改進(jìn)Petri網(wǎng)故障診斷算法的信道故障診斷與處理

朱鋁芬，徐媛媛

（南京信息職業(yè)技術(shù)學(xué)院 智能制造學(xué)院，南京 210046）

0 引言

信道出現(xiàn)故障和異常情況的時(shí)候，海量的故障數(shù)據(jù)和告警信息匯集在數(shù)據(jù)處理中心，現(xiàn)有的信道故障診斷系統(tǒng)未考慮到初始狀態(tài)下網(wǎng)絡(luò)的時(shí)滯估計(jì)問(wèn)題，無(wú)法確定當(dāng)前離散節(jié)點(diǎn)的狀態(tài)，存在評(píng)估誤差和效率不高的問(wèn)題，不適用于線上實(shí)時(shí)告警的判斷的問(wèn)題。在離散事件系統(tǒng)（DESs，discrete event systems）中，Petri網(wǎng)絡(luò)模型是一種常見(jiàn)的網(wǎng)絡(luò)［1］，由離散狀態(tài)和事件驅(qū)動(dòng)組成，常用來(lái)解決通信系統(tǒng)的建立和分析問(wèn)題。Petri網(wǎng)是一種完備的建模工具，目前已經(jīng)廣泛的應(yīng)用于各個(gè)科研和工程領(lǐng)域。Petri網(wǎng)的性質(zhì)使得其能夠很好地和計(jì)算機(jī)網(wǎng)絡(luò)緊密結(jié)合，成為重要的計(jì)算機(jī)網(wǎng)絡(luò)研究方法。Petri網(wǎng)能夠有效的發(fā)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)的結(jié)構(gòu)性缺陷，發(fā)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)的瓶頸，給未來(lái)計(jì)算機(jī)網(wǎng)絡(luò)的研究帶來(lái)新突破。通過(guò)恰當(dāng)?shù)腜etri網(wǎng)建模可以有效解決分布式節(jié)點(diǎn)模型的問(wèn)題。Petri網(wǎng)絡(luò)離散轉(zhuǎn)移結(jié)構(gòu)具有多種不同的形式，同時(shí)通信系統(tǒng)中包含了許多不確定的因素出現(xiàn)通信丟包和時(shí)滯的問(wèn)題，系統(tǒng)信道容易出現(xiàn)不同程度的故障［2］。

在近年來(lái)的研究中，文獻(xiàn)［3］方法中應(yīng)用了已開(kāi)發(fā)的矩陣半張量積工具，利用矩陣半張量積工具可以將普通矩陣乘法推廣到前陣列數(shù)與后陣行數(shù)不等的情況，由此提出一種基于矩陣的有限自動(dòng)機(jī)模型診斷方法，使用離散時(shí)間雙線性方程形式表示系統(tǒng)故障狀態(tài)，這種方法雖然能夠提高故障數(shù)據(jù)信息的識(shí)別能力，但未考慮到初始狀態(tài)下網(wǎng)絡(luò)的時(shí)滯估計(jì)問(wèn)題，無(wú)法確定當(dāng)前離散節(jié)點(diǎn)的狀態(tài)，存在評(píng)估誤差的問(wèn)題。文獻(xiàn)［4］方法中采用了動(dòng)態(tài)加權(quán)的序列模式數(shù)據(jù)挖掘算法，序列模式挖掘就是去發(fā)現(xiàn)所有的頻繁子序列，即找出所有出現(xiàn)頻率不小于給定的最小支持度的子序列。而一般的序列模式挖掘，僅僅是根據(jù)序列出現(xiàn)的頻度從序列數(shù)據(jù)庫(kù)中找出頻繁序列，而不同的項(xiàng)目有不同的重要程度，權(quán)重參與到整個(gè)挖掘的過(guò)程能提高整個(gè)算法的效率。采用不均等的方式分配權(quán)重，對(duì)系統(tǒng)告警進(jìn)行更加細(xì)致的權(quán)重劃分，并完成構(gòu)建故障預(yù)測(cè)模型的數(shù)據(jù)集。這種方法需要對(duì)系統(tǒng)數(shù)據(jù)庫(kù)進(jìn)行多次掃描，重復(fù)性動(dòng)作比較強(qiáng)，在進(jìn)行數(shù)據(jù)挖掘時(shí)，效率不高，不適用于線上實(shí)時(shí)告警的判斷。國(guó)外研究中文獻(xiàn)［5］方法中基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建故障預(yù)測(cè)模型，并部署在系統(tǒng)的線上環(huán)境，利用編碼器生成信號(hào)的告警特征，對(duì)網(wǎng)絡(luò)中的實(shí)時(shí)告警進(jìn)行預(yù)測(cè)，輔助網(wǎng)管人員更好地進(jìn)行網(wǎng)絡(luò)維護(hù)。這種方法能夠提高編碼器的故障預(yù)警能力，提高網(wǎng)絡(luò)應(yīng)用效率，在預(yù)測(cè)計(jì)算過(guò)程中，預(yù)測(cè)模型過(guò)度依賴于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，在該架構(gòu)中，各自內(nèi)部的物理接線、節(jié)點(diǎn)間距離可能會(huì)有不同，導(dǎo)致數(shù)據(jù)通信能力降低，使得歷史告警信息與相關(guān)性數(shù)據(jù)之間的冗余性較高。

