CN110188509A

CN110188509A - 基于多退化模型的连续波速调管发射机实时故障预测方法

Info

Publication number: CN110188509A
Application number: CN201910538231.0A
Authority: CN
Inventors: 王洪; 张俊杰; 李亚威; 黄清; 陈俣
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2019-06-20
Filing date: 2019-06-20
Publication date: 2019-08-30
Anticipated expiration: 2039-06-20
Also published as: CN110188509B

Abstract

本发明公开了一种基于多退化模型的连续波速调管发射机实时故障预测方法，该方法包括选取连续波速调管发射机多退化模型状态向量，建立连续波速调管发射机空间状态退化模型，构建适用于多退化过程的退化模型通用更新框架，对连续波速调管发射机实时故障进行预测。本发明在构建正确多退化模型的情况下，能够在线适应被监测的连续波速调管发射机，并通过追踪多个退化过程来获得对发射机较高精度的实时故障预测，实现在复杂环境下对发射机的故障实时预测，保证系统任务的可靠性。

Description

基于多退化模型的连续波速调管发射机实时故障预测方法

技术领域

本发明属于连续波速调管发射机故障预测技术领域，具体涉及一种基于多退化模型的连续波速调管发射机实时故障预测方法。

背景技术

连续波速调管发射机是雷达系统的重要组成部分，为雷达系统提供大功率的射频信号，发射机运行是否正常对雷达探测的范围和精度有直接影响，并且它是雷达系统中故障发生率较高的组件，因此对其进行有效的状态监测和故障预测十分重要。故障预测要求在故障未发生之前对影响状态的重要信号进行分析处理，这个过程涉及诸多未知因素和不确定性，其难点在于：(1)采集到的原始信号类别多，建立其对应的预测模型困难；(2)由于连续波速调管发射机的特殊结构和组成，采集信号之间关联复杂；(3)不同退化机制的退化过程在相同类型的组件之间变化，且多退化过程的组合导致发射机朝着不同的退化方向演变，从而导致不同的故障模式。

在电子设备系统及其组件的故障预测中广泛应用基于模型的故障预测方法，典型的技术有多项式曲线拟合、卡尔曼滤波器、粒子滤波器、时间序列法和灰色模型等。此类方法的优势为：可以深入描述预测对象的本质特性，同时可以达到实时的故障预测；劣势为：要求建立准确的预测对象退化模型，如果模型与实际相差太大则预测性能很差。本发明对发射机的故障预测即采用了这种基于模型的方法，深入研究了连续波速调管发射机多退化过程中采集信号之间的联系和各种故障模式，并在此基础上构建了能够准确反映发射机放大链路的性能衰退规律的多退化模型，经过仿真实验对预测效果进行验证，证明本发明方法可以实现对发射机的实时故障预测。

发明内容

本发明的主要目的在于提供一种基于多退化模型的连续波速调管发射机实时故障预测方法，通过构建准确的多退化模型来实现对发射机的实时故障预测。

为实现上述目的，本发明提供一种基于多退化模型的连续波速调管发射机实时故障预测方法，包括以下步骤：

S1、根据连续波速调管发射机结构确定多退化模型的状态向量；

S2、建立连续波速调管发射机多退化模型；

S3、根据采集的测量数据结合粒子滤波器方法对步骤S2中多退化模型状态参数进行更新；

S4、利用基于粒子滤波的的寿命终止预测方法结合更新后的多退化模型对连续波速调管发射机实时故障进行预测。

进一步地，所述步骤S1中，根据连续波速调管发射机中固态放大器和速调管放大器组成的放大链路结构，将发射机增益、增益平坦度、发射信号功率、发射功率带内起伏、发射效率、信号顶降、驻波比、单边带相位噪声这些参数确定为多退化模型的状态向量。

进一步地，所述步骤S2中，建立的连续波速调管发射机退化模型具体表示为：

x(t)＝f(t,x(t-1),θ(t),u(t),p(t))

y(t)＝h(t,x(t),θ(t),u(t),m(t))

其中，x(t)表示时刻t的连续波速调管发射机状态向量，f(·)表示连续波速调管发射机状态方程，y(t)表示连续波速调管发射机的输出向量；θ(t)表示必须确定的未知参数向量，h(·)表示连续波速调管发射机观测方程，u(t)为输入向量；p(t)和m(t)分别为过程噪声和输出噪声。

