MVB網(wǎng)絡(luò)間歇性連接故障定位方法研究

李召召，王立德，楊岳毅，申 萍

(北京交通大學(xué) 電氣工程學(xué)院，北京 100044)

列車通信網(wǎng)絡(luò)是列車的中樞神經(jīng)系統(tǒng)，列車所有的控制和監(jiān)測(cè)信息都要經(jīng)由列車通信網(wǎng)絡(luò)進(jìn)行傳輸，因此其健康狀態(tài)關(guān)乎著列車的安全穩(wěn)定運(yùn)行[1]。作為總線式網(wǎng)絡(luò)，多功能車輛總線(Multifunction Vehicle Bus，MVB)是列車網(wǎng)絡(luò)化控制系統(tǒng)的車輛級(jí)組成部分,其對(duì)實(shí)時(shí)性有嚴(yán)格的要求，任何網(wǎng)絡(luò)故障導(dǎo)致的丟包、時(shí)延都會(huì)對(duì)列車的安全穩(wěn)定運(yùn)行造成不利影響[2]。MVB網(wǎng)絡(luò)故障涉及網(wǎng)絡(luò)設(shè)備、網(wǎng)絡(luò)線纜、連接器及周圍電磁環(huán)境在內(nèi)的多種因素，往往難以排查和定位，其中間歇性連接故障尤為突出。間歇性連接(Intermittent Connection，IC)是指網(wǎng)絡(luò)設(shè)備與網(wǎng)絡(luò)線纜之間由于不可靠連接導(dǎo)致的暫態(tài)性斷路故障。在總線式的工業(yè)控制網(wǎng)絡(luò)中，IC故障頻繁發(fā)生。IC故障發(fā)生后將打斷傳輸經(jīng)過故障點(diǎn)的數(shù)據(jù)幀，進(jìn)而導(dǎo)致該數(shù)據(jù)幀在解碼失敗后被丟棄，網(wǎng)絡(luò)丟包率、時(shí)延增加，嚴(yán)重時(shí)還將影響控制系統(tǒng)的正常運(yùn)行。列車運(yùn)行時(shí)的振動(dòng)環(huán)境、不當(dāng)?shù)木S護(hù)、松動(dòng)退化的連接器插針等都可能導(dǎo)致IC故障的發(fā)生。當(dāng)列車停止運(yùn)行進(jìn)行故障排查或日常維護(hù)時(shí)，由于失去了振動(dòng)條件，網(wǎng)絡(luò)線纜和網(wǎng)絡(luò)設(shè)備恢復(fù)連接，IC故障往往不能復(fù)現(xiàn)。因此這種只有在列車運(yùn)行時(shí)才會(huì)出現(xiàn)的偶發(fā)性，更增加了IC故障診斷和定位的難度。

