CN106597391A - 一种相控阵天线阵面变形全天候监测方法 - Google Patents

Abstract

本发明公开了一种相控阵天线阵面变形全天候监测方法，其包括步骤：确定影响天线阵面变形的主要因素，将每个因素在一定范围内离散，并查询标准化的正交表确定仿真工况；建立天线阵面有限元模型，并对仿真工况一一仿真，获取天线阵面在不同工况下的结构变形，并通过典型环境下阵面变形测量结果对仿真模型进行验证和修正；以仿真数据为样本数据，构建相控阵天线阵面变形监测神经网络模型，依次确定网络结构参数，对神经网络进行训练、测试；通过实时监测的天线阵面工况数据，带入监测模型，实时计算天线阵面变形，实现天线阵面变形全天候实时监测。有效解决了相控阵天线阵面变形监测问题，可以广泛应用于大型雷达天线精度控制领域，特别适合于那些工作环境复杂且精度要求高的工程装备。

Description

一种相控阵天线阵面变形全天候监测方法

技术领域

本发明涉及雷达结构仿真与精度控制技术领域的一种全天候阵面变形监测方法，尤其涉及一种基于神经网络的相控阵天线阵面变形全天候监测方法。

背景技术

相控阵天线(Phased Array Antenna)是一种电扫描天线，它由成千上万辐射单元按一定的顺序排列而成，每一个辐射单元带有一个可控移相器或由移相器和衰减器组成的幅相调节器，天线方向图的指向通过各个辐射单元的相位来控制天线本身非机械的运动来实现。相对于常规机械式雷达，具有以下特点：探测距离远，效率高；可靠性高，方便维护；具有灵活的波束和更好的波瓣特性；更高的抗干扰能力；能同时进行多目标的搜索与跟踪。因此，不论在军事还是民用上均有广泛的用途，例如作雷达跟踪、制导、地物测绘，气象探测和导航等。

相控阵天线通常由以下主要部分组成：天线阵面、T/R组件、馈线安装单元、波控模块、IMU、电源、盲配背板、射频旋转关节、风道、天线框架和扫描器等。其中，天线框架是整个天线的承载体，它由外框架和内框架组成。在阵面上按一定的顺序排列着辐射单元，每个辐射单元都带有一个T/R组件。每个辐射单元都接有一个移相器，将其安装在天线阵面上。每个辐射单元都向四周均匀地辐射电磁波，没有方向性。但是，当两个辐射体并列在一起时，电磁波便有了方向性，在这个方向上两个波的相位相同，合成波最强。所以，当改变相邻两阵元的相移量，就能形成不同方向的波束。相控阵天线相位扫描的原理便是通过移相器改变沿辐射器各个辐射单元上电磁波的相位来实现的，因此当天线的辐射单元位置出现偏差时，就会造成天线电性能的降低。

辐射单元的位置误差主要来自于两个方面：一是加工制造安装误差，各单元对于预定的安装位置不能绝对准确安装，单元高度的差别，都会引入单元位置误差；单元的方向安装不一致，会引入单元方向的误差，属于随机误差；二是天线结构受力变形引起的误差，如风载、温度、重力、覆冰与积雪、惯性载荷、馈源支架载荷等引起的误差。本发明讨论的是第二种误差。

相控阵天线在工作期间，由于各种因素的影响导致整个阵面发生变形，产生单元位置误差，这种结构误差会引起天线增益下降、副瓣电平升高和波束指向不准确等，即降低相控阵天线的电性能，其中天线方向图和增益是相控阵天线两个最为重要的电性能指标。因此，有必要研究相控阵天线阵面在各种条件因素下的变形情况，从而指导工程实践，提高天线的电性能指标。传统的变形分析方法主要是采用ANSYS等结构CAE软件对具体参数的相控阵天线的阵面变形情况进行研究。然而这种方法具有几个难以克服的缺点：首先是计算耗时久，占用内存大。当计算复杂度高的相控阵天线结构模型时，会对计算机的配置提出很高的要求，大大增加了分析处理的时间；其次是不具备先验特性。当相控阵天线模型的某个参数改变时，若要分析改变参数后的阵面变形情况，必须对修改后的模型重新进行数值求解，费时费力。此外，传统的测量方法效率低，实效性差，且难以实现全天候测量。上述缺点已不能很好地满足相控阵天线变形分析的需求，妨碍了它们作为快速的计算机辅助设计工具在工程设计中的应用。

