文獻標識碼: A
文章編號: 0258-7998(2012)07-0132-03
隨著高新技術(shù)廣泛用于軍用雷達,使得雷達系統(tǒng)變得越來越復(fù)雜,但操作更加簡單和智能化?,F(xiàn)代戰(zhàn)爭中,雷達的作用也越來越重要,戰(zhàn)場不僅要求雷達具有全天候的作戰(zhàn)能力、優(yōu)越的性能指標、極高的自動化程度及高可靠性,更重要的是要求雷達維修保障人員能夠進行戰(zhàn)場快速搶修,確保雷達裝備的完好率。因此,對于雷達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)點數(shù)目選取等問題;專家系統(tǒng)[2]由于依賴于雷達專家知識,運用某種規(guī)則進行推理,因此在自適應(yīng)能力和學(xué)習(xí)能力方面存在局限性。本文針對當前基層部隊無法對電路板進行維修的現(xiàn)狀及難點,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相結(jié)合的雷達故障診斷方法,并基于此設(shè)計了某型雷達電路板故障診斷系統(tǒng),旨在提高部隊基層雷達裝備自我維修保障能力,確保戰(zhàn)時能夠?qū)崿F(xiàn)戰(zhàn)場的快速搶修。應(yīng)用結(jié)果表明,該方法提高了雷達故障診斷的有效性和優(yōu)越性。
支持向量機[3]SVM(Support Vector Machine)是在統(tǒng)計學(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)風險,解決了學(xué)習(xí)機的學(xué)習(xí)能力和泛化能力之間的矛盾。支持向量機通過核函數(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別問題中表現(xiàn)出結(jié)構(gòu)簡單、全局最優(yōu)、泛化能力強等許多特有的優(yōu)勢。最小二乘支持向量機[4,5]LS-SVM(Least Squares Support Vector Machine)是SVM的擴展,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)上進行改進而提出的,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€性方程組的求解,簡化了計算復(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)的標準化參數(shù)δ通常根據(jù)經(jīng)驗選取一個具體的值,但δ取值不同,結(jié)果變化較大。因此,在應(yīng)用中要進行效果比較,動態(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。對樣本數(shù)據(jù)進行處理可以提高訓(xùn)練速度,特征提取是指當樣本空間維數(shù)較高時,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),以達到降維的目的。
(3)樣本訓(xùn)練。在對樣本進行訓(xùn)練之前,需要確定LS-SVM模型的兩個重要參數(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gam、sig2進行優(yōu)化選擇。
(4)采用測試樣本進行測試。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
3.1 系統(tǒng)簡介
系統(tǒng)以Windows為平臺,采用Visual Studio 2008為開發(fā)工具,以SQL2005為后臺數(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)即可完成實時在線故障診斷。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。通過對待修電路板上的測試點進行測試,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,其核心是采用LS-SVM良好的非線性分類能力,對雷達故障點進行定位。
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):由于雷達的故障現(xiàn)象多種多樣,有時不能直接判斷出是哪個電路板或者分系統(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)信號查詢模塊。當遇到測量某一點有信號,但不知道該信號是否正常,無法進行判斷時,通過查詢該系統(tǒng),維修人員可以快速對故障進行定位,展開維修。
?、匐娐钒逍盘柌樵儯簽榱朔奖憷走_檢測維修人員學(xué)習(xí)和維修,系統(tǒng)提供了電路板信號查詢功能。通過該功能,雷達維修人員可以熟悉了解電路板的輸入輸出信號以及電路中各主要節(jié)點的信號,從而很容易地判斷出故障部位并進行維修。
?、陔娐穲D查詢:在實際信號測試過程中,往往需要知道信號的流向,但在實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。
(3)數(shù)據(jù)庫管理模塊。該模塊可以進行大批量的數(shù)據(jù)管理操作,具備很強的數(shù)據(jù)存儲、計算、修改和查詢能力。系統(tǒng)采用開放式的體系結(jié)構(gòu)和運行方式,界面友好;具有較強的事務(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。按照雷達各分系統(tǒng)、各種組合及各電路板編號進行分類,電路板按照編號、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。在對雷達進行維修時,可以利用這些資源,達到快速搶修的目的。按照備件的型號、名稱、參數(shù)、數(shù)量和備件位置等編入數(shù)據(jù)庫后,可以方便地進行查詢,也可以根據(jù)實際情況進行補充,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對雷達電路板進行的故障診斷, 是一種新的、有效的雷達故障診斷方法。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,實現(xiàn)了采用數(shù)據(jù)驅(qū)動的方法準確地進行故障定位。
參考文獻
[1] 王娜,申東日,陳義俊.BP網(wǎng)絡(luò)改進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)的雷達故障診斷軟件研究[J]. 現(xiàn)代雷達, 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.