阅读说明：本技术 基于时序重构的雷达故障诊断方法 (Radar fault diagnosis method based on time sequence reconstruction ) 是由 刘井泉 解光耀 曾聿赟 张昊宇 刘正藩 秦楚晴 杨辉 于 2019-10-16 设计创作，主要内容包括：本发明公开了一种基于时序重构的雷达故障诊断方法,包括以下步骤：利用气象雷达系统的发射机分系统的历史状态数据和报警数据,以报警数据做标签,使用逐步回归法提取与发射机分系统故障相关的特征参数共n个,若特征参数发生显著变化,则发射机的健康状态发生变化；取特征参数中的相关系数最大的特征参数y作为重构模型的重构参数目标,使用长短时记忆网络LSTM模型搭建重构模型,利用除y以外的特征参数共n-1个对y进行拟合重构,得到重构值<Image he="65" wi="50" file="DDA0002235356960000011.GIF" imgContent="drawing" imgFormat="GIF" orientation="portrait" inline="no"></Image>对重构值<Image he="51" wi="31" file="DDA0002235356960000012.GIF" imgContent="drawing" imgFormat="GIF" orientation="portrait" inline="no"></Image>和实测值y的差值做基于概率的量化标准；对量化结果做时间区间统计,滤除误报警,得到最终诊断结果。(The invention discloses a radar fault diagnosis method based on time sequence reconstruction, which comprises the following steps: the method comprises the steps that historical state data and alarm data of a transmitter subsystem of a meteorological radar system are utilized, the alarm data are used as labels, a stepwise regression method is used for extracting n characteristic parameters related to faults of the transmitter subsystem, and if the characteristic parameters are remarkably changed, the health state of the transmitter is changed; taking the characteristic parameter y with the maximum correlation coefficient in the characteristic parameters as a reconstruction parameter target of a reconstruction model, building the reconstruction model by using a long-term memory network (LSTM) model, and performing fitting reconstruction on y by using n-1 characteristic parameters except y to obtain a reconstruction value For the reconstructed value Making a probability-based quantization standard for the difference value of the measured value y and the measured value y; the time interval statistics is carried out on the quantization result,and filtering false alarms to obtain a final diagnosis result.)

基于时序重构的雷达故障诊断方法

技术领域

本发明属于雷达系统技术领域，具体涉及一种基于时序重构的雷达故障诊断方法。

背景技术

目前使用中的自然气象雷达系统是一个比较复杂的电子系统，且各个电子参数之间没有物理联系，因此故障体现的电子参数间无物理联系，使得无法利用传统的专家经验对自然气象雷达系统进行故障诊断和预测。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于时序重构的雷达故障诊断方法。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于时序重构的雷达故障诊断方法，包括以下步骤：

利用气象雷达系统的发射机分系统的历史状态数据和报警数据，以报警数据做标签，使用逐步回归法提取与发射机分系统故障相关的特征参数共n个，若特征参数发生显著变化，则发射机的健康状态发生变化；

取特征参数中的相关系数最大的特征参数y作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，利用除y以外的特征参数共n-1个对y进行拟合重构，得到重构值

对重构值和实测值y的差值做基于概率的量化标准；

对量化结果做时间区间统计，滤除误报警，得到最终诊断结果。

优选地，所述对重构值

和实测值y的差值做基于概率的量化标准进一步包括：

分析实测值y的分布情况，有多个运行状态，则为多个高斯分布的叠加；

假设预测值和测量值独立，若预测值服从一高斯分布，假设雷达运行状态正常，则测量值也应当服从此高斯分布，两者的差值服从N(0,2σ^2)分布；

对差值的概率进行归一化处理，得到最终的量化结果：

预测值等于测量值，则η＝1，预测值越偏离测量值，η越接近于0。

优选地，对量化结果做时间区间统计，滤除误报警，得到最终诊断结果进一步包括：

设置概率判定阈值η₀，η＜η₀认为发射机出现故障状态点；

以m个连续时间点做时间区间统计，故障状态点大于0.3m，认为出现故障。

优选地，所述逐步回归法为向前引入法，具体为：首先模型中只加入一个单独解释因变量变异最大的自变量，随后尝试将加入另一自变量，检查整个模型所能解释的因变量变异是否显著增加，反复迭代至没有自变量再符合加入模型的条件。

优选地，所述逐步回归法为向后剔除法，具体为：将所有变量均放入模型，之后尝试将其中一个自变量从模型中剔除，检查整个模型解释因变量的变异是否有显著变化，将使解释量减少最少的变量剔除；反复迭代至没有自变量符合剔除的条件。

优选地，所述逐步回归法为双向剔除法，具体为：首先模型中加入一个单独解释因变量变异最大的自变量，随后尝试加入另一个自变量，对整个模型中的所有变量进行检验，若因变量有显著增加则保留该自变量并剔除作用不显著的变量，反复迭代至最终得到一个最优的变量组合。

优选地，使用长短时记忆网络LSTM模型搭建重构模型的过程为：

忘记门Γ_f读取上一个细胞的非线性激活a^<t-1>和当前LSTM单元的输入数据x^<t>，输出一个在0到1之间的数值给每个在LSTM单元状态c^<t-1>中的数字，其中1表示“完全保留”，0表示“完全舍弃”；

输入门Γ_u为sigmoid层，用于决定需要更新的值，使用tanh层创建一个新的候选值向量

，更新的向量C^<t>由输入门和忘记门共同决定；

输出门Γ_o决定输出值，运行sigmoid层Γ来确定LSTM单元状态的哪个部分将输出出去，把单元状态C^<t>通过tanh进行处理得到一个在-1到1之间的值，并将它和输出门Γ_o的输出相乘，最终输出确定输出的部分。

