本发明专利技术提供了一种基于并行深度学习的相控阵阵元故障诊断方法、电子装置及存储介质。通过获取相控阵天线阵列故障下的辐射方向图，基于辐射方向图生成幅度数据，执行初始化分组，获取分组训练数据；将相控阵天线阵列划分为S个子阵列，对每一个子阵列中的训练数据，单独进行DCNN的模型训练获得S个DCNN模型；根据S个DCNN模型对故障测试数据进行故障诊断，输出预测向量；根据故障单元的数量，按照故障概率由大到小确定预测故障单元位置。相比于现有技术，通过将大阵列分为子阵列进行测试，快速定位故障单元并提高定位准确率；提出了两级故障检测和分类模型，避免因阵列规模的增加影响模型输出效率，且不需要使用获取难度大的相位数据。据。据。
【技术实现步骤摘要】
一种基于并行深度学习的相控阵阵元故障诊断方法、电子装置及存储介质
[0001]本专利技术涉及故障诊断
，具体而言，涉及一种基于并行深度学习的相控阵阵元故障诊断方法、电子装置及存储介质。
技术介绍
[0002]近年来，相控阵天线以其众多的优点，在军事和民用领域得到了广泛应用，其阵列规模发展得越来越庞大。相应地，阵元的故障也在成比例增加。为了保证天线系统的性能，需要有效地诊断和定位阵列中的阵元故障。
[0003]传统的相控阵阵元故障诊断方法，需要使用测试信号对阵元一个个进行故障排查，这个过程的复杂性会随着阵列规模的变大而增加。相控阵天线的辐射方向图代表着天线工作时的整体特性，如果能通过它的变化来诊断天线故障，则能够大大提高诊断效率。虽然能够从辐射方向图中获取天线的幅度和相位数据，但在高频应用中，由于矢量测量设备太过昂贵、工程中相位角测量难度大，最可行的选项是只使用辐射方向图的幅度数据来诊断阵元故障。
[0004]机器学习和深度学习在阵元故障诊断方面有着广泛应用，但在建模时往往被视为单标签分类问题。这种情况下随着阵列规模的变大，故障分类成本会迅速增加。当故障阵元的数量增加时，多类机器学习/深度学习的模型输出变得难以处理。因此，在建模时使用两级故障和分类模型，初始阶段对天线阵列进行多个子阵列的划分，可以有效提高故障分类的效率和准确性。
技术实现思路
[0005]有鉴于此，本专利技术实施例的目的在于提供当相控阵雷达中的阵列单元发生故障时，利用相控阵天线的辐射方向图中的幅度数据，来有效识别并定位故障单元。
[0006]本专利技术的第一方面提供了一种基于并行深度学习的相控阵阵元故障诊断方法，所述方法包括：
[0007]获取相控阵天线阵列故障下的辐射方向图，并基于所述辐射方向图生成幅度数据；
[0008]根据所述幅度数据执行初始化分组，获取分组训练数据；所述分组训练数据包括无故障单元群组、一个故障单元群组、多个故障单元群组；
[0009]将所述相控阵天线阵列划分为S个子阵列，对每一个子阵列中的训练数据，单独进行深度卷积神经网络模型DCNN的训练，并获得S个DCNN模型；
[0010]根据S个DCNN模型对故障测试数据进行故障诊断，输出一个包含相应故障单元故障概率的预测向量；根据故障单元的数量，按照故障概率由大到小确定预测故障单元位置。
[0011]优选地，获取相控阵天线阵列故障下的辐射方向图，并基于所述辐射方向图生成幅度数据，包括：
[0012]根据数学建模得到m
×
n相控阵天线阵列故障下的辐射方向图：
[0013][0014]其中，λ为天线波长，d
x
,d
y
分别是阵列单元在x和y轴方向上的距离；
[0015]a
mn
为第m行n列单元的激励电流，赋值为：
[0016][0017]列举出所有故障场景下的辐射方向图，并在θ,φ∈[0
°
,180
°
)的整数区间进行二维幅度采样，得到一组维度为180
×
180的幅度数据。
[0018]优选地，根据所述幅度数据执行初始化分组，获取分组训练数据；所述分组训练数据包括无故障单元群组、一个故障单元群组、多个故障单元群组，包括：
[0019]将所有幅值数据分别与无故障状态下的幅度数据进行相似性度量，度量指标为峰值信噪比PSNR：
[0020][0021]从而得到一组峰值信噪比，设置合适的阈值将所有故障场景的峰值信噪比，按照故障单元的数量进行分组，阈值可设置为：
[0022]Th＝m
±
∈v
[0023]其中，m是峰值信噪比的均值，v为峰值信噪比的标准差，∈在1、2、3中取值；
[0024]本专利技术中需要通过实验调整∈的取值：当可以把训练数据中的无故障单元群组的峰值信噪比与一个故障单元群组的峰值信噪比区分开时，得到Th1；当可以把一个故障单元的峰值信噪比与多个故障单元的峰值信噪比区分开时，得到Th2；
[0025]当未知场景的峰值信噪比＞Th1时：判定其无故障单元，分入无故障单元群组；
[0026]当未知场景的峰值信噪比＞Th2且＜Th1时：判定其有一个故障单元，分入一个故障单元群组；
[0027]当未知场景的峰值信噪比＜Th2时：判定其有多个故障单元，分入多个故障单元群组。
