一種雷達綜合健康評估方法

渠 浩，呂永樂，李慶蘭

(南京電子技術研究所，江蘇 南京 210039)

雷達一直被譽為 “部隊之眼”，在戰爭節奏快且環境復雜多變的現代戰爭中，如何快速、準確地掌握雷達當前的健康狀態，對于雷達操作員來說是一個關乎戰場走勢的關鍵問題[1-2]。只有快速、準確地掌握了雷達健康狀態，操作員才能因地制宜地制定或者調整作戰計劃，從而更好地完成作戰目標。而對于當前雷達尤其是大型相控陣雷達來說，其設備數量較多，故障機理相對更加復雜，通常難以建立精確的失效物理模型，這給雷達的健康評估帶來很大困難[3-6]。

根據上述需求分析，對于現代雷達的健康狀態評估，應摒棄傳統的由操作員結合機內測試(Built in Test,BIT)或輔助測試數據，根據經驗評估雷達整體健康狀態的方法，而應由雷達健康管理系統，結合各類數據，實時、準確地評估當前雷達的健康狀態。

目前，雷達健康評估方法比較多，主要包括權重法、性能參數法和深度學習法[7-8]。權重法是通過構建雷達設備樹，給設備樹各節點進行權重分配，雷達健康狀態可根據各設備的狀態信息，結合權重進行計算，例如文獻[9]提出了用指數函數對樣本數據進行加權處理，進而對雷達發射機健康狀態進行評估的方法。這種方法對于組成簡單的雷達效果較好。對于復雜雷達，如相控陣雷達，其權重分配無法滿足所有的節點計算需求。性能參數法是基于雷達天線監測和校準等數據，計算雷達的相對威力和精度等性能指標，根據計算結果對雷達健康狀態進行評估，例如文獻[10]就提出了一種利用相控陣多通道監測信息評估雷達戰術指標的方法。此類方法的主要問題是其計算所需數據源往往為非實時數據，計算前需先對雷達進行監測和校準等測試，維修后的雷達隨著使用時間的推移，其評估結論的可靠性會逐步降低。深度學習法實際上是權重法的一個變種，通過深度學習算法自動分配各個節點的權重，例如文獻[11]提出了利用深度學習算法長短期記憶網絡(Long Short-Term Memory,LSTM)，對風洞設備的健康狀況進行評估。此類方法往往存在對樣本的數據量要求較高、訓練樣本和測試樣本的正確率存在偏差、可解釋性差等問題。

本文提出了一種基于雷達設備狀態和性能退化的綜合健康評估方法。首先以雷達各設備的BIT數據為基礎，對雷達裝備完好性進行評估，為了降低工程應用門檻，更好地利用專家經驗，總結歸納了4種不同場景下的節點健康值計算模型；然后將發射監測和校準、接收監測和校準以及回波等數據作為輸入，對雷達整體的性能參數進行評估；最后，對雷達設備和性能參數進行綜合評估。此時，為了解決性能參數中非實時數據帶來的準確度不高的問題，引入基于Logistic函數的時間因子，以提高健康評估結論的準確度。

1 健康等級劃分

本文采用的是根據健康值劃分健康等級的方法，健康值由相應計算模型計算得到，不同的健康等級對應不同的維修建議。本文中將健康等級劃分為以下4個等級。

① 完好：代表雷達系統所有設備均處于正常工作狀態，沒有出現任何程度的性能退化。此時的雷達可以執行所有的作戰任務。

② 良好：代表雷達系統雖可正常使用，但出現了潛在故障或者個別設備故障，性能出現部分降級。例如，發射機組可靠性設計為多機熱備份，當僅出現1臺發射機故障時，此時系統總發射功率仍有一定余量，該故障組件可進行維修，也可暫不維修，所以定義其狀態為良好。此時的雷達雖然也可以執行所有的作戰任務，但部分任務的性能可能無法達到最優。

③ 可用：代表系統僅能滿足基本功能的使用，已經接近功能性失效，需要盡快維修。例如，數字波束形成(Digital Beam Forming,DBF)系統當1個模塊出現故障切換到備份路工作后，此時系統仍然可用，由于已經沒有備份節點了，成為單點故障的風險加大，需要盡快修復故障的模塊。此時的雷達執行部分作戰任務已經比較吃力，如果作戰任務不是十分緊急，建議盡快轉入雷達維修維護流程。

④ 不可用：代表系統已不能滿足基本使用條件，發生了功能性失效，喪失完成任務的能力。此時的雷達已無法執行任務，只能盡快轉入雷達維修維護流程。

本文中綜合健康值H=1時判定雷達為完好狀態；H=[0.8,1)時判定雷達為良好狀態；H=[0.5,0.8)時判定雷達為可用狀態；H<0.5時判定雷達為不可用狀態。另外，可根據節點計算權重分配情況和性能指標的判定準則對健康狀態的劃分邊界進行調整。

2 健康評估數據來源

健康評估的數據來源主要包括兩個部分：一部分是雷達設備的BIT數據，一般為實時數據；另一部分是各種自動化或人工測試得到的數據，一般為非實時數據。

雷達設備的BIT數據一般可以覆蓋絕大部分有源可更換單元，對于光線、網絡等無源連接器件，可以根據兩端的有源器件的輸入、輸出信號情況進行判斷。因BIT數據往往是各可更換單元的狀態或參數數據，若想獲得雷達整體的狀態，一方面需要先對其進行閾值判斷和歸一化處理，另一方面需要建立雷達設備健康樹。雷達設備健康樹的建立有以下兩種方法。

① 按照雷達組成進行構建，可分為5級，分別是雷達級、站點級、機柜級、模塊級和參數級，其中參數級即BIT數據，雷達設備健康樹示例如圖1所示。這種健康樹層級較深，但能夠與雷達的實物組成一一對應。

圖1 雷達設備健康樹示例

② 按照雷達功能劃分進行構建，可分為功能級和參數級，這種健康樹層級較少，但因為與實物組成無法一一對應，構建和使用時均需要一定的專家經驗。

測試數據主要包括天線的監測、校準數據和標準目標的回波數據等，可以根據這些測試數據計算雷達的性能參數，包括威力、精度等。

3 基于設備狀態的健康評估

基于設備狀態的健康評估是指根據設備BIT信息對雷達健康的影響情況進行評估。以功能為劃分依據，對雷達設備BIT進行重新組織，建立雷達設備健康樹。

每個節點健康值均由下一層次健康值根據不同模型計算得到，雷達設備健康樹根節點即為雷達基于設備狀態的健康值，葉節點即為各設備BIT。各節點健康值計算模型一般分為以下4種。

(1)按權疊加型。

該類模型健康值計算公式為

H=min{1,Wc1·Hc1+Wc2·Hc2+…+WcN·HcN}

(1)

式中：H為待計算節點的健康值，取值范圍為[0,1]；Hc1，Hc2，…，HcN為待計算節點的子節點健康值，共N個子節點，取值范圍為[0,1]；Wc1，Wc2，…，WcN為各子節點分配的權重，取值范圍為[0,1]，且Wc1+Wc2+…+WcN=1。

該模型通常適用于以下情況：個別子節點出現故障或不可用時，對父節點的健康狀態影響不大，則父節點的健康值可按照該模型計算，子節點的權重可平均分配為1/N，也可根據子節點的重要程度自由分配不同的權重。

以某雷達風機節點為例，共4個風機組件作為風機節點的子節點，當僅剩1個風機組件正常工作時，則判定風機節點為不可用狀態，因此各風機組件的權重可平均分配為0.25。

(2)按權疊減型。

該類模型健康值計算公式為

H=max{0,1-Wc1·(1-Hc1)-Wc2·(1-Hc2)-…-

WcN·(1-HcN)}

(2)

式中：H為待計算節點的健康值，取值范圍為[0,1]；Hc1,Hc2,…,HcN為待計算節點的子節點健康值，共N個子節點，取值范圍為[0,1];Wc1,Wc2,…,WcN為各子節點分配的權重，取值范圍為[0,1]，且Wc1+Wc2+…+WcN≥1。

該模型通常適用于以下情況：個別子節點出現故障或不可用時，可能導致父節點的健康狀態發生改變，子節點的權重可結合子節點故障對父節點的影響和健康狀態的劃分標準進行綜合分配。

以某雷達信息處理節點為例，共3個子節點，分別是電源匯總、計算組件、風機組件，根據各子節點故障對父節點的影響，分配電源匯總子節點權重為1、計算組件子節點權重為1、風機組件子節點權重為0.4。當電源匯總子節點或計算組件子節點為不可用狀態時，信息處理節點同樣降級為不可用狀態；當風機組件降級為不可用狀態，信息處理節點降級為可用狀態。

(3)取最小值型。

該類模型健康值計算公式為

H=min{Hc1,Hc2,…,HcN}

(3)

式中：H為待計算節點的健康值，取值范圍為[0,1]；Hc1，Hc2，…，HcN為待計算節點的子節點健康值，共N個子節點，取值范圍為[0,1]。

該模型通常適用于以下情況：任一子節點出現故障或不可用時，將導致父節點直接降級為不可用狀態。

以某雷達頻率源節點為例，共4個子節點，分別是基準源、倍頻單元、校準信號和鎖相本振，任一子節點不可用時，其父節點均直接降級為不可用。

(4)復合型。

該類模型健康值計算公式為

H=max{0,min{Hc1,Hc2，…，HcM}-Wc(M+1)·(1-Hc(M+1))-

WcN·(1-HcN)}

(4)

該模型通常適用于以下情況：子節點中既存在模型(2)的情況，也存在模型(3)的情況。

根據模型(1)～模型(4)對各節點分配計算模型和權重，葉節點則根據設備BIT直接計算健康值，故障時健康值為0，正常時健康值為1。根據各模型和權重，由底向上，可最終計算得到雷達根節點的健康值HF。

