基于人工智能技術(shù)的調(diào)頻廣播故障監(jiān)測系統(tǒng)設(shè)計

■ 桂林廣播電視發(fā)射臺：李希寧

目前，在廣播無線發(fā)射技術(shù)領(lǐng)域，使用人工智能技術(shù)對廣播發(fā)射設(shè)備進行智能監(jiān)控，判斷故障問題的工作方式應(yīng)用較少。大多數(shù)廣播無線發(fā)射臺采用的都是基于自動控制技術(shù)的設(shè)備故障監(jiān)控系統(tǒng)，這種模式降低了技術(shù)人員值班的工作強度，不需要技術(shù)人員7*24小時不間斷“人不離機”值班，只需要在設(shè)備監(jiān)控系統(tǒng)發(fā)出告警時，確保技術(shù)人員能夠及時到達機房處理故障問題即可，但是，這種自動控制監(jiān)控系統(tǒng)也存在一定弊端，比如誤告警概率較高、值班人員人為失誤等。因此，非常有必要結(jié)合人工智能技術(shù)，結(jié)合計算機深度學(xué)習(xí)技術(shù)，構(gòu)建一整套廣播電視機房各系統(tǒng)的神經(jīng)網(wǎng)絡(luò)故障預(yù)測模型，開發(fā)出能夠判斷各種故障類型人工智能監(jiān)測系統(tǒng)。

1.深度學(xué)習(xí)介紹

目前，機器學(xué)習(xí)領(lǐng)域中重點研究方向是深度學(xué)習(xí)（Deep Learning，DL），深度學(xué)習(xí)是基于神經(jīng)網(wǎng)絡(luò)模型的深度研究，因此，又稱為深度神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)的本質(zhì)是將特征標(biāo)識和機器學(xué)習(xí)進行研究，深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層三種類型圖層。深度學(xué)習(xí)構(gòu)建的是一種特殊的人工智能神經(jīng)網(wǎng)絡(luò)，使其能夠自己學(xué)習(xí)并提出決策。

深度學(xué)習(xí)的算法種類較多，包括CNN、GAN、RNN和深度自編器等，每一種深度學(xué)習(xí)算法都有不同于其他算法的特長和優(yōu)點。例如，CNN算法在圖像分類、數(shù)據(jù)處理等方面優(yōu)勢較為明顯；GAN算法可以根據(jù)一定的規(guī)律生成特點不同的圖像，并針對圖像進行創(chuàng)新創(chuàng)作；RNN主要用于語音識別、機器翻譯等領(lǐng)域，在時序關(guān)系上具有較強能力。深度學(xué)習(xí)模型的圖像特征提取、圖像特征表達能力均優(yōu)于其他機器學(xué)習(xí)方式，是最容易實現(xiàn)人工智能廣播故障監(jiān)控系統(tǒng)開發(fā)的模型。

深度學(xué)習(xí)的特征在數(shù)字圖像處理中比其他機器學(xué)習(xí)方式更具有典型優(yōu)勢，本文結(jié)合廣播無線發(fā)射臺對故障監(jiān)控和處理的實際工作需求，采用了深度學(xué)習(xí)中CNN算法進行仿真設(shè)計，對監(jiān)控系統(tǒng)與信號源系統(tǒng)中的圖像差異進行人工智能“觀察”，判斷故障類型，消除誤告警，在進行下一步工作部署。

2.基于人工智能技術(shù)的供配電系統(tǒng)故障監(jiān)測

基于人工智能技術(shù)的供配電系統(tǒng)故障監(jiān)測的優(yōu)勢是能代替人工判斷故障點。并且能夠快速、有效的定位故障位置，并且簡單提示操作方案。

廣播機房的外電與發(fā)電機組、UPS等備用電源從輸出邏輯上來看是“先外電后發(fā)電”，屬于互鎖關(guān)系的邏輯結(jié)構(gòu)。如圖1所示，采集點A的邏輯原則定義為“誰供電與誰進行比對”，本系統(tǒng)設(shè)計的第一步流程是決定采集點A是與采集點W還是與采集點C對比。第二步是多點對比，通過多采集點采集數(shù)據(jù)，采集電流電壓數(shù)值的監(jiān)控設(shè)備，電流電壓傳感器，對電流電壓進行采集，再通過PLC控制器等下機位設(shè)備將信息傳送到計算機中，生成實時電流電壓多個圖像，將每一個設(shè)備的輸出采集點與之前的采集點進行對比。如果發(fā)現(xiàn)結(jié)果不一致的情況，再通過與標(biāo)準模型進行實時對比，人工智能模型就以此判斷出該設(shè)備哪一部分存在故障問題?？梢钥焖俣ㄎ还收宵c，并且通過系統(tǒng)交互顯示故障點的典型處理方案給值班人員參考。

供配電系統(tǒng)是廣播電視機房的核心，出現(xiàn)則意味著嚴重故障，必須人工介入處理。故障未解決之前，后面系統(tǒng)的監(jiān)測也無從談起，所以人工智能技術(shù)在供配電系統(tǒng)是起到發(fā)現(xiàn)問題，快速定位故障點的作用。

圖1：信號源系統(tǒng)采樣圖

圖2：信號源系統(tǒng)故障設(shè)備判定圖

3.基于人工智能技術(shù)的信號源、發(fā)射機故障監(jiān)測系統(tǒng)

基于人工智能技術(shù)的信號源、發(fā)射機故障監(jiān)測系統(tǒng)的優(yōu)勢是具有發(fā)射機故障的預(yù)判能力，對于發(fā)射機系統(tǒng)來說，本文需要從中獲取信號源與回傳數(shù)據(jù)的音頻信號，通常情況下，如果以上兩種數(shù)據(jù)值接近，則可以判定發(fā)射機播出正常。

數(shù)值1是入射值功率，可以利用PLC控制器等能夠采集直流電源數(shù)據(jù)的設(shè)備，將采集到的數(shù)據(jù)信息傳輸?shù)接嬎銠C中，根據(jù)采樣點電壓值情況實時生成曲線圖。雖然由于發(fā)射機設(shè)備型號種類較多，部署的采樣點位置不同，但不屬于本文研究范圍，不再進行詳細論述。

數(shù)值2是音頻回傳對比數(shù)值，可以通過調(diào)諧接收器等能夠接收回傳開路信號的設(shè)備，對音視頻信號進行采集回傳到計算機中，再實時生成音視頻信號修改曲線圖。此時，該信號經(jīng)過了廣播發(fā)射機內(nèi)元器件設(shè)備的數(shù)據(jù)處理，導(dǎo)致其波形具有一定變化，但與原信源波形基本一致，最理想的狀態(tài)是波形一致，僅僅信號延時。

如圖3圖4所示，調(diào)頻廣播信號源與回傳經(jīng)過圖形化后，進行對比分析。

圖3 音頻圖形化對比（此例差異較?。?/p>

通過對深度學(xué)習(xí)技術(shù)的引入，采用卷積神經(jīng)網(wǎng)絡(luò)算法CNN，直接使用音頻圖形化技術(shù)，進行對回傳音頻圖形與信號源圖形的對比，讓CNN去提取局部特征，訓(xùn)練好的數(shù)據(jù)集可以區(qū)分發(fā)射機系統(tǒng)正常運轉(zhuǎn)還是已經(jīng)出現(xiàn)了回傳信號失真等情況。兩個信號源的圖形化數(shù)據(jù)采集一定的時間后，獲取足夠圖像差異數(shù)據(jù)再送入深度學(xué)習(xí)后的數(shù)據(jù)集進行CNN特征提取，深度學(xué)習(xí)模型一旦判定為差異較大，故障監(jiān)測系統(tǒng)就可以通過交互界面通知值班人員進行檢修。流程圖如圖5所示。

圖4：音頻圖形化對比（此例差異較大）

圖5：故障判斷流程圖

通常模型報告的故障一般為發(fā)射機故障隱患，某個原器件出現(xiàn)問題所致，所以通過人工智能技術(shù)改造后的發(fā)射機系統(tǒng)故障監(jiān)測系統(tǒng)具有智能預(yù)判故障的能力，一定程度上代替值班人員作出故障判斷。

結(jié)論：隨著調(diào)頻廣播事業(yè)的飛速發(fā)展，信息技術(shù)手段的不斷提高，人工智能技術(shù)必將應(yīng)用于廣播故障監(jiān)測中。目前，廣播發(fā)射臺主要采用的還是自動控制技術(shù)的故障監(jiān)控方式，即對關(guān)鍵設(shè)備采集電流電壓數(shù)值，設(shè)定一定閾值，當(dāng)電流電壓數(shù)值超過閾值后，則發(fā)出故障告警。但是，這種自動控制技術(shù)的廣播故障監(jiān)測方式難以區(qū)分真實故障和誤告警故障，因此，本文引入人工智能技術(shù)，對廣播電視無線發(fā)射故障中較難以甄別的隱性故障即故障隱患問題設(shè)計了故障預(yù)判方法，具有較強的實踐應(yīng)用意義。