1 基于改進(jìn)Petri網(wǎng)絡(luò)模型的信道故障診斷系統(tǒng)

針對(duì)上述技術(shù)的不足，該研究提出一種新型信道故障診斷系統(tǒng)，通過(guò)Petri網(wǎng)絡(luò)模型的網(wǎng)狀結(jié)構(gòu)實(shí)現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)信息中信息流故障診斷與評(píng)估，能夠提高系統(tǒng)信道中并發(fā)、隨機(jī)性的信息的處理和分析，能夠全面表示有關(guān)系統(tǒng)結(jié)構(gòu)的動(dòng)態(tài)行為方面的信息，從而對(duì)系統(tǒng)信道中發(fā)生的故障進(jìn)行診斷和預(yù)警。

Petri網(wǎng)是一種對(duì)離散事件進(jìn)行建模的模型，一個(gè)經(jīng)典的Petri網(wǎng)由四元組（庫(kù)所，變遷，輸入函數(shù)，輸出函數(shù)）組成。任何圖都可以映射到這樣一個(gè)四元組上，反之亦然［5］。Petri網(wǎng)是對(duì)離散并行系統(tǒng)的數(shù)學(xué)表示，該技術(shù)適合于描述異步的、并發(fā)的計(jì)算機(jī)系統(tǒng)模型，采用Petri網(wǎng)的目的是由于該信道模型既有嚴(yán)格的數(shù)學(xué)表述方式，也有直觀的圖形表達(dá)方式，能夠提高信道故障診斷能力，使得Petri網(wǎng)作為信道故障診斷流建模的應(yīng)用工具，對(duì)網(wǎng)絡(luò)上的數(shù)據(jù)信息進(jìn)行自動(dòng)化建模。為了解決經(jīng)典Petri網(wǎng)中的問(wèn)題，研究出了高級(jí)Petri網(wǎng)，在以下方面進(jìn)行了擴(kuò)展：令牌著色，一個(gè)令牌通常代表具有各種屬性的對(duì)象，因此令牌擁有值（顏色）代表由令牌建模的對(duì)象的具體特征。時(shí)間，為了進(jìn)行分析，我們需要建模期間，延遲等，因此每一個(gè)令牌擁有一個(gè)時(shí)間戳，變遷決定生產(chǎn)出的令牌的延遲。

該研究對(duì)Petri網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，對(duì)模型節(jié)點(diǎn)和變化信息貼上一個(gè)時(shí)間標(biāo)簽，形成時(shí)間Petri網(wǎng)絡(luò)模型，能夠用來(lái)表示系統(tǒng)事件從發(fā)生到結(jié)束的整個(gè)過(guò)程［6］。并對(duì)模型中不同的元素賦予不同的顏色進(jìn)行分類(lèi)，同類(lèi)型元素采用相同的顏色集，從而簡(jiǎn)化模型對(duì)復(fù)雜系統(tǒng)的描述。系統(tǒng)整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)整體網(wǎng)絡(luò)結(jié)構(gòu)

