雷達狀態(tài)監(jiān)測數(shù)據(jù)處理方法

李炎倍 朱新權 崔 嚴 李海龍

(1.中國人民解放軍63788部隊 陜西渭南 714000； 2.中國人民解放軍63789部隊西安 710043；3.中國人民解放軍63750部隊 西安 710000)

0 引言

隨著科學技術的發(fā)展，雷達裝備的性能日益提高，結(jié)構(gòu)也越來越復雜。與此同時，軍事上對雷達裝備的質(zhì)量可靠性要求越來越高．針對此情況提出了對雷達裝備進行狀態(tài)監(jiān)測的思想．通過對雷達裝備進行狀態(tài)監(jiān)測，可以定性、定量地掌握雷達裝備的運行狀態(tài)，預測雷達裝備的可靠性，隨時可以獲得質(zhì)量評估結(jié)果，實現(xiàn)實時對雷達裝備的質(zhì)量進行監(jiān)測和評估，使雷達裝備在現(xiàn)代化戰(zhàn)爭中發(fā)揮其最大的優(yōu)勢。

HMM具有自適應學習功能，可以通過自適應訓練獲取知識的方式對系統(tǒng)狀態(tài)進行監(jiān)視[1-2]。它是一種信號動態(tài)時間序列統(tǒng)計模型，理論基礎豐厚，處理連續(xù)的動態(tài)信號效果更好。本文針對雷達裝備的復雜性，在雷達裝備狀態(tài)信息獲取中，對所有元器件進行狀態(tài)監(jiān)測是非常困難的，所以對能夠反應雷達裝備質(zhì)量的主要部件進行監(jiān)測，獲得監(jiān)測數(shù)據(jù)，通過信息處理和特征提取，采用HMM來進行處理，計算出雷達在未知狀態(tài)下的KL距離，通過KL距離的大小就可以對雷達裝備的質(zhì)量進行評估。評估的結(jié)果說明了該方法的可行性，為雷達裝備的質(zhì)量評估提供了一種新的思路。

1 雷達裝備質(zhì)量狀態(tài)監(jiān)測的內(nèi)容與步驟

雷達裝備的工作狀態(tài)是雷達裝備質(zhì)量狀態(tài)監(jiān)測的主要內(nèi)容。首先是獲取狀態(tài)信息，常用的方法有監(jiān)視、測量、判別等，其次對獲取到的信息進行分析處理，在這個過程中會額外考慮環(huán)境、裝備歷史狀態(tài)、現(xiàn)存狀態(tài)等因素，最后對雷達裝備質(zhì)量做出評估，判斷出雷達裝備當前處于什么狀態(tài)，以便裝備管理人員對雷達裝備進行有效管理，也為后續(xù)的故障分析、性能評估、裝備維護奠定了基礎[3]。

1.1 狀態(tài)監(jiān)測部位的設置

根據(jù)雷達本機可靠性情況、技術鑒定和質(zhì)量評估需求以及影響雷達安全和戰(zhàn)時性能發(fā)揮的因素設置監(jiān)控點[4-5]。共設置三類監(jiān)控點：一是根據(jù)裝備故障機理，重點監(jiān)測高電壓、大電流、高轉(zhuǎn)速、高頻率等易故障關鍵部位工作情況，主要是通過監(jiān)測溫度、噪聲變化，預測可能發(fā)生的故障；二是細化量化裝備維修質(zhì)量評估標準和技術鑒定指標要求，設置相應的監(jiān)測點，定期進行常規(guī)電壓、波形測量，完成裝備維修質(zhì)量綜合評價和鑒定，為維修決策提供依據(jù)；三是作戰(zhàn)效能監(jiān)測，包括裝備分辨力、頻率點、基準回波位置和幅度、最大探測距離等內(nèi)容，通過分析裝備作戰(zhàn)效能，評估裝備技術狀態(tài)，查找并修復裝備低效故障，為雷達全效能發(fā)揮提供數(shù)據(jù)支撐。

