CN109635407A - 一种雷达精密稳定平台运行可靠性评估方法 - Google Patents
一种雷达精密稳定平台运行可靠性评估方法 Download PDFInfo
- Publication number
- CN109635407A CN109635407A CN201811480857.2A CN201811480857A CN109635407A CN 109635407 A CN109635407 A CN 109635407A CN 201811480857 A CN201811480857 A CN 201811480857A CN 109635407 A CN109635407 A CN 109635407A
- Authority
- CN
- China
- Prior art keywords
- radar
- stable precision
- noise
- platform
- precision platform
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000012952 Resampling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008707 rearrangement Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 12
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种雷达精密稳定平台运行可靠性评估方法,该方法包含:采用基于噪声精确估计技术的自适应集成噪声重构经验模式分解方法对雷达精密稳定平台动态信号进行自适应定量分解与降噪;利用雷达稳定平台状态信息的有效信号定量表达构造雷达精密稳定平台多维状态空间,计算得到真实反映雷达精密稳定平台运行性能与退化情况的归一化奇异熵特征指标;根据归一化奇异熵特征指标构建雷达精密稳定平台运行可靠性评估模型,合理评估雷达精密稳定平台运行可靠性。本发明可自适应定量提取恶劣服役环境下复杂运行工况的雷达稳定平台状态特征信息,合理评价平台运行性能与退化情况,有效揭示雷达精密稳定平台机械可靠性渐变特性。
Description
技术领域
本发明涉及雷达精密稳定平台可靠性保障技术领域,特别涉及一种雷达精密稳定平台运行可靠性评估方法。
背景技术
雷达广泛应用于精确制导、气象预报、资源探测、环境监测等,在国民经济、科技和军事等领域发挥着重要作用。雷达精密稳定跟踪平台是目标探测与识别的重要保证,其动态品质直接影响系统性能。精密稳定平台服役环境恶劣且运行工况复杂,外界振动冲击激励与长期疲劳运行的累计效应易造成平台齿轮、陀螺等关键结构和精密组件损伤故障、连接件松动、结构变形等,导致平台动态性能退化,可靠性和运行效能降低。
传统的可靠性评估方法以概率与数理统计为数学基础,利用具有概率重复性的大样本确定设备失效分布,以获得同批次设备共性的平均可靠性。雷达精密稳定平台等高价值精密设备的可靠性多采用样机在模拟工况下的1:1实时寿命试验或加速寿命试验来验证考核。这样的单机寿命试验价格昂贵,费时费力,却难以精确评估所关心的正样产品真实可靠性。
针对某台具体设备运行可靠性评估的个性问题,基于状态信息的运行可靠性评估方法孕育而生。经对已公开专利申请检索发现,尚未见雷达精密稳定平台运行可靠性评估相关方法。跟本发明较为相关的雷达运行可靠性评估专利申请包括:(1)发明专利申请CN201610941613.4公开了一种雷达运行可靠性测试系统,主要包含测试系统中箱体设计以提高雷达运行过程中可靠性检测的准确性。该专利侧重测试系统中箱体结构设计。(2)发明专利CN201510465973.7公开了一种星载相控阵雷达天线阵可靠性建模与预测方法,以天线阵各层级组件关联关系建立一种“树联”可靠性模型,并以符合统计规律的抽样样本合理评估复杂系统可靠度计算。该专利侧重雷达天线阵可靠性建模,且依旧基于概论统计论。上述两个雷达运行可靠性评估相关专利申请在研究对象和技术方法上均与本发明不同。
