CN110703214A - 一种气象雷达状态评估和故障监测方法 - Google Patents

Abstract

本发明公开了一种气象雷达状态评估和故障监测方法，首先采用数据重构分析模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警信号分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态。本发明可对雷达现有的在线监测数据和报警信号进行实时分析，评估其健康状态，对雷达可能出现的异常工作状态进行探测和预警，从而为雷达的维护管理提供参考信息。

Description

一种气象雷达状态评估和故障监测方法

技术领域

本发明涉及一种气象雷达状态评估和故障监测方法。

背景技术

气象灾害通常为致灾因子、孕灾环境、承灾体、防灾减灾能力共同作用的结果，其中，承灾体作为灾害发生的重要环节之一与人类系统、社会经济系统关系最为密切，因此，对气象灾害风险评估的研究得到了广泛的重视。

风险预估：应主要基于实时气象资料、历史气象资料、预报预测数据、暴雨洪涝风险区划数据、历史灾情数据、人口和住宅数据，进行致灾因子气候背景分析、叠加分析、综合对比分析，生成暴雨洪涝灾前预评估产品，预估过程可由专家订正调整权重，以保证结果更接近实际，最后输出灾害风险预估报告；而对气象雷达的状态评估和故障监测可以有效确保对气象状态的正确预测。

发明内容

为解决现有技术中气象雷达状态缺少有效的评估和故障监测，可能会得出错误的实时气象资料的缺陷，提供一种气象雷达状态评估和故障监测方法。

一种气象雷达状态评估和故障监测方法，首先采用数据重构分析模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警信号分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态。雷达处在特定工况下时，其各个监测参数之间往往存在着一定的相关关系，数据重构分析方法正是通过挖掘这种监测参数间的相关关系实现对雷达运行状态的评判。

进一步的，所述的数据重构分析模块用于对正常运行状态下的监测数据进行分析，采用重构算法建立参数间相关关系的模型，然后采用建立的相关模型对在线监测数据进行检验，若发现监测数据与相关模型出现显著偏离，则可判断雷达当前的状态偏离了正常运行状态，从而实现异常状态的探测。

进一步的，所述数据重构分析模块用于对正常运行状态下的监测数据进行分析的方法包括以下步骤：

S1、数据采集

设计数据接口，从雷达运行状态监测数据的历史数据库中获取历史监测数据、报警数据和维修记录等数据。

S2、数据预处理

根据数据的实际情况，对获取的数据进行必要的预处理，提高数据质量；预处理的步骤包括但不限于：异常值剔除、缺失值处理、滤波、降噪、归一化/标准化、时间轴均匀化等。

S3、关键参数筛选

根据报警数据和维修记录，提取出雷达处于某种或某些故障状态及异常状态的数据点，并给予相应的标记(如1)，再提取数量相当的正常状态下的数据点，给予相应标记(如0)；采用逐步回归方法，以雷达监测数据为输入，对数据点的标记为输出建立模型，由逐步回归系数得到各个监测参数与雷达状态的相关程度，从中筛选出相关性较高的一组参数作为后续分析的数据；

S4、重构模型构建

在上一步筛选出的一组监测参数中，选取与雷达状态相关程度最高的一个参数作为待重构参数，记为y，其他参数作为重构模型的输入参数，称为关系参数，记为xi，i＝1,2,…,M，采用长短时记忆网络算法(LSTM)建立参数的重构模型；

具体的建模过程为：首先从历史数据中选取雷达正常运行状态的数据，然后选定合适的建模时间窗口大小T，对每个时刻点t，以该点的待重构参数yt为输出，该点往前T时间内(不包括该时刻点)关系参数的时间序列构成的矩阵Xt作为输入：

构建训练数据集，将训练数据集进一步分为训练集和验证集两部分，将训练集输入LSTM中进行网络的训练，得到参数的重构模型：

y＝f(X)

统计重构模型在验证集上的预测误差，并基于此确定预测误差阈值eth；

S5、在线数据获取及预处理

在雷达在线运行的过程中，通过数据接口从在线监测传感器上获取实时监测数据，对在线监测数据进行与S2完全相同的预处理，其中进行数据归一化或标准化时采用与训练阶段完全相同的参数；预处理后提取其中的待重构参数和关系参数进行后续处理。

S6、基于重构模型的在线状态判别

在每个监测时刻点上，采用与训练过程相同大小的时间窗，取其前T时间内的关系参数时间序列构成的矩阵X，输入到训练过程构建的重构模型中，得到当前时刻点下待重构参数的预测值：

通过比较重构模型的预测值与其实际测量值之间的差别得到重构模型的预测误差，与S4中确定的误差阈值进行比较，统计一段时间内预测误差超过误差阈值的时间比例，若其超过给定值α，则判定雷达当前处于异常工作状态，反之则认为雷达处在正常状态。其中判定标准α是一个0到1之间的常数，用于平衡漏警率和虚警率，其具体取值通常由经验确定，α取得越小则模型对参数的波动越敏感，相应的漏警率会降低而虚警率提高。