因此设计一种计算效率高、具备先验特点的阵面变形监测方法，对于相控阵天线结构设计，提高相控阵天线阵面保形能力和电性能指标具有重要意义。

发明内容

本发明的目的在于克服现有相控阵雷达天线阵面变形分析方法的不足而提供一种相控阵天线阵面变形全天候监测方法。

本发明的解决方案是：一种相控阵天线阵面变形全天候监测方法，其包括以下步骤：

步骤一、确定相控阵天线阵面仿真工况

分析影响天线阵面变形的环境载荷，确定影响天线阵面变形的主要因素，假设因素有m个，将每个因素在一定范围内进行离散，选取r个水平，查询标准化的正交表L_n(r^q)，q≥m；n＝r^k(k＝2,3,…)确定仿真工况；

步骤二、天线阵面有限元仿真模型构建与验证

利用有限元仿真工具，建立天线阵面有限元仿真模型，并在某一典型工况下对建立的有限元模型进行仿真，获取仿真结果数据，同时，在同一典型工况下对天线阵面变形进行测量，将仿真数据与测量数据进行对比，如果超出了给定的误差范围，对建立的仿真模型进行修正；

步骤三、获取天线阵面仿真工况对应的变形数据

按照步骤一确定的仿真工况对修正后的仿真模型进行一一仿真，记录各工况下的天线阵面变形数据；

步骤四、建立基于神经网络的天线阵面变形监测模型

以仿真数据为基础，选取神经网络的类型，确定所述神经网络的结构参数，对神经网络进行训练和测试，构建基于神经网络的天线阵面变形监测模型；

步骤五、对天线阵面变形进行全天候监测

通过实时监测的天线阵面的仿真工况数据，带入天线阵面变形监测模型，实时计算天线阵面变形，实现天线阵面变形全天候的实时监测。

作为上述方案的进一步改进，在步骤一中，影响天线阵面变形的环境载荷包括重力载荷、风载、温度载荷、辐射单元的行位置和列位置。

作为上述方案的进一步改进，在步骤二中，有限元仿真模型的构建因素包括天线阵面几何模型的简化、网格划分、定义材料属性、定义边界条件。

作为上述方案的进一步改进，在步骤二中，对天线阵面有限元仿真模型的修正包括刚度修正、质量修正、边界条件修正。

作为上述方案的进一步改进，在步骤四中，将仿真数据作为样本数据进行归一化处理，随机选择部分样本数据作为训练样本数据，剩下一部分样本数据作为测试样本数据；确定神经网络的结构参数，利用训练样本数据对建立的天线阵面变形监测模型进行训练，并利用测试样本数据对训练后的神经网络进行测试，当测试结果超出了误差允许范围，需对神经网络的结构参数进行修正，从而建立基于神经网络的天线阵面变形监测模型。

作为上述方案的进一步改进，在步骤四中，天线阵面变形监测模型的构建方法包括以下步骤：

相控阵天线阵面变形监测神经网络模型构建；

天线阵面仿真样本数据归一化预处理；

相控阵天线阵面变形监测神经网络样本的选择；

相控阵天线阵面变形监测神经网络训练；

相控阵天线阵面变形监测神经网络测试。

进一步地，在相控阵天线阵面变形监测神经网络模型构建中，所构建的神经网络模型采用BP神经网络、RBF神经网络、进化神经网络、模糊神经网络、小波神经网络中的其中一种实现。

