CN114626482A - 基于深度学习的有源数字阵列雷达实时故障诊断方法 - Google Patents
基于深度学习的有源数字阵列雷达实时故障诊断方法 Download PDFInfo
- Publication number
- CN114626482A CN114626482A CN202210322294.4A CN202210322294A CN114626482A CN 114626482 A CN114626482 A CN 114626482A CN 202210322294 A CN202210322294 A CN 202210322294A CN 114626482 A CN114626482 A CN 114626482A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- learning model
- array radar
- digital array
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于深度学习的有源数字阵列雷达实时故障诊断方法,涉及有源数字阵列雷达实时故障诊断技术领域,具体为基于深度学习的有源数字阵列雷达实时故障诊断方法,包括以下步骤:S1、获取有源数字阵列雷达整机和分系统历史观测数据,而历史观测数据为有源数字阵列雷达的历史工作状态数据、业务数据、机内自检数据;S2、采用有源数字阵列雷达整机和分系统历史观测数据构建训练集,对深度学习模型进行训练,得到该有源数字阵列雷达整机和分系统的故障深度学习模型。本发明可通过数据解析、剃野等方式处理有源数字阵列雷达数据,形成训练及测试数据集,实现有源数字阵列雷达历史数据库、与成熟软件算法平台。
Description
技术领域
本发明涉及有源数字阵列雷达实时故障诊断技术领域,具体为基于深度学习的有源数字阵列雷达实时故障诊断方法。
背景技术
随着信息技术的发展以及各国对先进有源数字阵列雷达的需求不断增长,有源数字阵列雷达装备的集成化和数字化程度越来越高,传统的故障诊断方法难以满足要求,有源数字阵列雷达一旦发生故障则后果十分严重。
1、信息化与集成化技术激增,传统的“障后保修”,“定期报修”等运维方式受限。长期以来,在有源数字阵列雷达服役阶段,一个团级单位可能列装有20余部有源数字阵列雷达,而真正具有维修能力的维修人员只有2-3人,即使完全达到操作标准的维修人员也只能发现问题和解决一般性的问题,因此只能依赖于生产厂商专家随队保障,其维修经费大幅增长。为了保证有源数字阵列雷达及时准确完成任务运行,还要组建包括各分系统运维人员在内的庞大地面工作组;
2、有源数字阵列雷达故障关联关系非常复杂。随着有源数字阵列雷达复杂程度增加,反映系统运行机理和状态的数据具有强烈的不确定性和非线性特征,无法依靠传统方法建立精确的物理模型进行管理监控,故障诊断难度增大,需要构建表征能力更强的故障诊断模型;
3、有源数字阵列雷达服役下的计算环境具有严苛的性能、可靠性需求。当前有源数字阵列雷达计算能力有限,内存空间不足,制约了复杂的故障诊断算法的应用;同时,有源数字阵列雷达服役计算环境的实时性、高可靠性要求,对有源数字阵列雷达故障诊断准确率具有较高的要求;
4、有源数字阵列雷达故障数据属于小样本识别问题;现在有源数字阵列雷达故障识别方法主要是利用先验知识和专家知识对故障进行特征提取和训练分类;由于特定故障的数据获取困难、代价巨大,现有的故障识别方法大多建立在对少量有类标数据学习的基础上,属于小样本识别,这些因素在一定程度上制约了传统方法的准确性和泛化性。
发明内容
针对现有技术的不足,本发明提供了基于深度学习的有源数字阵列雷达实时故障诊断方法,解决了上述背景技术中提出的问题。
为实现以上目的,本发明通过以下技术方案予以实现:基于深度学习的有源数字阵列雷达实时故障诊断方法,包括以下步骤:
S1、获取有源数字阵列雷达整机和分系统历史观测数据,而历史观测数据为有源数字阵列雷达的历史工作状态数据、业务数据、机内自检数据;
S2、采用有源数字阵列雷达整机和分系统历史观测数据构建训练集,对深度学习模型进行训练,得到该有源数字阵列雷达整机和分系统的故障深度学习模型;
