一種腔體濾波器智能調(diào)諧算法及使用該算法的調(diào)諧方法
【技術(shù)領(lǐng)域】
[0001] 本申請涉及工業(yè)機器人和自動化領(lǐng)域，尤其涉及一種腔體濾波器智能調(diào)諧算法及 使用該算法的調(diào)諧方法。
【背景技術(shù)】
[0002] 腔體濾波器是一種無源微波器件，廣泛應(yīng)用于衛(wèi)星通信、中繼通信、雷達、電子對 抗及微波測量儀表中，它的使用對于分離頻譜信息、提高通信質(zhì)量、防止信號串擾有著十分 重要的作用。在腔體濾波器生產(chǎn)過程中，由于工件存在生產(chǎn)誤差，需要調(diào)整調(diào)諧螺桿的位 置，即調(diào)整濾波器內(nèi)的形狀，從而使得腔體濾波器符合規(guī)格要求一一這一工序簡稱為"濾波 器調(diào)諧工序"。
[0003] 當前，"濾波器調(diào)諧工序"主要采用人工操作，即工人使用螺絲刀，觀察矢量網(wǎng)絡(luò)分 析儀顯示的散射參數(shù)(S參數(shù))波形的變化，根據(jù)自己的調(diào)諧經(jīng)驗進行判斷，逐個手動調(diào)諧腔 體濾波器上的調(diào)諧螺桿，直到矢量網(wǎng)絡(luò)分析儀顯示的S參數(shù)波形符合要求。現(xiàn)有的人工調(diào)試 工序極為復雜:一個腔體濾波器由多路諧振腔構(gòu)成，每路諧振腔均有不同的波形輸出的要 求，需要通過幾個至十幾個調(diào)諧桿的高度來調(diào)諧。每個調(diào)諧桿的高度對整體的波形輸出均 有不同的影響，調(diào)諧桿的高度的不同組合也會影響輸出，且所產(chǎn)生影響的規(guī)律難以把握。且 調(diào)試工序還沒有一套規(guī)范固定的程序，能實現(xiàn)快速的調(diào)諧，只能通過人工觀察S參數(shù)波形， 憑借經(jīng)驗，不斷循環(huán)嘗試。據(jù)統(tǒng)計，對于一個調(diào)諧經(jīng)驗比較豐富的工人，調(diào)好一個腔體濾波 器產(chǎn)品，也需要花費30到40分鐘，調(diào)試效率極低。
[0004] 且由于受到前段生產(chǎn)工藝、機械加工精度、手工作業(yè)等的影響，同一款腔體濾波器 產(chǎn)品也存在個體差異。作為一種十分敏感的電子產(chǎn)品，同種腔體濾波器產(chǎn)品的個體差異會 對濾波波形輸出產(chǎn)生較大影響，即同一款腔體濾波器產(chǎn)品并不適用同一種調(diào)諧方式，同一 款產(chǎn)品中的每個個體均需不一樣的調(diào)諧方式。

【發(fā)明內(nèi)容】

[0005] 本申請實施例提供一種腔體濾波器智能調(diào)諧方法，用以解決現(xiàn)有技術(shù)中無法實現(xiàn) 自動化調(diào)諧腔體濾波器，人工調(diào)諧腔體濾波器效率低下、成本高昂的問題。
[0000]本申請實施例采用下述技術(shù)方案：
[0007] -種腔體濾波器智能調(diào)諧算法，其特征在于，包括：
[0008] 設(shè)定目標數(shù)據(jù)并獲取實際數(shù)據(jù)，所述目標數(shù)據(jù)包括待調(diào)腔體濾波器的調(diào)諧指標、 腔體濾波器的調(diào)諧螺桿分布位置、可調(diào)位置限制、調(diào)諧螺桿數(shù)量，所述實際數(shù)據(jù)包括當前腔 體濾波器的S參數(shù)波形；
[0009] 隨機采集S參數(shù)波形樣本數(shù)據(jù)并獲取特征向量；
