文摘

超外差式收音机是一个类型的设备广泛用于各种电子与信息系统。超外差接收机故障检测和诊断是至关重要的,特别是在噪声环境中。通用故障检测和诊断方案观察员和残差分析的基础上提出了在这个研究。计划,两个广义回归神经网络(grnn)是用于故障检测,与一个作为观察者,另一种自适应阈值生成器;检测到故障通过比较残差和阈值。然后,时间和频域特性提取残留误差的诊断。概率神经网络(并)作为分类器实现故障诊断。最后,模拟电磁环境噪声干扰,仿真模型不同故障条件下建立了噪声干扰测试的有效性和鲁棒性,提出了故障检测和诊断方案。仿真实验结果证明,提出的方法是有效的和健壮的模拟电磁环境。

1。介绍

随着大数据的时代,数据传输中发挥着日益重要的作用。作为一个重要的形式的数据无线传输的电子信息系统,模拟信号在很多特殊的情况下是不可替代的,因为它的高精度速率和简单的信号处理。

在信息系统中,超外差式收音机是一种典型的模拟信号接收装置广泛应用于雷达和各种各样的信号接收器。超外差式收音机已经转换为高频信号的能力。由于其灵敏度高、频率稳定度和简单结构,超外差式收音机已基本上取代了以前所有接收机设计,成为几乎所有的现代无线电接收器的标准配置,以使用频率测量在电子情报侦察接收机为例(1]。尤其在军事领域,超外差式收音机,而更重要的作用。

严重的接收机性能下降可能是由于错误的组件在接收器。由于超外差接收机的重要性,整个信息系统的性能和通信质量将严重影响一旦超外差接收机失败了。超外差接收机性能,因此有效的故障检测和诊断方法是至关重要的增强性能和任务成功率。准确的故障检测技术可以帮助改善不同超外差接收机的可用性和故障检测是至关重要的启动维护行动,以防止系统的彻底失败。与此同时,有效的诊断工具拆卸和更换故障组件,然后提高设备维修的效率。最后,通过综合考虑信息检测和诊断,利用超外差接收机和备件的支持是合理计划保证满意的信息系统的性能。

故障检测和诊断的实现电磁环境对超外差式收音机接收器是一个实际问题面临电子信息设备。然而,很少有研究认识到目前为止在故障检测和诊断超外差接收机噪声情况下。一些相关研究如下。Binu Kariyappa的调查,诊断的方法给出了模拟电路和基于机器学习方法提出了用人工神经网络实现(2]。Khanafseh和Pervan开发了一种通用方法来减轻单个接收机架构的失败载波相位导航(3]。陈等人提出了一种雷达接收机的故障诊断模型,由应用multisignal流图(4]。莫森和El-Yazeed发明了一种模拟电路的诊断方法基于词典和优秀的算法的有效性是证明了软故障模拟5]。Nho等人设计了一个算法和故障检测的操作边界机载GNSS接收机(6]。

然而,大多数这些研究只是适合一个接收器或一些特定的接收机类型,因此不适用于接收器在一个更广泛的意义。为了克服这个缺点,本研究探讨了一种新的故障检测和诊断方法,可以申请最常用的超外差式收音机类型。

该方法受控制系统的故障检测方案。在他们的工作7贾古玛],和达斯提出了飞行控制系统的故障检测技术基于Luenberger观察者。Keliris等人开发了一个非线性observer-based分布式故障检测方法类的相互连接的输入输出非线性系统(8]。普吕尔等人提出了一个故障隔离方法结合结构诊断能力分析与observer-based残余代(9]。这些研究表明,observer-based方法往往有出色的表现,复杂系统的故障检测问题。因此,在这项研究中,一个observer-based故障检测和诊断方法在信息系统中使用自适应阈值采用超外差接收机,探索在新领域的应用技术。

观察者建立获取估计输出,然后实际之间的差异和估计输出作为残差,大量的信息的系统。故障检测是由比较残差的自适应阈值。一种神经网络有效满足观察者和自适应阈值的非线性需求生成器。考虑到非线性拟合广义回归神经网络(GRNN)的能力,它是使用。此外,GRNN比摘要需要较短的训练时间找到最优解(10]。

