发信台在线智能信息监测方法及系统

技术领域

本发明涉及通信监测技术领域，具体地说，尤其涉及一种用于信息监测的发信台在线智能信息监测方法及系统。

背景技术

随着电子通信技术的高速发展，监测系统的研究和应用空前活跃，如何能及时准确的对于发信台系统中的多台设备的运行及工作状态进行监测，同时还可通过监测系统，提高发信台设备运行的可靠性、安全性和保证产品的质量，减少使用过程中的维护费用成为目前广大发信机用户所关注的问题。

目前在对发信台监测的系统中，常用的方式是通过传感器，对发信台的发射功率、频率及场强信号进行采集，量化并进行显示处理，一般采用单路采集的方式，分别记录每一路传感器数据，然后通过进行数据统计及限值分析来对检测数据进行判断，如果需要提供更加精确监测效果，则需要加入更多的传感器。

由于监测数据的单一性，大部分监测系统都是采用采集、存储、统计的模式来搭建，用户虽然可以对当前监测网络上发信台设备的工作状态进行监控，如果想提高监控系统的监控能力，仅能通过安装大量的传感器，来实现当前设备状态多维度的监控，但随着传感器的增加，需要监测的数据也会随之增加，会造成系统显示信息的混乱和复杂，会影响使用人员的分析和判断力，容易造成对系统的误判或漏判。

发明内容

本发明的目的在于克服传感器采集效率和监测效果不佳的问题，提供一种发信台在线智能信息监测方法及系统，保证了发信台监测对象运行的可靠性、安全性及设备质量，减少使用过程中的维护工作量。

为了实现上述目的，本发明所采用的技术方案如下：

一种发信台在线智能信息监测方法，包括以下步骤：

S1：将传感器智能组网，搭建传感器监测网络，将传感器监测网络与发信台设备和服务器连接；

S2：通过传感器监测网络，采集发信台设备对应的传感器数据，并将传感器数据发送至服务器；

S3：服务器对传感器数据进行预处理、特征提取和特征分析，对多路传感器数据进行混合处理；

S4：采用模式识别对传感器数据进行处理分析，对发信台设备的状态进行模式分析和状态预测；

S5：采用多传感器信息融合将异构数据进行集成和一致化，对传感器数据进行智能化信息处理；

S6：通过引入贝叶斯方法对设备维修决策信息进行处理，对发信台设备的故障进行分析和预测。

进一步地，步骤S1中，传感器监测网络包括发信监测单元和无线监测单元，发信监测单元用于采集发信台设备的功率、频率和驻波比数据，无线监测单元用于采集发射天线的辐射频率和辐射功率数据。

进一步地，发信监测单元直接与发信台设备连接，发信监测单元采用通过式功率计。

进一步地，步骤S3中，对发信监测单元采集的传感器数据，通过极差比判定和剔除异常数据进行处理，对不同的监测数据应用不同的极差行计算。

进一步地，步骤S3中，对无线监测单元采集的传感器数据，采用标准波形变换方式进行处理，对波形进行平移、伸缩和离散变换，通过设置阈值将无线信号进行分离。

进一步地，步骤S4中，采用模式识别对传感器数据进行处理分析，包括以下步骤：

获取数据：输入监测数据，对监测数据进行标准化；

预处理：去除监测数据中的噪声数据，对空缺值进行处理、数据集成或者变换；

分类器设计：划分监测数据集、监测分类器构造、监测分类器测试；

分类决策：对未知类标号的监测数据样本进行分类。

进一步地，步骤S4中，通过时间序列分析对发信台设备进行状态预测，采用自回归移动平均模型搭建用来进行时间序列预测的模型。

进一步地，步骤S5中，多传感器信息融合包括数据层融合、特征层融合和决策层融合。

进一步地，步骤S6中，设备维修决策信息处理引入贝叶斯方法，通过对监测数据分析对事件发生概率进行预测，定义检测出驻波比数据大于设定值这一条件为B，发信台设备发射故障这一事件为A，贝叶斯公式为：

式中，P(A)为发信台设备发射故障的概率；P(B|A)为驻波比大于设定值的发信台设备里被检测出故障的概率；P(B)为被检测出驻波比大于设定值的概率；P(A|B)为发信台设备发射故障里被检测出驻波比大于设定值的概率。

