基于多維高斯貝葉斯算法在雷達故障信息診斷系統應用

馬景奕，李奕澄，金慶忠，楊 斌

(1.中國氣象局 氣象干部培訓學院甘肅分院，蘭州 730020;2.四川大學 電氣工程學院，成都 610207;3.蘭州資源環境職業技術學院，蘭州 730020)

0 引言

氣象雷達是一種主動型大氣微波遙感設備，可被應用于大氣探測等多個實踐領域之中，在實際操作過程中，氣象雷達需要與無線電探空儀配套使用。常規雷達設備由電子計算機、圖像傳輸主機、顯示器、照相裝置、定向天線、天線控制器、接收機、發射機等多個部分組成，作為氣象環境監測的重要應用元件，在預警報警、突發性處理等方面具有極強的實踐性價值[1-2]。近年來，由于Web技術的不斷發展，氣象雷達的應用與發展開始逐漸受到各行各業的重視。隨著Internet遠程協作模式的不斷完善，本地計算機可通過網絡系統直接記錄氣象雷達的運行軌跡，并可在監視與控制設備的作用下，實現對相關數據信息的調試與分配。

由于外界氣象環境的多變性影響，地面控制主機對于氣象雷達故障信息的診斷效率會出現明顯下降的變化趨勢，從而導致故障診斷指令執行所需的數據消耗成本大幅上升。遠程故障診斷系統通過協同化服務模式，處理系統數據庫內暫存的雷達故障信息數據，再借助以太網主機實現對待傳輸參量的按需調度。然而此系統的實際執行能力有限，并不能完全消除故障信息對氣象雷達探測結果所造成的影響。為解決此問題，設計基于多維高斯貝葉斯算法的雷達故障信息診斷系統，在硬件體系框架的支持下，建立完整的客戶機/服務器模式，再借助服務器與信息查詢模塊，實現對多維系數信號的實時處理。

1 雷達故障信息診斷系統的體系結構

雷達故障信息診斷系統的硬件體系結構由核心框架、客戶機/服務器模式、服務器、信息查詢模塊四部分共同組成，具體搭建方法如下。

1.1 系統設計框架

由于氣象雷達設備的應用復雜度水平持續提高，故障信息的診斷維護難度也隨之增大，且這些設備的分布范圍相對較為廣泛，很多情況下，針對各種故障行為，系統應用主機并不能及時作出有效診斷。新型雷達故障信息診斷系統在多維高斯貝葉斯算法的支持下，建立完善的診斷服務中心，可體現診斷判別指令的敏捷性與有效性[3]。整個診斷系統由雷達現場工作站、診斷中心兩部分共同組成，可在維持氣象雷達設備正常探測能力的同時，向相關行為主機提供準確的故障信息診斷意見，具體結構如圖1所示。當雷達設備出現故障行為時，診斷中心會自動下達診斷服務指令，且現場工作站在接收到這些數據信息指令后，會協助其進行下一步的故障信息判別。雷達現場工作站能夠對應用設備進行準確的監控與預報，并且具有一定強度的診斷與分析能力，可獨立處理簡單的故障問題[4]。而當雷達設備出現嚴重故障行為時，因特網將自動發起診斷服務請求，在確定故障診斷中心與現場測試儀間的連接關系趨于穩定后，開始對雷達故障信息的傳輸與反饋。

圖1 系統框架結構

1.2 客戶機/服務器模式

系統客戶機/服務器模式的診斷原理是通過合理分配的方式，將雷達故障信息整合成統一的傳輸數據包，再遵照Internet網絡的連接需求，將這些信息參量反饋至內、外部服務器主機中。在系統對外服務器的對應信息診斷模式中，客戶機結構直接與系統防火墻與路由器相連，可借助交換機設備確定外部雷達工作站中故障信息的實際傳輸情況，再將其轉換成文本信息，存儲于系統數據庫主機中。系統對內服務器對應信息診斷模式中的服務器結構，只負責管理與之關聯的內部雷達工作站[5]。與外部雷達工作站不同的是，內部雷達工作站的記錄能力有限，僅能分析待傳輸氣象探測信息的應用有效性，可在滿足多維高斯貝葉斯算法處理需求的同時，改變已存儲故障信息文本的存儲形式，并從中提取相對有用的數據文件，以供系統其他硬件執行設備的調取與利用。系統客戶機/服務器診斷模式示意圖如圖2所示。