从模式识别的角度,超外差式收音机的故障诊断的过程模式分类的操作状态。残留误差的特征提取是故障诊断的关键决定故障诊断是否成功。进一步处理残余误差信号,时域和频域分析故障特征的提取应用,然后分类器故障诊断。一个合适的分类器也有更好的影响故障诊断的结果。自概率神经网络(并)是一种广泛使用的算法适用于非线性分类问题和高维度应用程序与训练时间短(11),诊断使用并实现。

解决上述问题,观察者”相结合的方法,自适应阈值生成器,并分类器对所测试的基础上提出了以实现准确的故障检测和有效的诊断,这有利于提高信息系统的操作性能与超外差接收机。此外,在这项研究中提出的方法具有较强的工程适用性和通用性。它与以往的方法相比是更实际的通信领域以来,只有观察者所需的监控数据系统输入/输出,同时,另一方面,GRNN,用作故障的观察者,能够描述几乎所有类型的非线性系统。一般来说,方法是健壮的各种噪音电磁噪声干扰的环境下,由于其自适应自然。

本文的结构组织如下。的仿真模型,给出了一个典型的超外差式收音机2。节3阐述了故障检测和诊断方案。节4,证明了该方法的有效性通过仿真数据的缺点和实验得到的结果随后,和部分5论文总结了一些观点。

2。建模的一个典型的超外差式收音机

图1是一个典型的超外差式收音机的框图包括本地振荡器、混频器、带通滤波器、放大器,解调器和加性高斯白噪声(AWGN)信道。

在信号源系统,该模块是打包成一个子系统,包括原始信号,载波,衰减器,模拟接收信号。无线电信号的天线收集。无线电信号处理如下。首先,接收到的信号送入一个混合器,混合了正弦波称为本地振荡信号。本地振荡器提供了优化变量的混合频率接收到不同的车站。混频器实际外差作用,从而改变传入的无线电频率信号。第二,混合是由中频处理获得的信号(如果)带通滤波器和放大器。如果带通滤波器提供了窄带滤波器和放大器提供了大部分的无线电信号增益。另如果过滤过程的信号再进一步消除频噪音。第三,包络检波器解调信号的滤波器,并提供一个输出原始信号的包络线。 Last, the extracted signal is sent into a low-pass filter. Signal from filter is the system output after being amplified by audio amplifier.

基于超外差式收音机的组成和原理,建立了仿真模型在Matlab / Simulink仿真环境。仿真模型的细节如下:(一)在信号源,载波频率是1000千赫。衰减器模块的参数是0.1。模块模拟衰减造成的传输距离从发射机到接收机。(b)在AWGN信道中,随机白噪声的手段是0,随机白噪声的方差是0.001。噪音是用来模拟电磁环境的干扰。(c)压控振荡器的本地振荡信号是由输入电压控制。建立了一个滑块增益模块,然后本地振荡器的频率是可控的。压控振荡器的静止频率是465千赫。压控振荡器的输入灵敏度是1000 Hz / V。(d)如果过滤器的参数如表所示1。如果放大器的参数是20。上限和下限的包络检波器将inf和0。音频放大器的参数是2。低通滤波器的带宽是6赫兹。

3所示。超外差接收机的故障检测和诊断

图2显示了自适应故障检测和诊断的原理图。

图中所示,在故障检测的阶段,一个观察者与系统基于GRNN美联储系统输入和输出。训练后,估计观测器输出值作为参考。然后残余误差是通过比较它与实际输出。与此同时,其他GRNN生成相应的阈值变化。检测终于意识到通过比较残差和自适应阈值。

后故障检测,故障诊断是基于残差进行故障产生的观察者。三个时域参数和三个频域参数从残差信号中提取。最后,采用并作为分类器实现故障诊断。

3.1。基于GRNN观察者自适应故障检测

3.1.1。广义回归神经网络及其结构

注意,实时故障检测进行电磁环境噪声和干扰将影响超外差接收机的性能。GRNN开发替代传统的神经网络。作为一个前馈神经网络基于非线性回归理论,GRNN有一个简单明了的训练算法,明显不同于摘要(12]。如图3,GRNN神经网络包括四层:一个输入层、一个模式层,一个求和层和一个输出层(13]。

假设网络输入 和相应的网络输出 。每一层详细介绍如下。

(1)输入层。输入层神经元的个数等于输入特征向量的维数。每个神经元都是一个简单的分配单元。网络的输入层直接转移到模式。

(2)模式层。在模式层神经元的数目的训练样本总数 。每个神经元与不同的样本。的神经模式层的传递函数 在(1),是系统的输入。相对应的学习样本吗神经元。因此,神经元的输出是输入之间的平方欧氏距离和相应的训练样本。

