基于非線性狀態(tài)估計(jì)的多媒體設(shè)備故障預(yù)警研究①

宋海明

(集美大學(xué)教務(wù)處多媒體中心，福建 廈門 361021)

0 引 言

互聯(lián)網(wǎng)與計(jì)算機(jī)之間的發(fā)展相輔相成，信息技術(shù)在兩者依托下，發(fā)展勢頭非常迅猛。其中，多媒體設(shè)備已成為人們?nèi)粘９ぷ?、學(xué)習(xí)、休閑娛樂不可或缺的工具之一。隨著教育信息化的不斷深入，多媒體設(shè)備應(yīng)用在教學(xué)過程中越來越普遍，其所扮演的角色也越來越重要。但上課過程中多媒體設(shè)備故障，直接影響教師授課水平。所以需要對多媒體設(shè)備進(jìn)行故障預(yù)警，提前將故障消除，實(shí)現(xiàn)多媒體設(shè)備的主動性維護(hù)管理。故障預(yù)警主要包括兩方面：故障診斷和狀態(tài)監(jiān)測[1]。從R.B Dhumale等人研究成果可以看出，使用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)多媒體設(shè)備的故障監(jiān)測和預(yù)警，此預(yù)警方法中存在較多故障參數(shù)，對多媒體設(shè)備中非趨勢的相似度短期偏離狀態(tài)較為敏感，易出現(xiàn)虛警情況[2]?；诖?，非線性狀態(tài)估計(jì)能夠通過快速構(gòu)建多媒體設(shè)備運(yùn)行狀態(tài)模型，對比實(shí)際值與預(yù)測值的差別，從而分析多媒體設(shè)備故障信息。

文中提出基于非線性狀態(tài)估計(jì)的多媒體設(shè)備故障預(yù)警方法。引入非線性狀態(tài)估計(jì)，結(jié)合馬氏距離與等距抽樣，構(gòu)建記憶矩陣等，完成多媒體設(shè)備故障預(yù)警方法研究。實(shí)驗(yàn)結(jié)果表明：所提方法可有效對多媒體設(shè)備進(jìn)行故障預(yù)警，且預(yù)警的準(zhǔn)確度較高。

1 基于非線性狀態(tài)估計(jì)的多媒體設(shè)備故障預(yù)警研究

非線性狀態(tài)估計(jì)是通過對非線性參數(shù)進(jìn)行建模后進(jìn)行估計(jì)的方法。該方法以實(shí)時(shí)數(shù)據(jù)為依托，根據(jù)已知多媒體設(shè)備輸入狀態(tài)、輸出狀態(tài)估計(jì)設(shè)備內(nèi)部未知狀態(tài)。由于多媒體設(shè)備應(yīng)用在教學(xué)中，其分布較為廣泛，多分布于多棟教學(xué)樓之間不同教室，構(gòu)成多媒體網(wǎng)絡(luò)，其環(huán)境復(fù)雜，無法獲得有效故障數(shù)據(jù)。因此，需要對采集到的訓(xùn)練樣本數(shù)據(jù)進(jìn)行預(yù)處理，采用小波變換挑選監(jiān)測參數(shù)并去除其中噪聲，將馬氏距離與等距抽樣相結(jié)合，建立高精度的多媒體設(shè)備的正常運(yùn)行狀態(tài)模型監(jiān)測故障，利用雙滑動窗口統(tǒng)計(jì)相似度，與警報(bào)閾值進(jìn)行比較，實(shí)現(xiàn)多媒體設(shè)備的故障預(yù)警。技術(shù)路線如圖1所示：

圖1 故障預(yù)警技術(shù)路線

本方法研究過程中，數(shù)據(jù)預(yù)處理后得到的樣本訓(xùn)練數(shù)據(jù)集可用于訓(xùn)練改進(jìn)非線性狀態(tài)估計(jì)模型，也可用于確定故障預(yù)警的閾值；過程記憶矩陣可以準(zhǔn)確、全面覆蓋多媒體設(shè)備的正常運(yùn)行，通過建立的模型對觀測向量進(jìn)行預(yù)測并計(jì)算滑動窗口的故障預(yù)警閾值。

1.1 非線性狀態(tài)估計(jì)的設(shè)備狀態(tài)模型

監(jiān)測數(shù)據(jù)的獲取主要依靠多媒體設(shè)備中的傳感器，針對不同多媒體設(shè)備，要從全部的監(jiān)測數(shù)據(jù)中篩選易于獲取且與設(shè)備故障相關(guān)的變量作為非線性狀態(tài)估計(jì)模型變量。在篩選過程中，使用主成分分析法(PCA)，根據(jù)特征值、貢獻(xiàn)率等指標(biāo)進(jìn)行計(jì)算，最終選取累計(jì)貢獻(xiàn)率最高的8個參數(shù)作為模型參數(shù)[3-4]。利用小波變換篩選原始觀測數(shù)據(jù)，變換公式為：

