CN106571882A - 一种超外差接收机性能退化评估与预测方法及*** - Google Patents
一种超外差接收机性能退化评估与预测方法及*** Download PDFInfo
- Publication number
- CN106571882A CN106571882A CN201610959918.8A CN201610959918A CN106571882A CN 106571882 A CN106571882 A CN 106571882A CN 201610959918 A CN201610959918 A CN 201610959918A CN 106571882 A CN106571882 A CN 106571882A
- Authority
- CN
- China
- Prior art keywords
- superhet
- output signal
- performance
- residual error
- rbf
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/29—Performance testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/06—Receivers
- H04B1/16—Circuits
- H04B1/26—Circuits for superheterodyne receivers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种超外差接收机性能退化评估与预测方法及***,涉及超外差接收机技术领域,所述方法包括:将当前时刻的输入信号输入至超外差接收机,得到所述超外差接收机的当前时刻的实际输出信号;将所述超外差接收机的输入信号和前一时刻的实际输出信号送入已训练的径向基函数RBF故障观测器,对所述超外差接收机的输出进行估计,得到所述超外差接收机的当前时刻的估计输出信号;根据所述超外差接收机的当前时刻的实际输出信号和估计输出信号,得到残差信号;利用所述残差信号,对所述超外差接收机的性能进行评估和预测。本发明能够对超外差接收机性能进行评估,并在性能评估基础上,能够对***性能退化趋势进行预测。
Description
技术领域
本发明涉及超外差接收机技术领域,特别涉及一种超外差接收机性能退化评估与预测方法及***。
背景技术
超外差接收机作为电子设备接收信息的装备,广泛应用于电子信息***中,小到收音机大到雷达接收器,超外差接收机均在设备中起着关键的作用。然而,作为国防和军队建设的重要组成部分,由于设备自身的原因,电子信息***会处于复杂的电磁环境中,因此研究典型装备——超外差接收机,在复杂电磁环境作用下的性能评估与预测具有直接的和显而易见的效益。
超外差接收机是电子信息产品中典型的模块,它常用于远程通信中,超外差接收机具有频率分辨力高、灵敏度高、动态范围宽、测频范围大等特点,由于其结构相对简单,可靠性强,已经成为电子情报侦查中必备的测频接收机。在军用电子信息产品使用过程中,一旦超外差接收机发生故障,将对信息的通讯带来极大影响,因此对超外差接收机的性能状态进行及时的评估和预测具有重要的意义,可以通过及时的维修和维护来有效地避免严重故障的发生。
然而,目前几乎没有关于超外差接收机性能评估与预测的相关研究,因此本发明对超外差接收机进行研究,为超外差接收机的性能评估与预测提供方法支持。
发明内容
根据本发明实施例提供的一种超外差接收机性能退化评估与预测方法及***,解决超外差接收机的性能评估与预测的技术问题。
根据本发明实施例提供的一种超外差接收机性能退化评估与预测方法,包括:
将当前时刻的输入信号输入至超外差接收机,得到所述超外差接收机的当前时刻的实际输出信号;
将所述超外差接收机的输入信号和前一时刻的实际输出信号送入已训练的径向基函数RBF故障观测器,对所述超外差接收机的输出进行估计,得到所述超外差接收机的当前时刻的估计输出信号;
根据所述超外差接收机的当前时刻的实际输出信号和估计输出信号,得到残差信号;
利用所述残差信号,对所述超外差接收机的性能进行评估和预测。
优选地,通过以下步骤得到残差信号:
将所述已训练的RBF故障观测器输出的估计输出信号与所述超外差接收机当前时刻的实际输出信号作差,得到所述超外差接收机在该时刻的残差信号。
