基于深度神经网络和辐射数据补偿的天线阵列故障诊断方法.pdf

《基于深度神经网络和辐射数据补偿的天线阵列故障诊断方法.pdf》由会员分享，可在线阅读，更多相关《基于深度神经网络和辐射数据补偿的天线阵列故障诊断方法.pdf（10页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010259285.6 (22)申请日 2020.04.03 (71)申请人 电子科技大学 地址 611731 四川省成都市高新区 （西区） 西源大道2006号 (72)发明人 张瑛李贞莹果威多周代英 冯健 (74)专利代理机构 电子科技大学专利中心 51203 代理人 陈一鑫 (51)Int.Cl. G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01R 29/10(2006.01) (54)发明名称 一。

2、种基于深度神经网络和辐射数据补偿的 天线阵列故障诊断方法 (57)摘要 本发明公开了一种基于深度神经网络和辐 射数据补偿的天线阵列故障诊断方法， 属于天线 信号处理， 故障识别领域。 本发明首先在天线应 用前的训练阶段， 在远场区域的多个测量点上， 利用探头测量阵列在多种故障场景下的辐射数 据， 然后将测得的数据作为神经网络的输入， 将 失效阵元的个数和位置分别作为输出， 训练两个 神经网络； 其次是应用阶段， 在与训练阶段相同 的采样点上对待诊断阵列的远场辐射数据进行 测量， 然后将该测试数据输入到已训练好的神经 网络中， 初步确定最有可能失效的阵元位置， 再 利用辐射补偿的方法逐步确定所有。

3、可能失效阵 元的位置。 该算法通过数据补偿的方法有效减少 了训练阶段需要采集的样本数据， 适用于较大规 模的阵列故障诊断。 权利要求书2页 说明书5页 附图2页 CN 111523568 A 2020.08.11 CN 111523568 A 1.一种基于深度神经网络和辐射数据补偿的天线阵列故障诊断方法， 该方法包括： 模型训练阶段： 步骤1： 在远场测量平面的M个不同角度的测量点上， 利用探头测量阵列在N种故障场景 下远场的电场辐射数据； 探头在第m个角度测得的数据用如下公式表示为： 其中c为光速， f为该阵列的工作频率， L为该阵列所含有的阵元总数， xi和di分别为第i 个阵元的激励和在。

4、该阵列坐标系下的位置， m为第m个测量点与阵列参考坐标系的z正轴的 夹角， nm为第m个测量点的噪声； 步骤2： 将步骤1中阵列激励和M个点的测量数据组成列向量：和zn zn( 1),zn( 2),.,zn( M)T分别为第n次测量的激励向量和方向图,其中T表示转置； 根据激励向量构建阵列失效指示向量和失效阵元个数标签kn， 其中， 若则 否则，kn等于指示向量yn中1的个数， 步骤3： 将步骤2中得到的数据构成训练集(z1,k1),(z2,k2),.,(zN,kN)， 由于z是一 个复数， 将其表示为znRe(zn),Im(zn)， 其中Re()表示取实部， Im()表示取虚部； 分 别对辐。

5、射数据的实部与虚部进行标准化处理， 标准化公式为： 其中，m为第m维辐射数据的均值， m为第m维辐射数据的方差； 步骤4： 利用该训练集训练一个用于学习远场测量数据和失效阵元个数之间映射关系 的单标签神经网络f1:knf1(Re(zn),Im(zn)T)； 借助神经网络f1的输出结果和步骤2中得 到的训练集(z1,y1),(z2,y2),.,(zN,yN)训练一个用于学习远场测量数据和失效阵元位 置之间的映射关系的多标签神经网络f2:ynf2(Re(zn),Im(zn)T)； 神经网络f1和f2分别将 多分类对数交叉熵和二分类对数交叉熵作为损失函数； 模型应用阶段： 步骤5： 针对测试阵列， 。

6、在与模型训练阶段的步骤1中相同的M个测量点上进行远场辐射 数据采集， 可得到测试数据zz( 1),z( 2),.,z( M)T， 将该数据经过标准化处理后输 入到步骤4中训练好的神经网络f1中， 预测失效阵元个数为 步骤6： 将步骤5中的测试数据输入到步骤4中训练好的神经网络f2中， 得到阵元失效概 率向量pp1,p2,.,pL， 其中pi,i1,L表示第i个阵元失效的可能性； 设u和v分别为 概率向量p中最大值和次大值的上标并认为u和v中一定有一个阵元失效； 步骤7： 利用u和v， 分别补偿步骤5中的测试数据zz( 1),z( 2),.,z( M)T； 为高 斯白噪声， 则补偿后第m个测试数。