傳統(tǒng)的網(wǎng)絡(luò)故障定位，通?；诰W(wǎng)絡(luò)管理協(xié)議監(jiān)視網(wǎng)絡(luò)故障狀態(tài)并建立故障事件，而后根據(jù)網(wǎng)絡(luò)拓?fù)浠驓v史數(shù)據(jù)建立依賴圖等網(wǎng)絡(luò)模型，對(duì)出現(xiàn)的故障事件進(jìn)行推理定位[3]。文獻(xiàn)[4]根據(jù)網(wǎng)絡(luò)管理協(xié)議和網(wǎng)絡(luò)告警建立故障代碼簿，對(duì)數(shù)據(jù)通信網(wǎng)絡(luò)進(jìn)行建模分析，實(shí)現(xiàn)了其網(wǎng)絡(luò)故障定位。但總線式的MVB網(wǎng)絡(luò)不同于以太網(wǎng)，其并不具備網(wǎng)絡(luò)管理協(xié)議，難以建立故障事件。文獻(xiàn)[5]通過MKLSVM方法實(shí)現(xiàn)了MVB端接故障的診斷，然而其特征量是基于完整的數(shù)據(jù)幀提取而來，該特征提取方法在被破壞的IC幀上不易實(shí)現(xiàn)。文獻(xiàn)[6-8]研究了同為總線式網(wǎng)絡(luò)的控制器局域網(wǎng)(Controller Area Network，CAN)的IC故障定位方法，其主要原理為：當(dāng)IC故障發(fā)生后，IC幀被破壞從而使CAN節(jié)點(diǎn)解碼失敗；最先檢測(cè)到IC幀的CAN節(jié)點(diǎn)將主動(dòng)發(fā)送由6個(gè)顯性位組成的錯(cuò)誤幀來告知其他網(wǎng)絡(luò)節(jié)點(diǎn)，CAN網(wǎng)絡(luò)兩端的兩個(gè)監(jiān)測(cè)裝置檢測(cè)到該錯(cuò)誤幀后將其記錄為一次IC故障事件；最后通過上下文無關(guān)法等網(wǎng)絡(luò)建模方法推導(dǎo)出IC故障的位置。但在MVB中，網(wǎng)絡(luò)設(shè)備僅會(huì)將解碼失敗的數(shù)據(jù)幀丟棄，并無類似的錯(cuò)誤幀機(jī)制來對(duì)其他網(wǎng)絡(luò)設(shè)備進(jìn)行告警。因此，識(shí)別IC幀的來源設(shè)備成為MVB網(wǎng)絡(luò)IC故障定位的關(guān)鍵。

針對(duì)IC幀難以解碼、不易識(shí)別的問題，本文引入設(shè)備指紋的概念來區(qū)分不同網(wǎng)絡(luò)設(shè)備的IC幀。由于網(wǎng)絡(luò)設(shè)備及其電路元件的制造過程不可能完全一致，因此每個(gè)節(jié)點(diǎn)發(fā)出的數(shù)據(jù)幀波形均帶有像人的指紋一樣的獨(dú)有特征[9-11]。自編碼器通過神經(jīng)網(wǎng)絡(luò)重建輸入，并基于某些約束最小化重建損失，在網(wǎng)絡(luò)訓(xùn)練過程中自動(dòng)學(xué)習(xí)原始數(shù)據(jù)的特征表達(dá)[12-14]，可以起到特征提取的作用。盡管在發(fā)現(xiàn)IC幀波形后，再進(jìn)一步解析鏈路層數(shù)據(jù)，借助網(wǎng)絡(luò)專家經(jīng)驗(yàn)和端口配置情況也可推導(dǎo)出IC故障節(jié)點(diǎn)，但該方法舍棄了已有的IC幀波形，需要額外的鏈路數(shù)據(jù)、較高的網(wǎng)絡(luò)專業(yè)知識(shí)和網(wǎng)絡(luò)訪問權(quán)限，因此其應(yīng)用受到更多的限制。本文首先基于MVB網(wǎng)絡(luò)物理波形數(shù)據(jù)，利用稀疏自編碼器提取網(wǎng)絡(luò)設(shè)備指紋特征，并在第二個(gè)隱藏層之后級(jí)聯(lián)人工神經(jīng)網(wǎng)絡(luò)，形成深度神經(jīng)網(wǎng)絡(luò)分類器以識(shí)別不同設(shè)備的IC幀；然后在確定IC故障中采集到的所有IC幀來源后，建立IC故障代碼；最后根據(jù)MVB網(wǎng)絡(luò)拓?fù)浣⒐收贤评頉Q策樹，進(jìn)而確定IC故障點(diǎn)的位置。在實(shí)驗(yàn)室環(huán)境下搭建了平臺(tái)，實(shí)驗(yàn)結(jié)果表明，本文提出的方法能夠準(zhǔn)確識(shí)別IC幀的源節(jié)點(diǎn)，定位IC故障。