跟本发明较为接近的机械设备运行可靠性评估专利包括:(1)发明专利申请CN201710670959.X公开了一种基于SVD变换和支持向量空间的刀具运行可靠性评估方法,设计基于状态信息的相对距离指标计算及其隶属可靠度指标。(2)发明专利申请CN201710043379.8公开了一种小样本条件下发动机运行可靠性评估方法,采用小波包提取发动机状态信息并以核主成分分析建立可靠度评估模型。(3)发明专利申请CN201110195328.X公开了一种刀具运行可靠性评估的比例故障率模型方法,将刀具退化状态信息应用于可靠度模型关键协变量计算得到刀具运行可靠性。(4)发明专利申请CN201410199001.3公开了一种基于EMD分解的刀具运行状态可靠性评估方法,利用小波去噪与EMD分解提取刀具状态信息,并以核主成分分析建立刀具可靠度模型。虽然上述四个专利申请均是基于设备状态信息的运行可靠性评估技术,但是雷达精密稳定平台载荷形态多样化、外界激励多元化且低速变转速工况复杂化,传统小波变换、EMD分解、SVD变换等状态特征信息提取技术较难获得真实反映雷达精密稳定平台运行性能的状态信息,导致后续可靠度模型的不准确。因此,上述四个专利申请的方法技术难以有效应用于雷达精密稳定平台的运行可靠性评估。
本发明利用集成噪声重构经验模式分解方法开展基于状态信息的雷达精密稳定平台运行可靠性评估方法,在基础理论上跟本发明关联的专利为专利ZL201310097502.6公开了一种基于集成噪声重构经验模式分解的机械早期及复合故障诊断方法。该方法的关键噪声估计技术中采用类硬阈值处理方式,即针对单个样本点保留阈值内系数,将绝对值大于阈值的系数至零,其阈值门限由系数不同统计规律来设定,同时方法执行中需要人为设置阈值调节因子。该噪声估计技术忽略样本点间特征相关性,在估计复杂工况下雷达精密稳定平台噪声分量时准确度欠佳,导致平台状态特征信息提取的不准确性,同时调节因子的人为设置影响整个方法的自适应性。
发明内容
本发明的目的在在于提供一种雷达精密稳定平台运行可靠性评估方法,定量提取恶劣服役环境下复杂运行工况的雷达稳定平台状态特征信息,合理评价平台运行性能与退化情况,有效揭示雷达精密稳定平台机械可靠性渐变特性,为雷达精密稳定平台可靠性评估缺乏大样本数据和当下产品可靠度难以真实评价的工程难题开辟新途径。
为达到上述目的,本发明提供了一种雷达精密稳定平台运行可靠性评估方法,该方法包含以下步骤:
S1、采用基于噪声精确估计方法的自适应集成噪声重构经验模式分解方法对雷达精密稳定平台动态信号进行自适应定量分解与降噪,获得雷达稳定平台状态信息的有效信号定量表达;
S2、利用自适应集成噪声重构经验模式分解结果构造雷达精密稳定平台多维状态空间,并计算得到真实反映雷达精密稳定平台运行性能与退化情况的归一化奇异熵特征指标;
S3、根据所述归一化奇异熵特征指标构建雷达精密稳定平台运行可靠性评估模型,合理评估雷达精密稳定平台运行可靠性。
优选地,所述步骤S1中进一步包含:
S11、对所采集到的雷达精密稳定平台动态信号s(t)采用噪声精确估计方法自适应获得雷达精密稳定平台估计噪声
S12、对雷达精密稳定平台估计噪声采用随机重排或循环重排方式进行重采样,获得若干噪声重采样序列再计算噪声重采样下的雷达精密稳定平台动态信号
S13、对雷达精密稳定平台动态信号进行经验模式分解得到若干本征模式分量{xj,k(t),j=1,2,…m,k=1,2,…,n}及残差分量{rj(t),j=1,2,…,m};
S14、m次重复所述步骤S12和所述步骤S13,直至满足运算停止准则;
S15、对雷达精密稳定平台的若干本征模式分量{xj,k(t),j=1,2,…m,k=1,2,…,n}及残差分量{rj(t),j=1,2,…,m}进行平均运算处理,获得雷达稳定平台状态信息的有效信号定量表达与
式中,表示本征模式分量的平均值,表示残差分量的平均值。
所述步骤S11中进一步包含:
S11.1、对所采集到的雷达精密稳定平台动态信号s(t)进行经验模式分解,计算得到各本征模式分量{xk(t),k=1,2,…,n}及本征模式分量能量{Tk,k=1,2,…,n};
S11.2、设定第一个本征模式分量x1为纯白噪声,分别计算得到在第一置信水平95%与第二置信水平99%下各本征模式分量{xk(t),k=2,…,n}的估计白噪声能量与
式中,β和ρ为与各个置信水平相匹配的无物理量的参数;
S11.3、将雷达精密稳定平台动态信号s(t)的各本征模式分量能量log2{Tk,k=2,…,n}与各本征模式分量的估计白噪声能量和进行对比:
(a)若则将xk视为待处理本征模式分量;
(b)若或则将xk视为待处理本征模式分量;
S11.4、将所有待处理本征模式分量组合得到{xl(t),l=1,…},并选择{xl(t),l=1,…}中从x1开始连续序列的若干本征模式分量组成含噪本征模式分量{xc(t),c=1,…},若x1之后没有连续序列的若干本征模式分量则仅将x1视为含噪本征模式分量;
S11.5、雷达精密稳定平台动态信号的含噪本征模式分量{xc(t),c=1,…}中第i个样本进行基于相邻系数降噪原理的噪声估计处理,得到含噪本征模式分量估计噪声:
其中,相邻系数阈值门限Tmc采用基于极小极大值阈值技术进行计算:
其中,Tc与N分别为本征模式分量xc的能量与数据点数;
