雷达状态监测数据处理方法

李炎倍 朱新权 崔 严 李海龙

(1.中国人民解放军63788部队 陕西渭南 714000； 2.中国人民解放军63789部队西安 710043；3.中国人民解放军63750部队 西安 710000)

0 引言

随着科学技术的发展，雷达装备的性能日益提高，结构也越来越复杂。与此同时，军事上对雷达装备的质量可靠性要求越来越高．针对此情况提出了对雷达装备进行状态监测的思想．通过对雷达装备进行状态监测，可以定性、定量地掌握雷达装备的运行状态，预测雷达装备的可靠性，随时可以获得质量评估结果，实现实时对雷达装备的质量进行监测和评估，使雷达装备在现代化战争中发挥其最大的优势。

HMM具有自适应学习功能，可以通过自适应训练获取知识的方式对系统状态进行监视[1-2]。它是一种信号动态时间序列统计模型，理论基础丰厚，处理连续的动态信号效果更好。本文针对雷达装备的复杂性，在雷达装备状态信息获取中，对所有元器件进行状态监测是非常困难的，所以对能够反应雷达装备质量的主要部件进行监测，获得监测数据，通过信息处理和特征提取，采用HMM来进行处理，计算出雷达在未知状态下的KL距离，通过KL距离的大小就可以对雷达装备的质量进行评估。评估的结果说明了该方法的可行性，为雷达装备的质量评估提供了一种新的思路。

1 雷达装备质量状态监测的内容与步骤

雷达装备的工作状态是雷达装备质量状态监测的主要内容。首先是获取状态信息，常用的方法有监视、测量、判别等，其次对获取到的信息进行分析处理，在这个过程中会额外考虑环境、装备历史状态、现存状态等因素，最后对雷达装备质量做出评估，判断出雷达装备当前处于什么状态，以便装备管理人员对雷达装备进行有效管理，也为后续的故障分析、性能评估、装备维护奠定了基础[3]。

1.1 状态监测部位的设置

根据雷达本机可靠性情况、技术鉴定和质量评估需求以及影响雷达安全和战时性能发挥的因素设置监控点[4-5]。共设置三类监控点：一是根据装备故障机理，重点监测高电压、大电流、高转速、高频率等易故障关键部位工作情况，主要是通过监测温度、噪声变化，预测可能发生的故障；二是细化量化装备维修质量评估标准和技术鉴定指标要求，设置相应的监测点，定期进行常规电压、波形测量，完成装备维修质量综合评价和鉴定，为维修决策提供依据；三是作战效能监测，包括装备分辨力、频率点、基准回波位置和幅度、最大探测距离等内容，通过分析装备作战效能，评估装备技术状态，查找并修复装备低效故障，为雷达全效能发挥提供数据支撑。

雷达装备的运行状态就是表征雷达装备运行状况的主要参数在雷达运行过程中的反应状况，而雷达状态监测便是对这些参数的状态监测[6]。现代雷达体制种类比较多，应用的技术也不尽相同，对雷达装备进行全面的质量评估，需要对各方面的有关参数进行监测和处理，根据对某型雷达的参数测试分析得出影响雷达装备质量性能的主要参数如表1所示。

表1 影响雷达装备质量的主要参数

1.2 状态监测的步骤

1)信号采集

设备在运行中会产生大量的信息，信号采集就是获取这些信息。

2)信号处理

将采集到的信号进行加工处理，获取有效信息，即能表征装备状态的信息，即特征提取。

图1 状态监测原理

3)状态识别

对比允许的参数与上一步获取的参数，以确定雷达装备此刻的质量状态，以便下一步进行更好的评估，提高雷达装备的使用率和及时规避雷达装备故障。

2 状态监测信息的特征提取

特征提取的方法[8]有很多种，常用的有主元特征提取法(Karhuen-Loeve变换和Fisher线性变换)、基于BP神经网络的特征提取法和基于模糊信息优化处理的特征提取法。这三种提取方法各有优缺点，如表2所示。