S3、采用有源数字阵列雷达故障深度学习模型对实时采集的工作观测数据进行预测,得到下一个时间序列的预测结果;
S4、将下一个时间序列的实际测量数据与预测结果通过最小均方误差进行计算,得到真实值与预测值之间的误差;
S5、判断真实值与预测值之间的误差是否满足预设的阀值范围,满足,则进行故障诊断程序;否则,重复步骤S3~S5。
可选的,所述步骤S3的具体训练方法为:
S31、建立基于时间序列的深度学习模型,其中,深度学习模型可采用自定义batch方法对训练数据进行训练,所述基于时间序列的深度学习模型包括第一个LSTM层、第一个Dropout层、第二个LSTM层、第三个LSTM层、第二个Dropout层和全连接层;
S32、初始化基于时间序列的深度学习模型内各层输入维度、神经元个数、第一个Dropout层和第二个Dropout层的数据抛弃率;所述输入维度为M×N,其中,M为基于时间序列的深度学习模型滑动窗口大小,N为整机或者分系统的观测数据的特征属性;滑动窗口大小取为有源数字阵列雷达整机和分系统特征的变化周期;神经元个数取为滑动窗口大小的整数倍;
S33、采用基于时间序列的深度学习算法,循环将训练集数据输入到深度学习模型,深度学习模型按照用户自定义模式设置激活函数、优化函数、隐层节点数,验证数据分割比,训练批次,每批数据量对训练数据进行学习,得到各层的权重、偏执和深度学习模型的输出数据,将深度学习模型的输出数据与实际数据进行比较,并统计两者的最小均方误差值,直到执行完预设的循环次数,其中,训练集内的数据为无故障标签数据;数据特征权重可采用动态方法进行调整,初始设置学习率为常值,当多次循环均方误差值始终保持在一定的范围内不变时,得到拟合模型;
S34、当最小均方误差值超过预设的模型误差阈值时,调整学习率,重新执行步骤S33~S34,直到最小均方误差值小于预设的模型误差阈值,从而确定基于时间序列的深度学习模型。
基于深度学习的有源数字阵列雷达实时故障诊断方法,还包括以下步骤:
S35、将验证集数据输入到步骤S34确定的基于时间序列的深度学习模型,将深度学习模型的输出数据与实际数据进行比较,并统计两者的均方误差值;
S36、当步骤S35得到的均方误差值大于预设的模型误差阈值,则认为步骤S34确定的基于时间序列的深度学习模型过拟合,调整学习率,重新执行步骤S33~S35,否则,将步骤S34确定的基于时间序列的深度学习模型确定为最终的深度学习模型。
可选的,所述雷达整机和分系统观测数据为经过预处理之后的历史工作状态数据、业务数据、机内自检数据;预处理的方法为:归一化和预编码两种方法,归一化采用最大最小值归一化方法,使参数的值都集中分布在0-1之间,对于枚举型的参数,统一采用one-hot编码方式归一化。
基于深度学习的有源数字阵列雷达实时故障诊断系统,包括用户操作管理模块、数据管理模块、算法执行引擎、数据集和已训练模型库;
数据集即每个有源数字阵列雷达整机或者分系统的历史工作状态数据、业务数据、机内自检数据,并对其进行数据抽取和剔野处理,将处理后的历史工作状态数据、业务数据、机内自检数据再经过归一化或者预编码,存储至相应的训练数据集或者测试数据集;
用户操作管理模块,接收外部用户手动输入的训练或者测试指令;当指令为模型定义时,设置深度学习模型配置参数,发送模型参数至算法执行引擎;当指令为训练指令时,将用户指定的训练数据集发送给数据管理模块;当指令为预测指令时,将用户指定的测试数据集发送给数据管理模块;
数据管理模块,根据接收到的训练数据集信息字段或者测试数据集信息字段,从数据集库中自动读取训练数据或者测试数据,将训练数据或者测试数据发送给算法执行引擎;
算法执行引擎,当训练时,根据初始化的基于时间序列的深度学习模型参数,调用自定义的相关训练函数,构建有源数字阵列雷达故障深度学习模型,循环获取训练数据,并执行自定义的训练函数,直到完成训练过程,确定有源数字阵列雷达故障深度学习模型,将确定后的有源数字阵列雷达故障深度学习模型保存到已训练模型库中;当进行预测操作时,根据预测模型选择指令,从已训练模型库中挑选出相应的模型,获取预测数据集,并运用已训练模型进行预测,得到预测结果,供用户判决。
