基于半监督深度学习的雷达收发组件故障诊断.pdf
《基于半监督深度学习的雷达收发组件故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于半监督深度学习的雷达收发组件故障诊断.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 卷第 期 年 月系统工程与电子技术 文章编号:()网址:收稿日期:;修回日期:;网络优先出版日期:。网络优先出版地址:基金项目:国家自然科学基金(,);机械结构力学及控制国家重点实验室(南京航空航天大学)自主研究课题();中国航空发动机集团有限公司产学研合作项目()资助课题通讯作者引用格式:陈毓坤,于晖,陆宁云基于半监督深度学习的雷达收发组件故障诊断系统工程与电子技术,():犚犲 犳 犲 狉 犲 狀 犮 犲犳 狅 狉犿犪 狋:,():基于半监督深度学习的雷达收发组件故障诊断陈毓坤,于晖,陆宁云,(南京航空航天大学自动化学院,江苏 南京 ;中国电子科技集团公司第三十八研究所,安徽 合肥 )摘
2、要:新一代相控阵雷达针对组件部署了大量传感器,为数据驱动的组件故障诊断提供了良好基础。然而,实际监测数据大多没有表征其故障模式的标签。结合深度置信网络(,)在特征自学习方面的优势和自编码器(,)重构输入数据的能力,提出一种基于 半监督学习模型的故障特征提取及智能诊断方法,并应用烟花算法优化模型结构。该方法利用原始无标签状态数据训练 模型,提取深层特征,再通过有监督再训练建立深层特征与故障模式之间的关系模型。所提方法在某型相控阵雷达模块上得到了实验验证,有效提升了故障识别准确率和智能水准。关键词:相控阵雷达;组件;故障诊断;深度置信网络;深度自编码器;烟花算法中图分类号:文献标志码:犇犗犐:犉
3、犪 狌 犾 狋犱 犻 犪 犵 狀 狅 狊 犻 狊狅 犳狉 犪 犱 犪 狉犜犚犿狅 犱 狌 犾 犲犫 犪 狊 犲 犱狅 狀狊 犲犿 犻 狊 狌 狆 犲 狉 狏 犻 狊 犲 犱犱 犲 犲 狆犾 犲 犪 狉 狀 犻 狀 犵 ,(犛 犮 犺 狅 狅 犾狅 犳犃狌 狋 狅犿犪 狋 犻 狅 狀,犖犪 狀 犼 犻 狀犵犝狀 犻 狏 犲 狉 狊 犻 狋 狔狅 犳犃犲 狉 狅 狀 犪 狌 狋 犻 犮 狊犪 狀犱犃狊 狋 狉 狅 狀 犪 狌 狋 犻 犮 狊,犖犪 狀 犼 犻 狀犵 ,犆犺 犻 狀 犪;犖狅 犚犲 狊 犲 犪 狉 犮 犺犐 狀 狊 狋 犻 狋 狌 狋 犲,犆犺 犻 狀 犪犈 犾 犲 犮 狋 狉 狅
4、狀 犻 犮 狊犜犲 犮 犺 狀 狅 犾 狅 犵狔犌狉 狅 狌狆犆狅 狉 狆 狅 狉 犪 狋 犻 狅 狀,犎犲 犳 犲 犻 ,犆犺 犻 狀 犪)犃犫 狊 狋 狉 犪 犮 狋:,()(),(),犓犲 狔狑狅 狉 犱 狊:;();();()引言军事用途的相控阵雷达一般置于偏远边疆,要求全天候工作,在连续大负荷工作模式和恶劣环境下,元器件故障不可避免会发生,维修计划之外的突发性故障轻则影响雷达探测性能和数据有效性,重则引起任务中断,设备使用效能下降而维护成本剧增。组件是相控阵雷达中故障频次最高的部件之一,由于其故障成因繁多,难以建立准确的故障模型和专家知识库。雷达系统的数字化,以及信号处理技术和机器学
5、习的发展,为基于数据的雷达故障诊断方法研究提供了良好的条件。深度学习模型作为智能模型的典型代表,被广泛应用 系统工程与电子技术第 卷到复杂系统的故障诊断中。按训练数据有无标签,深度学习算法可分为有监督学习、无监督学习和半监督学习种。有监督学习需要大量带标签数据训练模型以得到特征与故障标签间的映射关系。小波变换、傅里叶变换、经验模态分解 等信号处理技术常被用于对数据进行特征提取,筛选与故障状态强相关的特征输入深度学习模型以进行训练。文献 引入小波包能量熵和多尺度位移熵计算不同故障下变速箱振动信号的特征矩阵,然后基于阈值自适应深度置信网络(,)提取故障特征,对提取的特征进行故障分类。文献 直接将轴
