[发明专利]基于深度学习的雷达异常状态诊断方法

说明书

本发明公开了一种基于深度学习的雷达异常状态诊断方法，包括以下步骤：利用气象雷达系统的各个分系统的历史状态数据和报警数据，以报警数据做标签，对故障进行分类，使用逐步回归法提取与每一类故障相关的特征参数；对每一类故障取特征参数中的相关系数最大的特征参数作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，利用除相关系数最大的特征参数以外的特征参数对相关系数最大的特征参数进行拟合重构，得到重构值；对每一类故障的重构值和实测值的差值做基于概率的量化标准；对每一类故障的量化结果做时间区间统计，对不同模型的诊断结果进行整合，得到实时的对多个故障诊断结果并给出预警，滤除误报警，得到最终诊断结果。

技术领域

本发明属于雷达系统技术领域，具体涉及一种基于深度学习的雷达异常状态诊断方法。

背景技术

目前使用中的自然气象雷达系统是一个比较复杂的电子系统，包括发射机分系统、接收机分系统和伺服分系统，每个分系统的各个电子参数之间没有物理联系，因此故障体现的电子参数间无物理联系，使得无法利用传统的专家经验对自然气象雷达系统进行故障诊断和预测。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于深度学习的雷达异常状态诊断方法。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于深度学习的雷达异常状态诊断方法，应用于包括发射机分系统、接收机分系统和伺服分系统的气象雷达系统，包括以下步骤：

利用气象雷达系统的各个分系统的历史状态数据和报警数据，以报警数据做标签，对故障进行分类，使用逐步回归法提取与每一类故障相关的特征参数；

对每一类故障取特征参数中的相关系数最大的特征参数作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，利用除相关系数最大的特征参数以外的特征参数对相关系数最大的特征参数进行拟合重构，得到重构值；

对每一类故障的重构值和实测值的差值做基于概率的量化标准；

对每一类故障的量化结果做时间区间统计，对不同模型的诊断结果进行整合，得到实时的对多个故障诊断结果并给出预警，滤除误报警，得到最终诊断结果。

优选地，对于每一类故障，对重构值和实测值的差值做基于概率的量化标准进一步包括：

分析实测值的分布情况，有多个运行状态，则为多个高斯分布的叠加；

假设预测值和测量值独立，若预测值服从一高斯分布，假设雷达运行状态正常，则测量值也应当服从此高斯分布，两者的差值服从N(0,2σ^2)分布；

对差值的概率进行归一化处理，得到最终的量化结果：预测值等于测量值，则η＝1，预测值越偏离测量值，η越接近于0。

优选地，对于每一类故障，对量化结果做时间区间统计，滤除误报警，得到最终诊断结果进一步包括：

设置概率判定阈值η_o，η＜η_o认为出现故障状态点；

以m个连续时间点做时间区间统计，故障状态点大于0.3m，认为出现故障。

优选地，所述逐步回归法为向前引入法，具体为：首先模型中只加入一个单独解释因变量变异最大的自变量，随后尝试将加入另一自变量，检查整个模型所能解释的因变量变异是否显著增加，反复迭代至没有自变量再符合加入模型的条件。

优选地，所述逐步回归法为向后剔除法，具体为：将所有变量均放入模型，之后尝试将其中一个自变量从模型中剔除，检查整个模型解释因变量的变异是否有显著变化，将使解释量减少最少的变量剔除；反复迭代至没有自变量符合剔除的条件。