可选的,所述模型架构包括第一个LSTM层、第一个Dropout层、第二个LSTM层、第三个LSTM层、第二个Dropout层和全连接层。
可选的,所述步骤S2中的深度学习模型具体训练方法为:
S21、初始化基于时间序列的深度学习模型第一个Dropout层和第二个Dropout层的数据抛弃率,各层输入维度;所述输入维度为M×N,其中,M为基于时间序列的深度学习模型滑动窗口大小,N为有源数字阵列雷达整机或者分系统的观测数据的特征属性;滑动窗口大小取为有源数字阵列雷达整机和分系统特征的变化周期;
S22、读取用户自定义参数包括:训练函数,验证集分割比,训练批数,神经元个数;所述神经元个数取为滑动窗口大小的整数倍;
S23、采用基于时间序列的深度学习算法,循环将训练集数据输入到深度学习模型,深度学习模型按照预设的学习率对训练数据进行学习训练,得到各层的权重、偏执和深度学习模型的输出数据,将深度学习模型的输出数据与实际数据进行比较,并统计两者的最小均方误差值,直到执行完预设的循环次数;
S24、当最小均方误差值超过预设的模型误差阈值时,调整模型参数,重新执行步骤S22~S23,直到最小均方误差值小于预设的模型误差阈值,从而确定基于时间序列的深度学习模型。
可选的,所述数据集还包括验证数据集。
深度学习模型具体训练方法还包括如下步骤:
S25、将验证集数据输入到步骤S4确定的基于时间序列的深度学习模型,将深度学习模型的输出数据与实际数据进行比较,并统计两者的均方误差值;
S26、当步骤S25得到的均方误差值大于预设的模型误差阈值,则认为步骤S24确定的基于时间序列的深度学习模型欠拟合,调整模型参数,重新执行步骤S22~S26,反之,将步骤S4确定的基于时间序列的深度学习模型确定为最终的深度学习模型。
可选的,确定后的有源数字阵列雷达故障深度学习模型采用H5格式进行存储。
本发明提供了基于深度学习的有源数字阵列雷达实时故障诊断方法,具备以下有益效果:
本发明采用LSTM算法,对有源数字阵列雷达部件、分系统的关键指标的变化规律进行预测,通过预测的结果与实际发生结果的差异来对故障情况进行识别,还可通过加强对非故障工况数据的学习,来反向推演故障数据,可用于解决有源数字阵列雷达故障数据少,分类标签不全的问题。
本发明采用了LSTM算法,对有源数字阵列雷达整机或分系统的历史工作状态数据、业务数据、以及机内自检数据序列进行学习,基于上述采集信号变化规律的内在关联,实现了基于多参数历史数据变化规律的拟合。
本发明搭建了基于有源数字阵列雷达历史数据的算法研发平台,通过数据解析、剃野等方式处理有源数字阵列雷达数据,形成训练及测试数据集,实现有源数字阵列雷达历史数据库、与成熟软件算法平台。
附图说明
图1为本发明的有源数字阵列雷达实时故障诊断机器学习算法研发平台架构图;
图2为本发明的有源数字阵列雷达实时故障诊断机器学习软件实体图。
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。
1、有源数字阵列雷达系统搭建
本发明提供了一种基于深度学习的有源数字阵列雷达实时故障诊断系统,该系统采用比较流行的Keras2.3.1版本结合TensorFlow2.0.0版本为机器学习平台,对上提供Python语言进行算法模型开发。
如图1和图2所示,基于深度学习的有源数字阵列雷达实时故障诊断系统,包括用户操作管理模块、数据管理模块、算法执行引擎、数据集和已训练模型库;
数据集即每个有源数字阵列雷达整机或者分系统的历史工作状态数据、业务数据、机内自检数据,并对其进行数据抽取和剔野处理,将处理后的历史工作状态数据、业务数据、机内自检数据再经过归一化或者预编码,存储至相应的训练数据集或者测试数据集,其中,数据集还包括验证数据集;
用户操作管理模块,接收外部用户手动输入的训练或者测试指令;当指令为模型定义时,设置深度学习模型配置参数,发送模型参数至算法执行引擎;当指令为训练指令时,将用户指定的训练数据集发送给数据管理模块;当指令为预测指令时,将用户指定的测试数据集发送给数据管理模块;
数据管理模块,根据接收到的训练数据集信息字段或者测试数据集信息字段,从数据集库中自动读取训练数据或者测试数据,将训练数据或者测试数据发送给算法执行引擎;