雷達裝備的運行狀態(tài)就是表征雷達裝備運行狀況的主要參數(shù)在雷達運行過程中的反應狀況，而雷達狀態(tài)監(jiān)測便是對這些參數(shù)的狀態(tài)監(jiān)測[6]?，F(xiàn)代雷達體制種類比較多，應用的技術也不盡相同，對雷達裝備進行全面的質(zhì)量評估，需要對各方面的有關參數(shù)進行監(jiān)測和處理，根據(jù)對某型雷達的參數(shù)測試分析得出影響雷達裝備質(zhì)量性能的主要參數(shù)如表1所示。

表1 影響雷達裝備質(zhì)量的主要參數(shù)

1.2 狀態(tài)監(jiān)測的步驟

1)信號采集

設備在運行中會產(chǎn)生大量的信息，信號采集就是獲取這些信息。

2)信號處理

將采集到的信號進行加工處理，獲取有效信息，即能表征裝備狀態(tài)的信息，即特征提取。

圖1 狀態(tài)監(jiān)測原理

3)狀態(tài)識別

對比允許的參數(shù)與上一步獲取的參數(shù)，以確定雷達裝備此刻的質(zhì)量狀態(tài)，以便下一步進行更好的評估，提高雷達裝備的使用率和及時規(guī)避雷達裝備故障。

2 狀態(tài)監(jiān)測信息的特征提取

特征提取的方法[8]有很多種，常用的有主元特征提取法(Karhuen-Loeve變換和Fisher線性變換)、基于BP神經(jīng)網(wǎng)絡的特征提取法和基于模糊信息優(yōu)化處理的特征提取法。這三種提取方法各有優(yōu)缺點，如表2所示。

要想全面掌握雷達裝備工作狀態(tài)，就必須監(jiān)視每個元器件的狀態(tài)，從而更好地評估雷達裝備質(zhì)量，但是因元器件數(shù)量眾多，必然產(chǎn)生超量數(shù)據(jù)。這樣不利于數(shù)據(jù)采集和處理，且有可能沒辦法實現(xiàn)。另外，目前元器件集成度、可靠性都比較高，因此沒有必要進行全面監(jiān)測，而應該只監(jiān)測影響因素大、能明顯表征裝備工作狀態(tài)的元器件工作狀態(tài)[7]。所以就出現(xiàn)了這種情況，在進行特征提取的過程中又會出現(xiàn)信息不足的問題，人們希望用少量的樣本對整個雷達裝備的質(zhì)量進行一個總體估計，就需要將有限的知識信息多次使用，這就有了信息分配的必要，要達到合理的分配信息，關鍵問題就是分配函數(shù)的建立，采用模糊最佳分類法。

表2 故障診斷的特征提取方法分析比較表

模糊最佳分類法基于模糊聚類分析原理。模糊聚類就是將所考察的具有模糊性的對象進行合理的分類，為了分類就要將樣本的種種性質(zhì)數(shù)量化，這種已數(shù)量化的性質(zhì)稱為樣本指標。如果樣本有m維指標，就可以用m維空間的一個點描述該樣本。如果有n個樣本，每個樣本有m個指標，則有Xi=(xi1,xi2,…,xim)。

應用模糊聚類分析的關鍵在于要把統(tǒng)計指標選擇集合，也就是統(tǒng)計指標應有明確的實際意義，有強分辨力和代表性。

非完備樣本具有過渡性，這種過渡性會引起模糊不確定性，模糊信息優(yōu)化處理正是利用這一點對信息進行分配或擴散，從而提高了對真實樣本的預測及識別精度。

信息擴散的定義：設W是知識樣本，V是基礎論域，關于W的一種信息擴散是W到[0，1]上的一個映射μ:W×V→[0,1]。

p(v)為仿真數(shù)據(jù)總體密度，它的一個擴散估計如式(1)所示。

(1)

其中，μ(x)為波雷爾可測函數(shù)，其范圍是(-∞,∞)。

信息擴散原理：設W={w1,w2,…,wm}，記wj的觀測值為vj，設x=φ(v-vj)，則W非完備時，存在函數(shù)μ(x)，使得vj點量值為1時獲得的信息，能夠按照μ(x)的量值擴散到V中，而且擴散后的原始信息分布規(guī)律為

