CN113960541A - 一种基于海量频域数据和移动平均法的雷达故障预警方法 - Google Patents
一种基于海量频域数据和移动平均法的雷达故障预警方法 Download PDFInfo
- Publication number
- CN113960541A CN113960541A CN202111050851.3A CN202111050851A CN113960541A CN 113960541 A CN113960541 A CN 113960541A CN 202111050851 A CN202111050851 A CN 202111050851A CN 113960541 A CN113960541 A CN 113960541A
- Authority
- CN
- China
- Prior art keywords
- domain data
- frequency
- frequency domain
- radar
- moving average
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于海量频域数据和移动平均法的雷达故障预警方法，能够应用于雷达健康管理领域，但不限于此领域。本发明基于振动传感器获取雷达转台的振动传感数据，利用大数据相关技术存储原始时域数据。通过快速傅立叶算法将时域数据转换成频域数据并存储。再对频域数据通过移动平均算法，获取雷达转台历史频域各个频率上的幅值均值。根据实验获得基于均值的门限值作为预警阈值，最终实现识别雷达运行状态异常，以及在什么频率段异常并及时给出预警，以此辅助雷达使用者判断雷达运行状态，提前制定维护策略，减少突发故障的出现。
Description
技术领域
本发明涉及雷达故障预警技术领域，具体涉及一种基于海量频域数据和移动平均法的雷达故障预警方法。
背景技术
目前，对于雷达系统的故障检测，主要是通过雷达系统故障模式、影响及危害性分析技术，该技术可以分析雷达系统可能的故障模式、故障原因及危害程度和影响，从而提供与故障检测、故障隔离、故障修复等有关的维修性和测试性设计及设计改进所需的信息。
但对大型的复杂雷达系统，故障的存在往往具有模糊性，例如，几种故障同时发生并相互诱发等。对于这种模糊现象，用传统的数学工具进行定量分析往往十分困难。
随着雷达信息化和大数据技术的发展，以及大数据技术和雷达健康管理系统的有机结合，有效地整合雷达使用阶段的数据资源，将雷达运转期间转台的振动数据作为其运行状态的特征数据存储，从而进行深度挖掘，并实现对雷达故障预警的目标，本发明提出了一种基于移动平均法和海量频域数据实现雷达故障预警的实施方法。
发明内容
本发明的目的在于提供一种基于海量频域数据和移动平均法的雷达故障预警方法，根据海量频域数据识别雷达运行状态异常，其次根据各个频率的幅值与依据历史各个频率的幅值得到的门限值作对比，可获知具体在什么频率段异常并及时给出预警，以此辅助雷达使用者判断雷达运行状态，提前制定维护策略，减少突发故障的出现。
本发明的目的可以通过以下技术方案实现：
一种基于海量频域数据和移动平均法的雷达故障预警方法，包括以下步骤:
步骤一：通过振动传感器收集雷达转台的振动数据；
步骤二：将步骤一中的收集的振动数据接入到消息中间件，从消息中间件存储到数据库，获得振动信号的时域数据；
步骤三：对存储到数据库的时域数据运用快速傅立叶算法转换成频域数据，并存储到数据库；
步骤四：对数据库中的频域数据每天做离线分析任务，基于当前时间之前的所有历史频域数据，先对各个频率下的历史幅值取均值，再对各频率点的幅值均值通过移动平均算法获得各个频率下移动平均幅值，并存储到数据库；
步骤五：取当前时间上一小时6个周期的各个频率的幅值，与步骤四中的各个频率的移动平均幅值的三倍作对比，若6个周期中有5个周期均大于门限值，则认为对应频率异常；
步骤六：将异常频率存储到数据库备份，同时发送给用户，帮助用户判别故障类型，以辅助设备维护。
作为本发明进一步的方案：步骤一中振动数据包括时间和信号幅值。
作为本发明进一步的方案：步骤三中时域数据的处理，包括以下步骤：
S1：每小时处理上1小时的时域数据，选取10分钟中的1个周期的时域数据；
S2：将S1中的时域数据经过快速傅立叶转换得到给个频率对应的幅值，以及对应周期的时间点，并按时间、频率和频率对应的幅值存储到数据库中，得到雷达转台振动特征的样本。
作为本发明进一步的方案：步骤四中频域数据的幅值是通过在单位时间内经快速傅立叶转换得到。
作为本发明进一步的方案：步骤一中通过消息中间件的设置能够控制和优化数据流经过系统的速度。
作为本发明进一步的方案：时域数据是用于描述信号在不同时刻取值的函数。
作为本发明进一步的方案：频域数据是用于信号的频率结构及频率与该频率信号幅度的函数。
本发明的有益效果：
本发明基于振动传感器获取雷达转台的振动传感数据，利用大数据相关技术存储原始时域数据，通过快速傅立叶算法将时域数据转换成频域数据并存储，再对频域数据通过移动平均算法，获取雷达转台历史频域各个频率上的幅值均值，根据实验获得基于均值的门限值作为预警阈值。最终实现识别雷达运行状态异常，以及频率段异常时给出预警，能够辅助雷达使用者判断雷达运行状态，提前制定维护策略，减少突发故障的出现，实用性强。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明流程图的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种基于海量频域数据和移动平均法的雷达故障预警方法，包括以下步骤:
步骤一：通过振动传感器收集雷达转台的振动数据；
其中，振动数据包含时间和信号幅值；
步骤二：将步骤一中的收集的振动数据接入到消息中间件，从消息中间件存储到数据库，获得振动信号的时域数据；
首先将时域数据接入到消息中间件中，有助于控制和优化数据流经过系统的速度，解决生产消息和消费消息的处理速度不一致的情况；
其次，能够根据需要将时域数据从消息中间件存储到数据库，为进一步数据分析提供数据；
步骤三：对存储到数据库的时域数据运用快速傅立叶算法(fft)转换成频域数据，并存储到数据库；