7、据分别为： 权利要求书 1/2 页 2 CN 111523568 A 2 步骤8： 令用步骤7中补偿后的两组测试数据标准化处理后代替原始测试数据 输入到神经网络f2中， 得到两个概率向量pupu1,pu2,.,puL和pvpv1, pv2,.,pvL， 若pu中最大值大于pv中的最大值， 则判定第u个阵元失效， 更新u， v； 否 则， 判定第v个阵元失效， 更新u， v； 步骤9： 重复执行步骤7-8， 直到 权利要求书 2/2 页 3 CN 111523568 A 3 一种基于深度神经网络和辐射数据补偿的天线阵列故障诊断 方法 技术领域 0001 本发明涉及天线阵列信号处理及深度学习范畴，。

8、 具体地说， 是基于深度学习的天 线阵列故障诊 断方法。 背景技术 0002 阵列天线是一类由大于或等于两个天线单元按照一定的规则或随机排列而成的 特殊天线， 相比 于单个天线， 阵列天线具有诸多优势， 主要包括： 较高的天线增益、 较强的 方向性、 很窄的波 束宽度以及实现波束扫描等。 目前， 阵列天线在雷达探测、 移动通信、 卫 星遥感等各个领域扮 演着不可或缺的角色。 阵列天线的辐射性能与辐射单元的数量之间 有着密切的关系， 一般情况 下， 辐射单元越多， 天线的辐射性能越好。 如在大规模军用相控 阵中通常含有成百上千个辐射 单元。 然而， 随着阵列规模的扩大， 阵元失效的概率也随之 增。

9、加。 当有一定数量阵元失效时将 会严重破坏阵列结构， 导致主瓣展宽， 旁瓣电平增加， 增 益降低， 影响目标检测等。 为了能够 及时校正由于阵元失效导致的阵列辐射性能下降， 准 确检测出失效阵元的数量和位置尤为重 要。 0003 目前， 阵列故障诊断方法主要分为三类： 极近场法、 源重建法和参数模型法。 极近 场法是通过 测量待诊断阵列的辐射近场来确定失效阵元位置； 源重建法分为等效源重建 和激励源重建两种 方式， 两者区别在于前者是重建等效电流源， 再根据等效电流源的分布 确定失效阵元的位置； 后者通过对阵元激励进行重建直接对失效阵元进行定位。 参数模型 法通常分为两个阶段， 首先 是训练阶。

10、段： 利用已知训练数据训练参数模型； 其次是应用阶 段： 将待诊断阵列的特征数据输 入到已训练好的参数模型中确定失效阵元的位置。 在上述 三类方法中， 由于部分天线应用场景 特殊， 准确的近场数据很难获得， 因此基于近场测量 的阵列故障诊断方法对天线应用场景要求 较高。 相比于基于远场测量数据的源重建法， 参 数模型法具有训练过程缓慢的缺点， 但是在应 用阶段， 具有诊断速度快， 能够实现实时诊 断的优势。 0004 由于参数模型法在训练阶段需要大量的数据且计算量较大， 现有的基于参数模型 的阵列故障诊 断方法仅停留在对失效阵元个数较少的小规模阵列的故障诊断。 如Patnaik A等人利用人工。

11、神 经网络实现16阵元线阵的故障诊断， Vakula D等人假设16阵元线阵中失 效阵元个数最多有两 个， 设计三个神经网络实现该阵列的故障诊断。 然而， 为了满足辐射 性能要求， 大规模阵列应 用更为广泛。 因此， 为了利用参数模型法快速诊断的优势， 有必要 对基于参数模型法的阵列故 障诊断方法进行扩展， 使其适用于较大规模的阵列故障诊断。 发明内容 0005 本发明提出了一种基于深度学习的天线阵列故障诊断算法， 并且适用于任意形状 的天线阵列。 其目的是在天线应用前的训练阶段完成诊断模型训练的基础上， 根据测量得 到的阵列远场的辐 射数据， 确定故障阵元的数量以及位置。 与现有的基于非参数。

12、模型的阵 说明书 1/5 页 4 CN 111523568 A 4 列故障诊断算法比较， 该算法不受制于阵列形状且诊断速度更快； 与基于参数模型法的阵 列故障诊断算法比较， 该算 法所需训练样本量更少， 适用于较大规模阵列故障诊断。 0006 本发明的解决方案是： 首先在天线应用前的训练阶段， 在远场区域的多个测量点 上， 利用探头 测量阵列在多种故障场景下的辐射数据， 然后将测得的数据作为神经网络的 输入， 将失效阵元 的个数和位置分别作为输出， 训练两个神经网络。 其次是应用阶段， 在与 训练阶段相同的采样 点上对待诊断阵列的远场辐射数据进行测量， 然后将该测试数据输 入到已训练好的神经网。

