CN105891794B - 基于模糊准则的雷达健康管理方法及系统 - Google Patents
基于模糊准则的雷达健康管理方法及系统 Download PDFInfo
- Publication number
- CN105891794B CN105891794B CN201610209583.8A CN201610209583A CN105891794B CN 105891794 B CN105891794 B CN 105891794B CN 201610209583 A CN201610209583 A CN 201610209583A CN 105891794 B CN105891794 B CN 105891794B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- radar
- parameter
- procedure parameter
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Air Conditioning Control Device (AREA)
- Alarm Systems (AREA)
Abstract
本发明提出了一种基于模糊准则的雷达健康管理方法及系统,包括:采集雷达部件的多个过程参数;将数字量形式的过程参数送入模糊控制器,由模糊控制器将每个过程参数与对应的参考值进行比较,计算每个过程参数相对参考值的偏差值和参数偏差的变化率;计算每个过程参数的偏差值和参考值的比值的绝对值,将绝对值与预设阈值进行比较;对偏差值和变化率进行模糊化处理和模糊推理,得到该过程参数的模糊健康值,然后进行反模糊处理;计算出每个过程参数的健康状态精确值并进行加权处理,得到雷达部件的最终健康状态。本发明将无法用精确数据表示的专家经验模糊化,变为雷达健康状态模糊知识库,经过模糊推理后,具有智能雷达故障预测的能力。
Description
技术领域
本发明涉及雷达检测技术领域,特别涉及一种基于模糊准则的雷达健康管理方法的系统。
背景技术
雷达作为一种复杂的军用综合电子设备,主要用于发现和探测各种飞行目标,越来越受到关注,而其战斗力的可持续性是雷达装备性能优劣的一个重要标志。早期的雷达大多采用各个现场可更换单元(LRU)送出的机内自测(BIT)信号进行故障后的反应式维修,这种故障检测方法只针对上报故障的单元进行维修,经常会出现维修不彻底的现象,造成设备长期处于维修状态,不仅增加了雷达的维护成本,也降低了雷达的战斗力的可持续性。
近年来,有人提出采用雷达整机故障树的方法对雷达各个可更换单元进行故障监测。这种方式虽然可以提高雷达整机的故障定位效率,但是利用故障树进行故障监测,大多需要依靠雷达使用人员从树底进行逐个排查,这很大程度依赖于使用人员的操作经验和熟练度,而设计人员和使用人员的经验大多是比较模糊的概念,无法形成准确的判断依据。另外,依靠整机故障树的监测方法,也只能在故障发生后进行准确的故障定位,无法进行故障的预测。
发明专利CN 104459642A公开了一种雷达远程故障诊断系统,该故障诊断系统利用Internet具有的结构开放性、信息共享等特性,克服了一般系统难以克服的障碍,具有更高的性价比和更强的诊断能力。但是,该故障诊断系统只是在故障发生后进行诊断,而不能在雷达运行工作中实时对故障进行前期预测。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此,本发明的目的在于提出一种基于模糊准则的雷达健康管理方法及系统,将无法用精确数据表示的专家经验模糊化,变为雷达健康状态模糊知识库,经过模糊推理后,具有智能雷达故障预测的能力。
为了实现上述目的,本发明一方面的实施例提供一种基于模糊准则的雷达健康管理方法,包括如下步骤:
步骤S1,采集雷达部件的多个过程参数,将所述过程参数统一转换为数字量;
步骤S2,将数字量形式的过程参数送入模糊控制器,由所述模糊控制器将每个所述过程参数与对应的参考值r进行比较,计算每个过程参数相对参考值的偏差值e和参数偏差的变化率e/c;
步骤S3,计算每个过程参数的偏差值e和参考值r的比值的绝对值|e/r|,将所述绝对值|e/r|与预设阈值进行比较,如果所述|e/r|小于或等于所述预设阈值,则执行步骤S4,否则发出故障报警;
步骤S4,利用预设的模糊知识库中的模糊隶属度准则对所述偏差值e和变化率e/c进行模糊化处理和模糊推理,得到该过程参数的模糊健康值,然后通过对所述模糊健康值进行反模糊处理,得到该过程参数的健康状态精确值;
步骤S5,重复步骤S3和步骤S4,计算出每个过程参数的健康状态精确值,对上述多个过程参数的健康状态精确值进行加权处理,得到雷达部件的最终健康状态。
进一步,所述过程参数包括:雷达部件所在环境的温湿度参数、雷达接收机的脉冲频率和周期、雷达驻波比、雷达的结构件形变参数。
进一步,在所述步骤S2中,每个过程参数的参考值r存储于所述模糊控制器的模糊知识库中,通过反模糊处理后作为所述模糊控制器的一个输入量,所述模糊控制器的另一个输入量为所述数字量形式的过程参数,其中,所述模糊控制器的输入变量的模糊化隶属度函数采用高斯函数定义;
在所述步骤S5中,所述模糊控制器的输出量为每个过程参数的健康状态精确值,其中,所述模糊控制器的输出变量的模糊化隶属度函数采用三角函数定义。
进一步,在所述步骤S4中,所述反模糊处理采用最小-最大-重心法进行反模糊运算。