算法执行引擎,当训练时,根据初始化的基于时间序列的深度学习模型参数,调用自定义的相关训练函数,构建有源数字阵列雷达故障深度学习模型,循环获取训练数据,并执行自定义的训练函数,直到完成训练过程,确定有源数字阵列雷达故障深度学习模型,将确定后的有源数字阵列雷达故障深度学习模型保存到已训练模型库中;当进行预测操作时,根据预测模型选择指令,从已训练模型库中挑选出相应的模型,获取预测数据集,并运用已训练模型进行预测,得到预测结果,供用户判决。
已训练模型库主要实现对训练后的模型进行统一的版本管理,训练后的模型采用H5格式进行存储;该算法执行引擎基于Keras2.3.1版本结合TensorFlow2.0.0版本框架的软件算法原型开发。
Keras2.3.1版本框架和TensorFlow2.0.0版本框架把各个深度学习的网络层次封装成为独立的模块,通过调取框架的API接口,可快速实现神经网络搭建;例如,一个学习网络由LSTM层、Dropout层、Softmax层组成,需要通过API接口明确构建该三个层次,并明确输入输出的维度,明确损失函数和优化函数等深度学习所需参数即可。
2、故障诊断算法原型
本发明提及的故障诊断算法主要基于有源数字阵列雷达的整机和分系统的数据进行分析,输入数据是整机或分系统的硬件传感器采集数据,例如,电压、电流、温度、开关状态等。输出数据为上层应用的关键输入指标,例如,温度传感器对上层软件的输出、射频参数指标等。本发明算法原型的形成过程主要包括训练和预测两个过程。训练过程主要采用训练集数据对深度学习模型各层的权重和偏执进行训练,当故障预测的结果与实际获得结果的均方误差小于预定误差值后,可以当前深度学习的训练过程已经完成。预测过程即通过训练后的算法对当前数据进行预测,用户即可判断故障此时是否发生。
算法原型的实施主要包括如下要点:
由于是基于历史数据预测值与实际观测值的误差来判断故障,数据集主要基于非故障工况的有源数字阵列雷达工作训练数据及测试数据。数据集在训练过程中被分为训练集、验证集和测试集,三个数据相分离。在训练过程中,通过训练集来对算法进行训练;通过验证集实现交叉验证,检测训练过程是否欠(过)拟合;通过测试集验证算法训练的实际效果。
3、有源数字阵列雷达实时故障诊断方法
基于上述有源数字阵列雷达实时故障诊断方法,本发明提供一种技术方案:基于深度学习的有源数字阵列雷达实时故障诊断方法,包括以下步骤:
S1、获取有源数字阵列雷达整机和分系统历史观测数据,历史观测数据为有源数字阵列雷达的历史工作状态数据、业务数据、机内自检数据;雷达整机和分系统观测数据为经过预处理之后的历史工作状态数据、业务数据、机内自检数据;预处理的方法为:归一化和预编码两种方法,归一化采用最大最小值归一化方法,使参数的值都集中分布在0-1之间,对于枚举型的参数,统一采用one-hot编码方式归一化;
S2、采用有源数字阵列雷达整机和分系统历史观测数据构建训练集,对深度学习模型进行训练,得到该有源数字阵列雷达整机和分系统的故障深度学习模型;
S21、初始化基于时间序列的深度学习模型第一个Dropout层和第二个Dropout层的数据抛弃率,各层输入维度;所述输入维度为M×N,其中,M为基于时间序列的深度学习模型滑动窗口大小,N为有源数字阵列雷达整机或者分系统的观测数据的特征属性;滑动窗口大小取为有源数字阵列雷达整机和分系统特征的变化周期;
S22、读取用户自定义参数包括:训练函数,验证集分割比,训练批数,神经元个数;所述神经元个数取为滑动窗口大小的整数倍;
S23、采用基于时间序列的深度学习算法,循环将训练集数据输入到深度学习模型,深度学习模型按照预设的学习率对训练数据进行学习训练,得到各层的权重、偏执和深度学习模型的输出数据,将深度学习模型的输出数据与实际数据进行比较,并统计两者的最小均方误差值,直到执行完预设的循环次数;
S24、当最小均方误差值超过预设的模型误差阈值时,调整模型参数,重新执行步骤S22~S23,直到最小均方误差值小于预设的模型误差阈值,从而确定基于时间序列的深度学习模型;
S25、将验证集数据输入到步骤S24确定的基于时间序列的深度学习模型,将深度学习模型的输出数据与实际数据进行比较,并统计两者的均方误差值;