进一步的，所述报警信号分析模块进行报警信号的分析的流程包括以下步骤：

S1、数据采集

设计数据接口，从雷达历史数据库中获取一定时间范围内的报警记录和故障记录；

S2、报警统计分析

结合雷达故障记录，选定一个故障报警关联时间窗口长度T₁，统计每种报警A_i的若干统计特征以表征该报警的紧急程度，具体包括：

N_i，数据中该报警出现的总次数；

P1_i，该报警出现在真实故障前T₁时间内的频度，即

其中Nf_i为该报警在所有故障前T₁时间内的出现的总次数；

P2_i，所有故障发生前T₁时间内出现该报警的故障频度，即

其中N_F是故障发生的总次数，N_Fi为所有故障中前T₁时间内出现过该报警的故障次数。

S3、报警评分与分级

分别建立三项统计特征的评分函数，根据特征的取值计算相应的得分，由三项指标的得分加和得到报警A_i的总得分，根据总得分值对各个报警进行分级；

S4、伴随关系分析

对每个属于KA的报警信号，取一关联分析时间窗口T₂，统计时间窗口内的所有报警，按发生次数排序，取发生次数最多的10个报警作为KA的伴随报警；将所有KA的伴随报警整合在一起，构建KA关联报警组。

S5、基于报警信号分析的雷达状态判断

在线运行中，取一报警统计时间窗口T₃，获取当前时刻往前T₃时间内所有发生的报警信号及级别，对报警信号进行分级统计，得到各级报警的发生次数，建立判定逻辑，根据以上统计量的取值对雷达在线运行状态进行判别。

进一步的，S3中将报警级别为：关键报警(KA)、高重要度报警(HI)、低重要度报警(LI)和无关报警(NA)；

S5中可行的状态判别逻辑如下：

若KA级报警发生次数大于或等于2次，则认为当前雷达状态异常，即将发生故障；

若KA级报警发生1次，HI级报警占比大于50％或KA关联报警占比大于50％，则认为当前雷达状态异常，即将发生故障；

若KA级报警发生0次，HI级报警占比大于80％且KA关联报警占比大于80％，则认为当前雷达状态异常，即将发生故障。

本发明结合参数重构方法和报警分析方法对雷达的在线健康状态进行综合的评价，总体原则是以参数重构方法为主，报警分析为辅，具体过程为：首先采用参数重构模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态。通过综合两种方法的分析结果对雷达运行过程中出现的异常工况进行探测，并对可能出现的故障进行预警。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1为本发明的方法原理图；

图2为数据重构分析模块流程的原理图；

图3为报警分析模块流程的原理图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例

一种气象雷达状态评估和故障监测方法，首先采用数据重构分析模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警信号分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态。

所述的数据重构分析模块用于对正常运行状态下的监测数据进行分析，采用重构算法建立参数间相关关系的模型，然后采用建立的相关模型对在线监测数据进行检验，若发现监测数据与相关模型出现显著偏离，则可判断雷达当前的状态偏离了正常运行状态，从而实现异常状态的探测。

所述数据重构分析模块用于对正常运行状态下的监测数据进行分析的方法包括以下步骤：

S1、数据采集

设计数据接口，从雷达运行状态监测数据的历史数据库中获取历史监测数据、报警数据、维修记录等数据。

S2、数据预处理

根据数据的实际情况，对获取的数据进行必要的预处理，提高数据质量；预处理的步骤包括但不限于：异常值剔除、缺失值处理、滤波、降噪、归一化/标准化、时间轴均匀化等。

S3、关键参数筛选

根据报警数据和维修记录，提取出雷达处于某种或某些故障状态及异常状态的数据点，并给予相应的标记(如1)，再提取数量相当的正常状态下的数据点，给予相应标记(如0)；采用逐步回归方法，以雷达监测数据为输入，对数据点的标记为输出建立模型，由逐步回归系数得到各个监测参数与雷达状态的相关程度，从中筛选出相关性较高的一组参数作为后续分析的数据；

S4、重构模型构建

在上一步筛选出的一组监测参数中，选取与雷达状态相关程度最高的一个参数作为待重构参数，记为y，其他参数作为重构模型的输入参数，成为关系参数，记为xi，i＝1,2,…,M，采用长短时记忆网络(LSTM)算法建立参数的重构模型；

具体的建模过程为：首先从历史数据中选取雷达正常运行状态的数据，然后选定合适的建模时间窗口大小T，对每个时刻点t，以该点的待重构参数yt为输出，该点往前T时间内(不包括该时刻点)关系参数的时间序列构成的矩阵Xt作为输入：

