基于机器学习的广播电视发射故障诊断研究

天水卫星电视地面收转站：王澜

随着社会科技的迅猛发展，物联网、人工智能以及工业互联网等技术逐渐成为社会热点话题，尤其是在传感器技术发展进程中，数据成为广播电视发射中不可缺少的一部分。如何在广播电视企业中高效应用这些数据，是业界关心的重要问题，其中最具研究价值的方向就是，通过数据智能化维护广播电视发射设备。设备故障诊断的最初提出者为美国国家宇航局，目的在于分析、预防和诊断机械设备故障，由于故障诊断技术越来越发挥出其经济效益与安全价值，所以投入研究该技术的学者也逐渐增多。

以往故障诊断技术主要靠技术人员经验判断，但因技术人员知识水平、技能、心理等因素影响，往往会做出和实际情况有出入的判断，导致故障诊断效率的下降，无法确保诊断精准度。随后通过相关信号展开判断，该方法必须创建物理数学模型，而且对设备也必须有较强认知。这些年传感器数据故障的诊断正逐渐以取代常规人工检测诊断技术成为业界推广与主流，该新方法可无需额外考虑传统数学模型计算与专家经验，利用机器学习原理对传感器数据所处采集区域数据特征进行分析，并可提取计算出数据特征信息，以达到故障诊断的目的。

1.机器学习

作为人工智能最需要用交叉学习知识方法进行知识交叉和探索学习的学科是作为一门新型的综合性深度知识学习，机器学习理论的主要前沿学科已经涉及到了计算机、统计学、概率论基础和以及各种人工智能算法基础技术等，重点都在探索研究人工智能通过运用计算机智能系统对各种现实人类行为模式的深度学习的模仿机制和实现方式，从而我们可以快速获取到很多人工智能新学习方法技能、新知识，解决出一系列现实新社会问题。从某种意义来说，作为实现当前社会人工智能技术中最关键的技术，机器学习理论仍然可以是解决当前如何实现未来社会机器大脑高度自主智能化机器学习功能的又一个最有效解决方法。基于两者在社会机器学习领域实践中表现的一些差异性，可将其划分为以下几类：

1.1 学习策略分类

第一，模拟人脑机器学习。主要输入的学习方式包括了神经网络机器学习、符号计算机学习等这两种，其中计算机符号机器学习的主要的输入和学习方法即为输入计算机符号数据，通过电脑进行输入符号数据进行运算，以推力的学习方式在计算机状态空间中输入或计算机图像空间中输出进行搜索，规则、概念等这些都是计算机为了实现模拟的人脑机器学习的这个主要目标，模拟出了人脑机器的输入学习的基本过程。神经网络机器学习主要指采用数值模拟运算的一种思维方式，以数值数据为核心信息的输入，在系数向量空间框架域内采用迭代运算的过程方法来完成搜索，以函数运算为机器学习的最终目标，此模式即表现为基于计算机的对人脑信息的一种微观机器学习过程和行为的分析研究的一种数值模拟方式；

第二，数学方法机器学习。现阶段，选择最佳模型数学方法训练所要求的展开和训练中的机器学习研究主要能够采用到的学习内容都是如何利用数理统计学知识，通过快速创建出最佳模型的数学模型，输入大量样本数据，并可以自动拟定最佳参数，应用深度学习等各种算法进行快速地展开出最佳模型方法的学习训练，并希望能够真正应用学习训练所得的知识所得出的最佳数据去进一步分析研究并准确预测出未来数据。

1.2 学习方式分类

第一，有监督学习。将预先标记好的测试训练的样本数据集整合为某一个测试训练集，创建和其结果对应关系的数学模型，通过分析所得数据的模型来重新展开该测试的训练集来进行数据分类；第二，无监督学习。在基于学习模式的分类中，无监督学习的本质是在没有给定分类标准的情况下，在训练数据集中没有标记的标签的情况下，使用无标记的数据集来训练数据集的内部连接和规则。无监督学习可以有效避免正样本和负样本的不平衡，有助于提高训练速度，通常用于图像处理、异常检测和经济预测。常见的无监督学习算法有降维算法、k均值聚类算法和主成分分析；第三，强化学习。这种分类以环境反馈为算法输入，即奖惩信号，是一个与环境相互作用的综合学习过程。

1.3 数据形式分类

第一，结构化学习。采用符号推演学习或者数值推理计算学习的主要方式，输入一般采用纯结构化的数据，结构化的学习过程中应用最为多典型常见的形式包括规则树学习、统计模型学习、决策树模型学习以及神经网络模型学习方法等类型；第二，非结构化学习。其数据输入大多采用纯非结构化的数据，常用到的技术有图像数据挖掘、文本数据挖掘方法以及案例化学习等。除此之外，还有很多学习方法需要分类，其中也包括了类比性学习、归纳型学习、演绎法学习法和分析性学习方法等。

2.广播电视发射中的故障诊断

近年来，由于广播电视传输技术的发展速度越来越快，发射系统也逐渐增多，设备结构也越来越复杂，使得广播电视传输耦合的要求不断提高。由于设备的老化和外界环境的变化，广播电视传输系统的稳定状态和性能在使用过程中会逐渐下降，导致一系列故障。一旦发生重大广播事故，将严重影响企业的经济效益和声誉。为了提高广播电视传输设备的可靠性和安全性，故障诊断技术应运而生。很多技术人员在日常检测中会先对比设定的阈值，如果大于阈值则会发出报警信号，然而此时已经出现故障，该情况下的维修具有滞后性。所以，通过机器学习法智能化诊断广播电视发射系统中的故障非常有必要。

3.基于机器学习算法的广播电视发射故障诊断

3.1 决策树式故障诊断法

通常上来说，决策树分析属于一个经典的分类模型与线性回归预测方法，决策树结构中可以包含根节点、叶节点以及一些内部的节点，事件的决策与结果分析和根叶节点分析相对应，而属性的测试又和内部的节点测试相对应。测试序列的属性判定过程就是对应从叶节点至根节点的过程，根节点中的样本全集会依照属性判定测试序列结果向叶节点序列中进行归类及整合。决策树的核心在于递归，具体情景分为以下三种：（1）若现阶段节点所含数据样本属于同一类，则该节点在此时属于叶节点；（2）现阶段数据样本属性相同或属性集为空，在这种情况下的节点属于叶节点；（3）现阶段节点所含数据样本集属于空集，在这种情况下的节点则为叶节点。决策树具有较高的推理效率，极易实现规则提取，而且知识较为直观。

3.2 支持向量机式故障诊断法

在广播电视发射故障诊断中，支持向量机是具有监督功能的一种学习方法，该方法以统计学理论为基础，是最为经典、应用最为广泛的分类学习法。不同于其他传统的机器学习算法，支持向量机算法是要通过最小化算法结构风险而实现对算法的学习以及泛化运算能力方面的显著提升，以此最终实现算法经验风险与结构置信率风险之间的最小化为目标，特别在小样本学习分类时，支持向量机性能表现良好。

3.3 神经网络式故障诊断方法

神经网络的非线性映射能力、容错处理能力、自学习能力和并行计算能力比较高，适用于处理复杂数据。广播电视信号发射测控系统故障检测诊断方法中，可考虑如此方法利用神经网络：（1）实时检测采集与实时分析广播电视接收发射的系统信号，将各种可以精确反映的被测目标对象特征的关键参数全部提取计算出来，以此信号为核心神经网络信息输入系统；（2）系统实现了被测目标对象编码功能实现；（3）要做好系统神经网络结构分析设计准备工作，明确目标神经网络层数范围和网络各功能层的神经元数目；（4）以所测提取的发射系统的运行状态数据为训练样本，通过神经元网络输出展开仿真训练，明确神经元的连接权值关系；（5）通过依照积神经网络模拟输出，明确了待受测的对象类别，循环神经网络模型与卷积神经网络模式是目前两种最为常见的神经网络。其中卷积神经网络属于有监督的一种学习方式，同时也是比较特殊的一种前馈神经网络，该神经网络包括池化层、输出层、输入层、全连接层以及卷积层等；而循环神经网络属于循环结构的一种学习模型，该网络记忆能力较强，在具有较高复杂度设备中较为适用。

4.总结

总而言之，机器学习是其自学习能力、分类以及识别等功能良好，适用于诊断广播电视发射系统故障。本文先系统性阐述了机器学习的分类方式与研究背景，其次对广播电视发射系统故障诊断内容展开研究，最后探讨了广播电视发射系统故障诊断中对机器学习算法的有效应用，对人工神经网络、决策树以及支持向量机的应用方法展开论述。研究表明，机器学习可有效提升广播电视发射系统故障诊断效率，实现智能化检测目标，节约人力成本，而且对企业经济效益也具有提升价值。