进一步地，所构建的神经网络模型包括输入层、隐藏层和输出层；其中，输入层综合考虑了影响天线阵面变形的各种因素，选取了重力荷载、风荷载、温度荷载、辐射单元的行位置和列位置5个神经元节；输出层选取了相控阵天线的每个辐射单元在三个坐标轴方向上的位移△X，△Y，△Z。

作为上述方案的进一步改进，在步骤五中，将实时采集的天线阵面环境载荷以及相控阵天线的每个辐射单元的坐标值，输入基于神经网络的天线阵面变形监测模型，实时计算每个辐射单元的变形，实现天线阵面变形全天候的实时监测。

本发明的有益效果：本发明针对传统的变形分析方法计算耗时久，占用内存大，且不具备先验特性的问题，利用正交表规划仿真计算工况，建立了基于BP神经网络的相控阵天线阵面变形监测方法，对相控阵天线阵面变形进行监测。人工神经网络模型不仅具有强大的非线性映射功能，而且还具有较强的自适应学习能力和快速的实时的计算能力，当相控阵天线工况改变后，经过自我学习过的神经网络模型会利用其强大的自适应学习能力快速准确地监测出天线阵面变形的情况。与传统CAE方法和机械测量相比，该方法不仅可以提高计算效率，而且具有良好的先验特征，对各种参数下的相控阵天线阵面变形情况具有良好的监测能力，且不受天气条件变化的限制，可以作为一种有效的变形工具用于工程设计中。

附图说明

图1是本发明相控阵天线阵面变形全天候监测方法的流程示意图。

图2是本发明相控阵天线阵面变形全天候监测方法采用的BP神经网络模型示意图。

图3是具体实施例所采用天线骨架阵面尺寸示意图示意图。

图4是具体实施例所采用的仿真计算工况示意图。

图5是具体实施例的仿真计算结果(样本数据)示意图。

图6是具体实施例所选择的训练样本和测试样本示意图。

图7是具体实施例BP网络建立过程的误差曲线示意图。

图8是具体实施例测试样本的监测结果示意图。

图9是具体实施例相控阵天线阵面变形监测示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的相控阵天线阵面变形全天候监测方法主要包括以下步骤。

步骤一、确定相控阵天线阵面仿真工况

在相控阵天线阵面变形监测中，环境载荷(如重力荷载、风荷载、温度荷载、冰雪荷载、检修荷载和辐射单元的位置等)对相控阵天线阵面变形监测有着决定性的影响，环境载荷对相控阵天线阵面监测的影响存在诸多非线性时变和不确定的因素，是相控阵天线阵面监测的难点之一。为提高仿真计算的广泛性和有效性，采用正交表规划仿真计算工况，可在不影响仿真计算质量的前提下减少仿真样本的数量。

假设影响天线阵面变形的主要因素有m个，在每个因素中选取r个水平，采用正交试验方法进行天线阵面仿真工况选择，选取标准化的正交表L_n(r^q)，q≥m；n＝r^k(k＝2,3,…)安排仿真计算。

可以理解，通过正交表确定天线阵面仿真工况应考虑影响相控阵天线阵面变形的主要因素，包括但不限于重力荷载、风荷载、温度荷载、冰雪荷载、检修荷载和辐射单元的位置等。

步骤二、天线阵面有限元仿真模型构建与验证

利用有限元仿真工具，建立天线阵面有限元仿真模型，并在某一典型工况下进行仿真，获取相控阵天线阵面的变形数据。在商业通用软件里构建天线阵面有限元模型，包括天线阵面几何模型的简化、网格划分、定义材料属性、定义边界条件。为验证模型的有效性，需将仿真结果与阵面变形测量数据进行对比分析。当天线阵面变形测量数据与仿真结果对比超出了误差给定范围，需对仿真模型进行修正，包括刚度修正、质量修正、边界条件修正等，从而保证仿真结果的有效性。