1 IC故障定位原理

MVB網(wǎng)絡(luò)IC故障定位原理見圖1。在正常工況下，將具有高速A/D采樣功能的MVB數(shù)據(jù)采集分析裝置部署于網(wǎng)絡(luò)一端，采集網(wǎng)絡(luò)數(shù)據(jù)幀波形并提取網(wǎng)絡(luò)特征，形成訓(xùn)練樣本，訓(xùn)練分類器以識(shí)別不同網(wǎng)絡(luò)設(shè)備的數(shù)據(jù)幀波形。當(dāng)IC故障發(fā)生后，通過該裝置對(duì)總線電平進(jìn)行連續(xù)時(shí)間采樣，并按照一定規(guī)則提取其中的IC幀波形數(shù)據(jù)，再利用前述訓(xùn)練得到的分類器識(shí)別這些IC幀的來源設(shè)備，并建立故障事件，從而推導(dǎo)故障位置。

圖1 MVB網(wǎng)絡(luò)IC故障定位原理

MVB編碼方式為非歸零的曼徹斯特編碼，下降沿為邏輯“1”，上升沿為邏輯“0”。MVB網(wǎng)絡(luò)編碼形式見圖2。

圖2 MVB網(wǎng)絡(luò)編碼形式

若故障點(diǎn)位于圖1中“×”的位置，IC故障發(fā)生時(shí)節(jié)點(diǎn)4和節(jié)點(diǎn)5之間將出現(xiàn)暫態(tài)性斷路，數(shù)據(jù)幀由節(jié)點(diǎn)4向右側(cè)的傳輸過程被打斷，總線電平信號(hào)恢復(fù)歸零狀態(tài)；而后網(wǎng)絡(luò)恢復(fù)連接，總線電平信號(hào)恢復(fù)。MVB網(wǎng)絡(luò)IC故障幀見圖3。該數(shù)據(jù)幀由于不能被節(jié)點(diǎn)5和節(jié)點(diǎn)6正確解碼而被丟棄，導(dǎo)致網(wǎng)絡(luò)丟包率和通信時(shí)延增加。

圖3 MVB網(wǎng)絡(luò)IC故障幀

2 IC幀識(shí)別

MVB網(wǎng)絡(luò)IC故障定位的首要任務(wù)是IC幀的識(shí)別。在MVB網(wǎng)絡(luò)中，即使相同廠家相同批次的網(wǎng)絡(luò)設(shè)備，也會(huì)由于制造工藝等限制，在發(fā)出的物理波形上有所區(qū)別。通過物理層波形的細(xì)微特征，可以對(duì)IC幀進(jìn)行識(shí)別，確定哪一個(gè)設(shè)備發(fā)出的數(shù)據(jù)幀被IC故障打斷，從而將IC幀的識(shí)別轉(zhuǎn)換成一個(gè)模式識(shí)別問題。這種蘊(yùn)藏在波形信號(hào)中的細(xì)微特征即為設(shè)備指紋(Device Fingerprint)[10]。通過稀疏自編碼器網(wǎng)絡(luò)的特征學(xué)習(xí)，從正常數(shù)據(jù)幀中提取每個(gè)設(shè)備的設(shè)備指紋信息，并訓(xùn)練基于人工神經(jīng)網(wǎng)絡(luò)的設(shè)備指紋識(shí)別模型。在IC幀識(shí)別過程中，雖然IC幀遭受到破壞難以解碼，但通過稀疏自編碼器仍能夠提取其中攜帶的隱含特征信息，進(jìn)而基于設(shè)備指紋識(shí)別模型對(duì)各IC幀的來源設(shè)備進(jìn)行分類識(shí)別，建立IC故障代碼，定位IC故障。IC故障幀識(shí)別過程見圖4。

圖4 IC故障幀識(shí)別過程

2.1 波形數(shù)據(jù)采集和分割

MVB數(shù)據(jù)采集分析裝置的采樣數(shù)據(jù)為連續(xù)的總線電平信號(hào)，需要對(duì)其進(jìn)行分割、標(biāo)記，得到每個(gè)設(shè)備的單一幀波形，形成原始數(shù)據(jù)集。MVB數(shù)據(jù)幀分為正常幀和IC幀。正常幀數(shù)據(jù)用于訓(xùn)練和測(cè)試設(shè)備指紋識(shí)別模型，故障定位中，基于該模型識(shí)別IC幀來源，建立IC故障代碼。

