技术领域本发明实施例涉及广播电视领域，尤其涉及一种中短波发射机故障预警方法及装置。
背景技术：
大型广播信号发射台站目前采用的主流设备是大功率中短波发射机。随着发射机运行时间的增加，在复杂的内外部运行环境影响下，不可避免会出现设备性能下降、故障率增加的情况。而广播发射台站对于发射设备的稳定运行要求极为严格，因此，需要对发射机运行状态进行智能化实时监控，提前判断发射机的运行状态，以便在发生故障前实现迅速的代播切换和人工技术干预，保证正常完成播出任务。现有技术中，通常采用自动化监控系统采集和记录和发射机实时运行过程中的指标数值，并将相应的指标数值发送到多个表盘显示。设备维护人员根据表盘上显示的各项指标数值对发射机的运行状态进行判断。但是，由于大功率中短波广播发射机内部构成非常复杂，造成故障的原因也错综复杂，如果设备维护人员不具备极强的专业技能和维护经验，难以根据单个的表盘上显示的指标数值对发射机设备的运行状态进行准确预判。
技术实现要素：
本发明实施例提供一种中短波发射机故障预警方法及装置，用以解决现有技术中的广播发射机故障预警方式不能准确判断广播发射机故障的问题。本发明实施例提供一种中短波发射机故障预警方法，包括：获取发射机在第i个运行周期之前的历史运行数据及所述第i个运行周期内的实时运行数据，所述历史运行数据包括正常数据及故障数据；i为大于等于1的整数；根据所述正常数据及故障数据确定所述发射机在第i个运行周期的故障判断模型；根据所述发射机在第i个运行周期的故障判断模型及所述第i个运行周期的实时运行数据确定所述发射机在所述第i个运行周期内的故障概率；根据所述故障概率对所述发射机进行故障预警。另一实施例中，所述根据所述正常数据及故障数据确定发射机故障判断模型，包括：对所述正常数据及所述故障数据进行归一化处理；对经过归一化处理后的所述正常数据及所述故障数据进行排序，并对经过排序后所述正常数据及故障数据进行等距抽样；通过逻辑回归分析对经过等距抽样后得到的所述正常数据及所述异常数据的样本进行建模，确定所述发射机故障判断模型。另一实施例中，所述根据所述发射机故障判断模型及所述第i个运行周期的实时运行数据确定所述发射机在所述第i个运行周期内的故障概率，包括：根据P(z)=11+eβz]]>确定所述发射机在所述第i个运行周期内的故障概率P(z)，其中，β表示所述正常数据与所述故障数据的映射关系，z表示所述第i个运行周期的实时运行数据。另一实施例中，所述方法还包括：根据获取的所述第i个运行周期的实时数据更新所述发射机在第i+1个运行周期的故障判断模型。另一实施例中，所述根据所述故障概率对所述发射机进行故障预警，包括：当所述故障概率高于第一预设阈值，所述故障概率高于所述第一预设阈值的次数大于第二阈值，且相邻两次故障概率高于所述第一预设阈值的发生时刻之间的时间间隔小于第三阈值时，生成报警记录。本发明实施例还提供一种中短波发射机故障预警装置，包括：获取模块，用于获取发射机在第i个运行周期之前的历史运行数据及所述第i个运行周期内的实时运行数据；建模分析模块，用于根据所述正常数据及故障数据确定所述发射机在第i个运行周期的故障判断模型；i为大于等于1的整数；计算模块，用于根据所述发射机在第i个运行周期的故障判断模型及所述第i个运行周期的实时运行数据确定所述发射机在所述第i个运行周期内的故障概率；预警模块，用于根据所述故障概率及预设的预警规则对所述发射机进行故障预警。另一实施例中，所述建模分析模块，具体用于：对所述正常数据及所述故障数据进行归一化处理；对经过归一化处理后的所述正常数据及所述故障数据进行排序，并对经过排序后所述正常数据及故障数据进行等距抽样；通过逻辑回归分析对经过等距抽样后得到的所述正常数据及所述异常数据的样本进行建模，确定所述发射机故障判断模型。另一实施例中，所述计算模块，具体用于：根据P(z)=11+eβz]]>确定所述发射机在所述第i个运行周期内的故障概率，其中，β表示所述正常数据与所述故障数据的映射关系，z表示所述第i个运行周期的实时运行数据。另一实施例中，所述建模分析模块，还用于：根据获取的所述第i个运行周期的实时数据更新所述发射机在第i+1个运行周期的故障判断模型。