采用本发明具有如下的有益效果：针对自然气象雷达系统的发射机分系统故障，进行故障诊断，能够***可能发生故障，进行预报警，并且能够对现有雷达频繁无效报警的情况滤除虚警。

附图说明

图1为本发明实施例的基于时序重构的雷达故障诊断方法的步骤流程图；

图2为本发明实施例的基于时序重构的雷达故障诊断方法的运行状态为多个高斯分布的叠加的结构示意图；

图3为本发明实施例的基于时序重构的雷达故障诊断方法的LSTM算法流程示意图；

图4为本发明实施例的基于时序重构的雷达故障诊断方法的LSTM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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，所示为本发明实施的一种基于时序重构的雷达故障诊断方法的步骤流程图，其包括以下步骤：

S10，利用雷达发射机分系统的历史状态数据和报警数据，以报警数据做标签，使用逐步回归法提取与发射机分系统故障相关的特征参数共n个，认为如果特征参数发生了显著变化，则发射机的健康状态发生了变化，因为特征参数即从系统的状态变量中提取的关键信息，这些关键信息能够准确代表系统的状态，如果系统的运行状态发生了改变，那么直接体现在状态变量的变化上，特征参数则是将这些变化更显著的表现出来。

历史状态数据可以包括历史年度的全国各个站点的雷达状态数据，每隔一段时间采集一个数据点，每个数据点包含若干个变量参数。报警数据包括报警时间、报警分类编号。具体应用实例中，特征参数可以包括：水平通道天线峰值功率，发射机峰值功率，发射和天线功率比，水平通道天线功率调零，发射机功率调零，反射率期望值，短脉冲系统标定常数，长脉冲系统标定常数，速度期望值4，速度测量值4，KD标定期望值，KD标定测量值，水平通道滤波前功率，水平通道滤波后功率。

S10中，逐步回归法可采用向前引入法(Forward selection)、向后剔除法(Backward elimination)和双向剔除法(Bidirectional elimination)。以下进一步对逐步回归法具体实现过程作出说明。

如果使用向前引入法，首先模型中只加入一个单独解释因变量变异最大的自变量，随后尝试将加入另一自变量，检查整个模型所能解释的因变量变异是否显著增加(F-test，t-test等等)，反复迭代至没有自变量再符合加入模型的条件。

如果使用向后剔除法，与向前引入法相反，此时，所有变量均放入模型，之后尝试将其中一个自变量从模型中剔除，检查整个模型解释因变量的变异是否有显著变化，将使解释量减少最少的变量剔除；反复迭代至没有自变量符合剔除的条件。

如果使用双向剔除法，为将向前引入法和向后剔除法相结合，首先模型中加入一个单独解释因变量变异最大的自变量，随后尝试加入另一个自变量，对整个模型中的所有变量进行检验，若因变量有显著增加则保留该自变量并剔除作用不显著的变量，反复迭代至最终得到一个最优的变量组合。

S20，取特征参数中的相关系数最大的特征参数y(一般为发射机峰值功率或水平通道天线峰值功率)作为重构模型的重构参数目标。使用长短时记忆网络(Long ShortTerm Memory Network，LSTM)模型搭建重构模型，利用除特征参数y以外的特征参数共n-1个对y进行拟合重构，得到重构值

。

如图3和图4所示，在使用LSTM模型搭建重构模型时，输入时序状态数据X＝{X⁽¹⁾,…,X^(m)}，通过长短时记忆网络LSTM，输出重构参数值Y＝{Y⁽¹⁾,…,Y^(m)}。其中LSTM包括忘记门：Γ_f＝σ(W_f[a^<t-1>，x^<t>]+b_f)；输入门(更新门)：Γ_u＝σ(W_u[a^<t-1>，x^<t>]+b_u)；更新候选值：输出门：Γ_o＝σ(W_o[a^<t-1>，x^<t>]+b_o)；更新值：

非线性激活：a^<t>＝Γ_o×tanh c^<t>。其计算过程如下：

忘记门Γf会读取上一个细胞的非线性激活a^<t-1>和当前LSTM单元的输入数据x^<t>，输出一个在0到1之间的数值给每个在LSTM单元状态c^<t-1>中的数字。1表示“完全保留”，0表示“完全舍弃”。

输入门Γ_u是一个sigmoid层，决定将要更新什么值。然后，使用一个tanh层来创建一个新的候选值向量

。更新的向量c^<t>由输入门和忘记门共同决定。

输出门Γ_o决定输出值，首先，运行一个sigmoid层Γ来确定LSTM单元状态的哪个部分将输出出去。接着，把单元状态c^<t>通过tanh进行处理(得到一个在-1到1之间的值)并将它和输出门Γ_o的输出相乘，最终仅仅会输出确定输出的那部分。

S30，对重构值

和实测值y的差值做基于概率的量化标准。

具体应用实例中，S30可进一步包括：

ⅰ.分析y的分布情况，如有多个运行状态，则为多个高斯分布的叠加。如图2所示，发射机峰值功率的分布是两个高斯分布的叠加，小于300服从(1)分布，大于300服从(2)分布。

ⅱ.假设预测值和测量值独立，若预测值服从(1)分布，假设雷达运行状态正常，则测量值也应当服从(1)分布，两者的差值服从N(0,2σ^2)分布。

ⅲ.对差值的概率进行归一化处理，得到最终的量化结果：

预测值等于测量值，则η＝1，预测值越偏离测量值，η越接近于0。

S40，对量化结果做时间区间统计，滤除误报警，得到最终诊断结果。

具体应用实例中，S40可进一步包括：

ⅰ.设置概率判定阈值η₀，η＜η₀认为发射机出现故障状态点

ⅱ.以m个连续时间点做时间区间统计，故障状态点大于0.3m，认为出现故障。

应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。