改進(jìn)Petri網(wǎng)絡(luò)模型中包含的庫(kù)所和變遷是一種雙向有向圖，通過(guò)圖形進(jìn)行表示，輸出的庫(kù)所通過(guò)合適的有向弧表示為變遷的后置集，簡(jiǎn)化了模型中故障信息的表示方式［7］。將信道故障診斷數(shù)據(jù)模型或者信息通過(guò)三級(jí)部署的網(wǎng)絡(luò)架構(gòu)，通過(guò)這種方法，在分析信道故障信息時(shí)，能夠?qū)⒉煌诺拦收显\斷信息有效地展現(xiàn)出來(lái)，進(jìn)而提高系統(tǒng)整體網(wǎng)絡(luò)運(yùn)維能力。該系統(tǒng)在應(yīng)用過(guò)程中，通常在中心信息機(jī)房集中部署系統(tǒng)網(wǎng)絡(luò)設(shè)備，該系統(tǒng)包括系統(tǒng)服務(wù)器、存儲(chǔ)服務(wù)器、應(yīng)用服務(wù)器、數(shù)據(jù)庫(kù)服務(wù)器、數(shù)據(jù)管理工具、仿真工具、網(wǎng)絡(luò)模型等。系統(tǒng)中使用了CPN TOOLS模型仿真工具，CPN Tools是使用Petri網(wǎng)語(yǔ)言的特殊仿真系統(tǒng)用于模型的表示，提出了一種強(qiáng)大的層次Petri網(wǎng)結(jié)構(gòu)的模型描述，根據(jù)標(biāo)準(zhǔn)分類(lèi)，此類(lèi)網(wǎng)絡(luò)結(jié)構(gòu)命名為層次定時(shí)網(wǎng)絡(luò)，事實(shí)證明他們等同于圖形結(jié)構(gòu)的算法系統(tǒng)。這種工具是一種功能齊全的建模工具，能夠?qū)⑿诺拦收蠑?shù)據(jù)信息通過(guò)編輯、仿真和分析等對(duì)信道故障數(shù)據(jù)信息進(jìn)行采集、仿真、編輯和集成，用戶可以根據(jù)自己需要的來(lái)進(jìn)行選擇，這種診斷功能比較多，信息操作起來(lái)也比較簡(jiǎn)單，有效地將信道故障診斷類(lèi)型轉(zhuǎn)換為網(wǎng)絡(luò)架構(gòu)進(jìn)行分析，大大提高系統(tǒng)運(yùn)維能力。

該系統(tǒng)具有基于圖形用戶界面的交互方式，完成對(duì)Petri網(wǎng)絡(luò)模型的創(chuàng)建、仿真和狀態(tài)空間分析［8］。CPN TOOLS通過(guò)檢測(cè)機(jī)制能夠快速對(duì)非時(shí)間和時(shí)間Petri模型進(jìn)行仿真，加快了系統(tǒng)對(duì)信道中故障的檢測(cè)效率。系統(tǒng)通過(guò)Modbus網(wǎng)關(guān)采集系統(tǒng)運(yùn)行參數(shù)、信道環(huán)境參數(shù)等數(shù)據(jù)，并設(shè)置計(jì)算服務(wù)器對(duì)數(shù)據(jù)進(jìn)行清理。系統(tǒng)中使用了DATA CONVERTER 數(shù)據(jù)工具將信道的告警事件、告警類(lèi)型、告警等級(jí)、運(yùn)行參數(shù)等特征進(jìn)行數(shù)據(jù)轉(zhuǎn)換，按照特征字段的數(shù)據(jù)類(lèi)型進(jìn)行規(guī)范化操作［9］，確定告警信息中各個(gè)特征字段的數(shù)據(jù)類(lèi)型，并對(duì)非數(shù)據(jù)型特征進(jìn)行編碼。

2 系統(tǒng)信道動(dòng)態(tài)探測(cè)器硬件設(shè)計(jì)

在通信時(shí)滯的增加的情況下，將產(chǎn)生網(wǎng)絡(luò)的不確定環(huán)，導(dǎo)致對(duì)系統(tǒng)信道的故障診斷不夠及時(shí)。該研究設(shè)計(jì)出動(dòng)態(tài)探測(cè)器，由對(duì)象產(chǎn)生的事件字符信息可以通過(guò)共享網(wǎng)絡(luò)傳輸?shù)较到y(tǒng)的診斷器中，動(dòng)態(tài)探測(cè)器和系統(tǒng)的診斷模型共同組成初步的診斷框架，通過(guò)采集信道中事件序列來(lái)確定是否發(fā)生了某種故障類(lèi)型，加快了系統(tǒng)的故障響應(yīng)時(shí)間。

