机器学习在广播电视发射故障诊断中的应用

◆孙克玉

机器学习在广播电视发射故障诊断中的应用

◆孙克玉

（江苏省连云港市广播电视台技术中心 江苏 222000）

本文首次探讨了机器学习在广播电视发射故障诊断中的应用。首先介绍了机器学习的提出背景和建模过程，接着分析了广播电视发射系统故障诊断的内涵，然后介绍了机器学习算法在广播电视发射系统故障诊断中的应用和发展，并具体给出了几种经典的机器学习算法在广播电视发射系统故障诊断中的应用方法。

机器学习；广播电视；发射故障

随着工业4.0时代的到来，人工智能、工业互联网以及物联网技术逐渐成为人们研究的热点[1-2]。在此基础上，由于传感器技术的不断发展，数据成为广播电视发射领域中非常重要的一环。如何高效地利用这些数据为广播电视企业进行服务仍然处于探索阶段。一个非常有价值的研究方向是利用这些数据为广播电视发射设备进行智能维护保障。

设备故障诊断概念最早由美国国家宇航局提出，旨在对机械设备的故障进行分析、诊断和预防。后来随着故障诊断技术对企业安全价值和经济效益的巨大帮助，越来越多的工程人员和研究人员开始投入其中[3-4]。在过去的几十年间，故障诊断技术大多靠技术人员的经验，技术人员由于心理因素、自身知识水平、疲劳、压力以及技能等影响，可能做出与真实情况相差过大的分析和判断，人力成本高并且效率低下，准确度得不到保证。后来有技术人员采用了依靠相关信号来判断设备在什么地方发生了故障、发生故障的类型以及故障发生的大概时间，这种方法需要建立精确的物理数学模型，需要对待测设备有较强的认知，也就是说这一方法要利用很强的专业知识，无法大规模推广。近年来，依据传感器数据的故障诊断技术逐渐成为研究的主流，取代了传统的过度依赖人工的故障诊断技术。这一方法不考虑丰富的专家经验和高深的数学模型，通过机器学习来分析传感器采集到的数据，提取特征信息，实现故障诊断。

1 机器学习

机器学习是一门需要知识交叉的综合性学科，涉及统计学、算法、概率论、计算机等[5]。主要研究计算机如何模仿人类行为，不断获取新的知识，掌握新的技能，解决一类新的问题。机器学习是人工智能的核心技术，是使机器智能化的重要实现方法[6]。

根据机器学习的不同方面，可以对其有多种不同的分类。

1.1 基于学习策略的分类

（1）模拟人脑的机器学习。包括符号学习和神经网络学习。符号学习以符号数据为输入，以符号运算为方法，用推理过程在图或状态空间中搜索，学习的目标为概念或规则等。它是模拟人脑的宏观学习过程，以认知心理学为基础。神经网络学习以数值数据为输入，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习的目标为函数。它是模拟人脑的微观学习行为，以脑科学为基础。

（2）采用数学方法的机器学习。目前采用数学方法的机器学习主要是采用统计学知识，选择合适的数学模型，拟定超参数，并输入样本数据，依据一定的策略，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测。

1.2 基于学习方法的分类

主要有归纳学习、分析学习、类比学习以及演绎学习等。

1.3 基于学习方式的分类

（1）无监督学习。无监督学习是不给定明确的分类标准，不会对训练数据集进行标签的标记，通过无标记的数据集训练来发现数据集本身内在的规律和联系。无监督学习可以避免正负样本数量不均衡问题，提升训练速度，主要用于异常检测、经济预测以及图像处理等。常用的无监督学习的算法有：k-means聚类算法、主成分分析以及降维算法等。

（2）有监督学习。利用已经做好标记的样本做训练集，建立一个对应的数学模型，利用得到的模型对测试集进行分类（离散情况）或者回归（连续情况）。常用的有监督机器学习算法有支持向量机、随机森林、人工神经网络以及决策树等。

（3）强化学习。以环境的反馈作为算法的输入，也就是奖惩信号，是一个与环境进行交互的学习过程。常见的算法有Q-learning算法和Sarsa算法。

1.4 基于数据形式的分类

（1）结构化学习。以数值计算或符号推演为方法，以结构化数据为输入，典型的结构化学习有决策树学习、统计学习、神经网络学习、规则学习。

（2）非结构化学习。以非结构化数据为输入，典型的非结构化学习有文本挖掘、案例学习和图像挖掘等

2 广播电视发射故障诊断

随着广播电视发射技术的快速发展，发射系统很多，设备结构非常的复杂，耦合性越来越高[7]。由于设备自身的老化和外部环境的变化，广播电视发射系统的性能和稳定的状态会随着时间的推移逐渐退化，必然会发生一些故障，而一旦发生重大播出事故，会对企业的声誉和经济效益产生影响。为提高设备的安全性和可靠性，故障诊断技术应运而生。故障诊断技术能根据历史故障数据分析各种故障对应的设备参数的变化情况并判断广播电视设备系统状态是否正常，是否即将发生故障。

广播电视发射系统故障诊断是广播电视发射系统健康管理体系不可或缺的一环，是打造广播电视发射系统数字化、信息化和智能化重要的手段，可以推断出任何不可接受的或始料未及的异常行为的过程。广播电视发射系统的故障具有突发性和偶然性的特征，究其原因是广播电视发射系统结构复杂，子系统与子系统之间耦合性高，并且故障发生时从宏观角度可能表现得并不特别明显，此时如果不及时维护，最终会造成重大不可挽回的事故。

