CN106779066A - 一种雷达电路板故障诊断方法 - Google Patents
一种雷达电路板故障诊断方法 Download PDFInfo
- Publication number
- CN106779066A CN106779066A CN201611100004.2A CN201611100004A CN106779066A CN 106779066 A CN106779066 A CN 106779066A CN 201611100004 A CN201611100004 A CN 201611100004A CN 106779066 A CN106779066 A CN 106779066A
- Authority
- CN
- China
- Prior art keywords
- case
- fault
- sub
- library
- new
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种雷达电路板故障诊断方法,该方法包含如下步骤:S1,建立一级故障案例库,并对每个一级故障案例库分别建立若干个故障案例子案例库;S2,确定神经网络拓扑结构和网络参数,构建基于神经网络的专家系统,将转化好的新案例输入神经网络进行故障类别辨识,在确定一级故障类别后,在其对应的故障类别子案例库中继续应用次层神经网络计算出新案例与子案例库的相似度,最后输出相似度高于指定值的案例为新案例的目标案例。本发明在充分参考雷达故障诊断实践经验的基础上,综合运用案例库、数据库和多重RBF神经网络信息技术,利用专家经验知识推理出雷达电路板故障诊断结果。
Description
技术领域
本发明涉及自动化测试与故障诊断领域,特别涉及一种雷达电路板故障诊断方法。
背景技术
随着电子技术的发展以及雷达性能的不断增强,雷达变得更加复杂,电路板种类繁多,结构功能复杂,不仅同一模块的不同部分之间互相关联、紧密藕合,而且不同模块之间也存在着紧密的联系,某个模块中出现的某些微小故障若不能及时检测并排除,就有可能造成整个系统的失效、瘫痪,甚至导致灾难性后果。
雷达故障诊断的任务就是要鉴别雷达的技术状态是否正常,如果不正常需要确定故障性质、故障电路板部位及故障起因,并且提出排除故障的相应措施。目前国内在雷达研究领域对雷达的故障诊断普遍采用基于信号检测的方法,对于简单系统而言,能够实现对一般故障的正确定位。但由于新研制的雷达都是一个由诸多子系统组成的复杂系统,各子系统间的相关性很高,因此单靠对某一或某些局部信号的检测或采用单一的故障诊断方法往往很难对系统进行全面彻底的诊断,而且诊断效率极低。
发明内容
本发明的目的是提供一种雷达电路板故障诊断方法,在充分参考雷达故障诊断实践经验的基础上,综合运用案例库、数据库和多重RBF神经网络等信息技术,利用专家经验知识推理出雷达电路板故障诊断结果。
为了实现以上目的,本发明是通过以下技术方案实现的:
一种雷达电路板故障诊断方法,其特点是,该方法包含如下步骤:
S1,建立一级故障案例库,并对每个一级故障案例库分别建立若干个故障案例子案例库;
S2,确定神经网络拓扑结构和网络参数,构建基于神经网络的专家系统,将转化好的新案例输入神经网络进行故障类别辨识,在确定一级故障类别后,在其对应的故障类别子案例库中继续应用次层神经网络计算出新案例与子案例库的相似度,最后输出相似度高于指定值的案例为新案例的目标案例。
所述的步骤S2之前还包含:
专家系统提取雷达测试数据中反映雷达状态的特征属性,并将新案例的特征属性转化为与一级故障案例库及故障案例子案例库中的历史案例相同的表示方式。
所述的步骤S2中所述的神经网络根据故障成因,将知识集分解成若干个相互独立的知识子集,对每个知识子集建立一个逻辑上独立的神经子网络;运用学习算法对各个神经子网络分别进行学习训练,把领域专家求解诊断问题的各个知识子集存贮到对应神经子网络的权值和阈值上。
预先添加历史故障案例至一级故障案例库和故障案例子案例库。
专家系统求解新案例与子案例库的相似度,若输出相似度低于指定值的案例,则需要人工分析新案例的故障原因,并建立该新案例的故障特征集添加到故障案例子案例库中。
本发明与现有技术相比,具有以下优点:
本发明在充分参考雷达故障诊断实践经验的基础上,综合运用案例库、数据库和多重RBF神经网络等信息技术,利用专家经验知识推理出雷达电路板故障诊断结果。
附图说明
图1为本发明雷达电路板故障诊断专家系统结构图;
图2为本发明雷达电路板故障诊断专家系统案例库图;
图3为本发明雷达电路板故障诊断系统工作流程图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1所示,雷达电路板故障诊断专家系统包含:案例库模块、推理机模块、案例获取模块、人机接口、解释机制模块和综合数据库。
案例库模块以计算机易于处理的格式存储用各种方式获得的关于雷达故障诊断以及雷达工作状态的专家知识。一般的数据库是固定的,即是被动式的;而专家系统的案例库是具有创造性,具有对新知识的学习能力,是在不断更新和扩充的,即是主动式的,在需要改动或者增删案例时,系统可以在专家及技术人员的参与下修改案例库。
推理机模块是系统的核心,它的主要功能是根据一定的控制策略有选择地从案例库中取出有关的案例,主要包括应用神经网络模块、最近邻算法等计算出新案例对各子案例库的相似度,然后按相似度阈值取出满足要求的目标案例供用户选择。如果当前发生的故障无法从原案例库中检索到与新案例匹配的故障案例(设定阈值,小于阈值即不匹配),则需要专家,专门的技术人员共同参与,分析故障原因,建立该故障的特征集,把其充实到故障案例库中。新案例的添加在解决新问题的同时,也增强了系统的解题经验,提高了系统对知识的理解、分析能力。
