基于多特征融合的中波发射机故障位置判定研究

梅朵央金

（作者单位：西藏广播电视局当雄中波转播台）

中波发射机的稳定运行是广播电视信号有效传输的关键，此设备主要由射频功率系统、数字音频处理系统、控制系统以及供电系统组成。使用各类插件将上述系统有序连接，在应用的过程中可进行独立的拆卸与维修[1-3]。由于中波发射机内部零件与组件的数量较多，且种类较为复杂，判定发射机故障的发生位置及类型需要耗费大量的时间，为此需要提出更为合理有效的方法，确定中波发射机故障位置，提升故障定位判断能力，进一步缩减故障维修时间。

任何一种发射机故障的判定均有思路可寻，采用合理的故障定位方法可在最短的时间内获取故障位置，完成故障维修[4-5]。在以往的研究中，相关专家学者提出了多种中波发射机故障位置判定方法，本文基于多特征融合技术对中波发射机故障位置判定方法进行优化，提出新型故障判定方法。

1 中波发射机多特征信息获取

对于多种特征信息采集方法，在此次研究中，将中波发射机信号信息特征的采集流程设定如图1 所示：

图1 中波发射机信号信息特征采集流程

按照图1 所示流程，对中波发射机的信号与其他运行数据进行采集与抽取。为保证抽取过程的可控性，将抽取过程设定如下：

（1）设定中波发射机信息采集周期，信号采集周期相较其他信息采集周期较短，以此保证信息采集结果的可靠性与真实性；

（2）在中波发射机中安装温度传感器，获取中波发射机的日常运行温度；

（3）利用原中波发射机中的继电器与电平，确定发射机电流变化，在电流信号的采集与处理过程中，记录低电平位置，将其整理为数据备用；

（4）获取全部信息数据后，将其存储到指定数据库中，作为后续故障位置判断的基础。

按照上述环节，获取中波发射机的相关信息后，根据以往研究中的重复数据去除方法，对信息进行预处理，尽可能保证数据时间段的统一性。在信息预处理的过程中，通过去除重复数据进一步降低数据误差，提升信息可靠性，为后续的多特征融合提供基础。通过数据相似度计算[6-7]，将相似度较高的数据作为重复数据，并去除重复数据，数据相似度计算公式如下：

其中，Sim（G）表示目标数据集中的数据相似度；Sim（A）表示研究数据集中数据类型相似度；Sim（L）表示研究数据集中同类型数据的相似度；Count（FS）表示数据同类型系数；Count（S）表示数据应用系数。通过上述公式，对未知或异常数据进行处理，为数据研究提供数据来源。

2 中波发射机故障位置判定方法设计

此次研究中，将中波发射机故障位置判定方法初步划分为下述几个环节，通过计算、判定与定位的方式，完成设备故障的识别与定位。

2.1 中波发射机故障识别

基于广播电视信号的特殊性，在进行中波发射机的故障位置判定时，首先需要确定中波发射机是否存在故障。根据所获取的中波发射机多特征信息，构建中波发射机故障诊断与识别专业系统。将以往的频发故障类型以及故障数据导入到该系统的数据库中，根据推理机制对数据库中的数据进行整理分析，并将数据库中的数据作为后期故障诊断的决策信息。

此次故障识别过程中涉及相应的信号波形测量，通过对比技术参数以及关键点波形[8]，获取原始疑似故障数据，并将其与采集到的多种信息数据进行比对，以此完成故障识别工作。同时，在故障数据诊断中，选取改进粒子群算法完成相关故障诊断[9]。借鉴遗传算法的种群思想，对每一组数据的真实性和有效性进行深度检测，使每一组数据在检测后均可重新回到数据库中，尽可能扩大原始信息数据的检测范围，以获取更加准确的故障检测结果。选择原始数据中的任意类型数据作为故障特征基因，将其设定为A，并对其展开变异计算：

其中，f(o) 表示遗传运算函数；Aij表示故障特征参数；Bmin表示迭代运算系数的下限；Bmax表示迭代运算的上限；r表示计算过程中存在的随机数。此计算环节完成后，引入收敛因子，保证原始数据进行测定时具有良好的收缩性，为后续的特征融合与故障位置判定提供原始故障数据。

