臭氧激光雷达硬件故障数据的识别方法 下载: 1030次
1 引言
臭氧激光雷达是一种结合激光技术、光电技术和信号处理技术的观测技术,具有细节变化能力强、自动化程度高等优点,已被广泛应用于环境监测、空气质量预报和大气探测等方面。随着臭氧激光雷达在大气探测领域重要性的不断提升,激光雷达组网应运而生,提供了更多的大气探空数据。而雷达数据的质量对上述应用的准确性有重要的影响,只有进行质量控制,才能保证探测数据的可靠性,进而满足各种业务的应用需求。然而,臭氧激光雷达的发射系统和接收系统等硬件出现的故障,常常会导致错误探测数据的产生,这将直接影响回波数据的可靠性;异常的回波数据,也将会直接影响后续反演结果的准确性。
雷达数据质量控制方法研究,目前主要集中在对多普勒天气雷达等气象数据的数据质量控制方法的研究[4-9],刘洋等[10]研究了低盲区杂散光对激光雷达系统信号质量的影响,李博等[11]研究了拉曼激光雷达测温的综合多级质量控制技术,而对臭氧激光雷达的数据质量控制方法的研究较少。在雷达硬件故障对数据的影响研究方面,潘新民等[12]研究了多普勒雷达强度定标故障的回波特征和诊断方法,胡东明等[13]对私服系统故障的回波特征进行了分析,这些研究主要是对故障原因的排除方法进行总结,并没有给出雷达故障数据的识别和控制方法。随着臭氧激光雷达站点的不断增加及雷达资料的广泛应用,故障数据对其他业务系统的影响也越来越大,因此对硬件故障导致的臭氧激光雷达数据质量控制的方法研究也就愈发紧迫和重要。
臭氧激光雷达作为一种长时间连续运行的设备,受工作环境和配件质量等因素的影响,硬件故障不可避免。臭氧雷达在外场的运行过程中出现的硬件故障主要包括:激光器能量下降、高反镜片损坏、光路失调、拉曼管损坏,这4种硬件故障占臭氧雷达所有硬件故障的90%以上。同样,出现的这些部件故障都会导致回波形态的异常。本文所用的大气臭氧探测激光雷达是由中国科学院安徽光学精密机械研究所自主研制的一款利用差分吸收技术探测大气中不同高度臭氧浓度的高精度设备。本文对大气臭氧探测雷达在2016年1月至2018年7月期间由雷达硬件故障导致的异常回波数据特征进行分析,经过统计,从2016年1月至2018年7月雷达正常开机时段,平均每年出现3~5次硬件故障。并给出了基于模糊逻辑[1-3]的雷达硬件故障导致错误回波数据的质量控制方法。
2 硬件故障数据识别方法
硬件故障常常导致雷达数据回波形态和回波强度发生突变,与正常的回波相比,硬件故障导致的雷达数据错误具有突发性,常常使相邻的回波形态发生较大的变化,而正常的回波信号在时间和空间上的发展均具有一定的延续性。因此,通过相邻回波信号的回波特征参数的比较,可以较好地识别出数据的错误。同时,硬件故障导致的数据错误往往具有连续性,在故障排除前,这种错误数据将会持续存在。因此,还需要与临近的正常数据进行相关性比较才能识别出错误数据。
本研究利用
式中:A和B分别代表两个回波信号,
式中:
图 1. 无硬件故障数据的Z/Z-及r的概率统计分布曲线。(a) Z/Z-;(b) r
Fig. 1. Probability statistical distribution curves of Z/Z- and r of data without hardware failure. (a) Z/Z-; (b) r
图 2. 有硬件故障数据的Z/Z-及r概率统计分布曲线。(a) Z/Z-;(b) r
Fig. 2. Probability statistical distribution curves of Z/Z- and r of data with hardware failure. (a) Z/Z-; (b) r
从
用抛物线分布的偏大型折线
给予
式中:
图 4. Z/Z-及r对应的隶属函数曲线。(a) Z/Z-;(b) r
Fig. 4. Corresponding membership function curves of Z/Z- and r. (a) Z/Z-; (b) r
3 检验、误判分析及算法评估
3.1 检验
利用所提方法,对2016年1月至2018年7月连续工作期间,由中科院安光所自主研发的大气臭氧探测激光雷达出现的由雷达硬件故障导致的雷达故障数据进行识别检验,效果如
表 1. 大气臭氧探测激光雷达硬件故障数据的识别效果
Table 1. Identification effect of hardware failure data of atmospheric ozone detection lidar
|
3.2 误判分析
由
图 5. 误判数据的回波波形图。(a)云;(b)电子学故障;(c)沙尘
Fig. 5. Echo waveform of misjudged data. (a) Cloud; (b) electronic failure; (c) dust
从
表 2. 大气臭氧探测激光雷达正常数据的识别效果
Table 2. Identification effect of normal data of atmospheric ozone detection lidar
|
由
由
图 6. 300~500 m高度处信噪比和臭氧浓度均值的聚类分析图
Fig. 6. Cluster analysis of mean value of SNR and ozone concentration at a height of 300~500 m
表 3. 误判校正后大气臭氧探测激光雷达硬件故障数据的识别效果
Table 3. Identification effect of hardware failure data of ozone detection lidar after misjudgment correction
|
由
3.3 算法评估
通过一些评价指标来评价算法的好坏是一个很必要的工作,本研究采用以下评价指标来评估算法的好坏:准确率(
由(7)式及
