一种超外差接收机的自适应故障检测和诊断方法及装置与流程

本发明涉及超外差接收机故障检测领域，特别涉及一种超外差接收机的自适应故障检测和诊断方法及装置。
背景技术：
：超外差接收机作为电子设备接收信息的装备在电子信息系统中得到广泛应用，小到收音机大到雷达接收器，超外差接收机均在相应设备中起着关键的作用。然而作为国防和军队建设的重要组成部分，电子信息系统由于设备自身的原因会处于复杂的电磁环境中，因此研究典型装备——超外差接收机在复杂电磁环境作用下的故障检测具有直接的和显而易见的效益。超外差接收机是电子信息产品中典型的模块，它常用于远程通信中，超外差接收机具有频率分辨力高、灵敏度高、动态范围宽、测频范围大等特点。由于超外差接收机结构相对简单，可靠性强，已经成为电子情报侦查中必备的测频接收机。在军用电子信息产品使用过程中，一旦超外差接收机发生故障，将对信息的通讯带来极大影响，因此对超外差接收机进行故障检测及诊断具有重要的意义。然而，目前几乎没有关于超外差接收机故障检测与诊断的相关研究。因此本发明对超外差接收机进行研究，为超外差接收机的故障检测与诊断提供方法支持。技术实现要素：根据本发明实施例提供的技术方案解决的技术问题是如何对超外差接收机进行故障检测，并诊断出故障原因。根据本发明实施例提供的一种超外差接收机的自适应故障检测和诊断方法，包括：将输入信号输入至超外差接收机，并由所述超外差接收机对所述输入信号进行处理；利用训练完成的一级广义回归神经网络GRNN，对所述输入信号和所述超外差接收机前一时刻的输出信号进行处理，得到估计输出信号；根据所述估计输出信号和所述超外差接收机当前时刻的输出信号，得到用于故障检测的残差；利用训练完成的二级GRNN，对所述输入信号和所述用于故障检测的残差进行处理，得到自适应阈值；根据所述用于故障检测的残差和所述自适应阈值，确定所述超外差接收机是否发生故障。优选地，所述根据所述估计输出信号和所述超外差接收机当前时刻的输出信号，得到用于故障检测的残差的步骤包括：将所述一级GRNN输出的估计输出信号与所述超外差接收机当前时刻的输出信号作差，得到所述超外差接收机在该时刻的残差。优选地，所述根据所述用于故障检测的残差和所述自适应阈值，确定所述超外差接收机是否发生故障的步骤包括：将所述用于故障检测的残差和所述自适应阈值进行比较，若所述用于故障检测的残差大于所述自适应阈值，则确定所述超外差接收机发生故障。优选地，所述训练完成的一级GRNN通过以下步骤得到：将输入信号输入至正常工作状态的超外差接收机，并由所述正常工作状态的超外差接收机对所述输入信号进行处理；将所述输入信号和所述正常工作状态的超外差接收机的前一时刻的输出信号作为一级GRNN的输入，将所述正常工作状态下的超外差接收机的当前时刻的输出信号作为一级GRNN的输出，对一级GRNN进行训练，得到训练完成的一级GRNN。优选地，所述训练完成的二级GRNN通过以下步骤得到：根据所述训练完成的一级GRNN的估计输出信号和所述正常工作状态下的超外差接收机的当前时刻的输出信号，得到用于训练二级GRNN的残差；将所述输入信号和所述用于训练二级GRNN的残差作为二级GRNN的输入，将期望阈值作为二级GRNN的输出，对二级GRNN进行训练，得到训练完成的二级GRNN。优选地，所述方法还包括对所述超外差接收机的故障进行诊断的步骤。优选地，所述对超外差接收机的故障进行诊断的步骤包括：对用于故障检测的残差进行特征提取，得到所述用于故障检测的残差的时域和频域特征；利用训练完成的概率神经网络PNN，对所述用于故障检测的残差的时域和频域特征进行处理，确定所述超外差接收机的故障类型。优选地，所述训练完成的PNN通过以下步骤得到：对已知故障类型的超外差接收机的残差进行特征提取，得到所述已知故障类型的超外差接收机的残差的时域和频域特征；利用所述已知故障类型的超外差接收机的残差的时域和频域特征，对用于故障分类的PNN进行训练，得到训练完成的PNN。