基于故障预测的雷达健康管理软件设计与实现.pdf

中国科技期刊数据库 工业 A 收稿日期：2023 年 12 月 21 日 作者简介：黄纵横(1995)，男，汉族，安徽亳州人，硕士研究生，研究方向为雷达。-159-基于故障预测的雷达健康管理软件设计与实现 黄纵横 中国船舶集团有限公司第七二四研究所，江苏 南京 211153 摘要：摘要：本文设计和开发了一个基于故障预测的雷达健康管理软件,软件采用标准的 MVC 体系架构,具有良好的可扩展性和稳定性。软件内嵌基于长短期记忆网络(LSTM)的数据驱动的雷达故障预测算法，在一定程度上克服了传统的故障预测算法无法进行长时间记忆的问题，能够处理多变量输入，并以相控阵雷达为应用对象，实现了设备状态的智能健康评估、在线自检和故障预测。关键词：关键词：故障预测；雷达健康管理；预测算法 中图分类号：中图分类号：U674 0 引言 随着雷达技术的快速发展，各类电子传感器设备越发先进和复杂。与此同时，随着电子器件的数量和复杂度不断增加，这些电子设备的维修、保障的难度和成本也在急剧上升，对雷达装备故障预测与健康管理(Prognosis and Health Management,PHM)技术的研究和应用也提出了更高的要求。PHM 技术起初就主要应用于军事领域，是一项集状态监测、故障诊断、故障预测与状态评估及维修保障决策于一体的综合技术。雷达包含大量的电子设备和微波器件，其中传感器是获取各类监测参数和数据的来源，PHM 技术将原始数据转换为标准格式数据，并借助一些推理算法和智能模型，对装备的状态进行监控、寿命预测和健康管理。车载雷达装备部署的环境恶劣，故障诊断和设备维护困难，且经常出现“过维修”和“欠维修”的现象，因此，在日趋智能化、信息化的现代 PHM 技术背景下，及时准确地对雷达设备的健康程度和使用寿命进行预测，对研发更加安全和可靠的车载雷达设备具有重要的价值和意义。车载雷达 PHM技术由于起步较晚，基础理论和系统设计的研究还不够成熟，健康管理的相关应用还有待深入开展。传统的健康管理技术作为显示与控制技术的主要技术研究方向，在已有的 BIT(Build In Test)技术的故障检测基础上，增加系统状态智能分析模块，通过不同模块之间的故检状态，对设备状态进行智能分析判断和在线自检，对包括通讯链路连接状态、网络负载情况、供电状态、计算机资源使用状态等实现更加智能化的分析，进一步提高对设备硬件资源的管控与故障定位、故障分析解决能力，实现设备自主功能单元的性能评估、作战效能评估和健康管理，并通过图表等可视化技术将具体信息直观地显示给用户。故障预测是基于 PHM 技术的雷达健康管理系统相较于传统 BIT 故检系统的核心功能，本文设计和开发了一个基于故障预测的雷达健康管理软件,软件内嵌雷达故障预测算法，以实现设备状态的智能健康评估、在线自检和故障预测。1 故障预测 雷达系统运行过程中的状态信息不断积累，形成的历史数据是生成故障预测算法的数据基础。雷达整机的健康状态由各分系统的子健康状态组成，故障预测算法的设计需要提取能精确反映雷达个分系统健康状态的参数.一些研究表明,雷达各分系统健康状态的参数，包括标值数据、数值数据、二进制数据、波形数据、数据序列,可以用于故障预测建模。相控阵雷达(Phase Array Radar,PAR)设 备 系 统 中T/R(Transmit/Receive,T/R)组件易发生故障，而 T/R组件是雷达天线的核心组成，雷达系统的性能以及健康状态很大程度上受 T/R 组件的影响。T/R 组件主要完成对微波信号的发射和接收，其主要由移相器、T/R开关、功率放大器、滤波器、限幅器、环形器等组成。相控阵雷达阵面通常由数千个独立的天线单元组成，这些天线单元按照一定的规则排列在雷达阵面上，共同完成雷达在空间中的扫描。有源相控阵的每一个天线单元都对应一个 T/R 组件和两个收发通道。本文对车载相控阵雷达的故障预测主要是对雷达系统的 T/R组件进行故障预测。T/R 组件的平均温度可以作为系统中国科技期刊数据库 工业 A-160-是否运行正常的依据。