无人机机载发射机故障预测系统的制作方法

本实用新型涉及无人机故障预测技术领域，特别是涉及一种无人机机载发射机无人机故障预测系统。

背景技术：

无人机的无线电数据链分系统(简称数据链系统)，作为无人机装备的重要组成部分，是连接地面操作人员与无人机的桥梁。作为数据链系统的关键部件，机载发射机完成相关指令与信息的调制与发射任务，其健康状态如何，是否存在故障隐患，是无人机执行任务前需要重点解决的问题。而目前对机载发射机健康状态的预测方法还不够精确和完善。

技术实现要素：

本实用新型要解决的技术问题是针对上述现有技术的不足，提供一种预测结果较为精确的无人机机载发射机故障预测系统。

为解决上述技术问题，本实用新型所采取的技术方案是：一种无人机机载发射机故障预测系统，包括故障信号生成模块、信号采集模块、通信模块和故障预测模块；其中：

所述故障信号生成模块，用于根据预设故障类型和故障程度，生成基于机载发射机的故障响应信号；所述故障信号生成模块又称故障注入样机，能够设置的故障部件涵盖机载发射机中所有的组成模块，故障部件包括晶振、电容、放大器、电压转换单元、调制电路单元、环路滤波器、电压转换单元、带通滤波器和本振单元；

所述信号采集模块，用于接收所述故障响应信号，并采集第一故障信号，以及将所述第一故障信号发送给所述通信模块；所述第一故障信号包括功率信号、频率信号和频谱信号中的一种以上的信号；

所述通信模块，用于将所述第一故障信号发送至所述故障预测模块；

所述故障预测模块，用于根据所述第一故障信号进行故障预测。

优选的，还包括激励模块；

所述激励模块，用于生成预设激励信号，并发送给所述故障信号生成模块。

优选的，所述激励模块包括波形发生器和直流稳压电源；

所述波形发生器与所述故障信号生成模块连接；

所述直流稳压电源为所述故障信号生成模块供电。

优选的，所述故障预测模块包括特征参数提取单元和故障预测单元；

所述特征参数提取单元，用于在所述第一故障信号中提取特征参数，并发送给所述故障预测单元；所述特征参数包括峰值带宽和/或相位噪声值；

所述故障预测单元，用于根据所述特征参数进行故障预测。

优选的，所述信号采集模块包括频率计、功率计和频谱仪中的一种以上；其中：

所述频率计，用于在所述第一故障信号中采集频率信号，并发送给所述通信模块；

所述功率计，用于在所述第一故障信号中采集功率信号，并发送给所述通信模块；

所述频谱仪，用于在所述第一故障信号中采集频谱信号，并发送给所述通信模块。

优选的，还包括预测结果管理模块；

所述预测结果管理模块，用于将所述故障预测模块产生的预测结果进行分类并存储。

优选的，所述通信模块包括USB接口、GBIP接口和RS232串口中的一种以上。

采用上述技术方案所产生的有益效果在于：上述无人机机载发射机故障预测系统，选取机载发射机作为故障预测技术的验证对象，提取到第一故障信号后采集第一故障信号中的特征参数，并将采集到的特征参数送入故障预测方法中得出预测结论，从而实现机载发射机故障预测原理验证全过程，故障预测虚警率和误警率均较低，故障预测结果较为精确。