S11.6、将所有雷达精密稳定平台动态信号的含噪本征模式分量估计噪声进行合并,得到雷达精密稳定平台估计噪声
优选地,所述步骤S2中进一步包含:
S21.将雷达稳定平台状态信息的有效信号定量表达与构造雷达精密稳定平台多维状态空间
S22.对雷达精密稳定平台多维状态空间X进行奇异值分解获得多维状态空间奇异值矩阵λ=[λ1,λ2,…,λn+1];
S23.根据多维状态空间奇异值矩阵λ=[λ1,λ2,…,λn+1]计算得到真实反映雷达精密稳定平台运行性能与退化情况的归一化奇异熵特征指标P:
所述步骤S3中进一步包含:将雷达精密稳定平台归一化奇异熵特征指标P映射至运行可靠度归一化区间[0,1],建立雷达精密稳定平台运行可靠性评估模型:R=1-P。
与现有技术相比,本发明的有益效果为:
(1)本发明所涉及的基于噪声精确估计技术的自适应集成噪声重构经验模式分解方法继承原有集成噪声重构经验模式分解方法通过固有噪声分量的相互抵消进行降噪和改变信号局部极值点特性从而有效改善模式混淆现象的两个显著优点,同时所提出的噪声精确估计技术中包含下述优点,从而有效提高复杂工况下雷达精密稳定平台噪声分量估计准确性,实现雷达精密稳定平台动态信号的自适应定量分解与降噪,获得雷达稳定平台状态信息的有效信号定量表达。
(1.1)以x1开始连续序列的若干本征模式分量组成含噪本征模式分量{xc(t),c=1,…}改进原有噪声估计技术,可以有效避免高阶本征模式分量作为虚假噪声分量混入待处理含噪本征模式分量{xc(t),c=1,…}。
(1.2)雷达精密稳定平台的运行特征信息往往分布于相邻的几个系数点上。相邻系数降噪原理则是利用系数间相关性,将紧邻的若干个系数视为一个整体来设定阈值;相对于原有噪声估计中单个系数处理方式,相邻系数降噪处理技术能更加有效地区分有用特征信息和噪声干扰信息。
(1.3)噪声精确估计技术采用极小极大值阈值技术设置阈值门限Tmc,克服原有噪声估计的阈值门限需人为设置调节因子,实现噪声估计技术的自适应与自动化。
(2)本发明利用自适应集成噪声重构经验模式分解结果构造雷达精密稳定平台多维状态空间,由于状态信息的有效信号定量表达输入使得所构建的多维状态空间能更加真实揭示雷达精密稳定平台运行状态信息。所采用的归一化奇异熵可以获得反映雷达精密稳定平台运行特征在线性无关空间的模式分布及其跨越多尺度的奇异性特征演化规律,突破雷达稳定平台恶劣服役环境复杂运行工况下难以获得真实反映雷达精密稳定平台运行性能指标,为后续可靠度评估模型提供准确依据。
(3)本发明采用可靠度归一化区间的映射关联模型建立雷达精密稳定平台运行可靠性评估模型,摆脱雷达精密稳定平台评估中大样本数据缺乏的约束,实现当下产品可靠度真实评价的高价值精密设备可靠性保障迫切需求。
附图说明
图1为本发明的雷达精密稳定平台运行可靠性评估方法的流程图;
图2为本发明的雷达精密稳定平台运行可靠性评估方法的实施步骤图;
图3为本发明的雷达精密稳定平台振动信号;
图4为图3的雷达精密稳定平台振动信号利用本发明得到各本征模式分量的log2{Tk,k=2,…,12}、与
图5为图3的雷达精密稳定平台振动信号利用本发明估计获得噪声分量
图6为图3的雷达精密稳定平台振动信号利用本发明获得雷达稳定平台状态信息的有效信号定量表达示意图。
具体实施方式
为了使本发明更加明显易懂,以下结合附图和具体实施方式对本发明做进一步说明。
如图1、图2结合所示,一种雷达精密稳定平台运行可靠性评估方法的实施例一,不失一般性,假设雷达精密稳定平台动态信号s(t),该方法具体包含以下步骤:
S1.采用基于噪声精确估计技术的自适应集成噪声重构经验模式分解方法对雷达精密稳定平台动态信号进行自适应定量分解与降噪,获得雷达稳定平台状态信息的有效信号定量表达。
S11.对所采集到的雷达精密稳定平台动态信号s(t)采用噪声精确估计技术自适应获得噪声分量(即雷达精密稳定平台估计噪声)。具体如下:
(1)对所采集到的雷达精密稳定平台动态信号s(t)进行经验模式分解,计算得到各本征模式分量IMF{xk(t),k=1,2,…,n}及本征模式分量能量{Tk,k=1,2,…,n}。
(2)设第一个本征模式分量x1为纯白噪声,计算得到在置信水平95%与99%下各本征模式分量IMF{xk(t),k=2,…,n}的估计白噪声能量(参数β=0.719,ρ=2.449)与(参数β=0.719,ρ=1.919):
(3)将雷达精密稳定平台动态信号s(t)的各本征模式分量能量log2{Tk,k=2,…,n}与各本征模式分量估计白噪声能量和进行对比:
(a)若则将xk视为待处理本征模式分量;
(b)若或则将xk视为待处理本征模式分量。