圖2 系統客戶機/服務器診斷模式

1.3 服務器

服務器是雷達故障信息診斷系統的主要組成元件之一，它能夠直接面向客戶機/服務器主機，對相關數據與信息接口進行管理，從而生成全新的系統信息顯示界面。在多維高斯貝葉斯算法作用下，服務器始終保持原有的Windows NT形式，且考慮到氣象雷達故障信息的跨平臺傳輸特性，診斷系統在后續應用過程中需要兼顧到數據傳輸文件的擴展性與實踐性，可利用Java語言對這些信息參量進行編程處理，一般情況下，完成編碼后的數據傳輸文件可直接存儲于SQL Server 7.0數據庫結構體之中[6]。由于客戶機/服務器模式的限制性影響，系統服務器必須以應用環境中的Internet網絡作為核心搭建依據，一方面需要在診斷雷達故障信息參量的同時，設置全新的節點連接標準，另一方面需要根據氣象雷達現場的實際應用現狀，對系統環境中的現有故障行為進行精準判斷，從而實現對Intranet網關內IP地址協議的分配與部署[7]。

1.4 信息查詢模塊

信息查詢模塊的功能是完成系統的故障信息學習過程，所采用方式包括數據分析、實例推理、多維網絡環境構建等多種，可通過學習行為推廣的方式，實現對已存儲氣象雷達故障信息參量的修改、添加與刪除。待查詢信息的獲取方式有人工獲取、非人工獲取、自動獲取、非自動獲取四種[8]。隨著多維高斯貝葉斯算法作用能力的增強，信息查詢模塊可在結合氣象雷達現場維護經驗的同時，借助互聯網調取大量的文件信息參量，再通過雷達手冊，對這些數據信息進行加工與分析。在系統應用環境中，信息查詢模塊的連接始終遵循Access數據庫中故障信息的事實表單，且由于因特網框架的存在，查詢模塊結構體可準確定義故障信息之間的實際連接關系，并可通過人工診斷與機械診斷相結合的方式，實現對氣象雷達故障行為關系的準確排查[9]。因此，信息查詢模塊的引入大大提高了雷達故障信息的診斷與查詢效率，也可在執行過程中體現SCADA診斷程序的實際應用價值。信息查詢模塊的結構示意圖如圖3所示。

圖3 信息查詢模塊的結構示意圖

2 基于多維高斯貝葉斯算法的雷達故障信息感知

在相關硬件體系結構的支持下，按照信息松弛度計算、迭代門限判定、多維系數信號處理的執行流程，實現基于多維高斯貝葉斯算法的雷達故障信息感知。

2.1 基于多維高斯貝葉斯算法的信息松弛度計算

信息松弛度計算的主要思想是通過線性規劃的方式，解決診斷系統內的氣象雷達故障優化問題，從而實現對雷達故障信息信號的重構處理。這一類方法主要包括有噪聲環境下的故障信息數據分辨、無噪聲環境下的故障信息數據分辨，除了原始的噪聲庫匹配權限外，還需要對多維高斯貝葉斯算法進行詳細分析，以解決相關指數參數的主動性差的問題[10]。

采用維高斯貝葉斯算法將有噪聲與無噪聲環境下的數據進行信息匹配，有噪聲環境是指雷達故障信息所處的非平靜傳輸背景，一般情況下，滿足該形式的故障診斷指令具備較強的抗干擾能力，可在混合文件中，直接調取所需的數據信息參量，并可在滿足多維高斯貝葉斯算法的前提下，將這些數據信息排列成松弛傳輸狀態。無噪聲環境是指雷達故障信息所處的平靜傳輸背景，一般情況下，滿足該形式的故障診斷指令抗干擾能力相對較弱，很難在混合文件中快速調取所需的數據信息參量，最終所排列出的數據信息松弛傳輸狀態也只能保持混合狀形式[11]。設x1代表有噪聲環境下的信息松弛度，x2代表無噪聲環境下的信息松弛度，C1、C2分別代表有噪聲與無噪聲環境下的數據信息匹配權限。聯立上述物理量，基于多維高斯貝葉斯算法可將信息松弛度計算式定義為：