步骤三、获取天线阵面仿真工况对应的变形数据

采用修正后的仿真模型对步骤一种确定的仿真工况进行一一仿真，记录阵面变形数据，为构建神经网络提供数据支撑。

步骤四、建立基于神经网络的天线阵面变形监测模型

天线阵面变形监测模型的构建方法包括以下步骤：相控阵天线阵面变形监测神经网络模型构建；天线阵面仿真样本数据归一化预处理；相控阵天线阵面变形监测神经网络样本的选择；相控阵天线阵面变形监测神经网络训练；相控阵天线阵面变形监测神经网络测试。

步骤4.1.相控阵天线阵面变形监测BP神经网络模型构建

BP神经网络在结构上是一种前馈神经网络，由于结构简单、可调参数多、训练算法多和可操控性好，BP神经网络获得了广泛的实际应用。本发明采用BP神经网络建立了如图2所示的相控阵天线阵面变形监测的BP神经网络模型，包括输入层、隐藏层和输出层。输入层综合考虑了影响天线阵面变形的各种因素，选取了重力荷载、风荷载、温度荷载、辐射单元的行位置和列位置5个因素，因此，输入层包含5个神经元节点，分别为重力荷载、风荷载、温度荷载、辐射单元的行位置和列位置。输出层选取了辐射单元三个坐标轴方向的位移，分别为△X，△Y，△Z，因此，输出层包含3个神经元节点。隐藏层节点的数目通过Kolomogorov定理来确定。当隐藏层数目为1时，定理推荐的隐藏层神经元个数为M＝2n+1(n为输入节点的个数)，则该网络隐藏层采用11个节点。由于后面样本都经过归一化处理，正好满足tansig和purelin的输出要求，因此选择隐含层神经元传递函数为tansig，输出层神经元传递函数为purelin。

步骤4.2.天线阵面仿真样本数据归一化预处理

依据神经网络的基本理论，神经网络样本的选择对网络的性能有着重大的影响，为此我们必须对样本数据进预处理。获得样本数据向量后，由于其中各个指标互不相同，原始样本中各向量的数量级差别很大，为了计算方便及防止部分神经元达到饱和状态，在研究中要对样本的输入进行归一化处理。这里把输入向量归一化为[0,1]区间的数据，归一化公式为：

P＝(p-P_min)/(P_max-P_min) (1)

式中，P_max和P_min分别为样本分别为样本归一化前的最大值和最小值，p为归一化前值，P为归一化值。

步骤4.3.相控阵天线阵面变形监测神经网络样本的选择

从步骤3中的样本中随机选择部分样本作为训练样本数据，剩下一部分样本作为测试样本数据。

步骤4.4.BP相控阵天线阵面变形监测神经网络训练

采用训练样本数据对建立的神经网络模型进行训练，本发明采用BP神经网络算法对所建立的神经网络模型进行训练，具体算法不再赘述。

步骤4.5.BP相控阵天线阵面变形监测神经网络测试

将另一部分仿真数据作为测试样本，对步骤4.4训练后的阵面变形监测模型进行测试。如果测试误差超出了容许值范围，需返回步骤4.1重新设计神经网络。如果测试误差符合要求，表明所建立的相控阵天线阵面变形监测神经网络具有非常好的监测性能，即所构建的阵面变形监测神经网络通过训练，达到了满意的效果。因此，可以通过已训练好的神经网络模型，实现其他新工况下天线阵面变形的监测。

所构建的神经网络模型可采用BP神经网络方法实现，但不限于BP神经网络，包括RBF神经网络、进化神经网络、模糊神经网络、小波神经网络等。所构建的神经网络模型包括输入层、隐藏层和输出层。其中输入层综合考虑了影响天线阵面变形的各种因素，选取了重力荷载、风荷载、温度荷载、辐射单元的行位置和列位置5个神经元节，但不限于以上5个因素。输出层选取了辐射单元三个坐标轴方向的位移△X，△Y，△Z 3个神经元节点，但不限于3个输出。

步骤五、对天线阵面变形进行全天候监测

实时监测的天线阵面的仿真工况数据，将实时采集的天线阵面环境载荷，以及每个辐射单元的坐标值，输入基于神经网络的天线阵面变形监测模型，实时计算每个天线辐射单元的变形，实现阵面变形全天候实时监测。