根据本发明实施例提供的存储介质，其存储用于实现上述超外差接收机的自适应故障检测和诊断方法的程序。根据本发明实施例提供的一种超外差接收机的自适应故障检测和诊断装置，包括：超外差接收机，对输入信号进行处理；一级GRNN观测器，用于利用训练完成的一级广义回归神经网络GRNN，对所述输入信号和所述超外差接收机前一时刻的输出信号进行处理，得到估计输出信号；计算模块，用于根据所述估计输出信号和所述超外差接收机当前时刻的输出信号，得到用于故障检测的残差；二级GRNN观测器，用于利用训练完成的二级GRNN，对所述输入信号和所述用于故障检测的残差进行处理，得到自适应阈值；判决模块，用于根据所述用于故障检测的残差和所述自适应阈值，确定所述超外差接收机是否发生故障。优选地，所述装置还包括：特征提取模块，用于对用于故障检测的残差进行特征提取，得到所述用于故障检测的残差的时域和频域特征；PNN分类器，用于利用训练完成的概率神经网络PNN，对所述用于故障检测的残差的时域和频域特征进行处理，确定所述超外差接收机的故障类型。本发明实施例提供的技术方案具有如下有益效果：本发明实施例能够通过基于GRNN的双级观测器产生的自适应阈值和残差来判别超外差接收机是否发生故障，并利用PNN诊断出超外差接收机的故障原因，填补了超外差接收机的故障检测与诊断的空白。附图说明图1是本发明实施例提供的超外差接收机的自适应故障检测和诊断方法原理框图；图2是本发明实施例提供的超外差接收机的自适应故障检测和诊断装置框图；图3是本发明实施例提供的基于观测器和残差分析的超外差接收机自适应故障检测和诊断的流程图；图4是本发明实施例提供的GRNN神经网络结构图；图5是本发明实施例提供的故障观测器的建立；图6是本发明实施例提供的概率神经网络结构模型；图7是本发明实施例提供的超外差接收机仿真模型；图8是本发明实施例提供的正常状态下训练的神经网络残差和自适应阈值；图9是本发明实施例提供的电子放大器故障时的检测结果；图10是本发明实施例提供的中频滤波器故障时的检测结果；图11是本发明实施例提供的本振故障时的检测结果；图12是本发明实施例提供的PNN分类器预测分类结果示意图。具体实施方式以下结合附图对本发明的优选实施例进行详细说明，应当理解，以下所说明的优选实施例仅用于说明和解释本发明，并不用于限定本发明。图1是本发明实施例提供的超外差接收机的自适应故障检测和诊断方法原理框图，如图1所示，步骤包括：步骤S101：将输入信号输入至超外差接收机，并由所述超外差接收机对所述输入信号进行处理。其中，该输入信号可以选取正弦信号。步骤S102：利用训练完成的一级GRNN，对所述输入信号和所述超外差接收机前一时刻的输出信号进行处理，得到估计输出信号。步骤S103：根据所述估计输出信号和所述超外差接收机当前时刻的输出信号，得到用于故障检测的残差。通过将所述一级GRNN输出的估计输出信号与所述超外差接收机当前时刻的输出信号作差，得到所述超外差接收机在该时刻的残差。步骤S104：利用训练完成的二级GRNN，对所述输入信号和所述用于故障检测的残差进行处理，得到自适应阈值。步骤S105：根据所述用于故障检测的残差和所述自适应阈值，确定所述超外差接收机是否发生故障。将所述用于故障检测的残差和所述自适应阈值进行比较，若所述用于故障检测的残差大于所述自适应阈值，则确定所述超外差接收机发生故障，否则，说明所述超外差接收机正常。当步骤S105确定所述超外差接收机发生故障时，所述方法进一步包括对所述超外差接收机的故障进行诊断的步骤，即检测出故障类型的步骤，具体包括：步骤S106：对步骤S103得到的用于故障检测的残差进行特征提取，得到所述用于故障检测的残差的时域和频域特征。