CN108717496A - 雷达天线阵面故障检测方法及系统 - Google Patents
雷达天线阵面故障检测方法及系统 Download PDFInfo
- Publication number
- CN108717496A CN108717496A CN201810497473.5A CN201810497473A CN108717496A CN 108717496 A CN108717496 A CN 108717496A CN 201810497473 A CN201810497473 A CN 201810497473A CN 108717496 A CN108717496 A CN 108717496A
- Authority
- CN
- China
- Prior art keywords
- module
- training
- radar
- fault
- data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/10—Radiation diagrams of antennas
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了雷达天线阵面故障检测方法及系统,涉及雷达领域。该方法包括:根据n个模块的检测数据构建训练集和测试集;从训练集中任选m个模块的检测数据构建新训练集,共构建成t个新训练集;分别根据t个新训练集对预设的故障判别模型进行训练,得到t个训练后的故障判别模型;根据测试集分别对t个训练后的故障判别模型进行测试,根据测试结果确定发生故障的模块。本发明能够对雷达天线阵面的多模块检测数据进行统一分析,克服了仅靠单一故障特征量分析方法的不足,能够快速便捷地定位故障,有效辅助雷达故障分析和故障预测,能够满足有源相控阵雷达的天线阵面的故障检测需求,具有广阔的应用价值和市场前景。
Description
技术领域
本发明涉及雷达领域,尤其涉及雷达天线阵面故障检测方法及系统。
背景技术
对于有源相控阵雷达的天线阵面来说,由于其组合了多个模块、分系统,所以运行状况复杂,当出现故障时,影响因素众多,同一种故障可能有不同的表现形式,并且同一种故障现象也可能是若干故障共同作用的结果。
目前,在工程上对于有源相控阵雷达的天线阵面的故障检测更多是依据单一的故障特征量,并未对所有故障特征量进行综合分析,没有综合考虑故障的多样性、不确定性和各种故障之间联系的复杂性,目前的检测方法无法满足有源相控阵雷达的天线阵面的故障检测需求。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种雷达天线阵面故障检测方法、一种雷达天线阵面故障检测系统及一种存储介质。
本发明解决上述技术问题的技术方案如下:
一种雷达天线阵面故障检测方法,包括:
获取雷达天线阵面的n个模块的检测数据,根据所述n个模块的检测数据构建训练集和测试集;
从所述训练集中任选m个模块的检测数据构建新训练集,共构建成t个新训练集;
分别根据所述t个新训练集对预设的故障判别模型进行训练,得到t个训练后的故障判别模型;
根据所述测试集分别对所述t个训练后的故障判别模型进行测试,根据测试结果确定发生故障的模块;
其中,n>2,1<m<n,
本发明的有益效果是:本发明提供的雷达天线阵面故障检测方法,能够对雷达天线阵面的多模块检测数据进行统一分析,克服了仅靠单一故障特征量分析方法的不足,能够快速便捷地定位故障,通过建立多个故障判别模型,对判别结果进行综合分析,使每个模块的检测数据都能对故障检测结果作出贡献,能够提高故障识别的准确率,有效辅助雷达故障分析和故障预测,能够满足有源相控阵雷达的天线阵面的故障检测需求,具有广阔的应用价值和市场前景。
本发明解决上述技术问题的另一种技术方案如下:
一种雷达天线阵面故障检测系统,包括:
获取单元,用于获取雷达天线阵面的n个模块的检测数据,根据所述n个模块的检测数据构建训练集和测试集;
处理单元,用于从所述训练集中任选m个模块的检测数据构建新训练集,共构建成t个新训练集;
训练单元,用于分别根据所述t个新训练集对预设的故障判别模型进行训练,得到t个训练后的故障判别模型;
测试单元,用于根据所述测试集分别对所述t个训练后的故障判别模型进行测试,根据测试结果确定发生故障的模块;
其中,n>2,1<m<n,
本发明解决上述技术问题的另一种技术方案如下:
一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述技术方案中任一项所述的方法。
本发明附加的方面的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,或通过本发明实践了解到。
附图说明
图1为本发明一种雷达天线阵面故障检测方法的一个实施例提供的流程示意图;
图2为本发明一种雷达天线阵面故障检测方法的其他实施例提供的流程示意图;
图3为本发明一种雷达天线阵面故障检测方法的其他实施例提供的流程示意图;
图4为本发明一种雷达天线阵面故障检测方法的其他实施例提供的流程示意图;
