基于报警评分的气象雷达状态监测方法

李 巍，周 薇，王一萌，王大林，沈 超，刘兴忠，代雅茹

（1.中国气象局气象探测中心，北京 100000；2.清华大学 机械工程学院 工业工程系，北京 100084；3.四川省气象探测数据中心，四川 成都 610000）

气象雷达的健康状态监测对改善雷达的寿期管理、提高设备的可靠性和维护效率具有积极意义[1]。因结构复杂，故障模式多样等原因，仅依靠历史数据难以建立完善的气象雷达健康评估模型[2]。一种解决方法是引入设备运行和故障的相关机理与专家经验，以补偿数据在故障相关信息方面的不足。通过建立机理与经验模型，将知识和经验中的相关信息导入健康评估模型中。与数据驱动模型相比，机理与经验模型的主要优势在于可突破训练数据集对模型信息的限制，从更广的范围内收集设备健康状态的相关信息，从而可实现对历史数据和参考数据覆盖范围外的运行和故障状态的评估与量化。

本文采用报警评分模型，基于气象雷达的报警信号对雷达的健康状态进行评估。通过设置评分准则的方式将相关经验融入模型中，由综合评分结果得到对设备健康状态的评估。

1 模型构建

报警评分模型是一种基于报警信号的健康评估模型。由于报警信号一般由状态监测参数超出其预设的阈值范围触发，因此可看作是一种状态监测数据的特征，故通过对报警信号的分析也可对设备的健康状态做出一定程度上的判断。

当前工业系统中大部分报警信号是通过单参数的超限触发的，并不直接反应设备或系统的运行状态，在报警信号触发时，运行管理人员通常需要结合对状态监测数据及其他报警信号的分析来判断设备或系统的实际状态，进而作出适当的干预决策[3]。对某些报警信号频繁触发的系统和设备，过多触发的报警信号往往易使运行管理人员感到困惑，难以判定系统或设备的实际健康状态。报警评分模型主要用于应对这种情况，通过对报警信号和设备故障记录的统计分析，结合专家的经验和判断，对所有报警信号的重要程度进行评分，为运行管理人员提供参考[4]。高评分报警往往与设备的故障有较强的关联，触发时应引起重视，低评分报警则可能与设备故障无直接关联[5]。进一步根据近一段时间内触发报警的评分情况，对设备当前的健康状态进行大致的判断。

报警评分模型的建模流程如图1 所示。

图1 报警评分模型的建模流程

报警评分主要包括以下5 个步骤：

（1）训练数据收集

从设备的历史报警数据库和运行记录中分别提取一定时间范围内的报警记录和故障记录，作为进行报警评分的基础数据。

（2）报警统计分析

结合设备的故障记录，选定一个故障报警关联时间窗口长度T1，统计每种报警Ai的若干统计特征以表征该报警的重要程度，具体包括：

Ni，数据中该报警出现的总次数；

P1i，该报警出现在真实故障前T1时间内的频度，即

其中Nfi为该报警在所有故障前T1时间内出现的总次数；

P2i，所有故障发生前T1时间内出现该报警的故障频度，即

其中NF是故障发生的总次数，NFi为所有故障中前T1时间内出现过该报警的故障次数。

（3）报警评分与分级

结合相关专家的经验和意见，分别建立以上三项统计特征的评分函数，根据特征的取值计算相应的得分，由三项指标的得分加和得到报警Ai的总得分，进一步结合专家判断，根据总得分值对各个报警进行分级。一般将总得分按从大到小划分为四个区间，分别对应的报警级别为：关键报警（KA）、高重要度报警（HI）、低重要度报警（LI）和无关报警（NA）。

（4）伴随关系分析

对每个属于KA 的报警信号，取一关联分析时间窗口T2，统计时间窗口内的所有报警，按发生次数排序，取发生次数最多的10 个报警作为KA 的伴随报警。将所有KA 的伴随报警整合在一起，构建KA 关联报警组。

（5）基于报警信号分析的雷达状态判断

在线运行中，取一报警统计时间窗口T3，获取当前时刻往前T3时间内所有发生的报警信号及级别，对报警信号进行分级统计，得到如下统计量：KA 级报警的发生次数、HI 级报警占总报警次数的比例、KA 关联报警占总报警的比例等，建立判定逻辑，根据以上统计量的取值对雷达在线运行状态进行判别。