[0028]优选地，将所述相控阵天线阵列划分为S个子阵列，对每一个子阵列中的训练数据，单独进行深度卷积神经网络模型DCNN的训练，并获得S个DCNN模型，包括：
[0029]将m
×
n的相控阵天线阵列划分为S个子阵列，在每个故障场景下，根据不同的信噪比生成多组训练数据，按照故障场景将多组训练数据进行分类，得到多个故障单元；其中，每个故障类别代表一个故障单元；
[0030]基于每个故障类别对应的训练数据进行深度卷积神经网络训练，提取匹配不同故障类别对应概率的特征向量，从而获得S个DCNN模型。
[0031]优选地，根据S个DCNN模型对故障测试数据进行故障诊断，输出一个包含相应故障单元故障概率的预测向量；根据故障单元的数量，按照故障概率由大到小确定预测故障单
元位置，包括：
[0032]获取故障测试数据，计算其与无故障状态下幅度数据的相似度得分，确定故障测试数据所对应的故障单元数量；
[0033]根据S个DCNN模型对故障测试数据进行故障诊断，分别得到S个包含相应故障单元概率的向量，将S个向量中对应同一故障单元的概率进行比较，只保存最大的概率，最终得到一个包含相应故障单元故障概率的预测向量；
[0034]根据故障单元的数量确定故障位置；假设通过相似度得分确定故障测试数据含有3个故障单元，则在输出的预测向量中找出概率最大的3个映射单元，单元映射的位置即位本专利技术所诊断的故障位置。
[0035]此外，本专利技术的第三方面提供了一种电子装置，所述电子装置包括：一个或多个处理器，存储器，所述存储器用于存储一个或多个计算机程序；其特征在于，所述计算机程序被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上第一方面所述的基于并行深度学习的相控阵阵元故障诊断方法步骤。
[0036]此外，本专利技术的第四方面提供了一种存储介质，所述存储介质存储有计算机程序；所述程序由处理器加载并执行以实现如上第一方面所述的基于并行深度学习的相控阵阵元故障诊断方法步骤。
[0037]本专利技术的方案中，通过获取相控阵天线阵列故障下的辐射方向图，并基于所述辐射方向图生成幅度数据；根据所述幅度数据执行初始化分组，获取分组训练数据；所述分组训练数据包括无故障单元群组、一个故障单元群组、多个故障单元群组；将所述相控阵天线阵列划分为S个子阵列，对每一个子阵列中的训练数据，单独进行深度卷积神经网络模型DCNN的训练，并获得S个DCNN模型；根据S个DCNN模型对故障测试数据进行故障诊断，输出一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于并行深度学习的相控阵阵元故障诊断方法，其特征在于，所述方法包括：获取相控阵天线阵列故障下的辐射方向图，并基于所述辐射方向图生成幅度数据；根据所述幅度数据执行初始化分组，获取分组训练数据；所述分组训练数据包括无故障单元群组、一个故障单元群组、多个故障单元群组；将所述相控阵天线阵列划分为S个子阵列，对每一个子阵列中的训练数据，单独进行深度卷积神经网络模型DCNN的训练，并获得S个DCNN模型；根据S个DCNN模型对故障测试数据进行故障诊断，输出一个包含相应故障单元故障概率的预测向量；根据故障单元的数量，按照故障概率由大到小确定预测故障单元位置。2.根据权利要求1所述的基于并行深度学习的相控阵阵元故障诊断方法，其特征在于，获取相控阵天线阵列故障下的辐射方向图，并基于所述辐射方向图生成幅度数据，包括：根据数学建模得到m
×
n相控阵天线阵列故障下的辐射方向图：其中，λ为天线波长，d
x
,d
y
分别是阵列单元在x和y轴方向上的距离；a
mn
为第m行n列单元的激励电流，赋值为：列举出所有故障场景下的辐射方向图，并在θ,φ∈[0
°
,180
°
)的整数区间进行二维幅度采样，得到一组维度为180
×
180的幅度数据。3.根据权利要求2所述的基于并行深度学习的相控阵阵元故障诊断方法，其特征在于，根据所述幅度数据执行初始化分组，获取分组训练数据；所述分组训练数据包括无故障单元群组、一个故障单元群组、多个故障单元群组，包括：将所有幅值数据分别与无故障状态下的幅度数据进行相似性度量，度量指标为峰值信噪比PSNR：从而得到一组峰值信噪比，设置合适的阈值将所有故障场景的峰值信噪比，按照故障单元的数量进行分组，阈值可设置为：Th＝m
±
∈v其中，m是峰值信噪比的均值，v为峰值信噪比的标准差，∈在1、2、3中取值；通过实验调整∈的取值：当可以把训练数据中的无故障单元群组的峰值信噪比与一个故障单元群组的峰值信噪比区分开时，得到Th1；当可以把一个故障单元的峰值信噪比与多个故障单元的峰值信噪比区分开时，得到Th2；当未知场景的峰值信噪比＞Th1时：...
【专利技术属性】
技术研发人员：王洪，德拉尼奥，郭志成，吴龙泉，张昊坤，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。