6、承振动数据输入,利用堆叠受限玻尔兹曼机(,)学习特征表示并实现故障识别,避免了手动特征提取和选择。但在实际应用中,大部分样本没有标签,监督学习不再适用。无监督学习不需要先验信息,根据数据的分布规律进行聚类。传统的无监督学习算法有主成分分析(,)、聚类算法 等。现阶段主要有两类深度学习模型被用于无监督特征提取,一类是利用自编码器(,),从抽象后的数据中尽可能无损地重现原始数据;一类是基于概率型的及其改进算法,使其达到稳定状态时原数据出现的概率最大 。由于缺少标记数据的指导,难以保证模型准确性。半监督学习是将监督学习和无监督学习相结合的一种方法,利用大量无标签样本自主学习特征分布,辅以少量带标签样
7、本实现模式识别。近年来,基于半监督深度学习的故障诊断方法得到广泛关注与研究。文献 针对电力系统中隐匿虚假数据入侵攻击的真实数据与模拟数据的差异性问题,首先基于对海量目标域无标签样本进行特征自学习,然后用仿真得到的源域有标签样本对模型进行再训练,并结合迁移学习方法提高检测精度。文献 设计了一种基于深度卷积的半监督模型,根据的编码特征直接诊断健康状况,降低了故障诊断对标记数据的依赖。文献 先用大量带标签的燃气轮机正态分布数据训练卷积神经网络,再通过迁移学习重建模型映射规则,对少量样本数据集提取特征,最后基于支持向量机(,)实现监督故障诊断。文献 整合、长短期记忆网络、前馈神经网络等多层深度神经网络
8、,从输入数据中自动学习抽象特征,用于预测涡轮风扇发动机的剩余使用寿命。文献 在自我训练方法中使用伪标签策略,在对抗训练方法中使用监测数据,进行半监督学习。半监督学习突破了传统方法只使用一种样本的局限,既充分利用了大量无标签样本数据资源,又避免了人工标记耗费的大量时间和精力,以及只使用少量有标签样本训练造成的学习器泛化性能低下的问题。鉴于雷达装备的实际监测数据大部分是无标签的,无具体故障类型,很难被直接应用于深度学习模型,本文提出一种自适应优化的半监督深度学习方法,用于雷达组件故障特征提取及智能诊断,主要创新点在于:利用自主学习深层特征的优势和深度无监督重构输入数据的特点,直接从原始数据提取故障
9、特征,增强了故障诊断智能性,解决了有标签样本稀缺的问题;针对基于深度学习模型进行故障识别时难以快速确定各隐层节点数量的问题,采用烟花算法(,)优化网络结构参数,进而提升故障诊断准确性。雷达犜犚组件原理与故障模式相控阵雷达具有扫描速度快、探测距离远、可靠性高等优点,应用前景广阔。天线阵面子系统是相控阵雷达最重要的子系统之一,也是其具备先进性能的关键所在,系统结构如图所示。图相控阵雷达天线阵面子系统结构图 该系统由成百上千个单元或子阵组成,并通过组件实现发射信号的功率放大、接收信号的低噪声放大、天线波束的相移及幅度控制。组件是相控阵雷达的核心部件,构成模拟收发通道,发射通道包含功率放大器、上变频器
10、,用于放大射频信号功率;限幅器、低噪声放大器和下变频器是构成接收通道的主要器件,实现含噪接收信号的放大和变频,图给出了组件的结构框图。图组件结构图 现代相控阵雷达的组件是高度集成的,将多个组件和数字收发通道集成设计,形成一个最小可维修单元,称为模块。通常是对一个模块,而不是单个组件进行换件维修,因此只需将故障隔离到某个模块。雷达机内测试能够通过逻辑值对模块故障进行报警,代表正常,代表故障,但不能指示详细的故障原因,难以给设备排故提供充分的依据,致使维修维护工作效率低下,第 期陈毓坤等:基于半监督深度学习的雷达收发组件故障诊断 有时误更换正常的元器件,造成资源浪费。为了明确具体的故障类型,还需要
11、分析运行中采集的状态数据,挖掘蕴含的故障信息。依据雷达从实际运行维修中返回的数据以及专家知识,模块的常见故障模式有电源欠压、电源过压、发射通道故障、接收通道故障、发射和接收通道故障,故障表现如表所示。表雷达犜犚模块故障模式犜 犪 犫 犾 犲犉 犪 狌 犾 狋犿狅 犱 犲 狊狅 犳狉 犪 犱 犪 狉犜犚犿狅 犱 狌 犾 犲故障模式故障表现电源欠压电源电压偏低,发射功放输出功率低电源过压电源电压偏高,发射功放输出功率高发射通道故障发射功放输出功率下降或为零接收通道故障接收信号功率下降或无接收信号发射和接收通道故障发射和接收通道监测幅度均异常犜犚模块特征提取与故障诊断方法鉴于雷达系统中的有标签数据十
