基于图嵌入微波滤波器故障诊断的性能调试方法技术

本发明专利技术公开了一种基于图嵌入微波滤波器故障诊断的性能调试方法，首先，构建由复数卷积编码子网络和复数反卷积解码子网络级联的导纳参数特征提取网络，而后结合待诊断和调试的微波滤波器结构构建图卷积反演网络，生成导纳参数训练集和散射参数训练集，最后交替训练导纳参数特征提取网络和图卷积反演网络，对微波滤波器进行故障诊断和调试。本发明专利技术是一种无监督模型，降低了采集大量数据集的难度；且在故障诊断和调试过程中，无需任何迭代优化过程，可节约大量的诊断调试时间；结合滤波器的物理结构构建的模型，可用于任意结构的微波滤波器故障诊断和调试，具有更高的适用性。具有更高的适用性。具有更高的适用性。

【技术实现步骤摘要】
基于图嵌入微波滤波器故障诊断的性能调试方法


[0001]本专利技术属于物理
，更进一步涉及电数字数据处理
中的一种基于图嵌入微波滤波器故障诊断的性能调试方法。本专利技术可通过图嵌入的方法对微波滤波器的故障进行诊断，在故障诊断的基础上，实现微波滤波器电性能的调试。

技术介绍

[0002]微波滤波器主要包括腔体滤波器和LC滤波器，是无线通信基站和卫星通信系统的关键选频器件，广泛应用于卫星系统和无线通信系统的射频前端，其滤波性能决定了选频质量。在工程实际的微波滤波器生产设计中，由于设计软件和制造过程中存在的物理尺寸误差以及在制造过程中调试部件的装配误差，常常导致微波滤波器的输出响应无法与设计要求完全吻合，使得电性能不满足设计以及服役的需求，即滤波器发生故障，该类故障严重影响了滤波器的滤波性能，因此，快速的实现滤波器故障诊断，并根据诊断的故障进行调试，是微波滤波器生产制造以及服役过程中不可或缺的环节。耦合矩阵是滤波器故障诊断的关键中间参数，基于柯西方法的计算机辅助诊断方法在拟合高阶滤波器耦合矩阵时，容易出现病态矩阵，难以实现十阶以上滤波器的故障诊断以及快速调试。而基于矢量拟合的计算机辅助诊断方法需要经过多次迭代拟合才能构建出耦合矩阵，并且每次迭代的时间随着滤波器阶数的增加而增加。除此之外，通过以上方法构建的滤波器耦合矩阵，需要通过相应的折叠旋转才能得到与设计拓扑结构对应的耦合矩阵。基于机器学习的方法需要构建对应的调整量作为标签，且大量的方法是将散射参数转为实数再进行特征提取，进而丢失了潜在的特征。
[0003]中国地质大学(武汉)在其申请的专利文献“一种微波滤波器多特征融合建模调试方法”(申请号：202110128530.4申请公布号：CN 113158541 A)中公开了一种利用多特征融合建模方法实现微波滤波器调试的方法。该方法的实现步骤为：首先对微波滤波器可调部件进行调试，并测量相应的调试量，同时通过矢量网络分析仪VNA(Vector Network Analyzer)测量滤波器在该调试状态下的散射参数，生成散射参数和调试量的数据集；然后搭建卷积神经网络模型，应用生成的数据集训练卷积神经网络模型，实现了滤波器的散射参数和调试量的关系映射；最后根据训练好的卷积神经网络模型实现了微波滤波器的调试。该方法存在的不足之处是，由于该方法卷积神经网络调试模型是一种监督训练模型，因此，训练调试模型时需要测量每一次滤波器的调试量作为标签，然而，测量每个调试状态下的调试量需要耗费大量的人力，难以制作大量数据集训练构建的调试模型，导致其在实际应用时并不容易实现；此外，该方法搭建的调试模型所采用的特征提取单元均是实数卷积层，而散射参数为复数，导致在特征提取过程中丢失了部分信息；以上两种不足导致整个模型的映射精度降低，调试效率下降。
[0004]苏州芯迈智能科技有限公司在其申请的专利文献“一种腔体滤波器的智能辅助调试方法及装置”(申请号：202110609307.1申请公布号：CN 113255222 A)中公开了一种利用融合知识图谱调试腔体滤波器性能的方法。该方法的实现步骤为：首先，通过知识图谱将腔
体调试量和散射参数进行关联，并关联了相应的滤波器自身特性(型号、批次等)；然后，计算了每次调整量之间的残差，将散射参数通过电路综合方法求解出耦合矩阵，构建残差网络将残差和耦合矩阵之间的映射关系；最后，通过该映射关系求解散射参数对应的调整量，实现滤波器的调试。该方法存在的不足之处是，由于该方法所应用的知识图谱仅仅是用来关联所有的散射参数、调试量、自身特性，没有考虑滤波器的自身腔体设计结构，无法实现任意拓扑结构的滤波器耦合矩阵求解；此外，在求解耦合矩阵时，采用的是传统电路综合方法，该类方法需要矩阵分解以及大量的优化迭代次数；以上两种不足导致在计算高阶滤波器调试量时，容易出现病态矩阵；且大量的迭代优化次数增加了调试时间，无法满足实时调测需求。

