基于深度学习的雷达异常状态诊断方法技术

本发明专利技术公开了一种基于深度学习的雷达异常状态诊断方法，包括以下步骤：利用气象雷达系统的各个分系统的历史状态数据和报警数据，以报警数据做标签，对故障进行分类，使用逐步回归法提取与每一类故障相关的特征参数；对每一类故障取特征参数中的相关系数最大的特征参数作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，利用除相关系数最大的特征参数以外的特征参数对相关系数最大的特征参数进行拟合重构，得到重构值；对每一类故障的重构值和实测值的差值做基于概率的量化标准；对每一类故障的量化结果做时间区间统计，对不同模型的诊断结果进行整合，得到实时的对多个故障诊断结果并给出预警，滤除误报警，得到最终诊断结果。

Diagnosis method of radar abnormal state based on deep learning

【技术实现步骤摘要】
基于深度学习的雷达异常状态诊断方法
本专利技术属于雷达系统
，具体涉及一种基于深度学习的雷达异常状态诊断方法。
技术介绍
目前使用中的自然气象雷达系统是一个比较复杂的电子系统，包括发射机分系统、接收机分系统和伺服分系统，每个分系统的各个电子参数之间没有物理联系，因此故障体现的电子参数间无物理联系，使得无法利用传统的专家经验对自然气象雷达系统进行故障诊断和预测。
技术实现思路
鉴于以上存在的技术问题，本专利技术用于提供一种基于深度学习的雷达异常状态诊断方法。为解决上述技术问题，本专利技术采用如下的技术方案：一种基于深度学习的雷达异常状态诊断方法，应用于包括发射机分系统、接收机分系统和伺服分系统的气象雷达系统，包括以下步骤：利用气象雷达系统的各个分系统的历史状态数据和报警数据，以报警数据做标签，对故障进行分类，使用逐步回归法提取与每一类故障相关的特征参数；对每一类故障取特征参数中的相关系数最大的特征参数作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，利用除相关系数最大的特征参数以外的特征参数对相关系数最大的特征参数进行拟合重构，得到重构值；对每一类故障的重构值和实测值的差值做基于概率的量化标准；对每一类故障的量化结果做时间区间统计，对不同模型的诊断结果进行整合，得到实时的对多个故障诊断结果并给出预警，滤除误报警，得到最终诊断结果。优选地，对于每一类故障，对重构值和实测值的差值做基于概率的量化标准进一步包括：分析实测值的分布情况，有多个运行状态，则为多个高斯分布的叠加；假设预测值和测量值独立，若预测值服从一高斯分布，假设雷达运行状态正常，则测量值也应当服从此高斯分布，两者的差值服从N(0,2σ^2)分布；对差值的概率进行归一化处理，得到最终的量化结果：预测值等于测量值，则η＝1，预测值越偏离测量值，η越接近于0。优选地，对于每一类故障，对量化结果做时间区间统计，滤除误报警，得到最终诊断结果进一步包括：设置概率判定阈值ηo，η＜ηo认为出现故障状态点；以m个连续时间点做时间区间统计，故障状态点大于0.3m，认为出现故障。优选地，所述逐步回归法为向前引入法，具体为：首先模型中只加入一个单独解释因变量变异最大的自变量，随后尝试将加入另一自变量，检查整个模型所能解释的因变量变异是否显著增加，反复迭代至没有自变量再符合加入模型的条件。优选地，所述逐步回归法为向后剔除法，具体为：将所有变量均放入模型，之后尝试将其中一个自变量从模型中剔除，检查整个模型解释因变量的变异是否有显著变化，将使解释量减少最少的变量剔除；反复迭代至没有自变量符合剔除的条件。优选地，所述逐步回归法为双向剔除法，具体为：首先模型中加入一个单独解释因变量变异最大的自变量，随后尝试加入另一个自变量，对整个模型中的所有变量进行检验，若因变量有显著增加则保留该自变量并剔除作用不显著的变量，反复迭代至最终得到一个最优的变量组合。优选地，使用长短时记忆网络LSTM模型搭建重构模型的过程为：忘记门Γf读取上一个细胞的非线性激活a<t-1>和当前LSTM单元的输入数据x<t>，输出一个在0到1之间的数值给每个在LSTM单元状态c<t-1>中的数字，其中1表示“完全保留”，0表示“完全舍弃”；输入门Γu为sigmoid层，用于决定需要更新的值，使用tanh层创建一个新的候选值向量更新的向量c<t>由输入门和忘记门共同决定；输出门Γo决定输出值，运行sigmoid层Γ来确定LSTM单元状态的哪个部分将输出出去，把单元状态c<t>通过tanh进行处理得到一个在-1到1之间的值，并将它和输出门Γo的输出相乘，最终输出确定输出的部分。采用本专利技术具有如下的有益效果：针对自然气象雷达的各个分系统的故障，进行多故障诊断，能够判别多种故障的组合发生，能够提前预测可能发生故障，并且能够对现有雷达频繁无效报警的情况滤除虚警。附图说明图1为本专利技术实施例的基于深度学习的雷达异常状态诊断方法的步骤流程图；图2为本专利技术实施例的基于深度学习的雷达异常状态诊断方法中雷达发射机分系统的诊断步骤流程图图3为雷达发射机分系统的诊断的运行状态为多个高斯分布的叠加的结构示意图；图4为雷达发射机分系统的诊断的LSTM算法流程示意图；图5为雷达发射机分系统的诊断的LSTM结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供了一种基于深度学习的雷达异常状态诊断方法，应用于包括发射机分系统、接收机分系统和伺服分系统的气象雷达系统，包括以下步骤：利用气象雷达系统的各个分系统的历史状态数据和报警数据，以报警数据做标签，对故障进行分类，使用逐步回归法提取与每一类故障相关的特征参数；对每一类故障取特征参数中的相关系数最大的特征参数作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，利用除相关系数最大的特征参数以外的特征参数对相关系数最大的特征参数进行拟合重构，得到重构值；对每一类故障的重构值和实测值的差值做基于概率的量化标准；对每一类故障的量化结果做时间区间统计，对不同模型的诊断结果进行整合，得到实时的对多个故障诊断结果并给出预警，滤除误报警，得到最终诊断结果。参照图1，所示为上述本专利技术实施例基于深度学习的雷达异常状态诊断方法对应的流程示意图，采集气象雷达系统的各个分系统的设备状态时序数据，分别进行第1类故障特征参数提取，第2类故障特征参数提取，至第n类故障特征参数提取，而后对每一类故障取特征参数中的相关系数最大的特征参数作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，得到重构模型1，重构模型2至重构模型N，对每一类故障的重构值和实测值的差值做基于概率的量化标准，得到分类的故障判别结果，即第1类故障判别结果，第2类故障判别结果至第N类故障判别结果，进而根据各类故障判别结果得到整个气象雷达系统的设备状态整体识别结果。以下以雷达发射机分系统为例，对异常状态诊断过程作进一步的说明，以使本领域技术人员能更好的理解本专利技术方法的实施过程。参照图2，所示为雷达发射机分系统的故障诊断方法的步骤流程图，其包括以下步骤：S10，利用雷达发射机分系统的历史状态数据和报警数据，以报警数据做标签，使用逐步回归法提取与发射机分系统故障相关的特征参数共n个，认为如果特征参数发生了显著变化，则发射机的健康状态发生了变化，因为特征参数即从系统的状态变量中提取的关键信息，这些关键信息能够准确代表系统的状态，如果系统本文档来自技高网...

