GSM-R无线干扰智能预警系统研究

2021-12-23范涛，杨军

铁道通信信号 2021年11期

范涛，杨军

GSM-R系统是我国高速铁路和重载铁路无线通信系统的核心,承载着列控业务、调度命令传送、无线车次号传送、语音调度电话等关键业务［1］。由于电磁环境具有开放性,空中接口容易受到干扰信号的影响；同时随着铁路沿线特别是大型车站周边的城市化发展,铁路周边电磁环境日益复杂,在实际运营中,GSM-R无线网络受到干扰的事件时有发生［2-3］,因此做好日常无线电监测和运维工作,对高速、重载铁路的安全运营意义重大。

目前,铁路无线干扰的处理模式还是以干扰产生后再处理为主。通信维护工作人员需要携带多种仪器仪表到事发地进行干扰排查,利用便携式频谱仪［4］扫描周边干扰信号,查看干扰信号的频谱形状,初步判断干扰信号是否存在。这种方式虽然对稳定的干扰源有效,但对于大量由偶发信号导致的干扰案例,由于无法复现干扰发生时的电磁环境而无法确定干扰原因及定位干扰源,给铁路无线电维护工作带来了很大的困扰。

为此,武汉局集团公司研发了GSM-R无线干扰智能预警系统,可对GSM-R无线网络频段及其邻近频段进行实时监测,及时发现和识别潜在的各类型干扰信号［5-7］,并完成对干扰源的测向定位［8-9］,实现工作模式由干扰发生后再排查到干扰发生前智能预警的转变,显著提高了运营维护工作的质量和效率。

1 系统架构

1.1 系统整体架构

GSM-R无线干扰智能预警系统主要包括数据采集监测端（以下简称“采集端”）和智能预警数据中心（以下简称“数据中心”）2部分,整体架构为一个数据中心对多个采集端的形式,如图1所示,采集端与数据中心使用铁路既有传输网络进行数据通信。

图1 GSM-R无线干扰智能预警系统整体架构

采集端依托基站架设,包含采集设备和天线阵列。采集设备安装在基站站房内,使用基站提供的220 V交流供电电源和传输网络数据端口；天线阵列安装在基站铁塔上,通过天线支架固定在铁塔中部。数据中心位于路局机房,接入铁路既有传输网,显示终端接入数据中心的交换机。

1.2 系统架构特点

该系统架构符合国铁集团对铁路无线电干扰监测和台站数据管理系统的设计要求［10］,具有如下特点。

1）系统采集端使用独立的天线阵列,与铁路基站BTS无任何物理连接,只接收而不发射信号,不会对GSM-R系统的正常工作产生影响。

2）天线阵列安装在基站铁塔,与基站天线安装位置十分接近,二者所处的电磁环境基本一致,因此可更加准确地判断当前基站是否受到干扰信号的影响。

3）安装在地理位置较近的干扰采集端,可对同一干扰源进行多点联合测向,能够对干扰信号进行精准定位。

4）具有良好的可扩展性。

2 系统功能

2.1 GSM-R无线信道质量实时监测

GSM-R无线干扰智能预警系统可实时扫描GSM-R上行频段885～889 MHz和下行频段930～934 MHz,实时监测999～1 019共21个GSM-R无线信道质量,并解析GSM-R小区参数。GSM-R无线信道质量监测见图2,其中深颜色信道为配置的监测小区BCCH信道。

图2 GSM-R无线信道质量

2.2 公网环境扫描

GSM-R无线干扰智能预警系统可扫描GSM-R频段周边的公网电磁环境,扫描频段为800～1 000 MHz,能够发现该频段内中国移动、中国联通GSM 900频段无线信号,并测量其相关参数。公网环境扫描情况见图3。

图3 公网环境扫描

2.3 频谱分析

GSM-R无线干扰智能预警系统对GSM-R频段频谱进行实时分析,及时发现GSM-R频段带内干扰。对指定GSM-R频点自定义参数扫描,绘制星座图见图4,计算该频点的信号质量,分析干扰信号的特征。星座图采取幅度和相位的极坐标形式。

图4 GSM-R信号星座图

2.4 干扰识别与定位

GSM-R无线干扰智能预警系统能够识别邻频、杂散、互调、阻塞等不同类型的干扰,分辨GSM-R网内及网外干扰,记录干扰信号的I/Q数据,并对干扰信号进行测向定位。

通过干扰识别与定位功能,可以得到干扰信号的干扰类型、中心频率、电平值、发生时间等信息,并估算对监测频点的影响程度,把抽象的干扰信号具象化。干扰信号的I/Q数据一方面可以用于后期深度分析,另一方面可以作为干扰证据,为干扰信号的处理提供事实依据。

2.5 告警功能

GSM-R无线干扰智能预警系统可识别事实干扰和潜在干扰,分别进行实时告警或预警,并对GSM-R无线信道质量和周边电磁环境进行异常告警,见图5。

图5 告警显示

3 关键技术

3.1 电磁环境自动学习技术

空间电磁环境具有时变特征,移动通信公网的功率控制、智能波束跟踪与切换、用户增减、覆盖优化调整,以及GSM-R网络参数调整等,都会导致监测空域的电磁环境发生改变,使用自动学习算法,不断计算电磁环境趋势模型,是提升预警准确率的重要环节。

自动学习技术是利用机器学习算法实现的,提取当前电磁环境数据特征值x1,x2...xn,将对当前电磁环境有直接影响的因素作为输入数据,并以当前无线信道质量作为输出数据y值。将两者数据作为有内在关联的样本数据,对数据进行标准化预处理。通过对大量样本数据的迭代训练,得到能够反映电磁环境与无线信道质量变化规律的模型。

模型核心算法是采用线性回归算法。线性回归算法是有监督的学习算法,通过y=w1x1+w2x2+...+wnxn+b线性函数方程来解释各个特征值x与y值的关系。电磁环境的各个特征值与无线信道质量存在超平面的线性关联关系,利用线性回归算法可计算出两者的关联关系。

模型优化算法采用了小批量随机梯度下降法,先随机对模型参数设定初始值,再结合方差损失函数来评估实际y值与预测值之间的误差。在大量训练中,不断迭代各个特征值的权重参数,降低损失值。损失值越小,预测值与实际y值越接近,模型越能反映出两者之间的关联关系,最终使y值更加接近线性函数分布。

模型训练完成后,通过线性模型估算训练数据集以外的电磁环境,根据当前电磁环境评估无线信道的质量。当电磁环境发生变化时,实时将当前数据作为新的样本数据加入到训练数据集中进行迭代训练。当损失值最小时,即可得到新的趋势模型。通过不断实时训练调整模型,来保证模型具有较高的实时性、准确性及泛化能力。

3.2 智能预警技术

基于历史数据,采用数据统计预测的方法,预测电磁环境的变化趋势,并对恶化的发展趋势进行预警。

3.2.1 预测方法选择

根据电磁环境的变化特性,选择趋势外推法搭建电磁环境变化的预测模型。

趋势外推法是根据过去和现在的发展趋势,推断未来的一类方法总称,应用观测数据拟合得到时间序列随着时间t的变化函数y=f(t),并据此得出未来某个时刻t的时序值［11］。趋势外推法是长期趋势预测的主要方法,根据连续性原理,依据时间序列的发展趋势,配合合适的曲线模型,对未来趋势进行外推预测［12］。

趋势外推法的基本原理包括：①决定事物过去发展的因素,在很大程度上也决定该事物未来的发展,其变化不会太大；②事物发展过程一般都是渐进式变化,而不是跳跃性变化,且依据掌握事物的发展规律就能预测出事物的未来趋势和状态。