S26、当步骤S25得到的均方误差值大于预设的模型误差阈值,则认为步骤S24确定的基于时间序列的深度学习模型欠拟合,调整模型参数,重新执行步骤S22~S26,反之,将步骤S24确定的基于时间序列的深度学习模型确定为最终的深度学习模型;
S3、采用有源数字阵列雷达故障深度学习模型对实时采集的工作观测数据进行预测,得到下一个时间序列的预测结果;
S31、建立基于时间序列的深度学习模型,其中,深度学习模型可采用自定义batch方法对训练数据进行训练,所述基于时间序列的深度学习模型包括第一个LSTM层、第一个Dropout层、第二个LSTM层、第三个LSTM层、第二个Dropout层和全连接层;
S32、初始化基于时间序列的深度学习模型内各层输入维度、神经元个数、第一个Dropout层和第二个Dropout层的数据抛弃率;所述输入维度为M×N,其中,M为基于时间序列的深度学习模型滑动窗口大小,N为整机或者分系统的观测数据的特征属性;滑动窗口大小取为有源数字阵列雷达整机和分系统特征的变化周期;神经元个数取为滑动窗口大小的整数倍;
S33、采用基于时间序列的深度学习算法,循环将训练集数据输入到深度学习模型,深度学习模型按照用户自定义模式设置激活函数、优化函数、隐层节点数,验证数据分割比,训练批次,每批数据量对训练数据进行学习,得到各层的权重、偏执和深度学习模型的输出数据,将深度学习模型的输出数据与实际数据进行比较,并统计两者的最小均方误差值,直到执行完预设的循环次数,其中,训练集内的数据为无故障标签数据;数据特征权重可采用动态方法进行调整,初始设置学习率为常值,当多次循环均方误差值始终保持在一定的范围内不变时,得到拟合模型;
S34、当最小均方误差值超过预设的模型误差阈值时,调整学习率,重新执行步骤S33~S34,直到最小均方误差值小于预设的模型误差阈值,从而确定基于时间序列的深度学习模型。
S35、将验证集数据输入到步骤S34确定的基于时间序列的深度学习模型,将深度学习模型的输出数据与实际数据进行比较,并统计两者的均方误差值;
S36、当步骤S35得到的均方误差值大于预设的模型误差阈值,则认为步骤S34确定的基于时间序列的深度学习模型过拟合,调整学习率,重新执行步骤S33~S35,否则,将步骤S34确定的基于时间序列的深度学习模型确定为最终的深度学习模型;
S4、将下一个时间序列的实际测量数据与预测结果通过最小均方误差进行计算,得到真实值与预测值之间的误差;
S5、判断真实值与预测值之间的误差是否满足预设的阀值范围,满足,则进行故障诊断程序;否则,重复步骤S3~S5。
基于时间序列的深度学习算法,输入数据为某一时刻之前n时间序列的相关数据,在本发明某一实施例中,滑动窗口大小为10个时间序列数据,10个时间序列数据中,通过前10个时间序列数据的值作为输入,第11个时间序列数据为输出。
在本发明某一实施例中,LSTM层统一采用用户自定义的优化算法进行梯度下降学习(调整权值方法),神经源个数初始值也是用户自定义形式。Dropout层采用0.2(0~1)作为初始数据抛弃率的初始值;算法误差函数采用均方误差计算方法;在训练模型参数设置中,采用自定义epoch个数和batch的方法对模型进行训练。
4、故障诊断模型的应用
本发明所提供的深度学习模型以现场可更换单元级T/R组件的威力、脉冲宽度、发射功率、天线收发增益、工作频率等数据为输入,对T/R组件的威力数据进行拟合,通过对T/R组件威力的预测,检测T/R组件威力不稳故障。
本发明通过学习有源数字阵列雷达射频分系统工作参数,对数字阵列雷达T/R组件输出的威力不稳故障进行诊断。通过观测发现,T/R组件在运行过程中出现了短暂的威力不稳故障,大规模T/R组件威力不稳故障可以造成有源数字阵列雷达射频系统故障。通过本发明算法能够有效地对故障数据进行判断。
通过不断的训练学习后,形成较稳定的故障诊断模型。基于该模型,研制战备状态下的有源数字阵列雷达故障诊断任务,并对其进行维护操作,提升有源数字阵列雷达的自主健康管理能力,完善其故障诊断机制,减少运维的成本与压力。