构建训练数据集，将训练数据集进一步分为训练集和验证集两部分，将训练集输入LSTM中进行网络的训练，得到参数的重构模型：

y＝f(X)

统计重构模型在验证集上的预测误差，并基于此确定预测误差阈值eth；

S5、在线数据获取及预处理

在雷达在线运行的过程中，通过数据接口从在线监测传感器上获取实时监测数据，对在线监测数据进行与S2完全相同的预处理，其中进行数据归一化或标准化时采用与训练阶段完全相同的参数,；预处理后提取其中的待重构参数和关系参数进行后续处理。

S6、基于重构模型的在线状态判别

在每个监测时刻点上，采用与训练过程相同大小的时间窗，取其前T时间内的关系参数时间序列构成的矩阵X，输入到训练过程构建的重构模型中，得到当前时刻点下待重构参数的预测值：

通过比较重构模型的预测值与其实际测量值之间的差别得到重构模型的预测误差，与S4中确定的误差阈值进行比较，统计一段时间内预测误差超过误差阈值的时间比例，若其超过给定值α，则判定雷达当前处于异常工作状态，反之则认为雷达处在正常状态。

所述报警信号分析模块进行报警信号的分析的流程包括以下步骤：

S1、数据采集

设计数据接口，从雷达历史数据库中获取一定时间范围内的报警记录和故障记录；

S2、报警统计分析

结合雷达故障记录，选定一个故障报警关联时间窗口长度T₁(如可取为7天)，统计每种报警A_i的若干统计特征以表征该报警的紧急程度，具体包括：

N_i，数据中该报警出现的总次数；

P1_i，该报警出现在真实故障前T₁时间内的频度，即

其中Nf_i为该报警在所有故障前T₁时间内的出现的总次数；

P2_i，所有故障发生前T₁时间内出现该报警的故障频度，即

其中N_F是故障发生的总次数，N_Fi为所有故障中前T₁时间内出现过该报警的故障次数。

S3、报警评分与分级

分别建立三项统计特征的评分函数，根据特征的取值计算相应的得分，由三项指标的得分加和得到报警A_i的总得分，根据总得分值对各个报警进行分级；关键报警(KA)、高重要度报警(HI)、低重要度报警(LI)和无关报警(NA)。

S4、伴随关系分析

对每个属于KA的报警信号，取一关联分析时间窗口T₂(如12小时)，统计时间窗口内的所有报警，按发生次数排序，取发生次数最多的10个报警作为KA的伴随报警；将所有KA的伴随报警整合在一起，构建KA关联报警组。

S5、基于报警信号分析的雷达状态判断

在线运行中，取一报警统计时间窗口T₃，获取当前时刻往前T₃时间内所有发生的报警信号及级别，对报警信号进行分级统计，得到如下统计量：KA级报警的发生次数、HI级报警占总报警次数的比例、KA关联报警占总报警的比例等，建立判定逻辑，根据以上统计量的取值对雷达在线运行状态进行判别。

状态判别逻辑如下：

若KA级报警发生次数大于或等于2次，则认为当前雷达状态异常，即将发生故障；

若KA级报警发生1次，HI级报警占比大于50％或KA关联报警占比大于50％，则认为当前雷达状态异常，即将发生故障；

若KA级报警发生0次，HI级报警占比大于80％且KA关联报警占比大于80％，则认为当前雷达状态异常，即将发生故障。

其他情况，认为雷达状态正常。实际运行中，也可根据经验选取其他判断逻辑进行雷达状态的评判。

发明分别采用数据重构法和报警分析法两种方法分别对雷达的状态监测数据和报警信号数据进行分析，通过综合两种方法的分析结果对雷达运行过程中出现的异常工况进行探测，并对可能出现的故障进行预警。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种气象雷达状态评估和故障监测方法，其特征在于，首先采用数据重构分析模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警信号分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态。

2.如权利要求1所述的气象雷达状态评估和故障监测方法，其特征在于，所述的数据重构分析模块用于对正常运行状态下的监测数据进行分析，采用重构算法建立参数间相关关系的模型，然后采用建立的相关模型对在线监测数据进行检验，若发现监测数据与相关模型出现显著偏离，则可判断雷达当前的状态偏离了正常运行状态，从而实现异常状态的探测。

3.如权利要求2所述的气象雷达状态评估和故障监测方法，其特征在于，所述数据重构分析模块用于对正常运行状态下的监测数据进行分析的方法包括以下步骤：

S1、数据采集

设计数据接口，从雷达运行状态监测数据的历史数据库中获取历史数据；

S2、数据预处理

根据数据的实际情况，对获取的数据进行必要的预处理，提高数据质量；

S3、关键参数筛选

根据报警数据和维修记录，提取出雷达处于某种或某些故障状态及异常状态的数据点，并给予相应的标记，再提取数量相当的正常状态下的数据点，给予相应标记；采用逐步回归方法，以雷达监测数据为输入，对数据点的标记为输出建立模型，由逐步回归系数得到各个监测参数与雷达状态的相关程度，从中筛选出相关性较高的一组参数作为后续分析的数据；

