[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

摘要

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。

主权项

1.一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：步骤1：在近场测量平面的M个测量点上，利用探头测量故障阵列辐射场所产生的电压；探头在第m个场点的输出电压采用如下公式表示为：其中N为雷达阵元总数，x_n、分别为第n个阵元的激励系数和辐射方向图，激励系数可表示阵元是否正常工作，为波数，向量表示探头的等效高度，分别表示第m个测量点和第n个阵元的直角坐标向量，为第m个测量点与第n个阵元的欧氏距离，θ_m,n、φ_m,n分别为第m个场点与阵列参考坐标系的z正轴及x正轴所形成的夹角，t_f,m为第m个测量点的噪声；步骤2：将步骤1得到的M个点的电压值组成列向量：F＝Kx+t_f；其中为激励向量，K为M×N的矩阵，其元素根据式计算；在M个测量点上探头的电压向量F包含了噪声t_f，该噪声服从均值为0，方差为σ²的高斯分布；步骤3：判断步骤2中激励系数向量x是否为稀疏向量，若为稀疏向量则直接进行步骤4的计算；若不是稀疏向量则采用如下公式对探头的测量电压向量F进行差分运算：F＝F_R‑F＝K(x_R‑x)        (2)其中：F_R、x_R分别表示当雷达所有阵元都处于正常工作时的探头测得的电压向量和阵列激励向量；步骤4：由步骤3得到的向量F以及步骤2构建的矩阵K，利用稀疏贝叶斯学习算法，计算出故障阵列的激励向量x，再对计算出的x进行归一化处理，使x中所有元素的值位于0到1之间；步骤5：设定阈值，对步骤4得到的激励向量x中各元素进行阈值分割，小于阈值的元素值置为0，不小于阈值的元素值置为1；步骤6：若步骤3未对电压向量F进行差分运算，则步骤5中激励向量x元素值为0表示该处雷达阵元未工作，元素值为1表示对应的雷达阵元处于工作状态；若步骤3电压向量F进行差分运算，则步骤5中激励向量x元素值为0表示对应的雷达阵元处于工作状态，元素值为1表示该处雷达阵元未工作。