案例获取模块,其在在案例库建立初期是人工的添加一些历史故障案例进入案例库,当案例库有一定规模后就可以从诊断的新案例中提取有价值的案例加入案例库中加以完善。
人机接口:它包括用户输入的自然语言的处理,向用户输出各种答案或结论的语言处理,各种图形和表格的处理,向用户描述推理过程或所得结论的依据等。其主要目的是使系统和用户之间尽可能以自然的、易于操作和实现的方式,友好地交换各自的信息。
解释机制模块,其对给出的结论需要作必要的解释和论证,以便用户可以追溯出现错误结论的根源,或提高对正确结论的可信度。
综合数据库,其利用数据库实现案例库的建立、维护和管理,为案例库提供了易于扩充和完善的框架。
一种雷达电路板故障诊断方法,该方法包含如下步骤:
如图2所示,S1,建立一级故障案例库,并对每个一级故障案例库分别建立若干个故障案例子案例库,建立时预先添加历史故障案例至一级故障案例库和故障案例子案例库,在一级案例库及各案例子库中分类选取本类型故障的典型案例,这些典型案例用于神经网络的权值和阈值训练;
S2,确定神经网络拓扑结构和网络参数,构建基于神经网络的专家系统,将转化好的新案例输入神经网络进行故障类别辨识,在确定一级故障类别后,在其对应的故障类别子案例库中继续应用次层神经网络计算出新案例与子案例库的相似度,最后输出相似度高于指定值的案例为新案例的目标案例。
上述的步骤S2之前还包含:专家系统提取雷达测试数据中反映雷达状态的特征属性,并将新案例的特征属性转化为与一级故障案例库及故障案例子案例库中的历史案例相同的表示方式。
如图3所示,上述的步骤S2中所述的神经网络根据故障成因,将知识集分解成若干个相互独立的知识子集,对每个知识子集建立一个逻辑上独立的神经子网络;运用学习算法对各个神经子网络分别进行学习训练,把领域专家求解诊断问题的各个知识子集存贮到对应神经子网络的权值和阈值上。
具体的,基于神经网络的案例索引首先要对故障样本的学习来使网络拥有类别辨识能力,所以在使用系统进行故障诊断之前要对网络的权系数进行训练。对于初级神经网络,我们选取100组包含了直波接收机、回波接收机、位标器、电源、引信等系统故障案例作为神经训练样本,训练中每次取一组样本输入网络,直到网络训练误差达到预设值。对于次级神经网络,以直波接收机为例,我们选取50组包含直波接收机典型故障案例作为神经训练样本,其中直波的五种故障模式各取10组样本。本文采用的是基于RBF的神经网络,先对输入的训练样本进行归一化处理,即将输入量转化为[0,1]之间的数据,对应的归一化公式:
其中,Xi、Xmin、Xmax分别表示同一特征属性的第i个数据、最小值、最大值,X是归化后的数据。然后,将归一化处理后的特征参数值作为神经网络的输入,进行训练学习,为故障识别奠定基础。
专家系统首先要做的是将数据中反映雷达状态属性的信息提取出来,将这些新案例转化成与案例库中的历史案例相同的表示方式X(x1,x2,…,xn),其中n为案例的属性个数。然后将转化好的案例输入神经网络进行故障类别辨识,在确定一级故障类别后,在对应的故障类别子案例库中继续应用次层RBF神经网络计算出新案例与子案例库的相似度,最后输出相似度高于指定值的案例为新案例的目标案例,以相似度大小排序供用户查看。
专家系统求解新案例与子案例库的相似度,若输出相似度低于指定值的案例,则需要人工分析新案例的故障原因,并建立该新案例的故障特征集添加到故障案例子案例库中。
综上所述,本发明一种雷达电路板故障诊断方法,在充分参考雷达故障诊断实践经验的基础上,综合运用案例库、数据库和多重RBF神经网络等信息技术,利用专家经验知识推理出雷达电路板故障诊断结果。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种雷达电路板故障诊断方法,其特征在于,该方法包含如下步骤:
S1,建立一级故障案例库,并对每个一级故障案例库分别建立若干个故障案例子案例库;
S2,确定神经网络拓扑结构和网络参数,构建基于神经网络的专家系统,将转化好的新案例输入神经网络进行故障类别辨识,在确定一级故障类别后,在其对应的故障类别子案例库中继续应用次层神经网络计算出新案例与子案例库的相似度,最后输出相似度高于指定值的案例为新案例的目标案例。
2.如权利要求1所述的雷达电路板故障诊断方法,其特征在于,所述的步骤S2之前还包含:
专家系统提取雷达测试数据中反映雷达状态的特征属性,并将新案例的特征属性转化为与一级故障案例库及故障案例子案例库中的历史案例相同的表示方式。
3.如权利要求1所述的雷达电路板故障诊断方法,其特征在于,所述的步骤S2中所述的神经网络根据故障成因,将知识集分解成若干个相互独立的知识子集,对每个知识子集建立一个逻辑上独立的神经子网络;运用学习算法对各个神经子网络分别进行学习训练,把领域专家求解诊断问题的各个知识子集存贮到对应神经子网络的权值和阈值上。
4.如权利要求1所述的雷达电路板故障诊断方法,其特征在于,预先添加历史故障案例至一级故障案例库和故障案例子案例库。
