基于多特征融合的中波發射機故障位置判定研究

梅朵央金

（作者單位：西藏廣播電視局當雄中波轉播臺）

中波發射機的穩定運行是廣播電視信號有效傳輸的關鍵，此設備主要由射頻功率系統、數字音頻處理系統、控制系統以及供電系統組成。使用各類插件將上述系統有序連接，在應用的過程中可進行獨立的拆卸與維修[1-3]。由于中波發射機內部零件與組件的數量較多，且種類較為復雜，判定發射機故障的發生位置及類型需要耗費大量的時間，為此需要提出更為合理有效的方法，確定中波發射機故障位置，提升故障定位判斷能力，進一步縮減故障維修時間。

任何一種發射機故障的判定均有思路可尋，采用合理的故障定位方法可在最短的時間內獲取故障位置，完成故障維修[4-5]。在以往的研究中，相關專家學者提出了多種中波發射機故障位置判定方法，本文基于多特征融合技術對中波發射機故障位置判定方法進行優化，提出新型故障判定方法。

1 中波發射機多特征信息獲取

對于多種特征信息采集方法，在此次研究中，將中波發射機信號信息特征的采集流程設定如圖1 所示：

圖1 中波發射機信號信息特征采集流程

按照圖1 所示流程，對中波發射機的信號與其他運行數據進行采集與抽取。為保證抽取過程的可控性，將抽取過程設定如下：

（1）設定中波發射機信息采集周期，信號采集周期相較其他信息采集周期較短，以此保證信息采集結果的可靠性與真實性；

（2）在中波發射機中安裝溫度傳感器，獲取中波發射機的日常運行溫度；

（3）利用原中波發射機中的繼電器與電平，確定發射機電流變化，在電流信號的采集與處理過程中，記錄低電平位置，將其整理為數據備用；

（4）獲取全部信息數據后，將其存儲到指定數據庫中，作為后續故障位置判斷的基礎。

按照上述環節，獲取中波發射機的相關信息后，根據以往研究中的重復數據去除方法，對信息進行預處理，盡可能保證數據時間段的統一性。在信息預處理的過程中，通過去除重復數據進一步降低數據誤差，提升信息可靠性，為后續的多特征融合提供基礎。通過數據相似度計算[6-7]，將相似度較高的數據作為重復數據，并去除重復數據，數據相似度計算公式如下：

其中，Sim（G）表示目標數據集中的數據相似度；Sim（A）表示研究數據集中數據類型相似度；Sim（L）表示研究數據集中同類型數據的相似度；Count（FS）表示數據同類型系數；Count（S）表示數據應用系數。通過上述公式，對未知或異常數據進行處理，為數據研究提供數據來源。

2 中波發射機故障位置判定方法設計

此次研究中，將中波發射機故障位置判定方法初步劃分為下述幾個環節，通過計算、判定與定位的方式，完成設備故障的識別與定位。

2.1 中波發射機故障識別

基于廣播電視信號的特殊性，在進行中波發射機的故障位置判定時，首先需要確定中波發射機是否存在故障。根據所獲取的中波發射機多特征信息，構建中波發射機故障診斷與識別專業系統。將以往的頻發故障類型以及故障數據導入到該系統的數據庫中，根據推理機制對數據庫中的數據進行整理分析，并將數據庫中的數據作為后期故障診斷的決策信息。

此次故障識別過程中涉及相應的信號波形測量，通過對比技術參數以及關鍵點波形[8]，獲取原始疑似故障數據，并將其與采集到的多種信息數據進行比對，以此完成故障識別工作。同時，在故障數據診斷中，選取改進粒子群算法完成相關故障診斷[9]。借鑒遺傳算法的種群思想，對每一組數據的真實性和有效性進行深度檢測，使每一組數據在檢測后均可重新回到數據庫中，盡可能擴大原始信息數據的檢測范圍，以獲取更加準確的故障檢測結果。選擇原始數據中的任意類型數據作為故障特征基因，將其設定為A，并對其展開變異計算：

其中，f(o) 表示遺傳運算函數；Aij表示故障特征參數；Bmin表示迭代運算系數的下限；Bmax表示迭代運算的上限；r表示計算過程中存在的隨機數。此計算環節完成后，引入收斂因子，保證原始數據進行測定時具有良好的收縮性，為后續的特征融合與故障位置判定提供原始故障數據。