4 基于性能退化的健康評估

基于性能退化的健康評估分別從雷達威力、雷達精度等性能維度綜合評價雷達性能健康狀況。

雷達威力通過雷達作用距離進行衡量，雷達的最大作用距離公式(即雷達方程)[12]為

(5)

式中：Rmax為雷達最大作用距離；Pt為雷達發射功率；G為天線增益；λ為所用波長；σ為目標的散射截面積；Simin為最小可檢測信號功率。

根據雷達方程，有2種方法可以對雷達作用距離進行測量評估，一種是根據雷達監測網絡數據計算，計算公式為

(6)

式中：R為雷達最大作用距離設計值；A為雷達發射增益設計值(dB)；B為雷達接收增益設計值(dB)；R′為雷達最大作用距離計算值；A′為雷達發射增益實測值(dB)；B′為雷達接收增益實測值(dB)。

雷達發射增益實測值是通過控制雷達發射波束在法線方向發射，接收監測網絡反饋的發射功率值后計算得到的。雷達接收增益實測值是通過控制法向接收波束，接收監測網絡的接收增益數據后計算得到的。將實測值和設計值代入公式后，即可計算得到雷達作用距離的評估值。

另一種是跟蹤已知的標準目標，由于標準目標的RCS(Radar Cross Section,雷達截面積)等參數均可提前獲取，因此可以通過雷達公式對其作用距離進行折算，計算公式為

(7)

式中：RCS為雷達散射截面設計值(dB);SNR為雷達信噪比設計值(dB);τ為雷達脈沖寬度設計值；RCS′為雷達散射截面實測值(dB)；SNR′為雷達信噪比實測值(dB)；τ′為雷達脈沖寬度實測值；D為跟蹤標準目標時的實測距離；R′為雷達最大作用距離計算值。

雷達威力健康值HPR為

(8)

雷達精度健康值HPA通過測距隨機誤差、方位隨機誤差、俯仰隨機誤差和RCS測量誤差共同衡量，計算公式為

(9)

基于性能退化的健康值HP為

HP=min{1,HPR,HPA,…}

(10)

5 綜合健康評估

雷達綜合健康值H由基于設備狀態的健康值HF和基于性能退化的健康值HP綜合得到：

H=min{HF,αHF+(1-α)HP}

(11)

在雷達工程實現中，威力、精度等性能參數往往無法在工作模式下實時獲取，均為非實時數據，因此本文的評估方法中引入了時間因子，使HP在H中所占比例隨時間不斷降低，權重α計算公式采用Logistic函數[13]的形式，具體計算公式為

(12)

式中：t為當前時間距上次性能退化評估數據源更新時間的小時數。

當t=0時，α為0.5，即基于設備狀態的健康值和基于性能退化的健康值是等權重的，而隨著t不斷增大，α的值無限趨近于1，此時雷達綜合健康值基本以設備狀態的健康值為主，基于性能退化的健康值對雷達綜合健康值的影響十分有限。α的趨勢變化如圖2所示，當t為24時，α為0.76852，此時將提醒用戶進行性能參數的重新測試和數據更新，以提高評估結論的可靠性。

圖2 權重α變化趨勢

健康評估框圖如圖3所示。

圖3 健康評估框圖

6 評估實例

在某雷達中，測試了本文所述的健康評估方法，性能參數中選取威力和精度2個指標，其中威力和精度均通過雷達監測網絡數據進行計算。

通過采集雷達數據，結合專家經驗，共構建了4個故障數據樣本集，每個樣本集有200組帶標簽數據，實際測試后，4個樣本集的正確率如圖4所示。平均正確率97.75%，可看出本文提出的健康評估方法的準確率維持在較高水平。

圖4 健康評估正確率

7 結束語

雷達健康管理對保障雷達的可用性具有重要意義。長期以來，雷達健康評估方法比較多，常通過權重分配、性能參數或深度學習算法來計算雷達總體的健康等級，然而現代雷達尤其是大型相控陣雷達組成十分復雜，包含的設備種類多、數量大，簡單的權重分配無法滿足所有的評估場景，而性能參數往往是非實時數據，其評估結論的可靠性隨著測試后時間的推移而不斷降低，深度學習算法也存在著樣本需求量大、過擬合、可解釋性差等問題[14-16]。通過提供一種綜合設備狀態和性能退化參數的性能評估方法，在基于實時數據的設備狀態評估中，引入了4種不同的計算模型，以適應不同的評估場景。在基于非實時數據的性能參數評估中，介紹了通過雷達監測網絡數據等進行威力、精度等計算評估的方法。為了將實時的設備狀態評估和非實時的性能參數評估結合起來，引入了基于Logistic函數的時間因子，控制基于非實時數據的性能評估在最終健康值中所占比例，以解決非實時數據帶來的可靠性問題。經實際產品檢驗，該方法效果良好，平均正確率維持在較高水平，實時性和準確性均得到了保障，對提升雷達的綜合保障能力具有重要意義。