CHMM在發(fā)射機狀態(tài)監(jiān)測與健康評估中的應用研究

許麗佳，王厚軍，黃建國

(1. 四川農業(yè)大學信息與工程技術學院 四川 雅安 625014; 2. 電子科技大學自動化工程學院 成都 611731)

CHMM在發(fā)射機狀態(tài)監(jiān)測與健康評估中的應用研究

許麗佳1，王厚軍2，黃建國2

(1. 四川農業(yè)大學信息與工程技術學院 四川 雅安 625014; 2. 電子科技大學自動化工程學院 成都 611731)

根據(jù)電子系統(tǒng)視情維修的需要，提出一種針對發(fā)射機的狀態(tài)監(jiān)測與健康管理新方法。通過分析發(fā)射機的測試信號特點，對測試脈沖電流提取其小波特征，并利用連續(xù)隱馬爾科夫模型作狀態(tài)監(jiān)測器，計算發(fā)射機未知狀態(tài)下的KL距離，從而將發(fā)射機變化不明顯的初期故障過程轉變?yōu)樽兓黠@的KL距離，并用其估計發(fā)射機的健康狀況，以此決定維修與否。實驗驗證了該方法的有效性，為視情維修提供了依據(jù)。

故障檢測; 健康評估; 隱馬爾科夫模型; 小波特征

目前很多文獻開展對電子系統(tǒng)的故障診斷研究，但很少涉及電子系統(tǒng)的狀態(tài)監(jiān)測與健康管理研究。實際中更需要能對電子系統(tǒng)在線監(jiān)測，以便根據(jù)其健康狀況決定維修與否(即視情維修)[1-3]，從而避免傳統(tǒng)“定時維修”的維修過?；颉笆潞缶S修”造成的巨大損失。電子系統(tǒng)出現(xiàn)早期故障時，由于故障信號的微小變化很難直接檢測，如何把不易檢測到的早期故障信號轉變?yōu)槿菀子^測的信息是本文研究的核心內容。發(fā)射機是雷達中的重要組成部件[4]，其功能是為雷達系統(tǒng)提供滿足技術要求的大功率射頻脈沖信號，但其也是雷達故障率最高的組成模塊，因此對其進行狀態(tài)監(jiān)測與健康評估是非常必要的。目前國內外對雷達故障診斷的研究有相關報道[5-7]，但對其進行狀態(tài)監(jiān)測與健康評估的研究卻很少。由于早期故障信號的微弱性，僅以一次的觀測信號估計發(fā)射機的健康狀況是遠遠不夠的，應當采用多次觀測值，隱馬爾科夫模型(hidden Markov model，HMM)就非常適合處理連續(xù)動態(tài)信號。本文通過分析發(fā)射機關鍵的測試信號，提取其小波特征并應用于狀態(tài)監(jiān)測器HMM中，實時監(jiān)測發(fā)射機的狀態(tài)并使用KL距離估計發(fā)射機的健康狀況。

1 發(fā)射機的狀態(tài)特征提取

以某型雷達發(fā)射機[4]為研究對象，整個發(fā)射機由固態(tài)功放組合分機、多注速調管放大器、燈絲電源分機、大功率調制器、偏磁電源、高壓電源、鈦泵電源、水冷系統(tǒng)以及監(jiān)控系統(tǒng)等構成，如圖1所示。其工作原理如下：由接收變頻器輸出的小功率射頻信號被固態(tài)功率放大器放大后，經均衡器輸出推動末級多注速調管放大器，后者將其放大到200 kW左右，再經內、外饋線系統(tǒng)傳輸給天線發(fā)射出去。從圖1可知，多注速調管是發(fā)射機的核心部件，其性能的好壞直接影響到發(fā)射機的工作狀態(tài)，本文擬對多注速調管在線監(jiān)測，并以此間接估計發(fā)射機的健康狀況。

圖1 發(fā)射機的組成框圖

該型發(fā)射機的BIT監(jiān)測系統(tǒng)中設置有多注速調管陰極電流的檢測點。經高速采集的實測陰極電流是失真的矩形脈沖信號，本文擬采用小波技術提取該陰極電流的小波能量特征，并用來訓練CHMM從而間接實現(xiàn)發(fā)射機的狀態(tài)監(jiān)測與健康評估。小波技術[8]是一種窗口大小固定但形狀可變，且時間窗與頻率窗都可改變的時頻局部化分析方法。隨著發(fā)射機使用時間的增加和電子元器件老化等，多注速調管的陰極電流會逐漸改變，必將造成信號各頻帶能量所占比重的變化，該變化反映了發(fā)射機故障狀態(tài)的發(fā)展趨勢和可靠性的變化。小波包分析比小波分析更為精細，可以對基于小波的多分辨率層次劃分時沒有細分的高頻部分作進一步分解，因此本文選擇小波包分解。小波能量特征提取步驟如下：