进一步地，所述步骤S2中，连续波速调管发射机状态向量x(t)具体表示为：

x(t)＝[G_t(t) P_t(t) P_av(t) ΔP_t(t) ΔG_t(t) ΔU_tm(t) L_t(t) VSWR_t(t) η_t(t)]

其中，G_t(t)表示连续波速调管发射机增益；P_t(t)表示发射信号功率，P_av(t)表示发射信号平均功率，ΔP_t(t)表示发射功率带内起伏，ΔG_t(t)表示增益平坦度，ΔU_tm(t)表示发射信号顶降，L_t(t)表示发射机单边带相位噪声，VSWR_t(t)表示发射机驻波比，η_t(t)表示发射机效率。

进一步地，所述步骤S2中，连续波速调管发射机的输出向量y(t)具体表示为：

y(t)＝[P_t(t) P_av(t) ΔP_t(t) ΔU_tm(t) VSWR_t(t) η_t(t)]。

进一步地，所述步骤S3根据采集的测量数据结合粒子滤波器方法对步骤S2中多退化模型状态参数进行更新，具体包括以下分步骤：

S31、将状态方程作为样本分布函数，得到粒子；

S32、根据系统的输出值重新计算粒子权重，并对重新计算的粒子权重进行归一化处理；

S33、设定有效粒子数门限，判断有效粒子数是否小于有效粒子数门限；若是，则对粒子进行重采样，得到新的粒子权重；若否，则进行下一步骤；

S34、得到更新后的多退化模型。

进一步地，所述步骤S32中，根据系统的输出值重新计算粒子权重具体表示为：

其中，表示粒子权重。

进一步地，所述步骤S34中，更新后的状态空间实时多退化模型具体表示为：

其中，表示新的粒子权重。

进一步地，所述步骤S4利用基于粒子滤波的的寿命终止预测方法结合更新后的多退化模型对连续波速调管发射机实时故障进行预测，具体为：

将每个粒子向前传播到它自己的寿命终止，并使用对应粒子的权重作为其寿命终止预测的权重，最后获得粒子完整的寿命终止分布，再结合更新后的多退化模型对连续波速调管发射机实时故障进行预测。

本发明的有益效果是：本发明在构建正确多退化模型的情况下，能够在线适应被监测的连续波速调管发射机，并通过追踪多个退化过程来获得对发射机较高精度的实时故障预测，实现在复杂环境下对发射机的故障实时预测，保证系统任务的可靠性。

附图说明

图1是本发明的基于多退化模型的连续波速调管发射机实时故障预测方法流程示意图；

图2是本发明实施例中连续波速调管发射机组成结构框图；

图3是本发明实施例中适用于多退化过程的退化模型通用更新框架图；

图4是本发明实施例中固态放大模块结构图；

图5是本发明实施例中连续波速调管发射机使用本发明预测方法的仿真结果图；其中图(a)为发射脉冲功率预测仿真曲线，图(b)为发射平均功率预测仿真曲线，图(c)为发射功率带内起伏预测仿真曲线，图(d)为发射信号顶降预测仿真曲线，图(e)为发射机驻波比预测仿真曲线，图(f)为发射机效率仿真曲线。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，是本发明的基于多退化模型的连续波速调管发射机实时故障预测方法流程示意图；本发明的一种基于多退化模型的连续波速调管发射机实时故障预测方法，包括以下步骤：

S2、建立连续波速调管发射机多退化模型；

在本发明的一个可选实施例中，如图2所示，为本发明所研究的连续波速调管发射机一般结构组成，其核心组件为固态放大器和速调管放大器组成的放大链路。

本发明根据连续波速调管发射机中固态放大器和速调管放大器组成的放大链路结构，将发射机增益、增益平坦度、发射信号功率、发射功率带内起伏、发射效率、信号顶降、驻波比、单边带相位噪声这些参数确定为多退化模型的状态向量，具体过程为：

由于发射信号的质量可以表征发射机的健康状态，而发射信号的质量主要由发射信号功率、发射信号平均功率、发射功率带内起伏、发射效率、发射信号顶降所决定，因此本发明将这些状态参数确定为发射机的状态向量；另外，发射机增益、增益平坦度、相位噪声和发射机驻波比跟发射信号功率有紧密联系，从而影响到发射机的运行性能和健康状态，因而也将这些状态参数作为发射机的状态向量的补充。

最终确定的多退化模型的状态向量x为：

在本发明的一个可选实施例中，上述步骤S2构建状态方程f(·)和观测方程h(·)，即建立连续波速调管发射机退化模型，具体表示为：

x(t)＝f(t,x(t-1),θ(t),u(t),p(t))

y(t)＝h(t,x(t),θ(t),u(t),m(t))