【技术保护点】
1.一种基于深度学习的雷达异常状态诊断方法，其特征在于，应用于包括发射机分系统、接收机分系统和伺服分系统的气象雷达系统，包括以下步骤：/n利用气象雷达系统的各个分系统的历史状态数据和报警数据，以报警数据做标签，对故障进行分类，使用逐步回归法提取与每一类故障相关的特征参数；/n对每一类故障取特征参数中的相关系数最大的特征参数作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，利用除相关系数最大的特征参数以外的特征参数对相关系数最大的特征参数进行拟合重构，得到重构值；/n对每一类故障的重构值和实测值的差值做基于概率的量化标准；/n对每一类故障的量化结果做时间区间统计，对不同模型的诊断结果进行整合，得到实时的对多个故障诊断结果并给出预警，滤除误报警，得到最终诊断结果。/n

【技术特征摘要】
1.一种基于深度学习的雷达异常状态诊断方法，其特征在于，应用于包括发射机分系统、接收机分系统和伺服分系统的气象雷达系统，包括以下步骤：
利用气象雷达系统的各个分系统的历史状态数据和报警数据，以报警数据做标签，对故障进行分类，使用逐步回归法提取与每一类故障相关的特征参数；
对每一类故障取特征参数中的相关系数最大的特征参数作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，利用除相关系数最大的特征参数以外的特征参数对相关系数最大的特征参数进行拟合重构，得到重构值；
对每一类故障的重构值和实测值的差值做基于概率的量化标准；
对每一类故障的量化结果做时间区间统计，对不同模型的诊断结果进行整合，得到实时的对多个故障诊断结果并给出预警，滤除误报警，得到最终诊断结果。


2.如权利要求1所述的基于深度学习的雷达异常状态诊断方法，其特征在于，对于每一类故障，对重构值和实测值的差值做基于概率的量化标准进一步包括：
分析实测值的分布情况，有多个运行状态，则为多个高斯分布的叠加；
假设预测值和测量值独立，若预测值服从一高斯分布，假设雷达运行状态正常，则测量值也应当服从此高斯分布，两者的差值服从N(0,2σ^2)分布；
对差值的概率进行归一化处理，得到最终的量化结果：预测值等于测量值，则η＝1，预测值越偏离测量值，η越接近于0。


3.如权利要求1或2所述的基于深度学习的雷达异常状态诊断方法，其特征在于，对于每一类故障，对量化结果做时间区间统计，滤除误报警，得到最终诊断结果进一步包括：
设置概率判定阈值ηo，η＜η0认为出现故障状态点；
以m个连续时间点做时间区间统计，故障状态点大于0.3m，认为出现故障。


4.如权利要求1或2所述的基于深度学习的雷达异常状态诊断方法，其特征在于，...

【专利技术属性】
技术研发人员：刘井泉，解光耀，曾聿赟，张昊宇，刘正藩，秦楚晴，杨辉，
申请(专利权)人：清华大学，上海祥通石化科技有限公司，
类型：发明
国别省市：北京;11