相控阵T/R组件故障参数的预测方法、装置、设备和介质制造方法及图纸

本发明专利技术公开了一种相控阵T/R组件故障参数的预测方法、装置、设备和介质，包括：获取相控阵T/R组件的历史故障量数据进行预处理；将历史故障量数据输入到组合预测模型中对T/R组件的故障量数据进行预测；根据历史性能检测结果获取各测试项分别与T/R组件的每一车间可更换单元之间的关联关系，建立T/R组件的故障数据库；对基于决策导向无环图的支持向量模型进行训练和预测。本发明专利技术能够保证较高的预测精度，即能够精确预测T/R组件的故障量，从而为T/R组件的维护和库存策略提供数据支持；能够直接将T/R组件故障隔离到一个或几个车间可更换单元上，从而减少后续对T/R组件的故障检修时间，提高装备保障能力。高装备保障能力。高装备保障能力。

【技术实现步骤摘要】
相控阵T/R组件故障参数的预测方法、装置、设备和介质


[0001]本专利技术属于相控阵
，具体涉及一种相控阵T/R组件故障参数的预测方法、装置、设备和介质。

技术介绍

[0002]大型相控阵雷达T/R（Transmitter and Receiver，发射和接收）组件数量多且故障频繁，因此需要对T/R组件建立合理的更换维护策略，如何及时监控和预测相控阵中故障T/R组件的数量，发现故障数量与相控阵运行时间的关系，对最大化装备战斗力，提高准备维修支持能力具有重要意义。
[0003]现有的相控阵T/R组件故障预测方法有很多，包括线性回归分析、灰色模型、支持向量机、神经网络等预测方法，其中，灰色预测方法尤其适用于预测小样本数据，但预测精度不高，神经网络预测方法具有较高的预测精度，但需要大量的训练样本。

技术实现思路

[0004]本专利技术的目的是提供一种相控阵T/R组件故障参数的预测方法、装置、设备和介质，用以解决现有技术中存在的预测精度不高或需要大量的训练样本的技术问题。
[0005]为了实现上述目的，本专利技术采用以下技术方案：第一方面提供一种相控阵T/R组件故障参数的预测方法，包括：获取相控阵T/R组件的历史故障量数据，并采用移动平均算法对历史故障量数据进行预处理；将预处理后的历史故障量数据输入到组合预测模型中对T/R组件的故障量数据进行预测，其中，组合预测模型包括改进型灰色模型和BP神经网络模型，改进型灰色模型包括改进模型初始条件、改进模型背景值以及改进模型的数据更新；获取自动测试系统测量的T/R组件的历史性能检测结果，根据历史性能检测结果获取各测试项分别与T/R组件的每一车间可更换单元之间的关联关系，并根据关联关系建立T/R组件的故障数据库；调用故障数据库对基于决策导向无环图的支持向量模型进行训练和预测，对T/R组件的具体故障车间可更换单元进行定位检测。
[0006]在一种可能的设计中，获取相控阵T/R组件的历史故障量数据，并采用移动平均算法对历史故障量数据进行预处理，包括：获取相控阵T/R组件在历史时间段内的故障量数据，并采用如下公式表示历史故障量数据：；（1）其中，表示所有T/R组件的累积工作时长，表示第一时间段内的T/R组件故障量，表示第二时间段内的T/R组件故障量，依此类推；
基于预设的平移参数对历史故障量数据进行移动平均处理，得到历史故障量数据累积后的故障量数据，如下：根据历史故障量数据和移动平均处理后的故障量数据，得到累积后的故障量数据如下：；（2）其中，表示移动平均处理后，历史故障量数据累积后的故障量数据，表示平移参数，取整数且。
[0007]在一种可能的设计中，改进型灰色模型包括改进模型初始条件、改进模型背景值以及改进模型的数据更新，包括：根据累积后的故障量数据，得到改进型灰色模型的初始条件值如下：；（3）根据累积后的故障量数据，得到改进型灰色模型的背景值如下：；（4）其中，和分别表示中的第个累积工作时长和第个累积工作时长，和分别表示第个累积工作时长的累积后的故障量数据以及第个累积工作时长的累积后的故障量数据；根据改进型灰色模型的背景值，采用最小二乘法计算一阶微方程中的微分参数，通过微分参数计算更新累积后的故障量数据，并通过更新的累积后的故障量数据得到更新后的历史故障量数据，如下：；（5）其中，表示更新后的历史故障量数据，和分别表示第个累积工作时长的更新累积后的故障量数据和第个累积工作时长的更新累积后的故障量数据。
[0008]在一种可能的设计中，将预处理后的历史故障量数据输入到组合预测模型中对T/R组件的故障量数据进行预测，包括：将更新后的历史故障量数据输入到串行的改进型灰色模型和BP神经网络模型中，对T/R组件的故障量数据进行预测，预测结果如下：；（6）其中，表示T/R组件故障量的预测值，表示采用改进型灰色模型的T/R组件故障量的趋势预测值，即更新后的历史故障量数据，表示采用BP神经网络模型的T/R组件故障量的干扰预测值。
[0009]在一种可能的设计中，将预处理后的历史故障量数据输入到组合预测模型中对T/R组件的故障量数据进行预测，包括：将更新后的历史故障量数据输入到并行的改进型灰色模型和BP神经网络模型中，对T/R组件的故障量数据进行预测，预测结果如下：；（7）其中，表示预测模型的种类，即改进型灰色模型和BP神经网络模型，表示每一预测模型的加权系数；其中，在将更新后的历史故障量数据输入到并行的改进型灰色模型和BP神经网络模型中之前，还包括：根据每一预测模型的可用性确定每一预测模型的加权系数。
[0010]在一种可能的设计中，在调用故障数据库对基于决策导向无环图的支持向量模型进行训练和预测之前，还包括：采用mapminmax函数对故障数据库的故障数据进行归一化处理。
[0011]在一种可能的设计中，决策导向无环图的支持向量模型包括个二分类器，每一分类器的核函数采用径向基函数，并采用网格参数寻优算法对径向基核函数宽度系数和惩罚因子进行寻优，其中，表示每一T/R组件的其中一个通道的车间可更换单元数量。
[0012]第二方面提供一种相控阵T/R组件故障参数的预测装置，包括：历史数据处理模块，用于获取相控阵T/R组件的历史故障量数据，并采用移动平均算法对历史故障量数据进行预处理；故障预测模块，用于将预处理后的历史故障量数据输入到组合预测模型中对T/R组件的故障量数据进行预测，其中，组合预测模型包括改进型灰色模型和BP神经网络模型，改进型灰色模型包括改进模型初始条件、改进模型背景值以及改进模型的数据更新；数据库建立模块，用于获取自动测试系统测量的T/R组件的历史性能检测结果，根据历史性能检测结果获取各测试项分别与T/R组件的每一车间可更换单元之间的关联关系，并根据关联关系建立T/R组件的故障数据库；故障定位检测模块，用于调用故障数据库对基于决策导向无环图的支持向量模型进行训练和预测，对T/R组件的具体故障车间可更换单元进行定位检测。
[0013]在一种可能的设计中，在获取相控阵T/R组件的历史故障量数据，并采用移动平均算法对历史故障量数据进行预处理时，历史数据处理模块具体用于：获取相控阵T/R组件在历史时间段内的故障量数据，并采用如下公式表示历史故障量数据：；（1）其中，表示所有T/R组件的累积工作时长，表示第一时间段内的T/R组件故障量，表示第二时间段内的T/R组件故障量，依此类推；基于预设的平移参数对历史故障量数据进行移动平均处理，得到历史故障量数据累积后的故障量数据，如下：
根据历史故障量数据和移动平均处理后的故障量数据，得到累积后的故障量数据如下：；（2）其中，表示移动平均处理后，历史故障量数据累积后的故障量数据，表示平移参数，取整数且。
[0014]在一种可能的设计中，改进型灰色模型包括改进模型初始条件、改进模型背景值以及改进模型的数据更新，具体包括：根据累积后的故障量数据，得到改进型灰色模型的初始条件值如下：；（3）根据累积后的故障量数据，得到改进型灰色模型的背景值如下：；（4）其中，和分别表示中的第个累积工作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种相控阵T/R组件故障参数的预测方法，其特征在于，包括：获取相控阵T/R组件的历史故障量数据，并采用移动平均算法对历史故障量数据进行预处理；将预处理后的历史故障量数据输入到组合预测模型中对T/R组件的故障量数据进行预测，其中，组合预测模型包括改进型灰色模型和BP神经网络模型，改进型灰色模型包括改进模型初始条件、改进模型背景值以及改进模型的数据更新；获取自动测试系统测量的T/R组件的历史性能检测结果，根据历史性能检测结果获取各测试项分别与T/R组件的每一车间可更换单元之间的关联关系，并根据关联关系建立T/R组件的故障数据库；调用故障数据库对基于决策导向无环图的支持向量模型进行训练和预测，对T/R组件的具体故障车间可更换单元进行定位检测。2.根据权利要求1所述的相控阵T/R组件故障参数的预测方法，其特征在于，获取相控阵T/R组件的历史故障量数据，并采用移动平均算法对历史故障量数据进行预处理，包括：获取相控阵T/R组件在历史时间段内的故障量数据，并采用如下公式表示历史故障量数据：；（1）其中，表示所有T/R组件的累积工作时长，表示第一时间段内的T/R组件故障量，表示第二时间段内的T/R组件故障量，依此类推；基于预设的平移参数对历史故障量数据进行移动平均处理，得到历史故障量数据累积后的故障量数据，如下：根据历史故障量数据和移动平均处理后的故障量数据，得到累积后的故障量数据如下：；（2）其中，表示移动平均处理后，历史故障量数据累积后的故障量数据，表示平移参数，取整数且。3.根据权利要求2所述的相控阵T/R组件故障参数的预测方法，其特征在于，改进型灰色模型包括改进模型初始条件、改进模型背景值以及改进模型的数据更新，包括：根据累积后的故障量数据，得到改进型灰色模型的初始条件值如下：；（3）根据累积后的故障量数据，得到改进型灰色模型的背景值如下：；（4）
其中，和分别表示中的第个累积工作时长和第个累积工作时长，和分别表示第个累积工作时长的累积后的故障量数据以及第个累积工作时长的累积后的故障量数据；根据改进型灰色模型的背景值，采用最小二乘法计算一阶微方程中的微分参数，通过微分参数计算更新累积后的故障量数据，并通过更新的累积后的故障量数据得到更新后的历史故障量数据，如下：；（5）其中，表示更新后的历史故障量数据，和分别表示第个累积工作时长的更新累积后的故障量数据和第个累积工作时长的更新累积后的故障量数据。4.根据权利要求3所述的相控阵T/R组件故障参数的预测方法，其特征在于，将预处理后的历史故障量数据输入到组合预测模型中对T/R组件的故障量数据进行预测，包括：将更新后的历史故障量数据输入到串行的改进型灰色模型和BP神经网络模型中，对T/R组件的故障量数据进行预测，预测结果如下：；（6）其中，表示T...

【专利技术属性】
技术研发人员：徐伟，黄洪云，蒲朝斌，
申请(专利权)人：四川省华盾防务科技股份有限公司，
类型：发明
国别省市：