附图说明

图1是现有技术中机载发射机的结构示意图；

图2是本实用新型无人机机载发射机故障预测系统一个实施例的结构示意图；

图3是图2中信号采集模块的结构示意图；

图4是图2中故障预测模块的结构示意图；

图5是图4中故障预测单元的结构示意图；

图6是图2中激励模块的结构示意图；

图7是本实用新型无人机机载发射机故障预测系统的具体结构示意图；

图8是总参考时钟频率偏移故障时参考时钟2输出接口的频率值；

图9是总参考时钟频率偏移故障时中频输出接口的频率值；

图10是基于STSCKF的故障预测软件运行界面；

图11是调制电路故障时中频输出接口在Data＝0时的频谱；

图12是调制电路故障时中频输出接口在Data＝255时的频谱；

图13是调制电路故障时中频输出频谱峰峰值带宽；

图14是基于ImSAP-ELM的故障预测软件运行界面；

图15是基于MPELM的故障预测软件运行界面；

图16是环路滤波器故障时中频输出接口在Data＝0时的频谱；

图17是环路滤波器故障时中频输出接口在Data＝247时的频谱；

图18是环路滤波器故障时中频输出的归一化相位噪声值；

图19是基于BAFOS-ELM的故障预测软件运行界面。

具体实施方式

下面结合附图和具体实施方式对本实用新型作进一步详细的说明。

机载发射机主要用来实现编解码单元的图像、遥测信号的调制、变频和发射等功能。参见图1所示，机载发射机主要由依次连接的10MHz参考信号源模块100’、锁相环和振荡器模块200’以及混频器模块300’等部分组成。本实用新型为了利用机载发射机故障预测试验平台验证无人机故障预测方法的有效性，需要机载发射机能够产生故障，并可以利用测量仪器采集故障特征参数，最后将采集到的故障信息送入故障预测方法中，得出预测结论，从而实现机载发射机故障预测原理验证全过程。

参见图2，一个实施例中，无人机机载发射机故障预测系统包括故障信号生成模块100、信号采集模块200、通信模块300和故障预测模块400。其中，故障信号生成模块100，用于根据预设故障类型和故障程度，生成基于机载发射机的故障响应信号。信号采集模块200，用于接收故障信号生成模块100生成的故障响应信号，并从中采集第一故障信号，以及将第一故障信号发送给通信模块300。通信模块300，用于将第一故障信号发送至故障预测模块300。故障预测模块300，用于根据第一故障信号进行故障预测。本实施例中，第一故障信号可以包括功率信号、频率信号和频谱信号中的一种以上的信号。

具体的，故障信号生成模块100能够模拟机载发射机的实际故障，根据设置的不同故障类型和故障程度，输出对应的响应信号，为故障预测技术的验证提供被预测对象。故障信号生成模块100主要用于验证预测方法的有效性，若采用破坏性方式设置故障，会对装备的性能产生影响。另外，破坏性实验每次造成的故障程度不同，不利于比较不同方法在相同故障条件下的预测性能。为此，故障信号生成模块100的电路组成结构与实际机载发射机基本相同，只是利用一些可调器件代替发射机的原有器件，通过调整不同可调器件的值来模拟不同类型和不同程度的故障。可调器件选用数字可调型，其能根据数字控制信号改变可调器件的参数值。

本实施例中，故障信号生成模块100又称故障注入样机，可以设置的故障部件涵盖了机载发射机中所有的组成模块，主要的故障部件包括晶振、电容、放大器、电压转换单元、调制电路单元、环路滤波器、电压转换单元、带通滤波器和本振单元等。其中，晶振、电容和放大器为10MHz参考信号源模块下的故障部件。电压转换单元、调制电路单元和环路滤波器为锁相环模块下的故障部件。电压转换单元和带通滤波器为振荡器模块下的故障部件。本振单元为混频器模块下的故障单元。

参见图3，一个实施例中，信号采集模块200可以包括频率计210、功率计220和频谱仪230中的一种以上。其中，频率计210，用于在第一故障信号中采集频率信号，并发送给通信模块300。功率计220，用于在第一故障信号中采集功率信号，并发送给通信模块300。频谱仪230，用于在第一故障信号中采集频谱信号，并发送给通信模块300。本实施例中，频率计210采用的型号为Agilent 53132A。功率计220采用的型号为Agilent E4416A。频谱仪230采用的型号为Agilent N9320B。

当然，在其他实施例中，信号采集模块200还可以根据需要，包括频率计210、功率计220和频谱仪230以外的其他测量仪器，对此不作限制。

作为一种可实施方式，通信模块300可以包括USB(Universal Serial Bus，通用串行总线)接口、GBIP(General-Purpose Interface Bus，通用接口总线)接口和RS232串口中的一种以上。

