前言：尋找寫作靈感？中文期刊網用心挑選的機器學習在廣播電視故障診斷中運用，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要：本文首次探討了機器學習在廣播電視發射故障診斷中的應用。首先介紹了機器學習的提出背景和建模過程，接著分析了廣播電視發射系統故障診斷的內涵，然后介紹了機器學習算法在廣播電視發射系統故障診斷中的應用和發展，并具體給出了幾種經典的機器學習算法在廣播電視發射系統故障診斷中的應用方法。
關鍵詞：機器學習；廣播電視；發射故障
隨著工業4.0時代的到來，人工智能、工業互聯網以及物聯網技術逐漸成為人們研究的熱點[1-2]。在此基礎上，由于傳感器技術的不斷發展，數據成為廣播電視發射領域中非常重要的一環。如何高效地利用這些數據為廣播電視企業進行服務仍然處于探索階段。一個非常有價值的研究方向是利用這些數據為廣播電視發射設備進行智能維護保障。設備故障診斷概念最早由美國國家宇航局提出，旨在對機械設備的故障進行分析、診斷和預防。后來隨著故障診斷技術對企業安全價值和經濟效益的巨大幫助，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，故障診斷技術大多靠技術人員的經驗，技術人員由于心理因素、自身知識水平、疲勞、壓力以及技能等影響，可能做出與真實情況相差過大的分析和判斷，人力成本高并且效率低下，準確度得不到保證。后來有技術人員采用了依靠相關信號來判斷設備在什么地方發生了故障、發生故障的類型以及故障發生的大概時間，這種方法需要建立精確的物理數學模型，需要對待測設備有較強的認知，也就是說這一方法要利用很強的專業知識，無法大規模推廣。近年來，依據傳感器數據的故障診斷技術逐漸成為研究的主流，取代了傳統的過度依賴人工的故障診斷技術。這一方法不考慮豐富的專家經驗和高深的數學模型，通過機器學習來分析傳感器采集到的數據，提取特征信息，實現故障診斷。
1機器學習
機器學習是一門需要知識交叉的綜合性學科，涉及統計學、算法、概率論、計算機等[5]。主要研究計算機如何模仿人類行為，不斷獲取新的知識，掌握新的技能，解決一類新的問題。機器學習是人工智能的核心技術，是使機器智能化的重要實現方法[6]。根據機器學習的不同方面，可以對其有多種不同的分類。
1.1基于學習策略的分類
（1）模擬人腦的機器學習。包括符號學習和神經網絡學習。符號學習以符號數據為輸入，以符號運算為方法，用推理過程在圖或狀態空間中搜索，學習的目標為概念或規則等。它是模擬人腦的宏觀學習過程，以認知心理學為基礎。神經網絡學習以數值數據為輸入，以數值運算為方法，用迭代過程在系數向量空間中搜索，學習的目標為函數。它是模擬人腦的微觀學習行為，以腦科學為基礎。（2）采用數學方法的機器學習。目前采用數學方法的機器學習主要是采用統計學知識，選擇合適的數學模型，擬定超參數，并輸入樣本數據，依據一定的策略，運用合適的學習算法對模型進行訓練，最后運用訓練好的模型對數據進行分析預測。
1.2基于學習方法的分類
主要有歸納學習、分析學習、類比學習以及演繹學習等。
1.3基于學習方式的分類
（1）無監督學習。無監督學習是不給定明確的分類標準，不會對訓練數據集進行標簽的標記，通過無標記的數據集訓練來發現數據集本身內在的規律和聯系。無監督學習可以避免正負樣本數量不均衡問題，提升訓練速度，主要用于異常檢測、經濟預測以及圖像處理等。常用的無監督學習的算法有：k-means聚類算法、主成分分析以及降維算法等。（2）有監督學習。利用已經做好標記的樣本做訓練集，建立一個對應的數學模型，利用得到的模型對測試集進行分類（離散情況）或者回歸（連續情況）。常用的有監督機器學習算法有支持向量機、隨機森林、人工神經網絡以及決策樹等。（3）強化學習。以環境的反饋作為算法的輸入，也就是獎懲信號，是一個與環境進行交互的學習過程。常見的算法有Q-learning算法和Sarsa算法。
1.4基于數據形式的分類
（1）結構化學習。以數值計算或符號推演為方法，以結構化數據為輸入，典型的結構化學習有決策樹學習、統計學習、神經網絡學習、規則學習。（2）非結構化學習。以非結構化數據為輸入，典型的非結構化學習有文本挖掘、案例學習和圖像挖掘等
2廣播電視發射故障診斷