(4)将上述所有待处理本征模式分量组合得到{xl(t),l=1,…},并选择{xl(t),l=1,…}中从x1开始连续序列的若干本征模式分量组成含噪本征模式分量{xc(t),c=1,…},若x1后没有连续序列的若干本征模式分量则仅将x1视为含噪本征模式分量。
(5)雷达精密稳定平台动态信号的含噪本征模式分量{xc(t),c=1,…}中第i个样本进行基于相邻系数降噪原理的噪声估计处理,得到含噪本征模式分量估计噪声:
其中,相邻系数阈值门限Tmc采用基于极小极大值阈值技术进行计算:
其中,Tc与N分别为本征模式分量xc的能量与数据点数。
(6)将所有雷达精密稳定平台动态信号的含噪本征模式分量估计噪声进行合并,得到雷达精密稳定平台估计噪声
S12.对雷达精密稳定平台估计噪声采用随机重排或循环重排方式进行重采样,获得若干噪声重采样序列然后计算噪声重采样下的雷达精密稳定平台动态信号
S13.对雷达精密稳定平台动态信号进行经验模式分解得到若干本征模式分量IMFs{xj,k(t),j=1,2,…m,k=1,2,…,n}及残差分量{rj(t),j=1,2,…,m}。
S14.m次重复步骤S12和步骤S13直至满足运算停止准则。
S15.对雷达精密稳定平台的一系列本征模式分量IMFs{xj,k(t),j=1,2,…m,k=1,2,…,n}及残差分量{rj(t),j=1,2,…,m}进行平均运算处理,分别获得雷达稳定平台状态信息的有效信号定量表达与
式中,表示本征模式分量的平均值,表示残差分量的平均值。
S2.利用自适应集成噪声重构经验模式分解结果构造雷达精密稳定平台多维状态空间,并计算得到真实反映雷达精密稳定平台运行性能与退化情况的归一化奇异熵特征指标。具体如下:
S21.将雷达稳定平台状态信息的有效信号定量表达与构造雷达精密稳定平台多维状态空间
S22.对雷达精密稳定平台多维状态空间X进行奇异值分解获得多维状态空间奇异值矩阵λ=[λ1,λ2,…,λn+1]。
S23.根据多维状态空间奇异值矩阵λ=[λ1,λ2,…,λn+1]计算得到真实反映雷达精密稳定平台运行性能与退化情况的归一化奇异熵特征指标P:
S3.根据步骤S2中归一化奇异熵特征指标构建雷达精密稳定平台运行可靠性评估模型,从而合理评估雷达精密稳定平台运行可靠性。具体地:将雷达精密稳定平台归一化奇异熵特征指标P映射至运行可靠度归一化区间[0,1],建立雷达精密稳定平台运行可靠性评估模型如下:
R=1-P;
式中,R指评估的雷达精密稳定平台运行可靠性。
如图3所示为一种雷达精密稳定平台运行可靠性评估方法的实施例二。
以下将以某雷达精密稳定平台实施案例来详细描述本发明在运行可靠性评估中的效果。为监测该雷达精密稳定平台俯仰通道运行状态,在其传动链轴承座上安装微型加速度计以采集平台动态信号。试验中,信号采样频率设置为2000Hz,稳定平台以24r/min转速近似匀速地往复摆动。如图3所示,为本实施例中的雷达精密稳定平台动态信号。
以下按照图1所示的流程并结合图2的实施步骤对振动信号进行分析。
首先,对所采集到的雷达精密稳定平台动态信号s(t)采用噪声精确估计技术自适应获得噪声分量具体地:
对s(t)进行经验模式分解,获得各本征模式分量IMF{xk(t),k=1,2,…,12}及其能量{Tk,k=1,2,…,12},由此计算得到在置信水平95%与99%下各本征模式分量IMF{xk(t),k=2,…,12}的估计白噪声能量与
将雷达精密稳定平台动态信号的各本征模式分量能量log2{Tk,k=2,…,12}与各本征模式分量估计白噪声能量和进行对比,如图4所示,选择{xc(t),c=1,2,3}作为含噪本征模式分量;
对{xc(t),c=1,2,3}采用基于相邻系数降噪原理进行噪声估计处理,并合并所有含噪本征模式分量估计噪声,自适应精确估计雷达精密稳定平台动态信号中噪声分量如图5所示。
然后,对雷达精密稳定平台估计噪声采用随机重排方式进行重采样,获得若干噪声重采样序列再后计算噪声重采样下的雷达精密稳定平台动态信号
对雷达精密稳定平台动态信号进行经验模式分解得到若干本征模式分量IMFs{xj,k(t),k=1,2,…,12}及残差分量{rj(t)};
在给定误差因子0.05下,20次重复噪声重采样下雷达精密稳定平台动态信号的求取过程;
接着,对雷达精密稳定平台的一系列本征模式分量IMFs{xj,k(t),j=1,2,…20,k=1,2,…,12}及残差分量{rj(t),j=1,2,…,20}进行平均运算处理,获得雷达稳定平台状态信息的有效信号定量表达与如图6所示。
将雷达稳定平台状态信息的有效信号定量表达与构造雷达精密稳定平台多维状态空间