數(shù)據(jù)幀的分割模型見圖5。波形數(shù)據(jù)的分割規(guī)則為：從檢測(cè)到MVB數(shù)據(jù)幀的起始位開始，到連續(xù)20個(gè)歸零電平結(jié)束(考慮到電磁干擾、線路反射等因素，文中將該電平值放寬為0.3 V)，標(biāo)記為一幀數(shù)據(jù)；對(duì)單一幀波形數(shù)據(jù)進(jìn)行解碼，解碼正確則視為正常幀(見圖6(a))，解碼錯(cuò)誤則視為IC幀(見圖6(b))。

圖5 數(shù)據(jù)幀分割模型

圖6 正常幀與IC幀的分割

MVB網(wǎng)絡(luò)波特率為1.5 Mbit/s，正常幀最短長度在34～38 bit之間，在MVB數(shù)據(jù)采集分析裝置100 Msa/s的采樣速率下，其波形數(shù)據(jù)長度約為2 500個(gè)采樣點(diǎn)。為了保持所有波形數(shù)據(jù)的維度一致，以便進(jìn)行特征提取和模型訓(xùn)練，對(duì)所有正常幀波形數(shù)據(jù)只取其前2 500個(gè)采樣點(diǎn)。分割得到的單一幀長度小于2 500個(gè)采樣點(diǎn)則用0補(bǔ)齊至2 500維。由此得到MVB網(wǎng)絡(luò)的正常幀數(shù)據(jù)集為D={(x1,y1),(x2,y2),…,(xm,ym)}，x∈R2 500。

2.2 特征學(xué)習(xí)和模型訓(xùn)練

為提取MVB網(wǎng)絡(luò)物理波形中的設(shè)備指紋信息，以各設(shè)備的正常波形數(shù)據(jù)為訓(xùn)練集，訓(xùn)練堆棧式稀疏自編碼器網(wǎng)絡(luò)，并以其中隱藏層神經(jīng)元輸出作為提取的特征數(shù)據(jù)，級(jí)聯(lián)人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)分類器實(shí)現(xiàn)IC數(shù)據(jù)幀的識(shí)別。

稀疏自編碼器是一種利用全連接前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行表征學(xué)習(xí)的無監(jiān)督學(xué)習(xí)技術(shù)，其網(wǎng)絡(luò)分為編碼器和解碼器兩部分。編碼器將輸入在隱藏層進(jìn)行稀疏映射，而解碼器則利用該隱藏層的輸出再還原出原始輸入。通過對(duì)中間隱藏層施加稀疏化約束條件，自編碼器的中間隱藏層往往能自動(dòng)學(xué)習(xí)出輸入數(shù)據(jù)的內(nèi)在特征，起到特征學(xué)習(xí)的作用。與其他神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)成深度神經(jīng)網(wǎng)絡(luò)后，可以同時(shí)實(shí)現(xiàn)特征學(xué)習(xí)和分類的功能。當(dāng)稀疏自編碼器神經(jīng)元輸出接近1時(shí)激活該神經(jīng)元，接近0時(shí)則不激活。稀疏自編碼器見圖7，其中，深色為激活態(tài)神經(jīng)元，淺色為非激活態(tài)神經(jīng)元。在稀疏約束條件下，隱藏層神經(jīng)元在大部分時(shí)間內(nèi)保持不激活狀態(tài)。

圖7 稀疏自編碼器

假設(shè)原始輸入為x=[x1,x2, …,xn]T∈Rn，n為輸入維度，編碼器通過映射函數(shù)f將x從輸入層投影到隱藏層，a=[a1,a2, …,ai]T=f(x)，i為隱藏層維度，則f(x)的函數(shù)可表示為

a=f(x)=u(Wex+be)

