[发明专利]一种基于稀疏贝叶斯学习的天线阵列故障诊断方法

说明书

该发明公开了一种基于稀疏贝叶斯学习的天线阵列故障诊断方法，涉及天线阵列信号处理范畴。在近场区域的多个测量点上，利用探头测量故障阵列的电压，然后对测得的电压数据向量进行稀疏化处理(将其与无故障阵列的近场电压数据向量做差值运算)，利用稀疏化的数据向量，通过稀疏贝叶斯学习算法对故障阵列的激励向量进行重构，然后根据重构得到的激励向量，计算出故障阵元的数量、位置，从而实现发明目的。与传统的阵列故障诊断算法比较，该算法所需要的近场数据样本更少，诊断的成功率更高，并且能应用于任意三维结构的共形天线阵列。

技术领域

本发明涉及天线阵列信号处理范畴，具体地说，是天线阵列故障诊断方法。

背景技术

近年来，由于阵列天线具有良好的空间辐射指向性等优势，使其广泛应用于雷达、声纳系统以及卫星通信等军事领域。在实际的工程应用中，大型阵列天线往往由几百个甚至上千个辐射阵元，根据指定的空间布局组成。然而，由于阵列规模的变大，导致阵列中的阵元故障的概率增加。这些阵元的故障会造成跨越阵列孔径范围内的场强发生急剧变化，从而增大了方向图的旁瓣峰值电平和波动水平，最终导致阵列无法形成良好的波束图。当出现阵元故障的情况时，可以通过直接更换故障阵元及其T/R组件或者改变其余阵元的激励进行补偿来解决。然而，这些解决办法的前提条件是要求确切的阵元故障数量以及阵元的空间位置信息。因此，准确、快速的阵列故障诊断技术对阵列天线的维护至关重要。

目前，针对不同阵列类型，出现了多种阵列诊断方法，总体上可以归为三类：近场测量法、参数建模法、源重建法。对于近场测量法，J.J.Lee等人针对平面阵列，利用傅里叶变换，通过无相移的近场测量数据推算出远场模型来实现故障阵元的定位。虽然傅里叶变换具有简单、快速的优点，但是该方法只能应用于平面阵列。由Bucci等人提出的矩阵法适用于任意形式阵列的故障诊断。该方法通过求解矩阵方程来寻找近场数据中的激励矢量。但是当矩阵出现病态的情况，用于求解矩阵方程的解算器会产生慢收敛的问题。此外，该方法要求近场数据的维度要大于阵列的尺寸。参数建模法通过训练过程来建立参数模型，从而对故障阵元进行准确定位。但是，由于参数模型会随着阵列尺寸的增加而变得复杂，因此该方法通常适用于小型阵列诊断。源重建法可以进一步划分为等价源重建法和激励源重建法两类。其中，等价源重建法是在惠根思面上通过对等效电流的重建将阵列封闭，然后根据等效电流源的空间分布推算出故障阵列的位置，但该方法仅适用于平面阵列。不同于等价源重建法，激励源重建法是以阵元为端口对激励源进行估计，这就可以直接得到故障阵元的位置信息并使未知量数目减少。激励源重建法通过增加所有阵元的辐射模型将激励源与观测场联系起来，从而建立了一个矩阵方程，求解该方程便成了激励源重建法的关键。通常使用Landweber迭代解算器来缓解大型阵列造成的计算压力。此外，Buonanno等人采用奇异值分解法来避免遇到病态矩阵时解算器存在的慢收敛问题，并通过传感压缩法来减少所需的观测值数目。

目前，现有的大多数阵列故障诊断算法，主要应用于平面阵、线阵、圆阵等平面性阵列，针对非平面的共形阵列天线的故障诊断技术研究较少。因此，有必要反展出一种适用于共形天线阵的、较准确快速的阵元故障诊断算法。

发明内容

本发明提出了一种基于稀疏贝叶斯学习的天线阵列故障诊断算法，并且适用于共形天线阵列。其目的是在稀疏贝叶斯学习框架中对权向量服从高斯分布的先决假设下，根据探头测量得到的阵列近场数据，确定故障阵元的数量以及位置。与传统的阵列故障诊断算法比较，该算法所需要的近场数据样本更少，诊断的成功率更高，并且能应用于任意三维结构的共形天线阵列。

本发明的解决方案是：在近场区域的多个测量点上，利用探头测量故障阵列的电压，然后对测得的电压数据向量进行稀疏化处理(将其与无故障阵列的近场电压数据向量做差值运算)，利用稀疏化的数据向量，通过稀疏贝叶斯学习算法对故障阵列的激励向量进行重构，然后根据重构得到的激励向量，计算出故障阵元的数量、位置，从而实现发明目的。因而本发明技术方案为一种基于稀疏贝叶斯学习的天线阵列故障诊断方法，该方法包括：