要想全面掌握雷达装备工作状态，就必须监视每个元器件的状态，从而更好地评估雷达装备质量，但是因元器件数量众多，必然产生超量数据。这样不利于数据采集和处理，且有可能没办法实现。另外，目前元器件集成度、可靠性都比较高，因此没有必要进行全面监测，而应该只监测影响因素大、能明显表征装备工作状态的元器件工作状态[7]。所以就出现了这种情况，在进行特征提取的过程中又会出现信息不足的问题，人们希望用少量的样本对整个雷达装备的质量进行一个总体估计，就需要将有限的知识信息多次使用，这就有了信息分配的必要，要达到合理的分配信息，关键问题就是分配函数的建立，采用模糊最佳分类法。

表2 故障诊断的特征提取方法分析比较表

模糊最佳分类法基于模糊聚类分析原理。模糊聚类就是将所考察的具有模糊性的对象进行合理的分类，为了分类就要将样本的种种性质数量化，这种已数量化的性质称为样本指标。如果样本有m维指标，就可以用m维空间的一个点描述该样本。如果有n个样本，每个样本有m个指标，则有Xi=(xi1,xi2,…,xim)。

应用模糊聚类分析的关键在于要把统计指标选择集合，也就是统计指标应有明确的实际意义，有强分辨力和代表性。

非完备样本具有过渡性，这种过渡性会引起模糊不确定性，模糊信息优化处理正是利用这一点对信息进行分配或扩散，从而提高了对真实样本的预测及识别精度。

信息扩散的定义：设W是知识样本，V是基础论域，关于W的一种信息扩散是W到[0，1]上的一个映射μ:W×V→[0,1]。

p(v)为仿真数据总体密度，它的一个扩散估计如式(1)所示。

(1)

其中，μ(x)为波雷尔可测函数，其范围是(-∞,∞)。

信息扩散原理：设W={w1,w2,…,wm}，记wj的观测值为vj，设x=φ(v-vj)，则W非完备时，存在函数μ(x)，使得vj点量值为1时获得的信息，能够按照μ(x)的量值扩散到V中，而且扩散后的原始信息分布规律为

(2)

更好地反映了W所在总体的规律，令

(3)

由信息扩散的原理可知，如果样本容量趋于无穷大，那么利用信息扩散法估计的分布趋于真实分布，在不考虑其他干扰因素时，仿真结果也必然趋于真实。而如果样本容量趋于无穷小时，此方法会有相应的优化处理。从以上分析可以看出，利用信息扩散的方法具有一定有效性和可信度。

3 CHMM在状态监测数据处理中的应用

目前，常见的电子装备状态监测方法有基于SVM、SVDD模型以及其改进模型。HMM是双重马尔可夫随机过程，其状态只有通过观测序列的随机过程才能获得。雷达装备的正常工作状态恰好符合一个典型的双重随机过程，这种契合使得其相较于以上的监测模型效率更高。根据观测信号的性质，HMM可分为两类：连续隐马尔可夫模型(continues HMM,CHMM)和离散隐马尔可夫模型(discrete HMM,DHMM)。因为在雷达装备的质量评估中采集到的状态监测信号是连续信号，故采用连续隐马尔可夫模型(CHMM)实现对监测数据的处理[9]。处理过程如图2所示。

图2 应用CHMM对状态监测数据处理

应用CHMM对雷达装备质量进行评估，其数据处理过程主要有以下几个方面：

1)特征状态的提取。根据雷达装备质量评估中状态监测信号的特点，选择合适的特征提取方法，对状态信息进行提取。

2)CHMM的训练。对雷达装备正常状态的质量信息进行监测并提取出特征值，将L次特征组成一组监测序列，进而获取多组监测序列去训练CHMM。

3)质量的评估。状态监测训练一个CHMM代表正常态，用雷达装备正常状态的质量信息的多组监测序列O正常训练CHMM并计算出正常态的似然概率值P(O正常|λ)。将未知状态的监测序列O未知送入已训练的CHMM并计算出未知态的似然概率值P(O未知|λ)。