(3)求和层。总结有两种类型的求和层。

第一类的功能

这个函数总结所有模式层神经元的输出。传递函数是

第二种类型的功能

所有模式层神经元的输出加权和总结。是的th元素训练样本的输出 。传递函数是

(4)输出层。在输出层神经元的个数等于输出从训练样本特征向量的维数,这是 。求和层分为每个神经元的输出。神经元的输出是th网络元素的输出:

3.1.2。故障观测器和自适应阈值信号发生器的设计

故障观测器和自适应阈值生成器的设计使用中描述的方法(14)如图4。利用两个grnn的方法。第一个GRNN作为一个观察者,它输出估计系统输出。然后定义得到残差估计输出与实际输出之间的差值。其他训练神经网络作为自适应阈值生成器。的输出数据集是由自适应阈值。残差和自适应阈值之间的比较结果可用于判断是否系统有故障。

在培训过程中,系统输入和输出被发送到GRNN获得观察者。残留误差接近0系统在正常运行时,而残余误差增加时,系统是不正常的。

目的构建系统输入之间的关系,输出和阈值。第二个神经网络的训练输入数据集是由系统的输入和输出,和培训输出数据预期的自适应阈值计算使用(7)。

在(7),基线残留误差,从观察者获得在正常情况下,然后呢修正系数。

观察者和自适应阈值发生器可以用来实现故障检测后培训。残留误差低于阈值在正常状态。当系统处于故障状态,剩余误差超过阈值。

3.2。残余误差分析为基础的故障诊断

残留误差的区别是实际产出和估计的输出;因此剩余误差携带大量的故障信息。开发故障诊断基于残差。

3.2.1之上。在时间和频率域特征提取

特征提取是故障诊断的关键问题。正确提取功能可以提高诊断速度和准确度。

时域分析可以描述信号的能量和稳定性。频率分析可以分解信号的细节。考虑简单的时域分析和frequencydomain分析的自适应能力,在这项研究中,提取残留误差的特点结合时域和频域。从而系统的性能将更全面的特点。

三个信号的时域参数,包括峰值、均方根、和平均绝对值,提取。假设一组采样得到的离散数据信号 ;这些参数方程如下。

峰值是

均方根是

平均绝对值

小波变换(WT)和奇异值分解(圣)是通用的方法来提取频域特性。WT是一种有效的方式来处理信号。它可以项目一个信号从时域空间几个频率范围,和数据集的特点是隐含在这些频率范围。信号分解为一个特征矩阵和不同的频率范围可以通过使用WT。和特性通常出现在不同的频率范围(15]。圣言会可以用来提取显著特征的频率范围。它可以将一个矩阵分解成简单而有意义的作品,这可能导致后续分析。矩阵奇异值分解的分解可以表示如下: 在哪里代表左奇异向量,表示右奇异向量,表明对角矩阵的主对角线元素奇异值。

属于同一类别的样本将有类似的奇异值与不同类别样本由圣言将获得不同的奇异值分解(16]。因此,可以利用奇异值来表示一个信号。

在时间和频率域分析之后,超外差接收机的特征向量组成的时域和频域特性。

3.2.2。并通过建立故障诊断

在这项研究中,并通过采用作为故障诊断分类器。径向基函数神经网络,并通过神经网络是一种强大的分类算法的理论基于贝叶斯最小风险准则(贝叶斯决策理论)17]。由于其简洁的训练和分类能力强,并已广泛应用于故障诊断在实际应用18]。与BP神经网络相比,对所测试的优点是,拓扑结构,连接权值和阈值可以设置立即当训练样本是可以实现的19]。

对所测试的总体结构模型如图5。模型包含4层:输入层、图案层,求和层和输出层(20.]。

输入层的特征向量引入网络。模式层计算未知输入和训练样本之间的距离。然后距离改变了激活函数,高斯函数,模式的输出层。神经元的数量总和等于层失效模式的数量。每个神经元数目的一种故障的概率。据估计概率,选择一个输出层神经元在求和层最高的概率神经网络的输出。