(1)

式中，小波變換擁有兩個變量，α尺度與τ平移量，t為時(shí)間。小波變換方法能夠完成信號時(shí)頻分析變換，在分析頻率同時(shí)，還能夠定位異常信號的時(shí)間，在不同分解層中區(qū)分信號噪聲，完成數(shù)據(jù)的去噪[5-6]。小波去噪實(shí)際上是對原始信號不斷分解重構(gòu)的過程，分解樹如圖2所示：

圖2 小波去噪分解樹

圖中，S代表原始信號，D代表高頻信號，異常噪聲均包含在高頻信號中，A代表低頻信號，在后續(xù)的分解中，只對低頻信號進(jìn)行分解。在此過程中，獲取可能含有噪聲的高頻信號，將含有噪聲的信號段剔除，獲取正常狀態(tài)下設(shè)備歷史運(yùn)行工況[7]。需要從設(shè)備健康運(yùn)行的數(shù)據(jù)中選取一部分，被選取的數(shù)據(jù)中要包含所有設(shè)備狀態(tài)特征。

結(jié)合馬氏距離與等距抽樣記憶矩陣，利用馬氏距離剔除干擾數(shù)據(jù)，并計(jì)算觀測向量與總體樣本的相似度。設(shè)過程記憶矩陣中觀測向量到歷史樣本數(shù)據(jù)集合的馬氏距離最大為dmax，當(dāng)歷史數(shù)據(jù)中觀測向量大于最大值時(shí)，將此向量從矩陣中刪除。采用該方法建立記憶矩陣，避免數(shù)據(jù)冗余[8]。

1.2 相似度序列

在建立非線性狀態(tài)模型后，可通過模型的觀測向量與預(yù)測向量之間的相異程度作為故障判斷指標(biāo)，反映設(shè)備異常狀況[9]。相異程度采用歐氏距離進(jìn)行獲取，當(dāng)歐氏距離越大，則相似程度越低。相似度函數(shù)為：

(2)

式中，X代表觀測向量，Y為估計(jì)向量，wi′為觀測向量中第i個變量的權(quán)重系數(shù)，ε為向量相異程度的閾值。當(dāng)ψ(x,y)的值為1時(shí)，X與Y完全相似。利用滑動窗口統(tǒng)計(jì)法能夠捕捉相似度特性的連續(xù)變化，選擇合理滑動窗口寬度，消除多媒體設(shè)備運(yùn)行中不確定因素和隨機(jī)干擾[10]，降低誤報(bào)警的幾率?；诜蔷€性狀態(tài)估計(jì)模型的相似度序列為：

ψ(Xobs,Xest)=[ψ1,ψ2,…,ψN,…]

(3)

在相似度序列中，選擇一個寬度為N的滑動窗口，如圖3所示：

圖3 滑動窗口統(tǒng)計(jì)法

相似度窗口內(nèi)連續(xù)N個相似度序列，其平均值為：

(4)

為了避免因局部孤立異常點(diǎn)導(dǎo)致虛警，本文采用兩個寬度不同的雙滑動窗口進(jìn)行統(tǒng)計(jì)。在多媒體設(shè)備正常運(yùn)行時(shí)，設(shè)非線性估計(jì)狀態(tài)模型的平均相似度最小值為EN，則多媒體設(shè)備的故障預(yù)警的閾值則為：

EY=kEN

(5)

式中，k為報(bào)警閾值系數(shù)，其取值根據(jù)設(shè)備的不同和相關(guān)人員的經(jīng)驗(yàn)確定。k值是平衡靈敏度與可靠性的重要參數(shù)，取值過小則不能充分提前發(fā)出預(yù)警，取值過大會造成誤報(bào)警，影響可靠性。

2 實(shí) 驗(yàn)

為了證明本文提出的基于非線性狀態(tài)估計(jì)的多媒體設(shè)備故障預(yù)警具有一定可行性和有效性，進(jìn)行仿真實(shí)驗(yàn)分析。在正常狀態(tài)數(shù)據(jù)基礎(chǔ)上連續(xù)增加偏差模擬故障數(shù)據(jù)，人為模擬多媒體設(shè)備發(fā)生故障時(shí)噪聲信號。

2.1 實(shí)驗(yàn)準(zhǔn)備

在MATLAB平臺上，采用Windows10操作系統(tǒng)，內(nèi)存為8G，硬盤為512G，利用NS2搭建多媒體網(wǎng)絡(luò)，進(jìn)行多媒體設(shè)備故障預(yù)警診斷仿真。網(wǎng)絡(luò)參數(shù)設(shè)置為：鏈路容量45M/s ,延時(shí)7 ms，各個緩存節(jié)點(diǎn)的大小為128 Packets，每個數(shù)據(jù)包的容量為25 btye，搜索頻度的增加系數(shù)為2，最大和最小聲波頻度分別0.8和0.2，迭代次數(shù)w=300次。在NS2中構(gòu)建的多媒體網(wǎng)絡(luò)仿真如圖4所示：

圖4 仿真多媒體網(wǎng)絡(luò)圖

實(shí)驗(yàn)數(shù)據(jù)庫采用SQLSever2010數(shù)據(jù)庫，包含多媒體設(shè)備故障采集樣本數(shù)據(jù)，多媒體網(wǎng)絡(luò)節(jié)點(diǎn)故障日志包含多個節(jié)點(diǎn)故障數(shù)據(jù)資源，選擇其中部分?jǐn)?shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。分別使用傳統(tǒng)方法和本文方法進(jìn)行實(shí)驗(yàn)，對比不同狀態(tài)下的相似度曲線。

2.2 實(shí)驗(yàn)結(jié)果分析

多媒體設(shè)備故障預(yù)警閾值由多媒體設(shè)備模型在正常狀態(tài)下平均相似度序列決定，通過計(jì)算可知，建立的多媒體模型最小的平均相似度為0.8035。根據(jù)研究經(jīng)驗(yàn)，設(shè)置警報(bào)閾值系數(shù)k設(shè)定為0.8，獲取故障預(yù)警閾值為：

EY=kEN=0.8×0.8035

(6)

實(shí)驗(yàn)中，取故障發(fā)生前5000組運(yùn)行數(shù)據(jù)作為輸入的觀測向量，設(shè)置傳統(tǒng)方法的滑動窗口寬度為40，本方法的兩個滑動窗口的寬度分別為40、100。通過兩種方法計(jì)算，得到相應(yīng)估計(jì)向量序列，計(jì)算滑動窗口的相似度。兩種方法的預(yù)警效果如圖5所示：

圖5 實(shí)驗(yàn)結(jié)果對比圖

分析圖5(a)可知，傳統(tǒng)方法雖然能夠有效捕捉到相似度下滑的趨勢進(jìn)行提前預(yù)警，但其報(bào)警時(shí)間持續(xù)較短，為非趨勢的短期偏離，并不被認(rèn)定為故障狀態(tài)，此次報(bào)警為虛警，真正報(bào)警時(shí)間為第3791到第3792采樣點(diǎn)之間；圖5(b)中，本文采用雙滑動窗口相似度統(tǒng)計(jì)預(yù)警，其相似度未超過閾值，最終在第4123個采樣點(diǎn)發(fā)出了警報(bào)，驗(yàn)證了本文方法的有效性。

為了進(jìn)一步驗(yàn)證所提方法的科學(xué)有效性，實(shí)驗(yàn)通過改變滑動窗口寬度，對比兩種方法的有效性。將滑動窗口的寬度設(shè)置為20、40、60、80、100，將虛警次數(shù)進(jìn)行統(tǒng)計(jì)，實(shí)驗(yàn)結(jié)果如表1所示：

表1 虛警結(jié)果對比(次)

分析表1中數(shù)據(jù)可以看出，隨著滑動窗口寬度的增加，兩種方法的虛警次數(shù)隨之發(fā)生改變。其中，當(dāng)滑動窗口寬度為40 時(shí)，傳統(tǒng)方法虛警次數(shù)為4次，所提方法為1次；當(dāng)滑動窗口寬度為100 時(shí)，傳統(tǒng)方法虛警次數(shù)為6次，所提方法為0次。通過數(shù)據(jù)對比可以看出所提方法可有效進(jìn)行預(yù)警。

3 結(jié) 語

多媒體設(shè)備在教學(xué)領(lǐng)域中占據(jù)重要位置，設(shè)備健康、穩(wěn)定的運(yùn)行能夠保證教師教學(xué)正常教學(xué)。針對目前研究的多媒體故障預(yù)警方法中存在的不足之處，本文提出基于非線性狀態(tài)估計(jì)的多媒體設(shè)備故障預(yù)警。通過構(gòu)建非線性狀態(tài)估計(jì)模型，計(jì)算相似度序列，在保證預(yù)警靈敏度的同時(shí)，提升了預(yù)警的準(zhǔn)確性。仿真實(shí)驗(yàn)結(jié)果表明，設(shè)計(jì)的預(yù)警方法能夠有效預(yù)警，提高故障預(yù)警的準(zhǔn)確性。