基于模糊综合评判和综合赋权的雷达发射机状态评估方法与流程

1.本发明涉及状态评估领域，尤其涉及基于模糊综合评判和综合赋权的雷达发射机状态评估方法。


背景技术：

2.随着雷达技术的不断发展，雷达的结构越来越复杂，各应用领域对雷达工作性能上的要求也逐步提高。作为雷达重要组成部分的发射机系统，如何正确评估其健康状态，减少雷达发射机故障导致其安全性和可靠性降低，缩短停机时间，提高工作效率，是雷达健康管理的热点问题之一，因此对雷达部件之一的发射机进行状态评估具有十分重要的意义。
3.传统的雷达故障检查存在功能简单、技术单一、虚警率高(高达20％左右)、重测合格(雷达出现故障后马上进行检测，显示一切功能正常)等问题，降低了诊断检测结果的可信度，阻碍了雷达效能的充分发挥和广泛、深入的应用。反映雷达发射机状况的特征或指标众多，若仅靠传统的几个主要性能参数不足以全面反映发射机系统的整体状态。解决该问题的有效途径是建立反映系统状态诸因素的状态评估指标集，利用模糊综合评判法对各指标的观测数据加以处理，最终实现对系统的整体评估。
4.现有技术中，主要有以下技术与本发明申请相关：
5.cn109143189a一种雷达发射机故障诊断方法及系统，采用：将故障树转换为多条规则，使每条规则分别对应故障树中各层节点事件；根据预设的处理规则对多条规则进行优化，得到优化后的多条规则；将获取的雷达发射机的当前工作状态参数转换为计算机系统可识别的条目；将条目与优化后的多条规则进行匹配和查找，定位到故障节点事件。而该发明仅能在故障发生后进行诊断，存在故障发生后才能诊断和难以实时评估雷达发射机的运行状态。
6.cn102928791a雷达发射机高压电源多参数融合实时健康预报方法，采用：通过在线实时监测高压电源输入电压、电流与输出电压、电流信号，实时计算并获取输出电压、输出电阻、输出纹波、电源效率四参数值，并构成四维向量作为高压电源故障特征向量；然后，根据输出电压、输出电阻、输出纹波、电源效率四个参数历史时间序列数据，采用遗传算法和最小二乘支持向量机算法实现四参数的相空间重构；采用多元时间序列局部预测融合法得到未来某时刻四参数值及对应故障特征向量；最后，对未来某时刻高压电源故障特征向量归一化后，计算其与标准故障特征向量的欧氏距离，用以评估高压电源健康状况。而该发明只对雷达发射机的高压电源进行评估，存在评估部件唯一，不能对雷达发射机整体进行评估的问题。


技术实现要素：

7.发明目的：为了解决目前传统的雷达故障检查存在功能简单、技术单一、虚警率高的问题，本发明提供了基于模糊综合评判和综合赋权的雷达发射机状态评估方法，建立反映系统状态诸因素的状态评估指标集，利用模糊综合评判法对各指标的观测数据加以处
理，最终实现对系统的整体评估。
8.技术方案：基于模糊综合评判和综合赋权的雷达发射机状态评估方法，包括如下步骤：
9.(1)定义一级和二级状态评估指标的雷达发射机状态评估指标集，根据发射机实际运行状态定义包含五个健康等级的状态评估评价集；
10.(2)采用相对劣化度来代表评估指标数据与正常状态下指标数据的偏离程度，对各评估指标原始数据进行相对劣化度计算处理；
11.(3)采用k次抛物型隶属度函数作为模糊综合评判的隶属度函数，再通过分析评估指标的数据特点确定模糊数，求解各评价集的k次抛物型隶属度函数得到对应的隶属度矩阵；
12.(4)综合赋权法将层次分析法和熵权法确定的权重结合，结合的权重作为模糊综合评判的权重；
13.(5)用模糊综合评判法整合确定的评价集隶属度矩阵和权重得到一级状态评估指标的健康等级隶属度矩阵，根据最大隶属度原则得到一级状态评估指标的健康状态，利用层次分析法中判断矩阵的最大特征值，求得各一级状态评估指标的权重向量，整合一级状态评估指标的健康状态和权重向量，确定雷达发射机整体状态评估结果。
14.在步骤(1)中，所述一级和二级状态评估指标的雷达发射机的状态评估指标集定义为，一级状态评估指标指可靠性、安全性和射频质量三个指标，可靠性指标下的二级状态评估指标为整机效率、误触发、电源电压、电源波纹、流量、水位和水压；安全性指标下的二级状态评估指标为驻波比、工作比、断相、激励功率、波导打火和波导气压；射频质量指标下的二级状态评估指标为平均功率、脉冲宽度和频谱纯度。
15.在步骤(1)中，所述五个健康等级分别为健康、亚健康、退化、恶化和故障。
16.在步骤(2)中，采用相对劣化度η来代表评估指标数据与正常状态下指标数据的偏离程度时，在[0,1]之间取值，且η越接近0，则表示雷达发射机的状态越好。
[0017]
在步骤(3)中，采用的k次抛物型隶属度函数作为模糊综合评判的隶属度函数的公式如下：
[0018][0019]
其中η1～η4是模糊数，η是相对劣化度，
[0020]
根据不同的模糊数范围得到五种健康等级的k次抛物型隶属度函数，将各个指标数据的相对劣化度η带入五种k次抛物型隶属度函数求解得出对应的模糊综合评判的评价集隶属度矩阵。
[0021]
在步骤(4)中，层次分析法是通过比较各评估指标间的相对重要程度，合理的确定评估指标的权重的一种主观赋权法；熵权法是应用信息熵理论来确定指标权重，信息熵代
表了系统的不确定程度，根据信息熵的大小确定评估指标的差异性，进而对评估指标进行客观赋权；通过层次分析法和熵权法相结合的综合赋权法确定模糊综合评判权重，使权重与实际情况相符。
[0022]
在步骤(5)中，用模糊综合评判法整合确定的评价集隶属度矩阵和权重得到一级状态评估指标的健康等级隶属度矩阵，根据最大隶属度原则得到一级状态评估指标的健康状态时的公式如下：
[0023]
h＝w
综合
·m[0024]
其中h表示一级状态评估指标的健康等级隶属度矩阵，w
综合
表示综合赋权法确定的权重，“·”表示加权平均型模糊算子，m表示各评价集的隶属度矩阵，矩阵h中最大元素所代表的健康等级就是一级状态评估指标的健康状态。
[0025]
在步骤(5)中，整合一级状态评估指标的健康状态和权重向量，确定雷达发射机整体状态评估结果使用的公式如下：
[0026][0027]
其中，b表示雷达发射机的整体健康等级隶属度矩阵，w是利用层次分析法中判断矩阵的最大特征值，求得的各一级状态评估指标的权重向量，h1，h2，h3分别是一级状态评估指标可靠性、安全性和射频质量的健康等级隶属度矩阵。
[0028]
有益效果：与现有技术相比，本发明具有如下显著优点：
[0029]
1、本发明提出三个一级状态评估指标和十六个二级状态评估指标，更科学合理地完善了评估指标；
[0030]
2、本发明采用相对劣化度来代表评估指标数据与正常状态下指标数据的偏离程度，对各评估指标原始数据进行相对劣化度计算处理，有效地将各不同单位的指标值转化为[0,1]之间的数，从而消除物理意义及单位的影响；
[0031]
3、本发明通过采用k次抛物型隶属度函数作为模糊综合评判的隶属度函数，因k次抛物型隶属度函数的主值区间宽、过度平滑和对指标解析度好的特点，有效地解决了模糊综合评判部准确的问题；
[0032]
4、本发明通过综合赋权法将层次分析法和熵权法确定的权重结合，既可以保留两种方法的优势又可以弥补两种方法的缺点，使确定的权重同时具有主客观意义并与实际情况相符。
附图说明
[0033]
图1为基于模糊综合评判和综合赋权的雷达发射机状态评估方法流程图；
[0034]
图2为k次抛物型隶属度函数图。
具体实施方式
[0035]
下面结合附图对本发明的技术方案作进一步说明。
[0036]
如图1所示，基于模糊综合评判和综合赋权的雷达发射机状态评估方法，包括如下步骤：
[0037]
(1)定义一级和二级状态评估指标的雷达发射机的状态评估指标集，一级状态评估指标指的是可靠性、安全性和射频质量三个指标。可靠性指标下的二级状态评估指标为整机效率、误触发、电源电压、电源波纹、流量、水位和水压；安全性指标下的二级状态评估指标为驻波比、工作比、断相、激励功率、波导打火和波导气压；射频质量指标下的二级状态评估指标为平均功率、脉冲宽度和频谱纯度；定义包含五个健康等级的状态评估评价集，五个健康等级分别为健康、亚健康、退化、恶化和故障。
[0038]
(2)采用相对劣化度η来代表评估指标数据与正常状态下指标数据的偏离程度，η在[0,1]之间取值，且η越接近0，则表示雷达发射机的状态越好。
[0039]
(3)采用的k次抛物型隶属度函数作为模糊综合评判的隶属度函数的公式如下：
[0040][0041]
其中η1～η4是模糊数，η是相对劣化度，
[0042]
如图2所示，根据不同的模糊数范围得到五种健康等级的k次抛物型隶属度函数，将各个指标数据的相对劣化度η带入五种k次抛物型隶属度函数求解得出对应的模糊综合评判的评价集隶属度矩阵。
[0043]
(4)综合赋权法将层次分析法和熵权法确定的权重结合，结合的权重作为模糊综合评判的权重。层次分析法是通过比较各评估指标间的相对重要程度，合理的确定评估指标的权重的一种主观赋权法；熵权法是应用信息熵理论来确定指标权重，信息熵代表了系统的不确定程度，根据信息熵的大小确定评估指标的差异性，进而对评估指标进行客观赋权；通过层次分析法和熵权法相结合的综合赋权法确定模糊综合评判权重，使权重与实际情况相符。
[0044]
(5)用模糊综合评判法整合确定的评价集隶属度矩阵和权重得到一级状态评估指标的健康等级隶属度矩阵，根据最大隶属度原则得到一级状态评估指标的健康状态时的公式如下：
[0045]
h＝w
综合
·m[0046]
其中h表示一级状态评估指标的健康等级隶属度矩阵，w
综合
表示综合赋权法确定的权重，“·”表示加权平均型模糊算子，m表示各评价集的隶属度矩阵。矩阵h中最大元素所代表的健康等级就是一级状态评估指标的健康状态。
[0047]
根据以上结果整合一级状态评估指标的健康状态和权重向量，确定雷达发射机整体状态评估结果时的公式如下：
[0048][0049]
其中，b表示雷达发射机的整体健康等级隶属度矩阵，w是利用层次分析法中判断
矩阵的最大特征值，求得的各一级状态评估指标的权重向量，h1，h2，h3分别是一级状态评估指标可靠性、安全性和射频质量的健康等级隶属度矩阵。
[0050]
进一步地，步骤(2)中，雷达发射机状态评估指标分为越大越优型、越小越优型和中间型三种，不同的指标相对劣化度公式不同，其定义式分别为：
[0051][0052][0053][0054]
进一步地，步骤(3)中，雷达发射机的每种健康状态都有一种隶属度函数与之对应，雷达发射机五种健康等级的k次抛物型隶属度函数图像如图2所示。
[0055]
进一步地，步骤(4)中，层次分析法的步骤如下：
[0056]
(a1)构造判断矩阵；
[0057]
(a2)最大特征根及特征向量求解；
[0058]
(a3)一致性检验；
[0059]
(a4)确定指标权重。
[0060]
其中，步骤(a1)为假设评估对象有n个评估指标，指标用ai表示(i＝1,2,
…
,n)，a
ij
表示评估指标ai相对于aj(j＝1,2,
…
,n)的重要度，a
ij
的取值如表1所示：
[0061]
表1a
ij
取值定义
[0062][0063]
根据对a
ij
的取值定义，可以得到判断矩阵a，判断矩阵a形式如下：
[0064][0065]
其中，步骤(a2)中判断矩阵的最大特征根及特征向量的求解采用规范列平均法进行求解，具体步骤如下：
[0066]
(a)将判断矩阵a按列进行归一化处理：
[0067][0068]
(b)对归一化后的矩阵按行进行求和：
[0069][0070]
(c)对求和后的值再次进行归一化处理，特征向量为w：
[0071][0072]
w＝(ω1,ω2,
…
,ωi,
…
,ωn)
t
[0073]
(d)计算最大特征根λ
max
，(aw)i.代表向量aw的第i个分量：
[0074][0075]
其中，步骤(a3)中一致性检验的计算公式如下：
[0076][0077][0078]
其中，cr表示一致性比率，ci表示一致性指标，ri表示随机一致性指标，ri的取值如表2所示。如果求出cr《0.1，则认为检验通过。
[0079]
表2ri值
[0080][0081]
步骤(a4)中确定指标权重需按照步骤(a3)的公式进行检验，对通过检验的矩阵求解最大特征根λ
max
以及特征向量w，向量w即为所求指标权重。
[0082]
进一步地，步骤(4)中，熵权法的步骤如下：
[0083]
(b1)正向化；
[0084]
(b2)归一化；
[0085]
(b3)指标值比重；
[0086]
(b4)信息熵；
[0087]
(b5)指标差异性程度以及权重。
[0088]
其中，步骤(b1)为假设原始数据共有m个评估对象，n个评估指标，那么原始数据可以由一个m行n列的矩阵r表示，r＝(r1,r2,
…
,ri,
…
,rm)
t
，其中ri＝(r
i1
,r
i2
,
…
,r
ij
,
…
,r
in
)，i＝1,2,
…
,m，j＝1,2,
…
,n，矩阵形式如下：
[0089][0090]
原始数据矩阵r中包含越大越优型、越小越优型、中间型指标，采用极值处理法变换成越大越优型指标便于后续的统一操作，三种类型指标的正向化公式分别为：
[0091][0092]
[0093][0094]
其中，步骤(b2)中由于原始数据中指标的量纲、单位存在差异，则在完成正向化后还得进行归一化处理，归一化公式如下：
[0095][0096]
原始矩阵r经正向化和归一化变换后得到处理后的矩阵q＝(q1,q2,
…
,qi,
…
,qm)
t
，其中qi＝(q
i1
,q
i2
,
…
,q
ij
,
…
,q
in
)。
[0097][0098]
其中，步骤(b3)中评估对象指标值比重p
ij
的计算公式如下：
[0099][0100]
其中，步骤(b4)中根据上式计算出评估对象指标值的比重后，需计算各评估指标的信息熵ej，计算公式如下：
[0101][0102]
其中，步骤(b5)中各评估指标差异性程度hj以及权重ωj计算公式如下，最终求出评估指标权重ωj，ωj∈[0,1]。
[0103]hj
＝1-ej[0104][0105]
进一步地，步骤(4)中，综合赋权法的公式如下：
[0106][0107]
式中表示层次分析法得到的第m个指标的权重，表示运用熵权法得到的第m个指标的权重，η，μ分别为层次分析法和熵权法的相对重要程度，按实际需要取值，0≤η,μ≤1,η μ＝1。