◆孫克玉

機(jī)器學(xué)習(xí)在廣播電視發(fā)射故障診斷中的應(yīng)用

◆孫克玉

（江蘇省連云港市廣播電視臺技術(shù)中心 江蘇 222000）

本文首次探討了機(jī)器學(xué)習(xí)在廣播電視發(fā)射故障診斷中的應(yīng)用。首先介紹了機(jī)器學(xué)習(xí)的提出背景和建模過程，接著分析了廣播電視發(fā)射系統(tǒng)故障診斷的內(nèi)涵，然后介紹了機(jī)器學(xué)習(xí)算法在廣播電視發(fā)射系統(tǒng)故障診斷中的應(yīng)用和發(fā)展，并具體給出了幾種經(jīng)典的機(jī)器學(xué)習(xí)算法在廣播電視發(fā)射系統(tǒng)故障診斷中的應(yīng)用方法。

機(jī)器學(xué)習(xí)；廣播電視；發(fā)射故障

隨著工業(yè)4.0時代的到來，人工智能、工業(yè)互聯(lián)網(wǎng)以及物聯(lián)網(wǎng)技術(shù)逐漸成為人們研究的熱點(diǎn)[1-2]。在此基礎(chǔ)上，由于傳感器技術(shù)的不斷發(fā)展，數(shù)據(jù)成為廣播電視發(fā)射領(lǐng)域中非常重要的一環(huán)。如何高效地利用這些數(shù)據(jù)為廣播電視企業(yè)進(jìn)行服務(wù)仍然處于探索階段。一個非常有價值的研究方向是利用這些數(shù)據(jù)為廣播電視發(fā)射設(shè)備進(jìn)行智能維護(hù)保障。

設(shè)備故障診斷概念最早由美國國家宇航局提出，旨在對機(jī)械設(shè)備的故障進(jìn)行分析、診斷和預(yù)防。后來隨著故障診斷技術(shù)對企業(yè)安全價值和經(jīng)濟(jì)效益的巨大幫助，越來越多的工程人員和研究人員開始投入其中[3-4]。在過去的幾十年間，故障診斷技術(shù)大多靠技術(shù)人員的經(jīng)驗(yàn)，技術(shù)人員由于心理因素、自身知識水平、疲勞、壓力以及技能等影響，可能做出與真實(shí)情況相差過大的分析和判斷，人力成本高并且效率低下，準(zhǔn)確度得不到保證。后來有技術(shù)人員采用了依靠相關(guān)信號來判斷設(shè)備在什么地方發(fā)生了故障、發(fā)生故障的類型以及故障發(fā)生的大概時間，這種方法需要建立精確的物理數(shù)學(xué)模型，需要對待測設(shè)備有較強(qiáng)的認(rèn)知，也就是說這一方法要利用很強(qiáng)的專業(yè)知識，無法大規(guī)模推廣。近年來，依據(jù)傳感器數(shù)據(jù)的故障診斷技術(shù)逐漸成為研究的主流，取代了傳統(tǒng)的過度依賴人工的故障診斷技術(shù)。這一方法不考慮豐富的專家經(jīng)驗(yàn)和高深的數(shù)學(xué)模型，通過機(jī)器學(xué)習(xí)來分析傳感器采集到的數(shù)據(jù)，提取特征信息，實(shí)現(xiàn)故障診斷。

1 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一門需要知識交叉的綜合性學(xué)科，涉及統(tǒng)計學(xué)、算法、概率論、計算機(jī)等[5]。主要研究計算機(jī)如何模仿人類行為，不斷獲取新的知識，掌握新的技能，解決一類新的問題。機(jī)器學(xué)習(xí)是人工智能的核心技術(shù)，是使機(jī)器智能化的重要實(shí)現(xiàn)方法[6]。

根據(jù)機(jī)器學(xué)習(xí)的不同方面，可以對其有多種不同的分類。

1.1 基于學(xué)習(xí)策略的分類

（1）模擬人腦的機(jī)器學(xué)習(xí)。包括符號學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。符號學(xué)習(xí)以符號數(shù)據(jù)為輸入，以符號運(yùn)算為方法，用推理過程在圖或狀態(tài)空間中搜索，學(xué)習(xí)的目標(biāo)為概念或規(guī)則等。它是模擬人腦的宏觀學(xué)習(xí)過程，以認(rèn)知心理學(xué)為基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)以數(shù)值數(shù)據(jù)為輸入，以數(shù)值運(yùn)算為方法，用迭代過程在系數(shù)向量空間中搜索，學(xué)習(xí)的目標(biāo)為函數(shù)。它是模擬人腦的微觀學(xué)習(xí)行為，以腦科學(xué)為基礎(chǔ)。

（2）采用數(shù)學(xué)方法的機(jī)器學(xué)習(xí)。目前采用數(shù)學(xué)方法的機(jī)器學(xué)習(xí)主要是采用統(tǒng)計學(xué)知識，選擇合適的數(shù)學(xué)模型，擬定超參數(shù)，并輸入樣本數(shù)據(jù)，依據(jù)一定的策略，運(yùn)用合適的學(xué)習(xí)算法對模型進(jìn)行訓(xùn)練，最后運(yùn)用訓(xùn)練好的模型對數(shù)據(jù)進(jìn)行分析預(yù)測。

1.2 基于學(xué)習(xí)方法的分類

主要有歸納學(xué)習(xí)、分析學(xué)習(xí)、類比學(xué)習(xí)以及演繹學(xué)習(xí)等。

1.3 基于學(xué)習(xí)方式的分類

（1）無監(jiān)督學(xué)習(xí)。無監(jiān)督學(xué)習(xí)是不給定明確的分類標(biāo)準(zhǔn)，不會對訓(xùn)練數(shù)據(jù)集進(jìn)行標(biāo)簽的標(biāo)記，通過無標(biāo)記的數(shù)據(jù)集訓(xùn)練來發(fā)現(xiàn)數(shù)據(jù)集本身內(nèi)在的規(guī)律和聯(lián)系。無監(jiān)督學(xué)習(xí)可以避免正負(fù)樣本數(shù)量不均衡問題，提升訓(xùn)練速度，主要用于異常檢測、經(jīng)濟(jì)預(yù)測以及圖像處理等。常用的無監(jiān)督學(xué)習(xí)的算法有：k-means聚類算法、主成分分析以及降維算法等。

（2）有監(jiān)督學(xué)習(xí)。利用已經(jīng)做好標(biāo)記的樣本做訓(xùn)練集，建立一個對應(yīng)的數(shù)學(xué)模型，利用得到的模型對測試集進(jìn)行分類（離散情況）或者回歸（連續(xù)情況）。常用的有監(jiān)督機(jī)器學(xué)習(xí)算法有支持向量機(jī)、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)以及決策樹等。

（3）強(qiáng)化學(xué)習(xí)。以環(huán)境的反饋?zhàn)鳛樗惴ǖ妮斎耄簿褪仟剳托盘?，是一個與環(huán)境進(jìn)行交互的學(xué)習(xí)過程。常見的算法有Q-learning算法和Sarsa算法。

1.4 基于數(shù)據(jù)形式的分類

（1）結(jié)構(gòu)化學(xué)習(xí)。以數(shù)值計算或符號推演為方法，以結(jié)構(gòu)化數(shù)據(jù)為輸入，典型的結(jié)構(gòu)化學(xué)習(xí)有決策樹學(xué)習(xí)、統(tǒng)計學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、規(guī)則學(xué)習(xí)。

（2）非結(jié)構(gòu)化學(xué)習(xí)。以非結(jié)構(gòu)化數(shù)據(jù)為輸入，典型的非結(jié)構(gòu)化學(xué)習(xí)有文本挖掘、案例學(xué)習(xí)和圖像挖掘等

2 廣播電視發(fā)射故障診斷

隨著廣播電視發(fā)射技術(shù)的快速發(fā)展，發(fā)射系統(tǒng)很多，設(shè)備結(jié)構(gòu)非常的復(fù)雜，耦合性越來越高[7]。由于設(shè)備自身的老化和外部環(huán)境的變化，廣播電視發(fā)射系統(tǒng)的性能和穩(wěn)定的狀態(tài)會隨著時間的推移逐漸退化，必然會發(fā)生一些故障，而一旦發(fā)生重大播出事故，會對企業(yè)的聲譽(yù)和經(jīng)濟(jì)效益產(chǎn)生影響。為提高設(shè)備的安全性和可靠性，故障診斷技術(shù)應(yīng)運(yùn)而生。故障診斷技術(shù)能根據(jù)歷史故障數(shù)據(jù)分析各種故障對應(yīng)的設(shè)備參數(shù)的變化情況并判斷廣播電視設(shè)備系統(tǒng)狀態(tài)是否正常，是否即將發(fā)生故障。

廣播電視發(fā)射系統(tǒng)故障診斷是廣播電視發(fā)射系統(tǒng)健康管理體系不可或缺的一環(huán)，是打造廣播電視發(fā)射系統(tǒng)數(shù)字化、信息化和智能化重要的手段，可以推斷出任何不可接受的或始料未及的異常行為的過程。廣播電視發(fā)射系統(tǒng)的故障具有突發(fā)性和偶然性的特征，究其原因是廣播電視發(fā)射系統(tǒng)結(jié)構(gòu)復(fù)雜，子系統(tǒng)與子系統(tǒng)之間耦合性高，并且故障發(fā)生時從宏觀角度可能表現(xiàn)得并不特別明顯，此時如果不及時維護(hù)，最終會造成重大不可挽回的事故。

目前廣播電視發(fā)射系統(tǒng)智能故障診斷技術(shù)還未大規(guī)模展開，廣播電視發(fā)射系統(tǒng)仍處于定期維護(hù)狀態(tài)，耗費(fèi)了大量的人力物力，并且故障發(fā)生時有可能無法第一時間發(fā)現(xiàn)故障的根本原因。大部分技術(shù)人員都是根據(jù)事先設(shè)定好的閾值進(jìn)行比較，超過閾值會觸發(fā)報警，但此時故障已經(jīng)發(fā)生，維護(hù)行為產(chǎn)生了嚴(yán)重的滯后。因此，運(yùn)用機(jī)器學(xué)習(xí)方法對廣播電視發(fā)射系統(tǒng)進(jìn)行智能化故障診斷是尤為必要的。

3 機(jī)器學(xué)習(xí)算法在廣播電視發(fā)射系統(tǒng)故障診斷中的應(yīng)用和發(fā)展

3.1 基于決策樹的故障診斷方法

決策樹是一種經(jīng)典的回歸和分類方法。一般的，一棵決策樹包含葉節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)和根節(jié)點(diǎn)，事件的決策結(jié)果對應(yīng)葉節(jié)點(diǎn)，屬性測試對應(yīng)內(nèi)部節(jié)點(diǎn)。一個判定測試序列對應(yīng)從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的路徑，根節(jié)點(diǎn)包含的樣本全集根據(jù)屬性測試的結(jié)果歸屬到各個節(jié)點(diǎn)中。

決策樹本質(zhì)上是一個遞歸的過程，可分為3種情景：

（1）如果當(dāng)前節(jié)點(diǎn)包含的數(shù)據(jù)樣本是同一類別，此時該節(jié)點(diǎn)可以標(biāo)記為葉節(jié)點(diǎn)；

（2）當(dāng)前屬性集為空，或者是所有數(shù)據(jù)樣本的屬性相同，此時這些節(jié)點(diǎn)也可以標(biāo)記為葉節(jié)點(diǎn)；

（3）當(dāng)前節(jié)點(diǎn)包含的數(shù)據(jù)樣本集是空集，此時該節(jié)點(diǎn)也是葉節(jié)點(diǎn)。

決策樹不需要特定的專業(yè)知識，它可以自動進(jìn)行學(xué)習(xí)，根據(jù)數(shù)據(jù)自動生成決策樹系統(tǒng)，它本質(zhì)上是利用數(shù)據(jù)實(shí)例進(jìn)行歸納學(xué)習(xí)。決策樹推理效率高，知識直觀，容易提取規(guī)則，計算量適中，所以在故障診斷中應(yīng)用廣泛。

3.2 基于支持向量機(jī)的故障診斷方法

支持向量機(jī)是一種有監(jiān)督的學(xué)習(xí)方法，是基于統(tǒng)計學(xué)習(xí)理論，由Cortes和Vapnik教授提出，是一種最為經(jīng)典的分類學(xué)習(xí)方法。

與傳統(tǒng)的機(jī)器學(xué)習(xí)算法不同的是，支持向量機(jī)是利用最小化結(jié)構(gòu)化風(fēng)險來提高算法的學(xué)習(xí)的泛化能力，從而達(dá)到置信范圍和經(jīng)驗(yàn)風(fēng)險的最小化，尤其是在小樣本的學(xué)習(xí)分類情況下，支持向量機(jī)有非常好的性能表現(xiàn)。

比如，假設(shè)待分類的樣本中，有兩類標(biāo)識過的樣本，在支持向量機(jī)訓(xùn)練模型的作用下，模型會找到最佳的分割平面，也叫做超平面，這個平面是最優(yōu)分類超平面。支持向量機(jī)模型的最終目標(biāo)是最大化支持向量到分割平面的距離。簡單來說，支持向量機(jī)需要將樣本數(shù)據(jù)準(zhǔn)確分開并使得分割距離最大。