本发明研究的多退化过程即多种性能参数的衰退过程，深入研究这些参数之间的联系和退化规律后，经过整理分析得出各个状态向量的退化方程和输出向量的输出方程，其具体过程如下：

因为信号输入功率P_i经过固态放大和速调管两级放大后得到输出功率P_t，因此总功率增益G_t的物理模型为

G_t＝10lg(P_t/P_i)＝G_S+G_K(dB)

其中，G_S表示固态放大模块的功率增益，G_K表示速调管模块的功率增益。

上述固态放大模块的组成结构图如图4所示。射频输入通过MMIC LNA和MMIC PA的高增益放大后得到高输出功率，然后通过均衡器来均衡功率使得其可以满足后面速调管的需求。

由固态放大模块的组成结构图可以得出固态放大模块的总功率增益的物理模型为

G_s＝G_LNA+G_PA+A_EQ(dB)

其中，G_LNA为MMIC LNA的功率增益，G_PA为MMIC PA的功率增益，A_EQ为均衡器的衰减(dB)。

经过固态放大模块后的信号功率由P_i放大至并作为速调管的输入功率来进行进一步的功率放大。

速调管的功率增益的定义为速调管高频输出功率P_a′_v与激励功率(即固态放大模块输出功率P_sout)的比值，其物理模型为

G_K＝10lg(P_a′_v/P_sout)dB

发射机的输出功率对系统的健康状态影响很大，发射信号的输出功率P_t的物理模型为

其中，P_av是平均发射功率，τ为发射信号信号宽度(μs)，T_r为发射信号的重复周期(μs)。

平均发射功率P_av的计算可以利用发射机机内自检系统使用通过式功率测量，然后根据定向耦合器测量得到的功率值得出发射机的平均功率的计算公式为

P_av＝10lgP′_av-30+β_a+β_b

其中，β_a为定向耦合器衰减(dB)；β_b为固定衰减器衰减(dB)。P′_av为发射机速调管输出位置机内自检功率测量值，可由下式计算得出：

发射功率带内起伏ΔP_t(t)表示发射机在工作频率范围内输出功率的起伏程度，其计算表达式如下：

其中，P_tmax为发射机输出的最大信号功率值，P_tmin为发射机输出的最小信号功率值。

增益平坦度ΔG_t(t)表示发射机在在工作频率范围内的增益起伏程度，其计算表达式为：

其中，G_tmax为发射机的最大增益，G_tmin为发射机的最小增益。

顶降ΔU_tm(又称平顶落差)表示信号顶部不能保持平坦而降落的幅度，其相关参数的好坏将直接影响雷达设备的威力范围、距离分辨率和最小探测距离等战术指标，其计算表达式为：

ΔU_tm＝(U_tmax-U_tm)/U_tmax

其中，U_tmax为信号包络的最大幅度，U_tm为信号包络的平顶幅度。

上述固态放大模块和速调管会产生在有用频带上的噪声边带，这是对发射机性能的影响因素。这种噪声一般分为两类：第一类由随机抖动产生的非相干相位噪声和幅度噪声；第二类是由规律的相干扰动导致生成的谱线。

在发射机的实际工作中，由于调幅噪声对系统的影响很小，因此文中对调幅噪声不予考虑，而对发射信号的调相噪声重点关注。对于第一类由随机抖动产生的非相干相位噪声为发射机的外部影响因子，在对发射机系统建模时可以将其设定为定值。因此，重点考虑发射机相位噪声这个状态参量，相位噪声通常在频域表示，即单边带相位噪声L_t(f)：

发射机输出端电压驻波比VSWR_t的定义为：发射机输出端驻波的波腹与波节的比值，其计算表达式为：

其中，U_P为电压驻波比的波腹，U_V表示电压驻波比的波节，它们的计算表达式为：

U_P＝U_i+U_r

U_V＝U_i-U_r

其中，U_i是发射机输出端入射信号电压值，U_r是发射机输出端反射信号电压值。

将电压驻波比转换为功率驻波比的计算表达式如下：

其中，P_t为发射机输出功率(即到达天线阵列的功率)；P_r是发射机得到天线阵列的发射功率。

发射机效率η_t的定义为：发射机的输出射频功率与输入发射机的交流功率(即供电功率)的比值，其计算表达式为：

其中，P_in为发射机的输入平均功率，即发射机供电电源的总平均功率，可以通过电源三相电压(V₁，V₂，V₃)和电源三相电流(I₁，I₂，I₃)得到：

P_in＝(V₁×I₁+V₂×I₂+V₃×I₃)×θ_t

其中，θ_t为发射系统输入电源的功率因素，一般情况下设置功率因素θ_t＝1。

经过以上的分析，可以得出连续波速调管发射机模型的输入向量u为：

u(t)＝[P_i(t) T_r(t) τ(t) V₁(t) V₂(t) V₃(t) I₁(t) I₂(t) I₃(t)]