图5为本发明一种雷达天线阵面故障检测系统的一个实施例提供的结构框架图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明一种雷达天线阵面故障检测方法的一个实施例提供的流程示意图,可以对想有源相控阵雷达等组合了多个模块、多个分系统的雷达天线阵面进行故障检测,该方法包括:
S1,获取雷达天线阵面的n个模块的检测数据,根据n个模块的检测数据构建训练集和测试集。
需要说明的是,这些模块是雷达天线阵面的组成部分,用于监测雷达天线阵面的各项参数,获取雷达天线阵面的各种检测数据,例如,这些模块可以分别获取雷达天线阵面的通道幅相误差、通道故障数量占有比、分布位置信息、阵面温度、电流值、电压值、通信状态延时等。
应理解,可以将同一时刻,同一次采集得到的这些检测数据构建成训练集和测试集。
需要说明的是,可以根据预设的比例生成训练集和测试集。例如,可以将这些检测数据中的80%作为训练集,将剩下的20%作为测试集。
S2,从训练集中任选m个模块的检测数据构建新训练集,共构建成t个新训练集。
例如,假设共有5个模块A、B、C、D、E,那么从中任选2个模块的检测数据,可以为AB、AC、AD、AE、BC、BD、BE、CD、CE、DE,共可以构建成10个新训练集。
又例如,假设共有4个模块A、B、C、D,那么从中任选3个模块的检测数据,可以为ABC、ABD、ACD、BCD,共可以构建成4个新训练集。
S3,分别根据t个新训练集对预设的故障判别模型进行训练,得到t个训练后的故障判别模型。
例如,假设共有3个模块A、B、C,那么从中任选2个模块后,得到AB、AC、BC共3个训练集,那么分别通过AB、AC、BC这3个训练集对预设的故障判别模型进行训练,就可以分别得到3个对应AB、AC、BC训练后的故障判别模型。
需要说明的是,故障判别模型可以根据深度神经网络实现,具体形式可以根据实际需求设置,其输入为检测数据,输出为发生故障的模块。
S4,根据测试集分别对t个训练后的故障判别模型进行测试,根据测试结果确定发生故障的模块。
需要说明的是,测试集中的每个数据在对其中一个训练后的故障判别模型进行测试进行测试后,会产生一个结果,假设测试集中共有p个测试数据,那么共可以产生p*t个测试结果,这些测试结果是哪些模块发生了故障,哪些模块没有发生故障,通过对这些结果进行分析,就能确定发生故障的模块,排除其他模块的干扰,进而实现对多模块雷达天线阵面的故障检测。
假设共有3个模块ABC,训练后的故障判别模型分别是AB、AC和BC,测试集中有2个测试数据,那么第一次测试后,结果可以为A1B、A1C、BC1,第二次测试后,结果可以为AB2、A2C、BC2,其中,下角标1、2代表在第1、2次测试中,判断出现故障的模块。
下面以具体例子对根据测试结果确定发生故障的模块进行说明。
例如,可以对各个模块的测试结果进行统计,将测试结果判定为出现故障次数最多的模块输出为故障模块,经过统计,发现模块A在第一次测试中,判定为出现故障2次,在第二次测试中,判断为出现故障1次;模块B在第一次测试中,判定为出现故障0次,在第二次测试中,判断为出现故障1次;模块C在第一次测试中,判定为出现故障1次,在第二次测试中,判断为出现故障1次。那么经过统计,发现模块A的测试结果为故障3次,模块B的测试结果为故障1次,模块C的测试结果为故障2次,那么可以将模块A作为故障模块输出。
又例如,还可以设置阈值,将超过特定故障次数的模块作为故障模块输出。假设阈值为1次,那么通过比较可以得到,模块A和模块B超过了阈值,那么就可以将模块A和模块B作为故障模块输出。
需要说明的是,阈值可以根据实际需求设置。同时,以上仅为示例性说明,当测试集数据量很大时,可以得到高准确率的测试结果。
其中,n>2,1<m<n,
本实施例提供的雷达天线阵面故障检测方法,能够对雷达天线阵面的多模块检测数据进行统一分析,克服了仅靠单一故障特征量分析方法的不足,能够快速便捷地定位故障,通过建立多个故障判别模型,对判别结果进行综合分析,使每个模块的检测数据都能对故障检测结果作出贡献,能够提高故障识别的准确率,有效辅助雷达故障分析和故障预测,能够满足有源相控阵雷达的天线阵面的故障检测需求,具有广阔的应用价值和市场前景。
可选地,在一些实施例中,如图2所示,根据n个模块的检测数据构建训练集和测试集之前,还可以包括:
S01,判断n个模块的检测数据中是否存在超出预设值域范围的数据,如果存在,则剔除超出预设值域范围的数据。
应理解,可以对通道幅相误差、通道故障数量占有比、电压值和电流值这类有固定值域的特征量,观察其值是否超出值域范围,如果超出,可将该值剔除掉。对于分布位置信息、通信状态延时等没有固定值域的特征量,则可以跳过本步骤。
例如,通道故障数量占有比的值域范围可以是[0,1],如果某条通道故障数量占有比的值大于1,这样的数据可以直接剔除。
S02,判断剔除超出预设值域范围数据后的检测数据中是否存在数据缺失,如果存在,则通过数据均值代替缺失的数据,数据均值为缺失的数据所在模块的监测数据的平均值。