优选地,通过以下步骤对所述超外差接收机的性能进行评估:
通过对所述残差信号进行特征提取,得到多个残差特征;
从所述多个残差特征中选取三个残差特征作为三维空间的残差特征坐标,并计算所述残差特征坐标与基准马氏空间之间的马氏距离;
利用所述马氏距离,对所述超外差接收机的性能进行评估,得到所述超外差接收机的健康度。
优选地,所述多个残差特征为时域特征,包括平均值、有效值、波峰因子、方根幅值。
优选地,通过以下步骤对所述超外差接收机的性能进行预测:
将所述超外差接收机的健康度送入已训练的Elman神经网络,对所述超外差接收机性能进行预测,得到所述超外差接收机的预测健康度。
优选地,通过以下步骤得到所述已训练的RBF故障观测器:
将输入信号和所述正常状态的超外差接收机的前一时刻的实际输出信号作为RBF故障观测器的输入,对RBF故障观测器进行训练,使已训练的RBF故障观测器的输出能够用来仿真所述正常状态的超外差接收机的当前时刻的实际输出信号。
优选地,通过以下步骤得到所述基准马氏空间:
在所述超外差接收机处于正常状态时,根据所述超外差接收机的当前时刻的实际输出信号和所述已训练的RBF故障观测器的估计输出信号,得到正常状态下的残差信号;
对所述残差信号进行特征提取,得到正常状态下的残差特征,形成基准残差特征坐标,并构建基准马氏空间。
优选地,通过以下步骤得到所述已训练的Elman神经网络:
将所述超外差接收机的历史健康度中的前N个健康度与随后的M个健康度分别作为输入和输出送入Elman神经网络,对Elman神经网络进行训练。
根据本发明实施例提供的存储介质,其存储用于实现上述一种超外差接收机性能退化评估与预测方法的程序。
根据本发明实施例提供的一种超外差接收机性能退化评估与预测***,包括:
超外差接收机,用于对收到的当前时刻的输入信号进行处理,得到当前时刻的实际输出信号;
RBF故障观测器,用于将所述超外差接收机的输入信号和前一时刻的实际输出信号作为输入,对所述超外差接收机的输出进行估计,得到所述超外差接收机的当前时刻的估计输出信号;
残差计算装置,用于根据所述超外差接收机的当前时刻的实际输出信号和估计输出信号,得到残差信号;
评估与预测装置,用于利用所述残差信号,对所述超外差接收机的性能进行评估和预测。
优选地,所述评估与预测装置包括:
特征提取模块,用于通过对所述残差信号进行特征提取,得到多个残差特征;
性能评估模块,用于从所述多个残差特征中选取三个残差特征作为三维空间的残差特征坐标,并计算所述残差特征坐标与基准马氏空间之间的马氏距离,利用所述马氏距离,对所述超外差接收机的性能进行评估,得到所述超外差接收机的健康度;
性能预测模块,用于将所述超外差接收机的健康度送入已训练的Elman神经网络,对所述超外差接收机性能进行预测,得到所述超外差接收机的预测健康度。
本发明实施例提供的技术方案具有如下有益效果:
本发明能够对超外差接收机性能进行评估,并在性能评估基础上,能够对***性能退化趋势进行准确预测。
附图说明
图1是本发明实施例提供的超外差接收机性能退化评估与预测方法框图;
图2是本发明实施例提供的超外差接收机性能退化评估与预测***框图;
图3是本发明实施例提供的基于距离度量和时间序列分析的超外差接收机性能评估与预测流程图;
图4是本发明实施例提供的RBF神经网络结构图;
图5是本发明实施例提供的基于RBF神经网络的观测器结构原理图;
图6是本发明实施例提供的Elman神经网络结构图;
图7是本发明实施例提供的图5超外差接收机仿真模型图;
图8a是本发明实施例提供的正常状态下的残差仿真图;
图8b是与图8a对比的电子放大器缓变故障下的残差仿真;
图9是本发明实施例提供的电子放大器缓变故障下的性能评估结果仿真图;
图10a是本发明实施例提供的以第140个点作为目前时刻点的性能退化趋势预测结果仿真图;
图10b是本发明实施例提供的以第145个点作为目前时刻点的性能退化趋势预测结果仿真图;
图10c是本发明实施例提供的以第150个点作为目前时刻点的性能退化趋势预测结果仿真图。
图10d是本发明实施例提供的以第155个点作为目前时刻点的性能退化趋势预测结果仿真图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1是本发明实施例提供的超外差接收机性能退化评估与预测方法框图,如图1所示,步骤包括:
步骤S101:将当前时刻的输入信号输入至超外差接收机,得到所述超外差接收机的当前时刻的实际输出信号。
