T/R组件故障预测以及故障处理技术研究

T/R组件故障预测以及故障处理技术研究

陆赛凤

南京长江电子信息产业集团有限公司、江苏南京 210046

摘要：随着社会的发展和科学技术水平的不断提高,人们对机械设备维修要求也越来越高,而在实际工作中,由于各种原因导致机器出现故障问题是不可避免的。为了能够准确、快速地诊断出这些突发情况并给出相应解决方案。本课题从T/R组件常见故障出发，对其内部故障类型以及产生机理分析等方面内容进行阐述与说明。利用先进的数理统计技术和专家系统法对该部件的外部结构特征及运行过程进行定量计算。

关键词：T/R组件 ；故障预测；故障处理  

0引言

作为有源相控阵雷达的核心部件之一,相控阵天线是实现高精度探测目标的关键所在.在实际应用中,由于其自身结构复杂、体积庞大等特点,使得相控阵雷达的可靠性和稳定性受到了极大的考验。为了提高相控阵雷达的性能,需要对其进行故障预测及故障处理工作,以便于及时发现并解决问题。目前,针对这一问题已经开展了大量的研究与探索,但是仍然存在一些不足之处[1]。首先,相控阵天线阵面的设计方法较为复杂,这就导致了相控阵天线阵面的设计难度较大。另外,相控阵天线阵面的尺寸大小也会直接影响到相控阵雷达的测量精度,进而影响到整个系统的运行效率。因此,如何有效地降低相控阵天线阵面的制造成本,提升相控阵雷达的测量精度成为当前研究的重点内容[2]。

1 T/R组件故障预测技术研究现状

测试性技术的快速发展经历了由外部测试到机内 测试( Built-In Test，BIT) 、智能 BIT、综合诊断、故障预测与健康管理( Prognostics Health Management，PHM) 的过程，目前已经形成了基于多源数据融合和多维度分析的测试性方法体系。其中,在测试性方法中,最常用的是基于状态空间的故障诊断方法,其主要包括3个阶段:首先对系统运行环境进行建模;然后利用故障树对系统各部分进行分类;最后通过故障树来提取出系统故障信息并将其存储于数据库中[3]。

1)SVM (支持向量机)法。该方法以概率论为基础,采用数学方法来描述问题,具有较高的计算效率且能够实现定性分析。它可以根据输入样本的特征向量建立相应的子系统模型,从而得到输出结果。然而,这种方法只能用于小规模的非线性映射关系,无法应用于大规模的复杂网络结构。

2)神经网络法。神经网络法是一种自适应学习算法,可根据实际情况选择合适的训练样本集,使得所构建的模型更加准确和有效。目前,国内外学者已经提出了多种类型的神经网络,如支持向量机、随机森林等。其中,支持向量机在解决数据稀疏化方面有着很好的效果,但是由于其需要大量的时间才能收敛到最优值,因此不适合用来做故障预测。而随机森林则是一种非监督的机器学习方法,不仅能够提高运算速度,还能够避免过度拟合现象发生。此外,在对支持向量机进行改进时,可以将其与其他类型的分类器相结合,以达到更快地收敛的目的。

3)遗传算法。遗传算法主要通过模拟自然界中生物体内基因序列之间的相互作用来实现优化问题。该方法具有较强的全局搜索能力,并且具有良好的泛化性能。同时,它也具备一定的容错性,当系统出现错误或异常情况时,仍然有足够多的资源去执行下一步操作。

2 T/Ｒ组件故障预测技术

2.1故障预测基本方法

故障预测基本方法主要包括以下几种。(1)基于数据的统计分析方法;(2)基于数学模型的分析方法;(3)基于模糊数学理论的分析方法;(4)基于神经网络的分析方法等。其中,前三种方法是最常用的故障预测方法。在实际应用中,可以根据系统运行情况对其进行适当调整,以保证系统能够正常工作。随着计算机技术和网络信息化水平不断提高,各种不同类型的数据挖掘工具也被广泛应用于各类领域。这些数据挖掘工具不仅具有较高的准确性与可靠性,而且还具备良好的可扩展性、灵活性及多样性。因此,为了更好地利用这些先进的数据分析手段来解决复杂问题,就必须要加强对相关基础理论知识的学习,并将其运用到实践当中去。目前,国内外学者已经提出了多种多样的故障诊断技术,如专家诊断法、经验模态分解法等。但是,由于每个部件都有自己独特的特性,所以很难通过一种或几种故障诊断方法来实现对整个系统故障的有效识别。针对这种现象,本文提出了基于多级层次结构的故障预测模型,该模型主要包括两部分内容:第一部分为一级层面上的故障预测;第二部分为二级层面上的故障预测。具体来说,一级层面上的故障预测就是指从一个部件开始逐渐向其他部件扩展,直到达到所有部件的状态。

2.2 T/Ｒ组件故障模式症状与测试扩展分析

故障预测以故障征兆和传感器布局分析为基础，其核心是将信号在不同时间尺度下的变化规律作为依据,并且根据这些规律进行故障诊断。因此,需要建立起一套完整的故障模式识别体系。首先,要确定出各类传感器的工作原理及结构特点,然后利用相关理论知识构建出相应的数学模型,最后再结合实际情况选择合适的算法。例如,当输入端中的电压值较高时,输出端的电流值也会随之增大,而此时就可以认为是输入端中的“尖峰”现象（图1）。此外,还要考虑到各种类型的传感器所产生的噪声对于诊断结果的影响,所以必须采用合理的滤波方法来消除这种干扰。另外,由于目前的故障诊断技术主要集中于传统的信号处理领域,随着计算机技术的不断发展,近些年来出现了许多新型的数据处理方式,如神经网络等,但是这些新的信息处理方式都存在着一定的不足之处,其中最重要的一点就是缺乏先验知识,导致很多时候无法准确地判断出故障发生的原因。因此,为了提高TR组件故障预测的准确率,需要将其与其他类型的系统进行有效融合,并且要充分考虑到不同种类的系统之间可能存在的差异性,从而建立起一个具有较强针对性和实用性的专家系统模型。在实际应用过程中,首先应该选取一些具备代表性的专家学者作为“主控专家”,然后根据专家的经验和专业知识构建出一套完整的数学模型,最后通过专家系统模型计算出TR组件的具体参数,进而实现对TR组件的精准检测。

图1 “尖峰”现象示意图

2.3 T/Ｒ组件故障预测关键技术

传统的 FMECA 方法是最基本的故障分析方法，收发功能是 T /Ｒ 组件的基本功能,但是由于该方法只适用于小规模的数据集,而且无法保证数据的准确度,因此还有很多学者提出了一种新的故障诊断方法———深度学习(DeepLabs)。深度学习可以利用大量的训练样本来提高算法的性能,同时也能够避免过度拟合现象的发生。在此基础上, Bao等人提出了基于卷积神经网络的“循环冗余”(Cyclicity-Reliability)网络（见图2）,并将其应用到 T/R 组件中;在此基础上, Wang等人又提出了一个改进的循环冗余网络,即“卷积循环冗余”(ConvolutionalReLU),它不仅能够有效地提取特征图、增强像化处理能力,而且能够使得 T/R 组件更加稳定可靠。

图2 循环冗余网络示意图

3 T/Ｒ组件健康评估技术

以 T/Ｒ组件发射通道为例，其主要由源相控阵和接收阵列组成。在实际应用中,通常会将源相控阵与接收阵列进行组合来实现对故障的检测、定位及诊断等功能。其中,源相控系统是整个系统的核心部分,它可以通过信号采集设备获取到相关数据信息,并且根据这些数据信息来分析出故障发生的原因;而接收阵列则是一个相对独立的单元,它包括了多个传感器,每个传感器都有自己独特的作用,同时还有一些其他的附属装置,如温度传感器、湿度传感器等等。当然,除了上述所说的几种外设之外,还存在着很多其他类型的传感器,比如:压力传感器、位移传感器、加速度计等等。除此之外,还需要结合实际情况来选择合适的附加模块,这样才能更好地发挥出附加模块的效用。

4 小结

本文基于T/Ｒ组件FMECA方法的原理和特点,对其进行了深入研究。通过大量实验验证,该方法具有较高的准确率与可靠性,可为其他类似系统提供参考借鉴作用。同时也可以在一定程度上降低数据分析工作量、提高数据处理效率。但由于本次研究所涉及的数据集较少,因此，还需要进一步扩大样本容量以便于更好地利用这些数据来开展后续研究。

参考文献:

[1]范梦恒,赵宁,张宇.T/R组件故障预测技术研究[J].雷达与对抗,2022,42(01):30-32+51.

[2]侯晓东,杨江平,邓斌,夏亮,王挺,朱新权.基于多指标相似性的T/R组件剩余寿命融合预测方法[J].国防科技大学学报,2019,41(04):190-198.

[3]蒋伟, 盛文, 祁炜,等. 大型相控阵雷达T/R组件维修决策问题综述[J]. 系统工程与电子技术, 2022, 44(1):127-138.

作者简介：

陆赛凤（1993-），女，汉，江苏启东人，大专，助理工程师，技师，主要从事多型设备组件生产、调试、故障处理等工作。