隨著高新技術(shù)廣泛用于軍用雷達(dá)，使得雷達(dá)系統(tǒng)變得越來越復(fù)雜，但操作更加簡單和智能化。現(xiàn)代戰(zhàn)爭中，雷達(dá)的作用也越來越重要，戰(zhàn)場不僅要求雷達(dá)具有全天候的作戰(zhàn)能力、優(yōu)越的性能指標(biāo)、極高的自動(dòng)化程度及高可靠性，更重要的是要求雷達(dá)維修保障人員能夠進(jìn)行戰(zhàn)場快速搶修，確保雷達(dá)裝備的完好率。因此，對(duì)于雷達(dá)裝備的智能化維修保障也提出了更高的要求。人工神經(jīng)網(wǎng)絡(luò)[1]存在訓(xùn)練樣本大、隱層節(jié)點(diǎn)數(shù)目選取等問題；專家系統(tǒng)[2]由于依賴于雷達(dá)專家知識(shí)，運(yùn)用某種規(guī)則進(jìn)行推理，因此在自適應(yīng)能力和學(xué)習(xí)能力方面存在局限性。本文針對(duì)當(dāng)前基層部隊(duì)無法對(duì)電路板進(jìn)行維修的現(xiàn)狀及難點(diǎn)，提出了基于小波去噪及小波包變換與最小二乘支持向量機(jī)相結(jié)合的雷達(dá)故障診斷方法，并基于此設(shè)計(jì)了某型雷達(dá)電路板故障診斷系統(tǒng)，旨在提高部隊(duì)基層雷達(dá)裝備自我維修保障能力，確保戰(zhàn)時(shí)能夠?qū)崿F(xiàn)戰(zhàn)場的快速搶修。應(yīng)用結(jié)果表明，該方法提高了雷達(dá)故障診斷的有效性和優(yōu)越性。

    支持向量機(jī)[3]SVM（Support Vector Machine）是在統(tǒng)計(jì)學(xué)習(xí)理論SLT（Statistical Learning Theory）的基礎(chǔ)上發(fā)展起來的十分有效的分類方法，它基于最小的結(jié)構(gòu)風(fēng)險(xiǎn)，解決了學(xué)習(xí)機(jī)的學(xué)習(xí)能力和泛化能力之間的矛盾。支持向量機(jī)通過核函數(shù)把原始數(shù)據(jù)空間映射到高維的特征空間，在特征空間最大化分類間隔構(gòu)造最優(yōu)分類超平面，其中分類面只需要少量的支持向量。SVM克服了神經(jīng)網(wǎng)絡(luò)的不足，在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出結(jié)構(gòu)簡單、全局最優(yōu)、泛化能力強(qiáng)等許多特有的優(yōu)勢。最小二乘支持向量機(jī)[4，5]LS-SVM（Least Squares Support Vector Machine）是SVM的擴(kuò)展，采用最小二乘線性系統(tǒng)代替SVM用二次規(guī)劃的方法實(shí)現(xiàn)學(xué)習(xí)問題，避免了SVM的凸二次規(guī)劃問題的求解。


2.2 模型算法
    LS-SVM是在SVM的基礎(chǔ)上進(jìn)行改進(jìn)而提出的，它用二次損失函數(shù)取代了SVM中的不敏感一次損失函數(shù)，將二次尋優(yōu)變?yōu)閷?duì)線性方程組的求解，簡化了計(jì)算復(fù)雜性，并且約束條件由不等式改為等式[9],優(yōu)化問題成為：

2.3 實(shí)施步驟
    在LS-SVM算法中，規(guī)則化參數(shù)γ和RBF核函數(shù)的標(biāo)準(zhǔn)化參數(shù)δ通常根據(jù)經(jīng)驗(yàn)選取一個(gè)具體的值，但δ取值不同，結(jié)果變化較大。因此，在應(yīng)用中要進(jìn)行效果比較，動(dòng)態(tài)選取。具體步驟為：
    (1)訓(xùn)練數(shù)據(jù)導(dǎo)入。LS-SVM方法和神經(jīng)網(wǎng)絡(luò)一樣，需要訓(xùn)練樣本和測試樣本。
    (2)數(shù)據(jù)處理與特征提取。對(duì)樣本數(shù)據(jù)進(jìn)行處理可以提高訓(xùn)練速度，特征提取是指當(dāng)樣本空間維數(shù)較高時(shí)，通過映射或變換的方法，將數(shù)據(jù)樣本變?yōu)榈途S空間數(shù)據(jù)，以達(dá)到降維的目的。
    (3)樣本訓(xùn)練。在對(duì)樣本進(jìn)行訓(xùn)練之前，需要確定LS-SVM模型的兩個(gè)重要參數(shù)，即懲罰參數(shù)γ（gam）和徑向基核參數(shù)δ（sig2）。本文采用交叉驗(yàn)證法(網(wǎng)格法搜索)，在工具箱中，使用 tunelssvm函數(shù)，其中包含了網(wǎng)格搜索，對(duì)gam、sig2進(jìn)行優(yōu)化選擇。
    (4)采用測試樣本進(jìn)行測試。需要使用函數(shù)simlssvm，類似于神經(jīng)網(wǎng)絡(luò)中的sim函數(shù)。
3 故障診斷系統(tǒng)設(shè)計(jì)
3.1 系統(tǒng)簡介
　系統(tǒng)以Windows為平臺(tái)，采用Visual Studio 2008為開發(fā)工具，以SQL2005為后臺(tái)數(shù)據(jù)庫生成軟件系統(tǒng)。故障檢測定位模塊采用Matlab編寫，系統(tǒng)采用混合編程方法，輸入數(shù)據(jù)即可完成實(shí)時(shí)在線故障診斷。該系統(tǒng)具有電路板故障檢測定位、電路板信號(hào)查詢和數(shù)據(jù)庫管理等功能。系統(tǒng)的結(jié)構(gòu)如圖3所示。