步骤S107：将所述用于故障检测的残差的时域和频域特征输入至训练完成的PNN，并利用训练完成的PNN对所述用于故障检测的残差的时域和频域特征进行处理，确定所述超外差接收机的故障类型。上述训练完成的一级GRNN通过以下步骤得到：首先将输入信号输入至正常工作状态的超外差接收机，并由所述正常工作状态的超外差接收机对所述输入信号进行处理，然后将所述输入信号和所述正常工作状态的超外差接收机的前一时刻的输出信号作为一级GRNN的输入，将所述正常工作状态下的超外差接收机的当前时刻的输出信号作为一级GRNN的输出，对一级GRNN进行训练，得到训练完成的一级GRNN。上述训练完成的二级GRNN通过以下步骤得到：首先根据所述训练完成的一级GRNN的估计输出信号和所述正常工作状态下的超外差接收机的当前时刻的输出信号，得到用于训练二级GRNN的残差，然后将所述输入信号和所述用于训练二级GRNN的残差作为二级GRNN的输入，将期望阈值作为二级GRNN的输出，对二级GRNN进行训练，得到训练完成的二级GRNN。上述训练完成的PNN通过以下步骤得到：首先对已知故障类型的超外差接收机的残差进行特征提取，得到所述已知故障类型的超外差接收机的残差的时域和频域特征，然后利用所述已知故障类型的超外差接收机的残差的时域和频域特征，对用于故障分类的PNN进行训练，得到训练完成的PNN。综上，本发明实施例首先进行各个神经网络训练，具体包括：利用输入信号、正常工作状态的超外差接收机的前一时刻和当前时刻的输出信号，对一级GRNN进行训练，得到训练完成的一级GRNN；利用输入信号、正常工作状态的超外差接收机的残差信号，对二级GRNN进行训练，得到训练完成的二级GRNN；利用已知故障类型的超外差接收机的残差，对PNN进行训练，得到训练完成的PNN。然后利用训练完成的一级GRNN和二级GRNN进行故障检测，具体包括：利用训练完成的一级GRNN，对输入信号、未知状态的超外差接收机的前一时刻和当前时刻的输出信号进行处理，得到当前时刻的估计输出信号；利用训练完成的二级GRNN，对输入信号、未知状态的超外差接收机的残差信号(即用于故障检测的残差)进行处理，得到自适应阈值，从而通过比较当前时刻未知状态的超外差接收机的残差与自适应阈值，确定超外差接收机是否发生故障。最后，在确定超外差接收机发生故障时，利用训练完成的PNN，对已知状态的超外差接收机的残差信号的时频域特征进行处理，确定超外差接收机的故障类型。本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，该程序在执行时，包括步骤S101至步骤S107。其中，所述的存储介质可以为ROM/RAM、磁碟、光盘等。图2是本发明实施例提供的超外差接收机的自适应故障检测和诊断装置框图，如图2所示，包括：超外差接收机10，对输入信号进行处理。一级GRNN观测器20，用于利用训练完成的一级GRNN，对所述输入信号和所述超外差接收机10前一时刻的输出信号进行处理，得到估计输出信号。计算模块30，用于根据所述一级GRNN观测器20的估计输出信号和所述超外差接收机10当前时刻的输出信号，得到用于故障检测的残差。二级GRNN观测器40，用于利用训练完成的二级GRNN，对所述输入信号和所述计算模块30得到的用于故障检测的残差进行处理，得到自适应阈值。判决模块50，用于根据所述计算模块30得到的用于故障检测的残差和所述二级GRNN观测器40得到的自适应阈值，确定所述超外差接收机是否发生故障。特征提取模块60，用于对所述计算模块30得到的用于故障检测的残差进行特征提取，得到所述用于故障检测的残差的时域和频域特征。PNN分类器70，用于利用训练完成的概率神经网络PNN，对所述特征提取模块60得到的用于故障检测的残差的时域和频域特征进行处理，确定所述超外差接收机的故障类型。