該研究動(dòng)態(tài)探測(cè)器采用了現(xiàn)場(chǎng)可編程邏輯門(mén)陣列（FPGA，field programmable gate array）和ARM處理器（ARM，advanced RISC machine）作為硬件處理器用于數(shù)據(jù)處理和數(shù)據(jù)傳輸，ARM 處理器使用基于32位的RISC處理器構(gòu)架開(kāi)發(fā)ATMEL AT91RM9200 芯片，使用32 位的Cortex-M3內(nèi)核，最高工作頻率可達(dá)到72 MHz。FPGA 芯片使用EP4CE10F17C8，具有84 個(gè)中斷、16 個(gè)優(yōu)先級(jí)設(shè)置，保證了系統(tǒng)的實(shí)時(shí)性［10］。動(dòng)態(tài)探測(cè)器整體硬件結(jié)構(gòu)如圖2所示。

圖2 動(dòng)態(tài)探測(cè)器整體硬件結(jié)構(gòu)

探測(cè)器采集到的信道狀態(tài)信號(hào)經(jīng)過(guò)探測(cè)器板上的一級(jí)放大濾波和差分電壓信號(hào)傳輸?shù)皆O(shè)備板進(jìn)行二級(jí)放大，供ADC芯片采集，將連續(xù)的模擬信號(hào)轉(zhuǎn)變?yōu)闉殡x散的數(shù)字信號(hào)，輸出的數(shù)字信號(hào)經(jīng)過(guò)FPGA 進(jìn)行數(shù)據(jù)的分析處理。數(shù)據(jù)信號(hào)處理完成后，ARM 處理器通過(guò)FSMC 總線讀取結(jié)果，并將狀態(tài)信息通過(guò)數(shù)據(jù)傳輸模塊發(fā)送到系統(tǒng)的服務(wù)器端［11］。探測(cè)器考慮到需要多通道的信息的高速采集，由于不同通道獨(dú)立采集，可能存在時(shí)延，需要進(jìn)行時(shí)間上的同步，該研究選取多個(gè)單通道的ADC芯片進(jìn)行每個(gè)數(shù)據(jù)通道的采集，使用支持同步八通道采樣率為200 ksps 的ADC7606芯片［12］。為進(jìn)一步提高動(dòng)態(tài)探測(cè)器的采集精度，該研究使用運(yùn)算放大器設(shè)計(jì)出低運(yùn)算放大電路，降低模擬參數(shù)之間存在制約，減少信號(hào)中的噪聲信號(hào)，低運(yùn)算放大電路如圖3所示。

圖3 低運(yùn)算放大電路

圖3中，M3、M4為共柵電流鏡，主要用來(lái)提供小信號(hào)的通路，并得到較低的等效輸入噪聲，M1A、M1B、M2A、M2B的共源共柵結(jié)構(gòu)實(shí)現(xiàn)了電流再分配和重復(fù)利用，從而降低基底白噪聲的水平，實(shí)現(xiàn)動(dòng)態(tài)探測(cè)器內(nèi)電路的噪聲優(yōu)化，M1B、M2B與MKD、MKT的漏端交叉相連，保證了其源端小信號(hào)電流同相［12］。當(dāng)Vin升高時(shí)，M1A、M1B、M8、M10關(guān)斷，使M6、M7的漏端電壓升高，放大后經(jīng)過(guò)電流鏡M9輸出，降低了放大器的等效輸入噪聲，實(shí)現(xiàn)了低噪聲和高速的要求。

3 基于特征生成卷積神經(jīng)網(wǎng)絡(luò)的信道故障預(yù)測(cè)模型

由于系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜多變，系統(tǒng)信道環(huán)境復(fù)雜導(dǎo)致故障預(yù)測(cè)方法的靈活性較差，該研究基于深度學(xué)習(xí)技術(shù)進(jìn)行系統(tǒng)信道的故障預(yù)測(cè)，以特征生成卷積神經(jīng)網(wǎng)絡(luò)（FGCNN，feature generation by convolution neural network）為基礎(chǔ)構(gòu)建故障預(yù)測(cè)模型［14］，利用生成對(duì)抗網(wǎng)絡(luò)（GAN，generative adversarial networks）學(xué)習(xí)少量故障樣本的真實(shí)分布，生成高質(zhì)量的新樣本，并加強(qiáng)了故障預(yù)測(cè)模型的特征交互和記憶性［15］，在模型的嵌入矩陣中加入了記憶向量，使復(fù)雜的模型結(jié)構(gòu)能夠更好地挖掘故障特征間深層次關(guān)系，更高效地處理系統(tǒng)運(yùn)行過(guò)程中產(chǎn)生的告警信息。信道故障預(yù)測(cè)模型結(jié)構(gòu)如圖4所示。