根据本发明实施例的基于模糊准则的雷达健康管理方法,通过对雷达工作时过程参数,例如环境参数、雷达各部件实时工作参数如雷达发射功率、雷达接收噪声电平,雷达电源参数等数据进行采集后,送入模糊控制器中,利用模糊控制器中的模糊知识库进行模糊推理,最终给出整机所有可更换单元的故障预测结果。本发明突破雷达的传统故障监测方式,实现雷达的可预测维修,提高雷达的战斗可持续性,将无法用精确数据表示的专家经验模糊化,变为雷达健康状态模糊知识库,经过模糊推理后,具有智能雷达故障预测的能力。
本发明另一方面实施例提供一种基于模糊准则的雷达健康管理系统,包括:过程参数采集模块,用于采集雷达部件的多个过程参数;AD转换模块,所述AD转换模块与所述过程参数采集模块相连,用于将部分所述过程参数统一转换为数字量;模糊控制器,所述模糊控制器与所述过程参数采集模块和所述AD转换模块相连,用于接收来自所述过程参数采集模块和所述AD转换模块的数字量形式的过程参数,将每个所述过程参数与对应的参考值r进行比较,计算每个过程参数相对参考值的偏差值e和参数偏差的变化率e/c,然后计算每个过程参数的偏差值e和参考值r的比值的绝对值|e/r|,将所述绝对值|e/r|与预设阈值进行比较,如果所述|e/r|小于或等于所述预设阈值,则利用预设的模糊知识库中的模糊隶属度准则对所述偏差值e和变化率e/c进行模糊化处理和模糊推理,得到该过程参数的模糊健康值,然后通过对所述模糊健康值进行反模糊处理,得到该过程参数的健康状态精确值;如果所述|e/r|大于所述预设阈值,则发出故障报警;参数综合模块,所述参数综合模块与所述模糊控制器相连,对所述模糊控制器计算出的每个过程参数的健康状态精确值进行加权处理,得到雷达部件的最终健康状态。
进一步,所述过程参数采集模块包括:
数字式温湿度传感,用于采集雷达部件所在环境的温湿度参数;
高频时钟,用于采集雷达接收机的脉冲频率和周期;
雷达驻波比计算模块,包括定向耦合器、固定衰减器和电桥电路,用于将雷达入射功率和反射功率转换成交流电压进行采集,得到雷达驻波比;
线性差动变压器,用于将雷达的机械位移转变为交流电压,得到所述雷达的结构形变参数。
进一步,每个过程参数的参考值r存储于所述模糊控制器的模糊知识库中,通过反模糊处理后作为所述模糊控制器的一个输入量,所述模糊控制器的另一个输入量为所述数字量形式的过程参数,其中,所述模糊控制器的输入变量的模糊化隶属度函数采用高斯函数定义;
所述模糊控制器的输出量为每个过程参数的健康状态精确值,其中,所述模糊控制器的输出变量的模糊化隶属度函数采用三角函数定义。
进一步,所述模糊控制器采用最小-最大-重心法进行反模糊运算。
根据本发明实施例的基于模糊准则的雷达健康管理系统,通过对雷达工作时过程参数,例如环境参数、雷达各部件实时工作参数如雷达发射功率、雷达接收噪声电平,雷达电源参数等数据进行采集后,送入模糊控制器中,利用模糊控制器中的模糊知识库进行模糊推理,最终给出整机所有可更换单元的故障预测结果。本发明突破雷达的传统故障监测方式,实现雷达的可预测维修,提高雷达的战斗可持续性,将无法用精确数据表示的专家经验模糊化,变为雷达健康状态模糊知识库,经过模糊推理后,具有智能雷达故障预测的能力。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于模糊准则的雷达健康管理方法的流程图;
图2为根据本发明实施例的基于模糊准则的雷达健康管理方法的原理图;
图3为根据本发明实施例的模糊控制器输入变量的隶属度函数图;
图4为根据本发明实施例的模糊控制器输出变量的隶属度函数图;
图5为根据本发明实施例的基于模糊准则的雷达健康管理系统的结构图;
图6为根据本发明实施例的数字式温湿度传感的电路原理图;
图7为根据本发明实施例的A/D转换模块的电路原理图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提出一种基于模糊准则的雷达健康管理方法及系统,可以实现对雷达各部件的故障预测和健康管理,从而管理员可以及时采取故障排除措施。
如图1所示,本发明实施例的基于模糊准则的雷达健康管理方法,包括如下步骤:
步骤S1,采集雷达部件的多个过程参数,将过程参数统一转换为数字量。
在本发明的一个实施例中,雷达部件的过程参数包括:雷达部件所在环境的温湿度参数、雷达接收机的脉冲频率和周期、雷达驻波比、雷达的结构件形变参数。需要说明的是,步骤S1中的雷达部件的过程参数不限于上述举例,还可以为雷达部件工作过程中的其他过程参数,在此不再赘述。
具体地,在本步骤中,采用数字式温湿度传感器使用对雷达部件所在环境的温湿度参数进行采集。采用高频时钟计数的方法对雷达接收机的脉冲频率和周期进行采集。采用定向耦合器、固定衰减器和电桥电路的组合,将雷达入射功率和反射功率转换成交流电压进行采集,从而可以得出雷达驻波比。对于雷达天线等结构件的形变,采用LVDT(线性差动变压器)将机械位移转变为交流电压。在本发明的一个实施例中,上述过程参数组成了可影响雷达健康状态的因素集合U,U={u1,u2,…,un}。
需要说明的是,过程参数中,温湿度参数、频率、周期均为数字量,雷达驻波比、雷达的结构件形变参数为模拟量,需要经过A/D转换器来转换为数字量,然后将数字量形式的过程参数发送至模糊控制器中。
数字式温湿度传感器采用单片机+全数字传感器实现,传感器SHT11的串行时钟和串行数据接口与单片机的IO口18、19脚相连,单片机通过IO口向传感器发送“启动传输”、“温湿度测量”、“通讯复位”等串行指令。传感器会将实时测量的温湿度数据通过串口回送至单片机中,单片机再通过自带异步发送串口3脚将温湿度数据发送出去。单片机的程序保存在串行EEPROM芯片CAT93C46PI中。
