[发明专利]一种基于数据容差分析扩展的天线阵列故障诊断方法

权利要求书

1.一种基于数据容差分析扩展的天线阵列故障诊断方法，其特征在于，包括以下步骤：

S1、数据处理：在远场区域上测量多个方向的远场辐射数据，生成功率信息，利用容差分析对测量得到的功率方向图做预处理，得到考虑阵元位置误差下的功率方向图的上下界，从而将单个数据扩展为多个，得到扩展数据集；

其中通过容差分析得到功率方向图的上下界具体方法为：确定每个阵元的位置区间，通过容差分析得到功率方向图的上界和下界，其中功率方向图是由远场辐射的实部区间和虚部区间构成，并且通过计算相位区间的上界和下界得到远场辐射的实部区间和虚部区间的上界和下界，再通过对远场辐射数据的实部与虚部耦合的情况进行放缩，最终得到存在位置误差时的功率方向图的区间边界；

S2、训练故障诊断模型，故障诊断模型的输入为扩展数据集，输出为失效阵元的位置和数目；

S3、对与S1中相同方向的采样点上的远场数据进行测量，将数据输入到训练好的神经网络中，确认最可能失效的阵元位置，然后对辐射进行补全，逐步确定所有可能失效阵元的位置。

2.根据权利要求1所述的一种基于数据容差分析扩展的天线阵列故障诊断方法，其特征在于，S1中，定义天线阵列的功率方向图为：

其中，和分别表示远场辐射的实部区间和虚部区间，为相位区间，f是工作频率，c是光速，为第i个阵元位置的区间，和分别是第i个阵元位置区间的下边界和上边界，L为下边界，U为上边界，x_i是第i个阵元的激励，θ_k是第k个方向的观测角和阵列参考坐标系的z正轴的夹角；

通过容差分析求解P^I(θ_k)的下界P^L(θ_k)与上界P^U(θ_k)，具体为：

先计算相位区间的上界与下界

再计算区间函数

对所有上界和下界求和获得和区间的上界和下界；

对远场辐射数据的实部与虚部耦合的情况进行放缩，得到存在位置误差时的功率方向图的区间边界：

3.根据权利要求2所述的一种基于数据容差分析扩展的天线阵列故障诊断方法，其特征在于，步骤S2具体为：

定义第n组场景下功率数据的向量为P_n，经过步骤S1扩展为S个后得到向量表示为P_n,s∈{P_n,1,P_n,2,...,P_n,S}，第n组场景组成的阵列激励向量为M是阵列阵元总数，利用阵列激励构建失效指示向量当则否则，失效阵元个数的标签r_n，r_n标定g_n中1的数目；

组合功率数据与失效阵元个数标签得到阵元失效个数的训练集：

{(P_1,1,r₁),...,(P_1,S,r₁),(P_2,1,r₂),...,(P_2,S,r₂),...,(P_N,1,r_N),...,(P_N,S,r_N)}

训练一个关联功率数据和失效阵元个数之间的神经网络f₁，其映射关系为单标签神经网络f₁:r_n＝f₁(P_n,s)，神经网络f₁使用多分类对数损失函数；

组合功率数据与阵列激励向量得到阵元失效位置的训练集：

{(P_1,1,g₁),...,(P_1,S,g₁),(P_2,1,g₂),...,(P_2,S,g₂),...,(P_N,1,g_N),...,(P_N,S,g_N)}

训练一个用于学习存在误差的功率数据和失效阵元位置之间的神经网络f₂，其映射关系为多标签神经网络f₂:g_n＝f₂(P_n,s)，神经网络f₂使用二分类对数损失函数。

4.根据权利要求3所述的一种基于数据容差分析扩展的天线阵列故障诊断方法，其特征在于，S3具体为：定义得到的测量数据为P_tested＝[P(θ₁),P(θ₂),...,P(θ_K)]^T，K是测量点，输入到用于确定失效阵元个数的单标签神经网络f₁中得到预测失效阵元个数

将P_tested输入到用于确定失效阵元位置的神经网络f₂中，确定阵元失效概率向量p＝[p¹,p²,...,p^M]，其中pⁱ,i∈[1,M]表示第i个阵元失效的概率；将得到的阵元失效概率做排序，取失效概率最大值和次大值的标记为p^u和p^v，并认为其中有一个阵元失效；

迭代执行以下步骤直至

利用p^u和p^v，对第u个和第v个阵元进行补偿，补偿后第k个远场辐射数据分别为：

设置将补偿后的和得到的功率数据代替P_tested输入到神经网络f₂中，得到新的概率向量和比较p_[u]和p_[v]中的最大值，若最大值在p_[u]中，判定第u个阵元失效；否则，判定第v个阵元失效，更新u，v。