2 案例应用

本节以我国气象站的SA 型雷达建立的报警评分报警分析模型进行雷达健康状态的评判和故障预警。SA 型雷达是一种典型的多报警信号设备，共设有188 种报警信号，经常出现多种报警频繁跳出导致运行管理人员难以判断雷达状态的情况，因此对报警信号进行重要度评分从而为相关人员提供参考信息，对提高气象雷达的运行管理水平具有积极意义。

2.1 建模过程

选取所有SA 型雷达在2014-2015 年的报警记录和故障记录进行统计分析与报警评分，将故障报警关联时间窗口长度T1取为7 天，对每个报警信号Ai，分别统计Ni、P1i和P2i三项统计指标，然后根据各项统计指标计算结果的分布情况，结合气象雷达专家的相关经验，根据各项指标的取值范围对其进行评分，评分矩阵如表1。

表1 对三项统计量的评分规则

针对每类报警，由其三项特征评分之和得到报警的总分，进一步根据与相关专家交流的结果，将所有报警信号按总分分为四挡，分别为“1-6”“7-12”“13-18”“19-24”，对应四种紧急程度由低到高的报警类型，即NA、LI、HI 和KA。

按以上报警等级划分规则对所有188 个报警信号的划分结果如表2 所示。

表2 报警等级划分结果

其中划入关键报警（KA 级）的11 个报警信号的具体评分信息列于表3 中。

表3 KA 级报警信号的评分信息

经相关专家确认，通过评分筛选得到的11 种KA 级报警均为实际运行中出现的较为严重的报警，与雷达的故障具有较强的相关关系。

进一步地，将关联分析时间窗口T2取为12 小时，进行报警的伴随关系分析，得到各KA 级报警的伴随报警如表4 所示。

表4 KA 级报警的伴随报警

在此基础上，结合相关专家的经验和意见，根据报警序列对雷达实际健康状态的评判规则如下：

（1）如果报警序列中KA 等级的报警出现了两次，则认定该报警预示着将有真实故障发生。

（2）如果报警序列中KA 等级的报警出现了1 次，其他报警中HI 等级占50%以上，或者其中至少有50%的报警属于关键报警的关联报警，则认定该报警预示着将有真实故障发生。

（3）如果报警序列中KA 等级的报警出现了0 次，报警序列中HI 等级占80%以上，而且至少有80%的报警属于关键报警的关联报警，则认定该报警预示着将有真实故障发生。

（4）其他情况，认为无真实故障发生。

2.2 结果验证

分别采用雷达故障发生前和正常运行过程中的报警序列数据对报警评分模型进行验证，结果如下：

（1）Z9558 雷达，故障前数据

提取Z9558 雷达2016 年3 月23 日和24 日两天的报警序列，根据前述报警评分策略，得到报警序列的评分及报警等级如表5。

表5 Z9558 雷达报警序列及评分结果

可以看出报警序列中KA 等级的报警共发生了两次，按照设定的评判规则，这个序列预示着即将有真实故障发生，事实上该雷达于2017 年3 月27 日进行了一次维修，与事实相符。

（2）Z9010 雷达，故障前数据

提取Z9010 雷达2017 年7 月29 日的报警数据，根据前述报警评分策略，得到报警序列的评分及报警等级如表6。

表6 Z9010 雷达报警序列及评分结果（故障前）

其中KA 级报警次数为0，HI 级报警占比100%，关键报警的关联报警占比95%以上，满足第三条评判逻辑，认定后续即将有故障发生，实际Z9010 雷达在2017 年7月30 日进行了故障维修。

（3）Z9010 雷达，正常运行数据

提取Z9010 雷达2017 年5 月的报警数据序列，根据前述报警评分策略，得到报警序列的评分及报警等级如表7。

表7 Z9010 雷达报警序列及评分结果（正常运行状态）

报警序列中无KA 级别报警及其关联报警，HI 级报警和LI 级报警的占比分别为22.2%和77.8%，按照设定的评判规则，这段时间的报警预示不会发生真实故障，与实际情况相符。

3 结论

报警评分模型是一种针对报警信号的健康评估方法，通过对报警记录和故障记录的统计分析，结合相关专家的经验和判断对各报警信号进行评分，并划分报警等级，以区分不同报警的重要程度，为运行管理人员提供参考。进一步基于报警等级设定评判规则，可根据报警序列对设备的运行状态进行评判。采用气象雷达的报警序列案例对报警评分模型进行验证，结果表明利用报警分级和评判规则获得的设备状态评估结果与其实际状态相符。