5.如权利要求1所述的雷达电路板故障诊断方法,其特征在于,专家系统求解新案例与子案例库的相似度,若输出相似度低于指定值的案例,则需要人工分析新案例的故障原因,并建立该新案例的故障特征集添加到故障案例子案例库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611100004.2A CN106779066A (zh) | 2016-12-02 | 2016-12-02 | 一种雷达电路板故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611100004.2A CN106779066A (zh) | 2016-12-02 | 2016-12-02 | 一种雷达电路板故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106779066A true CN106779066A (zh) | 2017-05-31 |
Family
ID=58883447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611100004.2A Pending CN106779066A (zh) | 2016-12-02 | 2016-12-02 | 一种雷达电路板故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779066A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520302A (zh) * | 2018-03-23 | 2018-09-11 | 佛山科学技术学院 | 一种柴油机故障诊断系统 |
CN109738782A (zh) * | 2018-12-07 | 2019-05-10 | 上海交通大学 | 基于测量数据机器学习的电路板故障检测方法和系统 |
CN110635926A (zh) * | 2018-06-21 | 2019-12-31 | 亿阳信通股份有限公司 | 一种网络问题的确定方法及装置 |
CN111611279A (zh) * | 2020-04-24 | 2020-09-01 | 中国电子科技集团公司第二十九研究所 | 一种基于测试指标相似度的微波组件故障诊断系统及方法 |
CN112785015A (zh) * | 2021-02-02 | 2021-05-11 | 中国人民解放军空军工程大学 | 基于案例推理的装备故障诊断方法 |
CN113030881A (zh) * | 2019-12-09 | 2021-06-25 | 上海禾赛科技股份有限公司 | 激光雷达的点云合理性诊断方法、激光雷达以及包括其的车辆 |
CN113177563A (zh) * | 2021-05-07 | 2021-07-27 | 安徽帅尔信息科技有限公司 | 融合cma-es算法及贯序极限学习机的贴片后异常检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
US20090276387A1 (en) * | 2008-05-05 | 2009-11-05 | Paquet Michel D | Hybrid fault reasoning and guided troubleshooting system |
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
CN204269816U (zh) * | 2014-11-14 | 2015-04-15 | 中国人民解放军91851部队 | 一种用于雷达故障诊断的综合信号源 |
-
2016
- 2016-12-02 CN CN201611100004.2A patent/CN106779066A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
US20090276387A1 (en) * | 2008-05-05 | 2009-11-05 | Paquet Michel D | Hybrid fault reasoning and guided troubleshooting system |
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
CN204269816U (zh) * | 2014-11-14 | 2015-04-15 | 中国人民解放军91851部队 | 一种用于雷达故障诊断的综合信号源 |
Non-Patent Citations (4)
Title |
---|
K.L.CHOY ETAL.: "Design of an intelligent supplier relationship management system: a hybrid case based neural network approach", 《EXPERT SYSTEMS WITH APPLICATION》 * |
张晓莉 等: "诊断推理中人工神经网络与基于案例推理的结合", 《上海铁道大学学报》 * |
陈培彬 等: "基于CBR的机载雷达故障诊断专家系统研究", 《计测技术》 * |
黄子俊 等: "基于ANN 与CBR 相结合的复杂装备故障诊断研究", 《计算机应用与软件》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520302A (zh) * | 2018-03-23 | 2018-09-11 | 佛山科学技术学院 | 一种柴油机故障诊断系统 |
CN110635926A (zh) * | 2018-06-21 | 2019-12-31 | 亿阳信通股份有限公司 | 一种网络问题的确定方法及装置 |