例如,在某一批采集的检测数据中,对于电压值这一项,其中某一条数据丢失了,那么可以用该批数据中全部电压值的平均值代替缺失的数据。
假设某次采集的检测数据中,电压值分别为a、b、d,其中数据c丢失,那么可以根据以下公式计算得到数据c:
可选地,在一些实施例中,如图3所示,根据n个模块的检测数据构建训练集和测试集,具体可以包括:
S11,将同一次采集得到的n个模块的检测数据组合成特征数据向量。
应理解,假设每个模块的检测数据都只有1个,那么就可以组合成1个特征数据向量,数据量为1,向量维度为n;假设每个模块的检测数据都分别有x个,那么就可以组合成x个特征数据向量,数据量为x,向量维度为n。
例如,假设有3个模块A、B、C,每个模块都有2个检测数据,那么就可以组成2个向量维度为3的特征数据向量,分别是A1B1C1和A2B2C2。
S12,按预设比例将特征数据向量分为训练集和测试集。
例如,可以将这些特征数据向量中的80%作为训练集,将剩下的20%作为测试集。
可选地,在一些实施例中,故障判别模型根据以下公式得到:
其中,y表示模块的故障状态,x表示特征数据向量,N(x;0,σ2,I)表示标准正态分布,σ表示特征数据向量的标准差,I表示单位矩阵,M表示特征数据向量的数量,b表示偏差值,αi表示系数向量,ξ表示松弛系数,λ表示惩罚系数。
需要说明的是,模块的故障状态可以为两种,一种是出现故障,另一种是未出现故障。
可选地,在一些实施例中,分别根据t个新训练集对预设的故障判别模型进行训练,具体可以包括:
将第j个训练集划分成数据量相同的k个子训练集。
将第q个子训练集输入到故障判别模型中,得到松弛系数和惩罚系数,并将其余未进行训练的k-1个子训练集作为测试集,对故障判别模型进行测试,将测试结果与预设结果进行比较,得到识别准确率,如果识别准确率不满足预设准确率,则在松弛系数的值域范围内对松弛系数进行遍历取值,并在惩罚系数的值域范围内对惩罚系数进行遍历取值,直到识别准确率满足预设准确率。
例如,假设共有3个新训练集,分别是AB、AC和BC,下面以对新训练集AB进行训练为例,对训练过程进行说明,新训练集AC和BC也进行相同的训练。
假设将新训练集AB内共有6个数据,那么可以将新训练集AB分成Ⅰ、Ⅱ、Ⅲ共3个子训练集,每个子训练集内都有2个数据。
首先将子训练集Ⅰ输入到故障判别模型中,根据上述实施例中提供的故障判别模型,可以求出松弛系数和惩罚系数的值。
然后将剩下的子训练集Ⅱ、Ⅲ作为测试集进行测试,分别依次将子训练集Ⅱ、Ⅲ输入到故障判别模型中,每次都会得到一个测试结果,然后将测试结果与实际的故障状态进行比较,如果相等,则不需要调整故障判别模型,如果不相等,就可以得到测试的准确率,然后将准确率与预设准确率比较,然后可以通过网络搜索的方法对松弛系数和惩罚系数进行调整,使其满足要求。
其中,网络搜索是指在参数的值域范围内对参数进行遍历取值。
其中,j从1取至t,q从1取至k,k>1。
优选地,在一些实施例中,在得到故障判别模型后,可以根据上一实施例中的方法对故障判别模型进行预先训练。
通过对故障判别模型进行训练,能够提高模型的识别准确率,能够得到最优的松弛系数和惩罚系数。
可选地,在一些实施例中,如图4所示,根据测试集分别对t个训练后的故障判别模型进行测试,根据测试结果确定发生故障的模块,具体可以包括:
S41,将测试集中的特征数据向量分别输入到t个训练后的故障判别模型中进行测试,得到n个模块的故障状态。
S42,将故障次数最多的模块确定为发生故障的模块。
下面以一个具体示例进行说明。
假设共有4个模块A、B、C、D,任选2个分成AB、AC、AD、BC、BD、CD共6类新训练集,每个新训练集训练后的故障判别模型的判别结果与训练时用的到训练集有关。例如,运用新训练集AB训练得到的故障判别模型的判别结果只能是A模块故障/无故障,或B模块故障/无故障。同理,运用新训练集CD训练得到的故障判别模型的判别结果只能是C模块故障/无故障,或D模块故障/无故障。因而在判定故障发生模块的时候,需要综合考虑这6个故障判别模型的结果,给出最终的判定结果。
例如,可以采用投票的方式对判别结果进行投票,当判别结果为某模块故障时,记该模块得1分,最后统计得票最多的模块,就可以作为最终的故障模块,步骤如下。
初始时,将A、B、C、D四类的票数记为0,即A=B=C=D=0;
取测试集中的一个特征数据向量a输入到运用新训练集AB训练得到的故障判别模型中,得到判定结果。如果判定结果为A,则A的票数加1,否则,B的票数加1;
再将特征数据向量a输入到运用新训练集AC训练得到的故障判别模型中,得到判定结果。如果判定结果为A,则A的票数加1,否则,C的票数加1;
再将特征数据向量a输入到运用新训练集AD训练得到的故障判别模型中,得到判定结果。如果判定结果为A,则A的票数加1,否则,D的票数加1;
再将特征数据向量a输入到运用新训练集BC训练得到的故障判别模型中,得到判定结果。如果判定结果为B,则B的票数加1,否则,C的票数加1;
再将特征数据向量a输入到运用新训练集BD训练得到的故障判别模型中,得到判定结果。如果判定结果为B,则B的票数加1,否则,D的票数加1;