当 T/R 组件的平均温度低于某个合理阈值时，即可认为一号系统和水冷系统正常工作，而当波动范围超出正常范围时，说明系统出现了劣化，可进一度参考水冷机柜冷却液流量值或回液温度值是否超过该指标阈值范围，若超过范围，则可认为系统出现故障。相控阵雷达故障预测建模和 T/R 组件平均温度、冷却液流量值、回液温度值等变量存在紧密的联系。因此，本文拟提出一种能够根据多个相关变量的时间序列来进行相控阵雷达系统故障预测的智能方法。随着机器学习技术的不断发展，基于反向传播神经网络(Back Propagation,BP)、循环神经网络(Recurrent Neural Networks,RNN)和长短期记忆网络(Long Short-Term,Memory,LSTM)的众多算法已被广泛用于研究变量与其相关变量之间的非线性关系。目前比较流行的是 LSTM 网络，其为时间序列的预测问题提供了一个通用框架。LSTM 算法是 RNN 的变体，克服了长时间时 RNN 在反向传播过程中会出现梯度下降或梯度爆炸的问题，使得模型更好地收敛。LSTM 对 RNN的神经元节点进行了重新设计，通过引入了三个“门”结构，使得 LSTM 网络层可以在传播过程中选择性将某些信息“遗忘”或“记住”。图 1 展示了 LSTM 神经元节点的基本结构。图 1 LSTM 神经元节点的基本结构 本文提出的基于LSTM机器学习的相控阵雷达系统故障预测方法，包括：（1）原始数据采集与预处理；（2）构建训练和测试样本；（3）构建时间序列预测网络 LSTM；（4）将训练数据集输入网络，利用训练数据集对网络模型进行训练；（5）对训练好的网络进行测试，将网络预测的数据与测试数据进行比较。本文提出的基于LSTM 的故障预测方法，通过利用机器学习的方法，构建一个端到端的、支持多个表征系统健康程度的参数输入的网络模型，利用构建的训练数据集对网络进行训练使其获得预测时间序列的能力，最终利用测试数据集对网络进行测试，将网络预测的数据与实际数据进行比较和定量评估。具体步骤如下：2 原始数据采集与预处理 原始数据包括传感器上报的实时状态信息及存储的装备历史运行参数。将故障特征数据进行状态分类与初值设置，生成多组观测序列的训练数据和测试数据。整合时间数据，归为一类变量：Time，同时去掉原始数据中的序号列。3 构建训练和测试样本 对原始数据进行适配处理，来构建训练数据集，使其能够输入到 LSTM 网络中，然后利用前一时刻（1）或几个时刻（1）的相关变量和 T/R 组件平均温度数据来预测当前时刻（）或下一时刻（+1）的 T/R 组件平均温度。对所有数据进行归一化处理。对数据进行归一化处理可以提升训练网络的收敛速度和精度，对于标值数据(包括 T/R 组件平均温度、冷却液流量值、回液温度值)，用到的归一化公式为：=()/()(1)式(1)中，表示温值数据序列中的最小值；()表示温值数据序列中的最大值。对于冷却液流量值数据，用到的归一化公式为：=()/()(2)式(2)中,表示冷却液流量值数据序列中的最小值；表示冷却液流量值数据序列中的最大值。将数据的 3/4 作为训练集，1/4 作为测试集。由于相控阵雷达运行数据的保密要求，在项目研究期间不能在线实时获取运行状态参数，需要在一定的工作周期后才能获取装备的原始数据，因此 LSTM 算法中将一个时间步长设定为一个工作周期，假设每个工作周期雷达的工作时长相同，使用前一个时间步长（1）的数据来预测当前时刻（）的数据。此外，对训练数据集进行转化，使训练集中包含前一时刻的多个变量以及当前时刻的一个变量，目的是使数据集中的变量能够作为监督学习问题中的输入输出特征，同时将不需要预测的当前时刻的其它变量移除。最终的训练数中国科技期刊数据库 工业 A-161-据集中包括 3 个输入变量（特征），即前一时刻（1）的T/R组件平均温度、冷却液流量值和回液温度值，1 个输出变量（特征），即当前时刻（）的 T/R 组件平均温度。4 构建时间序列预测网络 LSTM 构建的时间序列预测网络LSTM是在循环神经网络RNN 的基础上提出的改进网络，它将原始的 RNN 单元转换为一个如图 2-1 所示的单元结构，x 代表序列当前的输入，y 代表当前时刻训练数据的输出，h 代表隐含状态，C 代表当前时刻的细胞状态，该单元确保隐含状态h 随着时间变化在网络中进行传递。