一种基于混沌约简算法的雷达故障诊断分析

3 雷达故障诊断方法描述

3.1 雷达故障诊断决策系统的定义

一个雷达故障诊断决策系统可以用

，

来表示，其中：
(1)U为非空有限集，称故障状态域;
(2)C，D均为非空有限集，分别称为故障征兆属性集合与故障决策属性集合，且

;
(3)对每一个

有一个映射

，这里Va是故障征兆属性的值域。按照上述定义可知，故障状态域的每个实例，对应故障的某个状态，而描述该状态的若干征兆用集合C表示，对每一个状态的故障类型的评价用故障决策属性集合D表示。

3.2 雷达故障诊断过程

首先需要获取雷达故障诊断决策规则，规则的获取根据已知数据样本获得初始的知识表达系统，消除决策信息系统中的重复成员，使其不含有属性及属性值相同的成员。
               
通过知识约简获取故障诊断规则，建立故障诊断决策规则库，如图1所示，具体方法如下：


(1)提取用于训练的数据变为符合粗糙集理论要求的决策表系统

，

，其中

， 是对象的有限集合，即故障域，C为条件属性集合，即故障征兆属性集合，D为决策属性集合，即故障决策属性集合;

(2)利用领域知识，对条件属性值进行量化处理;
(3)样本相容性检查，删除不相容的样本;
(4)利用知识的充分性理论对样本进行简化，消去样本集中的重复信息;
(5)利用混沌遗传算法求出最小的条件属性集;
(6)根据最小的条件属性集和相应的原始数据，建立故障诊断规则库;
(7)根据故障诊断规则库建立故障诊断决策网络。

运用上述获得的决策规则网络进行故障诊断，对已知的故障问题进行预处理，然后根据得到的故障征兆值在网络中进行匹配，得到故障诊断的决策属性。

3.3 应用实例

首先以某型雷达显示组合的故障为例来说明诊断规则的获取步骤。表1为根据以往运行数据获取的故障诊断决策信息系统。

其中，k为样本个数，



，为该显示组合的6个故障样本，每个样本个数为k，



表示显示器的5个征兆属性的集合，其中a表示F脉冲，b表示锯齿波脉冲，c表示距离标志信号，d表示速度标志信号， e表示M1标志，表1中数值为0表示有此症状，数值为1说明不含此症状，数值为2说明此症状不稳定。D={g}表示决策属性集，其中


表示某相关插件1、2、3有故障。

按照上所述算法对表1进行约简可以得到如下最小约简结果


，

，


。任选一个约简可得如表2所示的简化决策表。从表2中可以很方便地抽取到3条规则，分别是

规则1： if (a=1 and e=0) or (a=1 and c=0) then g=1;
规则2： if (a=1 and c=1 and e=0) or (a=0 and c=1 and e=1) then g=2;
规则3： if (c=1 and e=1) or (a=1 and e=1) then g=3。

获得规则后再分两种情况进行实验，(1)采用所有属性的知识库模型，即传统知识库;(2)基于混沌遗传算法获得的知识库，即遗传约简知识库。以该雷达的自检软件为平台，对3种知识库进行测试，测试样本数为100，其结果如表3所示。



由表3可见，采用传统的知识库进行故障诊断正确率较低，据判样本数较大，诊断速度较慢，这是由于传统的知识库具有冗余的信息且无法判断具有不确定信息的样本;采用遗传约简知识库进行故障诊断具有正确率较高，据判样本数较小，且诊断速度较快的特点，能够满足雷达故障诊断的要求。

4 结论

本文探讨了混沌遗传算法在雷达故障诊断中的应用，提出了一种基于知识依赖度为启发信息的改进自适应遗传算法的属性约简算法，目的在于解决传统故障诊断方法中难以自动获取诊断规则这一难题。本算法在随机产生的二进制初始种群中以属性核加以限制，并增加了基于知识依赖度的个体修正策略，加强了局部搜索能力的同时保证遗传算法的全局搜索在有效的可行解空间进行，缩短算法的计算时间，并提高决策表属性约简结果的准确性。

基于自适应遗传约简的知识理论可以对其故障原因进行提炼，获取简单而又能体现故障征兆与故障原因对应的规则。应用实例的结果表明，对于复杂系统该方法可以简化结构，并有效的提高诊断系统的速度与效率。

参考文献：
[1]李合平,王志云,黄允华.基于d-s证据理论的雷达故障诊断方法[J].系统工程与电子技术. 2005, 27(8):1379-1383
[2]zhou j, liu b. new stochastic models for capacitated location-allocation problem[J]. computers & industrial engineering. 2003, 45(1):111-125
[3]刘洲洲.基于遗传算法的足球机器人路径规划[J].电子产品世界.2013,21(2):28-29
[4]潘伟,刁华宗,井元伟.一种改进的实数自适应遗传算法[J].控制与决策. 2006, 21(7):792-795