步骤S102:将所述超外差接收机的输入信号和前一时刻的实际输出信号送入已训练的RBF故障观测器,对所述超外差接收机的输出进行估计,得到所述超外差接收机的当前时刻的估计输出信号。
其中,需要提前训练RBF故障观测器,步骤包括:将输入信号和所述正常状态的超外差接收机的前一时刻的实际输出信号作为RBF故障观测器的输入,对RBF故障观测器进行训练,使已训练的RBF故障观测器的输出能够用来仿真所述正常状态的超外差接收机的当前时刻的实际输出信号。
步骤S103:根据所述超外差接收机的当前时刻的实际输出信号和估计输出信号,得到残差信号。
将所述已训练的RBF故障观测器输出的估计输出信号与所述超外差接收机当前时刻的实际输出信号作差,得到所述超外差接收机在该时刻的残差信号。
步骤S104:利用所述残差信号,对所述超外差接收机的性能进行评估和预测。
步骤S104具体包括:
步骤S1041:特征提取步骤。
通过对所述残差信号进行特征提取,得到多个残差特征,所述多个残差特征为时域特征,包括平均值、有效值、波峰因子、方根幅值等。
步骤S1042:性能评估步骤。
从所述多个残差特征中选取三个残差特征作为三维空间的一个残差特征坐标,并计算所述残差特征坐标与基准马氏空间之间的马氏距离,利用所述马氏距离,对所述超外差接收机的性能进行评估,得到所述超外差接收机的健康度。
其中,需要在超外差接收机处于正常状态时,预先得到正常状态下残差特征,并构建残差特征马氏空间(即基准马氏空间)。具体步骤包括:在所述超外差接收机处于正常状态时,根据所述超外差接收机的当前时刻的实际输出信号和所述已训练的RBF故障观测器的估计输出信号,得到正常状态下的残差信号;对所述残差信号进行特征提取,得到工作状态下的残差特征,形成基准残差特征坐标,并构建基准马氏空间。
步骤S1043:性能预测步骤。
将所述超外差接收机的健康度送入已训练的Elman神经网络,对所述超外差接收机性能进行预测,得到所述超外差接收机的预测健康度。例如将所述超外差接收机的N个健康度送入已训练的Elman神经网络,对所述超外差接收机性能进行预测,得到所述超外差接收机的未来的M个健康度。所述的N和M为自然数。
其中,需要预先利用所述超外差接收机的历史健康度对Elman神经网络进行训练。具体步骤包括:将所述超外差接收机的历史健康度中的前N个健康度及随后的M个健康度分别作为输入和输出送入Elman神经网络,对Elman神经网络进行训练。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,该程序在执行时,包括步骤S101至步骤S104。其中,所述的存储介质可以为ROM/RAM、磁碟、光盘等。
图2是本发明实施例提供的超外差接收机性能退化评估与预测***框图,如图2所示,包括:超外差接收机10、RBF故障观测器20、残差计算装置30、评估与预测装置40。
超外差接收机10,用于对收到的当前时刻的输入信号进行处理,得到当前时刻的实际输出信号。
RBF故障观测器20,用于将所述超外差接收机的输入信号和前一时刻的实际输出信号作为输入,对所述超外差接收机的输出进行估计,得到所述超外差接收机的当前时刻的估计输出信号。
残差计算装置30,用于根据所述超外差接收机的当前时刻的实际输出信号和估计输出信号,得到残差信号。具体地说,残差计算装置30通过将当前时刻的实际输出信号和估计输出信号相减,得到残差信号。
评估与预测装置40,用于利用所述残差信号,对所述超外差接收机的性能进行评估和预测。具体地说,评估与预测装置40包括用于对残差信号进行特征提取的特征提取模块41、用于利用所提取的残差特征对所述超外差接收机的性能进行评估的性能评估模块42,用于利用历史性能评估结果对所述超外差接收机进行性能预测的性能预测模块43。