实际应用时，首先进行各个神经网络训练，具体包括：一级GRNN观测器20利用输入信号、正常工作状态的超外差接收机的前一时刻和当前时刻的输出信号，对一级GRNN进行训练，得到训练完成的一级GRNN；二级GRNN观测器40利用输入信号、正常工作状态的超外差接收机的残差信号，对二级GRNN进行训练，得到训练完成的二级GRNN；PNN分类器70利用已知故障类型的超外差接收机的残差，对PNN进行训练，得到训练完成的PNN。然后利用训练完成的一级GRNN和二级GRNN进行故障检测，具体包括：一级GRNN观测器20利用训练完成的一级GRNN，对输入信号、未知状态的超外差接收机的前一时刻和当前时刻的输出信号进行处理，得到当前时刻的估计输出信号；二级GRNN观测器40利用训练完成的二级GRNN，对输入信号、未知状态的超外差接收机的残差信号(即用于故障检测的残差)进行处理，得到自适应阈值，从而判决模块50通过比较当前时刻未知状态的超外差接收机的残差与自适应阈值，确定超外差接收机是否发生故障。最后，在确定超外差接收机发生故障时，PNN分类器70利用训练完成的PNN，对已知状态的超外差接收机的残差信号的时频域特征进行处理，确定超外差接收机的故障类型。下面结合图3至图6，对本发明实施例进一步说明。故障检测与诊断的方法可以分为基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法要求对研究对象的结构机理有很清楚的认识，需要确定准确的数学模型。由于超外差接收机结构复杂，很难准确的获取其物理模型。而基于数据驱动的方法无需精确的系统模型，仅利用监测数据就可以进行故障检测与诊断，近年来在复杂系统中的应用很广泛。胡文金等人利用强跟踪滤波器对液压伺服系统的监测进行实时故障诊断；吕琛等人利用深度学习神经网络对滚动轴承进行故障诊断；60年代初期，为了对控制系统实现状态反馈或其他需要，D.G.吕恩伯格、R.W.巴斯和J.E.贝特朗等人提出状态观测器的概念和构造方法，近年来状态观测器被用在多种控制系统的故障检测上面，2006年Jayakumar和Das提出了一种基于观测器的飞机控制系统故障检测、隔离和重构方法。李晓雄等通过建立一套稳健的自适应观测器，提出了一种飞机控制系统故障隔离和重构的方法；翟秀梅等通过构建故障观测器对飞机环控系统进行故障检测。可见，观测器在复杂系统/装备中的得到了很好的应用。，因此本发明利用观测器进行超外差接收机最终的故障分类。神经网络方法作为一种基于数据驱动的方法，可以实现非线性和鲁棒性的故障检测、隔离和健康评估。在神经网络方法中，广义回归神经网络(GRNN)具有的网络逼近能力更强、处理大样本数据时学习速度和收敛速度更快的特点，可以避免产生局部最小值，用于精确跟踪控制系统模型的改变，并能自适应地改变自身神经网络参数，从而实现超外差接收机的故障检测与诊断。同时，由于超外差接收机受电磁环境的干扰，故障阈值将受到系统输入、随机干扰、参数漂移、建模误差、随机噪声等的影响，传统的基于固定阈值的故障检测与诊断方法已无法满足实际工程应用的需求。因此，利用GRNN神经网络良好的学习能力和鲁棒性，产生故障的自适应阈值来建立自适应阈值故障观测器进行超外差接收机的故障检测。而在超外差接收机故障诊断方面，由于所建立故障观测器能够输出超外差接收机在故障状态时其实际输出和估计输出的差值，即残差，该残差包含了故障模式的信息，因此本发明实施例对残差进行特征提取来进行故障诊断。概率神经网络(PNN)以贝叶决策和密度函数估计为理论基础，广泛应用于模式识别和模式分类领域，其主要思想是用贝叶斯决策规则，即错误分类的期望风险最小，在多维输入空间内分离决策空间。与BP网络相比，PNN的主要优点体现在训练和分类速度上面，因此本发明利用PNN来进行超外差接收机最终的故障分类。图3是本发明实施例提供的基于观测器和残差分析的超外差接收机自适应故障检测和诊断的流程图，如图3所示，首先建立双级GRNN自适应故障观测器(即GRNN双级观测器)对超外差接收机进行故障检，然后通过建立的双级GRNN自适应故障观测器获取各故障模式的残差数据，并对残差数据提取时域和时频域特征，最后利用PNN对超外差接收机进行故障诊断。