[0010] 訓練獲得調(diào)諧策略模型，所述調(diào)諧策略模型是增強學習模型與神經(jīng)網(wǎng)絡(luò)系統(tǒng)的融 合，包括狀態(tài)、環(huán)境、獎勵、動作和策略，其中狀態(tài)為當前S參數(shù)波形的降維特征，環(huán)境為待調(diào) 濾波器，動作為濾波器調(diào)諧過程中調(diào)諧螺桿的執(zhí)行動作，策略為"ε_貪婪機制"，根據(jù)策略挑 選動作、執(zhí)行動作獲得新狀態(tài)和對應(yīng)新獎勵值以不斷優(yōu)化策略，使獎勵值達到最佳。
[0011] 優(yōu)選地，隨機采集S參數(shù)波形樣本數(shù)據(jù)并獲取特征向量，包括：
[0012] 隨機調(diào)整腔體濾波器的調(diào)諧螺桿的高度，采集若干狀態(tài)下S參數(shù)波形的原始樣本 數(shù)據(jù)，該樣本數(shù)據(jù)包含各種螺桿高度組合對應(yīng)的S參數(shù)波形；
[0013] 計算采集到的樣本數(shù)據(jù)的協(xié)方差矩陣；
[0014] 利用奇異值分解求出協(xié)方差矩陣的特征向量和特征值，并將特征值按大到小排 序；
[0015] 選取前k個最大的特征值對應(yīng)的特征向量得到S參數(shù)波形的特征向量。
[0016] 優(yōu)選地，選取前k個最大的特征值對應(yīng)的特征向量得到S參數(shù)波形的特征向量，其 中，所述k為5。
[0017]優(yōu)選地，訓練獲得調(diào)諧策略模型，包括：
[0018] 初始化調(diào)諧策略模型，包括設(shè)置待調(diào)濾波器的調(diào)諧指標、神經(jīng)網(wǎng)絡(luò)的各參數(shù)、數(shù)據(jù) 儲存空間大小、樣本抽取數(shù)量、訓練周期數(shù)、最大調(diào)諧步數(shù)；
[0019] 從數(shù)據(jù)空間中隨機采樣以獲取訓練樣本;每組樣本數(shù)據(jù)包括"原狀態(tài)（St)、動作 Ut)、新狀態(tài)(st+1)、該動作的獎勵值(rt)"四部分，其中"原狀態(tài)"為某時刻的S參數(shù)波形經(jīng)數(shù) 據(jù)降維后的特征，"動作"為某個可執(zhí)行的調(diào)諧螺桿的調(diào)諧動作，"新狀態(tài)"為相對于"原狀 態(tài)"，指在執(zhí)行"動作"后得到的S參數(shù)波形降維后的特征，"該動作的獎勵值"為經(jīng)過以上動 作獲取到的獎勵值，根據(jù)當前S參數(shù)波形與調(diào)諧目標S參數(shù)波形的歐氏距離計算得到；
[0020] 用訓練樣本數(shù)據(jù)訓練并更新Q網(wǎng)絡(luò)，其中輸入為訓練樣本數(shù)據(jù)中的"原狀態(tài)"，輸出 目標為各執(zhí)行動作對應(yīng)的Q值，依據(jù)如下公式計算：
[0021]
[0022] 其中，rt表示第t步的獎勵值，w和b為Q網(wǎng)絡(luò)的參數(shù)，即神經(jīng)網(wǎng)絡(luò)各層的權(quán)值和偏 置，& +1為"新狀態(tài)"，at+A "新狀態(tài)"下可執(zhí)行的有效動作，γ為設(shè)定的折扣因子；
[0023] 采樣待調(diào)濾波器的當前狀態(tài)的S參數(shù)波形，輸入當前狀態(tài)S參數(shù)波形降維后特征， 經(jīng)過Q網(wǎng)絡(luò)預(yù)測獲得各個執(zhí)行動作對應(yīng)的Q值；
[0024] 以"ε-貪婪機制"選取合適的Q值對應(yīng)的執(zhí)行動作并作用于調(diào)諧螺桿，完成本次的 濾波器調(diào)諧動作；
[0025] 采樣待調(diào)濾波器執(zhí)行調(diào)諧動作后的S參數(shù)波形，計算與調(diào)諧目標S參數(shù)波形的歐氏 距離，計算出本次動作執(zhí)行的獎勵值。
[0026] 對執(zhí)行調(diào)諧動作后獲得的S參數(shù)波形進行數(shù)據(jù)降維處理；
