基于SNR退化模型和粒子滤波的雷达发射机故障预测方法与流程

本发明属于电子设备的故障预测与健康管理技术领域，具体涉及一种基于snr退化模型和粒子滤波的雷达发射机故障预测方法。

背景技术：

雷达系统是一种常用的复杂电子系统，发生故障几率及其故障点存在诸多不确定因素，其中雷达发射机是雷达系统的关键组成部分。对雷达发射机的维护则是保持雷达系统完好并顺利完成任务的保障。早期的复杂电子系统大部分使用事后维修和定期维护这两种维护方式。随着电子装备复杂程度加深，被动的事后维修和定期维护导致大量的资源浪费。为此，故障预测与健康管理技术(prognosticsandhealthmanagement,phm)应运而生，其核心是通过对装备故障的提前预测来安排对应的维护方式，让装备能够保持功能性，减少了维护的费用和避免了故障导致的各种损失。

对故障预测技术的研究主要分为两类，一类基于数据驱动，另一类基于性能退化模型。近几年我国对故障预测方法开展了一些研究，如故障树法、灰色模型法、深度学习等，这些方法大多属于数据驱动，需要大量数据和高精度数据分析能力。如果能够建立准确表征性能退化的模型，就能在不需要大量数据的情况下对故障进行预测。

技术实现要素：

本发明的主要目的在于提供一种基于snr退化模型和粒子滤波的雷达发射机故障预测方法，旨在解决既有方法中存在的以上技术问题。

为实现上述目的，本发明提供一种基于snr退化模型和粒子滤波的雷达发射机故障预测方法，包括以下步骤：

s1、选择雷达在其使用寿命期间对固定目标的回波信噪比snr的退化作为损伤参数，构建雷达回波信噪比snr的物理模型；

s2、采用最小均方误差法计算雷达回波信噪比snr；

s3、根据雷达回波信噪比的多项式状态方程和观测方程，构建回波信噪比snr的退化模型；

s4、通过曲线拟合获取回波信噪比snr退化模型中的初始参数；

s5、利用粒子滤波方法和历史数据对回波信噪比snr退化模型进行训练，更新模型参数；

s6、利用基于粒子滤波的寿命终止预测方法和步骤s5训练后的回波信噪比snr退化模型对雷达发射机进行故障预测。

进一步地，所述步骤s1中，构建的雷达回波信噪比snr的物理模型具体表示为：

其中，pinput为发射机的输出功率，gt为发射增益，gr为接收增益，λ为发射信号的波长，σ是探测目标有效反射面积，k为波尔兹曼常数，t0为标准温度，b为接收机中频带宽，f为接收机噪声系数，r为目标距离，l为系统损耗因子，γl为天线反射系数。

进一步地，所述步骤s2中，采用最小均方误差法估计雷达回波信噪比snr具体表示为：

其中，s(t)为发射信号，y(t)为接收信号，为回波振幅估计，τ为回波时延。

进一步地，所述步骤s3中，构建的回波信噪比snr的退化模型具体表示为：

snr＝p1k²+p2k+p3

其中，p1,p2,p3为未知系数，k为时间索引。

进一步地，所述步骤s5利用粒子滤波方法和历史数据对回波信噪比snr退化模型进行训练，更新模型参数，具体包括以下分步骤：

s51、对回波信噪比snr退化模型中的状态方程进行优化；

s52、由先验分布得到粒子集的初始化状态；

s53、根据状态方程和前一时刻的粒子状态，计算当前时刻的粒子状态；

s54、根据当前时刻的粒子输出只和观测数据对粒子进行重要性采样，更新粒子权值，并对更新后的粒子权重进行归一化；

s55、计算有效粒子数量，并与设定阈值进行比较；若有效粒子数量大于设定阈值，则返回步骤s53；若有效粒子数量小于设定阈值，则将权值较大的粒子的状态数值赋给权值较小的粒子，并将所有粒子权值重置。