A/D转换器采用电压型A/D转换芯片AD7490,所有电压模拟量均通过AD7490转换为数字量送入雷达故障管理系统。模拟电压信号通过整形和保护后进入AD7490的电压输入引脚VIN0~VIN16,同时AD7490的串行时钟接口SCLK、串行数据输出接口DOUT、片选接口/CS、数据输入接口DIN与FPGA相连接,FPGA通过/CS和DIN对输入电压通道进行选择和控制,而AD7490通过SCLK和DOUT将每个通道的电压幅值发送至FPGA,由FPGA进行采集。A/D转换芯片AD7490的电压基准由电压基准芯片AD780提供,AD780的8脚不接,表示选择的输出电压基准为2.5V。
步骤S2,将数字量形式的过程参数送入模糊控制器,由模糊控制器将每个过程参数与对应的参考值r进行比较,计算每个过程参数相对参考值的偏差值e和参数偏差的变化率e/c。
在本步骤中,每个过程参数的参考值r存储于模糊控制器的模糊知识库中,通过反模糊处理后作为模糊控制器的一个输入量,模糊控制器的另一个输入量为数字量形式的过程参数,其中,模糊控制器的输入变量的模糊化隶属度函数采用高斯函数定义。
模糊控制器采用常用的工业控制计算机实现,具有模块化、可扩展等特点。雷达采集的过程状态参数通过计算机扩展的IO板卡接入计算机中,首先从知识库中调取相应参数的参考值r,将数字量形式的过程参数与模糊知识库中保存的参考值r进行比较,得出当前参数与参考值a之间的偏差值e,再通过对该偏差值e进行时间的积分变换,得到参数偏差值的变化率e/c。
需要说明的是,模糊控制器中的故障模糊知识库是通过统计雷达正常工作下的参数以及设计、调试人员的故障判断经验而形成的。
步骤S3,计算每个过程参数的偏差值e和参考值r的比值的绝对值|e/r|,将绝对值|e/r|与预设阈值进行比较,如果|e/r|小于或等于预设阈值,则执行步骤S4,否则发出故障报警。优选的,预设阈值可以为0.5。
由于雷达是一个复杂系统,会出现很多的突发的偶然故障。对这些故障的发生,需要快速的进行故障报警,所以将误差偏离值e和参考值r比例值的绝对值|e/r|的大小进行判断,若该值不小于0.5,则认为发生了突发性故障,则直接对该参数所属的零部件或者整件进行故障报警。若该值小于0.5,则认为没有发生突发性故障,需要通过模糊控制器进行模糊推理对当前雷达的健康状态进行预测和判断,执行步骤S4。
步骤S4,对部件的各个参数采用归一化处理后,利用预设的模糊知识库中的模糊隶属度准则对偏差值e和变化率e/c进行模糊化处理和模糊推理,得到该过程参数的模糊健康值,然后通过对模糊健康值进行反模糊处理,得到该过程参数的健康状态精确值。
在本步骤中,模糊推理需要确定模糊控制器的输入、输出变量的论域及其隶属度函数、模糊控制规则、反模糊化方法等。
参考图2,将偏差值e进行时间上的积分变换得到误差变化速度e/c,将e和e/c作为模糊控制器的输入,对其进行模糊化。因为雷达的参数值各种各样,各种数值的大小也不同,所以采用相对值进行模糊量化。将e和ec转换成er和ecr后再进行量化,即
er=e/r;
ecr=d(e/r)/dt。
图3为根据本发明实施例的模糊控制器输入变量的隶属度函数图。
如图3所示,er和ecr使用同一个语言值的模糊子集:{NB,NM,NS,ZO,PS,PM,PB},即,负大,负中,负小,零,正小,正中,正大。输入变量的各子集采用高斯函数定义,呈正态分布。取er和ecr的量化等级为11级,即e,ec={-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},er的基本论域为[-0.5,0.5],ecrr的基本论域为[-20,20]。将输入变量在论域上的值映射到11个量化等级上,再通过隶属度函数可以得到输入变量在各个模糊子集变量上的隶属度赋值。
图4为根据本发明实施例的模糊控制器输出变量的隶属度函数图。
如图4所示,模糊控制器是一个二输入一输出的模糊控制器,采用雷达每个部件当前的健康状态值H作为模糊推理器的输出。其语言值的模糊子集为:很差,较差,不及格,及格,较好,很好,即{VB,LB,NP,PS,LG,VG},各子集采用三角函数定义。取H的量化等级为11级,即H={0,1,2,3,4,5,6,7,8,9,10},H的基本论域为[0,100]。在确定了隶属度函数和论域后,即可得到论域内元素对各个模糊语言变量的隶属度。表1示出了模糊推理规则。
表1
表1描述了多组根据当前的误差和误差变化速度做出雷达当前状态推理的准则,这个控制准则可以用下列模糊条件语句来描述。
if E=NB and EC=NB or NM then H=VB
or
if E=NB and EC=NS or ZO or PS then H=LB
or
if E=NB and EC=PM or PB then H=NP
or
if E=NM and EC=NB then H=VB
or
if E=NM and EC=NM or NS then H=LB
or
if E=NM and EC=ZO or PS then H=NP
or
if E=NM and EC=PM or PB then H=PS
or
if E=NS and EC=NB or NM then H=NP
or
if E=NS and EC=NS or ZO or PS then H=PS
or
if E=NS and EC=PM or PB then H=LG
or
if E=ZO and EC=NB or PB then H=PS
or
if E=ZO and EC=NM or PM then H=LG
or
if E=ZO and EC=NS or PS or ZO then H=VG
or
if E=PS and EC=NB or NM then H=LG
or
if E=PS and EC=NS or PS or ZO then H=PS
or