在诊断的过程中,使用训练数据训练并通过;神经网络的权值和其他参数创建在学习阶段。在回忆阶段,并利用分类器识别系统状态。

4所示。案例研究

4.1。仿真参数和故障注入

一个正弦信号作为输入信号的模拟。振幅是1和系统输入频率为100赫兹。

根据历史维修数据统计,超外差式收音机的主要故障类型包括放大器故障,振荡器的错,和过滤的错,被送入仿真模型来测试该方法的有效性。

表中列出的故障模式2被引入到仿真模型通过改变一些特定参数的故障组件。故障注入表中列出的细节3。

仿真时间是0.01秒,采样率为600 K / s。正常状态和三种故障状态的数据收集。在每种情况下有6000 6000数据点的系统输入和系统输出的数据点。

4.2。故障检测和结果分析

故障检测,正常使用的系统输入和输出数据训练基于第一GRNN的观察者。的系统输入和输出上一步被作为输入样本的训练数据。的输出样本训练数据是实际系统输出。函数的第一个GRNN神经网络设置为0.01。

正常的数据用于训练第二GRNN生成自适应阈值。系统输入和估计系统输出作为输入样本的训练数据。的输出样本训练数据是预期的自适应阈值的总和基线和残留 。通过多种测试结合经验,的价值设置为0.1。第二个GRNN神经网络的功能传播被设置为0.01。

GRNN神经网络的结构和参数确定后培训。

四个测试进行了验证故障检测方案的有效性。结果如图6- - - - - -9。在每个图,蓝色曲线显示了残留误差,红色曲线自适应阈值。

在测试1,正常超外差式收音机的工作原理。检测的结果显示在图6。残余误差接近于零,低于阈值;因此,结果表明,该系统在正常情况下。

在测试2中,一个电子放大器故障注入系统。检测的结果显示在图7。残留误差变得更大,超过了阈值;因此,结果表明,系统中故障发生。

在测试3,一个振荡器故障注入系统。检测的结果显示在图8。残留误差超出阈值;因此,结果表明,系统中故障发生。

在测试4中,一个过滤器故障注入系统。检测的结果显示在图9。残余误差显著增加,超过了阈值;因此,结果表明,系统中故障发生。

仿真结果表明,残余误差超过阈值时,系统工作异常的干扰环境下噪声的因素。

4.3。故障诊断和结果分析

对于故障诊断,时域特性,包括平均绝对值,均方根、高峰值,由WT-SVD处理和三频域特性,得到残差。数据预处理和提取特征向量包括6个特性之一是600年从每个样本的残差信号。270年从每个剩余误差信号提取特征向量和1080年完全特征向量。

训练并通过840每个故障模式的特征向量选择形式训练数据,和他们的标签组如表所示4。函数的传播并被设置为0.075。

并通过培训后,另240特征向量被用作测试数据来验证该方法的有效性。图10显示故障诊断的结果。在图10,红点的实际标签测试数据,而蓝色的点预测并通过标签。

数字1到60的正常数据。61号120号过滤器错误数据。121号180号是放大器故障数据。181号到240号振荡器的故障数据。正常的测试数据,并通过4测试样本的分类结果不符合实际的标签。在放大器故障数据的测试,并通过所有测试样本的分类结果与实际的标签。在振荡器断层数据的测试,并通过分类的结果2测试样品不符合实际的标签。过滤错误的测试数据,并通过所有测试样本的分类结果与实际的标签。

总共有6测试误判的故障诊断样本240个测试样品,和相应的诊断准确率为97.5%。

5。结论

本文提出了一种通用的故障检测和诊断方法与超外差接收机信息系统。通过建立基于grnn观察者和自适应阈值生成器,超外差式收音机的缺点被残留误差的变化。然后使用剩余误差提取故障特征,并通过采用作为故障分类器来诊断故障类型。仿真实验结果验证了该方法在考虑噪声干扰。结果表明,该方法能有效地检测到超外差式收音机故障和准确诊断故障模式。与此同时,噪声干扰的自适应阈值具有较强的自适应能力。

提议的方法的优势在于,它不仅适用于超外差式收音机,还更复杂的信号接收系统的类似设计转移函数是很难获得的。它也比其他先前的方法由于其强鲁棒性环境噪声和干扰,使任务成功率更高。

然而,未来的工作需要做,使该方法更实用。首先,实际的数据从一个实验室测试超外差接收系统将被应用,而不是模拟模型,进一步验证了该方法的有效性。第二,分类器需要开发实现诊断与多个失败的情况。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(授予号。51605014,51605014,51575021),国防技术基础项目(批准号Z132013B002],中央大学的基础研究基金(批准号YWF-16-BJ-J-18]。