另一实施例中，所述预警模块，具体用于：当所述故障概率高于第一预设阈值，所述故障概率高于所述第一预设阈值的次数大于第二阈值，且相邻两次故障概率高于所述第一预设阈值的发生时刻之间的时间间隔小于第三阈值时，生成报警记录。本发明实施例提供的中短波发射机故障预警方法及装置，通过获取发射机在第i个运行周期之前的历史运行数据及所述第i个运行周期内的实时运行数据，根据所述历史数据确定所述发射机在第i个运行周期的故障判断模型；并根据所述发射机在第i个运行周期的故障判断模型及所述第i个运行周期的实时运行数据确定所述发射机在所述第i个运行周期内的故障概率；最后根据所述故障概率对所述发射机进行故障预警。采用本发明实施例提供的中短波发射机故障预警方法，可以根据发射机的实时运行数据及故障判断模型确定出发射机发生故障的概率，根据所述故障概率提前对所述发射机的故障情况作出预警。避免现有技术中根据发射机运行数据人为判断发射机运行状态导致预测不准确的情况。。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1本发明实施例中短波广播发射机故障预警系统的总体框架图；图2为本发明实施例中短波广播发射机故障预警的流程示意图；图3为本发明实施例中短波发射机故障预警方法确定发射机故障判断模型的流程示意图；图4为本发明实施例中短波发射机故障预警方法生成的相似度曲线的示意图；图5为本发明实施例中短波发射机故障预警方法的故障预警正确率统计结果示意图；图6为本发明实施例中短波发射机故障预警装置的结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图1为本发明实施例中短波广播发射机故障预警系统的总体框架图。请参阅图1，本发明实施例中短波广播发射机故障预警系统包括：离线计算平台10、实时计算平台20及可交互用户界面30。所述离线计算平台包括数据存储模块(Hadoop)11及建模分析模块12。所述实时计算平台包括实时计算模块(storm)21及文档数据库(Mongodb)22。本系统的外部数据源来自于发射台站的发射机业务数据交换中心，其中包含发射设备运行数据。系统的计算框架采用Lambda架构，同时管理实时计算框架和离线计算框架。基础数据通过超文本传输协议应用程序编程接口(HyperTextTransferProtocolApplicationProgrammingInterface，简称HTTPAPI)40进入系统后，经过数据采集模块50进行初步验证过滤，记录到消息队列(Kafka)中。数据进入Kafka之后，同时进入到所述数据存储模块11中和所述实时计算模块21中分别用于离线计算和实时计算。数据经由所述数据采集模块50写入到所述数据存储模块11所述数据存储模块11存储。在所述数据存储模块11的数据，可以通过编程模型MapReduce计算框架和Hive查询框架等完成数据运算处理等工作。经过规范化的数据进入所述建模分析模块12。所述建模分析模块12采用逻辑回归建模分析算法对输入的发射机运行数据进行分析，确定发射机的故障判断模型输出到模型文本文件。文本文件经过模型转换器60转换后，输入到所述实时计算模块21中。随着发射机运行数据的不断积累，模型定期更新模型分析结果。由所述模型转换器60定期将更新后的结果输入到所述实时计算模块21中，以供所述实时计算模块21根据更新后的故障判断模型继续对发射机运行数据进行实时计算。另外，如果用户在通过所述可交互用户界面30更改了经验规则设置，在系统内会产生一个消息通知，经由所述文档数据库22到达所述建模分析模块12，根据新的规则设定模型算法，重新生成数据分析结果。然后经过所述模型转换器60，在所述实时计算模块中更新相应的内容。发射设备运行数据经由所述数据采集模块50到达所述实时计算模块21后，消息会完成流式的处理，实时完成响应处理或计算。所述实时计算模块21上的分析、统计任务按照模型分析的结果进行具体计算处理，计算结果输出到所述文档数据库22中。所述文档数据库22是一个文档对象数据库，有别与传统关系型数据库，是一种非结构化查询语言(NotOnlyStructuredQueryLanguage，简称NoSQL)数据库，其没有传统数据库的“行”的概念，每一条数据是一个“文档”，一个文档是一个json格式的数据。