***性能的评估与预测,作为故障诊断领域较新的研究方向,其方法通常可以分为基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法要求对研究对象的结构机理有很清楚的认识,需要确定准确的数学模型。由于超外差接收机结构复杂,很难准确的获取其物理模型。而基于数据驱动的方法无需精确的***模型,仅利用监测数据就可以进行故障检测与诊断,近年来在复杂***中的应用很广泛。胡文金等人利用强跟踪滤波器对超外差接收机的监测进行实时故障检测;吕琛等人利用深度学习神经网络对滚动轴承进行故障诊断;60年代初期,为了对控制***实现状态反馈或其他需要,D.G.吕恩伯格、R.W.巴斯和J.E.贝特朗等人提出状态观测器的概念和构造方法,近年来状态观测器被用在多种控制***的故障检测上面,2006年Jayakumar和Das提出了一种基于观测器的飞机控制***故障检测、隔离和重构方法。李晓雄等通过建立一套稳健的自适应观测器,提出了一种飞机控制***故障隔离和重构的方法;翟秀梅等通过构建故障观测器对飞机环控***进行故障检测。可见,观测器在复杂***/装备中的得到了很好的应用。
神经网络方法作为一种基于数据驱动的方法,可以实现非线性和鲁棒性的故障检测、隔离和健康评估。在神经网络方法中,径向基函数(RBF)网络一般采用高斯函数作为基函数,使用最小二乘准则作为目标函数,使用梯度下降法来迭代调节每个节点的参数。同传统的BP网络相比,RBF网络具有很多优点:收敛速度很快、网络规模较小、计算量较小、具有鲁棒性和无局部极小等等。鉴于这些特点,RBF神经网络辨识器可以很快地逼近被控对象的模型,并实时精确跟踪模型的变化,这样基于RBF神经网络辨识器的神经网络观测器就能够及时跟踪***的变化,并很好地学习控制组件的动态特性及非线性特性。将其用于精确跟踪控制***模型的改变,并能自适应地改变自身神经网络参数,从而实现超外差接收机的状态观测。通过所建立的故障观测器,能够输出超外差接收机在具体故障状态下的实际输出和估计输出的差值,即残差,该残差包含了故障模式的信息,因此本申请对残差进行特征提取,然后通过引入马氏空间将正常数据和故障数据进行马氏空间的映射,然后转化成为健康度(CV)进行超外差接收机的性能评估。马氏距离的优点是考虑到变量间的相关性,不受量纲的影响;并且马氏距离是一种统计距离,对***计算资源占用较小。马氏距离被广泛应用在质量控制、判别分析等领域,本发明将马氏距离应用于超外差接收机***的性能评估中,从而获取一种超外差接收机***性能评估的新方法。
由于超外差接收机***性能评估结果具有较强的非线性和动态时变性特点,本发明提出了基于Elman神经网络的退化趋势预测方法。Elman神经网络的特点是通过关联层的延迟和存储,使隐单元层的输出与输入相连接,这种自我连接使整个网络对其历史状态的数据很敏感,更多的内部反馈网络也增加了动态信息处理的能力,能够更好地建立动态模型。根据这些特点,Elman神经网络能够对超外差接收机***的性能退化进行有效的预测。
下面结合图3至图6对本发明进行进一步说明。
图3是本发明实施例提供的基于距离度量和时间序列分析的超外差接收机性能评估与预测流程图,如图3所示,首先根据超外差接收机***建立基于RBF网络的故障观测器,对超外差接收机***的期望输出进行估计,获取具体故障模式的残差数据,并对对所得到的具体故障模式下的残差数据提取时域特征,然后利用马氏空间距离度量的方法对超外差接收机进行性能评估。在性能评估的基础上,利用Elman神经网络,通过时间序列分析对***性能衰退趋势进行多步预测。试验结果表明本发明实施例提供的方法可以很好对超外差接收机进行性能评估和预测。
一、基于RBF网络的故障观测器和距离度量的性能评估
1、RBF网络
神经网络具有逼近任意非线性函数的特性,可以用于非线性***的状态识别,而无需基于***的实际数学模型建立状态识别模型。多层前馈神经网络在逼近非线性函数和自学习方面具有很多优点,其中RBF网络一般采用高斯函数作为基函数,使用最小二乘准则作为目标函数,使用梯度下降法来迭代调节每个节点的参数。
图4是本发明实施例提供的RBF神经网络结构图,如图4所示,RBF神经网络是一种常用的前馈网络,从结构上看,它属于三层前馈网络,包括一个输入层、一个输出层和一个隐含层。其中,xi,i=1,2,…n为输入量,fi,i=1,2,…m为隐含层的作用函数,ωi,i=1,2,…m为隐含层到输出层的权值,ym为网络的输出。
RBF神经网络的输入层和隐含层间由高斯函数映射构成,而输出层与隐含层则由简单的线性函数辐射构成。隐含层节点的作用函数(即基函数)对输入信号在局部产生响应,即当输入信号靠近基函数的中央范围时,隐层节点将产生较大的输出。作为基函数,通常用的高斯函数如公式1所示。
其中,x是n维输入向量;ci是第i个基函数的中心,与x具有相同维数的向量,σi是第i个感知器的变量,它决定了该基函数围绕中心点的宽度;m是感知单元的个数。
2、观测器建立与残差输出