本发明主要采用仿真实验的方法进行验证，测试用的计算机CPU为Intel(R)Xeon(R)CUP E5-1620(3.70GHz)，内存为16G。所有步骤、结论都验证正确。下面结合附图和具体实施例对本发明的方法做进一步的阐述。

下面以某远程相控阵雷达天线阵面为例介绍本发明提供的一种相控阵天线阵面变形全天候检测方法，该相控阵天线阵面由5(行)×5(列)共25个阵面基本模块组成，如图3所示。结构上包括下平台、上骨架、外立面围护系统、过渡支座、阵面基本模块、防雪板及防雪板围框、护栏、内外部行走平台、避雷针、液冷系统及其管道、机柜、电缆、方舱等。

本发明提供的一种相控阵天线阵面变形全天候监测方法的流程示意图如图1所示，具体实施例如下：

参见图1，通过如下的步骤就可对相控阵天线阵面变形进行监测：

步骤1.确定相控阵天线阵面仿真工况

在影响环境相控阵天线阵面变形的所有环境载荷中，我们选取对相控阵天线阵面变形影响最大的重力荷载、风荷载、温度荷载和、辐射单元的行位置和列位置五个因素作为正交试验的因素。转台以上重力荷载主要包括钢骨架、外立面、维修通道地板、天线阵面、及阵面其他负载等的重量，转台以上总重力大概100t，因此，选取水平100t，101t，102t，103t，104t；环境风速一般在5～65m/s，选取水平5m/s，20m/s，35m/s，50m/s和65m/s；相控阵天线的阵面温度一般在-30～50℃，选取水平-30℃，-10，10℃，30℃和50℃；辐射单元5行，选取水平1行，2行，3行，4行，5行；辐射单元5列，选取水平1列，2列，3列，4列，5列。因此，选取正交表L25(56)安排天线阵面仿真，如图4所示。

步骤2.天线阵面有限元仿真模型构建与验证

在商业通用软件里构建天线阵面有限元模型，包括天线阵面几何模型的简化、网格划分、定义材料属性、定义边界条件。为验证模型的有效性，需将仿真结果与阵面变形测量数据进行对比分析(一般情况下，雷达在研制和使用过程中，需对典型环境下天线阵面变形进行测量标定，包括重力环境、高低温环境、极端风载情况等)。当天线阵面变形测量数据与仿真结果对比超出了误差给定范围，需对仿真模型进行修正，包括刚度修正、质量修正、边界条件修正等，从而保证仿真结果的有效性。

步骤3.获取天线阵面仿真工况对应的变形数据

按照图4中给出的25组仿真工况，采用修正后的仿真模型对天线阵面模型进行一一仿真，记录阵面变形数据，为构建神经网络提供数据支撑，如图5所示。

步骤4.建立基于神经网络的阵面变形监测模型

步骤4.1.相控阵天线阵面变形监测BP神经网络模型构建

BP神经网络在结构上是一种前馈神经网络，由于结构简单、可调参数多、训练算法多和可操控性好，BP神经网络获得了广泛的实际应用。本发明采用BP神经网络建立了如图2所示的相控阵天线阵面变形监测的BP神经网络模型，包括输入层、隐藏层和输出层。输入层综合考虑了影响天线阵面变形的各种因素，选取了重力荷载、风荷载、温度荷载、辐射单元的行位置和列位置5个因素，因此，输入层包含5个神经元节点，分别为重力荷载、风荷载、温度荷载、辐射单元的行位置和列位置。由于沿Z方向的变形对相控阵电性能的影响最大，输出层选取了辐射单元三个坐标轴方向的位移，分别为△X，△Y，△Z，经实际测量，辐射单元最大法向变形的范围为0～5mm，因此，输出层包含3个神经元节点。隐藏层节点的数目通过Kolomogorov定理来确定。当隐藏层数目为1时，定理推荐的隐藏层神经元个数为M＝2n+1(n为输入节点的个数)，则该网络隐藏层采用11个节点。由于后面样本都经过归一化处理，正好满足tansig和purelin的输出要求，因此选择隐含层神经元传递函数为tansig，输出层神经元传递函数为purelin。

