mathrm{\τ}}_{4,p}})\end{array}$

(c1)采用多元局部平均预测法得T+q时刻的预测值x_a，T+q，其权重为w_a＝0.4； 

(c2)采用步骤(a4)所建的状态演化方程x_n+1＝G_p(x_n)，由T时刻的最优相空间重构状态向量逐步迭代计算，得到T+q时刻的预测值x_b，T+q，其权重为w_b＝0.6； 

(c3)根据步骤(c1)～(c2)中的各预测值及相应权重，得到最终开关电源在T+q时刻的预测值x_T+q＝w_a·x_a，T+q+w_b·x_b，T+q，即可得到T+q时刻的输出电压、输出电阻、输出纹波、电源效率四参数值及对应故障特征向量，步骤(c1)中的局部平均预测法为现有成熟方法，此处具体不再赘述。 

(4)对高压电源的额定输出电压规定最大输出电阻规定最大输出纹波规定电源效率η^*四参数值对应故障特征向量归一化，得到向量V₀，将其作为标准故障特征向量，对未来某时刻高压电源的故障特征向量归一化后得到向量V，计算V与V₀的欧氏距离d。 

设高压电源的故障特征向量S＝[s₁ s₂ s₃ s₄]，其中s₁、s₂、s₃、s₄分别为高压电源的输出电压值、输出电阻值、输出纹波值、电源效率值。对S进行归一化后得到向量V，具体方法为： 

${\stackrel{\‾}{s}}_i=\frac{s_i-\min \left(s_i\right)}{\max \left(s_i\right)-\min \left(s_i\right)}$   式(3) 

其中，max(s_i)为取最大值，min(s_i)为取最小值，i=1，2，3，4。 

则： $V=\left[\begin{array}{cccc}{\stackrel{\‾}{s}}_1& {\stackrel{\‾}{s}}_2& {\stackrel{\‾}{s}}_3& {\stackrel{\‾}{s}}_4\end{array}\right]$

对高压电源的额定输出电压规定最大输出电阻规定最大输出纹波规定电源效率η^*四参数值对应故障特征向量，按照式(3)归一化，得到标准故障特征向量V₀为 则V与V₀的欧氏距离d计算如式(4)： 

$d=\sqrt{\underset{i=1}{\overset{4}{\mathrm{\Σ}}}({\stackrel{\‾}{s}}_i-{\stackrel{\‾}{s}}_{i,0})}$ 式(4) 

(5)将步骤(4)中获取的未来某时刻欧氏距离d与设定故障阈值d_f比较，若d≥d_f，则判定高压电源故障，若d＜d_f，则判定高压电源尚未发生故障。 

Claims (5)

1.一种雷达发射机高压电源多参数融合实时健康预报方法，其特征在于，包括以下步骤： 

(1)实时采集高压电源输入电压、电流和输出电压、电流信号，实时计算并获取输出电压、输出电阻、输出纹波、电源效率四参数值，并构成四维向量作为高压电源故障特征向量； 

(2)对步骤(1)中获取的输出电压、输出电阻、输出纹波、电源效率四个参数历史及当前时刻的时间序列数据，使用遗传算法与最小二乘支持向量机进行四参数相空间重构； 

(3)依据步骤(2)中建立的相空间重构模型，采用多元时间序列局部预测融合法获取未来某时刻输出电压、输出电阻、输出纹波、电源效率四参数值及对应故障特征向量； 

(4)对高压电源的额定输出电压规定最大输出电阻规定最大输出纹波规定电源效率η^*四参数值对应故障特征向量归一化，得到向量V₀，将其作为标准故障特征向量；对未来某时刻高压电源的故障特征向量归一化后得到向量V，计算V与V₀的欧氏距离d； 

(5)将步骤(4)中获取的未来某时刻欧氏距离d与设定故障阈值d_f比较，若d≥d_f，则判定高压电源故障，若d＜d_f，则判定高压电源尚未发生故障。 

2.如权利要求1所述雷达发射机高压电源多参数融合实时健康预报方法，其特征在于，所述健康预报方法步骤(2)中，使用遗传算法与最小二乘支持向量机算法，对输出电压、输出电阻、输出纹波、电源效率四个参数时间序列数据的四元相空间重构，具体步骤为： 

设输出电压、输出电阻、输出纹波、电源效率四个参数1～k时刻的时间序列数据分别为 相空间重构的状态向量为 ，n＝k₀，k₀+1，...，k，k₀＝max{(m_l-1)τ_l+1}，τ_l、m_l分别为延迟时间间隔和嵌入维数，其中l＝1，2，3，4； 

(2.1)确定τ_l、m_l的取值范围分别为1≤τ_l≤100，1≤m_l≤100，且均为正整数，并给定初始值τ_l，0＝l、m_l，0＝1，其中l＝1，2，3，4； 

(2.2)采用最小二乘支持向量机算法利用四个参数时间序列数据进行相空间重构，获取状态空间演化方程x_n+1＝G(x_n)，其中x_n+1为n+1时刻相空间重构的状态向量； 

(2.3)对步骤(2.2)中由训练好的最小二乘支持向量机所建立的状态空间演化方程x_n+1＝G(x_n)，以x_k-1为输入，可获取最小二乘支持向量机输出值以与x_k的误差作为适应度函数，采用遗传算法寻优，获取最小误差下的τ_l、m_l值，记为τ_l，p、m_l，p； 

(2.4)取τ_l＝τ_l，p、m_l＝m_l，p，采用最小二乘支持向量机回归拟合得到最优相空间重构下的状态空间演化方程x_n+1＝G_p(x_n)。 

3.如权利要求2所述雷达发射机高压电源多参数融合实时健康预报方法，其特征在于，所述健康预报方法步骤(2.2)中，采用最小二乘支持向量机算法利用四个参数时间序列数据进行相空间重构，获取状态空间演化方程x_n+1＝G(x_n)，具体步骤为： 

(3.1)设置最小二乘支持向量机的核函数为径向基核函数，核函数参数gam＝1000，sig2＝0.1； 

(3.2)以相空间重构的状态向量x_n为输入，x_n+1为输出，此处n＝k₀，k₀+1，...，k-1，训练最小二乘支持向量机，即确定状态空间演化方程x_n+1＝G(x_n)。 

4.如权利要求2所述雷达发射机高压电源多参数融合实时健康预报方法，其特征在于，所述健康预报方法步骤(3)中，所述多元时间序列局部预测融合法，具体步骤为： 

设T时刻的最优相空间重构状态向量为 

(4.1)采用多元局部平均预测法得T+q时刻的预测值x_a，T+q，其权重为w_a＝0.4； 

(4.2)采用步骤(2.4)所建的状态演化方程x_n+1＝G_p(x_n)，由T时刻的最优相空间重构状态向量逐步迭代计算，得到T+q时刻的预测值x_b，T+q，其权重为w_b＝0.6； 

(4.3)根据步骤(4.1)～(4.2)中的各预测值及相应权重，得到最终高压电源在T+q时刻的预测值x_T+q＝w_a·x_a，T+q+w_b·x_b，T+q，即可得到T+q时刻的输出电压、输出电阻、输出纹波、电源效率四参数值及对应故障特征向量。 

5.如权利要求1所述雷达发射机高压电源多参数融合实时健康预报方法，其特征在于，所述健康预报方法步骤(5)中，高压电源故障阈值d_f的设定方法为：对输出电压为(1±20％) 输出电阻为(1±20％)输出纹波为电源效率为80％η^*时相应的故障特征向量进行归一化，得到向量V_f，计算V_f与V₀的欧氏距离，即为d_f。