图5是本发明实施例提供的基于RBF神经网络的观测器结构原理图,如图5所示,其将传统观测器与RBF神经网络相结合。
RBF的第一层为输入层:网络的输入为***控制指令r(k)和***的输出信号yr(k-1);
第二层为隐含层:该层具有m个节点;
第三层为输出层:网络的输出为***的估计输出信号网络参数的确定包括隐层径向基函数的中心Cj,半径σ和隐层到输出层的权值W。
在RBF故障观测器进行训练时,采用的训练输入样本是***的输入指令r(k)和***的输出信号yr(k-1),训练输出样本是***的输出信号yr(k)。采集大量样本训练RBF故障观测器以确定RBF神经网络的结构参数。这时要注意:训练RBF故障观测器的样本应含盖尽量多的数据信息。假定超外差接收机的残差ε(k):残差大小反映了实际输出值与期望输出值之间的差异,当超外差接收机异常时,实际输出值与期望输出值之间的差异就会变大,即残差值变大。
当RBF故障观测器经过超外差接收机正常状态下的数据样本训练后,RBF神经网络的结构参数就能被确定下来,即隐层径向基函数的中心Cj,半径σ就被确定下来并且保持不变。这些确定的结构参数相当于记忆了***正常时的状态,在正常情况下RBF故障观测器的估计输出与***的真实输出差值不大,一般在零附近有波动,这是由于***存在干扰等因素造成的。
在进行超外差接收机***故障检测时,利用当前***的输入和输出信号作为已训练好的RBF故障观测器的检测样本输入,将观测器的估计输出与***的输出信号作差得到当前***状态下的残差。
3、残差特征提取与性能评估
在通过构建的RBF故障观测器获取超外差接收机具体故障模式的残差之后,对所获取的残差进行特征提取。
时域特征是信号比较直观的特征信息,并且时域特征包含大量可以反映信号基本特征的信息,因此本实施例提取超外差接收机的残差的时域特征作为故障特征值。时域特征提取公式如表1所示。
表1.时域特征提取公式表
***的健康状态可以由健康度(Confidence Value,CV)值来表示。CV值是一个介于0和1之间的数值。当CV值为0时,表示***已经出现严重故障,相反,当CV值为1时,则说明超外差接收机性能良好,CV值越高,则表示***性能越好。由于性能评估的结果即CV值可以用来决定超外差接收机的维修策略,因此,性能评估对于超外差接收机的有效维护维修十分重要。
马氏距离是1936年由Mahalanobis提出的,是一种有效的计算一个点和一个样本集相似度的方法。它的优点是考虑到变量间的相关性,不受量纲的影响,并且马氏距离是一种统计距离,对***计算资源占用较小。
选择所得残差的三个时域特征分别作为三维空间内的坐标,则在三维空间内,每个点的位置反映了***的性能。利用正常情况下,残差提取的特征点构建马氏空间,作为评价***性能的基准。计算未知情况下残差提取的特征点和上述基准马氏空间之间的马氏距离,并将马氏距离归一化,最终获取超外差接收机的CV值。最后将马氏距离归一化成CV值,归一化可按照如下公式2进行:
其中,di为马氏距离,a是归一化参数,通过调整a的大小,可以调整CV值对不同阶段故障的敏感程度。根据马氏距离的定义,在性能较好的情况下获取的特征点距离马氏空间较近,因而,通过归一化获取的CV值也较高。
二、基于时间序列分析的超外差接收机性能退化趋势预测
1、Elman神经网络
Elman神经网络是Elman于1990年首先针对语言处理问题而提出来的。它是一种典型的局部递归网络。由于Elman神经网络对于处理惯性输入输出数据方面具有不可比拟的优越性,从而使其在***建模、时序预报、自适应控制等方面获得了广泛的应用。图6是本发明实施例提供的Elman神经网络结构图,如图6所示,Elman神经网络由输入层、隐单元层、关联层和输出层等四部分组成。与传统的BP网络相比它除了有输入层、隐层、输出层外,增加一层关联层,关联层使得输出层不仅仅与当前的输入层数据有关,而且与在前的输入数据有关。
Elman神经网络的非线性空间表达式如公式3至公式5所示。
x(k)=f(w1xc(k)+w2(u(k-1))) (3)
xc(k)=x(k-1) (4)
y(k)=g(w3x(k)) (5)
式中,y(k)为m维输出结点向量,x(k)为n维隐层结点单元向量,u(k-1)为r维输入向量,xc(k)为n维反馈状态向量。w3为隐层到输出层的连接权值,w2为输入层到隐层的连接权值,w1为关联层到隐层的连接权值。g(*)为输出神经元的传递函数,是隐层输出的线性组合。f(*)为隐层神经元的传递函数,常采用S函数。