步骤4.2.天线阵面仿真样本数据归一化预处理

依据神经网络的基本理论，神经网络样本的选择对网络的性能有着重大的影响，为此我们必须对样本数据进预处理。获得样本数据向量后，由于其中各个指标互不相同，原始样本中各向量的数量级差别很大，为了计算方便及防止部分神经元达到饱和状态，在研究中要对样本的输入输出进行归一化处理。这里把输入输出向量归一化为[0,1]区间的数据，归一化公式为：

P＝(p-Pmin)/(Pmax-Pmin) (1)

式中，Pmax和Pmin分别为样本分别为样本归一化前的最大值和最小值，p为归一化前值，P为归一化值。

利用公式(1)，将输入输出数据进行归一化处理：

(1)重力荷载(x1)重力荷载100t，101t，102t，103t，104t对应的值分别为0，0.25，0.5，0.75，1；

(2)风荷载(x2)风速5m/s，20m/s，35m/s，50m/s，65m/s对应的值分别为0，0.25，0.5，0.75，1；

(3)温度荷载(x3)温度-30℃，-10，10℃，30℃，50℃对应的值分别为0，0.25，0.5，0.75，1；

(4)辐射单元行位置(x4)辐射单元在1行，2行，3行，4行，5行对应的值分别为0，0.25，0.5，0.75，1；

(5)辐射单元列位置(x5)辐射单元在1列，2列，3列，4列，5列对应的值分别为0，0.25，0.5，0.75，1；

(6)X方向位移(△X)△X取值范围在0～12，按照公式(1)进行归一化处理；

(7)Y方向位移(△Y)△Y取值范围在-5～1，按照公式(1)进行归一化处理；

(8)Z方向位移(△Z)△Z取值范围在-0.2～0.2，按照公式(1)进行归一化处理；

步骤4.3.相控阵天线阵面变形监测神经网络样本的选择

从步骤3中的样本中随机选择部分样本作为训练样本数据，剩下一部分样本作为测试样本数据。所选择的训练样本和测试样本如图6所示，其中训练样本22个，测试样本3个。

步骤4.4.相控阵天线阵面变形监测神经网络样本的选择

采用图6中的训练样本数据对建立的神经网络模型进行训练，我们利用MATLAB神经网络工具箱来创建BP神经网络的数学模型。隐含层神经元数目为11、隐含层传递函数为tansig、输出层传递函数为purelin、最大迭代次数为1000的BP网络。当BP网络模型迭代到第233步时，其网络整体的均方差已经达到1.4119E-5，网络的训练时间非常短，训练误差收敛情况如图7所示。

步骤4.5.相控阵天线阵面变形监测神经网络测试

利用图6中的测试样本，对步骤4.4训练后的阵面变形监测模型进行测试。如图8所示为测试样本的监测结果。所建立的BP神经网络模型对测试样本的整体均方差大小为0.2707，在误差的允许范围之内，即所构建的阵面变形监测神经网络通过训练，达到了相对满意的效果。因此，可以通过已训练好的神经网络模型，实现其他新工况下天线阵面变形的监测。

步骤5.对天线阵面变形进行全天候监测

将实时采集的天线阵面环境载荷，以及每个辐射单元的坐标值，输入基于神经网络的天线阵面变形监测模型，实时计算每个天线辐射单元的变形，实现阵面变形全天候实时监测，如图9所示为5组实时采集的天线阵面工况及其监测值。

需要说明的是，本发明方法已通过了实测数据的验证，上面设计的仿真实施例仅是为了便于比较和分析，以便读者更好地理解本发明的原理方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种相控阵天线阵面变形全天候监测方法，其特征在于：其包括以下步骤：