在系统中，所述文档数据库22将作为所述实时计算模块21实时计算的输出数据库，所述实时计算模块21从所述数据采集模块50读取实时采集的数据，完成计算后，将计算结果输出到所述文档数据库22存储。使用方通过读取所述文档数据库22结果即可获取实时计算报表。所述实时计算模块21输出到所述文档数据库22中的实时计算结果，由运维中心中的实时报表页面读取，并展示到所述可交互用户界面30上。所述可交互用户界面30主要提供三个功能：设备运行状态的可视化展示、经验规则设定、历史运行状态查询等。在Web页面可以实时观察发射机的整体健康度曲线，当发生设备异常时，根据异常的不同等级，分别产生多级报警，例如：健康度中度告警(黄色)、健康度重度告警(橙色)、发射机故障预警(红色)。图2为本发明实施例中短波广播发射机故障预警的流程示意图。请参阅图2，本发明实施例提供的中短波发射机故障预警方法，包括：S101：获取发射机在第i个运行周期之前的历史运行数据及所述第i个运行周期内的实时运行数据，所述历史运行数据包括正常数据及故障数据；i为大于等于1的整数；具体地，所述历史运行数据为在所述第i个运行周期之前已经进入存储于所述数据存储模块11中的发射机运行数据。所述获取所述第i个运行周期之前的历史运行数据中的正常数据前，需要对进入所述中短波广播发射机故障预警系统的数据进行清洗。具体的数据清洗方式如下：读取所述数据存储模块11中经过清理归档后的数据，按照数据清洗规则删除干扰数据和故障数据，以保证进入模型分析的都是健康运行数据。异常数据的规则设定是依据广电系统不同发射机的运行图，以及广电规章制度(“发射机导频期前后三分钟，出现故障报警属于正常情况”)。数据清洗规则设定具体如下：1、广电回传数据按规定是以秒回传，但偶尔会存在数据回传不到，或者各种原因导致的截断。假如数据截断期间，发射机发生故障，会导致数据模型失真。所以提前设定规则在正常运行周期内截断时间大于5分钟也就是300秒的话，将截断点前的一个状态周期数据删除。2、只保留广电回传数据中状态为11(运行)或30(故障)的数据。3、为确保运行数据的可靠性，故将状态运行不满2分钟数据也删除。4、为确保数据平台运算的速度，只保留距今最近的60天数据。5、为确保模型建立的速度及准确性，将相同运行状态的记录只保留一条，其余删除。6、假如出现故障，故障点到本次(天)最早运行期间数据全部删除，确保尽可能保留正常数据。经过上述各步骤对数据进行清洗后，即可得到所述正常数据。将故障发生前3分钟的状态为高频播音的数据保留为故障数据。清洗后得到的两个样本集即为包括所述正常数据的“正常数据集”和包括所述故障数据的“故障数据集”。S102：根据所述正常数据及故障数据确定所述发射机在第i个运行周期的故障判断模型；具体地，所述根据所述正常数据及故障数据确定发射机故障判断模型，包括：对所述正常数据及所述故障数据进行归一化处理；对经过归一化处理后的所述正常数据及所述故障数据进行排序，并对经过排序后所述正常数据及故障数据进行等距抽样；通过逻辑回归分析对经过等距抽样后得到的所述正常数据及所述异常数据的样本进行建模，确定所述发射机故障判断模型。图3为本发明实施例中短波发射机故障预警方法确定发射机故障判断模型的流程示意图。请参阅图3，在具体实现过程中，确定发射机故障判断模型包括以下步骤：1、数据的等距抽样首先对经过筛选后的正常数据及故障数据进行排序，将排序后的数据进行等距抽样，以最小样本集20％为抽取基数。使用等距抽样的方法确保样本数据为最小间距，从而确保抽样的均匀。排序算法是基于欧几里得范数原则，即将所有字段进行平方，相加然后再进行开方。等于变相将多维数据整合为一维数据，然后进行排序。排序算法公式为：x12+x22+...xn2]]>其中，x表示每行或者每列数据中的一个字段，n表示每行或者每列数据中的字段的数量。如正常样本集合总数100，故障样本集合总数50，那统一按照正常样本集合以等距抽样的方式各抽取20个进行建模。抽样算法是进行循环操作，设定一个“初始点”为1，在“初始点+抽取间隔”这个范围内随机挑选一个点，然后“初始点”更新为“初始点+抽取间隔”。一直抽取到需要的抽取数量为止。2、变量的归一化处理将所有数据进行归一化处理，统一变量之间的量纲关系。注意到数据中部分变量取值可能无变化，这样数据归一化将失败，所以需要将这部分数据进一步删除。