因此,基于模糊逻辑的故障数据识别方法,对大气臭氧探测激光雷达硬件故障的大部分故障数据都能很好地识别。部分故障数据没有被准确地识别,这是因为当雷达回波强度和范围特征变化越大时,采用所提方法进行识别的效果也就越好。如果雷达硬件故障对回波波形的影响在合理的限度内,则可能导致对故障数据的漏识别。另外,阈值的选择也会对识别效果产生影响,阈值设置过高,会造成对故障数据的漏判。而对于由天空有云或有霾出现导致的对雷达运行状态的错误识别,可以通过比较300~500 m高度处的信噪比大小来降低误判率。
4 实验结果
为了验证上述方法对硬件故障的识别情况,对臭氧激光雷达在华东理工大学实验期间出现的一次已知的硬件故障进行识别。通过查阅外场维修记录发现,此次故障发生在2018年6月14日左右,取2018年6月11日至2018年6月14日硬件故障期间的411条数据(其中硬件故障数据为129条,正常数据为282条),采用上述方法进行识别检验,识别结果如
表 4. 大气臭氧探测激光雷达硬件故障数据的识别效果
Table 4. Identification effect of hardware failure data of ozone detection lidar
|
由
5 结论
通过对大气臭氧探测激光雷达不同硬件故障的回波特征进行分析,发现雷达出现硬件故障,将会引起回波形态及强度的异常,且这种形态变化不可逆,在故障排除之前,将会一直存在,并可能会使得设备无法正常运行,最终导致数据缺失。因此,在数据完整的前提下,为了实现对臭氧激光雷达出现硬件故障时的数据质量进行控制,可以通过以下两步来实现:利用大气臭氧探测激光雷达回波形态和强度信息对故障数据进行识别,采用强度变化的平均绝对值差和相关系数这两个参数,通过与相邻的正常数据回波参数进行比较,可以较好地实现对大气臭氧探测激光雷达出现硬件故障时产生的回波形态和强度信息错误进行质量控制;为了降低对正常数据的误识别率,进一步提高故障识别率,通过比较误识别数据和因硬件故障导致的故障数据在300~500 m高度处的信噪比均值大小,及设置信噪比阈值的方式来识别其中的正常数据,从而降低了误判率,进一步提高了质控的效果。
所采用的方法也可以用于对雷达状态的实时监控,通过对回波数据信息进行分析,对数据的可用性进行判别,实现对雷达运行状态的实时预警,为及时发现故障、排除故障,及保证设备的正常运行提供参考。
[1] 刘黎平, 吴林林, 杨引明. 基于模糊逻辑的分步式超折射地物回波识别方法的建立和效果分析[J]. 气象学报, 2007, 65(2): 252-260.
[2] 刘增良, 刘有才. 模糊逻辑与神经网络:理论研究与探索[M]. 北京: 北京航空航天大学出版社, 1996.
Liu ZL, Liu YC. Fuzzy logic and neural network: theoretical research and exploration[M]. Beijing: Beihang University Press, 1996.
[3] 赵瑞金, 刘黎平, 张进. 硬件故障导致雷达回波错误数据质量控制方法[J]. 应用气象学报, 2015, 26(5): 578-589.
[4] 朱睿. 多普勒雷达观测资料质量控制方法研究及其应用[J]. 科技创新与应用, 2014( 27): 291.
ZhuR. Research and application of Doppler radar observation data quality control method[J]. Technology Innovation and Application, 2014( 27): 291.
[5] 江源. 天气雷达观测资料质量控制方法研究及其应用[D]. 南京: 南京信息工程大学, 2013.
JiangY. Meteorological radar data quality control study and application[D]. Nanjing: Nanjing University of Information Science & Technology, 2013.
[6] 邹强. 多普勒天气雷达数据质量控制方法探讨[J]. 西南科技大学学报, 2009, 24(1): 56-61.
[7] 马中元, 朱春巧, 刘熙明, 等. CINRAD雷达数据质量控制方法初探[J]. 气象, 2010, 36(8): 134-141.
[8] 陈媛, 陈江民, 毛紫阳, 等. 天气雷达反射率基数据质量控制的几种算法[J]. 气象与减灾研究, 2007, 30(3): 48-51.
[9] 邵楠, 裴翀, 刘传才, 等. 基于图像处理技术自动判别雷达异常产品[J]. 气象科技, 2013, 41(6): 993-997.
[10] 刘洋, 张天舒, 项衍, 等. 低盲区杂散光对激光雷达系统信号质量的影响[J]. 中国激光, 2018, 45(5): 0505001.
[11] 李博, 华灯鑫, 周艳, 等. 拉曼激光雷达测温的综合多级质量控制技术[J]. 光学学报, 2017, 37(4): 0428003.
[12] 潘新民, 柴秀梅, 崔柄俭, 等. CINRAD/SB雷达回波强度定标调校方法[J]. 应用气象学报, 2010, 21(6): 739-746.
[13] 胡东明, 刘强, 程元慧, 等. CINRAD/SA天线伺服系统轴角箱多次故障的分析[J]. 气象, 2007, 33(10): 114-117.
郑朝阳, 张天舒, 范广强, 刘洋, 吕立慧, 项衍. 臭氧激光雷达硬件故障数据的识别方法[J]. 中国激光, 2019, 46(4): 0404004. Zhaoyang Zheng, Tianshu Zhang, Guangqiang Fan, Yang Liu, Lihui Lü, Yan Xiang. Identification Method of Ozone Lidar Hardware Failure Data[J]. Chinese Journal of Lasers, 2019, 46(4): 0404004.