(1)

解碼器通過映射函數(shù)h將a從隱藏層投影到輸出層，h(a)的函數(shù)可表示為

(2)

式中：u為神經(jīng)元激活函數(shù)；We為編碼器內(nèi)部各層間的權(quán)重矩陣；be為偏置向量；Wd為解碼器內(nèi)部各層間的權(quán)重矩陣；bd為偏置向量。

自編碼器在網(wǎng)絡(luò)訓(xùn)練過程中通過最小化重構(gòu)誤差J，盡量輸出接近于輸入的近似值。

(3)

式中：hw,b(x)為稀疏自編碼器輸入層到輸出層之間的映射函數(shù)。

因此，對(duì)于數(shù)據(jù)集D={(x1,y1),(x2,y2),…,(xm,ym)}，整個(gè)自編碼器網(wǎng)絡(luò)的重構(gòu)損失為

(4)

考慮到權(quán)重的正則化項(xiàng)，則整個(gè)網(wǎng)絡(luò)的損失函數(shù)為

(5)

式中：nl為自編碼器神經(jīng)網(wǎng)絡(luò)層數(shù)；sl為第l層激活的神經(jīng)元個(gè)數(shù)。

設(shè)定接近于0的稀疏參數(shù)ρ，對(duì)隱藏層神經(jīng)元進(jìn)行稀疏性約束為

(6)

以KL散度表示ρjav和ρ的相對(duì)偏差，則該隱藏層稀疏化懲罰項(xiàng)為

(7)

結(jié)合式(5)可得稀疏自編碼器的目標(biāo)函數(shù)為

(8)

式中：W、b為神經(jīng)元之間的連接權(quán)重、偏置；m為樣本數(shù)量；λ為正則化項(xiàng)系數(shù)；aj為某隱藏層第j個(gè)神經(jīng)元的輸出；ρjav為該隱藏層神經(jīng)元在整個(gè)數(shù)據(jù)集上的平均激勵(lì)輸出；s為隱藏層神經(jīng)元個(gè)數(shù)；β為稀疏懲罰項(xiàng)的權(quán)重參數(shù)。

訓(xùn)練得到多層稀疏自編碼器網(wǎng)絡(luò)模型后，將其隱藏層對(duì)訓(xùn)練數(shù)據(jù)的稀疏表示作為人工神經(jīng)網(wǎng)絡(luò)分類器的輸入，形成深度神經(jīng)網(wǎng)絡(luò)分類器模型(Sparse Autoencoder+ANN，SAEANN)。分類器采用全連接的三層人工神經(jīng)網(wǎng)絡(luò)，神經(jīng)元激活函數(shù)為sigmoid函數(shù)。

(9)

其損失函數(shù)定義為

(10)

式中：s1，s2，s3分別為ANN輸入層、中間隱藏層、輸出層神經(jīng)元個(gè)數(shù)；yki為第k個(gè)輸出神經(jīng)元在第i個(gè)樣本上的輸出值；θj,k(1)為ANN第一層第k個(gè)神經(jīng)元到隱藏層第j個(gè)神經(jīng)元之間的權(quán)重值；θj,k(2)為ANN隱藏層第k個(gè)神經(jīng)元到輸出層第j個(gè)神經(jīng)元之間的權(quán)重值；λ為ANN的權(quán)重懲罰系數(shù)。

多層稀疏自編碼器網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)構(gòu)成深度神經(jīng)網(wǎng)絡(luò)，深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程見圖8。