if E=PS and EC=PM or PB then H=NP
or
if E=PM and EC=NB or NM then H=PS
or
if E=PM and EC=NS or ZO then H=NP
or
if E=PM and EC=PS or PM then H=LB
or
if E=PM and EC=PB then H=VB
or
if E=PB and EC=NB or NM then H=NP
or
if E=PB and EC=NS or ZO or PS then H=LB
or
if E=PB and EC=PM or PB then H=VB
上述条件语句构成了描述所有推理过程的模糊模型。根据这个模糊模型,可以得出雷达各个部件在当前的健康状况的模糊值。
在确定了模糊控制器的当前输入e和e/c所对应的模糊子集的隶属度后,形成了一个e和e/c的隶属度矩阵,根据模糊规则进行矩阵运算,可以得到雷达每一个部件的健康状态的模糊子集,这是一个模糊量。该模糊量是一个由多个语言变量组成的一个模糊集合,不能直接用于对雷达部件的状态进行精确的预测,必须要经过反模糊化将模糊值转换为精确值,才能发挥出对雷达部件各个参数的状态精准预测和判断的效果。
本发明专利采用最小-最大-重心法进行反模糊运算,可以得出最终各个参数的健康精确值。
步骤S5,重复步骤S3和步骤S4,计算出每个过程参数的健康状态精确值,对上述多个过程参数的健康状态精确值进行加权处理,得到雷达部件的最终健康状态。
因为雷达部件的状态对不同参数的敏感性不同,如雷达接收机对工作频率和周期较敏感,而发射机对于温度和电压等参数较为敏感。针对不同的雷达部件,采用不同的加权函数对各个参数的健康值进行加权综合处理,得出每个部件的最终健康状态。然后,根据健康状态决定是否对该部件进行维修或者更换。
表2为各个参数在不同部件上的加权值。在得出各个参数的精确健康值后,对这些值进行加权综合,其加权系数由雷达设计师根据工程经验得出。将不同参数的健康值乘以加权值后相加,经过加权综合后,得出该部件的综合健康值,然后根据结果决定是否对该部件进行维修。
表2
根据本发明实施例的基于模糊准则的雷达健康管理方法,通过对雷达工作时过程参数,例如环境参数、雷达各部件实时工作参数如雷达发射功率、雷达接收噪声电平,雷达电源参数等数据进行采集后,送入模糊控制器中,利用模糊控制器中的模糊知识库进行模糊推理,最终给出整机所有可更换单元的故障预测结果。本发明突破雷达的传统故障监测方式,实现雷达的可预测维修,提高雷达的战斗可持续性,将无法用精确数据表示的专家经验模糊化,变为雷达健康状态模糊知识库,经过模糊推理后,具有智能雷达故障预测的能力。
如图5所示,本发明实施例还提出一种基于模糊准则的雷达健康管理系统,包括:过程参考采集模块1、AD转换模块2、模糊控制器3和参数综合模块4。
具体地,过程参数采集模块1用于采集雷达部件的多个过程参数。
在本发明的一个实施例中,雷达部件的过程参数包括:雷达部件所在环境的温湿度参数、雷达接收机的脉冲频率和周期、雷达驻波比、雷达的结构件形变参数。需要说明的是,雷达部件的过程参数不限于上述举例,还可以为雷达部件工作过程中的其他过程参数,在此不再赘述。
在本发明的一个实施例中,过程参数采集模块1包括:数字式温湿度传感、高频时钟、雷达驻波比计算模块和线性差动变压器。
具体地,数字式温湿度传感用于采集雷达部件所在环境的温湿度参数。
如图6所示,数字式温湿度传感器采用单片机+全数字传感器实现,传感器SHT11的串行时钟和串行数据接口与单片机的IO口18、19脚相连,单片机通过IO口向传感器发送“启动传输”、“温湿度测量”、“通讯复位”等串行指令。传感器会将实时测量的温湿度数据通过串口回送至单片机中,单片机再通过自带异步发送串口3脚将温湿度数据发送出去。单片机的程序保存在串行EEPROM芯片CAT93C46PI中。
高频时钟。用于采集雷达接收机的脉冲频率和周期。
雷达驻波比计算模块,包括定向耦合器、固定衰减器和电桥电路,用于将雷达入射功率和反射功率转换成交流电压进行采集,得到雷达驻波比。
线性差动变压器用于将雷达的机械位移转变为交流电压,得到雷达的结构形变参数。
需要说明的是,过程参数中,温湿度参数、频率、周期均为数字量,雷达驻波比、雷达的结构件形变参数为模拟量,需要经过A/D转换器来转换为数字量,然后将数字量形式的过程参数发送至模糊控制器中。
AD转换模块2与过程参数采集模块1相连,用于将部分过程参数统一转换为数字量。如图7所示,A/D转换器采用电压型A/D转换芯片AD7490,所有电压模拟量均通过AD7490转换为数字量送入雷达故障管理系统。模拟电压信号通过整形和保护后进入AD7490的电压输入引脚VIN0~VIN16,同时AD7490的串行时钟接口SCLK、串行数据输出接口DOUT、片选接口/CS、数据输入接口DIN与FPGA相连接,FPGA通过/CS和DIN对输入电压通道进行选择和控制,而AD7490通过SCLK和DOUT将每个通道的电压幅值发送至FPGA,由FPGA进行采集。A/D转换芯片AD7490的电压基准由电压基准芯片AD780提供,AD780的8脚不接,表示选择的输出电压基准为2.5V。
模糊控制器3与过程参数采集模块1和AD转换模块2相连,用于接收来自过程参数采集模块和AD转换模块的数字量形式的过程参数,将每个过程参数与对应的参考值r进行比较,计算每个过程参数相对参考值的偏差值e和参数偏差的变化率e/c,然后计算每个过程参数的偏差值e和参考值r的比值的绝对值|e/r|,将绝对值|e/r|与预设阈值进行比较,如果|e/r|小于或等于预设阈值,则利用预设的模糊知识库中的模糊隶属度准则对偏差值e和变化率e/c进行模糊化处理和模糊推理,得到该过程参数的模糊健康值,然后通过对模糊健康值进行反模糊处理,得到该过程参数的健康状态精确值;如果|e/r|大于预设阈值,则发出故障报警。