影响GSM-R频段电磁环境的因素可以分为固定因素和随机因素。固定因素主要包括周边的自然环境、周边固定台站、规律运行的无线电设备等；随机因素则是一些随机发生而难以预料的无线电信号,例如某些非法使用的电台,临时使用的无线屏蔽器等。其中,固定因素具有时间的累积效果,也是缓慢变化的,例如,无线电发射机的老化是渐进式发生的,电磁环境底噪也是渐进式变化的。因此,在铁路无线电干扰监测系统中,趋势外推的统计预测方法适用于固定因素的变化趋势预测。

若GSM-R无线电环境固定因素突变,则影响电磁环境的固定因素也会发生突变,如当铁路周边新增台站或某个台站的频率配置发生变化,或者发射机天线朝向调整等。固定因素发生突变之后,仍然呈现稳定和可预测的特性。因此,需要将趋势外推法结合无线电干扰监测自身的特点,对模型的修正参数进行适配,当发现突变后,采用新的数据重新对预测模型参数进行修正。

GSM-R无线电环境随机因素的预测：由于随机因素往往难以准确预测,但可根据发生的历史统计值,计算出时间占用度随时间的历史变化值,采用与固定因素变化不同的预测模型,进行曲线拟合。这部分不在本文研究范围内,在本文中采用剔除方差过大的数据,以消除随机因素的影响。

3.2.2 GSM-R电磁环境变化预测模型建模

趋势外推法常用的模型包括：直线模型、二次模型、简单指数曲线模型、Gompertz曲线模型和Logistic曲线模型等。模型的选择方法通常有2种。

1）直观辨认法。将历史观测数据描绘在坐标图上,形成历史数据分布散点图,并用不同的模型曲线与图形进行比较,直观选择最合适的趋势曲线。

2）特征分析法。在分析历史数据特征的基础上,选择与该数据特征相适应的趋势曲线模型。分析历史数据特征时,可通过直观分析、列表分析和比较分析等方法,判定出较为显著的数据特征。

由于本课题积累历史数据的时间不足,试验站周边电磁环境的变化趋势尚未呈现出明显特征。但根据相关文献的研究指出［13］,城市空间人为电磁能量每年增长7%～14%,可见电磁能量的增长呈现指数型趋势。以此为参考,可以对铁路大型车站周边的GSM-R电磁环境变化趋势,以简单指数曲线进行初步建模,并随着历史数据的积累进行修正。

3.2.3 预警条件

预测模型建立后,可分别对未来1年、2年、5年以后的电磁环境趋势进行推算,对于推算强度超过一定门限的频段,给出电磁环境干扰预警。

3.3 干扰定位技术

采用比幅测向方法,将测向天线中的定向天线元等角度均匀分布成圆环形排列布局,获取干扰信号入射到测向阵列各天线元的信号强度,通过比幅测向算法计算出干扰信号来向,多监测站对同一干扰信号进行测向,结合各站地理位置信息实现对干扰源的定位功能。

测向阵列按照角度将M个定向天线元均匀分布,使其能够全向覆盖。由于各定向天线元特性一致,当所有天线元均获取一组幅度数据后,取最大的3个数值及其对应天线元的序号,根据抛物线拟合二次函数的一组系数,构成抛物线方程,抛物线的对称轴位置即为测向DOA值。

设抛物线方程为y=ax2+bx+c,y代表信号强度,x为角度范围,其顶点位置为

根据已获得的3个幅度最大值及其坐标,可以计算出方程的系数。

设已知3个最大值的坐标为(x1,y1)、(x2,y2)、(x3,y3),构成方程组（1）。

由方程组（1）通过矩阵求逆转换成方程组（2）。

在外场对本系统测向功能进行多角度验证测试,对930 M～934 MHz频段抽取了18个方位,进行测向准确度仿真,结果见图6,彩线表示信号源在不同的角度发射不同频率的信号时,采集设备测得信号源的相对角度值,例如,图6中最上面的绿色线表示信号源在天线阵列330°方向发射信号时,发射信号频率在930 M～934 MHz范围内以每200 kHz的幅度不断递增,采集设备在每个频率下测得信号源的相对角度值所连成的线。