黄卿 刘峻
摘要:目前在广播电视无线传输发射领域,对设备运行数据监控图的分类区分采用人工的方式进行,无法区分设备的软故障和硬故障,往往存在误判、漏判现象。鉴于卷积神经网络在图像识别方面的优良特性,本文选取具有代表性的广播电视发射机入射功率监控图作为样本集,对卷积神经网络LeNet-5模型进行改进,并将其应用于广播电视发射机入射功率监控图的识别以区分设备的软故障和硬故障。实验表明,该优化后的卷积神经网络模型在对广播电视无线发射机的入射功率监控图的识别中,能够较好地区分软故障和真实故障,满足实际需求。
關键词:发射机;入射功率;卷积神经网络
中图分类号:TP391.41 文献标识码:A 文章编号:1007-9416(2019)11-0094-02
0 引言
随着广播电视事业的发展,广播电视无线传输领域经历了从电子管时代到固态化时代再到目前逐步进入的数字化时代,各广播电视无线发射台也逐步适应时代的发展,引入各个时期的技术并运用于工作当中。目前各发射台的监控系统虽具备通过采集监控设备的一些关键电压电流值,并在这些值出现超出人为设置的门限值后认定为设备故障的能力,但却无法区分一些软故障和真实故障。对此,在实际的设备抢修维护当中,还是需要技术人员结合监控图表和自身经验才能准确判断故障点位置。因此研究采用智能手段,通过模仿人类的视觉系统去查看监控图表,识别故障情况,将有助于消除误告警,大大减少劳动成本。
近来卷积神经网络(CNN)在图像和语音识别方面取得了卓越成效。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)[1],因此本文基于卷积神经网络的经典模型LeNet-5对广播电视无线发射机入射功率监控图进行区分识别,区分出软故障和真实故障。
1 样本处理及模型优化
1.1 样本处理
数据集来源于某频率中波发射机入射功率监控图,功率1KW,告警阈值为300W。样本集共10000张,分为两类,软故障类(偶发性功率下降超过阈值)和真实故障类(频繁在阈值区域内波动),每类样本数量为5000张,训练集共8000张,验证集共2000张,如图1a和图1b所示为例图。
很显然,目前的监控系统对于这类故障现象出现了“不该告警它告警,该告警的它忽略”的情况。
1.2 模型优化
为解决上述故障区分问题,本文采用基于LeNet-5模型的卷积神经网络,并对其进行优化后用来进行区分识别。图2描述了优化前后的两种CNN模型,其中图2a为传统的LeNet-5模型结构,图2b为加入了Dropout正则化方法后的模型,参数为Dropout(0.5)。
Dropout是神经网络中最常用的正则化方法之一,其原理是在训练过程中随机将该层的一些输出特征舍弃,从而“破坏”神经网络的一些传播“习惯”,传统的LeNet-5模型没有Dropout层,本文加入Dropout层进行优化以避免过拟合。
2 实验及结果分析
设置epochs=30,运行结果如图2所示:图2c为传统的LeNet-5模型运行结果图,可以看到训练集loss随着acc上升而下降,但是验证集loss和acc波动频繁,并没有很好的收敛,尤其是在第13个epoch的时候验证集loss居然超过了验证集acc,存在严重的过拟合现象。图2d为加入了Dropout的模型运行结果图,可以看到在第16个epoch的时候才出现一些过拟合现象。说明加入Dropout能有效地降低过拟合。最终测试得到其训练精度为0.95,满足实际需求。
3 结语
本文基于卷积神经网络LeNet-5模型对其进行改进,经过多轮迭代训练,优化相应超参数,构建相应卷积神经网络对发射机入射功率监控图进行识别,以区分广播电视无线发射机的软故障和真实故障。实验表明,该优化后的卷积神经网络模型在对广播电视无线发射机的入射功率监控图的识别中,能够较好地区分软故障和真实故障,满足实际需求。
参考文献
[1] Goodfellow,I.,Bengio,Y.,Courville,A..Deep learning[M].Cambridge:MIT press,2016:326-366.