在本发明的一个实施例中,每个过程参数的参考值r存储于模糊控制器的模糊知识库中,通过反模糊处理后作为模糊控制器的一个输入量,模糊控制器的另一个输入量为数字量形式的过程参数。其中,模糊控制器的输入变量的模糊化隶属度函数采用高斯函数定义。
模糊控制器3的输出量为每个过程参数的健康状态精确值,其中,模糊控制器的输出变量的模糊化隶属度函数采用三角函数定义。模糊控制器3采用常用的工业控制计算机实现,具有模块化、可扩展等特点。雷达采集的过程状态参数通过计算机扩展的IO板卡接入计算机中,首先从知识库中调取相应参数的参考值r,将数字量形式的过程参数与模糊知识库中保存的参考值r进行比较,得出当前参数与参考值a之间的偏差值e,再通过对该偏差值e进行时间的积分变换,得到参数偏差值的变化率e/c。
需要说明的是,模糊控制器3中的故障模糊知识库是通过统计雷达正常工作下的参数以及设计、调试人员的故障判断经验而形成的。
由于雷达是一个复杂系统,会出现很多的突发的偶然故障。对这些故障的发生,需要快速的进行故障报警,所以将误差偏离值e和参考值r比例值的绝对值|e/r|的大小进行判断,若该值不小于0.5,则认为发生了突发性故障,则直接对该参数所属的零部件或者整件进行故障报警。若该值小于0.5,则认为没有发生突发性故障,需要通过模糊控制器进行模糊推理对当前雷达的健康状态进行预测和判断。对部件的各个参数采用归一化处理后,利用预设的模糊知识库中的模糊隶属度准则对偏差值e和变化率e/c进行模糊化处理和模糊推理,得到该过程参数的模糊健康值,然后通过对模糊健康值进行反模糊处理,得到该过程参数的健康状态精确值。
将偏差值e进行时间上的积分变换得到误差变化速度e/c,将e和e/c作为模糊控制器的输入,对其进行模糊化。因为雷达的参数值各种各样,各种数值的大小也不同,所以采用相对值进行模糊量化。将e和ec转换成er和ecr后再进行量化,即
er=e/r;
ecr=d(e/r)/dt。
er和ecr使用同一个语言值的模糊子集:{NB,NM,NS,ZO,PS,PM,PB},即,负大,负中,负小,零,正小,正中,正大。输入变量的各子集采用高斯函数定义,呈正态分布。取er和ecr的量化等级为11级,即e,ec={-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},er的基本论域为[-0.5,0.5],ecrr的基本论域为[-20,20]。将输入变量在论域上的值映射到11个量化等级上,再通过隶属度函数可以得到输入变量在各个模糊子集变量上的隶属度赋值。
模糊控制器3是一个二输入一输出的模糊控制器,采用雷达每个部件当前的健康状态值H作为模糊推理器的输出。其语言值的模糊子集为:很差,较差,不及格,及格,较好,很好,即{VB,LB,NP,PS,LG,VG},各子集采用三角函数定义。取H的量化等级为11级,即H={0,1,2,3,4,5,6,7,8,9,10},H的基本论域为[0,100]。在确定了隶属度函数和论域后,即可得到论域内元素对各个模糊语言变量的隶属度。表1示出了模糊推理规则。
表1
表1描述了多组根据当前的误差和误差变化速度做出雷达当前状态推理的准则,这个控制准则可以用下列模糊条件语句来描述。
if E=NB and EC=NB or NM then H=VB
or
if E=NB and EC=NS or ZO or PS then H=LB
or
if E=NB and EC=PM or PB then H=NP
or
if E=NM and EC=NB then H=VB
or
if E=NM and EC=NM or NS then H=LB
or
if E=NM and EC=ZO or PS then H=NP
or
if E=NM and EC=PM or PB then H=PS
or
if E=NS and EC=NB or NM then H=NP
or
if E=NS and EC=NS or ZO or PS then H=PS
or
if E=NS and EC=PM or PB then H=LG
or
if E=ZO and EC=NB or PB then H=PS
or
if E=ZO and EC=NM or PM then H=LG
or
if E=ZO and EC=NS or PS or ZO then H=VG
or
if E=PS and EC=NB or NM then H=LG
or
if E=PS and EC=NS or PS or ZO then H=PS
or
if E=PS and EC=PM or PB then H=NP
or
if E=PM and EC=NB or NM then H=PS
or
if E=PM and EC=NS or ZO then H=NP
or
if E=PM and EC=PS or PM then H=LB
or
if E=PM and EC=PB then H=VB
or
if E=PB and EC=NB or NM then H=NP
or
if E=PB and EC=NS or ZO or PS then H=LB
or
if E=PB and EC=PM or PB then H=VB
上述条件语句构成了描述所有推理过程的模糊模型。根据这个模糊模型,可以得出雷达各个部件在当前的健康状况的模糊值。