发射机运行数据多为离散型，因此采用零均值标准化。归一化公式为：z=x-μσ]]>其中，z表示每个运行周期的运行数据的归一化结果，x表示每行或每列运行数据经过排序算法处理后的值，μ表示所有运行数据的均值，σ表示所述每行或每列运行数据经过排序算法处理后的值与所述运行数据的均值之间的方差。3、逻辑回归判断发射机故障概率逻辑回归是一种广义线性回归，是一种二分类常用的数学模型。本发明实施例中短波发射机故障预警方法以预测为根本，目的为判断发射机发生故障的概率有多大。基于逻辑回归原则，将两个等量的数据样本集进行建模，生成发射机的故障预警模型，所述故障预警模型的结果每次以概率作为输出。S103：根据所述发射机在第i个运行周期的故障判断模型及所述第i个运行周期的实时运行数据确定所述发射机在所述第i个运行周期内的故障概率。具体地，所述根据所述发射机故障判断模型及所述第i个运行周期的实时运行数据确定所述发射机在所述第i个运行周期内的故障概率，包括：根据P(z)=11+eβz]]>确定所述发射机在所述第i个运行周期内的故障概率P(z)，其中，z表示所述第i个运行周期的实时运行数据，β表示所述正常数据与所述故障数据的映射关系，是根据大量历史数据中的正常数据及故障数据经过训练得到的。S104：根据所述故障概率及预设的预警规则对所述发射机进行故障预警。具体地，所述预设的预警规则可以为：当所述故障概率高于第一预设阈值，所述故障概率高于所述第一预设阈值的次数大于第二阈值，且相邻两次故障概率高于所述第一预设阈值的发生时刻之间的时间间隔小于第三阈值时，生成报警记录。具体的预警过程如下：1、生成相似度曲线图4为本发明实施例中短波发射机故障预警方法生成的相似度曲线的示意图。请参阅图4，发射机设备的每个实时数据都可以通过逻辑回归计算得到一个故障发生的可能概率。随着设备的运行，实时运行数据不断输入到模型中，从而得到发射机设备运行状态的相似度曲线。这条相似度曲线以可视化的方式在Web页面中实时展示出来，刻画了发射设备的即时健康状况。2、异常化常态过滤发射机经常会出现偶发性瞬间异常的状况，但是之后就不再出现异常征兆。这种情况往往不会影响正常播音，为发射机的一种常态，这种现象被称之为模型内的异常化常态。在监测发射机健康度的时候，需要对这种异常化常态进行过滤，否则会大大增加系统的虚警率。异常化常态的过滤规则为：用户在Web页面可以依据设备维护经验输入“预警线”、“报警累积次数”、“报警间隔时长”等参数。只有当健康度(模型计算出的相似度)低于“预警线”，“报警间隔时长”小于M时刻且“报警累积次数”大于N次时，系统才会生成一条报警记录。报警记录包含预警开始时间、预警等级、预警持续时间等变量。例如设定“报警累积次数”为10，“报警间隔时长”为60(秒)，“预警线”为0.1。那么当健康度取值低于0.1后，报警次数加1总计为1。查看此次异常后60秒内是否还有低于0.1的状况出现。假如没有出现，报警次数总计为1，则此次不生成报警记录。假如第59秒时再次出现低于0.1的情况发生，报警次数加1总计为2，继续查看接下来的60秒内是否再次发生低于“预警线”的情况。假如累计到10次，则生成报警记录。3、分级报警对发射机整体健康程度可以进行三个级别的报警，分别是：健康度中度告警(黄色)、健康度重度报警(橙色)、发射机故障预警(红色)。这三个等级的报警分别对应不同的规则设定，即不同等级的“预警线”、“报警累积次数”、“报警间隔时长”等参数设定。可调节的分级报警，满足了广电方对故障预警管理工作的业务需求。在上述实施例的基础上，进一步地，为了保证在第i+1个周期对故障预警的判断更加准确，所述方法还包括：根据获取的所述第i个运行周期的实时数据更新所述发射机在第i+1个运行周期的故障判断模型。具体地，当所述第i个运行周期结束后，所述第i个运行周期的运行数据即成为历史数据，存储到所述数据存储模块11中。所述建模分析模块12根据加入了第i个运行周期的运行数据后的最新数据对所述故障预警模型进行更新，根据更新后的故障预警模型对第i+1个运行周期的数据进行实时计算，确定所述发射机在所述第i+1个运行周期的故障概率。图5为本发明实施例中短波发射机故障预警方法的故障预警正确率统计结果示意图。请参阅图5，统计了在一个月之内，系统给出故障预警之后，在24小时、2天、3天之内设备发生实际故障的概率。