基于態勢感知的發射機故障隱患智能預警系統應用研究

于海泉 吳金友 梁秀文

（作者單位：1.哈爾濱廣播器材有限責任公司；2.四川省廣播電視局520臺；3.四川省廣播電視新聞與傳播研究所）

隨著數字化、網絡化的快速發展，廣播電視行業正經歷著變革。廣播電視發射機作為廣播電視信號傳輸的核心設備，安全穩定運行對于保障廣播電視信號的質量至關重要。然而，發射機設備由于電路線路老化、電子元器件性能衰減、供電、外部環境等因素的變化，故障隱患時有發生，對發射臺安全播出產生了嚴重影響。因此，研究如何利用先進的技術手段，實現發射機故障的態勢感知、故障隱患預警具有現實意義。

1 系統概述

運行態勢感知的發射機故障隱患智能預警系統是基于物聯網技術，將發射機設備與運行態勢傳感器相連，通過采集發射設備實時運行數據，對發射機設備實時態勢數據同預設故障參數閾值進行故障隱患關聯分析，實現對發射設備運行狀態的實時運行態勢感知；建立故障診斷模型和知識圖譜，通過故障數據多維多層分析技術，實現對故障點、故障類型和故障隱患原因的準確分析診斷和故障隱患預警提示。

2 系統功能

實時運行態勢感知和故障隱患診斷系統，是對發射機設備態勢數據的實時數據與預設故障參數閾值數據進行對比分析，分析判斷發射機設備是否存在故障隱患，若存在故障隱患，則邏輯推測出故障隱患源的位置、故障隱患出現的原因，多維度呈現當前數據分析情況。通過實時態勢感知和故障隱患關聯結果分析，能及時發現發射機設備的異常和故障隱患，掌握發射機設備的當前狀態，發現潛在故障隱患，進而采取相應的措施來保障系統的正常運行和故障隱患排查。同時，對數據進行分析和隱患排查，有助于對系統性能和運行狀態進行深入理解，為系統優化和改進提供參考依據。

2.1 可視化呈現

將實時監測數據和故障檢測結果以圖表、儀表盤、曲線圖等形式進行可視化展示，直觀地顯示系統的運行狀態和故障信息。通過可視化展示，可以快速觀察到異常數據和故障情況，并進行及時的反應和處理。

2.2 多維故障隱患分析

對實時監測數據進行統計分析，計算各種統計指標，如均值、方差、最大值、最小值等。通過對數據的統計分析，可了解故障隱患數據的分布和異常趨勢，判斷發射機設備運行狀態數據是否偏離正常范圍。

2.3 異常趨勢分析

通過對實時數據進行趨勢分析，可以分析數據的變化和周期性趨勢。趨勢分析可以幫助技術人員發現發射機設備潛在的故障隱患或異常趨勢，例如逐漸增加或遞減的趨勢、數據突然變化點的位置等。利用異常檢測算法，對實時監測數據進行異常檢測。通過檢測隱患數據中的異常值或異常模式，發現潛在的故障隱患。

2.4 故障隱患診斷

根據故障隱患分析結果和異常知識特征，使用故障診斷算法進行故障識別和原因分析。故障診斷算法可以根據已知的故障模式和歷史故障數據，對實時監測數據進行匹配和推理，確定故障類型和故障原因。根據實時監測數據和故障檢測結果，設置報警規則和閾值，當數據超出設定的范圍或故障被檢測到時，觸發預警告警（見圖1）。

圖1 發射機態勢感知預警界面①

3 系統實現目標

發射機智能運行態勢感知和故障預警系統是整合分散系統，實現數據共聯共享和價值最大化，改變數據孤島現象。

3.1 統一信息界面

建立一個統一的發射機設備運行態勢信息界面，將運行態勢數據匯聚。多維度呈現數據分析結果，包括實時數據、歷史數據、故障數據等，以便運維技術人員全面了解當前的數據分析處理情況。

3.2 匯聚與傳輸

將分散的運行狀態態勢感知采集傳感器連接起來，通過標準化的數據傳輸協議接口，確保運行狀態數據能夠在系統之間安全傳輸和數據共享。

3.3 存儲與管理

建立數據存儲和管理系統，用于集中存儲和管理監控數據。構建數據湖（Data Lake）和數據倉庫（Data Warehouse），用于存儲原始數據和處理后的信息數據，以便后續進行數據分析和二次數據的挖掘利用。運用故障分析技術對故障隱患數據進行分析，挖掘數據中有價值的信息，包括利用機器學習算法進行故障預測、異常檢測、數據關聯等。