以上,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于深度学习的有源数字阵列雷达实时故障诊断方法,包括以下步骤:
S1、获取有源数字阵列雷达整机和分系统历史观测数据,而历史观测数据为有源数字阵列雷达的历史工作状态数据、业务数据、机内自检数据;
S2、采用有源数字阵列雷达整机和分系统历史观测数据构建训练集,对深度学习模型进行训练,得到该有源数字阵列雷达整机和分系统的故障深度学习模型;
S3、采用有源数字阵列雷达故障深度学习模型对实时采集的工作观测数据进行预测,得到下一个时间序列的预测结果;
S4、将下一个时间序列的实际测量数据与预测结果通过最小均方误差进行计算,得到真实值与预测值之间的误差;
S5、判断真实值与预测值之间的误差是否满足预设的阀值范围,满足,则进行故障诊断程序;否则,重复步骤S3~S5。
2.根据权利要求1所述的基于深度学习的有源数字阵列雷达实时故障诊断方法,其特征在于,所述步骤S3的具体训练方法为:
S31、建立基于时间序列的深度学习模型,其中,深度学习模型可采用自定义batch方法对训练数据进行训练,所述基于时间序列的深度学习模型包括第一个LSTM层、第一个Dropout层、第二个LSTM层、第三个LSTM层、第二个Dropout层和全连接层;
S32、初始化基于时间序列的深度学习模型内各层输入维度、神经元个数、第一个Dropout层和第二个Dropout层的数据抛弃率;所述输入维度为M×N,其中,M为基于时间序列的深度学习模型滑动窗口大小,N为整机或者分系统的观测数据的特征属性;滑动窗口大小取为有源数字阵列雷达整机和分系统特征的变化周期;神经元个数取为滑动窗口大小的整数倍;
S33、采用基于时间序列的深度学习算法,循环将训练集数据输入到深度学习模型,深度学习模型按照用户自定义模式设置激活函数、优化函数、隐层节点数,验证数据分割比,训练批次,每批数据量对训练数据进行学习,得到各层的权重、偏执和深度学习模型的输出数据,将深度学习模型的输出数据与实际数据进行比较,并统计两者的最小均方误差值,直到执行完预设的循环次数,其中,训练集内的数据为无故障标签数据;数据特征权重可采用动态方法进行调整,初始设置学习率为常值,当多次循环均方误差值始终保持在一定的范围内不变时,得到拟合模型;
S34、当最小均方误差值超过预设的模型误差阈值时,调整学习率,重新执行步骤S33~S34,直到最小均方误差值小于预设的模型误差阈值,从而确定基于时间序列的深度学习模型。
3.根据权利要求2所述的基于深度学习的有源数字阵列雷达实时故障诊断方法,其特征在于还包括以下步骤:
S35、将验证集数据输入到步骤S34确定的基于时间序列的深度学习模型,将深度学习模型的输出数据与实际数据进行比较,并统计两者的均方误差值;
S36、当步骤S35得到的均方误差值大于预设的模型误差阈值,则认为步骤S34确定的基于时间序列的深度学习模型过拟合,调整学习率,重新执行步骤S33~S35,否则,将步骤S34确定的基于时间序列的深度学习模型确定为最终的深度学习模型。
4.根据权利要求2所述的基于深度学习的有源数字阵列雷达实时故障诊断方法,其特征在于,所述雷达整机和分系统观测数据为经过预处理之后的历史工作状态数据、业务数据、机内自检数据;预处理的方法为:归一化和预编码两种方法,归一化采用最大最小值归一化方法,使参数的值都集中分布在0-1之间,对于枚举型的参数,统一采用one-hot编码方式归一化。
5.基于深度学习的有源数字阵列雷达实时故障诊断系统,其特征在于,包括用户操作管理模块、数据管理模块、算法执行引擎、数据集和已训练模型库;
数据集即每个有源数字阵列雷达整机或者分系统的历史工作状态数据、业务数据、机内自检数据,并对其进行数据抽取和剔野处理,将处理后的历史工作状态数据、业务数据、机内自检数据再经过归一化或者预编码,存储至相应的训练数据集或者测试数据集;
用户操作管理模块,接收外部用户手动输入的训练或者测试指令;当指令为模型定义时,设置深度学习模型配置参数,发送模型参数至算法执行引擎;当指令为训练指令时,将用户指定的训练数据集发送给数据管理模块;当指令为预测指令时,将用户指定的测试数据集发送给数据管理模块;
