基于SVM的雷达故障预诊断技术研究 The Pre-diagnosis Technology Research on SVM-based Radar Fault

doi:10.12677/csa.2011.11005

设为首页加入收藏期刊导航网站地图

期刊菜单

文章导航

Computer Science and Application计算机科学与应用, 2011, 1, 20-23

http://dx.doi.org/10.12677/csa.2011.11005 Published Online June 2011 (http://www.hanspub.org/journal/csa/)

The Pre-diagnosis Technology Research on SVM-Based

Radar Fault

Yusong Wang

PLA of 91763, Qinhuangdao

Email: yunflyer@163. com

Received: Apr. 27th, 2011; revised: May 9th, 2011; accepted: May 19th, 2011.

Abstract: This paper brings Support Vector Machine (SVM) to the pre-diagnosis of radar fault, implement-

ing the advance diagnosis of the latent radar fault. To solve the problems best, such as the process of radar

fa u lt d i ag no s is c o mp le x it y a n d l on g- t ime d ia g no s i s. This is du e to SVM can so lve the s mall sa mple, n onlinear

classification problem, which are the characteristics of the laten t radar fault. Finally, the paper through exam-

ples fully illustrates that the algorithm has the capacity of excluding the radar latent fault.

Keywords: SVM; Radar Fault; Pre-diagnosis

基于 SVM 的雷达故障预诊断技术研究

王玉松

海军 91763 部队，秦皇岛

Email: yunflyer@163. com

收稿日期：2011 年4月27日；修回日期：2011 年5月9日；录用日期：2011 年5月19 日

摘要：本文将支持向量机(SVM)引入雷达故障预诊断，实现了雷达进入潜伏性故障时就提前诊断。很

好地解决雷达故障诊断流程复杂、诊断时间长等问题。这是由于 SVM 可以很好地解决小样本、非线性

分类问题，而这正是潜伏性雷达故障的特点。本文最后通过实例充分说明了该算法在排除雷达潜伏性故

障方面的能力。

关键词：SVM；雷达故障；预诊断

1. 引言

随着新军事变革和军队信息化的发展，各种新体

制雷达不断出现，其结构复杂、功能强大、数字化程

度越来越高。这在大大增强我军信息化力量的同时，

也带来了问题：雷达故障诊断流程复杂、诊断时间长、

维修困难、维修费用高；更迫切的一点是如何提高雷

达在战争或演练中的可靠性[1]。本文探讨一种基于支

持向量机(support vector machine)的雷达故障预诊断

技术，其基于结构风险最小化原理，很好地解决雷达

故障小样本、非线性的分类和回归问题[2]，最后通过

实例说明该技术对于潜伏性故障的诊断能力。

2. 雷达故障预诊断流程

本文将雷达故障预诊断分为系统状态预测和故障

预处理两部分，其工作流程如图 1示，当系统状态特

征参数数值超过设定阈值，则进入故障预诊断工作状

态[3]。

由于雷达故障特征参数的样本数据是在发现系统

处于潜伏性异常工作状态时才开始采集，因而获取的

训练数据多数为有限的小样本数据[4]。此外，又因为

特征参数数据通常处于非线性的变化状态，为此本文

王玉松基于的雷达故障预诊断技术研究21

| SVM

Figure 1. Pretreatment processes Radar Fault

图1. 雷达故障预处理工作流程

提出基于 SVM的雷达故障特征参数的状态预测。

3. SVM回归算法

3.1. SVM回归算法原理

SVM 回归算法的思想是将原始数据 X非线性映

射到高维特征空间，并在此特征空间解决线性回归问

题[5]。因而，给定一组数据集：







11 11

,,,,,,,

TxyxyxyXY





 

其中 n

是输入矢量，是相应输出

值，l为训练样本总数，SVM 回归函数[6]：



YYR

 



 





wb (1)

其中





为非线性映射函数，w为权重矢量，b

为偏差。w和b通过最小化下列泛函进行估计：





RCLyf











x (2)

其中 C是惩罚参数，用于实现经验风险与模型平

滑性的折衷。

w为正则项。为不敏感

损失函数，被定义为：





Lyfx







 



, 0,

ii ii

yfx yfx

Lyfx

yfx

















(3)

在公式(3)中，当预测值的误差在 ε内，损失等于

0，否则损失等于超出ε部分。

为了度量 ε不敏感带外的训练样本偏离程度，引

入非负松弛变量ξ和ξ*。SVM优化的目标函数为：

 

min, ,**

wwC















(4)

s.t.



*, *0

iii

ywxb

wxby



i











 





将式(4)最优化问题转化为对偶问题：

王玉松基于的雷达故障预诊断技术研究

22 | SVM







 

max, *

1**,













(5)

s.t. ，



i 







,0,

ii C

其中为Lagrangian 乘子，对应

的数据点为支持向量。通过





*0 



和计算，获取回归超

平面的优化权重矢量，即：







1*,









*w (6)

回归函数为：



ii i

xKxx



 

b (7)

由以上推理可知通过回归函数s





ii is

xx b



 

，1, 2,,

nm ，求得

和b，从而获得 SVM预测模型。即对 SVM 进

行回归训练。



3.2. 算法实现

故障特征参数的状态趋势预测是一个时序预测问

题，其最终目的是利用从历史数据中获取的训练样本，

以寻求一个具有良好推广能力的预测模型。基于 SVM

的故障特征参数的状态预测步骤主要包括：(1)数据预

处理；

(2)构建训练集样本；(3)利用训练的SVM 进行预

测。其中的关键是进行 SVM 样本训练，它直接关系到

对雷达故障预诊断的效果。其流程图如图 2示。

通过式







ˆ,

nmiii nm

yKxx



 







b对

第n+1 点进行预测，输入矢量 1







n-m+1

2,,}

nm n

  a，得到第 n + 1点的预测值





ˆn

ˆnm



ˆn

a



23 1

,,,

nm nmn

aa a

 

 

n-m+2

，

以第 n+1 点的预测值为属性，构建下一个预测点

的输入矢量，从而获得

第n + 2点的预测值





ˆˆ

nm n

 

，以此类推，直到

完成所需预测点的数目。利用MAPE 评价预测精度。

MAPE 100%

Nkk









式中，和分别为实际和预测值，N为预测点的数

目。

yˆk

初始化

训练 SVM模型

SVM 参数编码

评估

获得 SVM参数

获得 SVM模型

满

足结

束条件

是

否

Figure 2. SVM algorithm flow chart

图2. SVM算法实现流程图

4. 雷达故障预

以某型雷达频率综合器电路为例，首先建立故障

和使用过程中的经验，

通过

5 –4

时的实测样例，利用本文提出的快速预诊断方

法达

Ta ble 1. daries of the four characteristics

sis

表1. 对四种容差的边界特征的诊断结果

诊断实例

状态样本表。根据电路工作原理

对电路进行仿真，分析各种故障现象和故障类型，

选择 10个故障组成故障集。输入为电路板中 8个关键

测试点的波形参数(频率 F和幅度V)。对该电路在元

器件容差范围为3%、6% 、9%、12%、15%时做 20

次仿真分析，得到各关键测试点波形频率和幅度在四

种容差条件下的容差边界值，经归一化处理得到各故

障状态的测试样本。表1为在惩罚因子 C和和非负松

弛变量 ξ分别取2和2情况下对测试样本的诊断结

果。

表2为某雷达的频率综合器在实际工作过程中出

现异常

到了 100%的诊断正确率。

The boun

of tolerance diagno

容差范围 3%6% 9% 12% 15%

诊%

断正确率 99%95% 87% 82% 60

王玉松 | 基于 SVM 的雷达故障预诊断技术研究

able four characteristics of tolerance diagnosis

2. 综合器故障预诊断实测样例

Te 2. The boundaries of th

某雷达频率表

输入数据

A1 A2 A7 A8 A3 A4 A5 A6

样

F1 V1 F2 V2 F3 V3 F4 VV5F6 V6F7 V7 F8 V8

本 4F5

1 3.07.05 3.0705 3.07.053.0763.07053.0753.0707 44. 422.4.4.04.05 3.4.05

2 0.00 0.00 0.000.00 0.00 0.000.000.003.504.053.074.053.074.05 3.07 4.05

3 3.10 4.12 0.030.05 0.03 0.050.030.053.104.123.104.123.104.12 3.10 4.12

4 3.07 4.05 3.074.05 0.10 0.200.003.073.074.053.074.053.074.05 3.10 4.12

5 3.05 4.00 3.104.05 3.07 4.050.000.003.054.003.074.053.074.05 3.07 4.05

5. 总结

了雷

e s)

[1] 虞和济, 陈长征, 张省等. 基于神经网络的智能诊断[M]. 北

[2] 时文刚, 遗传算法的故障诊断规则提

基于遗传神经网络的故障智能

的应用研究

理工

达板级电路快速故障

本文探讨一种雷达故障预诊断技术，很好地解决

雷达故障诊断流程复杂、诊断时间长问题，并且实现

达进入潜伏性故障时就提前诊断。将 SVM 引入

雷达故障预诊断，是由于 SVM 是在小样本学习理论

和结构风险最小化理论基础上发展起来的，具有很强

的自学习能力。本文最后通过雷达故障预诊断实例充

分说明了该算法在保障雷达正常工作，排除装备潜伏

性故障方面，有很好的推广价值。当然，该算法还有

需要改进的地方，若通过遗传算法对SVM 参数进行

优化，雷达故障预诊断效果或许会更好。

参考文献 (Refernce

京: 冶金工业出版社, 2006.

戴静君, 杜华军. 基于

取方法的研究[J]. 航天控制, 2005, 23(5): 79-82.

[3] 傅连东, 付曙光, 曾良才等.

诊断方法及其应用研究[J]. 液压与气动, 2007(4): 65-67.

[4] 张金泽, 单甘霖. 改进的算法及其在故障诊断中

[J]. 电光与控制, 2006, 13(6): 97-100.

[5] 费胜巍. 复杂装备诊断维护系统关键技术研究[D]. 南京

大学, 2007.

[6] 张金泽, 段修生. 支持向量机技术的雷

诊断[J]. 火力与指挥控制, 2008, 33(2): 86-90.