对雷达精密稳定平台多维状态空间X进行奇异值分解获得多维状态空间奇异值矩阵λ=[λ1,λ2,…,λn+1]。由此,计算得到真实反映雷达精密稳定平台运行性能与退化情况的归一化奇异熵特征指标P=0.3091。
最后,将雷达精密稳定平台归一化奇异熵特征指标P映射至运行可靠度归一化区间[0,1],建立雷达精密稳定平台运行可靠性评估模型R=1-P=0.6909。
根据本发明分析结果得知该雷达精密稳定平台运行可靠性偏低,因此对该雷达精密稳定平台俯仰通道进行拆卸,发现其传动链第三级末级小齿轮中间轮齿,即平台0°位置附近的轮齿侧面存在大面积磨损。该齿轮严重磨损故障导致该雷达精密稳定平台运行可靠性偏低,与本发明评估结果一致。
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)
1.一种雷达精密稳定平台运行可靠性评估方法,其特征在于,该方法包含以下步骤:
S1、采用基于噪声精确估计方法的自适应集成噪声重构经验模式分解方法对雷达精密稳定平台动态信号进行自适应定量分解与降噪,获得雷达稳定平台状态信息的有效信号定量表达;
S2、利用自适应集成噪声重构经验模式分解结果构造雷达精密稳定平台多维状态空间,并计算得到真实反映雷达精密稳定平台运行性能与退化情况的归一化奇异熵特征指标;
S3、根据所述归一化奇异熵特征指标构建雷达精密稳定平台运行可靠性评估模型,合理评估雷达精密稳定平台运行可靠性。
2.如权利要求1所述的雷达精密稳定平台运行可靠性评估方法,其特征在于,
所述步骤S1中进一步包含:
S11、对所采集到的雷达精密稳定平台动态信号s(t)采用噪声精确估计方法自适应获得雷达精密稳定平台估计噪声
S12、对雷达精密稳定平台估计噪声采用随机重排或循环重排方式进行重采样,获得若干噪声重采样序列再计算噪声重采样下的雷达精密稳定平台动态信号
S13、对雷达精密稳定平台动态信号进行经验模式分解得到若干本征模式分量{xj,k(t),j=1,2,…m,k=1,2,…,n}及残差分量{rj(t),j=1,2,…,m};
S14、m次重复所述步骤S12和所述步骤S13,直至满足运算停止准则;
S15、对雷达精密稳定平台的若干本征模式分量{xj,k(t),j=1,2,…m,k=1,2,…,n}及残差分量{rj(t),j=1,2,…,m}进行平均运算处理,获得雷达稳定平台状态信息的有效信号定量表达与
式中,表示本征模式分量的平均值,表示残差分量的平均值。
3.如权利要求2所述的雷达精密稳定平台运行可靠性评估方法,其特征在于,
所述步骤S11中进一步包含:
S11.1、对所采集到的雷达精密稳定平台动态信号s(t)进行经验模式分解,计算得到各本征模式分量{xk(t),k=1,2,…,n}及本征模式分量能量{Tk,k=1,2,…,n};
S11.2、设定第一个本征模式分量x1为纯白噪声,分别计算得到在第一置信水平95%与第二置信水平99%下各本征模式分量{xk(t),k=2,…,n}的估计白噪声能量与
式中,β和ρ为与各个置信水平相匹配的无物理量的参数;
S11.3、将雷达精密稳定平台动态信号s(t)的各本征模式分量能量log2{Tk,k=2,…,n}与各本征模式分量的估计白噪声能量和进行对比:
(a)若则将xk视为待处理本征模式分量;
(b)若或则将xk视为待处理本征模式分量;
S11.4、将所有待处理本征模式分量组合得到{xl(t),l=1,…},并选择{xl(t),l=1,…}中从x1开始连续序列的若干本征模式分量组成含噪本征模式分量{xc(t),c=1,…},若x1之后没有连续序列的若干本征模式分量则仅将x1视为含噪本征模式分量;
S11.5、雷达精密稳定平台动态信号的含噪本征模式分量{xc(t),c=1,…}中第i个样本进行基于相邻系数降噪原理的噪声估计处理,得到含噪本征模式分量估计噪声:
其中,相邻系数阈值门限Tmc采用基于极小极大值阈值技术进行计算:
其中,Tc与N分别为本征模式分量xc的能量与数据点数;
S11.6、将所有雷达精密稳定平台动态信号的含噪本征模式分量估计噪声进行合并,得到雷达精密稳定平台估计噪声
4.如权利要求3所述的雷达精密稳定平台运行可靠性评估方法,其特征在于,
所述步骤S2中进一步包含:
S21.将雷达稳定平台状态信息的有效信号定量表达与构造雷达精密稳定平台多维状态空间
S22.对雷达精密稳定平台多维状态空间X进行奇异值分解获得多维状态空间奇异值矩阵λ=[λ1,λ2,…,λn+1];
S23.根据多维状态空间奇异值矩阵λ=[λ1,λ2,…,λn+1]计算得到真实反映雷达精密稳定平台运行性能与退化情况的归一化奇异熵特征指标P:
5.如权利要求4所述的雷达精密稳定平台运行可靠性评估方法,其特征在于,
所述步骤S3中进一步包含:
