GSM-R無線干擾智能預警系統研究

范 濤，楊 軍

GSM-R系統是我國高速鐵路和重載鐵路無線通信系統的核心,承載著列控業務、調度命令傳送、無線車次號傳送、語音調度電話等關鍵業務［1］。由于電磁環境具有開放性,空中接口容易受到干擾信號的影響；同時隨著鐵路沿線特別是大型車站周邊的城市化發展,鐵路周邊電磁環境日益復雜,在實際運營中,GSM-R無線網絡受到干擾的事件時有發生［2-3］,因此做好日常無線電監測和運維工作,對高速、重載鐵路的安全運營意義重大。

目前,鐵路無線干擾的處理模式還是以干擾產生后再處理為主。通信維護工作人員需要攜帶多種儀器儀表到事發地進行干擾排查,利用便攜式頻譜儀［4］掃描周邊干擾信號,查看干擾信號的頻譜形狀,初步判斷干擾信號是否存在。這種方式雖然對穩定的干擾源有效,但對于大量由偶發信號導致的干擾案例,由于無法復現干擾發生時的電磁環境而無法確定干擾原因及定位干擾源,給鐵路無線電維護工作帶來了很大的困擾。

為此,武漢局集團公司研發了GSM-R無線干擾智能預警系統,可對GSM-R無線網絡頻段及其鄰近頻段進行實時監測,及時發現和識別潛在的各類型干擾信號［5-7］,并完成對干擾源的測向定位［8-9］,實現工作模式由干擾發生后再排查到干擾發生前智能預警的轉變,顯著提高了運營維護工作的質量和效率。

1 系統架構

1.1 系統整體架構

GSM-R無線干擾智能預警系統主要包括數據采集監測端（以下簡稱“采集端”）和智能預警數據中心（以下簡稱“數據中心”）2部分,整體架構為一個數據中心對多個采集端的形式,如圖1所示,采集端與數據中心使用鐵路既有傳輸網絡進行數據通信。

圖1 GSM-R無線干擾智能預警系統整體架構

采集端依托基站架設,包含采集設備和天線陣列。采集設備安裝在基站站房內,使用基站提供的220 V交流供電電源和傳輸網絡數據端口；天線陣列安裝在基站鐵塔上,通過天線支架固定在鐵塔中部。數據中心位于路局機房,接入鐵路既有傳輸網,顯示終端接入數據中心的交換機。

1.2 系統架構特點

該系統架構符合國鐵集團對鐵路無線電干擾監測和臺站數據管理系統的設計要求［10］,具有如下特點。

1）系統采集端使用獨立的天線陣列,與鐵路基站BTS無任何物理連接,只接收而不發射信號,不會對GSM-R系統的正常工作產生影響。

2）天線陣列安裝在基站鐵塔,與基站天線安裝位置十分接近,二者所處的電磁環境基本一致,因此可更加準確地判斷當前基站是否受到干擾信號的影響。

3）安裝在地理位置較近的干擾采集端,可對同一干擾源進行多點聯合測向,能夠對干擾信號進行精準定位。

4）具有良好的可擴展性。

2 系統功能

2.1 GSM-R無線信道質量實時監測

GSM-R無線干擾智能預警系統可實時掃描GSM-R上行頻段885～889 MHz和下行頻段930～934 MHz,實時監測999～1 019共21個GSM-R無線信道質量,并解析GSM-R小區參數。GSM-R無線信道質量監測見圖2,其中深顏色信道為配置的監測小區BCCH信道。

圖2 GSM-R無線信道質量

2.2 公網環境掃描

GSM-R無線干擾智能預警系統可掃描GSM-R頻段周邊的公網電磁環境,掃描頻段為800～1 000 MHz,能夠發現該頻段內中國移動、中國聯通GSM 900頻段無線信號,并測量其相關參數。公網環境掃描情況見圖3。

圖3 公網環境掃描

2.3 頻譜分析

GSM-R無線干擾智能預警系統對GSM-R頻段頻譜進行實時分析,及時發現GSM-R頻段帶內干擾。對指定GSM-R頻點自定義參數掃描,繪制星座圖見圖4,計算該頻點的信號質量,分析干擾信號的特征。星座圖采取幅度和相位的極坐標形式。

圖4 GSM-R信號星座圖

2.4 干擾識別與定位

GSM-R無線干擾智能預警系統能夠識別鄰頻、雜散、互調、阻塞等不同類型的干擾,分辨GSM-R網內及網外干擾,記錄干擾信號的I/Q數據,并對干擾信號進行測向定位。

通過干擾識別與定位功能,可以得到干擾信號的干擾類型、中心頻率、電平值、發生時間等信息,并估算對監測頻點的影響程度,把抽象的干擾信號具象化。干擾信號的I/Q數據一方面可以用于后期深度分析,另一方面可以作為干擾證據,為干擾信號的處理提供事實依據。