一种发信台在线智能信息监测系统，应用上述任一项所述的发信台在线智能信息监测方法，包括：发信台、发信监测单元、无线监测单元、交换机和服务器，发信监测单元和发信台连接，交换机分别与发信监测单元和无线检测单元连接，服务器与交换机连接；

发信监测单元和无线监测单元用于采集发信台设备对应的传感器数据，并通过交换机发送至服务器；服务器用于对传感器数据进行预处理、特征提取和特征分析，对发信台设备进行模式分析与状态预测，对传感器数据进行智能化信息处理，对设备维修决策信息处理而实现故障分析和预测。

与现有技术相比，本发明具有以下优点和有益效果：

1.本发明提高了发信台在线智能信息监测系统多通道关联式多传感器数据的并行处理能力；优化了监测系统中信号的预处理、信号分析等多传感器信息融合能力；通过分类与预测方法，提高对系统采集信息的综合分析和状态预测能力。

2.本发明采用新的智能信息处理与决策方式，实时对采集数据进行分析，并通过异构数据表达式与管理，实现预测与决策功能，提高系统的智能化处理能力；采用主观概率和贝叶斯方法来进行设备维修决策信息处理，方便用户更加快捷的故障定位。

附图说明

图1为发信台在线智能信息监测方法流程示意图。

图2为发信台在线智能信息监测方法架构图。

图3为发信台在线智能信息监测系统结构示意图

图4为传感器数据采集示意图。

图5为数据层融合示意图。

具体实施方式

下面结合附图和具体实施例对本发明发信台在线智能信息监测方法及系统作进一步说明。请参阅图1和图2，本发明公开了一种发信台在线智能信息监测方法，包括以下步骤：

S1：将传感器智能组网，搭建传感器监测网络，将传感器监测网络与发信台设备和服务器连接。

S2：通过传感器监测网络，采集发信台设备对应的传感器数据，并将传感器数据发送至服务器。

S3：服务器对传感器数据进行预处理、特征提取和特征分析，对多路传感器数据进行混合处理。

S4：采用模式识别对传感器数据进行处理分析，对发信台设备的状态进行模式分析和状态预测。

S5：采用多传感器信息融合将异构数据进行集成和一致化，对传感器数据进行智能化信息处理。

S6：通过引入贝叶斯方法对设备维修决策信息进行处理，对发信台设备的故障进行分析和预测。

请参阅图3，本发明还公开了一种发信台在线智能信息监测系统，包括：发信台、发信监测单元、无线监测单元、交换机和服务器，发信监测单元和发信台连接，交换机分别与发信监测单元和无线检测单元连接，服务器与交换机连接。

发信监测单元和无线监测单元用于采集发信台设备对应的传感器数据，并通过交换机发送至服务器；服务器用于对传感器数据进行预处理、特征提取和特征分析，对发信台设备进行模式分析与状态预测，对传感器数据进行智能化信息处理，对设备维修决策信息处理而实现故障分析和预测。

本发明通过局域网对分布于某个区域内的发信台设备的射频信号、功率、频谱等多个发射相关信道参数，通过各种传感器、控制器、执行器等连接起来，并通过智能信息处理技术，包括计算机智能化(传感器数据、波形等信息智能处理)、通信智能化以及控制信息智能化等采集分析，达到测量过程和控制过程监控以及设备诊断等目的。

本实施例中，发信监测单元采用通过式功率计。将采集到的数据与信息流，通过智能化数据处理和通过对监测数据的决策分析，借助各种智能算法(如物理模型、数据融合、神经网络等)，实现监测数据的信息化处理，为用户提供直观精准的设备状态展示功能，同时通过对分析后的数据进行推理分析，评估发信台设备的健康状态，在发信台设备发生故障前对发信台设备故障进行预测。

传感器监测网络的搭建

由于发信台存在布置区域分散、数量节点众多、供电不便等特点，采用数字化、分散化、智能双向、多变量多站的通信系统。将模拟信号在数字化处理后，通过数字方式进行传输，仅需要一对信号传输线就可将多个现场设备与中央控制计算机相连，并传递多种信息，如监测参数、现场设备状态、监测系统故障信息。因此现场总线控制系统的结构十分简单，设备间连接导线少，节约了硬件设备和安装维护费。