(1)對多注速調管的陰極電流以一定采樣頻率進行采集，選取“db1”小波包對其進行3層的正交分解，并分別提取第3層從低頻到高頻共8個頻段的信號特征。

(2)小波包分解系數(shù)的重構。設X3j為原始電流信號經小波包分解后的第3層的第j個節(jié)點的小波包分解系數(shù)，S3j為X3j的重構信號(j=0,1,,7)，E3j為S3j對應的能量，則有：

在某雷達檢修廠進行實時數(shù)據(jù)的測試時，利用自行研制的多路信號調理模塊CPCI1482和數(shù)字采集與存儲示波器模塊CPCI1451H進行數(shù)據(jù)采集與顯示，采樣間隔為0.01 s，分別在某型發(fā)射機正常工作態(tài)和賦能電流偏低的情況下共采集了1 523個點，如圖2所示。

圖2 實測的速調管陰極電流

受設備的限制，現(xiàn)場采集的數(shù)據(jù)是速調管陰極電流的有效值，而實際陰極電流的波形為失真的方波[4]。從實測數(shù)據(jù)可以看出，發(fā)射機一旦異常，陰極電流就變化顯著，波形失真將更厲害。由于陰極電流的有效值容易受外界干擾，故選取陰極電流的波形進行研究更為合適。

在現(xiàn)場采集數(shù)據(jù)時，考慮到雷達的重要性且成本昂貴等原因，雷達檢修廠不允許隨意對雷達進行故障設置，尤其是雷達發(fā)射機的中間狀態(tài)(即正常態(tài)到完全故障態(tài)之間的多個漸變狀態(tài))數(shù)據(jù)在實際中更是難以獲得，故實驗中所使用的速調管陰極脈沖電流的波形數(shù)據(jù)是在參考雷達檢修廠提供的相關資料基礎上，結合文獻[4]中提供的電路模型并通過MATLAB軟件仿真獲取。在仿真過程中，線性調制器的人工線向高變比(設置其變壓比為5.5)脈沖變壓器輸入寬度為2.1 μs、重復頻率為400 Hz的電壓脈沖串，該電壓脈沖串經脈沖變壓器耦合后有一定的失真并加載在速調管的陰極。其中要求脈沖變壓器耦合后的脈沖滿足脈沖上升時間≤0.3 μs，脈沖頂降ΔA/A≤1%，脈沖過沖θ≤25%。對速調管的陰極電流以10 MHz的采樣頻率進行采樣，采樣時間為5 ms。正常狀態(tài)下的采樣信號如圖3所示。從該圖可知，陰極電流的小波能量主要分布在第一頻段，其所占比重在95%以上。

圖3 正常態(tài)時的輸入電壓脈沖與速調管陰極電流脈沖

2 狀態(tài)監(jiān)測與健康評估系統(tǒng)的設計

HMM是雙重馬爾可夫隨機過程，它包括具有狀態(tài)轉移概率陣的Markov鏈和輸出觀測值的隨機過程，其狀態(tài)是不可見的(即隱藏的)，只有通過觀測序列的隨機過程才能感知，其理論基礎參閱文獻[9]。發(fā)射機的健康狀況也是一個典型的雙重隨機過程，其健康的退化過程是不能直接觀測的，但可以通過若干觀測信號感知，因此本文選擇HMM作為狀態(tài)檢測器。

由于從發(fā)射機中采集的信號是連續(xù)信號，故采用連續(xù)隱馬爾可夫模型(continuous HMM，CHMM)實現(xiàn)對發(fā)射機的狀態(tài)監(jiān)測與健康評估，設計思路分為訓練和健康評估過程，如圖4所示。

圖4 基于CHMM的狀態(tài)監(jiān)測與健康評估系統(tǒng)框圖

利用CHMM實現(xiàn)發(fā)射機的狀態(tài)監(jiān)測與健康評估包括3個方面的內容：

(1)狀態(tài)特征的提取。如何有效提取發(fā)射機的狀態(tài)特征，是狀態(tài)監(jiān)測和健康評估系統(tǒng)的關鍵。因此應分析測試信號的特點，選擇合適的特征提取法是非常重要的。