将雷达精密稳定平台归一化奇异熵特征指标P映射至运行可靠度归一化区间[0,1],建立雷达精密稳定平台运行可靠性评估模型:R=1-P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480857.2A CN109635407A (zh) | 2018-12-05 | 2018-12-05 | 一种雷达精密稳定平台运行可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480857.2A CN109635407A (zh) | 2018-12-05 | 2018-12-05 | 一种雷达精密稳定平台运行可靠性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635407A true CN109635407A (zh) | 2019-04-16 |
Family
ID=66071276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811480857.2A Pending CN109635407A (zh) | 2018-12-05 | 2018-12-05 | 一种雷达精密稳定平台运行可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635407A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716228A (zh) * | 2019-11-18 | 2020-01-21 | 上海理工大学 | 用于回转式多余物检测特征信号提取方法 |
CN111464400A (zh) * | 2020-04-23 | 2020-07-28 | 中国人民解放军国防科技大学 | 基于状态空间分解的双端多状态网络可靠性评估方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1847867A (zh) * | 2006-03-24 | 2006-10-18 | 西南交通大学 | 电力暂态信号小波分析后处理方法及其装置 |
US7454293B2 (en) * | 2004-01-07 | 2008-11-18 | University Of Hawai'i | Methods for enhanced detection and analysis of differentially expressed genes using gene chip microarrays |
CN106777611A (zh) * | 2016-12-02 | 2017-05-31 | 上海无线电设备研究所 | 复杂周转轮系微弱故障识别与性能退化监测系统及方法 |
-
2018
- 2018-12-05 CN CN201811480857.2A patent/CN109635407A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7454293B2 (en) * | 2004-01-07 | 2008-11-18 | University Of Hawai'i | Methods for enhanced detection and analysis of differentially expressed genes using gene chip microarrays |
CN1847867A (zh) * | 2006-03-24 | 2006-10-18 | 西南交通大学 | 电力暂态信号小波分析后处理方法及其装置 |
CN106777611A (zh) * | 2016-12-02 | 2017-05-31 | 上海无线电设备研究所 | 复杂周转轮系微弱故障识别与性能退化监测系统及方法 |
Non-Patent Citations (1)
Title |
---|
JING YUAN: "Integrated ensemble noise-reconstructed empirical mode decomposition for mechanical fault detection", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716228A (zh) * | 2019-11-18 | 2020-01-21 | 上海理工大学 | 用于回转式多余物检测特征信号提取方法 |
