雷達狀態監測數據處理方法

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

隨著科學技術的發展，雷達裝備的性能日益提高，結構也越來越復雜。與此同時，軍事上對雷達裝備的質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監測的思想．通過對雷達裝備進行狀態監測，可以定性、定量地掌握雷達裝備的運行狀態，預測雷達裝備的可靠性，隨時可以獲得質量評估結果，實現實時對雷達裝備的質量進行監測和評估，使雷達裝備在現代化戰爭中發揮其最大的優勢。

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狀態進行監視[1-2]。它是一種信號動態時間序列統計模型，理論基礎豐厚，處理連續的動態信號效果更好。本文針對雷達裝備的復雜性，在雷達裝備狀態信息獲取中，對所有元器件進行狀態監測是非常困難的，所以對能夠反應雷達裝備質量的主要部件進行監測，獲得監測數據，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下的KL距離，通過KL距離的大小就可以對雷達裝備的質量進行評估。評估的結果說明了該方法的可行性，為雷達裝備的質量評估提供了一種新的思路。

1 雷達裝備質量狀態監測的內容與步驟

雷達裝備的工作狀態是雷達裝備質量狀態監測的主要內容。首先是獲取狀態信息，常用的方法有監視、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境、裝備歷史狀態、現存狀態等因素，最后對雷達裝備質量做出評估，判斷出雷達裝備當前處于什么狀態，以便裝備管理人員對雷達裝備進行有效管理，也為后續的故障分析、性能評估、裝備維護奠定了基礎[3]。

1.1 狀態監測部位的設置

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

雷達裝備的運行狀態就是表征雷達裝備運行狀況的主要參數在雷達運行過程中的反應狀況，而雷達狀態監測便是對這些參數的狀態監測[6]。現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量評估，需要對各方面的有關參數進行監測和處理，根據對某型雷達的參數測試分析得出影響雷達裝備質量性能的主要參數如表1所示。

表1 影響雷達裝備質量的主要參數

1.2 狀態監測的步驟

1)信號采集

設備在運行中會產生大量的信息，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，即能表征裝備狀態的信息，即特征提取。

圖1 狀態監測原理

3)狀態識別

對比允許的參數與上一步獲取的參數，以確定雷達裝備此刻的質量狀態，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避雷達裝備故障。

2 狀態監測信息的特征提取

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神經網絡的特征提取法和基于模糊信息優化處理的特征提取法。這三種提取方法各有優缺點，如表2所示。

要想全面掌握雷達裝備工作狀態，就必須監視每個元器件的狀態，從而更好地評估雷達裝備質量，但是因元器件數量眾多，必然產生超量數據。這樣不利于數據采集和處理，且有可能沒辦法實現。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測，而應該只監測影響因素大、能明顯表征裝備工作狀態的元器件工作狀態[7]。所以就出現了這種情況，在進行特征提取的過程中又會出現信息不足的問題，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數量化，這種已數量化的性質稱為樣本指標。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計指標選擇集合，也就是統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)為仿真數據總體密度，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，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律為

(2)

更好地反映了W所在總體的規律，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在狀態監測數據處理中的應用

目前，常見的電子裝備狀態監測方法有基于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測模型效率更高。根據觀測信號的性質，HMM可分為兩類：連續隱馬爾可夫模型(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量評估中采集到的狀態監測信號是連續信號，故采用連續隱馬爾可夫模型(CHMM)實現對監測數據的處理[9]。處理過程如圖2所示。

圖2 應用CHMM對狀態監測數據處理

應用CHMM對雷達裝備質量進行評估，其數據處理過程主要有以下幾個方面：

1)特征狀態的提取。根據雷達裝備質量評估中狀態監測信號的特點，選擇合適的特征提取方法，對狀態信息進行提取。

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

3)質量的評估。狀態監測訓練一個CHMM代表正常態，用雷達裝備正常狀態的質量信息的多組監測序列O正常訓練CHMM并計算出正常態的似然概率值P(O正常|λ)。將未知狀態的監測序列O未知送入已訓練的CHMM并計算出未知態的似然概率值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為p，另一個概率密度函數為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，一般采用對數似然概率。經過特征提取后的信號構成觀測序列，先由訓練后的正常態HMM求得p正常(O|λ)，再用當前監測數據特征由正常態的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，從而判斷狀態偏離程度[10]。KL值越小，雷達裝備狀態越接近于正常；KL值越大，故障程度越高，如果其值大于閾值，則已失效，基于此實現對狀態監測數據的處理以及評估。

4 實例分析

對雷達裝備進行狀態監測得到m×n維樣本指標，其中，m為測試的指標數，n為每一測試指標的多次測量數據，在雷達裝備的質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μ(x)，建立分配函數，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，以其中接收分系統的濾波器損耗為例，對正常態的濾波器損耗進行狀態監測得到一組數據，經過基于模糊信息優化處理及特征提取后得到同時觀測，同初始狀態下的兩組n維反應接收機的質量信息的向量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性、不可逆性，故選擇的CHMM為無跳躍的左右型，經過正常態下雷達接收分系統中濾波器損耗監測獲取的數據來訓練一個CHMM并作為狀態監測器，利用未知狀態下雷達接收分系統中濾波器損耗的數據輸入到這個CHMM，計算對應的KL值，從而對雷達裝備接收分系統的質量進行估計：根據實際情況設定閾值α，若KL≥α則該接收分系統需要維修，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據進行采集，共采集10次，每次采集的數據都要與濾波器損耗標稱值進行比對，如果標稱值在[0,10]%內，則表示接收機狀態正常；如果標稱值在90%以上，則表示接收機處于失效狀態；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。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個狀態等級。由接收機正常狀態下的濾波器損耗監測數據訓練CHMM，并將上述數據依次輸入CHMM中得到對應的KL距離，實驗結果如表3所示。

表3 雷達接收機從正常狀態到失效狀態下的KL距離

從表3得知，隨著接收機的狀態逐步向失效態發展，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。在同一故障狀態下，通過計算KL距離就可以初步對雷達接收機的質量做出評估，從而更好地應用于雷達裝備的質量評估中。

5 結束語

本文提出了一種對雷達裝備質量的狀態監測數據進行處理的新方法。將CHMM作為狀態監測器，以能夠反應雷達裝備質量的有限數據信息經過進行模糊信息優化處理后來訓練CHMM，然后將未知狀態下的數據輸入CHMM，經過計算KL距離來對雷達裝備質量進行評估，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量評估過程中難以檢測的故障轉換為明顯變化的KL距離值，能夠有效估計出雷達裝備的質量狀態，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。