數理統計方法在大功率短波發射機故障診斷中的應用

+ 王波 國家新聞出版廣電總局四九一臺

數理統計方法在大功率短波發射機故障診斷中的應用

+ 王波 國家新聞出版廣電總局四九一臺

隨著大數據技術的成熟，基于數理統計方法的機器學習算法廣泛運用于各類重點設備的維護工作，本文針對大功率短波發射機的故障診斷流程，運用了數理統計方法中的因果分析法和排列圖法對該流程進行優化，提高了故障診斷的命中率，為實現智能化故障診斷提供了一定的參考價值。

因果分析；排列圖；故障診斷；大數據

1 引言

近年來，基于云計算的網絡技術日益成熟，同時大數據業務孕育而生，目前各類大數據應用廣泛用于各類貴重復雜設備的維護工作中。而大功率（發射功率50kW以上）短波廣播發射機作為傳統的廣播覆蓋設備，在公共服務體系中仍有著不可替代的作用。

在大功率短波發射機維護工作中故障診斷是其中的難點之一，尤其是新入職的人員或新擔當機房的負責人，由于經驗不足，設備了解不夠深入，面對故障往往無所適從，為此，各廣播發射臺根據以往發射機出現的故障編制了各種類型的故障匯編和維護規程等等，以指導技術人員處理故障，縮短處理時間。

然而，在傳統的故障匯編和維護規程故障診斷流程編制中，主要將所有的可能性因素逐一排列，因此，為提高故障診斷的速度，技術人員的經驗成為關鍵因素。所以，要提高技術維護人員的故障診斷能力，就是將大量隨機的經驗數據進行整理、歸納，運用數理統計分析方法將其轉換成有規律的法則，從而達到優化故障流程的目的。

2 數理統計方法概述

數理統計方法就是運用概率論原理研究樣本特征同總體特征之間關系的一種科學方法。數理統計研究的對象主要是帶有隨機性質的自然及社會現象。它通過隨機現象的觀察收集一定量的數據，然后進行整理、分析，并應用概率論的知識作出合理的估計、推斷、預測。其目的，是希望認識研究對象的概率特征，比如它是否服從某種分布，各數字特征是多少等等，從而為正確決策提供科學依據。

該方法應用范圍很廣，常常應用于社會生產活動中，適用于工程質量控制、市場營銷等領域中。若把發射機故障診斷作為一個生產活動，處理流程當做一個質量控制手段，那么我們就能將一些數理統計分析方法應用在這個故障診斷中。

常用的分析方法有調查分析法、分層法、排列圖法、因果分析法、直方圖法等等。根據發射機故障診斷的特點，筆者推薦使用排列圖法和因果分析法，下面簡單介紹一下這兩種方法。

排列圖法是按引起故障可能的原因從多到少的順序進行排列而采用的一種簡單的圖示技術。排列圖由一個橫坐標、兩個縱坐標、幾個按高低順序排列的矩形和一條累積百分比折線組成。通常累計百分比將影響因素分為三類：占0%-80%的為A類因素，即主要因素；80%-90%的為B類因素，是次要因素；90%-100%的為C類因素，即一般因素。在使用排列圖法分析時，往往認為處理了A類因素，就解決了大部分的問題。

因果分析法是一種逐步深入研究和討論問題的圖示方法。運用因果分析法可以將問題類型進行分類，有利于全面查找問題，在故障診斷中不致于漏檢。其制作的方法為：

1決定特性，就是要解決的問題，放在主干箭頭的前面。2確定引起問題特性的大枝，即影響正常工作的因素。3進一步劃出中、小細枝，即找出中、小原因。4反復討論，補充遺漏的因素。

3 優化方案

根據上述的數理統計分析方法，在編制各類故障匯編或維護規程時，首先使用因果分析法將對可能的因素進行分類，然后將每種可能性進行歸類，同時發動同類型發射機維護人員利用頭腦風暴法盡可能窮盡每種可能性因素。其次通過統計近一段時期（可以是1年或半年）各種可能性因素發生的頻次，利用排列圖法繪制出引起該故障的帕累托曲線。第三在實際故障診斷中優先考慮檢查A類故障點，然后是B類故障點，最后是C類故障點，這也就是成為我們優化故障診斷流程的理論基礎。下面我們以國內某型大功率短波發射機的一個典型故障診斷流程為例。