S4、重构模型构建

在上一步筛选出的一组监测参数中，选取与雷达状态相关程度最高的一个参数作为待重构参数，记为y，其他参数作为重构模型的输入参数，称为关系参数，记为xi，i＝1,2,…,M，采用LSTM算法建立参数的重构模型；

具体的建模过程为：首先从历史数据中选取雷达正常运行状态的数据，然后选定合适的建模时间窗口大小T，对每个时刻点t，以该点的待重构参数yt为输出，该点往前T时间内(不包括该时刻点)关系参数的时间序列构成的矩阵Xt作为输入：

构建训练数据集，将训练数据集进一步分为训练集和验证集两部分，将训练集输入LSTM中进行网络的训练，得到参数的重构模型：

y＝f(X)统计重构模型在验证集上的预测误差，并基于此确定预测误差阈值eth；

S5、在线数据获取及预处理

在雷达在线运行的过程中，通过数据接口从在线监测传感器上获取实时监测数据，对在线监测数据进行与S2完全相同的预处理，其中进行数据归一化或标准化时采用与训练阶段完全相同的参数；预处理后提取其中的待重构参数和关系参数进行后续处理。

S6、基于重构模型的在线状态判别

在每个监测时刻点上，采用与训练过程相同大小的时间窗，取其前T时间内的关系参数时间序列构成的矩阵X，输入到训练过程构建的重构模型中，得到当前时刻点下待重构参数的预测值：

通过比较重构模型的预测值与其实际测量值之间的差别得到重构模型的预测误差，与S4中确定的误差阈值进行比较，统计一段时间内预测误差超过误差阈值的时间比例，若其超过给定值α，则判定雷达当前处于异常工作状态，反之则认为雷达处在正常状态。

4.如权利要求1所述的气象雷达状态评估和故障监测方法，其特征在于，所述报警信号分析模块进行报警信号的分析的流程包括以下步骤：

S1、数据采集

设计数据接口，从雷达历史数据库中获取一定时间范围内的报警记录和故障记录；

S2、报警统计分析

结合雷达故障记录，选定一个故障报警关联时间窗口长度T₁，统计每种报警A_i的若干统计特征以表征该报警的紧急程度，具体包括：

N_i，数据中该报警出现的总次数；

P1_i，该报警出现在真实故障前T₁时间内的频度，即

其中Nf_i为该报警在所有故障前T₁时间内的出现的总次数；

P2_i，所有故障发生前T₁时间内出现该报警的故障频度，即

其中N_F是故障发生的总次数，N_Fi为所有故障中前T₁时间内出现过该报警的故障次数。

S3、报警评分与分级

分别建立三项统计特征的评分函数，根据特征的取值计算相应的得分，由三项指标的得分加和得到报警A_i的总得分，根据总得分值对各个报警进行分级；

S4、伴随关系分析

对每个属于KA的报警信号，取一关联分析时间窗口T₂，统计时间窗口内的所有报警，按发生次数排序，取发生次数最多的10个报警作为KA的伴随报警；将所有KA的伴随报警整合在一起，构建KA关联报警组。

S5、基于报警信号分析的雷达状态判断

在线运行中，取一报警统计时间窗口T₃，获取当前时刻往前T₃时间内所有发生的报警信号及级别，对报警信号进行分级统计，得到各级报警的发生次数，建立判定逻辑，根据以上统计量的取值对雷达在线运行状态进行判别。

5.如权利要求1所述的气象雷达状态评估和故障监测方法，其特征在于，S3中将报警级别为：关键报警(KA)、高重要度报警(HI)、低重要度报警(LI)和无关报警(NA)；

S5中可行的状态判别逻辑如下：

若KA级报警发生次数大于或等于2次，则认为当前雷达状态异常，即将发生故障；

若KA级报警发生1次，HI级报警占比大于50％或KA关联报警占比大于50％，则认为当前雷达状态异常，即将发生故障；

若KA级报警发生0次，HI级报警占比大于80％且KA关联报警占比大于80％，则认为当前雷达状态异常，即将发生故障。

其他情况，认为雷达状态正常。

6.如权利要求3所述的气象雷达状态评估和故障监测方法，其特征在于，S1中获得历史数据包括但不限于历史监测数据、报警数据和维修记录。

7.如权利要求3所述的气象雷达状态评估和故障监测方法，其特征在于，S2中预处理的步骤包括但不限于：异常值剔除、缺失值处理、滤波、降噪、归一化、标准化和时间轴均匀化。

Images