CN109738782A (zh) * | 2018-12-07 | 2019-05-10 | 上海交通大学 | 基于测量数据机器学习的电路板故障检测方法和系统 |
CN109738782B (zh) * | 2018-12-07 | 2020-11-06 | 上海交通大学 | 基于测量数据机器学习的电路板故障检测方法和系统 |
CN113030881A (zh) * | 2019-12-09 | 2021-06-25 | 上海禾赛科技股份有限公司 | 激光雷达的点云合理性诊断方法、激光雷达以及包括其的车辆 |
CN111611279A (zh) * | 2020-04-24 | 2020-09-01 | 中国电子科技集团公司第二十九研究所 | 一种基于测试指标相似度的微波组件故障诊断系统及方法 |
CN111611279B (zh) * | 2020-04-24 | 2023-09-12 | 中国电子科技集团公司第二十九研究所 | 一种基于测试指标相似度的微波组件故障诊断系统及方法 |
CN112785015A (zh) * | 2021-02-02 | 2021-05-11 | 中国人民解放军空军工程大学 | 基于案例推理的装备故障诊断方法 |
CN112785015B (zh) * | 2021-02-02 | 2024-01-19 | 中国人民解放军空军工程大学 | 基于案例推理的装备故障诊断方法 |
CN113177563A (zh) * | 2021-05-07 | 2021-07-27 | 安徽帅尔信息科技有限公司 | 融合cma-es算法及贯序极限学习机的贴片后异常检测方法 |
CN113177563B (zh) * | 2021-05-07 | 2022-10-14 | 安徽帅尔信息科技有限公司 | 融合cma-es算法及贯序极限学习机的贴片后异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779066A (zh) | 一种雷达电路板故障诊断方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
Castro et al. | Knowledge discovery in neural networks with application to transformer failure diagnosis | |
Tonelli‐Neto et al. | Fuzzy based methodologies comparison for high‐impedance fault diagnosis in radial distribution feeders | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
Aligholian et al. | Unsupervised event detection, clustering, and use case exposition in micro-pmu measurements | |
CN116256602B (zh) | 一种低压配电网状态异常的识别方法和系统 | |
CN108196143A (zh) | 电力变压器故障深度诊断方法及终端设备 | |
CN109002847A (zh) | 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 | |
CN109765447A (zh) | 一种智能变电站继电保护自动测试方法 | |
CN106628097A (zh) | 一种基于改进径向基神经网络的船舶设备故障诊断方法 | |
CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及系统 | |
CN101871994A (zh) | 多分数阶信息融合的模拟电路故障诊断方法 | |
US20220360084A1 (en) | Transient stability assessment method for an electric power system | |
CN108154223A (zh) | 基于网络拓扑及长时序信息的配电网工况录波分类方法 | |
CN109101483A (zh) | 一种针对电力巡检文本的错误识别方法 | |
CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN110110426A (zh) | 一种开关电源滤波电容失效检测方法 | |
WO2019140553A1 (zh) | 配电系统的健康指数确定方法及装置、计算机存储介质 | |
CN117171586A (zh) | 一种基于电流序列相似度的户变关系识别方法及系统 | |
CN108121796A (zh) | 基于可信度的电能计量装置故障分析方法及装置 | |
CN109547248A (zh) | 基于人工智能的在轨飞行器自组网故障诊断方法及装置 | |
Zhou et al. | An improved extension neural network methodology for fault diagnosis of complex electromechanical system | |
CN109523026A (zh) | 援例推理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |