英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
分形天线阵列故障诊断虚拟仪器的设计与开发
摘 要：本文利用Lab-VIEW软件开发了用于分形天线阵列故障诊断的虚拟仪器。根据辐射方向 图考虑天线阵列中的故障。在这项研究中，每个断层的辐射方向图的theta;和增益值在Lab-VIEW中用于曲线拟合。使用MATLAB软件中的Leavenberg Marquard算法为拟合的数据点开发了一个人工神经网络（ANN），并且最小化了均方误差（MSE）。设计的ANN模型已嵌入到虚拟仪器中。拟议的虚拟仪器系统获取测试图作为输入，并针对天 线阵列中存在的若干故障生成输出。分形天线阵列的仿真和测量结果均通过实验验 证。到目前为止，尚未针对分形天线阵列开发此虚拟仪器模型。
关键字：天线阵列，辐射方向图，曲线拟合，人工神经模型，虚拟仪器
1介绍
如今，对高速设备的吸引力正迅速增加。因此，由于天线是 该系统的重要组成部分，因此有必要设计一种用于无线通信系统的高效天线。微带贴片元件是在微波频率下工作的有用天线。尽管它具有许多显着特征，但效率低。因此，已使用不同的技术来提高天线的效率。在矩形贴片之后，引入了圆形贴片，可用于圆形天线阵列设计。仅使用一个自由度（即贴片的半径）来控制微带圆形贴片的尺寸。尽管谐振频率的绝对值已更改，但模式顺序没有变化。
分形天线技术是当今世界中一种新兴的技术。电信系统要求小型，宽带和多频带天线。因此，几种分形几何形状被用来设计这些类型的天线。Mandelbort提出了在工程应用中广泛使用的分形几何体。在分形天线的自相似特性中，图案以不同的比例重复其自身，并且该图案没有尽头。分形结构非常复杂， 但是这些分形结构是通过重复简单的过程来设计的。天然分形的一些例子是河流网络，闪电，血管以及诸如树木，飓风和星系的分支模式。在设计相同或不同的天线阵列时，按几何形状排列贴片元件，以使流经它们的电流具有不同的幅度和相位， 以改善所需方向的辐射特性，而不是电干扰沿不希望的方向的辐射特性。电磁波干扰技术。天线阵列的所有元件的形状通常都相同。虽然这不是必需的，但对于实际应用而言，它变得易于设计和制造天线阵列。这些天线元件具有不同的形状，如偶极，孔径和环形等。天线阵列的性能受阵列元件之间相互距离的影响。高指向性天线阵列可以进行长距离通信。串联馈电网络或公司馈电网络用于天线阵列设计。天线阵列可提供大的天线增益，高的方向性和窄的带有旁瓣的辐射方向图。这些天线阵列用于雷达通信，卫星通信和移动通信。因此，分形天线阵列的设计结合了分形和天线阵列的特性。神经网络用于对RF和微波区域中各种设备的特征进行建模。这些神经网络由大量称为神经细胞的神经元组成。这些单元正在交换被称为动作电位的电脉冲。用神经网络处理信息与人脑相同。该网络由数万亿个相互连接的处理元件（神经元）组成，这些元件同时工作以找到确定问题的解决方案。像人一样的神经网络通过实例学习；因此，应仔细选择示例。可以对它们进行建模以执行特定任务。神经网络具有各种有趣的功能， 例如自适应学习，自组织以及能够以较高的准确度解决非线性和复杂问题的能力，但是在人工神经网络中获得有关权重调整的知识非常困难。模仿生物神经元行为的神经元称为人工神经元。它接受许多输入并相应地生成输出。最常用的神经模型包括三层。其中在输入层和输出层之间存在隐藏层。所有这些层都包含一个或多个节点。信息从一个节点流到下一个节点。 神经网络的工作分为两个阶段，称为训练和测试阶段。在训练模式下，可以对神经元进行特殊输入模式的训练。在测试模式下，当检测到输入模式时，其相关输出即为当前输出。神经网络是各种系统中故障诊断的广泛使用的方法对于信号恢复应用，天线阵列是用过的。在这些应用中，几个微带贴片元件与馈电网络相连。在设计好的天线阵列中，如果一个贴片元件出现故障，则将导致辐射方向图发生不可接受的失真。因此，这是大型天线阵列中的关键问题。有源天线中也存在辐射方向图失真，但可以通过改变它们的馈电分配来恢复。许多技术如果我们知道天线阵列中故障元件的位置，只有这样，才能使用不同的技术。有源天线使用校准系统来识别天线阵列中的损坏元件。这些校准系统可以轻松控制系统组件。19但是，校准工具的故障会导致系统组件不受控制。在小型应用中，校准系统不是首选，因为这些系统会影响成本，重量和体积。由于室外条件下天线阵列上存在各种环境因素，导致辐射方向图发生失真。通过将灰尘和雨水的绝缘层放在散热片上来进行仿真。已经观察到频率从其谐振频率偏移。随着频率的变化，回波损耗也发生变化。但是，辐射方向图曲线没有显着变化。因此，在这项工作中引入了饲料的不连续性，这导致旁瓣的数量和水平增加，因此功率模式发生了急剧变化。虽然已经开发了用于微带天线阵列故障诊断的人工神经网络模型，但是到目前为止，尚未设计出虚拟仪器模型用于圆形贴片分形天线阵列的故障诊断。在目前的工作中，已经利用HFSS软件设计了分形天线阵列，并获得了辐射图的不同矩形图。在设计的虚拟仪器模型中，曲线拟合功能已应用于获得的辐射方向图振幅值。已经开发了用于曲线拟合系数的神经模型。该模型的输出给出有关天线阵列中损坏的元件位置的信息。在设计的虚拟仪器模型中，前面板指示器已显示天线阵列中的故障元件。
2 建议的方法
该方法由具有圆形贴片的分形天线阵列设计，曲线拟合，神经网络模型开发和虚拟仪器设计组成。
2.1分形天线阵列设计
使用以下方程式，用相对介电常数（εr）为4.4且厚度h = 1.6 mm的FR-4介电材料设计了圆形分形贴片。
其中fr= 2.7 GHz（谐振频率），vo= 3times;108m / s（光的自由空间速度），εr= 4.4（介电常数），h = 1.6 mm（基板高度）。从等式1和2计算出圆形贴片的有效半径（ae）。天线阵列是通过将四个分形贴片与单个馈电网络相结合而设计的。公司馈电网络已被用于设计4times;1圆形分形天线阵列。这四个贴片之间的距离为lambda;/ 2。公司馈电网络中使用lambda;/ 4变压器，用于50Omega;微带线和100Omega;传输线之间的阻抗匹配。设计的天线阵列如图1所示。设计的天线阵列已经使用HFSS软件进行了仿真，并且已经实现了多频带响应。设计天线阵列的仿真和测量结果如
图2和图3所示。从图2和图3中可以看出，最小S11参数的值为-25.2292 dB，最大增益为12.13 dB。
2.2 故障分析
在设计天线阵列之后，由于馈电的不连续而在天线阵列中引入故障。因此，将补片从馈源上断开，但它仍存在于基板上，并使用HFSS软件模拟了设计有故障的天线阵列。天线阵列中的每个故障元件都实现了多频带响应，但是在以0 度0开始和以90度0结束的角度theta;的不同值处获得了不同的辐射方向图，相差5度。故障的最大数量限制为四个。下表1给出了天线阵列中故障元件的特性。从具有故障的天线阵列的不同辐射方向图的模拟曲线，可以从-1800至1800的各个theta;theta;值获得增益值。而且没有故障。从这些曲线可以看出，观察到，在天线阵列中出现的不同故障下，增益幅度减小而旁瓣电平增大，这会导致辐射方向图损坏。
2.3神经模型的发展
为了诊断设计天线阵列中存在的故障，已使用前馈传播（FFBP）算法。该算法提供两种模式的训练，即正向传播模式和反向传播模式。神经网络在正向模式下接受输入，并通过保持固定的网络权重来实现输出响应。在反向传播模式下，错误训练会传回到先前的广播模式，并根据产生的错误更改权重。发达的神经网络是三层结构，即输入层，隐藏层和输出层。在隐藏层中，h是神经元数目，bh= [B1，B2，B3，hellip;hellip;，Bn]隐藏层中存在的神经元的向量。输出层具有一个输出神经元，其偏置向量B0。hth神经元的隐藏层输出Oh如下
在以上方程中，f1和f2表示S型函数。W是权重向量，X是输入向量。神经网络的期望输出值与实际输出值之差给出了误差量。通过更改神经网络来训练神经网络直到获得误差最小的输出值为止的神经元数。均方误差如下：
其中Tk和Yk分别称为期望和神经网络输出。通过MATLAB的曲线拟合工具箱获得系数，该系数用于准备人工神经网络的数据字典。 已经对93个辐射方向图样本进行了验证。
选择每个样本都会生成37个系数，因此我们有93times;37 = 3441个数据值。现在，这些数据值已在MATLAB工作区中使用，而神经网络工具已用于生成神经网络模型，如下所示：
如图4所示。 从a0到a36有37个输入神经元，还有4个输出神经元f1，f2， f3和f4。在发达的神经网络模型中，总共有93个样本，其中使用了65（70％）个样本，14（15％）个样本和14（15％）个样本分别进行培训，验证和测试。该模型包含一个隐藏层。提出的ANN模型采用LM算法训练，并评估了用于检测圆形分形天线阵列中存在的故障的性能。在神经模型中，更改隐藏层神经元的数量以实现最小错误和最佳故障分类。
