摘要
本研究针对数字雷达板电磁易感性故障诊断中的四个核心瓶颈问题展开研究，这些问题包括因故障样本不足导致的冷启动建模难题、易遗漏窄频敏感区域的低效扫描方式、电磁信号特征表示不充分，以及数据不平衡引发的严重过拟合问题。为此，本研究提出了一种基于闭环电磁干扰注入与多维度关键信号点监测的雷达定时控制板电磁易感性数据集构建框架。该框架采用自适应的粗略到精细的扫描策略，能够快速锁定敏感频段并精确确定故障边界。同时，它还结合了混合式合成少数类过采样技术、随机欠采样策略以及时频特征过滤方法，以此平衡样本分布并去除冗余信息，从而生成标准化的高质量电磁易感性特征数据集。我们通过一系列经典的机器学习和深度学习模型对数据集的质量进行了验证。测试结果显示，所有基准模型的分类准确率均高于85.1%，而引入卷积块注意力模块的模型则实现了95.0%的最高准确率。在不同类型的雷达板上进行的跨板测试表明，使用10%的目标样本进行微调可显著提升跨领域模型的准确率，而在适度干扰环境下，模型的泛化能力可达到91.2%以上。由于训练成本极低，这种轻量级方案能够实现强大的跨硬件泛化能力，可用于构建雷达定时控制板的电磁易感性数据库，并实现多类故障诊断，有效解决了那些缺乏历史故障数据的新硬件的冷启动问题。