技术实现思路

[0005]本专利技术的目的是针对上述现有技术存在的不足，提出了一种基于图嵌入微波滤波器故障诊断的性能调试方法，用于解决现有技术难以制作大量数据集的问题，解决散射参数特征提取过程中部分复数特征丢失的问题，解决无法实现任意结构滤波器耦合矩阵求解问题，解决高阶滤波器耦合矩阵病态问题，解决大量优化迭代过程导致调试时间长的问题。
[0006]实现本专利技术目的的思路是，本专利技术基于图嵌入思想搭建了导纳参数特征提取网络和散射参数生成网络，实现滤波器的故障诊断和性能调试。首先，将待诊断调试的滤波器抽象为一个无向图，滤波器的每个腔体对应无向图中的相应节点，滤波器的每个耦合路对应无向图中相应的边；然后，搭建一个包括复数卷积编码子网络和复数反卷积解码子网络的导纳参数特征提取网络，为待诊断调试的滤波器每个腔体对应的节点做特征嵌入；最后搭建一个包括图卷积反演子网络和物理演进子网络的散射参数生成网络，图卷积反演子网络在每个节点特征嵌入的基础上，计算当前调试状态所对应的耦合矩阵进行故障诊断，物理演进子网络通过耦合矩阵进一步计算当前调试状态所对应的散射参数和调试量进行滤波器调试。由于本专利技术方法中导纳参数特征提取网络和散射参数生成网络均为无监督网络，可以直接通过构建的数据集进行训练，训练过程中无需制作额外的数据标签，解决了现有技术难以制作大量数据集的问题。由于本专利技术方法搭建的导纳参数特征提取网络中的复数卷积编码子网络和复数反卷积解码子网络均采用复数卷积子模块和复数反卷积模块，在特征提取过程中可以提取到复数特征，不需要将散射参数转为实数，解决了散射参数特征提取过程中部分复数特征丢失的问题。由于本专利技术方法中搭建的散射参数生成网络中图卷积反演子网络综合了滤波器的物理结构，以滤波器的调试腔体为节点生成了邻接矩阵，解决无法实现任意结构滤波器耦合矩阵求解问题，解决了计算高阶滤波器耦合矩阵时出现病态矩阵问题。由于本专利技术方法中的导纳参数特征提取网络和散射参数生成网络均为神经网络模型，经过训练后，进行滤波器故障诊断时均为矩阵运算，无需额外的迭代优化过程，解决了现有方法需要大量优化迭代过程导致调试时间长的问题。
[0007]本专利技术方法的实现的具体步骤包括如下：
[0008]步骤1，构建导纳参数特征提取网络：
[0009]步骤1.1，搭建一个由三个结构相同的复数卷积模块级联构成的复数卷积编码子网络，每个复数卷积模块均由两个复数卷积层级联构成；
[0010]将第一复数卷积模块中的两个复数卷积层的卷积核大小均设置为3
×
1，通道数分
别设置为64、128，步长均设置为1，激活函数均由CRelu函数实现；
[0011]将第二个复数卷积模块中两个复数卷积层的卷积核大小均设置为3
×
1，通道数分别设置为256、128，步长均设置为1，激活函数均由CRelu函数实现；
[0012]将第三个复数卷积模块中两个复数卷积层的卷积核大小均设置为3
×
1，通道数分别设置为64、n+2，n的取值与滤波器的阶数相等，步长均设置为1，激活函数均由CRelu函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图嵌入微波滤波器故障诊断的性能调试方法，其特征在于，将微波滤波器抽象为一个无向图，构建由复数卷积编码子网络和复数反卷积解码子网络级联的导纳参数特征提取网络，结合待诊断和调试的微波滤波器结构构建图卷积反演网络；该性能调试方法的步骤包括如下：步骤1，构建导纳参数特征提取网络：步骤1.1，搭建一个由三个结构相同的复数卷积模块级联构成的复数卷积编码子网络，每个复数卷积模块均由两个复数卷积层级联构成；将第一复数卷积模块中的两个复数卷积层的卷积核大小均设置为3
×