2.2 多特征融合故障位置判定

获取到原始故障数据后，对其进行多特征融合处理。使用局部二值模式（Local Binary Pattern, LBP）特征提取方法对已获取到的原始故障数据的图像部分进行特征提取，此方法分类能力较为稳定且使用过程较为便利。而后，应用Haar-like 特征提取方法反映故障数据的变化，并将其整理为中波发射机的故障特征数据，将其导入预设数据库中，根据不同故障类型的特征对采集到的数据进行区别、提取、融合，最后应用BP-AdaBoost 软件进行故障定位与识别[10]。

根据中波发射机的运行原理、工作环境以及信号发射特征，此次研究中BP-AdaBoost 软件设定为30 个神经网络组成的强分类器，每个神经网络单一作为一个弱分类器。将预先采集到的原始故障数据输入到此神经网络中，经过多次组合、筛选、融合，确定故障类型，并按照故障类型进行中波发射机故障定位。当组件运行数据稳定时，判定设备无故障。当组件运行数据出现异常时，根据故障特征判定故障位置。至此，基于多特征融合的中波发射机故障位置判定方法设定完成。

3 实验论证分析

针对本文提出的基于多特征融合的中波发射机故障位置判定方法，设计定位实验以及稳定性实验，以确定此方法在日常工作中的使用效果。

3.1 实验对象

此次研究中，选择某厂家生产的三种常见中波发射机作为实验对象。并将选定的三种发射机统一划分为4个子系统以及5个连接器件，并预先设定故障器件，具体设定结果如表1 所示：

表1 实验对象故障设定结果

在表1 中，0 表示器件未出现故障，1 表示器件已出现故障。如表1 所示，在选择的三种中波发射机中共设定了9 个故障点。此次实验过程中，将上表中数据作为基础，将此部分器件有序连接，并使用文中方法、基础方法以及机器学习方法对选定的发射机进行故障定位，对比不同方法的故障定位能力。

3.2 定位实验分析

本次实验中，将测定指标设定为故障检出准确率以及故障定位相对误差两部分，具体实验结果如表2与表3 所示：

表2 故障检出准确率（单位：%）

表3 故障定位相对误差（单位：mm）

对上表中数据进行分析可以看出，文中方法对预先设置的各个故障点的故障检出准确率皆高于基础方法与机器学习方法，说明文中方法的故障识别能力较为准确。

分析上表中数据可以看出，三种方法的故障定位结果均存在一定的误差，但文中方法相对误差较小且整体定位精度较为稳定。相比文中方法，基础方法与机器学习方法的定位精度相对较差，说明文中方法对中波发射机故障位置判定的效果相对较好。

3.3 故障判定方法稳定性实验分析

为确定文中提出的基于多特征融合的中波发射机故障位置判定方法的可靠性与稳定性，在上述实验过程的基础上，增加干扰信号，信号强度分别为0.05 倍与0.5倍，并将信号干扰状态下的故障定位差异数值（见表4、表5）与表3 中的定位相对误差进行对比，确定不同方法在应用过程中的抗干扰能力。

表4 0.05 倍干扰下故障定位差异数值（单位：mm）

表5 0.5 倍干扰下故障定位差异数值（单位：mm）

在上述数据的基础上，获取0.5 倍信号干扰下不同方法的故障定位差异数值，如表5 所示：

对表4 与表5 中的数据进行分析可以看出，无论哪种故障位置判定方法在信号干扰的条件下都会出现误差，但不同方法的故障定位稳定性存在较大的差别。文中方法的抗干扰能力相对较高，使用此方法可在较为复杂的环境中较好地完成故障定位工作。整理上述实验结果可以确定，文中方法的应用效果优于其他两种方法，能够实现准确获取中波发射机故障位置，在最短的时间内完成维修。

4 结语

本次研究提出了基于多特征融合的中波发射机故障位置判定方法，应用此方法将发射机的信号信息、运行信息以及工作环境信息进行融合分析，以此实现准确获取中波发射机故障位置，在最短的时间内完成故障排除，保障中波发射机的稳定运行。文中方法仅进行了小范围的测试，在日后的研究中还需扩大实验范围，进一步验证文中方法的科学性。