传感器监测网络包括发信监测单元和无线监测单元，发信监测单元用于采集发信台设备的功率、频率和驻波比数据，无线监测单元用于采集发射天线的辐射频率和辐射功率数据。发信监测单元直接与发信台设备连接，发信监测单元采用通过式功率计。

通过式功率计和无线监测单元将采集到的传感器数据，通过网线和交换机发送到服务器。服务器将采集到的传感器数据进行分时分类管理，并对采集到的传感器数据进行汇总处理，包括数据的前期采集及过滤、中期分析及后期处理等操作。

请参阅图3和图4，本发明发信台在线智能信息监测系统具备以下功能：

通信功能：通过式功率计及无线监测单元向服务器定时发送实时采集的传感器数据，向服务器发送检测到的异常数据。通信功能模块为服务器中用于和通过式功率计和无线监测单元通信的软件功能模块，主要采用TCP的方式和通过式功率计和无线监测单元进行通信。无线监测单元用于监测发射天线发出的无线信号(包括监测频率和场强信息)，并将监测到的无线信号发送到服务器。

数据采集功能：以100ms采集一组数据(正向功率、反向功率、驻波比、频率、频谱数据)的采样速率，实时采集发信台监测所需的传感器数据。数据采集包括通过式功率计(频率、功率、驻波比)和无线监测单元(频率、场强)发送过来的传感器数据。

数据预处理功能：对采集到的每100ms的传感器数据，进行工频滤波的预处理，预处理主要是过滤掉超出范围的传感器数据。

标定基准值功能：下列三种情况需要寻求新的传感器基准值，分别为：监测系统每次启动后都要寻求当前通道的功率、频率、驻波比基准值；检测到功率数据向上波动超出设定阈值范围，此时要重新寻求基准值；检测到功率数据向下波动超出设定的阈值范围，即监测数据发生异常，然后检测数据是否停止继续下降，如果检测到数据停止下降，开始重新寻求基准值。

数据检测功能：对每个100ms功率和驻波比数据，基于当前基准值，进行初步的检测、判断。检测当前功率和驻波比是否发生波动，如果发生波动，上下波动的范围是否超过设定的阈值范围。如果功率向上波动超过阈值范围，则认为在调节发射参数；如果功率向下波动超过设定的阈值范围，则初步认为功率输出发生异常，需要即刻将一组异常功率数据发送给上位管理与监控系统，进行进一步的确认。

校时功能：参照上位管理与监控系统发送的时间基准，对每个发信监测单元进行校时。

下位机以100ms的采集周期，实时采集监测通道的功率计驻波比值。对于每10ms采集的传感器数据，首先进行滤波预处理，以消除工频干扰。在整个采集过程中，按一定的时间间隔周期性地向上位机发送一个经过预处理后的传感器值。同时判断功率波动是否超出设定的阈值范围，从而判断是否发生异常或者是否需要寻求新的基准值。一旦发现功率向下波动超出设定范围，则初步判断发生异常，于是下位机将缓冲区中最新保留的一组数据作为异常数据发送给上位机，供上位机进行进一步的分析。

传感器数据的采集

发信台在线智能信息监测系统采用通过式功率计、无线监测单元等传感器数据采集设备，采集对应的传感器数据。发信监测单元用于采集发信台设备的功率，频率和驻波比数据。无线监测单元对发射天线的辐射频率、辐射功率进行在线监测。用户可通过服务器远程控制无线监测单元，进行参数设置及远程监测。

发信监测单元连接在天线上，直接监测天线上发射的频率、功率和驻波比信息。无线监测单元安装在天线外一定的距离，并不和天线有物理的连接，用于监测天线发射时在空间中的频率和功率信息。两者安装的位置不一样，虽然都是监测频率和功率，不过前者是直接监测连接天线的线缆上的数据，后者是监测天线发出去到空间的数据。通过对比两者的数据，分析从发射机实际发出的信号和通过天线发出的信号是否一致，用于判断信号的有效性。

传感器数据的特征处理

发信台在线智能信息监测系统监测的信号大多是高频高精这类敏感信号，因此很容易受到强烈的电磁干扰与外界环境温度、湿度的影响，同时测量信号的传输过程中不可避免会存在同步偏差、传输错误和信道噪声等问题，导致得到的信号中掺杂了各种各样的干扰信号，从而变得难以识别，造成监测数据失真，对最终的分析结果产生很大的影响。