2.5 告警功能

GSM-R無線干擾智能預警系統可識別事實干擾和潛在干擾,分別進行實時告警或預警,并對GSM-R無線信道質量和周邊電磁環境進行異常告警,見圖5。

圖5 告警顯示

3 關鍵技術

3.1 電磁環境自動學習技術

空間電磁環境具有時變特征,移動通信公網的功率控制、智能波束跟蹤與切換、用戶增減、覆蓋優化調整,以及GSM-R網絡參數調整等,都會導致監測空域的電磁環境發生改變,使用自動學習算法,不斷計算電磁環境趨勢模型,是提升預警準確率的重要環節。

自動學習技術是利用機器學習算法實現的,提取當前電磁環境數據特征值x1,x2...xn,將對當前電磁環境有直接影響的因素作為輸入數據,并以當前無線信道質量作為輸出數據y值。將兩者數據作為有內在關聯的樣本數據,對數據進行標準化預處理。通過對大量樣本數據的迭代訓練,得到能夠反映電磁環境與無線信道質量變化規律的模型。

模型核心算法是采用線性回歸算法。線性回歸算法是有監督的學習算法,通過y=w1x1+w2x2+...+wnxn+b線性函數方程來解釋各個特征值x與y值的關系。電磁環境的各個特征值與無線信道質量存在超平面的線性關聯關系,利用線性回歸算法可計算出兩者的關聯關系。

模型優化算法采用了小批量隨機梯度下降法,先隨機對模型參數設定初始值,再結合方差損失函數來評估實際y值與預測值之間的誤差。在大量訓練中,不斷迭代各個特征值的權重參數,降低損失值。損失值越小,預測值與實際y值越接近,模型越能反映出兩者之間的關聯關系,最終使y值更加接近線性函數分布。

模型訓練完成后,通過線性模型估算訓練數據集以外的電磁環境,根據當前電磁環境評估無線信道的質量。當電磁環境發生變化時,實時將當前數據作為新的樣本數據加入到訓練數據集中進行迭代訓練。當損失值最小時,即可得到新的趨勢模型。通過不斷實時訓練調整模型,來保證模型具有較高的實時性、準確性及泛化能力。

3.2 智能預警技術

基于歷史數據,采用數據統計預測的方法,預測電磁環境的變化趨勢,并對惡化的發展趨勢進行預警。

3.2.1 預測方法選擇

根據電磁環境的變化特性,選擇趨勢外推法搭建電磁環境變化的預測模型。

趨勢外推法是根據過去和現在的發展趨勢,推斷未來的一類方法總稱,應用觀測數據擬合得到時間序列隨著時間t的變化函數y=f(t),并據此得出未來某個時刻t的時序值［11］。趨勢外推法是長期趨勢預測的主要方法,根據連續性原理,依據時間序列的發展趨勢,配合合適的曲線模型,對未來趨勢進行外推預測［12］。

趨勢外推法的基本原理包括：①決定事物過去發展的因素,在很大程度上也決定該事物未來的發展,其變化不會太大；②事物發展過程一般都是漸進式變化,而不是跳躍性變化,且依據掌握事物的發展規律就能預測出事物的未來趨勢和狀態。

影響GSM-R頻段電磁環境的因素可以分為固定因素和隨機因素。固定因素主要包括周邊的自然環境、周邊固定臺站、規律運行的無線電設備等；隨機因素則是一些隨機發生而難以預料的無線電信號,例如某些非法使用的電臺,臨時使用的無線屏蔽器等。其中,固定因素具有時間的累積效果,也是緩慢變化的,例如,無線電發射機的老化是漸進式發生的,電磁環境底噪也是漸進式變化的。因此,在鐵路無線電干擾監測系統中,趨勢外推的統計預測方法適用于固定因素的變化趨勢預測。

若GSM-R無線電環境固定因素突變,則影響電磁環境的固定因素也會發生突變,如當鐵路周邊新增臺站或某個臺站的頻率配置發生變化,或者發射機天線朝向調整等。固定因素發生突變之后,仍然呈現穩定和可預測的特性。因此,需要將趨勢外推法結合無線電干擾監測自身的特點,對模型的修正參數進行適配,當發現突變后,采用新的數據重新對預測模型參數進行修正。

GSM-R無線電環境隨機因素的預測：由于隨機因素往往難以準確預測,但可根據發生的歷史統計值,計算出時間占用度隨時間的歷史變化值,采用與固定因素變化不同的預測模型,進行曲線擬合。這部分不在本文研究范圍內,在本文中采用剔除方差過大的數據,以消除隨機因素的影響。