数据管理模块,根据接收到的训练数据集信息字段或者测试数据集信息字段,从数据集库中自动读取训练数据或者测试数据,将训练数据或者测试数据发送给算法执行引擎;
算法执行引擎,当训练时,根据初始化的基于时间序列的深度学习模型参数,调用自定义的相关训练函数,构建有源数字阵列雷达故障深度学习模型,循环获取训练数据,并执行自定义的训练函数,直到完成训练过程,确定有源数字阵列雷达故障深度学习模型,将确定后的有源数字阵列雷达故障深度学习模型保存到已训练模型库中;当进行预测操作时,根据预测模型选择指令,从已训练模型库中挑选出相应的模型,获取预测数据集,并运用已训练模型进行预测,得到预测结果,供用户判决。
6.根据权利要求8所述的基于深度学习的有源数字阵列雷达实时故障诊断系统,其特征在于:所述模型架构包括第一个LSTM层、第一个Dropout层、第二个LSTM层、第三个LSTM层、第二个Dropout层和全连接层。
7.根据权利要求1所述的基于深度学习的有源数字阵列雷达实时故障诊断方法,其特征在于,所述步骤S2中的深度学习模型具体训练方法为:
S21、初始化基于时间序列的深度学习模型第一个Dropout层和第二个Dropout层的数据抛弃率,各层输入维度;所述输入维度为M×N,其中,M为基于时间序列的深度学习模型滑动窗口大小,N为有源数字阵列雷达整机或者分系统的观测数据的特征属性;滑动窗口大小取为有源数字阵列雷达整机和分系统特征的变化周期;
S22、读取用户自定义参数包括:训练函数,验证集分割比,训练批数,神经元个数;所述神经元个数取为滑动窗口大小的整数倍;
S23、采用基于时间序列的深度学习算法,循环将训练集数据输入到深度学习模型,深度学习模型按照预设的学习率对训练数据进行学习训练,得到各层的权重、偏执和深度学习模型的输出数据,将深度学习模型的输出数据与实际数据进行比较,并统计两者的最小均方误差值,直到执行完预设的循环次数;
S24、当最小均方误差值超过预设的模型误差阈值时,调整模型参数,重新执行步骤S22~S23,直到最小均方误差值小于预设的模型误差阈值,从而确定基于时间序列的深度学习模型。
8.根据权利要求5所述的基于深度学习的有源数字阵列雷达实时故障诊断系统,其特征在于:所述数据集还包括验证数据集。
9.根据权利要求7所述的基于深度学习的有源数字阵列雷达实时故障诊断方法,其特征在于,所述深度学习模型具体训练方法还包括如下步骤:
S25、将验证集数据输入到步骤S4确定的基于时间序列的深度学习模型,将深度学习模型的输出数据与实际数据进行比较,并统计两者的均方误差值;
S26、当步骤S25得到的均方误差值大于预设的模型误差阈值,则认为步骤S24确定的基于时间序列的深度学习模型欠拟合,调整模型参数,重新执行步骤S22~S26,反之,将步骤S4确定的基于时间序列的深度学习模型确定为最终的深度学习模型。
10.根据权利要求5所述的基于深度学习的有源数字阵列雷达实时故障诊断方法,其特征在于确定后的有源数字阵列雷达故障深度学习模型采用H5格式进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322294.4A CN114626482A (zh) | 2022-03-30 | 2022-03-30 | 基于深度学习的有源数字阵列雷达实时故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322294.4A CN114626482A (zh) | 2022-03-30 | 2022-03-30 | 基于深度学习的有源数字阵列雷达实时故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114626482A true CN114626482A (zh) | 2022-06-14 |
Family