进一步地，所述步骤s51中，对回波信噪比snr退化模型中的状态方程进行优化具体为：

将回波信噪比snr退化模型中的状态方程中需要训练的三个未知系数转换为两个，将状态方程表示为

xk＝xk-1+(2k-1)p1k+p2k。

进一步地，所述步骤s5训练后的回波信噪比snr退化模型具体表示为：

其中，为训练结束时刻t对应的粒子状态，为更新后的粒子权重。

本发明的有益效果是：本发明选择雷达在其使用寿命期间对固定目标的回波信噪比snr的退化作为损伤参数，使用最小均方误差估计获得信噪比snr，接着基于对固定物体测得的snr数据建立雷达信噪比的多项式状态方程和观测方程，以此来建立信噪比snr的退化模型；通过曲线拟合获取snr多项式退化模型中的初始参数；然后利用粒子滤波方法和历史数据对snr状态空间退化模型进行训练来更新模型参数，形成能够用于对雷达发射机进行故障预测的最佳模型；最后，利用基于粒子滤波的寿命终止预测方法和最佳模型对雷达发射机进行故障预测。本发明的故障预测方法可以在线适应被监测的雷达发射机，在建立准确退化模型的基础上能够实现对雷达发射机的高精度故障预测，为雷达系统在实际应用时保证其可靠性和及时维护提供了技术支撑。

附图说明

图1是本发明的基于snr退化模型和粒子滤波的雷达发射机故障预测方法流程示意图；

图2是本发明实施例中初始参数的估计仿真

图3是本发明实施例中使用粒子滤波在50月对雷达系统信噪比snr的预测结果图；

图4是本发明实施例中使用粒子滤波在80月对雷达系统信噪比snr的预测结果图。

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，本发明的基于snr退化模型和粒子滤波的雷达发射机故障预测方法包括以下步骤：

s1、选择雷达在其使用寿命期间对固定目标的回波信噪比snr的退化作为损伤参数，构建雷达回波信噪比snr的物理模型；

s2、采用最小均方误差法计算雷达回波信噪比snr；

s3、根据雷达回波信噪比的多项式状态方程和观测方程，构建回波信噪比snr的退化模型；

s4、通过曲线拟合获取回波信噪比snr退化模型中的初始参数；

s5、利用粒子滤波方法和历史数据对回波信噪比snr退化模型进行训练，更新模型参数；

s6、利用基于粒子滤波的寿命终止预测方法和步骤s5训练后的回波信噪比snr退化模型对雷达发射机进行故障预测。

在本发明的一个可选实施例中，上述步骤s1将雷达接收机输入端的接收功率表示为：

其中，pt为发射功率，gt为发射增益，gr为接收增益，λ为发射信号的波长，σ为探测目标有效反射面积，r为探测目标距离。

根据雷达接收机噪声系数f的定义，即

得到雷达接收机的输出信噪比snr，表示为

其中，k为波尔兹曼常数，取1.38×10^-23j/k；t0为标准温度，即290k；b为接收机中频带宽；l为系统损耗因子。

考虑具有特征阻抗z0和入射电压为v⁺的传输电路，发射机的输出功率pinput表示为：

如果出现负载(天线)不匹配，将产生反射电压v^-，那么反射功率可以表示为：

从而得到反射系数为：

也可以得到反射功率为：

基于上述分析，实际发射功率pt可以建模为：

pt＝pinput-preflected＝pinput[1-|γl|²]

将上式带入信噪比的物理模型中，即可得到雷达回波信噪比snr的物理模型，表示为：

其中，pinput为发射机的输出功率，gt为发射增益，gr为接收增益，λ为发射信号的波长，σ是探测目标有效反射面积，k为波尔兹曼常数，t0为标准温度，b为接收机中频带宽，f为接收机噪声系数，r为目标距离，l为系统损耗因子，γl为天线反射系数。

可以看出直接影响信噪比的雷达参数包括发射机输出功率，接收机带宽，天线增益和反射系数。雷达发射系统长期工作，可能导致发射功率下降和与负载天线的阻抗失配。因此可以通过对信噪比历史数据的退化进行建模，用信噪比来表征发射系统的性能衰退，进而预测其故障时间和剩余寿命。

在本发明的一个可选实施例中，上述步骤s2设雷达发射信号波形为s(t)，接收回波信号表示为y(t)＝as(t-τ)+n，用回波脉冲的采样数据对振幅a做最小均方误差估计使接收信号误差最小，则