一、基于GRNN自适应故障观测器的建立1.GRNN神经网络神经网络具有逼近任意非线性函数的特性，可以用于非线性系统的状态识别，而无需基于系统的实际数学模型建立状态识别模型。GRNN神经网络以非线性回归分析作为其理论基础，通过计算具有最大概率值的y，从而实现非独立变量Y对于独立变量x的非线性回归分析。图4是本发明实施例提供的GRNN神经网络结构图，如图4所示，与径向基神经网络不同的是，GRNN神经网络学习速度和逼近速度更快，在处理大量非线性数据上更具优势，此外在结构方面，GRNN神经网络具有四层结构，第一层为输入层，最后一层是输出层，输入层和输出层之间有模式层和求和层两层结构。对应的网络输入X＝[x1,x2,...,xn]T，对应的网络输出为Y＝[y1,y2,...,yk]T。2.建立观测器残差是超外差接收机实际输出值与期望输出值之间的差值，可以定义为如下公式(1)：γi=ui-u^i---(1)]]>其中，γi是残差值，ui是实际输出值，是期望输出值。从公式(1)可以看出，残差大小反映了实际输出值与期望输出值之间的差异。当超外差接收机异常时，实际与期望输出之间的差异就会变大，即残差值变大。当超外差接收机故障时，残差将会超过设定的残差阈值，也就是说，当残差超过预定的阈值时，可以判定系统出现了故障。因此，可以通过比较当前状态的残差与残差阈值的相对大小关系来判断系统是否发生故障。在实际应用中，系统的输出不仅受系统输入指令的影响，往往也会受到参数漂移、建模误差、随机噪声等一些不确定因素以及系统状态、工况条件等的影响。如果忽略这些非故障因素的影响，将造成高虚警率或低故障检测率。为解决该问题，本发明使用自适应阈值方法来消除非故障因素给残差带来的影响。本发明中的每一个观测器都包含两个神经网络，其中一个GRNN神经网络用于估计系统的期望输出以产生残差，另一个GRNN神经网络用于产生自适应阈值。3.残差和阈值产生器图5是本发明实施例提供的故障观测器的建立，如图5所示，建立双级GRNN神经网络观测器。(1)建立一级GRNN神经网络残差生成器。由于超外差接收机是一个整体的系统，很难获取内部组成部分的参数值，因此在GRNN神经网络观测器输入端前增加Z-1环节，以此来模拟真实控制组件输出滞后功能的迟滞环节；采集作动器超外差接收机正常工作状态下的控制信号ci(k)、前一时刻超外差接收机的输出信号ui(k-1)和当前时刻输出信号ui(k)，k＝1,2,3,…,n。将获取的超外差接收机控制信号ci(k)和前一时刻超外差接收机的输出信号ui(k-1)合成一个向量作为GRNN神经网络观测器的训练输入样本，将当前时刻超外差接收机的输出信号ui(k)作为观测器训练的输出样本。将用于网络训练的输入、输出样本归一化处理到[-1,1]之间，设置GRNN神经网络的基本参数，对网络进行训练。训练完成后，保存训练好的GRNN神经网络观测器。接着将控制信号ci(k)和前一时刻超外差接收机的输出信号ui(k-1)合成一个向量并归一化后作为上述训练好的GRNN神经网络观测器的输入向量，则可得到该时刻超外差接收机输出的估计值(即期望输出值)，k＝1,2,3,…,n。将GRNN观测器输出的估计值与采集到的超外差接收机真实输出值ui(k)作差，则可得到超外差接收机该时刻的残差信号r(k)，k＝1,2,3,…,n。(2)建立二级GRNN神经网络自适应阈值产生器。自适应阈值是指故障阈值随着系统输入指令和工况条件的变化而变化，可以通过训练好的GRNN神经网络同步得到。将在一级观测器获取的超外差接收机正常状态下的残差信号r(k)，k＝1,2,3,…,n，定义正常状态下获取的残差信号r(k)为基准残差th。