3.4 故障隱患可視預警

將分析處理后的數據通過可視化工具呈現在信息管理平臺上，以便值班人員直觀理解和辨識監控數據。

4 態勢感知系統架構

4.1 態勢感知采集模塊

系統通過態勢感知傳感器，收集發射機設備運行狀態的各種數據。

4.1.1 發射機運行態勢感知采集

通過態勢感知傳感器直接獲取發射機的運行態勢數據，實時采集發射機運行狀態信息，包括入射功率、功放電壓、功放電流、激勵電壓、前級推動電壓等運行參數。

4.1.2 發射機運行指標測量

采用音頻特征分析技術，準確計算音頻之間的時延差，完成精確音頻信號的同步，通過對輸出信號和射頻耦合信號的計算得出信噪比、音頻頻率響應、諧波失真、載波跌落、正負調幅度不對稱度和頻率容限，用于在線測量發射機的關鍵運行指標，實時獲取發射機的運行指標信息。

基于音頻特征分析，判別假同步，降低測量誤差，提高同步的精確度。基于時/頻分析，快速提取系統幅度頻率效應，隨時間變化曲線和信噪比變化曲線，完成發射機測試。

4.1.3 中波天線網絡阻抗匹配測量

采用定向耦合技術獲得入射和反射數據，將采集后的數據做快速傅里葉變換，獲得電壓波和電流波，通過計算得到歸一化的阻抗，進而計算獲得反射系數。

4.1.4 天調匹配網絡狀態測量

對天調匹配網絡進行數據采集分析，主要是對天線的阻抗的虛部、實部進行測試，測試結果以史密斯圓圖和表格形式進行呈現，實時監測和測量天調匹配網絡的運行狀態。

4.1.5 電力運行數據采集

通過電力態勢傳感器，實時獲取電力輸入的狀態數據，采集廣播電視發射機所連接的電力系統的運行狀態信息，如電壓、電流、功率因數等。

4.1.6 調幅度采集

用于采集廣播電視發射機所連接的信號源的狀態信息，通過信號源監測設備或信號源控制接口，實時監測和采集信號源的狀態數據。

4.2 數據傳輸層

4.2.1 網絡通信

物聯網系統通過通信協議將采集到的數據傳輸到數據處理和存儲層。

4.2.2 網關設備

為了連接不同類型的發射機設備和運行態勢傳感器，可以使用網關設備來進行數據轉換和傳輸，將數據發送到云平臺或數據處理節點。

4.3 數據處理和存儲層

4.3.1 數據預處理

感知采集發射機的運行數據，包括播出指標如信號調幅度、運行狀態參數（如溫度、電壓、功率等）以及實時預警告警狀態（如故障信息、異常事件等）。對采集的數據進行預處理，包括數據清洗、去噪、參數缺失處理。

4.3.2 特征提取與選擇

從預處理的分析數據中提取關鍵特征信息，這些特征應能夠反映發射機的運行狀態和趨勢。可以使用特征工程技術，如統計特征、頻域特征、時域特征等，然后通過特征選擇算法選擇提取合適的特征數據。

云平臺存儲：物聯網數據可以存儲在云平臺上，以便進行實時或離線的數據處理和分析。云平臺具備可用性高、可擴展性和安全性強等特征，可處理大規模的數據流和存儲大量的物聯網數據。

數據庫存儲：物聯網數據可以存儲在分布式數據庫中，如NoSQL 數據庫（如MongoDB、Cassandra）或關系型數據庫（如MySQL、PostgreSQL）等。

4.4 應用與可視化層

4.4.1 應用開發與集成

根據具體需求，開發和集成各類應用程序和服務，如故障診斷應用、可視化監控界面、數據報表和分析工具等。

4.4.2 用戶界面與控制

提供用戶友好的界面，讓用戶能夠實時監控物聯網數據、查看分析結果，并進行相關的操作和控制。

5 功能關鍵技術

5.1 傳感技術

傳感技術是物聯網的基礎，通過各種傳感器（如溫度傳感器、濕度傳感器、光線傳感器等）獲取物理世界的信息。傳感技術包括傳感器的選擇、部署和數據采集等。

5.2 通信技術

物聯網設備之間需要進行數據交換和通信，常用的通信技術包括無線通信技術和有線通信技術，選擇適合的通信技術能夠實現設備之間的可靠連接和數據傳輸。

5.3 網絡技術

物聯網需要構建一個穩定可靠的網絡基礎設施，用于連接物聯網設備和傳輸數據。網絡技術的選擇和配置能夠確保物聯網系統穩定性和可擴展性。

5.4 數據存儲和處理技術

物聯網產生大量的數據，包括傳感器數據、設備狀態數據等。有效的數據存儲和處理技術可以高效地存儲和管理這些數據，例如云存儲、數據庫管理系統和大數據處理平臺等。

5.5 數據安全和隱私保護

物聯網涉及大量的數據傳輸和存儲，數據安全和隱私保護是至關重要的。可采用加密技術、身份認證、訪問控制等方法，保護物聯網系統的數據安全和用戶隱私。

5.6 故障排除策略的制定與實施

制定和實施故障排除策略是確保廣播電視發射機故障得到及時解決的關鍵步驟。

5.6.1 故障識別與分類

建立故障識別與分類系統，通過監控和分析發射機運行狀態和參數來檢測故障。使用數據傳感器、監控系統和自動化工具來實時采集并傳輸數據，利用大數據分析技術和機器學習技術對故障進行分類和故障等級分析。

5.6.2 故障優先級評估

對檢測到的故障進行優先級評估，根據故障的影響程度和緊急程度進行排序。幫助技術人員確定哪些故障需要立即解決，哪些可以稍后處理。

5.6.3 制定故障排除流程

根據發射機的特點和故障類型，制定故障排除流程。該流程包括故障原因診斷、故障點定位、實際故障排除方案選擇和實際實施等環節。流程應盡可能具體明確，便于運行維護人員按照標準化流程進行故障排除。

5.6.4 建立故障知識庫

將排除過程中的故障現象、診斷過程和解決方案記錄下來，形成一個故障知識庫。該知識庫包括故障案例、解決方案、維修歷史等信息，用于快速查詢和信息參考。

5.6.5 實施故障排除

按照制定的故障排除流程進行故障診斷、定位和實施排除方案。在整個過程中，需要記錄故障排除的每一步驟和結果，以便后續分析和知識積累。

5.6.6 監控和評估

故障排除后進行發射機的狀態評估，確保故障已經解決，并留心觀察是否存在其他潛在的故障隱患。

6 功能實現方法

6.1 故障感知與診斷算法

6.1.1 數據清洗與預處理

對接收到的監控數據進行清洗和預處理，以確保數據的準確性和一致性。過程包括重復數據去除、數據值缺失處理、異常值處理等，以提高數據的可用性和故障檢測的準確性，降低誤報率，加快故障診斷的速度。

6.1.2 特征選擇與提取

通過對故障數據進行特征選擇與提取，選擇最具代表性的特征來描述故障模式。可以使用特征選擇算法（如相關性分析、方差選擇、信息增益等）來選擇最相關的特征，或者使用特征提取方法（如主成分分析、獨立成分分析等）來提取具有較高區分度的特征。

6.2 故障分類算法

針對不同類型的故障，選擇適合的分類算法進行優化。常見的分類算法包括決策樹、支持向量機、樸素貝葉斯、神經網絡等。可以通過調整算法參數、改進特征選擇、引入集成學習等方法來提高分類算法的性能。

6.3 異常檢測算法改進

針對故障感知中的異常檢測任務，可以改進異常檢測算法來降低誤報率。例如，引入基于統計模型的異常檢測方法（如基于高斯混合模型、孤立森林等）或基于機器學習的異常檢測方法來提高檢測的準確性。

6.4 故障診斷模型優化

對于故障診斷模型，可以使用大規模的故障數據進行模型的訓練和優化。通過深度學習、遷移學習等技術，提高模型故障隱患診斷的準確性。可以結合廣播電視領域的新知識和專家運行維護經驗，引入規則推理方法來增強診斷模型的故障數據分析能力。

7 結語

本文通過對運行態勢感知的發射機故障隱患智能預警系統應用的研究，希望能夠助推廣播電視發射臺實現對發射機設備故障的實時態勢感知和故障隱患的預警和告警，提高播出設備設施故障隱患診斷的準確性和排除效率。同時，通過對故障知識的整理和分享，積累、傳承維護經驗，提高廣播電視發射臺故障隱患排查能力，為保障廣播電視發射設備的安全正常運行提供技術支撐。