再将特征数据向量a输入到运用新训练集CD训练得到的故障判别模型中,得到判定结果。如果判定结果为C,则C的票数加1,否则,D的票数加1;
再将测试集中的另一个特征数据向量如上述步骤,依次输入到各类模型中,并进行投票,直到将测试集中的全部特征数据向量遍历一遍为止。
最后,统计模块A、B、C、D的最终票数,将得票数最多的判定类别作为最终投票机制输出的故障模块。
可以理解,可选地,在一些实施例中,可以包含如上述各实施例中的部分或全部步骤。
如图5所示,为本发明一种雷达天线阵面故障检测系统的一个实施例提供的结构框架图,该系统包括:
获取单元1,用于获取雷达天线阵面的n个模块的检测数据,根据n个模块的检测数据构建训练集和测试集。
处理单元2,用于从训练集中任选m个模块的检测数据构建新训练集,共构建成t个新训练集。
训练单元3,用于分别根据t个新训练集对预设的故障判别模型进行训练,得到t个训练后的故障判别模型。
测试单元4,用于根据测试集分别对t个训练后的故障判别模型进行测试,根据测试结果确定发生故障的模块。
其中,n>2,1<m<n,
需要说明的是,本实施例是与上述各方法实施例对应的产品实施例,对于本实施例中各结构装置的说明及可选实施方式可以参考上述各方法实施例中的对应说明及可选实施方式,在此不再赘述。
可选地,在本发明的其他实施例中,还提供一种存储介质,存储介质中存储有指令,当计算机读取指令时,使计算机执行如上述实施例中任一项的方法。
读者应理解,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必针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种雷达天线阵面故障检测方法,其特征在于,包括:
获取雷达天线阵面的n个模块的检测数据,根据所述n个模块的检测数据构建训练集和测试集;
从所述训练集中任选m个模块的检测数据构建新训练集,共构建成t个新训练集;
分别根据所述t个新训练集对预设的故障判别模型进行训练,得到t个训练后的故障判别模型;
根据所述测试集分别对所述t个训练后的故障判别模型进行测试,根据测试结果确定发生故障的模块;
其中,n>2,1<m<n,
2.根据权利要求1所述的雷达天线阵面故障检测方法,其特征在于,所述根据所述n个模块的检测数据构建训练集和测试集之前,还包括:
判断所述n个模块的检测数据中是否存在超出预设值域范围的数据,如果存在,则剔除超出所述预设值域范围的数据;
判断剔除超出所述预设值域范围数据后的检测数据中是否存在数据缺失,如果存在,则通过数据均值代替缺失的数据,所述数据均值为所述缺失的数据所在模块的监测数据的平均值。
3.根据权利要求1所述的雷达天线阵面故障检测方法,其特征在于,所述根据所述n个模块的检测数据构建训练集和测试集,具体包括:
将同一次采集得到的所述n个模块的检测数据组合成特征数据向量;
按预设比例将所述特征数据向量分为训练集和测试集。
4.根据权利要求3所述的雷达天线阵面故障检测方法,其特征在于,所述故障判别模型根据以下公式得到:
其中,y表示模块的故障状态,x表示特征数据向量,N(x;0,σ2,I)表示标准正态分布,σ表示特征数据向量的标准差,I表示单位矩阵,M表示特征数据向量的数量,b表示偏差值,αi表示系数向量,ξ表示松弛系数,λ表示惩罚系数。
5.根据权利要求4所述的雷达天线阵面故障检测方法,其特征在于,所述分别根据所述t个新训练集对预设的故障判别模型进行训练,具体包括:
将第j个所述训练集划分成数据量相同的k个子训练集;
将第q个所述子训练集输入到所述故障判别模型中,得到所述松弛系数和所述惩罚系数,并将其余未进行训练的k-1个子训练集作为测试集,对所述故障判别模型进行测试,将测试结果与预设结果进行比较,得到识别准确率,如果所述识别准确率不满足预设准确率,则在所述松弛系数的值域范围内对所述松弛系数进行遍历取值,并在所述惩罚系数的值域范围内对所述惩罚系数进行遍历取值,直到所述识别准确率满足预设准确率;
其中,j从1取至t,q从1取至k,k>1。
6.根据权利要求1至5中任一项所述的雷达天线阵面故障检测方法,其特征在于,所述根据所述测试集分别对所述t个训练后的故障判别模型进行测试,根据测试结果确定发生故障的模块,具体包括:
将所述测试集中的特征数据向量分别输入到所述t个训练后的故障判别模型中进行测试,得到所述n个模块的故障状态;
将故障次数最多的模块确定为发生故障的模块。
7.一种雷达天线阵面故障检测系统,其特征在于,包括:
获取单元,用于获取雷达天线阵面的n个模块的检测数据,根据所述n个模块的检测数据构建训练集和测试集;
处理单元,用于从所述训练集中任选m个模块的检测数据构建新训练集,共构建成t个新训练集;
训练单元,用于分别根据所述t个新训练集对预设的故障判别模型进行训练,得到t个训练后的故障判别模型;
测试单元,用于根据所述测试集分别对所述t个训练后的故障判别模型进行测试,根据测试结果确定发生故障的模块;
其中,n>2,1<m<n,