KL(Kullback-Leibler)距离[9]的定义：假设问题域U上的一个概率密度函数为p，另一个概率密度函数为q，q为p的近似，则p和q之间的距离可以定义为

(4)

KL距离值代表p和q的接近程度，距离越小，p越接近于q，当且仅当p=q时，KL距离值为0。由于p和q本身太小，无实际物理意义，因此在计算KL距离时，一般采用对数似然概率。经过特征提取后的信号构成观测序列，先由训练后的正常态HMM求得p正常(O|λ)，再用当前监测数据特征由正常态的HMM得到对应的p未知(O′|λ)。由[p正常(O|λ)，p未知(O′|λ)]计算出KL距离，从而判断状态偏离程度[10]。KL值越小，雷达装备状态越接近于正常；KL值越大，故障程度越高，如果其值大于阈值，则已失效，基于此实现对状态监测数据的处理以及评估。

4 实例分析

对雷达装备进行状态监测得到m×n维样本指标，其中，m为测试的指标数，n为每一测试指标的多次测量数据，在雷达装备的质量进行评估时需要对这些有限的信息多次使用，所以就需要对其进行信息分配，得到扩散函数μ(x)，建立分配函数，采用最佳的模糊最佳分类法[11]，对样本指标作出处理和特征提取，以其中接收分系统的滤波器损耗为例，对正常态的滤波器损耗进行状态监测得到一组数据，经过基于模糊信息优化处理及特征提取后得到同时观测，同初始状态下的两组n维反应接收机的质量信息的向量L1和L2，其中L1为训练CHMM的序列，L2为测试序列。考虑到测试滤波器损耗具有连续性、不可逆性，故选择的CHMM为无跳跃的左右型，经过正常态下雷达接收分系统中滤波器损耗监测获取的数据来训练一个CHMM并作为状态监测器，利用未知状态下雷达接收分系统中滤波器损耗的数据输入到这个CHMM，计算对应的KL值，从而对雷达装备接收分系统的质量进行估计：根据实际情况设定阈值α，若KL≥α则该接收分系统需要维修，若KL<α则不需要维修。需要注意的是，在这种情况下，随着KL距离的增大，接收机的质量状况会逐渐下降。实验过程中，每隔一段时间对滤波器损耗数据进行采集，共采集10次，每次采集的数据都要与滤波器损耗标称值进行比对，如果标称值在[0,10]%内，则表示接收机状态正常；如果标称值在90%以上，则表示接收机处于失效状态；如果标称值在其他范围，则表示接收机处于不同程度的状态。滤波器损耗标称值范围包括[0,10]%、[11,20]%、[21,30]%、[31,40]%、[41,50]%、[51,60]%、[61,70]%、[71,80]%、[81,90]%、[91,100]%，分别对应接收机从正常到失效的10个状态等级。由接收机正常状态下的滤波器损耗监测数据训练CHMM，并将上述数据依次输入CHMM中得到对应的KL距离，实验结果如表3所示。

表3 雷达接收机从正常状态到失效状态下的KL距离

从表3得知，随着接收机的状态逐步向失效态发展，KL距离也越来越大，因此可以通过KL距离大致判断出雷达接收机当前所处的状态。在同一故障状态下，通过计算KL距离就可以初步对雷达接收机的质量做出评估，从而更好地应用于雷达装备的质量评估中。

5 结束语

本文提出了一种对雷达装备质量的状态监测数据进行处理的新方法。将CHMM作为状态监测器，以能够反应雷达装备质量的有限数据信息经过进行模糊信息优化处理后来训练CHMM，然后将未知状态下的数据输入CHMM，经过计算KL距离来对雷达装备质量进行评估，以雷达接收机中的滤波器损耗为例进行验证，通过对比不同状态所对应的KL距离验证了该方法的可行性。该方法将雷达装备质量评估过程中难以检测的故障转换为明显变化的KL距离值，能够有效估计出雷达装备的质量状态，进而决定是否维修处理。这样，既可以减少因不必要维修导致的维修成本过高问题，更能避免因失效所造成的事故，为雷达装备的保障提供了依据。