圖4 信道故障預(yù)測(cè)模型結(jié)構(gòu)

圖4中FGCNN 網(wǎng)絡(luò)從結(jié)構(gòu)化的故障數(shù)據(jù)集中學(xué)習(xí)到對(duì)故障預(yù)測(cè)有用的信息，通過(guò)加強(qiáng)特征交互挖掘出特征信息之間深層的相互關(guān)系，并且能夠區(qū)別正負(fù)樣本的區(qū)別。GAN 用來(lái)學(xué)習(xí)信道故障樣本的真實(shí)分布并生成真實(shí)的新的少數(shù)類(lèi)樣本，并對(duì)數(shù)據(jù)集中的樣本比例進(jìn)行平衡。GAN 的目標(biāo)函數(shù)可表示為：

式中，D表示對(duì)抗生成網(wǎng)絡(luò)中的生成器，G 表示對(duì)抗生成網(wǎng)絡(luò)中的鑒別器，pd表示真實(shí)故障樣本的分布情況，pz表示故障樣本中的噪聲分布情況，D（x）表示生成器的輸出，G（x）表示鑒別器的輸出［16］，通過(guò)公式（1）表示出信道故障預(yù)測(cè)模型中對(duì)抗生成網(wǎng)絡(luò)的生成器和鑒別器之間的對(duì)抗關(guān)系，生成新的故障樣本用于模型的訓(xùn)練。GAN 的損失函數(shù)可表示為：

式中，fw表示生成器和鑒別器中的神經(jīng)網(wǎng)絡(luò)，pd（x）表示輸出故障樣本的分布情況，公式（2）計(jì)算出模型訓(xùn)練過(guò)程中的損失，為調(diào)整模型參數(shù)提供參考［17］。輸入到預(yù)測(cè)模型中的故障特征向量為X＝［x1，x2，…，xi］，輸入的樣本總量為M，輸入特征中包含了原始特征和交叉特征，交叉特征可表示為：

式中，d表示輸入向量中的故障特征個(gè)數(shù)，ck表示布爾變量，故障預(yù)測(cè)模型對(duì)輸入的故障特征信息進(jìn)行編碼，對(duì)每個(gè)特征向量進(jìn)行處理，通過(guò)嵌入層完成低維映射，預(yù)測(cè)目標(biāo)可表示為：

式中，wT表示預(yù)測(cè)模型權(quán)重參數(shù)組成的向量，b表示故障預(yù)測(cè)模型的偏置量，通過(guò)公式（4）得出故障預(yù)測(cè)模型輸出的向量表示。預(yù)測(cè)模型通過(guò)挖掘故障特征信息的數(shù)據(jù)模式，輸入特征在神經(jīng)網(wǎng)絡(luò)的隱藏層進(jìn)行訓(xùn)練，可表示為：

式中，a（l）表示FGCNN 網(wǎng)絡(luò)中第l層的輸入向量，b（l）表示FGCNN 網(wǎng)絡(luò)的偏置，W（l）表示FGCNN 網(wǎng)絡(luò)的權(quán)重矩陣，f表示激活函數(shù)［18］。公式（5）表示神經(jīng)網(wǎng)絡(luò)的特征提取過(guò)程，故障預(yù)測(cè)模型在輸出層進(jìn)行聯(lián)合訓(xùn)練，同時(shí)考慮兩部分并優(yōu)化所有參數(shù)，最終的輸出結(jié)果可表示為：

式中，Y表示樣本的標(biāo)簽，σ表示激活函數(shù)進(jìn)行分類(lèi)，Φ（x）表示輸入向量的交叉特征，表示部分權(quán)重向量，表示最后一層輸出的權(quán)重向量。