CN111464400A (zh) * | 2020-04-23 | 2020-07-28 | 中国人民解放军国防科技大学 | 基于状态空间分解的双端多状态网络可靠性评估方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872958B (zh) | 基于线性融合的雷达目标自适应检测方法 | |
CN109635407A (zh) | 一种雷达精密稳定平台运行可靠性评估方法 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN104155650A (zh) | 一种基于熵权值法点迹质量评估的目标跟踪方法 | |
CN104318593B (zh) | 一种雷达海杂波的仿真方法和系统 | |
Al-Ani et al. | Sea trial on deterministic sea waves prediction using wave-profiling radar | |
Dai et al. | Multivariate distributed ensemble generator: A new scheme for ensemble radar precipitation estimation over temperate maritime climate | |
Algieri | Modelling export equations using an unobserved component model: the case of the Euro Area and its competitors | |
Garakaninezhad et al. | A novel spatial correlation model based on anisotropy of earthquake ground‐motion intensity | |
Zheng | An adaptive estimation of forecast error covariance parameters for Kalman filtering data assimilation | |
CN112327293A (zh) | 一种基于分形特征智能学习的海面目标检测方法 | |
CN106199552B (zh) | 一种局部均匀海杂波背景下的分组广义似然比检测方法 | |
CN111880159A (zh) | 一种基于lstm的雷达序列信号检测方法及系统 | |
CN115097451A (zh) | 一种基于sar卫星数据的海浪多参数反演方法及系统 | |
CN105093189B (zh) | 基于gcv的机载雷达目标检测方法 | |
Caires et al. | A linear functional relationship model for circular data with an application to the assessment of ocean wave measurements | |
CN102183746B (zh) | 一种雷达海上目标检测系统及方法 | |
Spezia et al. | Periodic multivariate normal hidden Markov models for the analysis of water quality time series | |
CN104977581A (zh) | 一种多运动目标态势感知方法、装置及系统 | |
CN105548986B (zh) | 海杂波背景下基于预白化比率中值检测器的目标检测方法 | |
Li et al. | Information theory in nonlinear error growth dynamics and its application to predictability: Taking the Lorenz system as an example | |
CN105354412A (zh) | 基于投影寻踪和z型函数的海上军事活动海洋环境影响评估方法 | |
Poonia et al. | On bivariate modelling using a new statistical distribution with homogeneous marginals | |
Sun et al. | Parameter estimation of K distribution based on second-kind statistics | |
CN102183747B (zh) | 一种敏捷雷达目标检测系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |