基于态势感知的发射机故障隐患智能预警系统应用研究

于海泉 吴金友 梁秀文

（作者单位：1.哈尔滨广播器材有限责任公司；2.四川省广播电视局520台；3.四川省广播电视新闻与传播研究所）

随着数字化、网络化的快速发展，广播电视行业正经历着变革。广播电视发射机作为广播电视信号传输的核心设备，安全稳定运行对于保障广播电视信号的质量至关重要。然而，发射机设备由于电路线路老化、电子元器件性能衰减、供电、外部环境等因素的变化，故障隐患时有发生，对发射台安全播出产生了严重影响。因此，研究如何利用先进的技术手段，实现发射机故障的态势感知、故障隐患预警具有现实意义。

1 系统概述

运行态势感知的发射机故障隐患智能预警系统是基于物联网技术，将发射机设备与运行态势传感器相连，通过采集发射设备实时运行数据，对发射机设备实时态势数据同预设故障参数阈值进行故障隐患关联分析，实现对发射设备运行状态的实时运行态势感知；建立故障诊断模型和知识图谱，通过故障数据多维多层分析技术，实现对故障点、故障类型和故障隐患原因的准确分析诊断和故障隐患预警提示。

2 系统功能

实时运行态势感知和故障隐患诊断系统，是对发射机设备态势数据的实时数据与预设故障参数阈值数据进行对比分析，分析判断发射机设备是否存在故障隐患，若存在故障隐患，则逻辑推测出故障隐患源的位置、故障隐患出现的原因，多维度呈现当前数据分析情况。通过实时态势感知和故障隐患关联结果分析，能及时发现发射机设备的异常和故障隐患，掌握发射机设备的当前状态，发现潜在故障隐患，进而采取相应的措施来保障系统的正常运行和故障隐患排查。同时，对数据进行分析和隐患排查，有助于对系统性能和运行状态进行深入理解，为系统优化和改进提供参考依据。

2.1 可视化呈现

将实时监测数据和故障检测结果以图表、仪表盘、曲线图等形式进行可视化展示，直观地显示系统的运行状态和故障信息。通过可视化展示，可以快速观察到异常数据和故障情况，并进行及时的反应和处理。

2.2 多维故障隐患分析

对实时监测数据进行统计分析，计算各种统计指标，如均值、方差、最大值、最小值等。通过对数据的统计分析，可了解故障隐患数据的分布和异常趋势，判断发射机设备运行状态数据是否偏离正常范围。

2.3 异常趋势分析

通过对实时数据进行趋势分析，可以分析数据的变化和周期性趋势。趋势分析可以帮助技术人员发现发射机设备潜在的故障隐患或异常趋势，例如逐渐增加或递减的趋势、数据突然变化点的位置等。利用异常检测算法，对实时监测数据进行异常检测。通过检测隐患数据中的异常值或异常模式，发现潜在的故障隐患。

2.4 故障隐患诊断

根据故障隐患分析结果和异常知识特征，使用故障诊断算法进行故障识别和原因分析。故障诊断算法可以根据已知的故障模式和历史故障数据，对实时监测数据进行匹配和推理，确定故障类型和故障原因。根据实时监测数据和故障检测结果，设置报警规则和阈值，当数据超出设定的范围或故障被检测到时，触发预警告警（见图1）。

图1 发射机态势感知预警界面①

3 系统实现目标

发射机智能运行态势感知和故障预警系统是整合分散系统，实现数据共联共享和价值最大化，改变数据孤岛现象。

3.1 统一信息界面

建立一个统一的发射机设备运行态势信息界面，将运行态势数据汇聚。多维度呈现数据分析结果，包括实时数据、历史数据、故障数据等，以便运维技术人员全面了解当前的数据分析处理情况。

3.2 汇聚与传输

将分散的运行状态态势感知采集传感器连接起来，通过标准化的数据传输协议接口，确保运行状态数据能够在系统之间安全传输和数据共享。

3.3 存储与管理

建立数据存储和管理系统，用于集中存储和管理监控数据。构建数据湖（Data Lake）和数据仓库（Data Warehouse），用于存储原始数据和处理后的信息数据，以便后续进行数据分析和二次数据的挖掘利用。运用故障分析技术对故障隐患数据进行分析，挖掘数据中有价值的信息，包括利用机器学习算法进行故障预测、异常检测、数据关联等。

3.4 故障隐患可视预警

将分析处理后的数据通过可视化工具呈现在信息管理平台上，以便值班人员直观理解和辨识监控数据。

4 态势感知系统架构

4.1 态势感知采集模块

系统通过态势感知传感器，收集发射机设备运行状态的各种数据。

4.1.1 发射机运行态势感知采集

通过态势感知传感器直接获取发射机的运行态势数据，实时采集发射机运行状态信息，包括入射功率、功放电压、功放电流、激励电压、前级推动电压等运行参数。

4.1.2 发射机运行指标测量

采用音频特征分析技术，准确计算音频之间的时延差，完成精确音频信号的同步，通过对输出信号和射频耦合信号的计算得出信噪比、音频频率响应、谐波失真、载波跌落、正负调幅度不对称度和频率容限，用于在线测量发射机的关键运行指标，实时获取发射机的运行指标信息。

基于音频特征分析，判别假同步，降低测量误差，提高同步的精确度。基于时/频分析，快速提取系统幅度频率效应，随时间变化曲线和信噪比变化曲线，完成发射机测试。

4.1.3 中波天线网络阻抗匹配测量

采用定向耦合技术获得入射和反射数据，将采集后的数据做快速傅里叶变换，获得电压波和电流波，通过计算得到归一化的阻抗，进而计算获得反射系数。

4.1.4 天调匹配网络状态测量

对天调匹配网络进行数据采集分析，主要是对天线的阻抗的虚部、实部进行测试，测试结果以史密斯圆图和表格形式进行呈现，实时监测和测量天调匹配网络的运行状态。

4.1.5 电力运行数据采集

通过电力态势传感器，实时获取电力输入的状态数据，采集广播电视发射机所连接的电力系统的运行状态信息，如电压、电流、功率因数等。

4.1.6 调幅度采集

用于采集广播电视发射机所连接的信号源的状态信息，通过信号源监测设备或信号源控制接口，实时监测和采集信号源的状态数据。

4.2 数据传输层

4.2.1 网络通信

物联网系统通过通信协议将采集到的数据传输到数据处理和存储层。

4.2.2 网关设备

为了连接不同类型的发射机设备和运行态势传感器，可以使用网关设备来进行数据转换和传输，将数据发送到云平台或数据处理节点。

4.3 数据处理和存储层

4.3.1 数据预处理

感知采集发射机的运行数据，包括播出指标如信号调幅度、运行状态参数（如温度、电压、功率等）以及实时预警告警状态（如故障信息、异常事件等）。对采集的数据进行预处理，包括数据清洗、去噪、参数缺失处理。

4.3.2 特征提取与选择

从预处理的分析数据中提取关键特征信息，这些特征应能够反映发射机的运行状态和趋势。可以使用特征工程技术，如统计特征、频域特征、时域特征等，然后通过特征选择算法选择提取合适的特征数据。

云平台存储：物联网数据可以存储在云平台上，以便进行实时或离线的数据处理和分析。云平台具备可用性高、可扩展性和安全性强等特征，可处理大规模的数据流和存储大量的物联网数据。

数据库存储：物联网数据可以存储在分布式数据库中，如NoSQL 数据库（如MongoDB、Cassandra）或关系型数据库（如MySQL、PostgreSQL）等。

4.4 应用与可视化层

4.4.1 应用开发与集成

根据具体需求，开发和集成各类应用程序和服务，如故障诊断应用、可视化监控界面、数据报表和分析工具等。

4.4.2 用户界面与控制

提供用户友好的界面，让用户能够实时监控物联网数据、查看分析结果，并进行相关的操作和控制。

5 功能关键技术

5.1 传感技术

传感技术是物联网的基础，通过各种传感器（如温度传感器、湿度传感器、光线传感器等）获取物理世界的信息。传感技术包括传感器的选择、部署和数据采集等。

5.2 通信技术

物联网设备之间需要进行数据交换和通信，常用的通信技术包括无线通信技术和有线通信技术，选择适合的通信技术能够实现设备之间的可靠连接和数据传输。

5.3 网络技术

物联网需要构建一个稳定可靠的网络基础设施，用于连接物联网设备和传输数据。网络技术的选择和配置能够确保物联网系统稳定性和可扩展性。

5.4 数据存储和处理技术

物联网产生大量的数据，包括传感器数据、设备状态数据等。有效的数据存储和处理技术可以高效地存储和管理这些数据，例如云存储、数据库管理系统和大数据处理平台等。

5.5 数据安全和隐私保护

物联网涉及大量的数据传输和存储，数据安全和隐私保护是至关重要的。可采用加密技术、身份认证、访问控制等方法，保护物联网系统的数据安全和用户隐私。

5.6 故障排除策略的制定与实施

制定和实施故障排除策略是确保广播电视发射机故障得到及时解决的关键步骤。

5.6.1 故障识别与分类

建立故障识别与分类系统，通过监控和分析发射机运行状态和参数来检测故障。使用数据传感器、监控系统和自动化工具来实时采集并传输数据，利用大数据分析技术和机器学习技术对故障进行分类和故障等级分析。

5.6.2 故障优先级评估

对检测到的故障进行优先级评估，根据故障的影响程度和紧急程度进行排序。帮助技术人员确定哪些故障需要立即解决，哪些可以稍后处理。

5.6.3 制定故障排除流程

根据发射机的特点和故障类型，制定故障排除流程。该流程包括故障原因诊断、故障点定位、实际故障排除方案选择和实际实施等环节。流程应尽可能具体明确，便于运行维护人员按照标准化流程进行故障排除。

5.6.4 建立故障知识库

将排除过程中的故障现象、诊断过程和解决方案记录下来，形成一个故障知识库。该知识库包括故障案例、解决方案、维修历史等信息，用于快速查询和信息参考。

5.6.5 实施故障排除

按照制定的故障排除流程进行故障诊断、定位和实施排除方案。在整个过程中，需要记录故障排除的每一步骤和结果，以便后续分析和知识积累。

5.6.6 监控和评估

故障排除后进行发射机的状态评估，确保故障已经解决，并留心观察是否存在其他潜在的故障隐患。

6 功能实现方法

6.1 故障感知与诊断算法

6.1.1 数据清洗与预处理

对接收到的监控数据进行清洗和预处理，以确保数据的准确性和一致性。过程包括重复数据去除、数据值缺失处理、异常值处理等，以提高数据的可用性和故障检测的准确性，降低误报率，加快故障诊断的速度。

6.1.2 特征选择与提取

通过对故障数据进行特征选择与提取，选择最具代表性的特征来描述故障模式。可以使用特征选择算法（如相关性分析、方差选择、信息增益等）来选择最相关的特征，或者使用特征提取方法（如主成分分析、独立成分分析等）来提取具有较高区分度的特征。

6.2 故障分类算法

针对不同类型的故障，选择适合的分类算法进行优化。常见的分类算法包括决策树、支持向量机、朴素贝叶斯、神经网络等。可以通过调整算法参数、改进特征选择、引入集成学习等方法来提高分类算法的性能。

6.3 异常检测算法改进

针对故障感知中的异常检测任务，可以改进异常检测算法来降低误报率。例如，引入基于统计模型的异常检测方法（如基于高斯混合模型、孤立森林等）或基于机器学习的异常检测方法来提高检测的准确性。

6.4 故障诊断模型优化

对于故障诊断模型，可以使用大规模的故障数据进行模型的训练和优化。通过深度学习、迁移学习等技术，提高模型故障隐患诊断的准确性。可以结合广播电视领域的新知识和专家运行维护经验，引入规则推理方法来增强诊断模型的故障数据分析能力。

7 结语

本文通过对运行态势感知的发射机故障隐患智能预警系统应用的研究，希望能够助推广播电视发射台实现对发射机设备故障的实时态势感知和故障隐患的预警和告警，提高播出设备设施故障隐患诊断的准确性和排除效率。同时，通过对故障知识的整理和分享，积累、传承维护经验，提高广播电视发射台故障隐患排查能力，为保障广播电视发射设备的安全正常运行提供技术支撑。