綜上所述，與文獻(xiàn)［3］中利用矩陣半張量積工具可以將普通矩陣乘法推廣到前陣列數(shù)與后陣行數(shù)不等的情況提出的基于矩陣的有限自動(dòng)機(jī)模型診斷方法，和文獻(xiàn)［4］中采用動(dòng)態(tài)加權(quán)的序列模式數(shù)據(jù)挖掘算法對(duì)系統(tǒng)告警進(jìn)行更加細(xì)致的權(quán)重劃分來(lái)完成構(gòu)建故障預(yù)測(cè)模型的數(shù)據(jù)集的方法相比，基于特征生成卷積神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)模型，能夠更好地對(duì)系統(tǒng)信道的歷史告警數(shù)據(jù)和故障特征進(jìn)行分析，并對(duì)故障樣本進(jìn)行均衡化處理，通過(guò)對(duì)抗生成網(wǎng)絡(luò)生成新的樣本進(jìn)行模型的訓(xùn)練，并將預(yù)測(cè)模型部署在系統(tǒng)線上環(huán)境，對(duì)實(shí)時(shí)產(chǎn)生的告警數(shù)據(jù)進(jìn)行信道故障預(yù)測(cè)。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)方法

該研究主要是對(duì)信道故障診斷系統(tǒng)的有效性進(jìn)行驗(yàn)證，使用OMNET＋＋5.4.1網(wǎng)絡(luò)仿真平臺(tái)進(jìn)行仿真實(shí)驗(yàn)，并實(shí)驗(yàn)環(huán)境中構(gòu)建了一個(gè)網(wǎng)絡(luò)診斷器，對(duì)系統(tǒng)接收到的相同事件信息進(jìn)行轉(zhuǎn)換。動(dòng)態(tài)探測(cè)器和系統(tǒng)的診斷器共同組成初步的診斷框架。實(shí)驗(yàn)計(jì)算機(jī)的操作系統(tǒng)為Windows 10，計(jì)算機(jī)CPU 使用INTEL 酷睿i7 12700K，數(shù)據(jù)庫(kù)為MYSQL，仿真平臺(tái)使用C＋＋編程語(yǔ)言。仿真實(shí)驗(yàn)環(huán)境如圖5所示。實(shí)驗(yàn)環(huán)境硬件配置參數(shù)如表1所示。

表1 實(shí)驗(yàn)環(huán)境硬件配置參數(shù)

圖5 仿真實(shí)驗(yàn)環(huán)境

該研究實(shí)驗(yàn)中使用了KEEL 數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，數(shù)據(jù)集中包含的告警和故障信息的時(shí)間范圍是2020年5月到10月，數(shù)據(jù)總量超過(guò)500MB。對(duì)數(shù)據(jù)集進(jìn)行處理，進(jìn)一步劃分故障診斷模型的訓(xùn)練集和測(cè)試集，實(shí)驗(yàn)數(shù)據(jù)集如表2所示。

表2 實(shí)驗(yàn)數(shù)據(jù)集

使用實(shí)驗(yàn)數(shù)據(jù)集中的訓(xùn)練集對(duì)系統(tǒng)中的故障診斷和預(yù)測(cè)模型進(jìn)行訓(xùn)練，對(duì)數(shù)據(jù)樣本進(jìn)行均衡化處理得到樣本比例平衡的數(shù)據(jù)集，故障預(yù)測(cè)模型的參數(shù)設(shè)置如表3所示。

表3 故障預(yù)測(cè)模型的參數(shù)設(shè)置

4.2 實(shí)驗(yàn)結(jié)果

該研究在實(shí)驗(yàn)數(shù)據(jù)集中加入部分信道告警信息，進(jìn)行信道故障檢測(cè)實(shí)驗(yàn)，使用文獻(xiàn)［3］系統(tǒng)和文獻(xiàn)［4］系統(tǒng)進(jìn)行對(duì)比測(cè)試，文獻(xiàn)［3］系統(tǒng)中使用了深度神經(jīng)網(wǎng)絡(luò)模型，稱為方法1，文獻(xiàn)［4］系統(tǒng)中使用了貝葉斯分類(lèi)器［19］，稱為方法2，使用相同的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，記錄到各方法的故障檢測(cè)時(shí)間如圖6所示。

圖6 故障檢測(cè)時(shí)間

由圖6可知，方法1的故障檢測(cè)時(shí)間較長(zhǎng)，該研究方法的故障檢測(cè)時(shí)間最短，方法1對(duì)實(shí)驗(yàn)樣本的檢測(cè)時(shí)間大多數(shù)在400ms以上，樣本在560～570范圍內(nèi)的檢測(cè)時(shí)間超過(guò)800ms，最大可達(dá)到832ms。方法2的故障檢測(cè)時(shí)間不超過(guò)600ms，數(shù)據(jù)樣本在950～970范圍內(nèi)的檢測(cè)時(shí)間超過(guò)400ms，故障檢測(cè)時(shí)間最大為524ms。該研究方法的故障檢測(cè)時(shí)間整體不超過(guò)400ms，故障檢測(cè)模型通過(guò)強(qiáng)大的特征提取功能加快了故障檢測(cè)時(shí)間，使系統(tǒng)具有更好的信道故障檢測(cè)效率，多個(gè)樣本的檢測(cè)時(shí)間不超過(guò)100ms，在740～780樣本序號(hào)中，故障檢測(cè)時(shí)間最大為238ms。