圖8 深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

Step1設(shè)定自編碼器網(wǎng)絡(luò)層數(shù)為5層，初始化輸入層神經(jīng)元個(gè)數(shù)為2 500，隱藏層1神經(jīng)元個(gè)數(shù)為200，隱藏層2神經(jīng)元個(gè)數(shù)為100，隱藏層3神經(jīng)元個(gè)數(shù)為200，輸出層神經(jīng)元個(gè)數(shù)為2 500；設(shè)定級(jí)聯(lián)人工神經(jīng)網(wǎng)絡(luò)層數(shù)為3層，ANN的輸入層即為自編碼器的隱藏層2；初始化中間隱藏層神經(jīng)元個(gè)數(shù)為10，輸出層神經(jīng)元個(gè)數(shù)為網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量；初始化各權(quán)值矩陣和各隱藏層偏置。

Step2定義所有神經(jīng)元激勵(lì)函數(shù)為sigmoid函數(shù)，并定義自編碼器網(wǎng)絡(luò)代價(jià)函數(shù)。

Step3輸入MVB網(wǎng)絡(luò)正常波形數(shù)據(jù)集，逐層訓(xùn)練自編碼器網(wǎng)絡(luò)參數(shù)，以期在輸出層盡可能還原樣本。從編碼器輸入層到隱藏層1再到隱藏層2為樣本稀疏化表示和特征學(xué)習(xí)過程，從隱藏層2到隱藏層3再到輸出層為樣本還原過程。只有中間隱藏層學(xué)習(xí)到了最具有代表性的樣本特征后，輸出層才能盡可能近似的還原輸入樣本。

Step4利用自編碼器隱藏層2的神經(jīng)元輸出作為特征數(shù)據(jù)，訓(xùn)練3層人工神經(jīng)網(wǎng)絡(luò)。

Step5網(wǎng)絡(luò)訓(xùn)練完成后得到如圖9所示的深度神經(jīng)網(wǎng)絡(luò)，其中：第一層xi為輸入層神經(jīng)元，每個(gè)神經(jīng)元對(duì)應(yīng)波形樣本中的一個(gè)采樣點(diǎn)；第二層神經(jīng)元hi1、第三層神經(jīng)元hj2為自編碼器網(wǎng)絡(luò)的編碼器部分；第四層神經(jīng)元hk3、第五層神經(jīng)元y為級(jí)聯(lián)的神經(jīng)網(wǎng)絡(luò)分類器部分；輸出y為對(duì)應(yīng)的數(shù)據(jù)幀類別標(biāo)記。最后輸入IC故障幀波形數(shù)據(jù)到深度網(wǎng)絡(luò)模型，識(shí)別其來源設(shè)備。

圖9 深度神經(jīng)網(wǎng)絡(luò)

3 故障事件和故障推理

不考慮端接，對(duì)于有N個(gè)節(jié)點(diǎn)的MVB網(wǎng)絡(luò)，加上數(shù)據(jù)采集裝置共N+1個(gè)節(jié)點(diǎn)，N條支路。定義檢測(cè)到第i個(gè)節(jié)點(diǎn)的IC幀大于規(guī)定閾值數(shù)量為故障事件Ei。根據(jù)車輛主機(jī)廠專家經(jīng)驗(yàn)，MVB網(wǎng)絡(luò)的丟包率大于3%則認(rèn)為網(wǎng)絡(luò)發(fā)生嚴(yán)重故障，據(jù)此定義故障事件為

(11)

式中：Tmacro為MVB設(shè)備周期輪詢表設(shè)定的宏周期；ni為單位宏周期內(nèi)節(jié)點(diǎn)i發(fā)出的過程數(shù)據(jù)幀數(shù)量；Fi為判定閾值；Ci為單位時(shí)間(1 s)內(nèi)檢測(cè)到的第i個(gè)節(jié)點(diǎn)的IC幀數(shù)量。IC故障告警被編碼為{E1,E2,…,En}。當(dāng)單個(gè)設(shè)備單位時(shí)間內(nèi)IC幀占比大于等于3%時(shí)，認(rèn)為故障事件Ei發(fā)生并取值為1，否則為0。此閾值判定只考慮了占網(wǎng)絡(luò)通信絕大多數(shù)的過程數(shù)據(jù)。當(dāng)IC幀數(shù)量達(dá)到過程數(shù)據(jù)丟包率3%時(shí)，實(shí)際整個(gè)網(wǎng)絡(luò)丟包率尚未超過3%，因此可以在IC故障對(duì)網(wǎng)絡(luò)性能產(chǎn)生明顯影響之前做出響應(yīng)。