步骤一、确定相控阵天线阵面仿真工况

分析影响天线阵面变形的环境载荷，确定影响天线阵面变形的主要因素，假设因素有m个，将每个因素在一定范围内进行离散，选取r个水平，查询标准化的正交表L_n(r^q)，q≥m；n＝r^k(k＝2,3,…)确定仿真工况；

步骤二、天线阵面有限元仿真模型构建与验证

利用有限元仿真工具，建立天线阵面有限元仿真模型，并在某一典型工况下对建立的有限元模型进行仿真，获取仿真结果数据，同时，在同一典型工况下对天线阵面变形进行测量，将仿真数据与测量数据进行对比，如果超出了给定的误差范围，对建立的仿真模型进行修正；

步骤三、获取天线阵面仿真工况对应的变形数据

按照步骤一确定的仿真工况对修正后的仿真模型进行一一仿真，记录各工况下的天线阵面变形数据；

步骤四、建立基于神经网络的天线阵面变形监测模型

以仿真数据为基础，选取神经网络的类型，确定所述神经网络的结构参数，对神经网络进行训练和测试，构建基于神经网络的天线阵面变形监测模型；

步骤五、对天线阵面变形进行全天候监测

通过实时监测的天线阵面的仿真工况数据，带入天线阵面变形监测模型，实时计算天线阵面变形，实现天线阵面变形全天候的实时监测。

2.如权利要求1所述的相控阵天线阵面变形全天候监测方法，其特征在于：在步骤一中，影响天线阵面变形的环境载荷包括重力载荷、风载、温度载荷、辐射单元的行位置和列位置。

3.如权利要求1所述的相控阵天线阵面变形全天候监测方法，其特征在于：在步骤二中，有限元仿真模型的构建因素包括天线阵面几何模型的简化、网格划分、定义材料属性、定义边界条件。

4.如权利要求1所述的相控阵天线阵面变形全天候监测方法，其特征在于：在步骤二中，对天线阵面有限元仿真模型的修正包括刚度修正、质量修正、边界条件修正。

5.如权利要求1所述的相控阵天线阵面变形全天候监测方法，其特征在于：在步骤四中，将仿真数据作为样本数据进行归一化处理，随机选择部分样本数据作为训练样本数据，剩下一部分样本数据作为测试样本数据；确定神经网络的结构参数，利用训练样本数据对建立的天线阵面变形监测模型进行训练，并利用测试样本数据对训练后的神经网络进行测试，当测试结果超出了误差允许范围，需对神经网络的结构参数进行修正，从而建立基于神经网络的天线阵面变形监测模型。

6.如权利要求1所述的相控阵天线阵面变形全天候监测方法，其特征在于：在步骤四中，天线阵面变形监测模型的构建方法包括以下步骤：

相控阵天线阵面变形监测神经网络模型构建；

天线阵面仿真样本数据归一化预处理；

相控阵天线阵面变形监测神经网络样本的选择；

相控阵天线阵面变形监测神经网络训练；

相控阵天线阵面变形监测神经网络测试。

7.如权利要求6所述的相控阵天线阵面变形全天候监测方法，其特征在于：在相控阵天线阵面变形监测神经网络模型构建中，所构建的神经网络模型采用BP神经网络、RBF神经网络、进化神经网络、模糊神经网络、小波神经网络中的其中一种实现。

8.如权利要求6所述的相控阵天线阵面变形全天候监测方法，其特征在于：所构建的神经网络模型包括输入层、隐藏层和输出层；其中，输入层综合考虑了影响天线阵面变形的各种因素，选取了重力荷载、风荷载、温度荷载、辐射单元的行位置和列位置5个神经元节；输出层选取了相控阵天线的每个辐射单元在三个坐标轴方向上的位移△X，△Y，△Z。

9.如权利要求1所述的相控阵天线阵面变形全天候监测方法，其特征在于：在步骤五中，将实时采集的天线阵面环境载荷以及相控阵天线的每个辐射单元的坐标值，输入基于神经网络的天线阵面变形监测模型，实时计算每个辐射单元的变形，实现天线阵面变形全天候的实时监测。