构建的网络在 RNN基础上，增加了输入门和输出门使模型具有非线性，这些门结构可以减少或增加信息保存到细胞状态 C 的权重中。具体步骤如下：(1）网络通过门结构来减少或者增加信息到细胞状态的权重中。这里的“门”是一种形象的说法，其实际是一种能够让信息有选择通过的方法，门结构由一个sigmoid 激活函数和一个点乘运算组成；Sigmoid 激活函数输出一个 0 到 1 之间的值，它决定了网络中每个部分信息可以通过的大小。数值 0 表示不允许通过任何信息，数值 1 表示允许任何数量的信息通过。网络有三个门来保护和控制单元状态，分别是遗忘门、输入门和输出门。(2）第一步是通过遗忘门来完成的，遗忘门可以确定我们从单元中丢弃什么信息。该部分读取当前的输入和前一个神经元信息1，并通过的数值来判断丢弃信息，数值 1 代表“完全通过”，0 代表“完全丢弃”。于是有：=(1,+)(3)其中，代表模型中的偏置(biases)，是 Sigmoid激活函数，是权重矩阵。(3）第二步是通过输入门来完成的，它由两部分组成的，其作用是是确定存储在单元状态中的新信息。第一部分为：=(1,+)(4)该部分中，sigmoid 层决定我们要更新的值。第二部分为：=tanh(1,+)(5)该部分中，tanh 层创建一个新的候选值向量，这个向量通过向单元状态添加一个新的状态来替换需要遗忘的旧状态。(4）第三步是更新旧细胞状态，将1更新为。当前时刻的单元状态由遗忘门输入和前一时刻状态的积加上输入门两部门的积得到。即：=1+(6)这一步骤中，通过丢弃旧的细胞状态，并根据前面确定的候选值向量来为细胞状态添加新信息。5）最后一步是确定单元的输出，它将基于现有的单元状态，并过滤掉一些信息。首先，sigmoid 层用来确定输出单元状态的哪些部分，接下来，这些状态通过 tanh 处理得到一个(-1，1)之间的值，并将其乘以sigmoid 门的输出，最后只输出确定输出的部分。即：=(1,+)(7)=tanh()(8)LSTM 模型提取出多个序列数据在时间维度上的关联信息，实现长时间记忆信息的传递和筛选，并且为了充分利用每一个 LSTM 神经元的计算结果，所有中间神经元的计算结果都可保留下来。1.4 训练和测试 将训练数据集输入网络，利用训练样本对网络模型进行训练，可进行故障预测和健康评估。设置模型训练参数：在训练中采用 Adam 优化算法，初始学习率设为0.001，batchSize设为72，共训练5000个epoch，损 失 函 数 采 用 平 均 绝 对 误 差(Mean Absolute Error,MAE)。利用第时刻的相关数据和 T/R 组件平均温度数据进行学习，对第 时刻的 T/R 组件平均温度数据进行预测，时间间隔为一个步长。对训练好的网络进行测试，将网络预测的数据与实际数据进行比较。通过预测相控阵雷达系统的 T/R 组件平均温度、冷却液流量值、回液温度值等变量，可以实现对雷达系统故障的预测，进而为装备维修保障提供决策和指导。软件设计：本文开发的基于故障预测的雷达健康管理软件采用标准的 MVC 体系架构，分为模型层(Model)、视图层(View)、控制层(Controller)和数据层。模型层处理程序的数据和业务逻辑；视图层负责呈现模型数据给用户，并处理用户的交互操作；控制层接收用户的请求，并根据请求的内容选择合适的处理逻辑；数据层则利用国产金仓数据库进行数据存取。健康管理软件设计采用 B/S 框架，用户通过浏览器访问软件服务端并提交业务请求。服务器在完成相ti1t t中国科技期刊数据库 工业 A-162-应处理工作后，将运算结果响应传递给客户端。涉及到的主要开发环境和技术包括：(1）SpringBoot 框架：基于 JAVA 的 Spring 框架为开发提供了一系列的解决方案，利用面向切面编程进行声明式的事务管理，整合多种持久化技术管理数据访问，提供大量的 Web 框架方面开发。SpringBoot可以创建独立的 Spring 应用程序，并且基于其 Maven或 Gradle 插件，可以创建可执行的 JARs 和 WARs；(2）MyBatis 技术：MyBatis 是一款优秀的持久层框架，它支持定制化 SQL、存储过程以及高级映射。