2.4 虚拟仪器的设计与开发
实验室虚拟仪器工程工作台是用于视觉编程语言的系统设计平台和渐进环境。它包含两个部分：原理图设计和输出显示窗口。由各种块组成的示意图设计，例如输入，曲线拟合，MATLAB脚本节点，比较器和指示器。它显示了设计的分形天线阵列中用于故障检测的图形视图和输出显示
窗口显示曲线拟合系数，神经网络输出和发光指示器。为了诊断分形天线阵列中存在的故障，原理图设计如图5所示。在虚拟仪器设计中，将输入测试图案提供给曲线拟合块。样条曲线插值曲线已拟合到输入测试数据上。下图6和图7显示了分形的拟合曲线天线阵列中无故障且天线阵列中有故障的天线阵列。在虚拟仪器的示意图设计中，通过从曲线拟合块中的可用曲线中选择特定曲线，将曲线拟合到原始曲线上。在该工作样条中，已将插值曲线拟合到原始曲线上。这称为分段线性插值。假设[x，y]是一个间隔，该间隔被分成子间隔[kj，kj-1]，其中对于k0= x和kp= y，j = 1，2hellip;，p 。在[x，y]上定义了一个分段方程，它等于[x，y]的每个子间隔[kj-1，kj]上的多项式方程，其中j = 1,2，hellip;，p，但每个子间隔将使用不同的方程式。用样条方程拟合曲线，并为每个辐射方向图样本生成37个系数。收集这些系数值，并在MATLAB中开发神经网络模型。在发达的神经模型中，在输入层使用37个神经元，在输出层使用4个神经元。在输入层和输出层之间使用了一个隐藏层放置图层。为了分析神经网络的性能，在隐藏层中使用了12个神经元。这种开发的神经网络代码封装在拟议的虚拟仪器设计的MATLAB脚本中。然后，神经网络输出将显示在输出响应窗口中。在比较器中将这些输出与预设的定义值0.5进行比较。如果神经网络输出大于0.5，则比较器将给出高输出，并且相应的红色LED指示灯将点亮以显示故障。
3 结果和讨论
3.1 均方误差
神经网络输出和期望值之间的平均平方差称为均方误差（MSE）。培训，验证和测试的性能图如图8所示。上图给出了有关均方误差的信息，并且已经表明，人工神经网络在第14阶段给出的最佳验证输出值为0.0055038。
3.2 回归
回归值衡量目标值与神经网络输出之间的相关性。它给了关系在期望值和输出值之间。对于随机关系，回归值为0，对于紧密关系，回归值为1。用于训练的回归图。验证和测试如图9所示。此外，表2给出了用于检测分形天线阵列中故障元素的设计神经网络的性能参数。
在上面的曲线图中，已经表明已经实现了0.98017的总体回归值。
3.3分形天线阵列中的故障显示
将输入模式提供给经过训练的ANN模型进行测试，并生成输出。在显示的神经输出中，第三输出的值为0.639479，大于0.5表示目标值1，而其他值为0.109256、0.362852和-0.019934小于0.5表示目标值0、0、0。表明设计天线存在故障数组是由于第三个元素故障。输出响应窗口如图10所示，显示曲线拟合系数和神经网络输出。LED指示器用于显示天线阵列中存在的故障。发光的红色指示灯在天线阵列中显示第三个故障元件位置，绿色的指示灯表明在第一，第二和第四位置没有故障。
3.4 拟议工作与现有工作的比较
从不同研究论文的研究中，已经观察到许多技术，例如MLP神经网络，快速傅立叶变换（FFT），萤火虫，BAT和受自然启发的布谷鸟搜索算法等已用于各种类型天线阵列的故障检测。在所
有这些技术中，还没有开发出虚拟仪器模型来找出缺陷阵列在天线阵列中的位置。这种设计的虚拟仪器的输出响应窗口显示缺陷贴片在天线阵列中的位置。表3给出了拟议工作与现有工作的比较。
4 结论
设计了带有圆形贴片的分形天线阵列，并针对天线阵列中有无故障元件的辐射方向图进行了仿真。使用辐射方向图输入样本进行曲线拟合，并以反向传输的方式用LM算法训练已开发的神经模型，以从设计的天线阵列中损坏的辐射方向图中找到故障元素。因此，提出的简单虚拟仪器设计用于可视化查看结果。因此，它是一种智能有效的诊断系统，可用于检测天线阵列中存在的故障。这项工作可以进一步扩展以发现大型天线阵列中的故障。
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239913]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