为了保证信号分析的准确性，提高信号分析的可靠性和真实性，在处理分析信号之前采用以下两种方式，对信号进行预处理，具体为：将采集到的原始数据转换为便于计算机分析处理的数据格式。对采集的信号进行滤波、平滑处理，以减小干扰噪声对有用信号的干扰，提高信噪比，从而减少后续处理的难度、提高分析的精度。

其中，发信监测单元采集的传感器数据处理，具体为：

发信监测单元用于采集正向功率、反向功率、驻波比等参数信息，但由于各种不确定因素导致传感器采集的信号含有不确定成分，在进行A-D量化采样时会夹杂A-D噪声。因此在预处理过程中，采用了通过极差比判定和剔除异常数据，对不同的监测数据应用不同的极差行计算。

这种处理方式的原则是认为异常数据应该是最大数据和最小数据，因此该基本方法数据按大小排队，检验最大数据和最小数据是否是异常数据。具体做法如下：

以正向功率判断为例子，读取8～10个正向功率测试数据X，值的大小排成顺序统计量，X

由于是属于n＝8～10的情况，所以统计量计算如下：

a1>a2，a1>0.530(10个参数的临界值)，所以X

类似的操作也可以用于反向功率、驻波比和无线监测所采集到的传感器数据，这种方法可以提高判断效率，快速剔除各种不确定因素导致传感器采集的信号含有不确定成分。

其中，无线监测单元采集的传感器数据处理，具体为：

无线监测单元采集发射天线的频谱信号，近年来，随着电力电子技术的快速发展，各种电力电子设备、家用电器以及其它非线性负荷的大量使用，使得无线信号中出现了大量的谐波，使得无线信号谐波污染问题日益严重，也严重影响了信号质量。

采用标准波形变换方式，对无线信号进行处理，波形变换不仅能用于稳态信号的谐波分析，而且可以跟踪暂态瞬时的信号。具体的信号分析步骤如下：

将信号x(n)通过具有脉冲响应h(n)的高通滤波器，过滤掉频率低于P/2的部分(信号最高频率为P)，即为半带高通滤波；根据奈奎斯特定理进行下采样，间隔一个剔除样本点，信号留下一半样本点，尺度翻倍，将这一半进行高通滤波；进一步分解，就把高通滤波器的结果再次一分为二，进行高通滤波和低通滤波；不断反复进行上述操作，根据设计要求调整。

采用自适应波形波来处理被测波形，通过对波形不断进行平移、伸缩，就可以契合信号的变换。采用这种方式可以更好提取特征，将波形进行离散变换。通过波形变换的方式可以把采集到的无线信号分成低频近似和高频细节，通过设置阈值将信号高频分离出来。对传感器数据进行预处理、特征提取、特征分析，为实现多路传感器信息的混合数据融合工作做准备。

传感器数据模式分析及状态预测

为了精准地对传感器数据进行辨认、分类和解释，采用了模式识别的方式对表征事物或现象的各种形式的信息进行处理和分析。通过对监测系统中分析后的传感器数据进行分类与预测、模式识别，通过数据分类与预测方法对发信台设备的状态进行模式分析和状态预测。

发信台在线智能信息监测系统的模式识别包括以下步骤：

获取数据：输入监测数据、对监测数据进行标准化。

预处理：去除监测数据中的噪声数据、对空缺值进行处理、数据集成或者变换。

分类器设计：划分监测数据集、监测分类器构造、监测分类器测试。

分类决策：对未知类标号的监测数据样本进行分类。

对监测系统中传感器模式识别过程中分类器的设计，采用在给定模型或分类器的基础上，利用训练样本学习或估计模型的未知参数，降低分类误差的方式，提高分类器的通用性。

为了实现通过时间序列分析对发信台设备进行状态预测，采用自回归移动平均模型，搭建用来进行时间序列预测的模型。该算法可以实现对各个传感器设备工作状态的评价和故障检测，实现诊断链路故障。在相同的网络环境下，设定不同的故障链路百分比或不同的时隙数，估计链路状态的先验概率。