13、络 中， 初步确定最有可能失效的阵元位置， 再利用辐射补偿的方法 逐步确定所有可能失效阵元的 位置。 因而本发明技术方案为一种基于深度神经网络和辐 射数据补偿的天线阵列故障诊断方 法， 该方法包括： 0007 模型训练阶段： 0008 步骤1： 在远场测量平面的M个不同角度的测量点上， 利用探头测量阵列在N种故障 场景下 远场的电场辐射数据； 探头在第m个角度测得的数据用如下公式表示为： 0009 0010 其中c为光速， f为该阵列的工作频率， L为该阵列所含有的阵元总数， xi和di分别为 第i个阵 元的激励和在该阵列坐标系下的位置， m为第m个测量点与阵列参考坐标系的z正 轴的夹角， n。

14、m为第m个测量点的噪声； 0011步骤2： 将步骤1中阵列激励和M个点的测量数据组成列向量：和 znzn( 1),zn( 2),zn( M)T分别为第n次测量的激励向量和方向图,其中T表示转置； 0012根据激励向量构建阵列失效指示向量和失效阵元个数标签kn， 其中， 若则 否 则，kn等于指示向量yn中1的个数， 0013 步骤3： 将步骤2中得到的数据构成训练集(z1,k1),(z2,k2),.,(zN,kN)， 由于z 是一个复数， 将其表示为znRe(zn),Im(zn)， 其中Re()表示取实部， Im()表示取虚 部； 分别对辐射数据 的实部与虚部进行标准化处理， 标准化公式为： 。

15、0014 0015 其中，m为第m维辐射数据的均值， m为第m维辐射数据的方差； 0016 步骤4： 利用该训练集训练一个用于学习远场测量数据和失效阵元个数之间映射 关系的单标签 神经网络f1:knf1(Re(zn),Im(zn)T)； 借助神经网络f1的输出结果和步骤 2中得到的训练集 (z1,y1),(z2,y2),.,(zN,yN)训练一个用于学习远场测量数据和失效 阵元位置之间的映射关系 的多标签神经网络f2:ynf2(Re(zn),Im(zn)T)； 神经网络f1和 f2分别将多分类对数交叉熵和 二分类对数交叉熵作为损失函数； 0017 模型应用阶段： 0018 步骤5： 针对测试阵。

16、列， 在与模型训练阶段的步骤1中相同的M个测量点上进行远场 辐射数据 采集， 可得到测试数据zz( 1),z( 2),.,z( M)T， 将该数据经过标准化处理 后输入到步骤4 中训练好的神经网络f1中， 预测失效阵元个数为 0019 步骤6： 将步骤5中的测试数据输入到步骤4中训练好的神经网络f2中， 得到阵元失 说明书 2/5 页 5 CN 111523568 A 5 效概率向 量pp1,p2,.,pL， 其中pi,i1,L表示第i个阵元失效的可能性； 设u和v分 别为概率向 量p中最大值和次大值的上标并认为u和v中一定有一个阵元失效； 0020步骤7： 利用u和v， 分别补偿步骤5中的测。

17、试数据zz( 1),z( 2),.,z( M)T； 为高斯白 噪声， 则补偿后第m个测试数据分别为： 0021 0022 0023步骤8： 令用步骤7中补偿后的两组测试数据标准化处理后代替原始测试 数据输入 到神经网络f2中， 得到两个概率向量pupu1,pu2,.,puL和pvpv1, pv2,.,pvL， 若 pu中最大值大于pv中的最大值， 则判定第u个阵元失效， 更新u， v； 否 则， 判定第v个阵 元失效， 更新u， v； 0024步骤9： 重复执行步骤7-8， 直到本发明是一种基于深度学习的天线阵列故障 诊断方法。 首先在模型训练阶段， 利用在远场区域 内采集到的多种失效场景下的。