2.2 多特征融合故障位置判定

獲取到原始故障數據后，對其進行多特征融合處理。使用局部二值模式（Local Binary Pattern, LBP）特征提取方法對已獲取到的原始故障數據的圖像部分進行特征提取，此方法分類能力較為穩定且使用過程較為便利。而后，應用Haar-like 特征提取方法反映故障數據的變化，并將其整理為中波發射機的故障特征數據，將其導入預設數據庫中，根據不同故障類型的特征對采集到的數據進行區別、提取、融合，最后應用BP-AdaBoost 軟件進行故障定位與識別[10]。

根據中波發射機的運行原理、工作環境以及信號發射特征，此次研究中BP-AdaBoost 軟件設定為30 個神經網絡組成的強分類器，每個神經網絡單一作為一個弱分類器。將預先采集到的原始故障數據輸入到此神經網絡中，經過多次組合、篩選、融合，確定故障類型，并按照故障類型進行中波發射機故障定位。當組件運行數據穩定時，判定設備無故障。當組件運行數據出現異常時，根據故障特征判定故障位置。至此，基于多特征融合的中波發射機故障位置判定方法設定完成。

3 實驗論證分析

針對本文提出的基于多特征融合的中波發射機故障位置判定方法，設計定位實驗以及穩定性實驗，以確定此方法在日常工作中的使用效果。

3.1 實驗對象

此次研究中，選擇某廠家生產的三種常見中波發射機作為實驗對象。并將選定的三種發射機統一劃分為4個子系統以及5個連接器件，并預先設定故障器件，具體設定結果如表1 所示：

表1 實驗對象故障設定結果

在表1 中，0 表示器件未出現故障，1 表示器件已出現故障。如表1 所示，在選擇的三種中波發射機中共設定了9 個故障點。此次實驗過程中，將上表中數據作為基礎，將此部分器件有序連接，并使用文中方法、基礎方法以及機器學習方法對選定的發射機進行故障定位，對比不同方法的故障定位能力。

3.2 定位實驗分析

本次實驗中，將測定指標設定為故障檢出準確率以及故障定位相對誤差兩部分，具體實驗結果如表2與表3 所示：

表2 故障檢出準確率（單位：%）

表3 故障定位相對誤差（單位：mm）

對上表中數據進行分析可以看出，文中方法對預先設置的各個故障點的故障檢出準確率皆高于基礎方法與機器學習方法，說明文中方法的故障識別能力較為準確。

分析上表中數據可以看出，三種方法的故障定位結果均存在一定的誤差，但文中方法相對誤差較小且整體定位精度較為穩定。相比文中方法，基礎方法與機器學習方法的定位精度相對較差，說明文中方法對中波發射機故障位置判定的效果相對較好。

3.3 故障判定方法穩定性實驗分析

為確定文中提出的基于多特征融合的中波發射機故障位置判定方法的可靠性與穩定性，在上述實驗過程的基礎上，增加干擾信號，信號強度分別為0.05 倍與0.5倍，并將信號干擾狀態下的故障定位差異數值（見表4、表5）與表3 中的定位相對誤差進行對比，確定不同方法在應用過程中的抗干擾能力。

表4 0.05 倍干擾下故障定位差異數值（單位：mm）

表5 0.5 倍干擾下故障定位差異數值（單位：mm）

在上述數據的基礎上，獲取0.5 倍信號干擾下不同方法的故障定位差異數值，如表5 所示：

對表4 與表5 中的數據進行分析可以看出，無論哪種故障位置判定方法在信號干擾的條件下都會出現誤差，但不同方法的故障定位穩定性存在較大的差別。文中方法的抗干擾能力相對較高，使用此方法可在較為復雜的環境中較好地完成故障定位工作。整理上述實驗結果可以確定，文中方法的應用效果優于其他兩種方法，能夠實現準確獲取中波發射機故障位置，在最短的時間內完成維修。

4 結語

本次研究提出了基于多特征融合的中波發射機故障位置判定方法，應用此方法將發射機的信號信息、運行信息以及工作環境信息進行融合分析，以此實現準確獲取中波發射機故障位置，在最短的時間內完成故障排除，保障中波發射機的穩定運行。文中方法僅進行了小范圍的測試，在日后的研究中還需擴大實驗范圍，進一步驗證文中方法的科學性。