(1)

式中，K1、K2代表有噪聲與無噪聲環境下的故障診斷指令抗干擾強度值，σ1、σ2代表有噪聲與無噪聲環境下的混合數據信息區分強度值，q1、q2分別代表兩個不同的雷達故障信息參量，α1、α2代表有噪聲與無噪聲環境下的故障信息診斷權重系數。

2.2 迭代門限判定

(2)

2.3 基于多維高斯貝葉斯算法的多維系數信號處理

多維系數信號處理的創新之處在于，多維高斯貝葉斯算法的權值選取是基于上一次迭代門限判定所得到的原始信息診斷估計結果，一般情況下，迭代門限判定結果越大，原始雷達故障信息診斷估計結果也就越精準，最終處理所得的多維信號也就越符合系統應用需求。一個較大的權重值，可使得系統在下一次迭代處理中獲得更為廣泛的信號域空間，反之一個較小的權重值，則會使得系統在下一次迭代處理中獲得極為局限的信號域空間[14-15]。采用這樣的信號處理方式，可在在臨近信息節點間建立對應的配對關系，從而使得多維高斯貝葉斯算法能夠直接作用于迭代門限的判定結果，一方面總結服務器、信息查詢模塊等多個硬件執行設備的實際應用能力，另一方面使得待診斷雷達故障信息在恢復性能上的應用價值得到有效提升。設i0代表最小的系統信息多維處理條件，in代表最大的系統信息多維處理條件，n代表處理極值之間的數據信息存儲差量，聯立公式(2)，可將多維系數信號處理結果表示為：

(3)

式中，g代表信號域空間內的雷達故障信息傳輸權限指標，bmax代表故障信息數據的最大特征參量，bmin代表故障信息數據的最小特征參量，λ代表雷達故障信息的多維傳輸系數值。

3 診斷系統接口技術

按照雷達故障信息嵌入、Access數據庫連接的處理流程，實現雷達故障信息診斷系統的順利應用。

3.1 雷達故障信息嵌入

雷達故障信息嵌入是診斷系統中最關鍵的數據處理環節，可憑借CLIPS等工具將文本參量規劃成幾個完整的空間區域，再借助多維高斯貝葉斯算法，對各個區域中的雷達故障信息進行按需提取，從而使系統人機界面呈現出相對穩定的顯示形式[16-17]。CLIPS工具在執行系統開發指令時，可將所有雷達故障信息完全嵌入至高級編譯語言中，而出于應用完整性考慮，在多維高斯貝葉斯算法的作用下，本系統借助VC++軟件實現對信息參量的混合編程處理。在實際處理過程中，由于迭代門限判別值、多維系數信號處理量等物理系數的影響，雷達故障信息的傳輸方向只能由初始節點指向終止節點，且隨著多維高斯貝葉斯算法作用能力的增強，這些傳輸物理量只能在Access數據庫中進行多次累計，直至其數值結果達到既定數值水平后，才能借助CLIPS工具實現基于VC++軟件的數據編碼與傳輸執行。雷達故障信息嵌入處理流程圖如圖4所示。