[0027] 保存本次執(zhí)行動作的數(shù)據(jù)組到數(shù)據(jù)存儲空間，數(shù)據(jù)組包括原狀態(tài)(St)、動作(at)、 新狀態(tài)(s t+1)、該動作的獎勵值(rt)。
[0028] 優(yōu)選地，在保存執(zhí)行調(diào)諧動作的數(shù)據(jù)組到存儲空間后，還包括步驟：
[0029] 判斷當前的S參數(shù)波形是否達到目標S參數(shù)波形：
[0030] 若當前的S參數(shù)波形達到目標S參數(shù)波形，則退出本周期的訓練過程；
[0031] 若當前的S參數(shù)波形未達到目標S參數(shù)波形，且未超出最大執(zhí)行步數(shù)，則跳轉(zhuǎn)至步 驟"從數(shù)據(jù)空間中隨機采樣以獲取訓練樣本"繼續(xù)優(yōu)化；
[0032]若當前的S參數(shù)波形未達到目標S參數(shù)波形，且已超出最大執(zhí)行步數(shù)，則退出本周 期訓練過程。
[0033] 優(yōu)選地，從數(shù)據(jù)空間中隨機采樣以獲取訓練樣本，包括：
[0034] 若存儲空間中無樣本數(shù)據(jù)，則設(shè)置本次的樣本數(shù)據(jù)全為0;
[0035] 若存儲空間中樣本數(shù)據(jù)不足預(yù)設(shè)數(shù)量，則進行重復抽取直至達到預(yù)設(shè)數(shù)量。
[0036] 優(yōu)選地，調(diào)諧策略模型的Q網(wǎng)絡(luò)是通過一個單隱層前向傳播神經(jīng)網(wǎng)絡(luò)來實現(xiàn)的，即 具有一個輸入層、一個輸出層，一個中間隱藏層，其中神經(jīng)網(wǎng)絡(luò)的隱藏層神經(jīng)元個數(shù)為m個， 輸入層為數(shù)據(jù)存儲空間中抽取的樣本數(shù)據(jù)的"原狀態(tài)"，輸出層為每個可執(zhí)行動作對應(yīng)的Q 值，激活函數(shù)為S型函數(shù)，神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化方法為隨機梯度下降的方法。
[0037] 優(yōu)選地，定義每根調(diào)諧螺桿以某個固定角度順、逆時針旋轉(zhuǎn)，Q網(wǎng)絡(luò)輸出單元的個 數(shù)為調(diào)諧螺桿根數(shù)的2倍。
[0038] -種使用腔體濾波器智能調(diào)諧算法的調(diào)諧方法，包括：
[0039] 安裝連接調(diào)諧系統(tǒng)，所述調(diào)諧系統(tǒng)包括工控機系統(tǒng)、連接工控機系統(tǒng)的機械執(zhí)行 機構(gòu)、置于所述機械執(zhí)行機構(gòu)內(nèi)的腔體濾波器、連接工控機系統(tǒng)與腔體濾波器的矢量網(wǎng)絡(luò) 分析儀；
[0040] 采樣當前待調(diào)腔體濾波器的S參數(shù)波形；
[0041 ]將采樣的S參數(shù)波形降維處理得到該S參數(shù)波形的降維特征；
[0042] 將當前S參數(shù)波形的降維特征輸入預(yù)先訓練好的調(diào)諧策略模型計算出待調(diào)腔體濾 波器需執(zhí)行的調(diào)諧動作;選擇動作的方式仍然為"ε_貪婪機制"，此時ε固定為一個較小的數(shù) 值，如0.1;
[0043] 輸出計算得到的調(diào)諧動作指令并依據(jù)所述調(diào)諧動作指令調(diào)節(jié)所述腔體濾波器的 調(diào)諧螺桿。
[0044] 優(yōu)選地，在輸出計算得到的調(diào)諧動作指令并依據(jù)所述調(diào)諧動作指令調(diào)節(jié)所述腔體 濾波器的調(diào)諧螺桿之后，還包括步驟：
[0045] 采樣執(zhí)行所述調(diào)諧動作后的腔體濾波器的S參數(shù)波形并與目