回波振幅估计

信噪比估计

其中，s(t)为发射信号，y(t)为接收信号，为回波振幅估计，rys(τ)为发射信号与接收信号的互相关，τ为回波时延。

在本发明的一个可选实施例中，上述步骤s3构建信噪比snr的状态方程f(·)和观测方程h(·)定义如下：

xk＝f(xk-1,θk,uk)

zk＝h(xk,vk)

其中，xk是假定为表征雷达发射机性能的未观察到的马尔可夫过程的状态向量，表示给定时刻k的系统状态参数；系统的观察或测量向量由zk表示；必须确定的未知参数表示为θk；过程噪声和测量噪声序列分别为uk和vk。

电子元件的性能退化过程通常表现为先平稳衰减，随着长时间使用退化速度越来越快。常用的经验模型有指数模型和多项式模型，即

xk＝a1k^m+a2k^m-1+,…,+amk+am+1

对于信噪比snr的退化过程，本发明选择使用二阶多项式作为其退化模型，具体表示为：

snr＝p1k²+p2k+p3

该模型对应的状态方程为：

xk＝p1kk²+p2kk+p3k

其中，k为时间索引，p1，p2和p3为需要确定的未知退化模型参数，ua，ub和uc为加性高斯噪声，其均值为零，方差为和

与之对应的观测方程为：

zk＝xk+vk

其中，观测值zk即步骤s2中计算得到的信噪比。

在本发明的一个可选实施例中，上述步骤s4对回波信噪比snr历史数据进行曲线拟合，以此对信噪比snr的多项式状态方程f(·)和观测方程h(·)的初始系数进行估计，如图2所示，拟合得到的初始参数如表1所示。

表1、拟合初始参数表

在本发明的一个可选实施例中，上述步骤s5使用雷达接收信号信噪比snr的历史运行数据作为模型训练数据，利用粒子滤波方法对snr多项式状态空间退化模型进行训练，对模型参数进行更新，具体包括以下分步骤：

s51、对回波信噪比snr退化模型中的状态方程进行优化，具体为：

将回波信噪比snr退化模型中的状态方程中需要训练的三个未知系数转换为两个，将状态方程转换为

s52、由先验分布得到粒子集的初始化状态；

对于粒子集，由先验分布得到初始化状态n为粒子数量。对于所有粒子，初始权值

s53、根据状态方程和前一时刻的粒子状态，计算当前时刻的粒子状态；

在训练数据的时间范围k∈[1,t]，根据状态方程和当前k-1时刻的粒子状态，计算k时刻的粒子状态。

s54、根据当前时刻的粒子输出只和观测数据对粒子进行重要性采样，更新粒子权值，并对更新后的粒子权重进行归一化；

根据k时刻的粒子输出值和观测数据zk对粒子进行重要性采样，更新粒子权值，具体为

对更新后的粒子权重进行归一化，具体为

s55、计算有效粒子数量，并与设定阈值进行比较；若有效粒子数量大于设定阈值，则返回步骤s53；若有效粒子数量小于设定阈值，则将权值较大的粒子的状态数值赋给权值较小的粒子，并将所有粒子权值重置。

随着权值更新迭代次数增加，可能会出现粒子退化现象，即权重集中在少数几个粒子上，为此需要计算有效粒子数量neff，具体为

将计算的有效粒子数量neff与设定阈值nthres进行比较，若有效粒子数量大于阈值，则返回步骤s53继续训练，若有效粒子数量小于阈值，则要进行重采样将权值较大的粒子的状态数值赋给权值较小的粒子，并将所有粒子权值重置

经过步骤s5训练后的回波信噪比snr退化模型具体表示为：

其中，为训练结束时刻t对应的粒子状态，为更新后的粒子权重。

在本发明的一个可选实施例中，上述步骤s6利用步骤s5训练后的回波信噪比snr退化模型和粒子滤波算法对后续时刻的回波信噪比snr进行预测，然后将回波信噪比snr的预测值与设定阈值进行比较，超过该阈值则认为雷达发射机发生故障即寿命终止。

本发明利用基于粒子滤波的eol预测方法对在50月和80月时间点对snr的退化趋势预测分别在图3和图4中示出，并在表2中集中表示。

表2、snr的退化趋势预测表

可见这种故障预测方法能够对雷达发射机的故障时间和剩余使用寿命进行较为准确的估计。

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。