1，通道数分别设置为64、128，步长均设置为1，激活函数均由CRelu函数实现；将第二个复数卷积模块中两个复数卷积层的卷积核大小均设置为3
×
1，通道数分别设置为256、128，步长均设置为1，激活函数均由CRelu函数实现；将第三个复数卷积模块中两个复数卷积层的卷积核大小均设置为3
×
1，通道数分别设置为64、n+2，n的取值与滤波器的阶数相等，步长均设置为1，激活函数均由CRelu函数实现；步骤1.2，搭建一个由三个复数反卷积模块级联构成的复数反卷积解码子网络，三个复数反卷积模块均由两个复数反卷积层级联构成；将第一个复数反卷积模块中两个复数反卷积层的卷积核大小均设置为3
×
1，通道数分别设置为64、128，步长均设置为1，激活函数均由CRelu函数实现；将第二个复数反卷积模块中两个复数反卷积层的卷积核大小均设置为3
×
1，通道数分别设置为256、128，步长均设置为1，激活函数均由CRelu函数实现；将第三个复数反卷积模块中两个复数反卷积层的卷积核大小均设置为3
×
1，通道数分别设置为64、3，步长均设置为1，激活函数均由CRelu函数实现；步骤1.3，将复数卷积编码子网络和复数反卷积解码子网络级联构成导纳参数特征提取网络；步骤2，构建图卷积反演网络：步骤2.1，将微波滤波器抽象为一个无向图，该滤波器的源端、负载端以及滤波器的每个腔体对应无向图中的节点，每个互相耦合路和交叉耦合路对应无向图中的边，得到一个与滤波器结构相对应的无向图，并生成无向图的邻接矩阵；步骤2.2，搭建一个由3个图卷积层级联的图卷积反演网络，将第一至第三图卷积层中的邻接矩阵采用无向图邻接矩阵，节点个数均设置为n1+2，通道数分别设置为n1+2、32、n1+2，n1的取值与n相等；步骤3，生成训练集：步骤3.1，将一个微波滤波器的每个腔体随机调试至少30次，同时通过VNA采集每次调试的散射参数，得到30
×
n2组的散射参数，n2的取值与n相等；将每组散射参数中的正向反射系数S
11
和正向传输系数S
21
组成该组的散射参数集，将30
×
n2组散射参数集组成散射参数训练集D
S
；步骤3.2，将每组散射参数转换为导纳参数，得到转换后的30
×
n2组导纳参数，将每组转换后导纳参数中的正向输入导纳Y
11
、正向转移导纳Y
21
以及相对应的采样频率f组成该组导纳参数集，将30
×
n2组导纳参数集组成导纳参数训练集D
Y
；步骤4，交替训练导纳参数特征提取网络和图卷积反演网络：
步骤4.1，将导纳参数训练集D
Y
输入到导纳参数特征提取网络中，复数卷积编码子网络输出导纳特征，复数反卷积编码子网络输出预测导纳参数；将训练集D
Y
作为导纳参数特征提取网络的导纳参数标签，选择均方误差损失函数，计算所有预测导纳参数和对应输入的导纳参数标签之间的损失Loss1，利用反向传播梯度下降法，更新导纳参数特征提取网络各层中的参数；步骤4.2，将复数卷积编码子网络输出的导纳特征输入到图卷积反演网络中，输出所有导纳参数训练集D
Y
对应的预测耦合矩阵，通过预测耦合矩阵计算所有导纳参数训练集D
Y
对应的预测散射参数；将训练集D
S
作为图卷积反演网络的散射参数标签，选择均方误差损失函数，计算所有预测散射参数和对应输入的散射参数标签之间的损失Loss2，利用反向传播梯度下降法，更新图卷积反演网络各层中的参数；步骤4.3，重复步骤4.1和4.2，直到Loss1和Loss2均收敛为止，得到训练好的导纳参数特征提取网络和图卷积反演网...

【专利技术属性】
技术研发人员：周金柱，林强强，赵晓虎，陈凤，阎德劲，刘法，康乐，周阳明，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：