其中，时域数据的自变量是时间，即横轴是时间，纵轴是信号的变化，其动态信号是描述信号在不同时刻取值的函数；
其中，频域数据的自变量是频率，即横轴是频率，纵轴是该频率信号的幅度，形成频域图，频域图描述了信号的频率结构及频率与该频率信号幅度的关系；
由于对信号进行时域分析时，有时一些信号的时域参数相同，但并不能说明信号就完全相同，对信号进行频域分析，可以发现不同的故障表现在不同频率上的异常，因此对频域数据进行进一步挖掘分析，具体步骤如下：
S1：每小时处理上1小时的时域数据，选取10分钟中的1个周期的时域数据，如周期为4s，则从10分钟中选取4s进行快速傅立叶转换，则1小时有6个周期的频域数据；
S2：经过傅立叶转换转换可得到各个频率对应的幅值，以及对应周期的时间点，按时间，频率和频率对应的幅值存储到数据库中；
S3：按上述步骤，一天的频域数据有24*6＝144个周期，相当于选取这144个周期作为一天的雷达转台振动特征的样本；
步骤四：对数据库中的频域数据每天做离线分析任务，基于当前时间之前的所有历史频域数据，先对各个频率下的历史幅值取均值，再对各频率点的幅值均值通过移动平均算法获得各个频率下移动平均幅值，并存储到数据库；
其中频域数据的具体处理步骤为：
W1：表一中t表示各个周期时间，幅值是fft转换后取模获得的幅值，如对100Hz的历史幅值计算平均值，freq(100)表示频率100对应的幅值均值；
| t | 幅值 |
| 20210101000000 | y1 |
| 20210101001000 | y2 |
| 20210101002000 | y3 |
| 20210101003000 | y4 |
| 20210101004000 | y5 |
| 20210101005000 | y6 |
| ... | ... |
| tn | yn |
(表一)
freq(100)＝(y1+y2+...+yn)/n，以此类推，求出从0.25Hz到10000Hz对应的幅值均值；
W2：由于存在相近频率的幅值在不同周期存在漂移的现象，因此需要运用移动平均算法，将前后两个频率对应的幅值均值加上作为该频率的最终幅值均值，即：
freq(i)＝(freq(i-2)+freq(i-1)+freq(i)+freq(i+1)+freq(i+2))/5；
步骤五：取当前时间上一小时6个周期的各个频率的幅值，与步骤四中的各个频率的移动平均幅值的三倍作对比，若6个周期中有5个周期均大于门限值，则认为对应频率异常，雷达维护人员可参考该频率段查找具体故障；
步骤六：将异常频率存储到数据库备份，同时发送给用户，帮助用户判别故障类型，以辅助设备维护。
其中，步骤四中频域数据的幅值是通过在单位时间内经快速傅立叶转换得到。
其中，步骤一中通过消息中间件的设置能够控制和优化数据流经过系统的速度。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种基于海量频域数据和移动平均法的雷达故障预警方法，其特征在于，包括以下步骤:
步骤一：通过振动传感器收集雷达转台的振动数据；
步骤二：将步骤一中的收集的振动数据接入到消息中间件，从消息中间件存储到数据库，获得振动信号的时域数据；
步骤三：对存储到数据库的时域数据运用快速傅立叶算法转换成频域数据，并存储到数据库；
步骤四：对数据库中的频域数据每天做离线分析任务，基于当前时间之前的所有历史频域数据，先对各个频率下的历史幅值取均值，再对各频率点的幅值均值通过移动平均算法获得各个频率下移动平均幅值，并存储到数据库；
步骤五：取当前时间上一小时6个周期的各个频率的幅值，与步骤四中的各个频率的移动平均幅值的三倍作对比，若6个周期中有5个周期均大于门限值，则认为对应频率异常；
步骤六：将异常频率存储到数据库备份，同时发送给用户，帮助用户判别故障类型，以辅助设备维护。
2.根据权利要求1所述的一种基于海量频域数据和移动平均法的雷达故障预警方法,其特征在于，步骤一中振动数据包括时间和信号幅值。
3.根据权利要求1所述的一种基于海量频域数据和移动平均法的雷达故障预警方法,其特征在于，步骤三中时域数据的处理，包括以下步骤：
S1：每小时处理上1小时的时域数据，选取10分钟中的1个周期的时域数据；
S2：将S1中的时域数据经过快速傅立叶转换得到给个频率对应的幅值，以及对应周期的时间点，并按时间、频率和频率对应的幅值存储到数据库中，得到雷达转台振动特征的样本。
4.根据权利要求1所述的一种基于海量频域数据和移动平均法的雷达故障预警方法,其特征在于，步骤四中频域数据的幅值是通过在单位时间内经快速傅立叶转换得到。
5.根据权利要求1所述的一种基于海量频域数据和移动平均法的雷达故障预警方法,其特征在于，步骤二中通过消息中间件的设置能够控制和优化数据流经过系统的速度。
6.根据权利要求1所述的一种基于海量频域数据和移动平均法的雷达故障预警方法,其特征在于，时域数据是用于描述信号在不同时刻取值的函数。
7.根据权利要求1所述的一种基于海量频域数据和移动平均法的雷达故障预警方法,其特征在于，频域数据是用于信号的频率结构及频率与该频率信号幅度的函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111050851.3A CN113960541A (zh) | 2021-09-08 | 2021-09-08 | 一种基于海量频域数据和移动平均法的雷达故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111050851.3A CN113960541A (zh) | 2021-09-08 | 2021-09-08 | 一种基于海量频域数据和移动平均法的雷达故障预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113960541A true CN113960541A (zh) | 2022-01-21 |
Family
