發(fā)布時間：2021-01-02 17:39

　　針對合作單位雷達產品現狀,突破傳統(tǒng)的設備運行狀態(tài)檢測手段和設備數據分析算法,提出融合型AR模型在雷達故障預測中的應用,該應用利用自回歸求解卡爾曼濾波的狀態(tài)空間模型,解決以往卡爾曼濾波的狀態(tài)空間模型由經驗或數學推導得出的問題。Python的實驗仿真結果表明,該方法對雷達內部關重件的系統(tǒng)參數有較好的擬合能力。 

【文章來源】：現代電子技術. 2020年11期 北大核心

【文章頁數】：4 頁

【部分圖文】：

卡爾曼濾波器的結構框圖

首先進行數據提取與預處理，提取數據集中的數據，剔除奇異點，利用二分插值法處理缺失值。本文采用python語言進行實驗仿真驗證，實驗數據來自于某新型雷達的濕度數據，是雷達設備監(jiān)測中最為常用的非平穩(wěn)信號之一，對雷達設備的故障預測具有十分重要的作用，如圖2所示。抽取整個數據集最后10%的數據作為驗證集，其余數據作為訓練集。對實驗數據進行時間序列平穩(wěn)性檢測和殘差高斯白噪聲檢測，ADF檢測結果如表1所示。假定原假設為序列具有單位根，即非平穩(wěn)，對于一個平穩(wěn)的時序數據，就需要在給定的置信水平上顯著，拒絕原假設，檢驗結果中原始數據的p值大于0.99，說明不能拒絕原假設[10]。因此對序列進行一階差分處理，所得結果如圖3所示，再次對差分后的數據進行序列平穩(wěn)性檢測，得出雷達設備濕度數據的一階差分序列平穩(wěn)。

對實驗數據進行時間序列平穩(wěn)性檢測和殘差高斯白噪聲檢測，ADF檢測結果如表1所示。假定原假設為序列具有單位根，即非平穩(wěn)，對于一個平穩(wěn)的時序數據，就需要在給定的置信水平上顯著，拒絕原假設，檢驗結果中原始數據的p值大于0.99，說明不能拒絕原假設[10]。因此對序列進行一階差分處理，所得結果如圖3所示，再次對差分后的數據進行序列平穩(wěn)性檢測，得出雷達設備濕度數據的一階差分序列平穩(wěn)。本文提出的融合型AR模型算法利用自回歸模型確定卡爾曼濾波算法的狀態(tài)空間模型。狀態(tài)空間模型的建立包含狀態(tài)轉移方程以及觀測方程兩部分：對于狀態(tài)轉移方程的確定，采用基于卡爾曼濾波算法的常用模型狀態(tài)跟蹤、動態(tài)參數估計以及基于概率的加權參數輸出的方法；對于觀測方程，采用AR模型進行預測，以AR模型的預測結果作為卡爾曼濾波算法的觀測數據。將AR模型作為卡爾曼濾波算法的觀測方程，在此基礎上進行卡爾曼濾波算法的建立。

【參考文獻】：
期刊論文
[1]PHM技術國內外發(fā)展情況綜述[J]. 呂琛,馬劍,王自力.  計算機測量與控制. 2016(09)
[2]氣象雷達在民航安全中的應用淺析[J]. 劉柏兵.  河南科技. 2015(21)
[3]綜合航空電子系統(tǒng)故障診斷與健康管理技術發(fā)展[J]. 盧海濤,王自力.  電光與控制. 2015(08)
[4]基于測試性的電子系統(tǒng)綜合診斷與故障預測方法綜述[J]. 鄧森,景博.  控制與決策. 2013(05)



本文編號：2953352