CN111488946B - 基于信息融合的雷达伺服系统故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于信息融合的雷达伺服系统故障诊断方法，该方法包括了测试点优化方法、基于开关量的贝叶斯网络故障诊断模型设计、模拟量数据预处理方法、基于模拟量的Stacking集成故障诊断模型设计和最终的信息融合故障诊断模型设计。本发明的优点在于充分利用了雷达伺服系统的开关量故障数据和模拟量故障数据，分别建立了开关量故障诊断模型和模拟量故障诊断模型，并最终通过信息融合的方式将诊断的结果融合。通过对比验证，其在满足时间性能的前提下故障诊断的准确率超越了传统的雷达伺服系统故障诊断方法，能够满足雷达伺服系统对故障诊断的精度和速度的要求。

Description

基于信息融合的雷达伺服系统故障诊断方法

技术领域

本发明属于故障诊断领域，具体涉及基于信息融合的雷达伺服系统故障诊断方法。

背景技术

雷达是我国国防领域的重要工具之一，随着当前雷达系统规模的不断扩大，实现雷达系统高效准确的故障诊断越来越困难，该问题也成为了备受关注的问题。雷达伺服系统是雷达系统的重要子系统之一，该子系统的主要功能是以各种各样的方式控制天线的运动，其性能的好坏直接影响着整个雷达系统的运行精度，因此高效、准确的寻找到雷达伺服系统的故障具有重要的研究意义。

传统的雷达伺服系统的故障诊断研究主要存在两个不足，其一是过于依赖专家的先验知识，其二是不能充分利用历史故障数据，往往只是进行单一的开关量故障诊断或模拟量故障诊断，故障诊断模型不能从数据中充分学习出规律。这两个不足使得目前的雷达伺服系统故障诊断的准确率存在瓶颈，本发明针对这些问题提出了一种基于信息融合的的雷达伺服系统故障诊断方法，在满足时间效率的前提下突破了雷达伺服系统的故障诊断准确率瓶颈，具有很高的实用价值。

发明内容

为解决上述问题，本发明公开了基于信息融合的雷达伺服系统故障诊断方法，在满足时间效率的前提下提高雷达伺服系统的故障诊断准确率。

为达到上述目的，本发明的技术方案如下：

基于信息融合的雷达伺服系统故障诊断方法，主要方案如下：

(1)为了控制雷达伺服系统的测试成本，首先优化雷达伺服系统的测试点选取。本发明的雷达伺服系统的测试点优化数学描述如下：

s.t.FDR≥FDR_r

FIR≥FIR_r

FAR≤FAR_r

其中，FDR_r,FIR_r,FAR_r分别代表需要满足的故障检测率指标、故障隔离率指标和故障虚警率指标。a表示精度评价函数的参数，b表示时间评价函数的参数，c表示费用评价函数的参数。y_FDR,y_FIR,y_FAR分别代表故障检测能力评价函数、故障隔离能力评价函数和虚警率大小评价函数。针对如上问题采用遗传算法进行求解，首先生成一个长度为n的二进制编码，该编码的每一位都代表了一个测试点，如果编码中某一位的值为1代表其对应的测试点被选中，如果值为0则代表对应的测试点未被选中，随机生成初始个体，并将上述数学描述表达式中的目标函数作为适应度函数。然后进行种群的选择、交叉和变异直到满足条件为止，得到最终的测试点选取结果。

(2)在进行测试点优化之后，以所选测试点的测试结果为训练数据，基于贝叶斯网络建立开关量故障诊断模型。K2算法、MHS算法和MMHC算法是三种常用的贝叶斯结构学习算法，K2算法是一种基于评分搜索的算法，MMHC是一种基于评分搜索和基于约束相结合的混合方法，MHS是一种基于随机抽样的方法。这三种算法都是较为优秀的贝叶斯网络结构学习算法，都有自己的优点，但是这三种算法的准确度都存在瓶颈，达不到令人满意的准确度。本发明对雷达伺服系统的贝叶斯网络模型的结构学习进行了优化，首先基于K2算法、MHS算法和MMHC算法分别建立三个贝叶斯网络结构，然后根据雷达伺服系统贝叶斯网络专家结构，以如下准则建立最终的雷达伺服系统贝叶斯网络结构：1)保留专家知识所得到的所有确定因果关系。2)去除所有同一层中两个节点之间的有向边3)对于不同层中的有向边，如果K2算法、MHS算法和MMHC算法中有两个或以上出现该有向边则将有向边保留。4)对于不同层中的有向边，如果K2算法、MHS算法和MMHC算法中没有或只有一个出现该有向边则将有向边去除。在确定了贝叶斯网络结构之后，采用极大似然估计法得到最终的贝叶斯网络模型的参数，最终得到最终的雷达伺服系统贝叶斯网络模型。

(3)为了更好地建立模拟量故障诊断模型，需要对模拟量故障数据进行预处理。本发明中模拟量数据的预处理包括三个部分：异常处理、特征工程和样本不平衡处理。具体操作如下：

a)从雷达伺服系统历史监测数据的数据集X中随机抽出m个样本放入根节点中，记为X′。从d个特征维度中随机指定一维q，并在当前的数据中随机产生一个切割点p，满足下式：

min(x_ij,j＝q,x_ij∈X′)＜p＜max(x_ij,j＝q,x_ij∈X′)

基于切割点p生成一个分离超平面，将当前的数据空间划分为两个子空间，将大于等于p的样本点放入右子节点，小于p的样本点放入左子节点。重复上述步骤，停止条件为所有的叶子节点都只有一个样本点或者孤立树已经达到指定高度。依照上述规律生成t个孤立树。

此后，对于每个数据点x_i在森林中的平均高度h(x_i)，将所有的平均高度归一化。最后通过公式计算异常值分数，公式如下：

其中

含义如下：

b)在进行特征工程时，本发明基于时间维度挖掘出两个新的特征，分别是历史值和历史变化率。将每个时刻的故障数据的五分钟前的故障数据和两个时刻的故障数据的差值作为新的故障特征加入原始故障数据集。

c)对于模拟量数据中样本不平衡的问题，采用SMOTE算法进行处理。处理方式如下：对于少数类中每个样本x，计算其与少数类样本中所有样本的欧氏距离，得到其k近邻。设置采样倍率N，在少数类中选出每个样本x的k近邻，对于每个随机选出的近邻，按照如下式子构建新的样本：

x_new＝x+rand(0,1)×(x-x)

(4)基于Stacking集成方法建立模拟量故障诊断模型。Stacking集成方法是一种非常强大的机器学习方法，该方法通过将几种机器学习算法组合成一个元算法来获得减小方差、减小偏差或改进预测的效果。Xgboost、随机森林和BP神经网络都是十分常用的机器学习模型，在故障诊断领域都有着广泛的应用。Xgboost算法是梯度提升树算法的一种高效实现，是Boosting算法的一种，其基学习器通常为分类回归树，基本思想是将多个CART树的预测结果相加作为最终的预测结果。随机森林算法是一种常用的Bagging模型。Bagging方法又称为袋装法，该方法通过训练集的样本对若干学习器分别进行训练，以各学习器的结果为基础，从而得到最终的学习结果。BP神经网络模型是一种多层前馈神经网络模型，其基本原理是通过梯度搜索技术来使得模型预测值和实际值的误差最小，该算法非线性映射能力强、具有高度的自学习和自适应能力。本发明的Stacking集成方法采用这三种模型作为基学习器，充分吸收了三个模型的优点，通过集成算法将这三个模型结合在了一起，使得预测精度得到了提升。将雷达伺服系统的模拟量数据集分别五份，分别用Xgboost、随机森林和BP神经网络这三个基学习器建立五个不同的子模型。以Xgboost为例，将模拟量数据训练集分为5份，选择一份作为测试集，其余四份作为训练集，总共会产生五组训练数据和测试数据。对于这五组数据，训练五个不同的Xgboost模型，使用这五个同类模型分别预测对应的测试集并得到对应的预测结果，将这五份预测结果合并在一起得到训练集完整的预测结果。在测试集上，分别使用这五个已经训练好的Xgboost模型进行预测，通过投票选出最终的预测结果。同理，随机森林和BP神经网络这两种基学习器也使用同样的步骤训练模型。最终将3种模型的预测结果合并，将最终的合并结果作为第二层模型的特征。对于第二层的输入而言，其输入特征发生了变化，不再是原始的数据特征，而是第一层三种模型预测结果的合并数据，本发明在Stacking算法的第二层采用了逻辑回归模型继续进行训练，该层的输出结果为模拟量故障诊断的最终结果。

(5)基于D-S证据理论建立最终的信息融合故障诊断模型。D-S证据理论是一种不确定推理方法，该方法能够在没有任何先验信息的情况下有效的处理不确定的信息，在故障诊断、目标识别和状态检测等多个领域都有着十分广泛的应用。雷达伺服系统的开关量故障诊断模型和模拟量故障诊断模型会分别输出一组故障诊断的结果，将这些诊断结果分别作为证据体1和证据体2，采用D-S证据理论进行数据融合，融合方式如下：若目标系统的输入信息存在两个核{A₁,A₂,…,A_p}和{B₁,B₂,…,B_q}，基本信度分配函数分别为m₁和m₂，做出假设如下：

D-S组合之后的新BPA为m:2^Θ→[0,1]，根据

可知：/>

K代表证据之间的冲突程度，1-K称为归一化系数，归一化系数可以避免在进行融合时将非0的信任赋值给空集

根据证据合成后的信任度进行最终的决策，在辨识框架Θ中，目标系统中向量信息U中的多证据源焦元，组合之后的新信任函数为m，最终的决策满足下式：

本发明的有益效果是：

(1)本发明充分利用了雷达伺服系统的历史故障数据，从数据中学习故障规律，解决了传统故障诊断方法过于依赖专家知识的问题；

(2)本发明针对雷达伺服系统的历史模拟量故障数据做了针对性的故障预处理，解决了传统故障诊断方法对数据集质量要求过高的问题；

(3)本发明没有局限于从单一类型的故障数据中学习故障规律，将开关量故障数据中的故障规律和模拟量故障数据中的故障规律相结合，通过信息融合的方式进行最终的故障诊断，在满足时间效率的基础上，故障诊断的准确率相较于传统的故障诊断方法得到了提升。

附图说明

图1为本发明的雷达伺服系统故障诊断方法的总体流程图；

图2为本发明的雷达伺服系统结构框图；

图3为本发明的开关量故障诊断流程图；

图4为本发明所应用的遗传算法流程图；

图5为本发明所应用的贝叶斯网络结构学习流程图；

图6为本发明的模拟量故障诊断流程图；

图7为本发明所应用的SMOTE算法原理图；

图8为本发明所应用的Stacking集成模型原理图；

图9为本发明的信息融合故障诊断流程图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

图1描述了本发明的雷达伺服系统故障诊断算法的总体流程，算法分为三个部分：开关量故障诊断、模拟量故障诊断和信息融合故障诊断。

图2为本发明的雷达伺服系统的内部结构图。

图3描述了基于雷达伺服系统开关量故障数据建立故障模型的过程。首先，将雷达伺服系统的内部结构通过多信号流图模型转换成故障-测试依存矩阵，以本发明所述的某型雷达伺服系统为例，其故障-测试依存矩阵形式如下：

其中，T1～T30代表雷达伺服系统中的30个测试点，F1～F10代表雷达伺服系统的10种故障模式。基于故障-测试依存矩阵，针对雷达伺服系统采用遗传算法进行测试点优化，遗传算法的主要参数设置如下：最大遗传代数设置为75，编码长度设置为8，种群大小设置为50，交叉概率设置为0.75，变异概率设置为0.03，

图4描述了遗传算法的运行过程。通过上述方法可最终将某型雷达伺服系统的测试点数量由30个优化为12个。在完成测试点的选取优化之后，从雷达伺服系统的历史开关量故障数据中选取这些测试点的测试结果作为样本来训练贝叶斯网络模型。

图5表述了本发明所采用的优化后的贝叶斯网络结构学习方法，分别基于K2算法、MHS算法和MMHC算法初步建立贝叶斯网络结构，然后结合雷达伺服系统的贝叶斯网络专家结构获取最终的贝叶斯网络结构。通过极大似然估计法获取贝叶斯网络的参数，从而得到最终的雷达伺服系统贝叶斯网络故障诊断模型。

图6描述了基于雷达伺服系统模拟量故障数据建立故障模型的过程。首先针对雷达伺服系统的模拟量故障数据集进行数据预处理，数据预处理操作由3个部分组成，分别是异常检测、特征工程和样本不平衡处理。异常检测通过孤立森林算法进行实现，Python的sklearn库中有孤立森林的算法实现，其主要参数有三个：n_estimators，max_samples和max_features，这三个参数分别设置为100，265和全部特征。异常检测之后，需要对模拟量故障数据进行特征工程处理，将一个故障时刻的五分钟前的故障数据加入原始数据作为历史值特征，将一个故障时刻的五分钟前的故障数据和当前故障数据的差值加入原始数据作为历史变化率特征。针对模拟量数据集中样本不平衡的问题，采用SMOTE算法将少类样本扩充，图6展示了SMOTE算法的具体原理。

针对已经预处理完成的雷达伺服系统模拟量数据集，训练Stacking集成模型。使用Xgboost、随机森林和BP神经网络作为Stacking集成模型的三个基学习器，在训练数据集上分别进行五折交叉验证，也就是每个基学习器都训练五个模型，采用Gridsearch方法搜索最优参数，图8展示了Stacking集成模型第一层的基本原理。其中，Xgboost模型的主要参数有max_depth、n_estimator和learning_rate，这三个参数分别代表树的最大深度、生成树的最大数量和学习率，max_depth设置为[7,8,9,10,11,12]，n_eatimator设置为[2500,3000,3500,4000,4500,5000]，learning_rate设置为0.04，采用Gridsearch方法搜索参数最优值。随机森林模型的主要参数有max_depth、max_features、n_estimators，分别代表树的最大深度、每棵树随机选择的特征数和生成的树的最大数量，max_depth设置为[7,8,9,10,11,12]，max_features设置为16，n_eatimators设置为[2500,3000,3500,4000,4500,5000]，同样采用Gridsearch方法搜索参数最优值。BP神经网络的主要参数有batch_size、epochs、learn_rate，分别代表批的大小、训练完整数据的次数和学习率，batch_size设置为64，epochs设置为[10,15,20,25,30]，learn_rate设置为0.04，同样采用Gridsearch方法搜索参数最优值。对于每一个基学习器都对应五个不同的模型，将这五个模型合并会得到每个基学习器的预测结果，再将每个基学习器的预测结果合并，得到第一层的最终预测结果。在第二层采用逻辑回归模型作为第二层模型进行最终的预测，将该模型的L2正则参数设置为0.03即可得到最终的预测结果。

图9描述了本发明最终的信息融合故障诊断的过程，将已经建立好的开关量故障诊断的输出结果作为证据体1，将已经建立好的模拟量故障诊断的输出结果作为证据体2，采用D-S证据理论进行融合。

Claims (1)

1.基于信息融合的雷达伺服系统故障诊断方法，其特征在于包括：

(1)基于遗传算法优化雷达伺服系统的测试点选取；具体是将雷达伺服系统的内部结构通过多信号流图模型转换成故障-测试依存矩阵，其形式如下：

其中，如果故障i能被测试点j观测，则d_ij的值为1，如果故障i不能被测试点j观测，则d_ij的值为0；确认了故障-测试依存矩阵之后，结合遗传算法求解测试点选取优化问题，得到最终的测试序列；

(2)基于改进贝叶斯网络构建雷达伺服系统开关量故障诊断模型；以测试点选取优化后所选的测试点的测试结果为数据集训练贝叶斯网络，贝叶斯网络的结构学习方法为分别通过K2算法、MHS算法和MMHC算法各自训练出一个独立的贝叶斯网络结构，然后基于这三种网络结构对雷达伺服系统贝叶斯网络专家结构进行优化，得到最优贝叶斯网络模型的结构，最优贝叶斯网络结构的参数采用极大似然估计法确定；

(3)针对雷达伺服系统模拟量故障数据的数据预处理；首先，通过孤立森林算法对雷达伺服系统模拟量历史故障数据进行数据异常检测，将检测出异常的数据去除，然后，给模拟量故障数据集添加历史值和历史变化率这两个新的特征，具体操作是将每个故障时刻五分钟前的故障数据作为故障历史值加入以及将每个时刻五分钟前的故障数据和当前故障数据的差值作为故障历史变化率加入，最后，采用SMOTE算法解决模拟量历史故障数据的样本不平衡问题；

(4)基于Stacking集成方法构建雷达伺服系统模拟量故障诊断模型；首先采用Xgboost、随机森林和神经网络作为三种基模型并将故障样本训练数据分成5份，使用每一种基模型对数据集进行5折交叉验证，每一种基模型的输出由5个子模型合并而成，将三种基模型的输出结果合并得到第一层的输出结果；第二层利用第一层的输出结果作为训练数据，采用逻辑回归模型继续进行训练，得到最终的模拟量故障诊断模型；

(5)基于D-S证据理论构建最终的雷达伺服系统信息融合故障诊断模型；将雷达伺服系统开关量故障诊断模型的诊断结果作为证据体1，将雷达伺服系统模拟量故障诊断模型的诊断结果作为证据体2，采用D-S证据理论综合两者的输出结果作为最终的故障诊断结果。

Images