典型故障：末前級無陰流或過小

1故障現象

末前陰流小（或無），無過荷指示，高末無柵流，控制4（聯鎖5）燈滅。

2故障診斷處理流程圖

故障診斷處理流程如圖1所示。

注：寬放：寬頻帶射頻放大器 1A9：射頻自動增益控制器

通過以上的流程可以看出，為保證所有的狀況下該故障診斷的通用性，在編制流程時未針對發射機具體運行和維護情況，來優化整個故障診斷的流程。下面我們將運用上述的因果分析法和排列圖法對此流程進行優化，以提高處理該故障的效率。

4 改進后的流程

通過上面故障診斷流程描述以及筆者長年發射機維護工作經歷，大功率短波發射機故障點或原因分為以下幾類：

第一類：人的因素；第二類：電源故障；第三類：子設備故障；第四類：材料工藝；第五類：環境。

根據上述的故障描述就可

第一類：人的因素

1電源空氣開關未合；2射頻衰減器未置于指定位置；

圖一　末前級陰流過小或無故障診斷流程

圖2　末前級陰流過小或無故障因果分析圖

3調諧方法不夠熟練。

第二類：電源故障

1頻率合成器電源；2寬放電源；3末前級電源。

第三類：設備自身故障

1頻率合成器；2寬放；31A9（射頻自動增益控制器）；4末前級電子管。

第四類：材料工藝

1連接線纜質量；2線纜接頭焊接工藝。

第五類：環境

1環境溫度過高，元器件參數變化。

制作成因果分析圖，如圖2所示：

前面我們分析過，通過繪制因果分析圖，可有層次分析引起故障的原因，集中所有有關人員的智慧和經驗，做到所有故障點無一遺漏。為下面使用排列圖法優化故障診斷流程打好基礎，也可以說因果分析法是優化故障診斷流程的基礎工作。

通過上述的故障點歸類，我們可以針對這部或多部同類型的發射機一段時期上述故障點發生的頻次進行統計，如得出以下表1：

通過上述的表格我們可以計算出各故障點的累計頻次百分比，從而繪制出排列圖，如圖3所示：

根據繪制的帕累托曲線，累計百分比占0%-80%的為A類因素，即主要因素；80%-90%的為B類因素，是次要因素；90%-100%的為C類因素，即一般因素。從上表可以得出：A類因素是：寬放故障、寬放電源、1A9故障、末前級電源、合成器故障等；B類因素是合成器電源、末前級電子管故障、調諧方法等；C類因素是：射頻衰減器過小、空氣開關未合、連接線纜質量、線纜接頭焊接工藝、環境溫度過高等。

因此，我們在此故障診斷時，應優化檢查A類因素，其次是B類因素，同時根據難易程度，優先檢查容易檢查的A類因素。經過優化的故障診斷流程為如圖4所示：從優化后的故障診斷流程可以看出，對于發射機末前級陰流小或無的故障，尤其在發射機播出過程中，C類因素的人為因素，如空氣開關和激勵衰減器不在位置等不作考慮，優先檢查A類因素的寬放電源、寬放設備、末前級電源、頻率合成器等，而后是B類因素，從而有效地提高了故障診斷的效率。

5 結語

以上分析可以得出，使用數理統計方法優化故障流程的前提，首先要保證基礎數據的隨機性，抽樣發射機范圍盡可能大，這樣才具有普遍性，這些工作在傳統的維護模式是難以做到的。

如今，基于云計算的運維管理體系已在廣播發射臺得到了應用，目前，機器學習的故障診斷算法不久將來逐漸應用到發射臺信息化平臺中，以上提出的基于數理統計優化故障診斷流程的方法，希望能起到拋磚引玉的作用，為將來基于云計算的智能化故障診斷機器學習算法提供了一定的參考價值。

表1　故障因素累計百分比

圖3　末前級陰流過小或無故障排列圖

圖4　優化后故障診斷流程圖