18、数据训练 两个诊断网络。 然后在实际应用阶段， 利用探头在与训 练阶段相同的采样点上采集数据， 输入到训练好的模型中， 初步确定失效阵元的个数和位置， 再根据数据补偿公式循环补偿 测量数据， 并依次判定失效阵元的位置。 与传统的天线诊断算法 比较， 该算法在实际应用 阶段具有诊断速度快的优势。 与现有基于参数模型的阵列故障诊断方 法， 该算法通过数据 补偿的方法有效减少了训练阶段需要采集的样本数据， 适用于较大规模的 阵列故障诊断。 附图说明 0025 图1为本算法的流程框图； 0026 图2为信噪比等于30dB时， 故障阵列在不同失效阵元个数下失效阵元位置诊断结 果； 0027 图3为不同信。

19、噪比下故障阵元位置的诊断结果。 具体实施方式 0028 本实施方案所考虑的故障阵列为包含50个阵元的均匀线阵， 阵元间距为0.5 ， 其 中 为波 长。 实际应用中， 失效阵元个数通常较少， 因此， 假设该阵列中失效阵元个数最多 为7个。 0029 模型训练阶段： 0030 步骤1： 本实施方案在俯仰角 -90 ， 90 的范围内以2 为间隔测量故障阵列辐 射场的幅度 和相位数据， 则每个样本数据包含91个测量点。 工作阵元激励xi1， 失效阵元 激励xi0， 在远场区域内， 在每种确定阵元失效个数的条件下， 分别测量700次阵元位置 随机失效场景下 的辐射数据并进行标准化处理。 0031 步。

20、骤2： 将步骤1中的所有测量数据zRe(z),Im(z)按照失效阵元个数构成八个 训练集， 每个 训练集中都含有700条训练样本， 依次根据样本激励x构建该样本的阵列失效 指示向量y和失 效阵元个数标签k。 说明书 3/5 页 6 CN 111523568 A 6 0032 步骤3： 将步骤2中训练集数据特征利用公式(3)进行标准化处理。 0033步骤4： 将步骤3中的八个训练集中的样本组合并随机排序为 再将其划 分为两个训练集和分别用于训练神经 网络f1和f2， 其中f1和f2网络超参数如表1所示。 0034 模型应用阶段： 0035 步骤5： 针对AUT的2400个随机失效场景(每种确定失。

21、效阵元个数的条件下各测试 300个)， 在与模型训练阶段的步骤1中相同的91个测量点上进行远场辐射数据采集， 可得 到测试数据 Zz1,z2,.,z2400T， 将该数据进行标准化处理后输入到步骤3中训练好的 神经网络f1中， 输 出失效阵元个数为 0036 步骤6： 将步骤5中的测试数据输入到步骤3中训练好的神经网络f2中， 输出阵元失 效概率矩 阵Pp1,p2,p2400T， 其中pij表示第i个测试样本中第j个阵元失效的可能性。 由 设ui和vi分别为第i个测试样本概率向量pi中最大值和次大值的上 标并认 为ui和vi中一定有一个阵元失效， 则针对所有测试样本有uu1,u2,u2400T。

22、和 v v1,v2,v2400T。 0037步骤7： 利用u和v， 分别补偿步骤5中的测试数据Z。为高斯白噪声， 则补偿后第i 个样 本的第m个测试数据分别为： 0038 0039 0040步骤8： 令利步骤7中补偿后的两组测试数据标准化后代替原始测试数据 输入到神 经网络f2中， 得到两个概率矩阵Pup1u,p2u,p2400uT和Pvp1v, p2v,p2400vT。 针 对第i个样本， 若piu中最大值大于piv中的最大值， 第ui个阵元失 效， 更新u， v； 否则， 第vi个阵元失效， 更新u， v。 0041步骤9： 重复执行步骤7-8， 直到将本发明提出的基于深度学习的天线阵列故。

23、 障诊断算法应用于均匀线阵， 该阵列共包含50个 阵元， 阵元间距为0.5 ， 其中 为波长。 随 机产生8000个阵列样本， 其中5600个样本用于 训练神经网络， 2400个用于诊断测试。 在远 场区域内， 俯仰角 -90 ,90 的范围内以2 为 间隔的测量点上进行采样， 共91个测量 场点。 所加噪声为期望为零的复高斯白噪声， 信噪比 SNR30dB。 2400个测试样本的失效阵 元位置诊断准确率结果如图2所示， 在不同信噪比的 条件下， 重复上述实验过程， 诊断结果 如图3所示。 0042 表1： 神经网络f1和f2的超参数 说明书 4/5 页 7 CN 111523568 A 7 0043 说明书 5/5 页 8 CN 111523568 A 8 图1 说明书附图 1/2 页 9 CN 111523568 A 9 图2 图3 说明书附图 2/2 页 10 CN 111523568 A 10 。