8.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810497473.5A CN108717496B (zh) | 2018-05-22 | 2018-05-22 | 雷达天线阵面故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810497473.5A CN108717496B (zh) | 2018-05-22 | 2018-05-22 | 雷达天线阵面故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108717496A true CN108717496A (zh) | 2018-10-30 |
CN108717496B CN108717496B (zh) | 2022-04-05 |
Family
ID=63900302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810497473.5A Active CN108717496B (zh) | 2018-05-22 | 2018-05-22 | 雷达天线阵面故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717496B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222898A (zh) * | 2019-06-11 | 2019-09-10 | 北京无线电测量研究所 | 设备故障维修方法及装置 |
CN111123226A (zh) * | 2019-12-26 | 2020-05-08 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆雷达异常检测的方法和相关装置 |
CN111412928A (zh) * | 2020-03-26 | 2020-07-14 | 北京控制工程研究所 | 一种深空着陆测速多波束故障检测与选取方法 |
CN113169804A (zh) * | 2018-12-18 | 2021-07-23 | 瑞典爱立信有限公司 | 受损天线分支的处置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004171402A (ja) * | 2002-11-21 | 2004-06-17 | Hitachi Ltd | 故障診断機能付信号処理装置 |
CN102339389A (zh) * | 2011-09-14 | 2012-02-01 | 清华大学 | 一种基于密度的参数优化单分类支持向量机故障检测方法 |
CN103064009A (zh) * | 2012-12-28 | 2013-04-24 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
-
2018
- 2018-05-22 CN CN201810497473.5A patent/CN108717496B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004171402A (ja) * | 2002-11-21 | 2004-06-17 | Hitachi Ltd | 故障診断機能付信号処理装置 |
CN102339389A (zh) * | 2011-09-14 | 2012-02-01 | 清华大学 | 一种基于密度的参数优化单分类支持向量机故障检测方法 |
CN103064009A (zh) * | 2012-12-28 | 2013-04-24 | 辽宁大学 | 基于小波分析和有限高斯混合模型em方法的模拟电路故障诊断方法 |
CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
李曦: "基于小波包分析和支持向量机的齿轮箱故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113169804A (zh) * | 2018-12-18 | 2021-07-23 | 瑞典爱立信有限公司 | 受损天线分支的处置 |
US20220060264A1 (en) * | 2018-12-18 | 2022-02-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of impaired antenna branch |
CN113169804B (zh) * | 2018-12-18 | 2024-03-22 | 瑞典爱立信有限公司 | 受损天线分支的处置 |
US12009874B2 (en) * | 2018-12-18 | 2024-06-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of impaired antenna branch |