在确定了模糊控制器3的当前输入e和e/c所对应的模糊子集的隶属度后,形成了一个e和e/c的隶属度矩阵,根据模糊规则进行矩阵运算,可以得到雷达每一个部件的健康状态的模糊子集,这是一个模糊量。该模糊量是一个由多个语言变量组成的一个模糊集合,不能直接用于对雷达部件的状态进行精确的预测,必须要经过反模糊化将模糊值转换为精确值,才能发挥出对雷达部件各个参数的状态精准预测和判断的效果。
在本发明的一个实施例中,模糊控制器3采用最小-最大-重心法进行反模糊运算。
参数综合模块4与模糊控制器3相连,对模糊控制器3计算出的每个过程参数的健康状态精确值进行加权处理,得到雷达部件的最终健康状态。
因为雷达部件的状态对不同参数的敏感性不同,如雷达接收机对工作频率和周期较敏感,而发射机对于温度和电压等参数较为敏感。针对不同的雷达部件,参数综合模块4采用不同的加权函数对各个参数的健康值进行加权综合处理,得出每个部件的最终健康状态。然后,根据健康状态决定是否对该部件进行维修或者更换。
表2为各个参数在不同部件上的加权值。在得出各个参数的精确健康值后,对这些值进行加权综合,其加权系数由雷达设计师根据工程经验得出。将不同参数的健康值乘以加权值后相加,经过加权综合后,得出该部件的综合健康值,然后根据结果决定是否对该部件进行维修。
表2
根据本发明实施例的基于模糊准则的雷达健康管理系统,通过对雷达工作时过程参数,例如环境参数、雷达各部件实时工作参数如雷达发射功率、雷达接收噪声电平,雷达电源参数等数据进行采集后,送入模糊控制器中,利用模糊控制器中的模糊知识库进行模糊推理,最终给出整机所有可更换单元的故障预测结果。本发明突破雷达的传统故障监测方式,实现雷达的可预测维修,提高雷达的战斗可持续性,将无法用精确数据表示的专家经验模糊化,变为雷达健康状态模糊知识库,经过模糊推理后,具有智能雷达故障预测的能力。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求极其等同限定。
Claims (8)
1.一种基于模糊准则的雷达健康管理方法,其特征在于,包括如下步骤:
步骤S1,采集雷达部件的多个过程参数,将所述过程参数统一转换为数字量;
步骤S2,将数字量形式的过程参数送入模糊控制器,由所述模糊控制器将每个所述过程参数与对应的参考值r进行比较,计算每个过程参数相对参考值的偏差值e和参数偏差的变化率e/c;
步骤S3,计算每个过程参数的偏差值e和参考值r的比值的绝对值|e/r|,将所述绝对值|e/r|与预设阈值进行比较,如果所述|e/r|小于或等于所述预设阈值,则执行步骤S4,否则发出故障报警;
步骤S4,利用预设的模糊知识库中的模糊隶属度准则对所述偏差值e和变化率e/c进行模糊化处理和模糊推理,得到该过程参数的模糊健康值,然后通过对所述模糊健康值进行反模糊处理,得到该过程参数的健康状态精确值;
步骤S5,重复步骤S3和步骤S4,计算出每个过程参数的健康状态精确值,对上述多个过程参数的健康状态精确值进行加权处理,得到雷达部件的最终健康状态。
2.如权利要求1所述的基于模糊准则的雷达健康管理方法,其特征在于,所述过程参数包括:雷达部件所在环境的温湿度参数、雷达接收机的脉冲频率和周期、雷达驻波比、雷达的结构件形变参数。
3.如权利要求1所述的基于模糊准则的雷达健康管理方法,其特征在于,在所述步骤S2中,每个过程参数的参考值r存储于所述模糊控制器的模糊知识库中,通过反模糊处理后作为所述模糊控制器的一个输入量,所述模糊控制器的另一个输入量为所述数字量形式的过程参数,其中,所述模糊控制器的输入变量的模糊化隶属度函数采用高斯函数定义;
在所述步骤S5中,所述模糊控制器的输出量为每个过程参数的健康状态精确值,其中,所述模糊控制器的输出变量的模糊化隶属度函数采用三角函数定义。
4.如权利要求1所述的基于模糊准则的雷达健康管理方法,其特征在于,在所述步骤S4中,所述反模糊处理采用最小-最大-重心法进行反模糊运算。
5.一种基于模糊准则的雷达健康管理系统,其特征在于,包括:
过程参数采集模块,用于采集雷达部件的多个过程参数;
AD转换模块,所述AD转换模块与所述过程参数采集模块相连,用于将部分所述过程参数统一转换为数字量;
模糊控制器,所述模糊控制器与所述过程参数采集模块和所述AD转换模块相连,用于接收来自所述过程参数采集模块和所述AD转换模块的数字量形式的过程参数,将每个所述过程参数与对应的参考值r进行比较,计算每个过程参数相对参考值的偏差值e和参数偏差的变化率e/c,然后计算每个过程参数的偏差值e和参考值r的比值的绝对值|e/r|,将所述绝对值|e/r|与预设阈值进行比较,如果所述|e/r|小于或等于所述预设阈值,则利用预设的模糊知识库中的模糊隶属度准则对所述偏差值e和变化率e/c进行模糊化处理和模糊推理,得到该过程参数的模糊健康值,然后通过对所述模糊健康值进行反模糊处理,得到该过程参数的健康状态精确值;如果所述|e/r|大于所述预设阈值,则发出故障报警;
参数综合模块,所述参数综合模块与所述模糊控制器相连,对所述模糊控制器计算出的每个过程参数的健康状态精确值进行加权处理,得到雷达部件的最终健康状态。
6.如权利要求5所述的基于模糊准则的雷达健康管理系统,其特征在于,所述过程参数采集模块包括:
数字式温湿度传感,用于采集雷达部件所在环境的温湿度参数;
高频时钟,用于采集雷达接收机的脉冲频率和周期;
雷达驻波比计算模块,包括定向耦合器、固定衰减器和电桥电路,用于将雷达入射功率和反射功率转换成交流电压进行采集,得到雷达驻波比;
线性差动变压器,用于将雷达的机械位移转变为交流电压,得到所述雷达的结构形变参数。
7.如权利要求5所述的基于模糊准则的雷达健康管理系统,其特征在于,每个过程参数的参考值r存储于所述模糊控制器的模糊知识库中,通过反模糊处理后作为所述模糊控制器的一个输入量,所述模糊控制器的另一个输入量为所述数字量形式的过程参数,其中,所述模糊控制器的输入变量的模糊化隶属度函数采用高斯函数定义;