3.2.2 GSM-R電磁環境變化預測模型建模

趨勢外推法常用的模型包括：直線模型、二次模型、簡單指數曲線模型、Gompertz曲線模型和Logistic曲線模型等。模型的選擇方法通常有2種。

1）直觀辨認法。將歷史觀測數據描繪在坐標圖上,形成歷史數據分布散點圖,并用不同的模型曲線與圖形進行比較,直觀選擇最合適的趨勢曲線。

2）特征分析法。在分析歷史數據特征的基礎上,選擇與該數據特征相適應的趨勢曲線模型。分析歷史數據特征時,可通過直觀分析、列表分析和比較分析等方法,判定出較為顯著的數據特征。

由于本課題積累歷史數據的時間不足,試驗站周邊電磁環境的變化趨勢尚未呈現出明顯特征。但根據相關文獻的研究指出［13］,城市空間人為電磁能量每年增長7%～14%,可見電磁能量的增長呈現指數型趨勢。以此為參考,可以對鐵路大型車站周邊的GSM-R電磁環境變化趨勢,以簡單指數曲線進行初步建模,并隨著歷史數據的積累進行修正。

3.2.3 預警條件

預測模型建立后,可分別對未來1年、2年、5年以后的電磁環境趨勢進行推算,對于推算強度超過一定門限的頻段,給出電磁環境干擾預警。

3.3 干擾定位技術

采用比幅測向方法,將測向天線中的定向天線元等角度均勻分布成圓環形排列布局,獲取干擾信號入射到測向陣列各天線元的信號強度,通過比幅測向算法計算出干擾信號來向,多監測站對同一干擾信號進行測向,結合各站地理位置信息實現對干擾源的定位功能。

測向陣列按照角度將M個定向天線元均勻分布,使其能夠全向覆蓋。由于各定向天線元特性一致,當所有天線元均獲取一組幅度數據后,取最大的3個數值及其對應天線元的序號,根據拋物線擬合二次函數的一組系數,構成拋物線方程,拋物線的對稱軸位置即為測向DOA值。

設拋物線方程為y=ax2+bx+c,y代表信號強度,x為角度范圍,其頂點位置為

根據已獲得的3個幅度最大值及其坐標,可以計算出方程的系數。

設已知3個最大值的坐標為(x1,y1)、(x2,y2)、(x3,y3),構成方程組（1）。

由方程組（1）通過矩陣求逆轉換成方程組（2）。

在外場對本系統測向功能進行多角度驗證測試,對930 M～934 MHz頻段抽取了18個方位,進行測向準確度仿真,結果見圖6,彩線表示信號源在不同的角度發射不同頻率的信號時,采集設備測得信號源的相對角度值,例如,圖6中最上面的綠色線表示信號源在天線陣列330°方向發射信號時,發射信號頻率在930 M～934 MHz范圍內以每200 kHz的幅度不斷遞增,采集設備在每個頻率下測得信號源的相對角度值所連成的線。

圖6 系統測向仿真數據

4 試驗驗證

試驗地點選擇在武漢—烏龍泉東07基站（站名：WH-WLQD07）,該基站已事先安裝了干擾監測采集設備和天線陣列,并且經過一段時間的智能學習,數據中心已經搭建了該基站周圍GSM-R頻段的電磁環境模型。

模擬干擾試驗方案結構見圖7,使用綜合測試儀CMU200作為模擬干擾源,在基站周圍隨機選擇干擾地點發射干擾信號,同時在數據中心使用顯示終端軟件查看是否產生了干擾預警,并對干擾信號進行測向,在電子地圖上查看測向結果是否準確。

圖7 模擬干擾試驗方案結構

在隨機選擇的測試點發射模擬GSM干擾信號,信號頻率為933.8 MHz（ARFCN：1 018）,約20 s后,在顯示終端上產生網內干擾預警,預警信息見圖8。

圖8 鐵路GSM-R無線干擾智能預警系統產生預警

預警觸發時刻測得GSM-R下行頻譜見圖9,系統智能識別1 018頻點存在干擾并產生預警。

圖9 預警觸發時刻GSM-R下行頻譜

對干擾信號中心頻率933.8 MHz進行測向,在電子地圖上顯示測量結果,見圖10（其中干擾測試點為人工后期標注）,測向角度線與干擾信號發射位置基本重合。

圖10 對干擾信號的測向結果

5 結論

針對目前我國鐵路GSM-R無線干擾預警及定位方面存在的短板,提出一種GSM-R無線干擾智能預警系統。利用電磁環境智能學習技術、電磁環境變化趨勢預警技術,以及測向定位技術等,可實時監測鐵路沿線的GSM-R頻段,發現其中存在的干擾信號并進行智能預警,同時對干擾信號進行測向定位。

通過模擬干擾試驗對該系統進行功能驗證,達到了預期設計要求。后續工作中,將持續采集現場監測數據,根據現場實際使用情況對系統不斷優化,使系統功能更加完善、高效,更好地為鐵路GSM-R無線網絡運維工作提供支撐。