隨著廣播電視發射技術的快速發展，發射系統很多，設備結構非常的復雜，耦合性越來越高[7]。由于設備自身的老化和外部環境的變化，廣播電視發射系統的性能和穩定的狀態會隨著時間的推移逐漸退化，必然會發生一些故障，而一旦發生重大播出事故，會對企業的聲譽和經濟效益產生影響。為提高設備的安全性和可靠性，故障診斷技術應運而生。故障診斷技術能根據歷史故障數據分析各種故障對應的設備參數的變化情況并判斷廣播電視設備系統狀態是否正常，是否即將發生故障。廣播電視發射系統故障診斷是廣播電視發射系統健康管理體系不可或缺的一環，是打造廣播電視發射系統數字化、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。廣播電視發射系統的故障具有突發性和偶然性的特征，究其原因是廣播電視發射系統結構復雜，子系統與子系統之間耦合性高，并且故障發生時從宏觀角度可能表現得并不特別明顯，此時如果不及時維護，最終會造成重大不可挽回的事故。目前廣播電視發射系統智能故障診斷技術還未大規模展開，廣播電視發射系統仍處于定期維護狀態，耗費了大量的人力物力，并且故障發生時有可能無法第一時間發現故障的根本原因。大部分技術人員都是根據事先設定好的閾值進行比較，超過閾值會觸發報警，但此時故障已經發生，維護行為產生了嚴重的滯后。因此，運用機器學習方法對廣播電視發射系統進行智能化故障診斷是尤為必要的。
3機器學習算法在廣播電視發射系統故障診斷中的應用和發展
3.1基于決策樹的故障診斷方法
決策樹是一種經典的回歸和分類方法。一般的，一棵決策樹包含葉節點、內部節點和根節點，事件的決策結果對應葉節點，屬性測試對應內部節點。一個判定測試序列對應從根節點到葉節點的路徑，根節點包含的樣本全集根據屬性測試的結果歸屬到各個節點中。決策樹本質上是一個遞歸的過程，可分為3種情景：（1）如果當前節點包含的數據樣本是同一類別，此時該節點可以標記為葉節點；（2）當前屬性集為空，或者是所有數據樣本的屬性相同，此時這些節點也可以標記為葉節點；（3）當前節點包含的數據樣本集是空集，此時該節點也是葉節點。決策樹不需要特定的專業知識，它可以自動進行學習，根據數據自動生成決策樹系統，它本質上是利用數據實例進行歸納學習。決策樹推理效率高，知識直觀，容易提取規則，計算量適中，所以在故障診斷中應用廣泛。
3.2基于支持向量機的故障診斷方法
支持向量機是一種有監督的學習方法，是基于統計學習理論，由Cortes和Vapnik教授提出，是一種最為經典的分類學習方法。與傳統的機器學習算法不同的是，支持向量機是利用最小化結構化風險來提高算法的學習的泛化能力，從而達到置信范圍和經驗風險的最小化，尤其是在小樣本的學習分類情況下，支持向量機有非常好的性能表現。比如，假設待分類的樣本中，有兩類標識過的樣本，在支持向量機訓練模型的作用下，模型會找到最佳的分割平面，也叫做超平面，這個平面是最優分類超平面。支持向量機模型的最終目標是最大化支持向量到分割平面的距離。簡單來說，支持向量機需要將樣本數據準確分開并使得分割距離最大。
3.3基于神經網絡的故障診斷方法
由于廣播電視發射系統越來越復雜，趨于自動化和連續化，傳感器在系統中采集到的數據具有緯度高、數據量大的特點，每個采樣的時間點可能有幾十甚至是幾百個維度，時間序列明顯并且數據不均衡，上述基于決策樹和基于支持向量機的故障診斷方法在處理此種類型數據過程中會顯得吃力。而神經網絡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習能力，非常適合處理高緯度高復雜度數據。神經網絡應用于廣播電視發射系統故障診斷的流程如下：（1）通過對廣播電視發射系統信號的檢測和分析，提取能夠反映被測對象的特征參數，將其作為神經網絡的輸入；（2）對被測的對象進行編碼；（3）設計神經網絡的結構，確定好神經網絡一共有幾層以及每一層的神經元數目；（4）將提取到的廣播電視發射系統各種狀態數據作為訓練樣本，輸入網絡中進行訓練，確定好神經元之間的連接權值；（5）把待測特征參數作為網絡的輸入，根據神經網絡的輸出確定待測對象的狀態類別。常用的神經網絡有兩種，一種是卷積神經網絡，另外一種是循環神經網絡。卷積神經網絡是一種有監督的學習方式，是一種特殊的前饋神經網絡，其包含了輸出層，全連接層，池化層，卷積層和輸入層。循環神經網絡是一種具有循環結構的學習模型，其具有一定的記憶能力，適用于復雜度較高的設備，能夠提高廣播電視發射系統故障診斷的效率。
4結語
機器學習是當前人工智能領域研究的熱點，其具有非常好的分類、識別和自學習能力，非常適合應用在廣播電視發射系統故障診斷中。本文首先介紹了機器學習的研究背景和不同的分類方式，接著研究了廣播電視發射系統故障診斷的相關內容，最后研究了機器學習算法在廣播電視發射系統故障診斷中的應用和發展，分別闡述了決策樹、支持向量機和人工神經網絡在故障診斷中應用方法。機器學習在廣播電視發射系統故障診斷領域的應用對提升系統故障的智能化檢測水平，減少人力成本，提升企業經濟效益方面具有非常重要的意義。
作者：孫克玉 單位：江蘇省連云港市廣播電視臺技術中心