所述模糊控制器的输出量为每个过程参数的健康状态精确值,其中,所述模糊控制器的输出变量的模糊化隶属度函数采用三角函数定义。
8.如权利要求5所述的基于模糊准则的雷达健康管理系统,其特征在于,所述模糊控制器采用最小-最大-重心法进行反模糊运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610209583.8A CN105891794B (zh) | 2016-04-01 | 2016-04-01 | 基于模糊准则的雷达健康管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610209583.8A CN105891794B (zh) | 2016-04-01 | 2016-04-01 | 基于模糊准则的雷达健康管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105891794A CN105891794A (zh) | 2016-08-24 |
CN105891794B true CN105891794B (zh) | 2019-03-08 |
Family
ID=57012825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610209583.8A Active CN105891794B (zh) | 2016-04-01 | 2016-04-01 | 基于模糊准则的雷达健康管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105891794B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320112B (zh) * | 2018-05-10 | 2021-08-17 | 广州智能装备研究院有限公司 | 一种确定设备健康状态的方法及装置 |
CN109116319B (zh) * | 2018-11-13 | 2023-02-28 | 北京无线电测量研究所 | 雷达系统的故障检测方法 |
CN110726978A (zh) * | 2019-11-29 | 2020-01-24 | 北京无线电测量研究所 | 一种雷达健康状态维护方法、系统、介质及设备 |
CN111274409B (zh) * | 2020-01-20 | 2024-02-27 | 山东大学 | 基于知识图谱的发动机配气机构装配工艺控制方法及系统 |
CN111950730A (zh) * | 2020-07-31 | 2020-11-17 | 上海卫星工程研究所 | 基于模糊推理单元的航天器结构在轨健康监测方法及系统 |
CN112325918A (zh) * | 2020-10-19 | 2021-02-05 | 中国电子科技集团公司第三十八研究所 | 一种标准仪器的状态预测处理系统 |
CN112214911A (zh) * | 2020-10-31 | 2021-01-12 | 中国电子科技集团公司第十四研究所 | 一种电源的健康状态预测方法 |
CN113281712A (zh) * | 2021-05-24 | 2021-08-20 | 北京无线电测量研究所 | 一种雷达热学健康管理系统 |
CN114280383B (zh) * | 2021-12-28 | 2023-02-03 | 中国科学院空天信息创新研究院 | 一种大型地面站天线的健康检测装置及健康检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1026514A2 (en) * | 1999-02-05 | 2000-08-09 | Honda Giken Kogyo Kabushiki Kaisha | Method and apparatus for detecting fault of radar apparatus using movement distance |
CN102880808A (zh) * | 2012-10-09 | 2013-01-16 | 中国电子科技集团公司第三十八研究所 | 一种雷达结构维修性综合评价方法 |
CN103913728A (zh) * | 2014-04-01 | 2014-07-09 | 中国人民解放军总装备部军械技术研究所 | 一种便携式雷达综合测试仪及测试方法 |
CN103941240A (zh) * | 2014-04-01 | 2014-07-23 | 中国人民解放军总装备部军械技术研究所 | 一种雷达系统通信分机检测装置及检测方法 |
CN104459642A (zh) * | 2013-09-17 | 2015-03-25 | 应璐 | 一种雷达远程故障诊断系统 |
-
2016
- 2016-04-01 CN CN201610209583.8A patent/CN105891794B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1026514A2 (en) * | 1999-02-05 | 2000-08-09 | Honda Giken Kogyo Kabushiki Kaisha | Method and apparatus for detecting fault of radar apparatus using movement distance |