目前广播电视发射系统智能故障诊断技术还未大规模展开，广播电视发射系统仍处于定期维护状态，耗费了大量的人力物力，并且故障发生时有可能无法第一时间发现故障的根本原因。大部分技术人员都是根据事先设定好的阈值进行比较，超过阈值会触发报警，但此时故障已经发生，维护行为产生了严重的滞后。因此，运用机器学习方法对广播电视发射系统进行智能化故障诊断是尤为必要的。

3 机器学习算法在广播电视发射系统故障诊断中的应用和发展

3.1 基于决策树的故障诊断方法

决策树是一种经典的回归和分类方法。一般的，一棵决策树包含叶节点、内部节点和根节点，事件的决策结果对应叶节点，属性测试对应内部节点。一个判定测试序列对应从根节点到叶节点的路径，根节点包含的样本全集根据属性测试的结果归属到各个节点中。

决策树本质上是一个递归的过程，可分为3种情景：

（1）如果当前节点包含的数据样本是同一类别，此时该节点可以标记为叶节点；

（2）当前属性集为空，或者是所有数据样本的属性相同，此时这些节点也可以标记为叶节点；

（3）当前节点包含的数据样本集是空集，此时该节点也是叶节点。

决策树不需要特定的专业知识，它可以自动进行学习，根据数据自动生成决策树系统，它本质上是利用数据实例进行归纳学习。决策树推理效率高，知识直观，容易提取规则，计算量适中，所以在故障诊断中应用广泛。

3.2 基于支持向量机的故障诊断方法

支持向量机是一种有监督的学习方法，是基于统计学习理论，由Cortes和Vapnik教授提出，是一种最为经典的分类学习方法。

与传统的机器学习算法不同的是，支持向量机是利用最小化结构化风险来提高算法的学习的泛化能力，从而达到置信范围和经验风险的最小化，尤其是在小样本的学习分类情况下，支持向量机有非常好的性能表现。

比如，假设待分类的样本中，有两类标识过的样本，在支持向量机训练模型的作用下，模型会找到最佳的分割平面，也叫做超平面，这个平面是最优分类超平面。支持向量机模型的最终目标是最大化支持向量到分割平面的距离。简单来说，支持向量机需要将样本数据准确分开并使得分割距离最大。

3.3 基于神经网络的故障诊断方法

由于广播电视发射系统越来越复杂，趋于自动化和连续化，传感器在系统中采集到的数据具有纬度高、数据量大的特点，每个采样的时间点可能有几十甚至是几百个维度，时间序列明显并且数据不均衡，上述基于决策树和基于支持向量机的故障诊断方法在处理此种类型数据过程中会显得吃力。而神经网络具有非常好的容错能力、非线性映射能力、并行计算能力以及自学习能力，非常适合处理高纬度高复杂度数据。

神经网络应用于广播电视发射系统故障诊断的流程如下：

（1）通过对广播电视发射系统信号的检测和分析，提取能够反映被测对象的特征参数，将其作为神经网络的输入；

（2）对被测的对象进行编码；

（3）设计神经网络的结构，确定好神经网络一共有几层以及每一层的神经元数目；

（4）将提取到的广播电视发射系统各种状态数据作为训练样本，输入网络中进行训练，确定好神经元之间的连接权值；

（5）把待测特征参数作为网络的输入，根据神经网络的输出确定待测对象的状态类别。

常用的神经网络有两种，一种是卷积神经网络，另外一种是循环神经网络。卷积神经网络是一种有监督的学习方式，是一种特殊的前馈神经网络，其包含了输出层，全连接层，池化层，卷积层和输入层。循环神经网络是一种具有循环结构的学习模型，其具有一定的记忆能力，适用于复杂度较高的设备，能够提高广播电视发射系统故障诊断的效率。

4 结语

机器学习是当前人工智能领域研究的热点，其具有非常好的分类、识别和自学习能力，非常适合应用在广播电视发射系统故障诊断中。本文首先介绍了机器学习的研究背景和不同的分类方式，接着研究了广播电视发射系统故障诊断的相关内容，最后研究了机器学习算法在广播电视发射系统故障诊断中的应用和发展，分别阐述了决策树、支持向量机和人工神经网络在故障诊断中应用方法。机器学习在广播电视发射系统故障诊断领域的应用对提升系统故障的智能化检测水平，减少人力成本，提升企业经济效益方面具有非常重要的意义。

[1]任娇.工业4.0智能制造全生命周期柔性生产线的研发与应用[J].科技与创新，2021（10）：180-181.

[2]梁书娟.大数据时代人工智能在计算机网络技术中的应用[J].网络安全技术与应用，2021（09）：74-76.

[3]张静.人工智能优化算法的舰船电网故障诊断优化[J].舰船科学技术，2021，43（12）：97-99.

[4]常书源，赵荣珍，石明宽.基于半监督邻域自适应正交判别投影的转子故障诊断[J].振动与冲击，2021，40（10）：159-165.

[5]肖思昌，靳经，潘敏，等.基于机器学习的多类目标识别方法分析[J].中国设备工程，2021（16）：24-25.

[6]黄心依.机器学习在数据挖掘中的应用研究[J].信息记录材料，2021，22（08）：121-123.

[7]张学军.数字时代广播电视无线发射技术相关问题的探讨[J].广播电视信息，2021，28（08）：90-92.

[8]施启军，龙福海，苟辉鹏，等.基于深度神经网络的多分类方法研究[J].网络安全技术与应用，2021（09）：41-43.