MyBatis 避免了几乎所有的 JDBC 代码和手动设置参数以及获取结果集。此外，MyBatis 不会对应用程序或者数据库的现有设计强加任何影响。SQL 写在 XML 中，便于统一管理和优化，通过 SQL 语句可以满足操作数据库的所有需求；(3）Qt：Qt 是由 Qt Commany 开发的跨平台 C+图形用户界面应用程序开发框架，既可以开发GUI程序，也可以开发非 GUI 程序，比如控制台工具和服务器。Qt 是面向对象的框架，使用特殊的代码生成扩展(元对象编译器)以及一些宏，Qt 易扩展，并且允许真正地组件编程；(4）Netty技术：Netty是由JBOSS提供的一个JAVA开源框架，Netty 提供异步的、事件驱动的网络应用程序框架和工具，用以快速开发高性能、高可靠性的网络服务器和客户端程序。本文开发软件的功能模块如图 2 所示。用户可通过远程浏览器访问系统主要设备运行状况、工作参数、软件状态和电源状态，实时对系统接口的主要数据流量、各功能模块间的数据传输流量及时效性等信息,故障诊断模块提供可视化监视和异常告警功能,发现设备告警或故障时，提示用户并可一键启动对该故障设备故障点的诊断流程，进一步进行故障分析。健康管理软件显示诊断测试过程信息，并显示诊断结果。设备诊断完成后，定位设备故障单元，并进行提示和告警。数据管理模块提供人机交互界面，在数据库中记录设备的故障信息，形成故障诊断报告，记录故障诊断测试日志，对历史故障信息进行统计分析。此外，该模块以规则引擎、决策树、神经网络等手段形成故障树，并记录过程和结果数据，持久化到数据库。维护日志模块包括设备升级改造记录、设备维护记录、装备生命周期等功能，集合评估模型和设备健康采集数据，进行设备维修优先级判定，对优先级高的设备，通过 WebSocket 技术推送到人机交互界面，让用户优先处理。故障预测模块内置了本文提出的基于LSTM的车载相控阵雷达系统故障预测算法，提供了模型训练界面，供用户设置模型参数进行训练，也可从数据库中一键导入已训练好的模型。故障预测可对系统的健康状态进行评估,得到的健康指数信息会传递到状态评估模块,配合健康管理中实时接收的运维信息,对系统进行全面的状态评估,并给出制定维修计划的建议。图 2 健康管理软件模块结构图 5 总结 本文提出的基于故障预测的雷达健康管理软件主要包括：（1）为了克服实际装备项目中难以长时间测定系统参数的不足，提出了一个基于 LSTM 机器学习的故障预测方法。相比于传统的线性模型，该算法能够处理多变量输入（包括 T/R 组件平均温度、冷却液流量值、回液温度值）的问题，因此有助于解决系统标值数据时序的预测问题；（2）设计和实现了基于故障预测的健康管理软件，在传统 BIT 技术的故障检测基础上，增加故障预测、故障诊断、状态评估等模块，系统通过实时监测与健康管理技术实现对软硬件全方位静、动态参数的实时监控，对装备健康水平和寿命进行一定的评估和预测，有助于对系统故障快速排查与恢复，并生成健康管理报告和维修建议，提升系统的可靠性与可维护性。健康管理软件健康管理故障预测状态监测故障诊断数据管理维保日志维修建议状态评估模型训练人机交互中国科技期刊数据库 工业 A-163-参考文献 1杨华明,卞美琴,刘亚帅.船舶雷达系统智能化发展研究J.雷达与对抗,2022,42(03):1-5.2李旻.复杂电子系统综合诊断与故障预测关键技术研究J.电子科技大学,2014,6(7):8.3孔凡泉,倪向东.基于数据驱动的机载雷达健康评估技术研究J.科学技术创新,2021,00(33):105-108.4彭亮.基于注意力的故障预测与雷达健康管理系统的研究与实现J.电子科技大学,2020,00(8):1848.5杨奕飞.舰船装备健康评估与管理若干关键技术研究J.南京理工大学,2019,00(9):1725.6贾倩茜,杨光,曹阳,等.一种雷达故障预测模型建模方法研究J.雷达与对抗,2021,41(03):37.7翟玉婷,程占昕,房少军.智能化雷达故障预测及检测技术综述J.计算机科学,2023,50(05):217-229.8洪畅,翟栋梁,丁志辉,等.一种舰载雷达健康管理系统设计方法及实现J.雷达与对抗,2023,43(02):11-14.