(2)CHMM的訓練。多次采樣發(fā)射機正常態(tài)的測點信號并進行特征提取，選取L次特征構成一組觀測序列，就可獲得多組觀測序列訓練CHMM。

(3)健康評估。狀態(tài)監(jiān)測只需訓練一個CHMM代表正常態(tài)，用發(fā)射機正常態(tài)的多組觀測序列O正常訓練CHMM并計算出似然概率值 P (O正常| λ)。將未知狀態(tài)的觀測序列送入O未知已訓練的CHMM并計算出似然概率值 P (O未知| λ)。

定義KL(Kullback-Leibler)距離：設p是問題域U上的一個概率密度函數(shù)，另一個概率密度函數(shù)為q，q是p的近似，則q和p之間的距離為：

KL距離的大小表示p和q之間的接近程度，KL距離越小，表示p越近似于q，當且僅當p=q時，KL距離為0。由于p、q本身太小沒有實際物理意義，故計算KL距離時常用對數(shù)似然值代替。

3 狀態(tài)監(jiān)測與健康評估實驗

采集正常態(tài)時速調管的陰極電流1 s，分200幀(每5 ms采集到的點組成1幀)，對每幀進行小波能量特征提取，因此獲得200個特征向量。每5個特征向量構成一組觀測序列，共獲得40組觀測序列作為訓練序列，用于訓練CHMM。再用相同的方法獲得40組正常態(tài)的觀測序列作為測試序列。由于小波能量特征的連續(xù)性和狀態(tài)的不可逆，選擇無跳躍的左右型CHMM，經驗選取隱含狀態(tài)數(shù)為10，速調管初始為正常態(tài)，故設置初始概率π=[1,0,0,,0]。一般認為速調管處于原有狀態(tài)和轉移到下一個狀態(tài)的概率是相同的，故設置A=[0.5,0.5,0,,0; 0,0.5,0.5, 0,,0; 0,0,0,1]。CHMM訓練的精度受初始參數(shù)影響較大，尤其是觀測陣B的初始值，B陣的初始值可由K均值算法迭代多次來獲得，狀態(tài)的觀測概率由3個高斯概率密度函數(shù)聯(lián)合決定：

式中 N()為多維高斯概率密度函數(shù)；μjk為均值矢量；∑為方差矩陣；n為組成bj(X)的混合概率密度函數(shù)個數(shù)；cjk為組合系數(shù)。由于速調管的本質是非線性電阻，其值的變化反映了速調管狀態(tài)，因此實驗中選取該電阻的變化模擬速調管的故障漸進過程，從而間接實現(xiàn)對發(fā)射機的狀態(tài)監(jiān)測和健康評估。該電阻的正常容差為其標稱值X0的±10%，設置阻值分別在標稱值的[11,20]%、[21,30]%、[31,40]%、[41,50]%內均勻增加或減小。對每個參數(shù)變化范圍均獲得200個小波能量特征，如圖5所示。從圖可知，隨著參數(shù)的增加或減小，小波能量特征變化非常小，且8個頻段能量變化的方向和靈敏度不一致，因此很難從小波能量特征的變化檢測出發(fā)射機的早期故障，更無法決定其何時應該維修。

圖5 各參數(shù)變化范圍對應的小波能量特征

將參數(shù)各變化范圍的200個小波能量特征構成40組觀測序列(設置序列長度L=5)，作為測試序列輸入已訓練的CHMM，獲得對應的KL距離如圖6所示。

從圖6可知，隨著參數(shù)越來越偏離其正常范圍(無論是增大或減小)，對應的KL距離逐漸增加，與圖5原始小波能量特征的變化相比要明顯得多，使早期故障的檢測變得容易實現(xiàn)，發(fā)射機的健康狀況也能在線評估。由此可知，參數(shù)偏離正常態(tài)越小，KL距離就越小，檢測的難度就越大，這也是早期故障很難被檢測出的原因。隨著故障的漸進過程，故障征兆就越明顯，估計發(fā)射機的健康狀況就越容易。因此KL距離能成功檢測出發(fā)射機的早期故障并決定對其維修與否。

用廣泛應用的線性辨別分析法(linear discriminate analysis, LDA)[10]對上述的8維小波能量特征進行去冗余的降維提取，設置降維后的特征維數(shù)為5，利用降維后的特征向量構造觀測序列。選取正常態(tài)下的20組觀測序列作為訓練序列，另選正常態(tài)下的20組觀測序列作測試序列，對每個參數(shù)變化范圍各用20組觀測序列作測試序列，CHMM的監(jiān)測結果如圖7所示。

圖6 CHMM的狀態(tài)監(jiān)測效果

圖7 CHMM的狀態(tài)監(jiān)測效果

從圖7可知，經LDA提取后的特征與CHMM結合，獲得的狀態(tài)監(jiān)測效果卻變得很差，說明原始的8維小波能量特征不包含冗余信息，因此將該特征與CHMM結合后能獲得較好的監(jiān)測效果；經LDA對其降維處理后，反而使得提取后的低維特征丟失很多有用信息，使得監(jiān)測效果大大下降。由此可知，多注速調管的小波能量特征包含了豐富的故障信息。

實際應用中，采集正常態(tài)下發(fā)射機的速調管陰極電流波形數(shù)據(jù)訓練一個CHMM并作為狀態(tài)監(jiān)測器，利用發(fā)射機未知狀態(tài)下的速調管陰極電流波形數(shù)據(jù)輸入該CHMM，計算出對應的KL距離并用之估計發(fā)射機的健康狀況：依據(jù)情況設定閾值 ，若KL≥ 則需要維修；若KL< 則無需維修，只是隨著KL距離的增大，發(fā)射機健康狀況呈下降趨勢。設置每隔一段時間采集一次速調管的陰極電流波形數(shù)據(jù)1 s，共采集10次。每次采集的數(shù)據(jù)分別對應速調管的非線性電阻在標稱值的[0,10]%、[11,20]%、[21,30]%、[31,40]%、[41,50]%、[51,60]%、[61,70]%、[71,80]%、[81,90]%、[91,100]%內增加或減小(即對應兩類故障趨勢的10種狀態(tài))：若電阻在其標稱值的[0,10]%內，表示發(fā)射機完全正常；若電阻增加或減少的值在其標稱值的90%以上，則表示發(fā)射機完全故障(即失效態(tài))；若電阻在其余各區(qū)間變化，則表示發(fā)射機的中間狀態(tài)(狀態(tài)1～8)，因此這10個數(shù)據(jù)反映了發(fā)射機從正常態(tài)到失效態(tài)的變化過程。由發(fā)射機正常態(tài)下的陰極電流波形數(shù)據(jù)訓練CHMM，然后將上述數(shù)據(jù)依次輸入該CHMM并求對應的KL距離，實驗結果如表1所示。

表1 發(fā)射機從正常態(tài)到失效態(tài)下的KL距離

從表1可知，在發(fā)射機從正常態(tài)逐漸變化到失效態(tài)的過程中，各中間狀態(tài)對應的KL值明顯增加，因此通過KL距離就可以大致判斷出發(fā)射機的健康狀態(tài)，當然不同的故障趨勢導致KL距離的靈敏度有所不同。事實上，也不可能等發(fā)射機失效時才去維修。對本例而言，若取閾值 =0.6，則一旦采集的速調管陰極波形數(shù)據(jù)輸入CHMM獲得的KL距離大于值，就應當對發(fā)射機進行檢修。

4 結 論

本文提出了一種對雷達發(fā)射機進行狀態(tài)監(jiān)測與健康評估的新方法。以CHMM作狀態(tài)監(jiān)測器，選擇多注速調管的陰極電流作為監(jiān)測信號，并依據(jù)速調管的陰極電流是脈沖信號的特點，采用小波技術提取該電流的小波能量特征，該特征與CHMM相結合實現(xiàn)對速調管的狀態(tài)監(jiān)測，從而間接實現(xiàn)對發(fā)射機早期故障的檢測，通過對比實驗驗證小波能量特征包含有豐富的故障信息。該方法將發(fā)射機不易檢測的早期故障過程轉變?yōu)橛^測明顯變化的KL距離，能成功估計出發(fā)射機的健康狀況，以此決定對其維修與否，既可以減少因發(fā)射機定時維修導致的維修成本過高，更能避免其失效時所造成的災難性事故，為視情維修提供了依據(jù)。

[1]PETER A S, CHRIS W. A maintenance planning and business case development model for the application of prognostics and health management (PHM)to electronic systems[J]. Microelectronics Reliability, 2007, 47(4): 1889-1901.

[2]KEITH M J, RAYMOND R B. Diagnostics to prognostics-a product availability technology evolution[C]//Proceedings of 53rd Annual Reliability & Maintainability Symposium(RAMS). Florida, USA: [s.n.], 2007: 113-118.

[3]許麗佳, 王厚軍, 龍 兵. 一種新的狀態(tài)監(jiān)測與健康評估方法及其在模擬電路中的應用[J]. 計算機輔助設計與圖形學學報, 2008, 20(12): 1150-1556.

XU Li-jia, WANG Hou-jun, LONG Bing. A novel method on state monitoring and health evaluation and its application to analog circuit[J]. Journal of Computer-Aided Design&Computer Graphics, 2008, 20(12): 1150-1556.

[4]鄭 新, 李文輝, 潘厚忠. 雷達發(fā)射機技術[M]. 北京: 電子工業(yè)出版社, 2006.

ZHENG Xin, LI Wen-hui, PAN Hou-zhong. Radar transmitter technology[M]. Beijing: Publishing House of Electronics Industry, 2006.

[5]朱大奇, 桑慶兵. 光電雷達電子部件的量子神經網絡故障診斷算法[J]. 電子學報, 2006, 34(3): 573-576.

ZHU Da-qi, SANG Qing-bing. A fault diagnosis algorithm for the photovoltaic radar electronic equipment based on quantum neural networks[J]. Acta Electronica Sinica, 2006,34(3): 573-576.

[6]羅志勇. 雷達系統(tǒng)智能故障診斷技術研究[D]. 西安: 西北工業(yè)大學, 2006.

LUO Zhi-yong. Research on intelligent fault diagnosis techniques for radar system[D]. Xi’an: Northwestern Polytechnical University, 2006.

[7]馬 敏, 黃建國, 夏侯士戟. 基于自適應模糊Petri網的雷達故障診斷方法研究[J]. 儀器儀表學報, 2008, 29(2):261-265.

MA Min, HUANG Jian-guo, XIAHOU Shi-ji. Radar fault diagnosis with the adaptive fuzzy Petri net[J]. Chinese Journal of Scientific Instrument, 2008, 29(2): 261-265.

[8]胡昌華, 李國華, 劉 濤, 等. 基于MATLAB 6.X的系統(tǒng)分析與設計-小波分析[M]. 第2版. 西安: 西安電子科技大學出版社, 2004.

HU Chang-hua, LI Guo-hua, LIU Tao, et al. System analysis and design based on MATLAB 6.X-Wavelet analysis [M].2nd ed. Xi’an: Xidian University Press, 2004.

[9]LAWRANCE R R. A tutorial on hidden Markov models and selected applications in speech recognition[J]. Proceedings of the IEEE, 1989, 77(2): 257-286.

[10]ZHENG W S, LAI J H, YUEN P C. GA-fisher: a new lda-based face recognition algorithm with selection of principal components[J]. IEEE Transactions on System,Man, and Cybernetics-Part B: Cybernetics, 2005, 35(5):1065-1078.

編 輯 漆 蓉

State Monitoring and Health Evaluation for Transmitter Using CHMM

XU Li-jia1, WANG Hou-jun2, and HUANG Jian-guo2

(1. Information & Engineering Technology Institute of Sichuan Agriculture University Yaan Sichuan 625014;2. School of Automation Engineering, University of Electronic Science of Technology of China Chengdu 611731)

According to the needs of conditional-based maintenance for electronic system, the paper presents a novel method to monitor transmitter’s state and evaluate its health. Through analyzing transmitter’s key signal,the corresponding wavelet features can be extracted and are further sent to CHMM used as the state monitor to calculate the Kullback-Leibler (KL)distance of unknown state, and thus, transmitter’s incipient fault process can be converted into the obvious change of KL distance successfully. Based on the KL distance, transmitter’s health can be correctly evaluated and it becomes easy to decide to repair it or not. Finally the tested performance of the proposed method indicates that the method is effective and provides basis for condition-based maintenance.

fault detection; health evaluation; HMM; wavelet feature

TP277

A

10.3969/j.issn.1001-0548.2010.06.015

2009- 09- 07;

2010- 09- 02

部級基礎預研項目；四川省教育廳自然科學重點項目(08ZA067)

許麗佳(1973- )，女，博士，主要從事雷達信息處理、故障預測與診斷方面的研究.