参见图4，一个实施例中，故障预测模块400可以包括特征参数提取单元410和故障预测单元420。特征参数提取单元410，用于在第一故障信号中提取特征参数，并发送给故障预测单元420。故障预测单元420，用于根据特征参数进行故障预测。其中，特征参数可以包括峰值带宽和/或相位噪声值。峰值带宽可以在频谱图中提取，相位噪声值可以根据不同频点的功率计算得出。

参见图5，一个实施例中，故障预测单元420可以包括模型已知条件下的预测子单元421、退化全过程故障数据已知条件下的预测子单元422和故障数据部分已知条件下的预测子单元423。故障预测单元420可以根据提取出的特征参数，针对不同的先验条件进行故障预测。先验条件主要包括两大类：数学模型已知(对应于模型已知条件下的预测子单元421)、数学模型未知(对应于退化全过程故障数据已知条件下的预测子单元422和故障数据部分已知条件下的预测子单元423)。

针对不同的先验条件要采用不同的故障预测方法进行故障预测，具体为：(1)模型已知条件下采用的故障预测方法为：STSCKF(多重渐消因子的强跟踪SCKF)、OS-ELM(贯序极限学习机)和χ²检验。(2)退化全过程故障数据已知条件下采用的故障预测方法为：ImSAP-ELM(改进的灵敏度剪枝ELM)和MPELM(多分类概率ELM)。(3)故障数据部分已知条件下采用的故障预测方法为：BAFOS-ELM(融合贯序重采样Bootstrap和AFOS-ELM)。

优选的，无人机机载发射机故障预测系统还可以包括激励模块500。其中，激励模块500用于生成激励信号，并发送给故障信号生成模块100。故障信号生成模块100根据激励信号，结合设置的不同故障类型和故障程度，生成相应的故障响应信号。其中，激励信号可以为调制信号。

参见图6，一个实施例中，激励模块500可以包括波形发生器510和直流稳压电源520。波形发生器510与故障信号生成模块100连接。直流稳压电源520为故障信号生成模块100供电。其中，波形发生器510采用的型号可为Agilent 33220A。

较佳的，无人机机载发射机故障预测系统还可以包括预测结果管理模块600。预测结果管理模块600，用于将故障预测模块400产生的预测结果进行分类并存储。例如，预测结果管理模块600可以根据一定的标准将预测结果划分为：良好、较好、一般、较差和非常差等几个等级。然后对这些预测结果进行分类存储，为日后的维修决策与管理奠定一个数据基础支持。

参见图7，以下以一个具体实例对无人机机载发射机故障预测系统进行说明。本实施例中，无人机机载发射机故障预测系统包括机载发射机故障注入样机710、激励模块500、信号采集模块200、通信接口720和主控计算机730。

其中，机载发射机故障注入样机710根据机载发射机实际装备的电路组成和功能结构，利用一些可调器件代替发射机原有器件，通过调整不同可调器件的值来模拟不同类型和不同程度的故障。且为了提高故障设置的效率和准确性，可调器件选用数字可调型，其能根据数字控制信号改变可调器件的参数值。

机载发射机故障注入样机710的外部输出接口包括参考时钟输出接口、中频输出接口、射频输出接口、激励输入接口和通信接口等。其中，参考时钟输出接口可以包括参考时钟1输出接口、参考时钟2输出接口和参考时钟3输出接口。三个参考时钟输出接口用于10MHz参考信号源模块的输出。中频输出接口用于锁相环模块的输出。射频输出接口用于经混频器模块后的输出。激励输入接口为机载发射机故障注入样机710提供直流电源，以及调制信号的输入等。通信接口用于与主控计算机730连接，控制内部可调器件的值。