ID=79461015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111050851.3A Pending CN113960541A (zh) | 2021-09-08 | 2021-09-08 | 一种基于海量频域数据和移动平均法的雷达故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113960541A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118153824A (zh) * | 2024-05-10 | 2024-06-07 | 辽宁省送变电工程有限公司 | 一种铁塔基础冬季施工的绿色低碳智能养护方法及系统 |
-
2021
- 2021-09-08 CN CN202111050851.3A patent/CN113960541A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118153824A (zh) * | 2024-05-10 | 2024-06-07 | 辽宁省送变电工程有限公司 | 一种铁塔基础冬季施工的绿色低碳智能养护方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | An adaptive spectral kurtosis method and its application to fault detection of rolling element bearings | |
| Cui et al. | Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv | |
| Wang et al. | Theoretical and experimental investigations on spectral Lp/Lq norm ratio and spectral Gini index for rotating machine health monitoring | |
| Popescu et al. | Fault detection of rolling element bearings using optimal segmentation of vibrating signals | |
| Yang et al. | A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition | |
| Rodopoulos et al. | A parametric approach for the estimation of the instantaneous speed of rotating machinery | |
| CN109783903A (zh) | 一种基于时间序列的工业用水管道故障诊断方法及系统 | |
| CN104136896A (zh) | 用于获取旋转马达的振动信号的系统 | |
| CN113109051B (zh) | 基于振动数据极差序列的故障预警方法和系统 | |
| CN104380063A (zh) | 异常音检测系统 | |
| CN112648220A (zh) | 一种基于小波-近似熵的风机故障诊断方法 | |
| CN105741850A (zh) | 利用音频信号诊断机械设备的方法及装置 | |
| CN111999087A (zh) | 基于LabVIEW的振动筛在线状态监测方法 | |
| CN113960541A (zh) | 一种基于海量频域数据和移动平均法的雷达故障预警方法 | |
| Shi et al. | Purification and feature extraction of shaft orbits for diagnosing large rotating machinery | |
| CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
| Carratù et al. | A novel methodology for unsupervised anomaly detection in industrial electrical systems | |
| CN116576957A (zh) | 光缆外破预警界面的显示方法、装置、设备及存储介质 | |
| Shi et al. | A dual-guided adaptive decomposition method of fault information and fault sensitivity for multi-component fault diagnosis under varying speeds | |
| Betta et al. | A DSP-based FFT-analyzer for the fault diagnosis of rotating machine based on vibration analysis | |
| Iunusova et al. | Early fault diagnosis in rolling element bearings: comparative analysis of a knowledge-based and a data-driven approach | |
| Rajapaksha et al. | Acoustic analysis based condition monitoring of induction motors: A review | |
| CN111291918A (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
| CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
| CN1209611C (zh) | 旋转机械灵敏监测与数据存储方法 |
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 |