故障示例見圖10，其中E2～E6代表前述定義的IC故障事件，L1～L6代表包括MVB數(shù)據(jù)采集分析裝置在內(nèi)的所有網(wǎng)絡(luò)支路。IC故障發(fā)生時(shí)，故障現(xiàn)象為：位于IC故障點(diǎn)左側(cè)的節(jié)點(diǎn)數(shù)據(jù)幀在短時(shí)間內(nèi)被打斷，形成IC幀。按照其網(wǎng)絡(luò)拓?fù)浣C故障推理決策樹。當(dāng)MVB數(shù)據(jù)采集分析裝置采集到IC幀波形后，通過設(shè)備指紋識(shí)別模型識(shí)別這些IC幀來源，進(jìn)而建立故障事件，并按照故障事件和推理決策樹定位故障支路，將IC故障范圍縮小至該支路兩端的連接器部分。

圖10 故障示例

4 實(shí)驗(yàn)驗(yàn)證

在實(shí)驗(yàn)室環(huán)境下搭建了實(shí)驗(yàn)平臺(tái)，共包括6個(gè)MVB設(shè)備(1主5從)和1個(gè)具備高速AD采樣的MVB數(shù)據(jù)采集分析裝置(最右側(cè)節(jié)點(diǎn)及其上位機(jī))，以及一個(gè)故障注入裝置。故障注入板卡采用導(dǎo)通電阻極低的高速模擬開關(guān)串接進(jìn)入MVB總線，可以實(shí)現(xiàn)μs級(jí)的隨機(jī)間歇性通斷。實(shí)驗(yàn)中設(shè)定每次IC故障持續(xù)μs級(jí)的隨機(jī)時(shí)間長度，通過故障注入板上FPGA中的隨機(jī)數(shù)生成器控制IC故障的隨機(jī)發(fā)生。

MVB網(wǎng)絡(luò)的宏周期時(shí)間Tmacro配置為10 ms，每個(gè)宏周期各節(jié)點(diǎn)的端口配置情況和發(fā)出的數(shù)據(jù)幀數(shù)量見表1。其中節(jié)點(diǎn)4為主設(shè)備，其單位宏周期內(nèi)幀數(shù)包括對(duì)所有端口的輪詢主幀和自身從幀，即n4=(7+8+9+4+8+7)+4=47。

表1 單位宏周期源端口配置和各設(shè)備數(shù)據(jù)幀數(shù)量

分別在正常工況和IC故障下，通過MVB數(shù)據(jù)采集分析裝置采集各設(shè)備數(shù)據(jù)幀波形，持續(xù)時(shí)間為1 s。故障注入板部署于L4支路，正常幀數(shù)據(jù)集見表2。隨機(jī)抽取正常幀的80%作為訓(xùn)練集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，并利用剩余20%正常幀和全部IC幀測(cè)試分類精度，重復(fù)操作10次。單次識(shí)別精度和平均精度見圖11。自編碼器輸入層包含2 500個(gè)神經(jīng)元，隱藏層1包含200個(gè)神經(jīng)元，隱藏層2包含100個(gè)神經(jīng)元，隱藏層3、4與隱藏層1、2對(duì)稱，輸出層也為2 500個(gè)神經(jīng)元。自編碼器網(wǎng)絡(luò)稀疏參數(shù)ρ取值0.1，β取值為3，自編碼器正則化系數(shù)λ取值為0.01。ANN以自編碼器隱藏層2的輸出作為其輸入，中間隱藏層包含10個(gè)神經(jīng)元，輸出層包含6個(gè)神經(jīng)元(對(duì)應(yīng)6個(gè)節(jié)點(diǎn))，正則化系數(shù)取值均為λ=0.1。每次實(shí)驗(yàn)中分別訓(xùn)練了ANN和SVM模型與SAEANN進(jìn)行對(duì)比。其中ANN輸入層包含2 500個(gè)神經(jīng)元，隱藏層包含10個(gè)神經(jīng)元，輸出層包含6個(gè)神經(jīng)元，正則化系數(shù)取值0.1。SVM則采用高斯核函數(shù)和網(wǎng)格參數(shù)尋優(yōu)方法。