CN102880808A (zh) * | 2012-10-09 | 2013-01-16 | 中国电子科技集团公司第三十八研究所 | 一种雷达结构维修性综合评价方法 |
CN104459642A (zh) * | 2013-09-17 | 2015-03-25 | 应璐 | 一种雷达远程故障诊断系统 |
CN103913728A (zh) * | 2014-04-01 | 2014-07-09 | 中国人民解放军总装备部军械技术研究所 | 一种便携式雷达综合测试仪及测试方法 |
CN103941240A (zh) * | 2014-04-01 | 2014-07-23 | 中国人民解放军总装备部军械技术研究所 | 一种雷达系统通信分机检测装置及检测方法 |
Non-Patent Citations (3)
Title |
---|
"A PHM system for AEW radar based on AOPS-LSSVM prognostic algorithm and expert knowledge database";GJ Xie等;《Prognostics and Health Management Conference》;20101231;第1-6页 * |
"雷达发射机健康状态评价技术研究";钟诗胜等;《现代雷达》;20140630;第36卷(第6期);第69-74页 * |
"雷达系统智能故障诊断技术研究";罗志勇;《中国博士学位论文全文数据库信息科技辑》;20080615;第I136-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105891794A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105891794B (zh) | 基于模糊准则的雷达健康管理方法及系统 | |
EP3776113B1 (en) | Apparatus and method for controlling system | |
CN106529090A (zh) | 一种航天电子类产品可靠性评估方法 | |
CN108763654A (zh) | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN106055418A (zh) | 电子系统和用于评估并且预测该电子系统的失效的方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN105786678A (zh) | 一种基于相关性模型的测试性预计方法 | |
CN106405384A (zh) | 模拟电路健康状态评估方法 | |
CN102879728A (zh) | Dc-dc变换器健康评估指标与故障预测方法 | |
CN112083244A (zh) | 综合化航空电子设备故障智能诊断系统 | |
Tan et al. | A novel approach of testability modeling and analysis for PHM systems based on failure evolution mechanism | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
CN106021838B (zh) | 一种复杂电子系统剩余寿命预测方法 | |
CN106886620B (zh) | 航天器测试资源优化配置方法 | |
CN114154779A (zh) | 一种基于emd-som的健康评估与故障诊断方法及系统 | |
Hou et al. | Adaptive ensemble gaussian process regression-driven degradation prognosis with applications to bearing degradation | |
Chen et al. | Condition assessment of distribution automation remote terminal units based on double-layer improved cloud model | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
CN102830341A (zh) | 基于rs-cmac的功率电子电路在线智能故障预测方法 | |
Geng et al. | State estimation of 500 kV sulphur hexafluoride high‐voltage CBs based on Bayesian probability and neural network | |
Liu et al. | Quantitative description of sensor data monotonic trend for system degradation condition monitoring | |
Sun et al. | Study on multi-equipment failure prediction based on system network | |
Esteves et al. | Prognostics health management: perspectives in engineering systems reliability prognostics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |