基于图嵌入微波滤波器故障诊断的性能调试方法与流程

1.本发明属于物理技术领域，更进一步涉及电数字数据处理技术领域中的一种基于图嵌入微波滤波器故障诊断的性能调试方法。本发明可通过图嵌入的方法对微波滤波器的故障进行诊断，在故障诊断的基础上，实现微波滤波器电性能的调试。


背景技术：

2.微波滤波器主要包括腔体滤波器和lc滤波器，是无线通信基站和卫星通信系统的关键选频器件，广泛应用于卫星系统和无线通信系统的射频前端，其滤波性能决定了选频质量。在工程实际的微波滤波器生产设计中，由于设计软件和制造过程中存在的物理尺寸误差以及在制造过程中调试部件的装配误差，常常导致微波滤波器的输出响应无法与设计要求完全吻合，使得电性能不满足设计以及服役的需求，即滤波器发生故障，该类故障严重影响了滤波器的滤波性能，因此，快速的实现滤波器故障诊断，并根据诊断的故障进行调试，是微波滤波器生产制造以及服役过程中不可或缺的环节。耦合矩阵是滤波器故障诊断的关键中间参数，基于柯西方法的计算机辅助诊断方法在拟合高阶滤波器耦合矩阵时，容易出现病态矩阵，难以实现十阶以上滤波器的故障诊断以及快速调试。而基于矢量拟合的计算机辅助诊断方法需要经过多次迭代拟合才能构建出耦合矩阵，并且每次迭代的时间随着滤波器阶数的增加而增加。除此之外，通过以上方法构建的滤波器耦合矩阵，需要通过相应的折叠旋转才能得到与设计拓扑结构对应的耦合矩阵。基于机器学习的方法需要构建对应的调整量作为标签，且大量的方法是将散射参数转为实数再进行特征提取，进而丢失了潜在的特征。
3.中国地质大学(武汉)在其申请的专利文献“一种微波滤波器多特征融合建模调试方法”(申请号：202110128530.4申请公布号：cn 113158541 a)中公开了一种利用多特征融合建模方法实现微波滤波器调试的方法。该方法的实现步骤为：首先对微波滤波器可调部件进行调试，并测量相应的调试量，同时通过矢量网络分析仪vna(vector network analyzer)测量滤波器在该调试状态下的散射参数，生成散射参数和调试量的数据集；然后搭建卷积神经网络模型，应用生成的数据集训练卷积神经网络模型，实现了滤波器的散射参数和调试量的关系映射；最后根据训练好的卷积神经网络模型实现了微波滤波器的调试。该方法存在的不足之处是，由于该方法卷积神经网络调试模型是一种监督训练模型，因此，训练调试模型时需要测量每一次滤波器的调试量作为标签，然而，测量每个调试状态下的调试量需要耗费大量的人力，难以制作大量数据集训练构建的调试模型，导致其在实际应用时并不容易实现；此外，该方法搭建的调试模型所采用的特征提取单元均是实数卷积层，而散射参数为复数，导致在特征提取过程中丢失了部分信息；以上两种不足导致整个模型的映射精度降低，调试效率下降。
4.苏州芯迈智能科技有限公司在其申请的专利文献“一种腔体滤波器的智能辅助调试方法及装置”(申请号：202110609307.1申请公布号：cn 113255222 a)中公开了一种利用融合知识图谱调试腔体滤波器性能的方法。该方法的实现步骤为：首先，通过知识图谱将腔
体调试量和散射参数进行关联，并关联了相应的滤波器自身特性(型号、批次等)；然后，计算了每次调整量之间的残差，将散射参数通过电路综合方法求解出耦合矩阵，构建残差网络将残差和耦合矩阵之间的映射关系；最后，通过该映射关系求解散射参数对应的调整量，实现滤波器的调试。该方法存在的不足之处是，由于该方法所应用的知识图谱仅仅是用来关联所有的散射参数、调试量、自身特性，没有考虑滤波器的自身腔体设计结构，无法实现任意拓扑结构的滤波器耦合矩阵求解；此外，在求解耦合矩阵时，采用的是传统电路综合方法，该类方法需要矩阵分解以及大量的优化迭代次数；以上两种不足导致在计算高阶滤波器调试量时，容易出现病态矩阵；且大量的迭代优化次数增加了调试时间，无法满足实时调测需求。


技术实现要素：

5.本发明的目的是针对上述现有技术存在的不足，提出了一种基于图嵌入微波滤波器故障诊断的性能调试方法，用于解决现有技术难以制作大量数据集的问题，解决散射参数特征提取过程中部分复数特征丢失的问题，解决无法实现任意结构滤波器耦合矩阵求解问题，解决高阶滤波器耦合矩阵病态问题，解决大量优化迭代过程导致调试时间长的问题。
6.实现本发明目的的思路是，本发明基于图嵌入思想搭建了导纳参数特征提取网络和散射参数生成网络，实现滤波器的故障诊断和性能调试。首先，将待诊断调试的滤波器抽象为一个无向图，滤波器的每个腔体对应无向图中的相应节点，滤波器的每个耦合路对应无向图中相应的边；然后，搭建一个包括复数卷积编码子网络和复数反卷积解码子网络的导纳参数特征提取网络，为待诊断调试的滤波器每个腔体对应的节点做特征嵌入；最后搭建一个包括图卷积反演子网络和物理演进子网络的散射参数生成网络，图卷积反演子网络在每个节点特征嵌入的基础上，计算当前调试状态所对应的耦合矩阵进行故障诊断，物理演进子网络通过耦合矩阵进一步计算当前调试状态所对应的散射参数和调试量进行滤波器调试。由于本发明方法中导纳参数特征提取网络和散射参数生成网络均为无监督网络，可以直接通过构建的数据集进行训练，训练过程中无需制作额外的数据标签，解决了现有技术难以制作大量数据集的问题。由于本发明方法搭建的导纳参数特征提取网络中的复数卷积编码子网络和复数反卷积解码子网络均采用复数卷积子模块和复数反卷积模块，在特征提取过程中可以提取到复数特征，不需要将散射参数转为实数，解决了散射参数特征提取过程中部分复数特征丢失的问题。由于本发明方法中搭建的散射参数生成网络中图卷积反演子网络综合了滤波器的物理结构，以滤波器的调试腔体为节点生成了邻接矩阵，解决无法实现任意结构滤波器耦合矩阵求解问题，解决了计算高阶滤波器耦合矩阵时出现病态矩阵问题。由于本发明方法中的导纳参数特征提取网络和散射参数生成网络均为神经网络模型，经过训练后，进行滤波器故障诊断时均为矩阵运算，无需额外的迭代优化过程，解决了现有方法需要大量优化迭代过程导致调试时间长的问题。
7.本发明方法的实现的具体步骤包括如下：
8.步骤1，构建导纳参数特征提取网络：
9.步骤1.1，搭建一个由三个结构相同的复数卷积模块级联构成的复数卷积编码子网络，每个复数卷积模块均由两个复数卷积层级联构成；
10.将第一复数卷积模块中的两个复数卷积层的卷积核大小均设置为3
×
1，通道数分
别设置为64、128，步长均设置为1，激活函数均由crelu函数实现；
11.将第二个复数卷积模块中两个复数卷积层的卷积核大小均设置为3
×
1，通道数分别设置为256、128，步长均设置为1，激活函数均由crelu函数实现；
12.将第三个复数卷积模块中两个复数卷积层的卷积核大小均设置为3
×
1，通道数分别设置为64、n+2，n的取值与滤波器的阶数相等，步长均设置为1，激活函数均由crelu函数实现；
13.步骤1.2，搭建一个由三个复数反卷积模块级联构成的复数反卷积解码子网络，三个复数反卷积模块均由两个复数反卷积层级联构成；
14.将第一个复数反卷积模块中两个复数反卷积层的卷积核大小均设置为3
×
1，通道数分别设置为64、128，步长均设置为1，激活函数均由crelu函数实现；
15.将第二个复数反卷积模块中两个复数反卷积层的卷积核大小均设置为3
×
1，通道数分别设置为256、128，步长均设置为1，激活函数均由crelu函数实现；
16.将第三个复数反卷积模块中两个复数反卷积层的卷积核大小均设置为3
×
1，通道数分别设置为64、3，步长均设置为1，激活函数均由crelu函数实现；
17.步骤1.3，将复数卷积编码子网络和复数反卷积解码子网络级联构成导纳参数特征提取网络；
18.步骤2，构建图卷积反演网络：
19.步骤2.1，将微波滤波器抽象为一个无向图，该滤波器的源端、负载端以及滤波器的每个腔体对应无向图中的节点，每个互相耦合路和交叉耦合路对应无向图中的边，得到一个与滤波器结构相对应的无向图，并生成无向图的邻接矩阵；
20.步骤2.2，搭建一个由3个图卷积层级联的图卷积反演网络，将第一至第三图卷积层中的邻接矩阵采用无向图邻接矩阵，节点个数均设置为n1+2，通道数分别设置为n1+2、32、n1+2，n1的取值与n相等；
21.步骤3，生成训练集：
22.步骤3.1，将一个微波滤波器的每个腔体随机调试至少30次，同时通过vna采集每次调试的散射参数，得到30
×
n2组的散射参数，n2的取值与n相等；将每组散射参数中的正向反射系数s
11
和正向传输系数s
21
组成该组的散射参数集，将30
×
n2组散射参数集组成散射参数训练集ds；
23.步骤3.2，将每组散射参数转换为导纳参数，得到转换后的30
×
n2组导纳参数，将每组转换后导纳参数中的正向输入导纳y
11
、正向转移导纳y
21
以及相对应的采样频率f组成该组导纳参数集，将30
×
n2组导纳参数集组成导纳参数训练集dy；
24.步骤4，交替训练导纳参数特征提取网络和图卷积反演网络：
25.步骤4.1，将导纳参数训练集dy输入到导纳参数特征提取网络中，复数卷积编码子网络输出导纳特征，复数反卷积编码子网络输出预测导纳参数；将训练集dy作为导纳参数特征提取网络的导纳参数标签，选择均方误差损失函数，计算所有预测导纳参数和对应输入的导纳参数标签之间的损失loss1，利用反向传播梯度下降法，更新导纳参数特征提取网络各层中的参数；
26.步骤4.2，将复数卷积编码子网络输出的导纳特征输入到图卷积反演网络中，输出所有导纳参数训练集dy对应的预测耦合矩阵，通过预测耦合矩阵计算所有导纳参数训练集dy
对应的预测散射参数；将训练集ds作为图卷积反演网络的散射参数标签，选择均方误差损失函数，计算所有预测散射参数和对应输入的散射参数标签之间的损失loss2，利用反向传播梯度下降法，更新图卷积反演网络各层中的参数；
27.步骤4.3，重复步骤4.1和4.2，直到loss1和loss2均收敛为止，得到训练好的导纳参数特征提取网络和图卷积反演网络；
28.步骤5，对待诊断和调试的微波滤波器进行故障诊断和调试：
29.步骤5.1，利用vna测量待故障诊断和调试微波滤波器的散射参数，采用与步骤3.2相同的方式，将测量的散射参数转换为导纳参数后再输入到训练好的导纳参数特征提取网络中，输出导纳特征；将导纳特征输入到训练好的图卷积反演网络中，输出测量散射参数对应的耦合矩阵m，计算m与微波滤波器设计耦合矩阵的差值，得到差值矩阵；
30.步骤5.2，判断差值矩阵中的所有元素的绝对值是否全小于ε，ε是在[0.05，0.3]范围根据实际滤波需求设定的误差值，若是，则执行步骤6，否则，将微波滤波器判定为有故障后执行步骤5.3；
[0031]
步骤5.3，利用耦合矩阵m应用空间映射法，计算微波滤波器当前状态的调试量，根据该调试量调试微波滤波器后执行步骤5.1；
[0032]
步骤6，将微波滤波器判定为无故障，结束调试，得到一个无故障的微波滤波器。
[0033]
本发明与现有技术相比具有以下优点：
[0034]
第一，本发明构建了由复数卷积编码子网络和复数反卷积解码子网络级联的导纳参数特征提取网络，导纳参数特征提取网络中所有特征提取模块为复数卷积模块和复数反卷积模块，克服了现有方法在提取复数特征时部分特征丢失的问题。由于不必再将散射参数转为实数，导纳参数特征提取网络可以直接提取复数特征，保留了复数特征，克服了现有技术在计算高阶滤波器耦合矩阵病态的问题，使得本可以实现高阶滤波器故障诊断以及性能调试。
[0035]
第二，本发明结合待诊断和调试的微波滤波器结构构建了图卷积反演网络，将待诊断调试的滤波器抽象为一个无向图，滤波器的每个腔体对应无向图中的相应节点，滤波器的每个耦合路对应无向图中相应的边。克服了现有技术中无法实现任意结构滤波器耦合矩阵的提取问题，使得本发明可以实现任意结构的滤波器故障诊断和性能调试，适用范围更广。
[0036]
第三，本发明构建的导纳参数特征提取网络和图卷积反演网络一种无监督网络，在训练过程中不需要额外的数据标签，可以直接使用输入数据进行训练。克服了现有技术中制作大量数据集难的问题，使得本发明生成数据集过程简单可行，训练导纳参数特征提取网络和散射参数生成网络成本更低；其次，导纳参数特征提取网络和图卷积反演网络完成训练后，所有的计算诊断过程均为矩阵计算，无需额外的迭代优化过程。克服了现有方法在调试过程中需要大量优化迭代过程计算调整量的问题，使得本发明在调试过程的计算时间更短，实时性更高。
附图说明
[0037]
图1是本发明的方法流程图；
[0038]
图2是本发明实施例中结合滤波器物理结构构建的邻接矩阵示意图，其中，图2(a)
是待调试的六阶的腔体滤波器示意图，图2(b)是待调试的六阶的腔体滤波器抽象的无向图；
[0039]
图3是本发明实施例中导纳参数特征提取网络和图卷积反演网络的连接方式示意图。
具体实施方式
[0040]
下面结合附图和实施例，对本发明的技术方案和效果做进一步的详细描述。
[0041]
参照图1，并选取一个六阶的腔体滤波器作为故障诊断和性能调试实施例，对本发明实施例的实现步骤做进一步的描述。
[0042]
步骤1，构建导纳参数特征提取网络。
[0043]
步骤1.1，搭建一个由三个复数卷积模块构成的复数卷积编码子网络，三个复数卷积模块均由两个复数卷积层级联构成。
[0044]
第一个复数卷积模块中两个复数卷积层的卷积核大小均为3
×
1，通道数分别为64个、128个，步长均为1，激活函数均由crelu函数实现。
[0045]
第二个复数卷积模块中两个复数卷积层的卷积核大小均为3
×
1，通道数分别为256个、128个，步长均为1，激活函数均由crelu函数实现。
[0046]
第三个复数卷积模块中两个复数卷积层的卷积核大小均为3
×
1，通道数分别为64个、n+2个，n的取值取决于滤波器的阶数，本发明实施例n的取值为6，步长均为1，激活函数均由crelu函数实现。
[0047]
步骤1.2，搭建一个由三个复数反卷积模块级联的复数反卷积解码子网络，三个复数反卷积模块均由两个复数反卷积层级联构成。
[0048]
第一个复数反卷积模块中两个复数反卷积层的卷积核大小均为3
×
1，通道数分别为64个、128个，步长均为1，激活函数均由crelu函数实现。
[0049]
第二个复数反卷积模块中两个复数反卷积层的卷积核大小均为3
×
1，通道数分别为256个、128个，步长均为1，激活函数均由crelu函数实现。
[0050]
第三个复数反卷积模块中两个复数反卷积层的卷积核大小均为3
×
1，通道数分别为64个、3个，步长均为1，激活函数均由crelu函数实现。
[0051]
步骤1.3，将复数卷积编码子网络和复数反卷积解码子网络级联构成导纳参数特征提取网络。
[0052]
步骤2，构建图卷积反演网络。
[0053]
参照图2，对构建一个图卷积反演子网络的过程做详细的描述。其中，图2(a)为本发明实施例中的六阶腔体微波滤波器的示意图，图2(a)中的s和l分别表示该滤波器的源端和负载端，a、b、c、d、e和f分别表示该滤波器的六个调试腔体，该滤波器每个相邻腔体之间存在互相耦合路，且c腔和f腔之间存在交叉耦合路。将该滤波器抽象为一个如图2(b)表示的无向图，该滤波器的源端、负载端以及滤波器的每个腔体对应无向图中的节点，每个互相耦合路和交叉耦合路对应无向图中的边。
[0054]
搭建一个由3个图卷积层级联的图卷积反演网络，将第一至第三图卷积层中的邻接矩阵采用大小均设置为8
×
8的无向图邻接矩阵，节点个数均设置为8，通道数分别设置为8个、32个、8个。如图3所示的导纳参数特征提取网络和图卷积反演网络的连接方式示意图，
图卷积反演网络的输入为导纳参数特征提取网络中复数卷积编码子网络的输出。
[0055]
所述无向图邻接矩阵的行代表六阶腔体微波滤波器对应无向图中的节点编号，每一列代表该滤波器对应的无向图中节点之间的连接关系，其生成方式为：若该滤波器对应的无向图中各节点之间存在边，则邻接矩阵对应位置元素为1，若无向图中各节点之间不存在边，则邻接矩阵对应位置元素为0。由此得到六阶腔体微波滤波器对应的无向图邻接矩阵如下：
[0056][0057]
其中，aa表示六阶腔体微波滤波器对应的无向图的邻接矩阵，s、l、a、b、c、d、e和f分别表示六阶腔体微波滤波器对应的无向图的节点编号。
[0058]
步骤3，生成训练数据集。
[0059]
步骤3.1，为了使构建的导纳参数特征提取网络和图卷积反演网络收敛，达到更高的故障诊断准确率和更好的调试效果，将本发明的实施例中的六阶腔体微波滤波器调试螺栓随机调试300次，同时通过vna采集每次调试的散射参数，得到300组散射参数。将每组散射参数中的正向反射系数s
11
和正向传输系数s
21
组成该组散射参数集，将300组散射参数集组成散射参数训练集ds。
[0060]
步骤3.2，按照下式，将每组散射参数转换到导纳参数，得到转换后的300组导纳参数：
[0061][0062][0063]
其中，y
11i
和y
21i
分别表示第i组散射参数转换后的导纳参数组中的正向输入导纳和正向转移导纳，i＝1，2，3，...，300，s
11i
、s
22i
、s
21i
、s
12i
分别表示第i组散射参数中的正向反射系数、反向反射系数、正向传输系数、反向传输系数。
[0064]
将每组转换后导纳参数中的正向输入导纳y
11
、正向转移导纳y
21
以及相对应的采样频率f组成该组导纳参数集，将300组导纳参数集组成导纳参数训练集dy。
[0065]
步骤4，交替训练导纳参数特征提取网络和图卷积反演网络。
[0066]
步骤4.1，设置训练超参数，训练批大小batch-size设置为20，学习率lr设置为0.00001。
[0067]
步骤4.2，将导纳参数训练集dy输入到导纳参数特征提取网络中，将复数卷积编码子网络输出的导纳特征输入到复数反卷积编码子网络中，得到预测导纳参数。导纳参数特
征提取网络是一个无监督式学习网络，将训练集dy作为导纳参数特征提取网络的导纳参数标签，损失函数选择均方误差损失函数，计算所有预测导纳参数和对应输入的导纳参数标签之间的损失loss1。
[0068]
所述的均方误差损失函数如下：
[0069][0070]
其中，loss1表示所有预测导纳参数和对应输入的导纳参数标签之间的损失，∑表示求和操作，|
·
|表示求绝对值操作，n表示输入到导纳参数特征提取网络中导纳参数训练集dy的样本总数，本发明实施例中n的取值为300，k表示导纳参数训练集dy中样本的序号，k＝1，2，3，...，300，yk表示导纳参数训练集dy中的第k个样本预测的导纳参数，xk表示导纳参数训练集dy中的第k个样本对应的导纳参数标签。
[0071]
步骤4.3，将导纳特征输入到图卷积反演网络中，得到所有导纳参数训练集dy对应的预测耦合矩阵，按照下式，计算所有导纳参数训练集dy对应的预测散射参数：
[0072][0073][0074]
其中，mk表示第k个样对应的预测耦合矩阵，s
21k
(f)和s
11k
(f)分别表示由mk计算得到的预测散射参数中的正向反射系数、正向传输系数，j表示虚部单位，r1、r2分别表示微波滤波器的源阻抗、负载阻抗，bw、f0分别表示期望带宽、中心频率，均是滤波器的设计参数。本发明实施例中，r1＝1、r2＝1、bw＝0.2ghz、f0＝9.97ghz，i表示n+2阶单位阵，r表示归一化阻抗矩阵，大小为(n+2)
×
(n+2)，其中元素r
11
＝1,r
n+2,n+2
＝1，其它元素都为0。
[0075]
步骤4.4，计算所有预测散射参数和对应所有散射参数ds之间的均方误差损失loss2。利用反向传播梯度下降法，每次迭代过程中，先计算导纳参数特征提取网络损失loss1，更新导纳参数特征提取网络各层中的参数，再将导纳参数特输入到图卷积反演网络计算损失loss2，更新图卷积反演网络各层中的参数。迭代直到loss1和loss2均收敛为止，得到训练好的导纳参数特征提取网络和图卷积反演网络。
[0076]
步骤5，对六阶腔体微波滤波器进行故障诊断和调试。
[0077]
步骤5.1，利用vna测量待故障诊断和调试的六阶腔体微波滤波器的散射参数，采用与步骤3.2相同的方式，将测量的散射参数转换为导纳参数后再输入到训练好的导纳参数特征提取网络和图卷积反演网络，计算出测量散射参数对应的耦合矩阵m，计算m与六阶腔体微波滤波器设计耦合矩阵的差值，得到差值矩阵。
[0078]
步骤5.2，判断差值矩阵中的所有元素的绝对值是否全小于ε，若是，则执行步骤6，否则，将微波滤波器判定为有故障后执行步骤5.3，本发明实施例中，ε＝0.1。
[0079]
步骤5.3，利用耦合矩阵m应用空间映射法，计算微波滤波器当前状态的调试量，根据该调试量调试微波滤波器后执行步骤5.1。
[0080]
步骤6，将微波滤波器判定为无故障，结束调试，得到一个无故障的微波滤波器。