同时可以得到输出向量y为：

y(t)＝[P_t(t) P_av(t) ΔP_t(t) ΔU_tm(t) VSWR_t(t) η_t(t)]

在本发明的一个可选实施例中，上述步骤S3根据采集的测量数据结合粒子滤波器方法对步骤S2中多退化模型状态参数进行更新，具体包括以下分步骤：

S31、将状态方程作为样本分布函数，得到粒子即为一组离散加权样本；

S32、根据系统的输出值，即测量得到的观测值重新计算粒子权重，具体表示为：

其中，表示粒子权重，z_k表示测量值，表示第i个粒子在k时刻的状态参数，表示权重分布。

并对重新计算的粒子权重进行归一化处理；

S33、设定有效粒子数门限T_ESS，判断有效粒子数是否小于有效粒子数门限；若是，则对粒子进行重采样，得到新的粒子权重若否，则进行下一步骤；

S34、得到更新后的多退化模型，具体表示为：

其中，表示新的粒子权重，表示更新后的粒子状态参数，N表示粒子个数。

本发明构建适用于多退化过程的退化模型通用更新框架如图3所示，采用采样重要性重采样(SIR)粒子滤波器来对退化模型参数进行更新。首先使用该模型对新状态进行采样，然后将每个粒子向前传播至时间k，使用测量值z_k来对粒子权重进行分配，接着将权重归一化，最后重采样得到更新后的权重分布。

在本发明的一个可选实施例中，上述步骤S4利用基于粒子滤波的寿命终止预测方法结合更新后的多退化模型对连续波速调管发射机实时故障进行预测，具体为：

上述步骤S4中，对于连续波速调管发射机的故障预测是基于输出向量多阈值来判定的，发射脉冲功率、发射平均功率和发射机驻波比为连续波速调管发射机是否彻底故障的三个决定性输出特征参数。因此在其他三个输出特征参数到达失效阈值时为发射机的故障起始点，此时发射机仍可继续带病运行，直到发射脉冲功率、发射平均功率和发射机驻波比这三个特征参数至少一个达到失效阈值时发射机完全故障即寿命终止。

本发明的基于多退化模型的连续波速调管发射机实时故障预测方法，首先基于发射机的组成结构和运行过程确定了发射机增益、增益平坦度、发射信号功率、发射功率带内起伏、发射效率、信号顶降、驻波比、单边带相位噪声这些参数作为多退化模型状态向量；然后，根据发射机多种性能参数退化机理，导出发射机多退化模型的状态方程和输出方程，即建立发射机的多退化模型；接着提出了一种可以处理多退化过程的退化模型参数更新架构来更新多退化模型参数；最后，使用基于粒子滤波器的EOL(寿命终止)预测方法和更新后的多退化模型得到对发射机故障的实时预测。

本发明在构建正确多退化模型的情况下，能够在线适应被监测的连续波速调管发射机，并通过追踪多个退化过程来获得对发射机较高精度的实时故障预测，可以在复杂环境下对发射机的故障实时预测，保证系统任务的可靠性。

本发明利用更新后的多退化模型结合上述故障预测方法得到对连续波速调管发射机EOL/RUL的预测。具体实验仿真过程为：首先假定100h为一个单位时间，在t_P＝65时间点对后面的时间点的输出向量进行预测，得出的仿真结果如图5所示。其中，黑色虚线为输出向量的测量值，红色虚线为对输出向量的预测均值，蓝色虚线为发射机的失效阈值。

从图5中可以看出，发射机实际测量值最先达到失效阈值的是发射信号顶降在80处达到失效阈值，因此发射机的实际故障起始点为80。此时，粒子滤波方法得到的预测估计值最先达到失效阈值的是发射功率带内起伏在84处，那么粒子滤波对发射机的故障起始点预测为84。同理可以得到发射机的实际寿命终止为88，粒子滤波方法的预测值为90。