CN110222898A (zh) * | 2019-06-11 | 2019-09-10 | 北京无线电测量研究所 | 设备故障维修方法及装置 |
CN111123226A (zh) * | 2019-12-26 | 2020-05-08 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆雷达异常检测的方法和相关装置 |
CN111412928A (zh) * | 2020-03-26 | 2020-07-14 | 北京控制工程研究所 | 一种深空着陆测速多波束故障检测与选取方法 |
CN111412928B (zh) * | 2020-03-26 | 2021-08-10 | 北京控制工程研究所 | 一种深空着陆测速多波束故障检测与选取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108717496B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717496A (zh) | 雷达天线阵面故障检测方法及系统 | |
CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
DE102020103768B4 (de) | Überwachung und Diagnose von Fahrzeugsystemproblemen mit Maschinenlern-Klassifikatoren | |
CN106845526B (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
Reddy et al. | Anomaly detection and fault disambiguation in large flight data: A multi-modal deep auto-encoder approach | |
DE4436658B4 (de) | Vorrichtung und Verfahren zur Störungsuntersuchung | |
CN107796602A (zh) | 一种声振信号融合处理的断路器故障诊断方法 | |
CN110334740A (zh) | 人工智能推理融合的电力设备故障检测定位方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
EP2857916B1 (de) | Verfahren und Vorrichtung zum Detektieren eines Fehlers in einer Anordnung | |
Chen et al. | Data quality evaluation and improvement for prognostic modeling using visual assessment based data partitioning method | |
CN113344134A (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
DE112018007597B4 (de) | Diagnosevorrichtung, Diagnoseverfahren und Programm | |
CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Hoffman et al. | The application of neural networks to vibrational diagnostics for multiple fault conditions | |
CN107967489A (zh) | 一种异常检测方法及系统 | |
CN108334898A (zh) | 一种多模态工业过程模态辨识与故障分类方法 | |
DE102007058102B4 (de) | Zustandsüberwachungssystem für ein Luftfahrzeug | |
CN109434562A (zh) | 基于划分聚类的铣削刀具磨损状态识别方法 | |
Soares et al. | Unsupervised machine learning techniques to prevent faults in railroad switch machines | |
CN113782113B (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
CN109116319A (zh) | 雷达系统的故障检测方法 | |
CN110108474A (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
CN108399387A (zh) | 用于识别目标群体的数据处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |