CN112488142A - 一种雷达故障的预测方法、装置及存储介质 - Google Patents
一种雷达故障的预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112488142A CN112488142A CN201910867357.2A CN201910867357A CN112488142A CN 112488142 A CN112488142 A CN 112488142A CN 201910867357 A CN201910867357 A CN 201910867357A CN 112488142 A CN112488142 A CN 112488142A
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- fault prediction
- historical data
- prediction model
- 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 68
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000007637 random forest analysis Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 26
- 238000005516 engineering process Methods 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000007418 data mining Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例公开了一种雷达故障的预测方法、装置及存储介质，所述方法包括：基于随机森林算法，从雷达设备的历史数据中选取关键特征数据；基于所述关键特征数据，训练得到雷达故障预测模型；基于所述雷达故障预测模型进行雷达故障预测。通过本申请的技术方案，基于随机森林算法提取关键特征数据，并通过基于关键特征数据训练的雷达故障预测模型进行雷达故障预测，能够提前对雷达设备可能出现的潜在故障进行预测，并大大减少雷达设备所要实现的业务失败的风险。
Description
技术领域
本申请实施例涉及电子通信技术，涉及但不限于一种雷达故障的预测方法、装置及存储介质。
背景技术
多普勒天气雷达，是一种主动遥感的探测工具，在测量云、降雨和各种强对流天气等方面有重要的作用，其工作原理即以多普勒效应为基础，可以测定散射体相对于雷达的速度，在一定条件下反演出大气风场、气流垂直速度的分布以及湍流情况等，是进行灾害性天气监测和预警预报的重要工具。目前，全国此类雷达设备已有近200部，基于天气雷达的各项技术指标、自动化程度、复杂性、可靠性、可维护性要求较高，一个细小的故障足以使天气雷达所在的系统瘫痪。
当前雷达设备故障预测主要依靠传统数学方法，如模糊理论等，故障诊断主要依赖专家经验，随意性大、准确率低、耗费人力物力较多、现代化水平不够。
发明内容
有鉴于此，本申请实施例提供一种雷达故障的预测方法、装置及存储介质，以解决相关技术中雷达故障诊断系统，只能在故障发生后进行诊断，不能在雷达运行中实时对潜在故障进行提前预测。
第一方面，本申请实施例提供了一种雷达故障的预测方法，所述方法包括：
基于随机森林算法，从雷达设备的历史数据中选取关键特征数据；
基于所述关键特征数据，训练得到雷达故障预测模型；
基于所述雷达故障预测模型进行雷达故障预测。
第二方面，本申请实施例提供了一种雷达故障的预测装置，所述装置包括：
选取单元，用于基于随机森林算法，从雷达设备的历史数据中选取关键特征数据；
模型训练单元，用于基于所述关键特征数据，训练得到雷达故障预测模型；
故障预测单元，用于基于所述雷达故障预测模型进行雷达故障预测。
第三方面，本申请实施例提供了一种雷达故障的预测装置，所述雷达故障的预测装置至少包括：处理器和用于存储能够在所述处理器上运行的可执行指令的存储器，其中：
处理器用于运行所述可执行指令时，所述可执行指令执行上述实施例提供的雷达故障的预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述实施例提供的雷达故障的预测方法。
本申请实施例所提供的一种雷达故障的预测方法、装置及存储介质，基于随机森林算法提取关键特征数据，并通过基于关键特征数据训练的雷达故障预测模型进行雷达故障预测，能够提前对雷达设备可能出现的潜在故障进行预测，并大大减少雷达设备所要实现的业务失败的风险。
附图说明
图1为本申请实施例提供的雷达故障的预测方法的实现流程示意图一；
图2为本申请实施例提供的雷达故障检测方法的实现流程示意图二；
图3为本申请实施例提供的LSTM的网络结构示意图；
图4为本申请实施例提供的雷达故障检测方法的实现流程示意图三；
图5为本申请实施例提供的一种雷达故障的预测装置的结构示意图；
图6为本申请实施例提供的一种雷达故障的预测装置的具体硬件结构。
具体实施方式
相关技术中，雷达故障预测是基于数学方法，如模糊理论来实现的。其本质还是依赖专家通过经验确定参考值，根据参考值进行模糊化处理，严重依赖专家的技术水平和专家知识库大小，随机性较大，目前尚没有更科学化、智能化的预测手段；且现有的雷达故障诊断系统，只能在故障发生后进行诊断，不能在雷达运行中实时对潜在故障进行提前预测。
针对相关技术中所存在的问题，本申请实施例可以利用雷达设备完全发生故障之前，即故障的潜伏期中雷达设备发出的信息，如海量的告警数据、状态数据和维修数据等，结合深度学习技术、计算机技术，对雷达设备可能出现的潜在故障进行预测，能够大大减少雷达设备所要实现的业务失败的风险，并基于提前预测的故障信息预先做好维修准备，对提高雷达设备所在系统的可靠性、减轻雷达设备管理和维护的负担具有重要意义。其中，故障的潜伏期为在雷达设备完全发生故障之前出现一些症状的时期，这些症状能够通过设备发出的告警、状态、日志等信息表现出来。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
图1为本申请实施例提供的雷达故障的预测方法的实现流程示意图一，如图1所示，该方法主要包括以下步骤：
步骤101，基于随机森林算法，从雷达设备的历史数据中选取关键特征数据。
需要说明的是，基于随机森林算法，从雷达设备的历史数据中选择关键特征数据，包括：对雷达设备的历史数据进行预处理；基于随机森林算法，从经过预处理之后的历史数据中选取关键特征数据。
需要说明的是，雷达设备的历史数据包括：雷达告警数据、状态数据和故障维修历史数据。
需要说明的是，对雷达设备的历史数据进行预处理，包括：将雷达告警数据、状态数据和故障维修历史数据进行关联，形成宽表；基于设定的数据预处理技术，对宽表中的数据进行预处理。
这里，先根据时间字段和雷达设备型号字段，将雷达设备的历史数据进行关联、即将雷达告警数据、状态数据和故障维修历史数据进行关联，形成宽表，然后对宽表中的数据进行预处理。由于雷达设备的部分历史数据是不完整的，这些不完整的数据即为脏数据，如果存在有脏数据，就无法直接进行数据挖掘，或挖掘结果差强人意，这时，就需要对形成的宽表中的数据进行预处理，并完成数据的降噪、标准化、缺失值填充等预处理步骤。
本申请实施例中，可以通过数据预处理技术对数据进行预处理，以提高数据挖掘的质量。其中，数据预处理技术主要包括：数据清理、数据集成、数据变换、数据归约等。如果数据挖掘之前使用这些数据处理技术对数据进行预处理，可以大大提高数据挖掘的质量，降低实际挖掘所需要的时间。
在数据预处理阶段，对于存在缺失值的情况，即部分状态数据或告警数据存在缺失的情况，例如，发射机功率、干扰检测数据等属性信息出现缺失情况，则需要进行缺失值填充。这里，可以针对不同的数据的特点，使用不同的缺失值填充方法，如均值填充、前序临界值填充等。对于均值填充，可以利用出现缺失情况的时间点附近的数据的平均值来填充缺失的部分数据；对于前序临界值填充，以数据出现缺失情况至发现出现数据缺失的时间间隔不超过五分钟为例，可以利用离出现缺失情况的时间点最近的数据来填充缺失的部分数据。
需要说明的是，基于随机森林算法，从经过预处理之后的历史数据中选取关键特征数据，包括：基于随机森林算法，对预处理之后的历史数据进行评分，得到评分结果；根据评分结果，从经过预处理之后的历史数据中选取关键特征数据。
在进行关键特征选择时，可以利用随机森林算法对每个原始特征项(预处理之后的历史数据)进行评分，然后将它们按分值的高低排序，得到排序结果，基于排序结果从预处理之后的历史数据选取若干个分值较高的特征项，分值较高的特征项是指具有代表性的数据、即对预测故障影响度比较高的历史数据。
步骤102，基于关键特征数据，训练得到雷达故障预测模型。
需要说明的是，基于关键特征数据，训练得到雷达故障预测模型，包括：基于关键特征数据，得到对应的时间序列；基于时间序列，训练得到雷达故障预测模型。
需要说明的是，基于时间序列，训练得到雷达故障预测模型，包括：基于时间序列训练长短期记忆(Long Short-Term Memory，LSTM)模型，得到雷达故障预测模型。
这里，这里，在基于特征选择的基础上，构建基于时序的输入，首先需要划分时间窗口，时间窗口的大小可以是设定值，输入时间窗的长度为n，分别表示为t0、t1、t2…tn-1、tn表示需要预测的时间窗口，上述时间窗口构成一个时间序列。
对于一个单独的时间窗口，可以包括：在该时间窗口内，雷达设备所处的环境参数，例如，周围的温度、湿度等；雷达设备在该时间窗口内出现的告警类型、每种告警在该时间窗口内出现的告警次数；每种在该时间窗口内发生的告警对应的持续时间(结束时间与开始时间差)；时间窗口的中心时间点距离雷达设备上一次故障的时间长度Wi；各种告警在该时间窗口内分别发生的总次数；每种告警在该时间窗口发生的概率等。本申请实施例中，可以对各个时间窗口内的上述参数进行归一化处理，以得到基于时序的输入、即时间序列。
步骤103，基于雷达故障预测模型进行雷达故障预测。
本申请实施例中，可以通过将雷达设备的历史数据分成多份进行交叉验证，以得到多组预测模型，并通过Precision、Recall、F1值等对预测模型进行评价，得到评价结果，并根据评价结果选择出当前最优预测模型，基于选择出的当前最优预测模型进行雷达故障预测。
本申请实施例中，基于关键特征的LSTM模型进行雷达故障预测，主要包括数据预处理、关键特征选择和基于LSTM模型预测故障三个过程。
这里，在进行数据预处理之前，首先根据时间字段和雷达设备型号字段，将雷达设备的历史数据进行关联、即将雷达告警数据、状态数据和故障维修历史数据进行关联，形成宽表。其中，雷达设备的历史数据包括：雷达告警数据、状态数据、故障维修历史数据等，其特点是：数据量大、时序性强、数据价值高，可应用于大数据技术、神经网络技术等典型应用场景。
图2为本申请实施例提供的雷达故障检测方法的实现流程示意图二，如图2所示，该方法包括如下步骤：
步骤201，对宽表中的数据进行预处理。
这里，先根据时间字段和雷达设备型号字段，将雷达设备的历史数据进行关联、即将雷达告警数据、状态数据和故障维修历史数据进行关联，形成宽表，然后对宽表中的数据进行预处理。由于雷达设备的部分历史数据是不完整的，这些不完整的数据即为脏数据，如果存在有脏数据，就无法直接进行数据挖掘，或挖掘结果差强人意，这时，就需要对形成的宽表中的数据进行预处理，并完成数据的降噪、标准化、缺失值填充等预处理步骤。
本申请实施例中，可以通过数据预处理技术对数据进行预处理，以提高数据挖掘的质量。其中，数据预处理技术主要包括：数据清理、数据集成、数据变换、数据归约等。如果数据挖掘之前使用这些数据处理技术对数据进行预处理，可以大大提高数据挖掘的质量，降低实际挖掘所需要的时间。
在数据预处理阶段，对于存在缺失值的情况，即部分状态数据或告警数据存在缺失的情况，例如，发射机功率、干扰检测数据等属性信息出现缺失情况，则需要进行缺失值填充。这里，可以针对不同的数据的特点，使用不同的缺失值填充方法，如均值填充、前序临界值填充等。对于均值填充，可以利用出现缺失情况的时间点附近的数据的平均值来填充缺失的部分数据；对于前序临界值填充，以数据出现缺失情况至发现出现数据缺失的时间间隔不超过五分钟为例，可以利用离出现缺失情况的时间点最近的数据来填充缺失的部分数据。
对于存在不同量纲的情况，即数据的特征规格不一样的情况，则不能放在一起比较，需要对该数据进行归一化处理。对数据进行归一化处理的公式为：
公式(1)中，x'为归一化处理后的数据；x为当前样本数据；min(x)为样本数据的最小值；max(x)为样本数据的最大值。
对于存在信息冗余的情况，如果冗余信息的属性为定量属性字段，例如，对于区间划分的情况，可将该区间的字段进行二值化处理，将该冗余信息转换成“0”和“1”的形式；还可以将非法告警数据删除，以减少冗余信息。
对于需要进行标准化处理的数据，对数据进行标准化处理的公式可以为：
公式(2)中，x*为标准化后的数据；x为当前实际数据；
为各数据的算术平均值(数学期望)；s为各数据的标准差。
本申请实施例中，还可以设定阈值，如果告警的结束时间与开始时间之间的时间间隔小于该设定阈值，则舍弃这个时间段的数据，其中，设定阈值可以根据专家经验确定。
步骤202，基于随机森林算法，从经过预处理之后的数据中选取关键特征数据。
这里，可以基于随机森林算法从经过预处理之后的数据中选择关键特征数据，以对经过预处理的宽表数据进行降维。其中，关键特征选择是指从一组给定的特征集中，按照某一准则选择出一组具有代表性的特征子集(关键特征数据)、即对预测故障影响度比较高的特征子集，这里，给定的特征集可以为根据经过预处理的宽表数据得到的。
本申请实施例中，在进行关键特征选择时，可以利用随机森林算法对每个原始特征项(预处理之后的数据)进行评分，然后将它们按分值的高低排序，从中选取若干个分值较高的特征项，分值较高的特征项是指具有代表性的数据、即对预测故障影响度比较高的数据。特征选择方法主要分为以下三类：过滤式(Filter)、包裹式(Wrapper)和嵌入式(Embedded)。
本申请实施例中，由于雷达设备的历史数据中的各个数据之间存在强关联性，可以通过随机森林算法进行特征选择，以确保各个数据之间的相对独立性。
基于将雷达设备的历史数据进行关联、即将雷达告警数据、状态数据和故障维修历史数据进行关联之后的属性信息有150个左右，可以设置标识信息来对关联之后的属性信息进行标识，以有效地减少数据处理量、节省处理时间、降低计算开销、减轻数据噪声的影响、并提高雷达设备的信息处理系统的分类性能。例如，将雷达告警数据、状态数据、故障维修历史数据进行关联，得到对应的关联关系，并且设置标识信息对每一条关联关系进行标识，这样，就可以基于标识信息确定对应的关联关系，进而确定对应的雷达告警数据、状态数据和故障维修历史数据。
在基于随机森林算法进行特征选择的过程中，可以计算每个特征(预处理之后的历史数据)的分值，然后进行排序，将排在设定值前面的特征作为最终的样本数据，即关键特征数据。
本申请实施例中，通过采用随机森林算法从雷达告警数据、状态数据、故障维修历史数据中提取影响故障的关键特征数据，对雷达故障的预测只考虑雷达运行时的状态、告警信息等与故障密切相关的指标，可以不受雷达硬件年限、外界专家经验等条件限制。
步骤203，基于关键特征数据，训练得到基于LSTM的预测模型。
这里，LSTM是一种时间递归神经网络，适合于处理和预测时间序列型数据。传统的深度学习循环神经网络(Recurrent Neural Network，RNN)最大的特点就是，RNN的每一次隐含层的计算结果都与当前输入及上一次的隐含层的计算结果相关，即RNN的计算结果具备记忆前几次计算结果的特点。而LSTM区别于RNN的地方，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个“处理器”作用的结构被称为细胞(cell)。
图3为本申请实施例提供的LSTM的网络结构示意图，如图3所示，一个cell当中放置了三扇门，分别为输入门、遗忘门和输出门。当有信息进入LSTM网络模型时，这些门都可以打开或关闭，用于判断网络的记忆态(之前网络的状态)在该层输出的计算结果是否达到阈值，从而确定是否加入到当前层的计算中。这里，阀门节点利用sigmoid函数将网络的记忆态作为输入进行计算；如果输出结果达到阈值，则将该阀门的输出结果与当前层的计算结果矩阵相乘作为下一层的输入；如果没有达到阈值，则将该输出结果遗忘掉。每一层包括阀门节点的权重都会在每一次模型反向传播训练过程中更新。
基于深度学习LSTM相较于简单的循环神经网络，更易于学习和长期依赖，能够更好的解决时间序列相关的预测问题，本申请实施例中，基于雷达设备的关键特征数据，训练得到LSTM模型，不仅可以挖掘未来故障出现的可能性，还可以预测出故障。图4为本申请实施例提供的雷达故障检测方法的实现流程示意图三，如图4所示，该方法主要包括：
步骤401，基于关键特征数据，构建基于时序的输入、即时间序列。
这里，在基于特征选择的基础上，构建基于时序的输入，首先需要划分时间窗口，时间窗口的大小可以是设定值，输入时间窗的长度为n，分别表示为t0、t1、t2…tn-1、tn表示需要预测的时间窗口，上述时间窗口构成一个时间序列。
对于一个单独的时间窗口，可以包括：在该时间窗口内，雷达设备所处的环境参数，例如，周围的温度、湿度等；雷达设备在该时间窗口内出现的告警类型、每种告警在该时间窗口内出现的告警次数；每种在该时间窗口内发生的告警对应的持续时间(结束时间与开始时间差)；时间窗口的中心时间点距离雷达设备上一次故障的时间长度Wi；各种告警在该时间窗口内分别发生的总次数；每种告警在该时间窗口发生的概率等。本申请实施例中，可以对各个时间窗口内的上述参数进行归一化处理，以得到基于时序的输入。
步骤402，基于输入的时间序列，训练得到雷达故障预测模型。
这里，预测模型从下往上依次是输入层、隐含层、输出层。该预测模型是一个二值分类的模型，用于预测雷达设备在下一个时间窗口是否会发生故障，0表示没有发生故障，1表示发生故障。给定一个序列x1、x2…..xT，需要学习一个分类器，以生成真实结果y的预测值y'，这里，y表示的是xT之后的时间窗口雷达设备是否发生故障，t表示的是序列的序号，T表示的是序列的长度。
本申请实施例中，采用LSTM来构造深度神经网络，在LSTM隐含层的上层构建一个全连接的输出层，可以使用sigmoid激活函数输出最终的预测值，使用交叉熵作为损失函数。原交叉熵损失函数的计算公式为：
loss(y,y')＝-[ylogy'+(1-y)log(1-y')] (3)；
公式(3)中，y表示真实结果，y'表示预测值。
由于LSTM模型引入了细胞的概念，不仅需要考虑最近的状态，还会复制以前的状态，在每一步都输出预测值，从而每一步都会带来局部的误差信息。为了提高精确度，对损失函数进行了改进，最终得到的损失函数的计算公式为：
公式(4)中，T表示整个输入序列的长度，β大于等于0小于等于1，表示在序列中预测结果的相对重要性。
本申请实施例中，可以通过将雷达设备的历史数据分成多份进行交叉验证，并选取不同的β值，以得到多组预测模型，并通过Precision、Recall、F1值等对预测模型进行评价，得到评价结果，并根据评价结果选择出当前最优预测模型。
步骤403，采用该雷达故障预测模型进行雷达设备的故障预测。
步骤204，采用基于LSTM的预测模型进行雷达设备的故障预测。
本申请实施例中，首次将深度学习技术、循环神经网络技术应用于雷达故障检测领域。通过采用特征选择模型从雷达告警数据、状态数据、维修的历史数据中提取影响故障的关键特征数据；使用深度学习LSTM算法，能够很好的挖掘了状态、告警、维修的历史信息中关键特征对故障的影响，以对雷达进行故障预测。相较于相关技术中只在故障出现时，才进行故障检测及维修，本申请实施例在故障潜伏期就提前进行故障预测、并消除隐患。
基于上述实施例的同一发明构思，本申请实施例提供一种雷达故障的预测装置，图5为本申请实施例提供的一种雷达故障的预测装置的结构示意图，如图5所示，该雷达故障的预测装置500包括：
选取单元501，用于基于随机森林算法，从雷达设备的历史数据中选取关键特征数据；
模型训练单元502，用于基于关键特征数据，训练得到雷达故障预测模型；
故障预测单元503，用于基于雷达故障预测模型进行雷达故障预测。
需要说明的是，选取单元501，包括：
预处理模块，用于对雷达设备的历史数据进行预处理；
选取模块，用于基于随机森林算法，从经过预处理之后的历史数据中选取关键特征数据。
需要说明的是，雷达设备的历史数据包括：雷达告警数据、状态数据和故障维修历史数据。
需要说明的是，预处理模块，包括：
关联子模块，用于将雷达告警数据、状态数据和故障维修历史数据进行关联，形成宽表；
预处理子模块，用于基于设定的数据预处理技术，对宽表中的数据进行预处理。
需要说明的是，选取模块，包括：
评分子模块，用于基于随机森林算法，对预处理之后的历史数据进行评分，得到评分结果；
选取子模块，用于根据评分结果，从经过预处理之后的历史数据中选取关键特征数据。
需要说明的是，模型训练单元502，包括：
获取模块，用于基于关键特征数据，得到对应的时间序列；
模型训练模块，用于基于时间序列，训练得到雷达故障预测模型。
需要说明的是，模型训练模块，包括：
模型训练子模块，用于基于时间序列训练LSTM模型，得到雷达故障预测模型。
在本申请实施例中的各组成部分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模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，也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，本申请实施例的技术方案本质上或者说对现有技术做出贡献的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)或processor(处理器)执行本申请实施例所述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，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述任一项实施例提供的雷达故障的预测方法。
参见图6，示出了本申请实施例提供的一种雷达故障的预测装置600的具体硬件结构，包括：网络接口601、存储器602和处理器603；各个组件通过总线系统604耦合在一起。可理解，总线系统604用于实现这些组件之间的连接通信。总线系统604除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统604。
其中，
其中，所述网络接口601，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
存储器602，用于存储能够在处理器603上运行的计算机程序；
处理器603，用于在运行所述计算机程序时，执行：
基于随机森林算法，从雷达设备的历史数据中选取关键特征数据；
基于所述关键特征数据，训练得到雷达故障预测模型；
基于所述雷达故障预测模型进行雷达故障预测。
所述处理器603还用于运行所述计算机程序时，执行：
对所述雷达设备的历史数据进行预处理；
基于所述随机森林算法，从经过预处理之后的历史数据中选取关键特征数据。
所述处理器603还用于运行所述计算机程序时，执行：
将所述雷达告警数据、所述状态数据和所述故障维修历史数据进行关联，形成宽表；
基于设定的数据预处理技术，对所述宽表中的数据进行预处理。
所述处理器603还用于运行所述计算机程序时，执行：
基于所述随机森林算法，对预处理之后的历史数据进行评分，得到评分结果；
根据所述评分结果，从经过预处理之后的历史数据中选取关键特征数据。
所述处理器603还用于运行所述计算机程序时，执行：
基于所述关键特征数据，得到对应的时间序列；
基于所述时间序列，训练得到雷达故障预测模型。
所述处理器603还用于运行所述计算机程序时，执行：
基于所述时间序列训练LSTM模型，得到雷达故障预测模型。
可以理解，本申请实施例中的存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Sync Link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本文描述的方法的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器603可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器603中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器603可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块、即计算机可执行指令可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器、光盘等本领域成熟的存储介质中，计算机可执行指令被处理器执行时实现上述雷达故障的预测方法的步骤。该存储介质可以位于存储器602，处理器603读取存储器602中的信息，结合其硬件完成上述方法的步骤。
本申请装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
当然，本申请实施例中的装置还可有其他类似的协议交互实现案例，在不背离本申请精神及其实质的情况下，本领域的技术人员当可根据本申请实施例做出各种相应的改变和变形，但这些相应的改变和变形都应属于本申请方法所附的权利要求的保护范围。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个在涵”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，如：多个模块或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或模块的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的，作为模块显示的部件可以是、或也可以不是物理模块；既可以位于一个地方，也可以分布到多个网络模块上；可以根据实际的需要选择其中的部分或全部模块来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能模块可以全部集成在一个处理模块中，也可以是各模块分别单独作为一个模块，也可以两个或两个以上模块集成在一个模块中；上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对现有技术做出贡献的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服务器执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种雷达故障的预测方法，其特征在于，所述方法包括：
基于随机森林算法，从雷达设备的历史数据中选取关键特征数据；
基于所述关键特征数据，训练得到雷达故障预测模型；
基于所述雷达故障预测模型进行雷达故障预测。
2.根据权利要求1所述的方法，其特征在于，所述基于随机森林算法，从雷达设备的历史数据中选择关键特征数据，包括：
对所述雷达设备的历史数据进行预处理；
基于所述随机森林算法，从经过预处理之后的历史数据中选取关键特征数据。
3.根据权利要求2所述的方法，其特征在于，所述雷达设备的历史数据包括：雷达告警数据、状态数据和故障维修历史数据。
4.根据权利要求3所述的方法，其特征在于，所述对所述雷达设备的历史数据进行预处理，包括：
将所述雷达告警数据、所述状态数据和所述故障维修历史数据进行关联，形成宽表；
基于设定的数据预处理技术，对所述宽表中的数据进行预处理。
5.根据权利要求2所述的方法，其特征在于，所述基于所述随机森林算法，从经过预处理之后的历史数据中选取关键特征数据，包括：
基于所述随机森林算法，对预处理之后的历史数据进行评分，得到评分结果；
根据所述评分结果，从经过预处理之后的历史数据中选取关键特征数据。
6.根据权利要求1所述的方法，其特征在于，所述基于所述关键特征数据，训练得到雷达故障预测模型，包括：
基于所述关键特征数据，得到对应的时间序列；
基于所述时间序列，训练得到雷达故障预测模型。
7.根据权利要求6所述的方法，其特征在于，所述基于所述时间序列，训练得到雷达故障预测模型，包括：
基于所述时间序列训练LSTM模型，得到雷达故障预测模型。
8.一种雷达故障的预测装置，其特征在于，所述装置包括：
选取单元，用于基于随机森林算法，从雷达设备的历史数据中选取关键特征数据；
模型训练单元，用于基于所述关键特征数据，训练得到雷达故障预测模型；
故障预测单元，用于基于所述雷达故障预测模型进行雷达故障预测。
9.一种雷达故障的预测装置，其特征在于，所述雷达故障的预测装置至少包括：处理器和用于存储能够在所述处理器上运行的可执行指令的存储器，其中：
处理器用于运行所述可执行指令时，所述可执行指令执行上述权利要求1至7任一项提供的雷达故障的预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述权利要求1至7任一项提供的雷达故障的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910867357.2A CN112488142A (zh) | 2019-09-12 | 2019-09-12 | 一种雷达故障的预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910867357.2A CN112488142A (zh) | 2019-09-12 | 2019-09-12 | 一种雷达故障的预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112488142A true CN112488142A (zh) | 2021-03-12 |
Family
ID=74920922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910867357.2A Pending CN112488142A (zh) | 2019-09-12 | 2019-09-12 | 一种雷达故障的预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112488142A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076239A (zh) * | 2021-04-12 | 2021-07-06 | 西安交通大学 | 一种高性能计算机用混合神经网络故障预测方法及系统 |
| CN113419226A (zh) * | 2021-08-24 | 2021-09-21 | 四川锦美环保股份有限公司 | 一种雷达故障检修系统 |
| CN113988955A (zh) * | 2021-11-26 | 2022-01-28 | 中国银行股份有限公司 | 潜在资产提升客户预测方法及装置 |
| TWI771098B (zh) * | 2021-07-08 | 2022-07-11 | 國立陽明交通大學 | 路側單元之雷達系統之狀態之錯誤診斷系統及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344017A (zh) * | 2018-09-06 | 2019-02-15 | 浪潮电子信息产业股份有限公司 | 一种基于机器学习预测内存故障的方法，设备及可读存储介质 |
| CN109656818A (zh) * | 2018-12-05 | 2019-04-19 | 北京计算机技术及应用研究所 | 一种软件密集系统故障预测方法 |
| US20190137604A1 (en) * | 2017-11-09 | 2019-05-09 | Vadum, Inc. | Target Identification and Clutter Mitigation in High Resolution Radar Systems |
-
2019
- 2019-09-12 CN CN201910867357.2A patent/CN112488142A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190137604A1 (en) * | 2017-11-09 | 2019-05-09 | Vadum, Inc. | Target Identification and Clutter Mitigation in High Resolution Radar Systems |
| CN109344017A (zh) * | 2018-09-06 | 2019-02-15 | 浪潮电子信息产业股份有限公司 | 一种基于机器学习预测内存故障的方法，设备及可读存储介质 |
| CN109656818A (zh) * | 2018-12-05 | 2019-04-19 | 北京计算机技术及应用研究所 | 一种软件密集系统故障预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113076239A (zh) * | 2021-04-12 | 2021-07-06 | 西安交通大学 | 一种高性能计算机用混合神经网络故障预测方法及系统 |
| TWI771098B (zh) * | 2021-07-08 | 2022-07-11 | 國立陽明交通大學 | 路側單元之雷達系統之狀態之錯誤診斷系統及方法 |
| CN113419226A (zh) * | 2021-08-24 | 2021-09-21 | 四川锦美环保股份有限公司 | 一种雷达故障检修系统 |
| CN113988955A (zh) * | 2021-11-26 | 2022-01-28 | 中国银行股份有限公司 | 潜在资产提升客户预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220358363A1 (en) | Engine surge fault prediction system and method based on fusion neural network model | |
| CN112488142A (zh) | 一种雷达故障的预测方法、装置及存储介质 | |
| CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| WO2022052510A1 (zh) | 一种无菌灌装生产线异常检测系统和方法 | |
| Tan et al. | Network fault prediction based on CNN-LSTM hybrid neural network | |
| CN112087442B (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
| CN113438114B (zh) | 互联网系统的运行状态监控方法、装置、设备及存储介质 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN114091930B (zh) | 业务指标预警方法、装置、电子设备和存储介质 | |
| CN109656818B (zh) | 一种软件密集系统故障预测方法 | |
| CN110580213A (zh) | 一种基于循环标记时间点过程的数据库异常检测方法 | |
| CN116402352A (zh) | 一种企业风险预测方法、装置、电子设备及介质 | |
| CN114266201B (zh) | 一种基于深度学习的自注意力电梯困人预测方法 | |
| Mobtahej et al. | An LSTM‐Autoencoder Architecture for Anomaly Detection Applied on Compressors Audio Data | |
| CN116028315A (zh) | 作业运行预警方法、装置、介质及电子设备 | |
| CN115659244A (zh) | 故障预测方法、装置及存储介质 | |
| CN116821730B (zh) | 风机故障检测方法、控制装置及存储介质 | |
| CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
| CN115460061B (zh) | 基于智能运维场景的健康度评价方法及装置 | |
| CN114915496B (zh) | 基于时间权重和深度神经网络的网络入侵检测方法和装置 | |
| CN115391523A (zh) | 风电场多源异构数据处理方法及装置 | |
| CN115293249A (zh) | 一种基于动态时序预测的电力系统典型场景概率预测方法 |
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: 20210312 |