3.3 基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法

由于廣播電視發(fā)射系統(tǒng)越來越復(fù)雜，趨于自動化和連續(xù)化，傳感器在系統(tǒng)中采集到的數(shù)據(jù)具有緯度高、數(shù)據(jù)量大的特點(diǎn)，每個采樣的時間點(diǎn)可能有幾十甚至是幾百個維度，時間序列明顯并且數(shù)據(jù)不均衡，上述基于決策樹和基于支持向量機(jī)的故障診斷方法在處理此種類型數(shù)據(jù)過程中會顯得吃力。而神經(jīng)網(wǎng)絡(luò)具有非常好的容錯能力、非線性映射能力、并行計算能力以及自學(xué)習(xí)能力，非常適合處理高緯度高復(fù)雜度數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)應(yīng)用于廣播電視發(fā)射系統(tǒng)故障診斷的流程如下：

（1）通過對廣播電視發(fā)射系統(tǒng)信號的檢測和分析，提取能夠反映被測對象的特征參數(shù)，將其作為神經(jīng)網(wǎng)絡(luò)的輸入；

（2）對被測的對象進(jìn)行編碼；

（3）設(shè)計神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，確定好神經(jīng)網(wǎng)絡(luò)一共有幾層以及每一層的神經(jīng)元數(shù)目；

（4）將提取到的廣播電視發(fā)射系統(tǒng)各種狀態(tài)數(shù)據(jù)作為訓(xùn)練樣本，輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，確定好神經(jīng)元之間的連接權(quán)值；

（5）把待測特征參數(shù)作為網(wǎng)絡(luò)的輸入，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出確定待測對象的狀態(tài)類別。

常用的神經(jīng)網(wǎng)絡(luò)有兩種，一種是卷積神經(jīng)網(wǎng)絡(luò)，另外一種是循環(huán)神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的學(xué)習(xí)方式，是一種特殊的前饋神經(jīng)網(wǎng)絡(luò)，其包含了輸出層，全連接層，池化層，卷積層和輸入層。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有循環(huán)結(jié)構(gòu)的學(xué)習(xí)模型，其具有一定的記憶能力，適用于復(fù)雜度較高的設(shè)備，能夠提高廣播電視發(fā)射系統(tǒng)故障診斷的效率。

4 結(jié)語

機(jī)器學(xué)習(xí)是當(dāng)前人工智能領(lǐng)域研究的熱點(diǎn)，其具有非常好的分類、識別和自學(xué)習(xí)能力，非常適合應(yīng)用在廣播電視發(fā)射系統(tǒng)故障診斷中。本文首先介紹了機(jī)器學(xué)習(xí)的研究背景和不同的分類方式，接著研究了廣播電視發(fā)射系統(tǒng)故障診斷的相關(guān)內(nèi)容，最后研究了機(jī)器學(xué)習(xí)算法在廣播電視發(fā)射系統(tǒng)故障診斷中的應(yīng)用和發(fā)展，分別闡述了決策樹、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)在故障診斷中應(yīng)用方法。機(jī)器學(xué)習(xí)在廣播電視發(fā)射系統(tǒng)故障診斷領(lǐng)域的應(yīng)用對提升系統(tǒng)故障的智能化檢測水平，減少人力成本，提升企業(yè)經(jīng)濟(jì)效益方面具有非常重要的意義。

[1]任嬌.工業(yè)4.0智能制造全生命周期柔性生產(chǎn)線的研發(fā)與應(yīng)用[J].科技與創(chuàng)新，2021（10）：180-181.

[2]梁書娟.大數(shù)據(jù)時代人工智能在計算機(jī)網(wǎng)絡(luò)技術(shù)中的應(yīng)用[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2021（09）：74-76.

[3]張靜.人工智能優(yōu)化算法的艦船電網(wǎng)故障診斷優(yōu)化[J].艦船科學(xué)技術(shù)，2021，43（12）：97-99.

[4]常書源，趙榮珍，石明寬.基于半監(jiān)督鄰域自適應(yīng)正交判別投影的轉(zhuǎn)子故障診斷[J].振動與沖擊，2021，40（10）：159-165.

[5]肖思昌，靳經(jīng)，潘敏，等.基于機(jī)器學(xué)習(xí)的多類目標(biāo)識別方法分析[J].中國設(shè)備工程，2021（16）：24-25.

[6]黃心依.機(jī)器學(xué)習(xí)在數(shù)據(jù)挖掘中的應(yīng)用研究[J].信息記錄材料，2021，22（08）：121-123.

[7]張學(xué)軍.數(shù)字時代廣播電視無線發(fā)射技術(shù)相關(guān)問題的探討[J].廣播電視信息，2021，28（08）：90-92.

[8]施啟軍，龍福海，茍輝鵬，等.基于深度神經(jīng)網(wǎng)絡(luò)的多分類方法研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2021（09）：41-43.