激励模块500包括直流电源和信号源3320A。直流电源为机载发射机故障注入样机710提供±12V的直流电。信号源3320A为机载发射机故障注入样机710提供激励信号。激励模块500通过激励输入接口与机载发射机故障注入样机710连接。

信号采集模块200包括频率计53132A、功率计E4416A和频谱仪N9320B。信号采集模块200从机载发射机故障注入样机710生成的故障响应信号中采集功率信号、频率信号和频谱信号。频率计53132A和功率计E4416A均通过USB接口与通信接口720连接，频谱仪N9320B通过GPIB接口与通信接口720连接。

通信接口720与主控计算机730之间通讯连接。机载发射机故障注入样机710通过RS232串口与通信接口720连接。另外，在机载发射机故障注入样机710和功率计E4416A之间还可以设置衰减器，以使得功率计E4416A能够更加精准的采集功率信号。

本实施例中，主控计算机730控制机载发射机故障注入样机710出现不同故障，直流电源和信号源为机载发射机故障注入样机710提供激励信号。机载发射机故障注入样机710输出接口连接到不同测量仪器(功率计、频率计和频谱仪)，利用测量仪器读取输出信号的特征参数。当开始预测后，根据选择的故障部件，主控计算机730自动发出控制指令，逐渐增大机载发射机故障注入样机710的故障程度。而主控计算机730发出的指令对于故障预测方法是未知的，即预测方法不知道机载发射机故障注入样机710实际的故障程度和故障趋势，从而保证对预测方法测试的客观性和准确性。

以下对几种故障预测方法进行说明。

本实施例中，可以根据提取出的特征参数，针对不同的先验条件进行故障预测。先验条件主要包括两大类：数学模型已知(对应于模型已知条件下的预测方法)、数学模型未知(对应于退化全过程故障数据已知条件下的预测方法和故障数据部分已知条件下的预测方法)。

针对不同的先验条件要采用不同的故障预测方法进行故障预测，具体为：(1)模型已知条件下采用的故障预测方法为：STSCKF(多重渐消因子的强跟踪SCKF)、OS-ELM(贯序极限学习机)和χ²检验。(2)退化全过程故障数据已知条件下采用的故障预测方法为：ImSAP-ELM(改进的灵敏度剪枝ELM)和MPELM(多分类概率ELM)。(3)故障数据部分已知条件下采用的故障预测方法为：BAFOS-ELM(融合贯序重采样Bootstrap和AFOS-ELM)。

1.基于STSCKF故障预测技术验证(STSCKF为一种故障预测方法)。

使用总参考时钟频率偏移故障下的数据作为测试数据。该故障是由10MHz参考晶振性能退化引起的频率偏移，其影响机载发射机参考时钟1输出、参考时钟2输出、参考时钟3输出和中频输出接口信号的频率值。主控计算机发送串口指令Data，由于参考时钟1输出、参考时钟2输出、参考时钟3输出的频率相同。为此，利用频率计测量参考时钟2输出和中频输出接口的频率值，如图8和图9所示。由图8和图9可以看出，随着Data数值的增加，两个输出接口的信号频率向上发生偏移。利用功率计采集参考时钟1接口的功率输出。

主控计算机每间隔Δt＝1min发送一次串口指令Data，控制频率偏移量，且Data的值成递增趋势。分别利用频率计和功率计采集频率值和功率值。故障预测运行界面如图10所示。

图10上端的图表示故障发生时间预测过程中，改进型χ²检验的检测函数D_k+5|k，中间两幅图分别表示故障位置预测过程中，改进型χ²检验对频率偏移故障模型和增益衰减故障模型的D_k+5|k，下端的两幅图分别表示故障参数R_fre和故障概率预测值。预测结果表明所提出的STSCKF方法能够有效地进行故障预测。