2、基于时间序列分析的性能预测
当超外差接收机***中某个部件由于年久老化,其性能发生衰退,这会引起整个***性能的降低,反映到健康度曲线上则表现为CV值逐渐减小。若CV值减小到最低健康阈值时,即可认为超外差接收机***发生失效,需进行检测维修。
利用Elman神经网络训练历史的CV值,得到一个训练网络,再将测试数据(或实际应用中的数据)输入该训练网络中,得到预测的CV值。在预测过程中,使用最后N个(N≥1)值来预测未来M个(M≥1)值的方法称为M步预测,其中,N-M的相邻样本是一个滑动窗口,利用前N个样本映射到后M个值,如表2所示的M步预测的输入和输出表。
表2.M步预测的输入和输出表
N步输入 | M步输出 |
X(1),X(2),…,X(N) | X(N+1),X(N+2),…,X(N+M) |
X(2),X(3),…,X(N+1) | X(N+2),X(N+3),…,X(N+1+M) |
… | … |
X(k),X(k+1),…,X(N+k) | X(N+k+1),X(N+k+2),…,X(N+k+M) |
下面的实施例结合图7至图10进行案例验证。
1、试验数据产生
图7是本发明实施例提供的超外差接收机仿真模型图,如图7所示,本实施例采用MATLAB/Simulink仿真模型进行超外差接收机实验数据的生成,该仿真模型包括信号发生***、混频器、中频滤波器、低通滤波器、中频放大器等部分。
在超外差接收机***仿真模型故障注入时,选取电子放大器缓变故障注入,故障注入方式如表3所示。
表3.仿真模型故障注入方式
仿真过程中,设置仿真时间为0.05s,仿真采样率为120kHz,每组故障数据供获得6000个采样点。
2、超外差接收机性能评估
在正常状态下,用控制信号和前一时刻的输出作为输入训练RBF神经网络,将此训练的神经网络模型作为故障观测器的网络模型,得到正常状态下观测器输出与实际输出的残差值。当电子放大器注入故障时,通过将正常的控制信号和前一时刻故障的输出信号作为输入数据输入到观测器中,从而获得该故障模式下的残差值,如图8a和图8b所示的正常状态与电子放大器缓变故障下训练的神经网络残差对比图。
对正常状态和性能退化状态下的残差信号进行时域特征的提取,本实施例选取的是残差信号的有效值、平均值和波峰因子。由RBF故障观测器得到的两组残差各自共6000个数据点,每100个数据点求取其残差特征,每次滑移10个数据点,这样就得到了两组分别为591个的残差时域特征点。然后构建正常状态下的残差特征马氏空间,计算性能退化状态下残差特征与该空间的距离,再经过归一化之后得到如图9所示的电子放大器缓变故障下的性能评估结果仿真图。
3、超外差接收机性能退化趋势预测
在对超外差接收机进行了具体故障状态下的性能评估之后,利用评估结果,构建Elman神经网络对其性能退化趋势进行预测。考虑到预测的精确性和可用性,选择滑窗的总长度为30,被预测段的长度为10,亦即利用目前时刻的前20个点来预测未来的10个点。这种时间序列的预测能够有效地保证CV值计算和预测的同步,以实现最优的维修维护策略。
分别以第140、145、150、155个点作为目前时刻点进行预测,得到如图10a至图10d所示的预测结果,验证了该超外差接收机性能退化预测方法的有效性。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (10)
1.一种超外差接收机性能退化评估与预测方法,其特征在于,包括:
将当前时刻的输入信号输入至超外差接收机,得到所述超外差接收机的当前时刻的实际输出信号;
将所述超外差接收机的输入信号和前一时刻的实际输出信号送入已训练的径向基函数RBF故障观测器,对所述超外差接收机的输出进行估计,得到所述超外差接收机的当前时刻的估计输出信号;
根据所述超外差接收机的当前时刻的实际输出信号和估计输出信号,得到残差信号;
利用所述残差信号,对所述超外差接收机的性能进行评估和预测。
2.根据权利要求1所述的方法,其特征在于,通过以下步骤得到残差信号:
将所述已训练的RBF故障观测器输出的估计输出信号与所述超外差接收机当前时刻的实际输出信号作差,得到所述超外差接收机在该时刻的残差信号。
3.根据权利要求1所述的方法,其特征在于,通过以下步骤对所述超外差接收机的性能进行评估:
通过对所述残差信号进行特征提取,得到多个残差特征;
