基于人工智能技术的调频广播故障监测系统设计

■ 桂林广播电视发射台：李希宁

目前，在广播无线发射技术领域，使用人工智能技术对广播发射设备进行智能监控，判断故障问题的工作方式应用较少。大多数广播无线发射台采用的都是基于自动控制技术的设备故障监控系统，这种模式降低了技术人员值班的工作强度，不需要技术人员7*24小时不间断“人不离机”值班，只需要在设备监控系统发出告警时，确保技术人员能够及时到达机房处理故障问题即可，但是，这种自动控制监控系统也存在一定弊端，比如误告警概率较高、值班人员人为失误等。因此，非常有必要结合人工智能技术，结合计算机深度学习技术，构建一整套广播电视机房各系统的神经网络故障预测模型，开发出能够判断各种故障类型人工智能监测系统。

1.深度学习介绍

目前，机器学习领域中重点研究方向是深度学习（Deep Learning，DL），深度学习是基于神经网络模型的深度研究，因此，又称为深度神经网络。深度学习的本质是将特征标识和机器学习进行研究，深度学习的神经网络包括输入层、隐藏层和输出层三种类型图层。深度学习构建的是一种特殊的人工智能神经网络，使其能够自己学习并提出决策。

深度学习的算法种类较多，包括CNN、GAN、RNN和深度自编器等，每一种深度学习算法都有不同于其他算法的特长和优点。例如，CNN算法在图像分类、数据处理等方面优势较为明显；GAN算法可以根据一定的规律生成特点不同的图像，并针对图像进行创新创作；RNN主要用于语音识别、机器翻译等领域，在时序关系上具有较强能力。深度学习模型的图像特征提取、图像特征表达能力均优于其他机器学习方式，是最容易实现人工智能广播故障监控系统开发的模型。

深度学习的特征在数字图像处理中比其他机器学习方式更具有典型优势，本文结合广播无线发射台对故障监控和处理的实际工作需求，采用了深度学习中CNN算法进行仿真设计，对监控系统与信号源系统中的图像差异进行人工智能“观察”，判断故障类型，消除误告警，在进行下一步工作部署。

2.基于人工智能技术的供配电系统故障监测

基于人工智能技术的供配电系统故障监测的优势是能代替人工判断故障点。并且能够快速、有效的定位故障位置，并且简单提示操作方案。

广播机房的外电与发电机组、UPS等备用电源从输出逻辑上来看是“先外电后发电”，属于互锁关系的逻辑结构。如图1所示，采集点A的逻辑原则定义为“谁供电与谁进行比对”，本系统设计的第一步流程是决定采集点A是与采集点W还是与采集点C对比。第二步是多点对比，通过多采集点采集数据，采集电流电压数值的监控设备，电流电压传感器，对电流电压进行采集，再通过PLC控制器等下机位设备将信息传送到计算机中，生成实时电流电压多个图像，将每一个设备的输出采集点与之前的采集点进行对比。如果发现结果不一致的情况，再通过与标准模型进行实时对比，人工智能模型就以此判断出该设备哪一部分存在故障问题。可以快速定位故障点，并且通过系统交互显示故障点的典型处理方案给值班人员参考。

供配电系统是广播电视机房的核心，出现则意味着严重故障，必须人工介入处理。故障未解决之前，后面系统的监测也无从谈起，所以人工智能技术在供配电系统是起到发现问题，快速定位故障点的作用。

图1：信号源系统采样图

图2：信号源系统故障设备判定图

3.基于人工智能技术的信号源、发射机故障监测系统

基于人工智能技术的信号源、发射机故障监测系统的优势是具有发射机故障的预判能力，对于发射机系统来说，本文需要从中获取信号源与回传数据的音频信号，通常情况下，如果以上两种数据值接近，则可以判定发射机播出正常。

数值1是入射值功率，可以利用PLC控制器等能够采集直流电源数据的设备，将采集到的数据信息传输到计算机中，根据采样点电压值情况实时生成曲线图。虽然由于发射机设备型号种类较多，部署的采样点位置不同，但不属于本文研究范围，不再进行详细论述。

数值2是音频回传对比数值，可以通过调谐接收器等能够接收回传开路信号的设备，对音视频信号进行采集回传到计算机中，再实时生成音视频信号修改曲线图。此时，该信号经过了广播发射机内元器件设备的数据处理，导致其波形具有一定变化，但与原信源波形基本一致，最理想的状态是波形一致，仅仅信号延时。

如图3图4所示，调频广播信号源与回传经过图形化后，进行对比分析。

图3 音频图形化对比（此例差异较小）

通过对深度学习技术的引入，采用卷积神经网络算法CNN，直接使用音频图形化技术，进行对回传音频图形与信号源图形的对比，让CNN去提取局部特征，训练好的数据集可以区分发射机系统正常运转还是已经出现了回传信号失真等情况。两个信号源的图形化数据采集一定的时间后，获取足够图像差异数据再送入深度学习后的数据集进行CNN特征提取，深度学习模型一旦判定为差异较大，故障监测系统就可以通过交互界面通知值班人员进行检修。流程图如图5所示。

图4：音频图形化对比（此例差异较大）

图5：故障判断流程图

通常模型报告的故障一般为发射机故障隐患，某个原器件出现问题所致，所以通过人工智能技术改造后的发射机系统故障监测系统具有智能预判故障的能力，一定程度上代替值班人员作出故障判断。

结论：随着调频广播事业的飞速发展，信息技术手段的不断提高，人工智能技术必将应用于广播故障监测中。目前，广播发射台主要采用的还是自动控制技术的故障监控方式，即对关键设备采集电流电压数值，设定一定阈值，当电流电压数值超过阈值后，则发出故障告警。但是，这种自动控制技术的广播故障监测方式难以区分真实故障和误告警故障，因此，本文引入人工智能技术，对广播电视无线发射故障中较难以甄别的隐性故障即故障隐患问题设计了故障预判方法，具有较强的实践应用意义。