以超外差接收机控制信号ci(k)和正常状态下的残差r(k)为二级GRNN自适应阈值生成器的训练输入向量，以期望的自适应阈值作为网络的输出向量。期望的自适应阈值定义为如下公式(2)：th^=r(k)+b---(2)]]>其中，为期望阈值，r(k)为残差，b是修正因数。训练完成后，保存训练好的GRNN自适应阈值产生器。在完成残差生成器GRNN神经网络的训练之后，就完成了双级观测器的建立，可以用于故障检测。首先，将测试数据输入到GRNN残差生成器，获得此时的残差值；然后将该残差值和控制指令输入到二级GRNN自适应阈值生成器，获得自适应阈值。比较残差和自适应阈值的大小，如果残差比自适应阈值大，则说明该超外差接收机已经故障。二、基于GRNN观测器残差分析的故障诊断1.特征提取在通过构建的GRNN故障观测器获取超外差接收机各故障模式的残差之后，对所获取的残差进行特征提取，包括时域特征和频域特征。时域特征是信号比较直观的特征信息，并且时域特征包含大量可以反映信号基本特征的信息，因此本发明提取超外差接收机的残差的时域特征作为故障特征值。时域特征提取如表1所示。表1.时域特征公式频域特征可以反映信号在频率结构上的变化，但是对于非平稳非线性信号，频域分析就不能反映信号瞬时频率随时间的变化情况，因此本发明对超外差接收机的残差提取时频域的特征。小波包分解可以对信号提供一种更加精细的分析方法，它将频带进行多层次划分，对多分辨率分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，选用小波包分解之后各节点能量的最大值作为原始残差信号的时频域特征。信号X(n)经过小波包变换重构后的多个分量可以形成一个矩阵D，求取该矩阵的奇异值后将该奇异值和信息熵理论结合，通过以下公式(3)计算小波包奇异熵：Wk=-Σi=1k[(λi/Σj=1lλj)log(λi/Σj=1lλj)]---(3)]]>其中，λ为矩阵D的奇异值。小波包奇异熵能够反映出信号的复杂程度，信号越复杂，小波奇异熵越大。另外将小波包分解系数的平均值同时作为残差信号的特征进行计算。2.概率神经网络概率神经网络(PNN)是统计方法与前馈神经网络相结合的一种神经网络模型，它具有结构简单、训练快捷等特点，应用非常广泛。在模式分类中，其优势在于可利用线性学习算法完成以往非线性算法所做的工作，同时又可以保持非线性算法高精度的特点。图6是本发明实施例提供的PNN结构模型，如图6所示，PNN一般由输入层、模式层、求和层和输出层共4层组成，每层由若干单元构成。输入层将训练样本传递给网络。模式层计算输入特征向量与训练集中各个模式的匹配关系，以其距离送入高斯型激活函数得到模式层的输出，通常模式层神经元个数与输入样本矢量的个数(即训练样本数)相同。求和层只是简单地将对应于训练样本中同一类模式层传来的输入进行累加，从而得到输入样本属于该类的最大可能性，而与属于其他类别的模式层单元的输出无关。因此，每一类只有一个求和层单元，求和层单元与只属于自己类的模式层单元相连接，而与模式层中的其他单元没有连接。通过输出层的归一化处理，就能得到各类的概率估计。输出层神经元是一种竞争神经元，每个神经元分别对应于一个数据类型。输出层神经元个数等于训练样本数据的类别数，它接收从求和层输出的各类概率密度函数。概率密度函数最大的那个神经元输出为1，即所对应的一类为待识别的样本模式类别，其他神经元的输出全为0。下面结合图7至图12，对本发明实施例提供的实例进行验证。1、试验数据产生本实施例采用MATLAB/Simulink仿真模型进行超外差接收机实验数据的生成。图7是本发明实施例提供的超外差接收机仿真模型，如图7所示，超外差接收机仿真模型包括信号发生系统、混频器、中频滤波器、低通滤波器、中频放大器等部分。在超外差接收机系统仿真模型故障注入时，选取电子放大器故障、中频滤波器带通减小故障和本振频率偏差故障来进行故障注入，故障注入方式如表2所示。