从所述多个残差特征中选取三个残差特征作为三维空间的残差特征坐标,并计算所述残差特征坐标与基准马氏空间之间的马氏距离;
利用所述马氏距离,对所述超外差接收机的性能进行评估,得到所述超外差接收机的健康度。
4.根据权利要求3所述的方法,其特征在于,所述多个残差特征为时域特征,包括平均值、有效值、波峰因子、方根幅值。
5.根据权利要求3所述的方法,其特征在于,通过以下步骤对所述超外差接收机的性能进行预测:
将所述超外差接收机的健康度送入已训练的Elman神经网络,对所述超外差接收机性能进行预测,得到所述超外差接收机的预测健康度。
6.根据权利要求1-4任意一项所述的方法,其特征在于,通过以下步骤得到所述已训练的RBF故障观测器:
将输入信号和所述正常状态的超外差接收机的前一时刻的实际输出信号作为RBF故障观测器的输入,对RBF故障观测器进行训练,使已训练的RBF故障观测器的输出能够用来仿真所述正常状态的超外差接收机的当前时刻的实际输出信号。
7.根据权利要求3或4所述的方法,其特征在于,通过以下步骤得到所述基准马氏空间:
在所述超外差接收机处于正常状态时,根据所述超外差接收机的当前时刻的实际输出信号和所述已训练的RBF故障观测器的估计输出信号,得到正常状态下的残差信号;
对所述残差信号进行特征提取,得到正常状态下的残差特征,形成基准残差特征坐标,并构建基准马氏空间。
8.根据权利要求5所述的方法,其特征在于,通过以下步骤得到所述已训练的Elman神经网络:
将所述超外差接收机的历史健康度中的前N个健康度与随后的M个健康度分别作为输入和输出送入Elman神经网络,对Elman神经网络进行训练。
9.一种超外差接收机性能退化评估与预测***,其特征在于,包括:
超外差接收机,用于对收到的当前时刻的输入信号进行处理,得到当前时刻的实际输出信号;
RBF故障观测器,用于将所述超外差接收机的输入信号和前一时刻的实际输出信号作为输入,对所述超外差接收机的输出进行估计,得到所述超外差接收机的当前时刻的估计输出信号;
残差计算装置,用于根据所述超外差接收机的当前时刻的实际输出信号和估计输出信号,得到残差信号;
评估与预测装置,用于利用所述残差信号,对所述超外差接收机的性能进行评估和预测。
10.根据权利要求9所述的***,其特征在于,所述评估与预测装置包括:
特征提取模块,用于通过对所述残差信号进行特征提取,得到多个残差特征;
性能评估模块,用于从所述多个残差特征中选取三个残差特征作为三维空间的残差特征坐标,并计算所述残差特征坐标与基准马氏空间之间的马氏距离,利用所述马氏距离,对所述超外差接收机的性能进行评估,得到所述超外差接收机的健康度;
性能预测模块,用于将所述超外差接收机的健康度送入已训练的Elman网络,对所述超外差接收机性能进行预测,得到所述超外差接收机的预测健康度。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610802863 | 2016-09-06 | ||
CN201610802863X | 2016-09-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106571882A true CN106571882A (zh) | 2017-04-19 |
Family
ID=58535966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610959918.8A Pending CN106571882A (zh) | 2016-09-06 | 2016-10-28 | 一种超外差接收机性能退化评估与预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106571882A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011060730A1 (zh) * | 2009-11-19 | 2011-05-26 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN102185731A (zh) * | 2011-02-22 | 2011-09-14 | 北京星网锐捷网络技术有限公司 | 网络健康度测试方法及*** |