圖4 雷達故障信息嵌入處理流程圖

3.2 Access數據庫連接

Access數據庫中同時包含兩個信息診斷客戶端，其中一個設備應用元件與信息查詢模塊相連，可在獲取雷達故障信息的同時，將這些數據文件整合成滿足多維高斯貝葉斯算法執行需求的傳輸形式，并將其全部轉存于Access主機之中；另一個設備應用元件可在服務器的作用下，記錄雷達故障信息的實際傳輸形式，并可在不違背多維高斯貝葉斯算法執行標準的情況下，將這些數據參量整合成完全順向或完全逆向的存儲形式[18]。Internet服務器存在于Access數據庫中部，能夠承接系統信息診斷客戶端的連接請求，并可聯合Web網絡主機，將這些雷達故障信息劃分成待存儲文本與已存儲文本兩類，其中待存儲文本放置于信息存儲元件中，已存儲文本放置于Access主機之中[19]。至此，實現各項軟、硬件執行環境的搭建，在多維高斯貝葉斯算法的作用下，完成雷達故障信息診斷系統的應用。Access數據庫連接原理如圖5所示。

圖5 Access數據庫連接原理

4 系統應用性分析

4.1 驗證方法

為驗證基于多維高斯貝葉斯算法雷達故障信息診斷系統的實際應用價值，設計如下對比實驗。在氣象雷達探測環境中設置實驗用天氣雷達，利用傳輸數據線導出其中已存儲的數據信息，選取其中相對穩定的信息參量，將其平均分成兩部分，分別作為實驗組與對照組分析數據，其中實驗組探測主機搭載基于多維高斯貝葉斯算法雷達故障信息診斷系統，對照組探測主機搭載遠程故障診斷原型系統。

4.2 應用效果分析

雷達故障信息診斷效率能夠反應診斷系統的實際應用能力，一般情況下，診斷效率越高，系統的診斷能力也就越強，反之則越弱。圖6記錄了實驗組、對照組雷達故障信息診斷效率的具體數值變化情況。

圖6 雷達故障信息診斷效率對比圖

分析圖6可知，隨著實驗時間的增加，實驗組、對照組雷達故障信息診斷效率均保持先波動、再穩定的數值變化趨勢，但實驗組的均值水平始終高于對照組。實驗組曲線在10 min處終止波動趨勢，前10 min的實驗時間內，最大數值記錄結果達到了45%、最小數值記錄結果達到了2.5%，二者間差值為42.5%。對照組曲線在30 min處終止波動趨勢，前30 min的實驗時間內，最大數值記錄結果達到了15%，最小數值記錄結果達到了7.2%，二者間差值為7.8%，遠低于實驗組數值水平。

RSR指標能夠反應系統故障診斷指令執行所需消耗的數據成本，一般情況下，RSR指標數值越大，系統故障診斷指令執行所需的數據消耗成本也就越高，反正則越低。下表記錄了實驗組、對照組RSR指標的實際數值變化情況。

分析表1可知，隨著實驗時間的增加，實驗組RSR指標最大值始終維持連續下降的數值變化趨勢，最小值則是在保持相對穩定的數值波動狀態；而對照組RSR指標最大值在一段時間的數值穩定狀態后，開始出現持續上升的數值變化趨勢，最小值則在連續上升后，開始逐漸趨于穩定。從差值角度來看，實驗組最大值僅能達到16.7%，而對照組最大值卻達到了29.7%，與實驗組相比，上升了7%。應用基于多維高斯貝葉斯算法雷達故障信息診斷系統后，RSR指標出現了明顯下降的數值變化趨勢，而雷達故障信息的診斷效率卻得到了大幅提升，符合節約故障診斷指令執行所需數據消耗成本的實際應用需求。

表1 RSR指標數值對比表

綜上可知，本文采用基于多維高斯貝葉斯算法構建了雷達故障信息診斷系統，在系統實際應用測試中得出，該系統對雷達故障信息診斷的效率較高，節約了故障診斷指令執行所需數據消耗成本，具有一定的實際應用性。

5 結束語

在多維高斯貝葉斯算法的應用下，雷達故障信息診斷系統聯合客戶機/服務器模式、服務器、信息查詢模塊等多個硬件設備結構體，通過計算信息松弛度處理多維系數信號，再借助已嵌入的雷達故障信息參量，實現對Access數據庫的連接處理。從實用性角度來看，RSR指標數值的下降，能夠較好節約故障診斷指令執行所需的數據消耗成本，對提升雷達故障信息診斷效率起到極強促進作用。