(2)

更好地反映了W所在總體的規(guī)律，令

(3)

由信息擴散的原理可知，如果樣本容量趨于無窮大，那么利用信息擴散法估計的分布趨于真實分布，在不考慮其他干擾因素時，仿真結(jié)果也必然趨于真實。而如果樣本容量趨于無窮小時，此方法會有相應的優(yōu)化處理。從以上分析可以看出，利用信息擴散的方法具有一定有效性和可信度。

3 CHMM在狀態(tài)監(jiān)測數(shù)據(jù)處理中的應用

目前，常見的電子裝備狀態(tài)監(jiān)測方法有基于SVM、SVDD模型以及其改進模型。HMM是雙重馬爾可夫隨機過程，其狀態(tài)只有通過觀測序列的隨機過程才能獲得。雷達裝備的正常工作狀態(tài)恰好符合一個典型的雙重隨機過程，這種契合使得其相較于以上的監(jiān)測模型效率更高。根據(jù)觀測信號的性質(zhì)，HMM可分為兩類：連續(xù)隱馬爾可夫模型(continues HMM,CHMM)和離散隱馬爾可夫模型(discrete HMM,DHMM)。因為在雷達裝備的質(zhì)量評估中采集到的狀態(tài)監(jiān)測信號是連續(xù)信號，故采用連續(xù)隱馬爾可夫模型(CHMM)實現(xiàn)對監(jiān)測數(shù)據(jù)的處理[9]。處理過程如圖2所示。

圖2 應用CHMM對狀態(tài)監(jiān)測數(shù)據(jù)處理

應用CHMM對雷達裝備質(zhì)量進行評估，其數(shù)據(jù)處理過程主要有以下幾個方面：

1)特征狀態(tài)的提取。根據(jù)雷達裝備質(zhì)量評估中狀態(tài)監(jiān)測信號的特點，選擇合適的特征提取方法，對狀態(tài)信息進行提取。

2)CHMM的訓練。對雷達裝備正常狀態(tài)的質(zhì)量信息進行監(jiān)測并提取出特征值，將L次特征組成一組監(jiān)測序列，進而獲取多組監(jiān)測序列去訓練CHMM。

3)質(zhì)量的評估。狀態(tài)監(jiān)測訓練一個CHMM代表正常態(tài)，用雷達裝備正常狀態(tài)的質(zhì)量信息的多組監(jiān)測序列O正常訓練CHMM并計算出正常態(tài)的似然概率值P(O正常|λ)。將未知狀態(tài)的監(jiān)測序列O未知送入已訓練的CHMM并計算出未知態(tài)的似然概率值P(O未知|λ)。

KL(Kullback-Leibler)距離[9]的定義：假設問題域U上的一個概率密度函數(shù)為p，另一個概率密度函數(shù)為q，q為p的近似，則p和q之間的距離可以定義為

(4)

KL距離值代表p和q的接近程度，距離越小，p越接近于q，當且僅當p=q時，KL距離值為0。由于p和q本身太小，無實際物理意義，因此在計算KL距離時，一般采用對數(shù)似然概率。經(jīng)過特征提取后的信號構(gòu)成觀測序列，先由訓練后的正常態(tài)HMM求得p正常(O|λ)，再用當前監(jiān)測數(shù)據(jù)特征由正常態(tài)的HMM得到對應的p未知(O′|λ)。由[p正常(O|λ)，p未知(O′|λ)]計算出KL距離，從而判斷狀態(tài)偏離程度[10]。KL值越小，雷達裝備狀態(tài)越接近于正常；KL值越大，故障程度越高，如果其值大于閾值，則已失效，基于此實現(xiàn)對狀態(tài)監(jiān)測數(shù)據(jù)的處理以及評估。