更进一步分别在处开始对发射机的剩余使用寿命RUL预测仿真结果如表1所示。

表1基于粒子滤波的EOL预测方法对发射机RUL的预测

表1中，起始点表示实验数据中开始预测的起始时刻t_P，EOL-prediction指的是寿命终止的预测值，RUL-prediction指的是剩余使用寿命的预测值，RUL-error指的是剩余使用寿命预测值的绝对误差值，其计算表达式如下：

RUL-error＝|RUL-prediction-RUL-true|

其中，RUL-true为发射机实际剩余使用寿命。

从图5和表1可以看出，在预测起始点t_P＝40时，发射机的寿命结束实际值EOL-true＝88，那么RUL-true＝48。本发明的预测方法的寿命终止预测值为75，那么RUL-prediction＝75-t_P＝35，RUL-error＝|35-48|＝13。在预测起始点t_P＝50时，本发明的预测方法的寿命终止预测值为80，那么RUL-prediction＝80-t_P＝30，RUL-error＝|30-38|＝8。在预测起始点t_P＝60时，本发明的预测方法的寿命终止预测值为96，那么RUL-prediction＝96-t_P＝36，RUL-error＝|36-28|＝8。在预测起始点t_P＝70时，本发明的预测方法的寿命终止预测值为84，那么RUL-prediction＝84-t_P＝14，RUL-error＝|14-18|＝4。在预测起始点t_P＝80时，本发明的预测方法的寿命终止预测值为90，那么RUL-prediction＝90-t_P＝10，RUL-error＝|10-8|＝2。

为了达到对实验仿真结果的预测精度更直观的评估，本发明使用MAE(平均绝对误差)和RMSE(均方根误差)来分析该预测方法的预测仿真结果。本发明的预测算法仿真实验的预测结果的MAE和RMSE误差分别为：8和10。可以得出，基于多退化过程模型的连续波速调管发射机实时故障预测方法预测估计值和实际测量值之间误差较小，并且预测速度快，可以作为连续波速调管发射机在线实时故障预测的初步预测方法。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims

1.一种基于多退化模型的连续波速调管发射机实时故障预测方法，其特征在于，包括以下步骤：

S2、建立连续波速调管发射机多退化模型；

2.如权利要求1所述的基于多退化模型的连续波速调管发射机实时故障预测方法，其特征在于，所述步骤S1中，根据连续波速调管发射机中固态放大器和速调管放大器组成的放大链路结构，将发射机增益、增益平坦度、发射信号功率、发射功率带内起伏、发射效率、信号顶降、驻波比、单边带相位噪声这些参数确定为多退化模型的状态向量。

3.如权利要求2所述的基于多退化模型的连续波速调管发射机实时故障预测方法，其特征在于，所述步骤S2中，建立的连续波速调管发射机退化模型具体表示为：

x(t)＝f(t,x(t-1),θ(t),u(t),p(t))

y(t)＝h(t,x(t),θ(t),u(t),m(t))

4.如权利要求3所述的基于多退化模型的连续波速调管发射机实时故障预测方法，其特征在于，所述步骤S2中，连续波速调管发射机状态向量x(t)具体表示为：

5.如权利要求4所述的基于多退化模型的连续波速调管发射机实时故障预测方法，其特征在于，所述步骤S2中，连续波速调管发射机的输出向量y(t)具体表示为：

y(t)＝[P_t(t) P_av(t) ΔP_t(t) ΔU_tm(t) VSWR_t(t) η_t(t)]。

6.如权利要求5所述的基于多退化模型的连续波速调管发射机实时故障预测方法，其特征在于，所述步骤S3根据采集的测量数据结合粒子滤波器方法对步骤S2中多退化模型状态参数进行更新，具体包括以下分步骤：

S31、将状态方程作为样本分布函数，得到粒子；

S34、得到更新后的状态空间实时多退化模型。

7.如权利要求6所述的基于多退化模型的连续波速调管发射机实时故障预测方法，其特征在于，所述步骤S32中，根据系统的输出值重新计算粒子权重具体表示为：

其中，表示粒子权重。

8.如权利要求7所述的基于多退化模型的连续波速调管发射机实时故障预测方法，其特征在于，所述步骤S34中，更新后的状态空间实时多退化模型具体表示为：

其中，表示新的粒子权重。

9.如权利要求8所述的基于多退化模型的连续波速调管发射机实时故障预测方法，其特征在于，所述步骤S4利用基于粒子滤波的的寿命终止预测方法结合更新后的多退化模型对连续波速调管发射机实时故障进行预测，具体为：