当设定的报警阈值不同时，系统的敏感度不同。报警阈值越低，预警次数越少，预警正确率越高，但是漏警率也会相应增加。因此，并不是阈值设得越低越好，应当综合考虑正确率和漏警率之间的平衡，在正确率可接受范围内，尽量降低漏警率。根据对各种阈值条件下采用本发明实施例中短波故障预警方法进行预警所对应的正确率的统计，当健康度曲线的预警阈值设定为0.00008时，如果发射机出现异常波动，模型给出故障预警，随后在24小时内设备发生故障的比例为58％，2天内发生故障的比例为89％，3天内发生故障的比例为97％。这个结果能够较好地满足广电局的设备管理的业务需求。本发明实施例提供的中短波发射机故障预警方法，通过获取发射机在第i个运行周期之前的历史运行数据及所述第i个运行周期内的实时运行数据，根据所述历史数据确定所述发射机在第i个运行周期的故障判断模型；并根据所述发射机在第i个运行周期的故障判断模型及所述第i个运行周期的实时运行数据确定所述发射机在所述第i个运行周期内的故障概率；最后根据所述故障概率对所述发射机进行故障预警。采用本发明实施例提供的中短波发射机故障预警方法，可以根据发射机的实时运行数据及故障判断模型确定出发射机发生故障的概率，根据所述故障概率提前对所述发射机的故障情况作出预警。避免现有技术中根据发射机运行数据人为判断发射机运行状态导致预测不准确的情况。图6为本发明实施例中短波发射机故障预警装置的结构示意图。请参阅图3，本发明实施例提供的中短波发射机故障预警装置装置至少包括：获取模块610，用于获取发射机在第i个运行周期之前的历史运行数据及所述第i个运行周期内的实时运行数据；建模分析模块620，用于根据所述正常数据及故障数据确定所述发射机在第i个运行周期的故障判断模型；i为大于等于1的整数；计算模块630，用于根据所述发射机在第i个运行周期的故障判断模型及所述第i个运行周期的实时运行数据确定所述发射机在所述第i个运行周期内的故障概率；预警模块640，用于根据所述故障概率及预设的预警规则对所述发射机进行故障预警。所述建模分析模块620，具体用于：对所述正常数据及所述故障数据进行归一化处理；对经过归一化处理后的所述正常数据及所述故障数据进行排序，并对经过排序后所述正常数据及故障数据进行等距抽样；通过逻辑回归分析对经过等距抽样后得到的所述正常数据及所述异常数据的样本进行建模，确定所述发射机故障判断模型。所述计算模块630，具体用于：根据P(z)=11+eβz]]>确定所述发射机在所述第i个运行周期内的故障概率，其中，β表示所述正常数据与所述故障数据的映射关系，z表示所述第i个运行周期的实时运行数据。所述建模分析模块620，还用于：根据获取的所述第i个运行周期的实时数据更新所述发射机在第i+1个运行周期的故障判断模型。所述预警模块640，具体用于：当所述故障概率高于第一预设阈值，所述故障概率高于所述第一预设阈值的次数大于第二阈值，且相邻两次故障概率高于所述第一预设阈值的发生时刻之间的时间间隔小于第三阈值时，生成报警记录。本发明实施例提供的中短波发射机故障预警装置，通过获取模块获取发射机在第i个运行周期之前的历史运行数据及所述第i个运行周期内的实时运行数据，建模分析模块根据所述历史数据确定所述发射机在第i个运行周期的故障判断模型；计算模块根据所述发射机在第i个运行周期的故障判断模型及所述第i个运行周期的实时运行数据确定所述发射机在所述第i个运行周期内的故障概率；最后由预警模块根据所述故障概率对所述发射机进行故障预警。采用本发明实施例提供的中短波发射机故障预警方法，可以根据发射机的实时运行数据及故障判断模型确定出发射机发生故障的概率，根据所述故障概率提前对所述发射机的故障情况作出预警。避免现有技术中根据发射机运行数据人为判断发射机运行状态导致预测不准确的情况。具体地，本发明实施例提供的图形库提取装置用于执行上述方法实施例提供的中短波发射机故障预警方法，其实现原理及技术效果类似，在此不再赘述。本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机、手机或其他便携装置的可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。