CN103353752A (zh) * | 2013-04-12 | 2013-10-16 | 北京航空航天大学 | 基于四级rbf神经网络的飞机环控***控制组件故障诊断方法 |
CN104850889A (zh) * | 2014-11-19 | 2015-08-19 | 北京航空航天大学 | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 |
-
2016
- 2016-10-28 CN CN201610959918.8A patent/CN106571882A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011060730A1 (zh) * | 2009-11-19 | 2011-05-26 | 北京世纪高通科技有限公司 | 预测交通流的方法和装置 |
CN102185731A (zh) * | 2011-02-22 | 2011-09-14 | 北京星网锐捷网络技术有限公司 | 网络健康度测试方法及*** |
CN103353752A (zh) * | 2013-04-12 | 2013-10-16 | 北京航空航天大学 | 基于四级rbf神经网络的飞机环控***控制组件故障诊断方法 |
CN104850889A (zh) * | 2014-11-19 | 2015-08-19 | 北京航空航天大学 | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN107725283B (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
CN105975749B (zh) | 一种轴承健康评估与预测的方法及*** | |
CN110702418A (zh) | 航空发动机故障预测方法 | |
CN110610035A (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
CN102901651B (zh) | 电子产品分数阶神经网络性能退化模型及寿命预测方法 | |
CN112904290B (zh) | 一种雷达智能认知抗干扰策略的生成方法 | |
CN111912611B (zh) | 基于改进神经网络的故障状态预测的方法及装置 | |
CN107967489A (zh) | 一种异常检测方法及*** | |
CN104008304B (zh) | 一种乏信息多传感器神经网络‑熵测量不确定度评定方法 | |
CN114819054B (zh) | 一种基于物理信息神经网络的电力电子***状态监测方法 | |
CN106126944A (zh) | 一种电力变压器顶层油温区间预测方法及*** | |
CN106301610A (zh) | 一种超外差接收机的自适应故障检测和诊断方法及装置 | |
CN115587309A (zh) | 一种变压器抗短路能力关键特征提取方法、装置及设备 | |
CN115062668A (zh) | 基于RAdam优化宽度学习的谐波参数检测方法和*** | |
CN110147827A (zh) | 一种基于iaalo-svm与相似性度量的故障预测方法 | |
CN110634082A (zh) | 一种基于深度学习的低频减载***运行阶段预测方法 | |
CN113837432A (zh) | 一种物理-数据联合驱动的电力***频率预测方法 | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
CN102749584B (zh) | 基于Kalman滤波的ESN的涡轮发动机的剩余寿命预测方法 | |
Rizvi | Time series deep learning for robust steady-state load parameter estimation using 1D-CNN | |
CN117350170B (zh) | 基于koopman深度神经网络的非线性振荡分析方法 | |
CN117748481A (zh) | 基于实时动态分区的电力***惯量在线评估方法及装置 | |
CN102788955B (zh) | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20200417 |