2.基于ImSAP-ELM的故障预测技术验证(ImSAP-ELM为一种故障预测方法)。

使用锁相环模块调制电路故障下的数据作为测试数据。该故障会影响中频输出接口频谱峰峰值带宽W_fre。令信号源产生2V_pp，1kHz方波信号，作为调制电路的输入调制信号，主控计算机发送串口指令Data。图11和图12所示为Data＝0和Data＝255时，中频输出的频谱。可以看出，不同Data下频谱峰峰值带宽W_fre不同，选取W_fre为故障特征参数，定义其计算公式为

W_fre＝fre₂-fre₁ (1)

式中，fre₁为第一个频谱峰值点的频率，fre₂为第二个频谱峰值点的频率。

令Data在0～255之间依次变化，利用频谱仪测得的中频输出接口W_fre值如图13所示。可以看出，W_fre的值随着Data的增加而变小。

调制电路故障会使得调制电路的W_fre发生变化，主控计算机每间隔Δt＝1min 发送一次串口指令Data控制调制电路可调电阻，且Data的值成递增趋势。利用频谱仪测量中频输出接口的W_fre，将W_fre作为基于ImSAP-ELM故障预测的特征参数。故障预测运行界面如图14所示。其中，图14中上端的图表示频谱峰峰值带宽的预测值，下端的图表示故障概率预测值。预测结果证明了基于ImSAP-ELM故障预测方法的可行性。

3.基于MPELM的故障预测技术验证(MPELM为一种故障预测方法)。

使用参考时钟2故障下的数据作为测试数据。假设其同时出现频率偏移和功率衰减故障，计算机每隔Δt＝1min发送一次指令Data1和Data2。其中Data1用于控制晶振的可调电阻，Data2控制可调衰减器的衰减值，且Data1和Data2的值呈递增趋势。分别利用频率计和功率计测量参考时钟2接口的频率值和功率值，将测得的参数值送入MPELM预测算法中，故障预测运行界面如图15所示。其中，图15中上端的图表示测试样本分属4种退化状态的概率估计值，下端的图表示故障概率预测值，预测结果验证了MPELM方法的有效性和正确性。

4.基于BAFOS-ELM的故障预测技术验证(BAFOS-ELM为一种故障预测方法)。

使用环路滤波器故障下的数据作为测试数据。该故障会增大中频输出信号噪声，主控计算机发送串口指令Data，Data取值范围为0～247。图16和图17所示为Data＝0和Data＝247时，中频输出频谱。可以看出，Data＝247时的相位噪声高于Data＝0时的相位噪声。利用直接频谱仪法提取相位噪声作为特征参数，计算公式如下，

PN＝P_ssb-P₀-10lg(1.2RBW)+2.5 (2)

式中，P₀为峰值处功率，P_ssb为距峰值10kHz频偏处的功率，RBW为分辨率带宽。

令Data在0～247之间依次变化，利用频谱仪测得中频输出接口的相位噪声，因为由相位噪声组成的时间序列波动较大，不利于准确地进行预测。为此，采用小波去噪法，并对相位噪声进行归一化处理，得到的波形如图18所示。可以看出，相位噪声值随着Data的增加而变大。

主控计算机每间隔Δt＝1min发送一次串口指令Data，控制环路滤波器电阻值，且Data的值成递增趋势。基于BAFOS-ELM的预测方法需要中频输出接口的相位噪声，利用频谱仪测量相位噪声，将该参数作为故障特征代入BAFOS-ELM算法中，故障预测运行界面如图19所示。其中，图19中上端的图表示相位噪声的预测均值、上限和下限，下端的图表示故障概率的预测均值、上限和下限，预测结果说明了BAFOS-ELM方法的有效性。

上述无人机机载发射机故障预测系统，选取机载发射机作为故障预测技术的验证对象，提取到第一故障信号后采集第一故障信号中的特征参数，并将采集到的特征参数送入故障预测方法中得出预测结论，从而实现机载发射机故障预测原理验证全过程，故障预测虚警率和误警率均较低，故障预测结果较为精确。

以上所述仅为本实用新型的较佳实施例而已，并不用以限制本实用新型，凡在本实用新型的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本实用新型的保护范围之内。