12、分稀缺,本文提出一种基于优化的 半监督深度学习方法,将无监督特征提取和有监督分类器学习进行结合。该方法的主要流程如图所示,实现步骤如下。图本文提出的特征提取及故障诊断算法流程 步骤对模块的故障模式进行定义和编码。步骤数据集构建:选取样本数据和能表征模块性能的状态变量,进行数据预处理,并划分训练集和测试集。步骤模型初始化:建立一个多层模型,根据样本特征维数确定输入层节点数,初始化连接权重。步骤无监督特征提取:采用预处理后的无标签样本和有标签样本对底层堆叠进行逐层预训练,使得模型参数适应所有样本的特征表达,挖掘深层特征。然后,将预训练好的逐层展开,构建深度重构输入特征。步骤网络结构优化:通过最小化
13、重构特征和原始特征之间的误差,自适应优化网络参数,保存确定的网络权重和偏置值,作为下一步有监督训练的初始参数。步骤有监督分类器学习:利用有标签训练集对预训练好的模型和 分类层进行有监督再训练,并反向微调权重和偏置。步骤将测试集输入训练好的,进行故障诊断。犚犅犕无监督预训练 年,等首次提出了,是由多个 堆叠而成的概率生成模型。模型的基本结构如图所示。图结构 对于一个包含狀个可视层单元、犿个隐藏层单元的,其能量函数为犈(狏,犺)狀犻犫犻狏犻犿犼犪犼犺犼狀犻犿犼狏犻狑犻 犼犺犼()式中:狏犻,表示第犻个可视层神经元的状态;犫犻为可视层单元狏犻的偏置;犺犼,表示第犼个隐藏层神经元的状态;犪犼为隐藏层单
14、元犺犼的偏置;狑犻 犼为狏犻与犺犼的连接权重;犪,犫,狑为的网络参数。基于式()定义的能量函数,可视层与隐藏层之间的联合概率密度分布为犘(狏,犺)犣犈(狏,犺)()式中:犣狏犺犈(狏,犺狘)为归一化因子。通过式(),得到可视层向量狏的独立分布为犘(狏)犺犘(狏,犺)犣犺犈(狏,犺)()隐藏层和可视层神经元的激活概率分别为犘(犺犼 狘狏)犫犼犿犻狑犻 犼狏烄烆烌烎犻()犘(狏犻 狘犺)犪犻狀犼狑犻 犼犺烄烆烌烎犼()系统工程与电子技术第 卷犘(狏)值最大时,结构下的概率分布与输入数据较为一致,因此预训练优化目标函数为 犔()狏犘(狏)()为简化计算,利用对比散度算法 求解的最优参数,参数更新公式
15、如下:狑犼 犻狋犿狑犼 犻狋(狏犻犺犼犱狏犻犺犼狉)犫犻狋犿犫犻狋(犺犼犱犺犼狉)犪犼狋犿犪犼狋(狏犻犱狏犻狉烅烄烆)()式中:为预训练学习率;犿为动量因子;狋是迭代次数;犱和 狉分别表示数据分布和模型分布的数学期望。基于犇犅犖 犃犈的无监督特征重构特征提取的质量在很大程度上决定其故障诊断的性能,因此在将模型用于分类之前,有必要验证提取的高层特征能否表征原始特征。本节将从隐含层单元对数据重构的角度验证所提模型的特征提取能力。为观察原始数据经无监督学习后的输出特征状态,最高层的输出不经过分类器,直接将隐含层重构数据逐层展开,建立一个深度自编码器,称为。基于的重构网络结构示意图如图所示。其与传统最
16、主要的区别是:输出的是标签,属于有监督学习;是无监督学习,编码和解码过程没有带标签数据参与,输出的是与输入特征维度一致的重构特征。图 结构示意图 的前向学习过程可以看作是的编码过程,设输入数据为狓,可以用编码形式简单描述为犺(狑狓犫)()而隐层单元的重构相当于的解码过程,对应的解码函数定义为狓(狑狓犮)()式中:狑为连接权重;犫和犮为对应的偏置参数。在网络的编码、解码重构中,信号被压缩、重整,重构信号与原始信号会存在一定的差异,两者的差异大小可用于衡量 的特征提取能力。本文用均方误差(,)量化这一差异。设经过犾层堆叠的编码输出为狌犾(狓),解码输出,即对初始样本的重构为狔犾(狓)。基于重构数据
17、与原数据之间的代价函数表示为犑(狓)狀狀犼狘狔犾犼(狓)狓犼狘()式中:狀为样本的数目。这一误差越小,重构信号与原始信号的一致性越高,表明模型提取的深层特征越能够在一定程度上表征原始特征。使用反向传播(,)算法对整个网络进行调参,采用梯度下降方法最小化代价函数,对参数求偏导:犑()犑(狓)狔犾(狓)犳犾狑,犫(狓)()式中:狑,犫,犮,犽犾,更新参数展开得狑犽狑犽犑(狓)狑犽犫犽犫犽犑(狓)犫犽犮犽犮犽犑(狓)犮烅烄烆犽()迭代更新各层参数直至误差处于稳定收敛状态,获得特征提取模型。基于 的特征重构步骤如下。步骤数据预处理。步骤将原始数据输入第一层的可视层单元狏,通过无监督贪婪学习算法自底向上
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 监督 深度 学习 雷达 收发 组件 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。