仿真过程中，设置仿真时间为0.1s，仿真采样率为60kHz，每组故障数据供获得6000个采样点。表2仿真模型故障注入方式故障类型故障模式故障注入方式电子放电器故障增益系数减小增益系数从20改为17中频放滤波器故障中频滤波器带通减小带通从465±6kHz改为465±0.5kHz本振故障本振频率偏差本振频率从465kHz改为460kHz2、超外差接收机自适应故障检测在正常状态下，用输入信号和前一时刻的输出作为输入训练GRNN神经网络，并设置阈值参数b＝0.01。图8是本发明实施例提供的正常状态下训练的神经网络残差和自适应阈值，训练效果如图8所示，图中上面的灰色线条代表自适应阈值，下面的黑色线条代表残差，从图8中可以看出，当超外差接收机处于正常状态时，故障阈值(即自适应阈值)始终高于故障残差值(即残差)。将正常状态下训练的神经网络模型作为故障观测器的网络模型，并通过输入故障数据进行超外差接收机的故障检测。当电子放大器故障时，通过将正常的控制信号和前一时刻故障的输出信号作为输入数据输入到观测器中，并得到检测结果。图9是本发明实施例提供的电子放大器故障时的检测结果，从图9中可以看出，观测器输入残差超过自适应阈值，所以检测出超外差接收机发生故障。当中频滤波器故障时，通过将正常的控制信号和前一时刻故障的输出信号作为输入数据输入到观测器中，并得到检测结果。图10是本发明实施例提供的中频滤波器故障时的检测结果，从图10中可以看出，观测器输入残差超过自适应阈值，所以检测出超外差接收机发生故障。当本振故障时，通过将正常的控制信号和前一时刻故障的输出信号作为输入数据输入到观测器中，并得到检测结果。图11是本发明实施例提供的本振故障时的检测结果，从图11中可以看出，观测器输入残差超过自适应阈值，所以检测出超外差接收机发生故障。3、超外差接收机故障诊断在对超外差接收机进行故障检测之后，会检测到超外差接收机发生故障，但是不知道其发生何种故障，因此需要对其进行进一步的故障诊断以确定其故障类型。在建立基于GRNN自适应故障观测器模型对超外差接收机进行故障检测时，已经获取超外差接收机不同故障类型的残差，因此在进行超外差接收机故障诊断时，将其不同故障类型的残差作为数据进行处理。故障诊断的关键步骤之一就是特征提取，因此在获取超外差接收机各故障模式的残差之后，对各故障模式的残差数据进行特征提取。根据前述内容，将残差信号的时域特征和时频域特征作为其故障特征，然后再进行故障诊断。在特征提取时，每个故障模式的残差数据每次选取465个点作为一组数据，每个故障模式共选择275组数据分别进行时域和时频域特征的提取，因此正常状态、电子放大器增益故障、中频滤波器和本振偏差故障下共1100组故障特征，选取每个故障模式下前220组故障特征作为训练数据，训练PNN分类器，然后将每组故障模式下后55组故障特征数据作为测试数据进行测试。图12是本发明实施例提供的PNN分类器预测分类结果示意图，如图12所示，计算得到的分类准确率为96.36％。综上所述，本发明能够对超外差接收机进行自适应故障检测与诊断，首先根据超外差接收机建立基于GRNN的双级观测器，其中一级GRNN神经网络观测器用于估计系统的期望输出并得到残差，二级GRNN神经网络用来产生自适应阈值，通过产生的自适应阈值和残差来判别超外差接收机是否发生故障。由于基于GRNN的双级观测器只能检测超外差接收机是否发生故障，而不能判别发生何种故障，因此本发明将各种故障模式下的残差进行特征提取，然后利用PNN对超外差接收机进行故障诊断，试验结果表明本专利所提方法可以很好对超外差接收机进行故障检测和诊断。尽管上文对本发明进行了详细说明，但是本发明不限于此，本
技术领域：
技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。当前第1页1 2 3