4 實例分析

對雷達裝備進行狀態(tài)監(jiān)測得到m×n維樣本指標，其中，m為測試的指標數(shù)，n為每一測試指標的多次測量數(shù)據(jù)，在雷達裝備的質(zhì)量進行評估時需要對這些有限的信息多次使用，所以就需要對其進行信息分配，得到擴散函數(shù)μ(x)，建立分配函數(shù)，采用最佳的模糊最佳分類法[11]，對樣本指標作出處理和特征提取，以其中接收分系統(tǒng)的濾波器損耗為例，對正常態(tài)的濾波器損耗進行狀態(tài)監(jiān)測得到一組數(shù)據(jù)，經(jīng)過基于模糊信息優(yōu)化處理及特征提取后得到同時觀測，同初始狀態(tài)下的兩組n維反應接收機的質(zhì)量信息的向量L1和L2，其中L1為訓練CHMM的序列，L2為測試序列。考慮到測試濾波器損耗具有連續(xù)性、不可逆性，故選擇的CHMM為無跳躍的左右型，經(jīng)過正常態(tài)下雷達接收分系統(tǒng)中濾波器損耗監(jiān)測獲取的數(shù)據(jù)來訓練一個CHMM并作為狀態(tài)監(jiān)測器，利用未知狀態(tài)下雷達接收分系統(tǒng)中濾波器損耗的數(shù)據(jù)輸入到這個CHMM，計算對應的KL值，從而對雷達裝備接收分系統(tǒng)的質(zhì)量進行估計：根據(jù)實際情況設定閾值α，若KL≥α則該接收分系統(tǒng)需要維修，若KL<α則不需要維修。需要注意的是，在這種情況下，隨著KL距離的增大，接收機的質(zhì)量狀況會逐漸下降。實驗過程中，每隔一段時間對濾波器損耗數(shù)據(jù)進行采集，共采集10次，每次采集的數(shù)據(jù)都要與濾波器損耗標稱值進行比對，如果標稱值在[0,10]%內(nèi)，則表示接收機狀態(tài)正常；如果標稱值在90%以上，則表示接收機處于失效狀態(tài)；如果標稱值在其他范圍，則表示接收機處于不同程度的狀態(tài)。濾波器損耗標稱值范圍包括[0,10]%、[11,20]%、[21,30]%、[31,40]%、[41,50]%、[51,60]%、[61,70]%、[71,80]%、[81,90]%、[91,100]%，分別對應接收機從正常到失效的10個狀態(tài)等級。由接收機正常狀態(tài)下的濾波器損耗監(jiān)測數(shù)據(jù)訓練CHMM，并將上述數(shù)據(jù)依次輸入CHMM中得到對應的KL距離，實驗結(jié)果如表3所示。

表3 雷達接收機從正常狀態(tài)到失效狀態(tài)下的KL距離

從表3得知，隨著接收機的狀態(tài)逐步向失效態(tài)發(fā)展，KL距離也越來越大，因此可以通過KL距離大致判斷出雷達接收機當前所處的狀態(tài)。在同一故障狀態(tài)下，通過計算KL距離就可以初步對雷達接收機的質(zhì)量做出評估，從而更好地應用于雷達裝備的質(zhì)量評估中。

5 結(jié)束語

本文提出了一種對雷達裝備質(zhì)量的狀態(tài)監(jiān)測數(shù)據(jù)進行處理的新方法。將CHMM作為狀態(tài)監(jiān)測器，以能夠反應雷達裝備質(zhì)量的有限數(shù)據(jù)信息經(jīng)過進行模糊信息優(yōu)化處理后來訓練CHMM，然后將未知狀態(tài)下的數(shù)據(jù)輸入CHMM，經(jīng)過計算KL距離來對雷達裝備質(zhì)量進行評估，以雷達接收機中的濾波器損耗為例進行驗證，通過對比不同狀態(tài)所對應的KL距離驗證了該方法的可行性。該方法將雷達裝備質(zhì)量評估過程中難以檢測的故障轉(zhuǎn)換為明顯變化的KL距離值，能夠有效估計出雷達裝備的質(zhì)量狀態(tài)，進而決定是否維修處理。這樣，既可以減少因不必要維修導致的維修成本過高問題，更能避免因失效所造成的事故，為雷達裝備的保障提供了依據(jù)。