为了比较性能，先计算估计出的概率值同真实值的误差，然后绘制出误差累积量分布函数，即误差在各个范围内所占的比例。容易得出曲线上升的速度越快，对应算法的误差累积量越小(估计误差小的链路占的百分比多)，以此来分析系统故障具有很好的效果。

应用到发信台故障诊断及监测信号校正中，为了提高容错性，提出了监测信号信息校正方法，然后利用编码基本网在无畸变信号的基础上进行故障诊断。这种方法简单有效、容错性好、可移植性强，具有很好的应用前景。

智能化信息处理

采用多传感器信息融合的技术，对采集的传感器数据进行智能化信息处理，包括两部分：信息融合的层次和信息融合的体系结构。信息融合的层次结构主要从信息分析的角度来分析融合系统，信息融合的体系结构则主要是从硬件的角度来分析融合系统。目前采用的融合层次结构是3层融合结构，即数据层融合、特征层融合和决策层融合。

请参阅图5，进行数据层融合时，首先将全部传感器的观测数据进行融合，然后从融合后的数据中提取特征向量，并进行判断识别，数据层融合要求传感器是同质的。

在发信台在线智能信息监测中，由于数据源复杂、数据存在独立性，导致各个数据之间的通信相当困难，组合成了一个复杂的异构数据环境，同时，也产生了“信息孤岛”问题。为了把这些异构数据源进行集成和一致化处理，使用的方法包括数据转换、数据集成等，实现不同数据之间的数据传递与一体化。

设备维修决策信息处理

为了方便用户更加快捷的故障定位，采用主观概率和贝叶斯方法来进行信息决策处理。

主观概率是指人们根据自己对监测数据的了解程度，去设定故障发生的概率，是人们对随机事件发生概率的主观判断。通过对发信台设备所掌握的知识、经验和预测等人工经验信息，建立一套针对不同传感器组合数值范围，对应不同故障现象的知识库。

主观概率是进行决策分析的一个重要判断依据。因为许多决策问题不能进行随机试验，其中有的是尚未发生的带有不确定性的一次性事件，有的是由于种种原因无法随机试验的事件，因而不可能得到客观概率。但是如果对状态和事件进行周密的观察和研究，仍有可能获取先验信息，而定出有意义的主观概率，它既有客观的基础，又有应用的需要。

为了提高维修决策的预测准确度，在主观评估的基础上，引入了贝叶斯公式，通过对监测数据分析实现对事件发生概率进行预测，贝叶斯公式为：

以发信机发射故障为例，统计发射故障出现概率为千分之一(1‰)，如果发射过程中，驻波比范围大于3，则故障准确率为70％。如果一台设备检测出驻波比大于3，统计这台设备故障率的统计方法如下：

定义检测出驻波比数据大于3这一条件为B，那么发信台设备故障这一事件为A，P(A)为总发射故障的概率，已经给出为1‰；P(B|A)为驻波比大于3的被测设备里被检测出是故障的概率，即70％；P(B)为设置中被监测出驻波比大于3的概率。

检测方法准确率是基于全体检测设备而言的，也就是所有检测的设备里面，有多少设备检测出的驻波比值大于3结果是正确的，不是误判。而总设备里被检测出驻波比大于3的概率，在个总体故障概率的情况下，针对的群体要分为故障的设备和无故障的设备来分别讨论，为方便说明，假设全体检测设备数为100。

发射故障的设备里检测出驻波比大于3，检测结果就是真实的，非误判，其设备数为100×1‰×70％＝0.1×70％；未出现发射故障的设备里检测出驻波比大于3，实际上是被误判为故障，其设备数为100×(1-1‰)×(1-70％)＝99.9×30％；于是就有P(B)＝(0.1×70％+99.9×30％)/100；最后把所有对应的值都填到贝叶斯公式里，就可以计算出最终结果为设备中约有30％左右的概率是发射故障。

综上所述，本发明从传感器监测网络的搭建、传感器数据的采集、传感器数据的特征处理、传感器数据模式分析及状态预测、智能化信息处理、设备维修决策信息处理等多个方面，对发信台在线智能信息监测进行说明，极大地保证了发信台监测对象运行的可靠性、安全性及设备质量，减少使用过程中的维护工作量。

上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。