ID=81903308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210322294.4A Pending CN114626482A (zh) | 2022-03-30 | 2022-03-30 | 基于深度学习的有源数字阵列雷达实时故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626482A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272118A (zh) * | 2023-11-17 | 2023-12-22 | 成都天奥集团有限公司 | 一种t/r组件健康状态预测方法、系统、设备和介质 |
-
2022
- 2022-03-30 CN CN202210322294.4A patent/CN114626482A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272118A (zh) * | 2023-11-17 | 2023-12-22 | 成都天奥集团有限公司 | 一种t/r组件健康状态预测方法、系统、设备和介质 |
CN117272118B (zh) * | 2023-11-17 | 2024-02-13 | 成都天奥集团有限公司 | 一种t/r组件健康状态预测方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Coble et al. | Applying the general path model to estimation of remaining useful life | |
CN111124840A (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN109240274B (zh) | 一种基于高阶相关性的工业过程故障诊断方法 | |
CN112910859B (zh) | 基于c5.0决策树和时序分析的物联网设备监测预警方法 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN112763967B (zh) | 一种基于BiGRU的智能电表计量模块故障预测与诊断方法 | |
CN111767657B (zh) | 一种核动力系统故障诊断方法和系统 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN114925536A (zh) | 机载系统phm测试性建模与诊断策略优化方法和装置 | |
CN116340796A (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN114626482A (zh) | 基于深度学习的有源数字阵列雷达实时故障诊断方法 | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
CN111143835B (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
CN108459933A (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
CN109242008B (zh) | 一种样本类别不完备条件下的复合故障识别方法 | |
CN116108371A (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
CN104568256A (zh) | 发动机扭矩检测系统及方法 | |
CN114936614A (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN115047853A (zh) | 基于递推规范变量残差和核主元分析的微小故障检测方法 | |
CN110060374B (zh) | 一种飞机燃油系统异常检测方法及装置 | |
Xiao-Xu et al. | An intelligent inspection robot of power distribution network based on image automatic recognition system |
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 |