3.2 功能簡介

　(1)故障檢測定位模塊。通過對(duì)待修電路板上的測試點(diǎn)進(jìn)行測試,將數(shù)據(jù)輸入到訓(xùn)練好的故障檢測定位單元，即可判斷出故障點(diǎn)，其核心是采用LS-SVM良好的非線性分類能力，對(duì)雷達(dá)故障點(diǎn)進(jìn)行定位。
    ①電路板故障檢測：通過調(diào)用Matlab中的故障診斷程序，輸入檢測點(diǎn)的數(shù)據(jù)，即可將故障部位定位到元器件或者模塊。
?、诠收戏治鰧＜蚁到y(tǒng)：由于雷達(dá)的故障現(xiàn)象多種多樣，有時(shí)不能直接判斷出是哪個(gè)電路板或者分系統(tǒng)的故障。為了盡快縮小故障范圍，故障分析專家系統(tǒng)將引導(dǎo)維修人員快速定位故障部位。
　(2)信號(hào)查詢模塊。當(dāng)遇到測量某一點(diǎn)有信號(hào)，但不知道該信號(hào)是否正常，無法進(jìn)行判斷時(shí)，通過查詢該系統(tǒng)，維修人員可以快速對(duì)故障進(jìn)行定位，展開維修。
　①電路板信號(hào)查詢：為了方便雷達(dá)檢測維修人員學(xué)習(xí)和維修，系統(tǒng)提供了電路板信號(hào)查詢功能。通過該功能，雷達(dá)維修人員可以熟悉了解電路板的輸入輸出信號(hào)以及電路中各主要節(jié)點(diǎn)的信號(hào)，從而很容易地判斷出故障部位并進(jìn)行維修。
?、陔娐穲D查詢：在實(shí)際信號(hào)測試過程中，往往需要知道信號(hào)的流向，但在實(shí)際電路板中不容易確定。通過電路圖查詢功能，可以快速找出需要測試的節(jié)點(diǎn)。
　(3)數(shù)據(jù)庫管理模塊。該模塊可以進(jìn)行大批量的數(shù)據(jù)管理操作，具備很強(qiáng)的數(shù)據(jù)存儲(chǔ)、計(jì)算、修改和查詢能力。系統(tǒng)采用開放式的體系結(jié)構(gòu)和運(yùn)行方式，界面友好；具有較強(qiáng)的事務(wù)處理能力，滿足系統(tǒng)的響應(yīng)要求。
    ①數(shù)據(jù)修改:提供各種數(shù)據(jù)的錄入與修改功能。按照雷達(dá)各分系統(tǒng)、各種組合及各電路板編號(hào)進(jìn)行分類，電路板按照編號(hào)、名稱等錄入數(shù)據(jù)庫，元器件按照參數(shù)、名稱等錄入數(shù)據(jù)庫，以備查詢。
    ②維修備件管理:通常雷達(dá)都隨裝配備了一些電路板和元器件，以應(yīng)付緊急情況下的裝備搶修。在對(duì)雷達(dá)進(jìn)行維修時(shí)，可以利用這些資源，達(dá)到快速搶修的目的。按照備件的型號(hào)、名稱、參數(shù)、數(shù)量和備件位置等編入數(shù)據(jù)庫后，可以方便地進(jìn)行查詢，也可以根據(jù)實(shí)際情況進(jìn)行補(bǔ)充，以滿足戰(zhàn)備需求。
    仿真結(jié)果表明，本文利用小波去噪及小波包分解提取能量熵特征向量與LS-SVM相結(jié)合的方法1對(duì)雷達(dá)電路板進(jìn)行的故障診斷， 是一種新的、有效的雷達(dá)故障診斷方法。該方法有效地解決了故障現(xiàn)象與故障原因之間的非線性映射關(guān)系，實(shí)現(xiàn)了采用數(shù)據(jù)驅(qū)動(dòng)的方法準(zhǔn)確地進(jìn)行故障定位。
參考文獻(xiàn)
[1] 王娜,申東日,陳義俊.BP網(wǎng)絡(luò)改進(jìn)算法及其在故障診斷中的應(yīng)用[J]. 控制理論與應(yīng)用, 2004,23(5):20-22.
[2] 許志宏,盧旻昊，陳列. 基于專家系統(tǒng)的雷達(dá)故障診斷軟件研究[J]. 現(xiàn)代雷達(dá), 2009,31（5）:25-29.
[3] VAPNIK V. Statistical learning theory[M]. New York: Viley, 1998:273-297.
[4] SUYKENS J A K. VANDEWALLE J, DE M B. Optimal control by least square support vector machine[J]. Neural Network, 2001,14(1):23-25.
[5] Wu Sen, Wei Zhuobin. Application of least squares support vector machine in the damage identification of plate structure[C]. ISDEA, 2010 International Conference on Intelligent System Design and Engineering Application, 2010:351-354.
[6] 劉曉芳，劉會(huì)金，陳允平，等.基于最優(yōu)小波包基分解的暫態(tài)電能質(zhì)量分類方法[J]. 電力自動(dòng)化設(shè)備， 2005,25(10):36-39.
[7] FEIL M, UHL A.  Wavelet packet image decomposition on MIMD architectures[J]. Real-Time Imaging, 2002,8(5):399-412.
[8] COIFMAN R R, WICKERHAUSER M V. Entropy-based algorithms for best basis selection[J]. IEEE Transactions on Information Theory, 1992,38(2):713-718.
[9] SUYKENS J A K, VANDEWALLE J. Least square support  vector machine classifiers[J]. Neural Processing Letters, 1999,9(3):293-298.