表2 正常幀數(shù)據(jù)集

圖11 單幀識(shí)別精度和平均精度

由圖11可見：3種分類器均能精確識(shí)別正常幀，其中SAEANN和SVM識(shí)別精度均在99%以上；IC幀遭到破壞，包含的有效特征信息較正常幀減少，3種分類器識(shí)別精度均有所下降，但采用設(shè)備指紋的方法仍能夠識(shí)別大多數(shù)IC幀的來源設(shè)備；與ANN和SVM相比，采用稀疏自編碼器的深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到了MVB波形數(shù)據(jù)的隱含特征，對(duì)IC幀的識(shí)別精度為96.068 6%，明顯優(yōu)于SVM的92.559 4%和ANN的89.973 6%。因此SAEANN可以作為MVB網(wǎng)絡(luò)的設(shè)備指紋識(shí)別分類器，識(shí)別IC幀的來源設(shè)備，為進(jìn)一步建立IC故障事件奠定基礎(chǔ)。

以10次實(shí)驗(yàn)中的第1次為例，SAEANN對(duì)各設(shè)備IC幀的識(shí)別情況見表3。由表3可得IC故障事件告警代碼為{111100}，從推理決策樹可定位故障位置為L4支路，與實(shí)驗(yàn)設(shè)定相符。

表3 單次實(shí)驗(yàn)中IC幀統(tǒng)計(jì)及故障編碼

更換故障注入位置于L2支路后，SAEANN對(duì)IC幀的識(shí)別數(shù)量和IC故障事件見表4。由表4可得IC故障事件告警代碼為{110000}，從推理決策樹可定位故障位置為L2支路，與實(shí)驗(yàn)設(shè)定相符，驗(yàn)證了該方法的有效性。

表4 更換故障位置后IC幀統(tǒng)計(jì)及故障編碼

5 結(jié)論

(1)本文提出了一種基于設(shè)備指紋的MVB網(wǎng)絡(luò)IC故障識(shí)別和定位方法。采集網(wǎng)絡(luò)物理波形訓(xùn)練了設(shè)備指紋識(shí)別分類器，以確定遭到破壞、不能解碼的IC幀來源設(shè)備。在IC故障發(fā)生后，通過本文模式識(shí)別的方法直接識(shí)別IC幀波形，在不需要鏈路數(shù)據(jù)、端口配置和MVB網(wǎng)絡(luò)專業(yè)知識(shí)的情況下即可實(shí)現(xiàn)故障定位。根據(jù)IC幀來源建立故障事件，并基于網(wǎng)絡(luò)拓?fù)浣⒐收贤评頉Q策樹，對(duì)IC故障進(jìn)行定位。

(2)采用多層稀疏自編碼器，在其隱藏層的稀疏約束下自動(dòng)進(jìn)行了特征學(xué)習(xí)，提取出了各個(gè)MVB設(shè)備物理波形中的獨(dú)有隱含特征。

(3)通過自編碼器級(jí)聯(lián)ANN形成的深度神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)分類器相比，其對(duì)殘缺的IC幀識(shí)別精度更高，為進(jìn)一步IC故障定位打下基礎(chǔ)。

(4)本文方法在其他總線式網(wǎng)絡(luò)的IC故障定位中也可適用。未來將重點(diǎn)探討本文方法對(duì)于短時(shí)電磁干擾等其他因素引起的間歇性網(wǎng)絡(luò)通信故障的適用性。