使用經(jīng)過(guò)樣本均衡處理后的數(shù)據(jù)集進(jìn)行故障預(yù)測(cè)實(shí)驗(yàn)，設(shè)定故障預(yù)測(cè)模型的損失函數(shù)為0.9，基于當(dāng)前系統(tǒng)信道的運(yùn)行參數(shù)進(jìn)行故障預(yù)測(cè)，實(shí)驗(yàn)次數(shù)設(shè)定為5次，每次實(shí)驗(yàn)時(shí)間最大為300s，記錄到各方法與實(shí)際特征的差值如表4所示。

表4 預(yù)測(cè)特征誤差 ms

4.3 實(shí)驗(yàn)結(jié)果分析

其中方法1的預(yù)測(cè)特征誤差普遍大于6.0，在第一次實(shí)驗(yàn)的預(yù)測(cè)特征誤差最大為9.5，第四次實(shí)驗(yàn)的預(yù)測(cè)誤差降低到4.12。方法2的預(yù)測(cè)特征誤差最大為11.25，在第五次實(shí)驗(yàn)的誤差降低到4.18。該研究方法的預(yù)測(cè)特征誤差不超過(guò)8.0，第四次和第五次實(shí)驗(yàn)結(jié)果的誤差處于較低水平。經(jīng)過(guò)計(jì)算得到各方法的故障預(yù)測(cè)準(zhǔn)確率如圖7所示。

圖7 故障預(yù)測(cè)準(zhǔn)確率

對(duì)比各方法的預(yù)測(cè)準(zhǔn)確率可知，該研究方法具有更高的預(yù)測(cè)效果，準(zhǔn)確率整體在94%以上，方法1和方法2的準(zhǔn)確率在90%以上。其中方法1的準(zhǔn)確率最低為91.6%，在第四次實(shí)驗(yàn)中的準(zhǔn)確率最高達(dá)到97.8%，方法2的準(zhǔn)確率最低為90.6%，最高為97.2%。方法1與方法2沒(méi)有利用對(duì)抗生成網(wǎng)絡(luò)學(xué)習(xí)故障樣本，故障預(yù)測(cè)準(zhǔn)確率不能穩(wěn)定提高［20-22］。該研究方法采用FGCNN 網(wǎng)絡(luò)從故障數(shù)據(jù)集中學(xué)習(xí)到對(duì)故障預(yù)測(cè)有用的信息，如圖7所示，第四次、第五次實(shí)驗(yàn)較前三次準(zhǔn)確率有了明顯提高。該研究方法的故障預(yù)測(cè)模型能夠從數(shù)據(jù)集中學(xué)習(xí)到故障關(guān)聯(lián)關(guān)系和故障發(fā)生規(guī)律，由基于特征生成卷積神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確率最高可達(dá)到99.7%。

5 結(jié)束語(yǔ)

該研究設(shè)計(jì)出信道故障診斷系統(tǒng)，并結(jié)合Petri網(wǎng)絡(luò)模型進(jìn)行故障診斷，利用網(wǎng)絡(luò)模型表示系統(tǒng)信道動(dòng)態(tài)行為特征，并在網(wǎng)絡(luò)模型中加入標(biāo)簽形成時(shí)間Petri網(wǎng)絡(luò)模型，利用著色Petri形成多層次分析模型。設(shè)計(jì)出信道動(dòng)態(tài)探測(cè)器配合Petri網(wǎng)絡(luò)模型進(jìn)行故障檢測(cè)，系統(tǒng)中的故障預(yù)測(cè)模型利用了特征生成卷積神經(jīng)挽網(wǎng)絡(luò)在特征抽取上的優(yōu)點(diǎn)，生成有效的局部特征并通過(guò)全連接層進(jìn)行特征重組，得到全局的新特征，與原始特征共同輸出得到故障特征的高階形式，更利于模型進(jìn)行故障預(yù)測(cè)。

該研究仍存在一些不足需要優(yōu)化，在后續(xù)工作中可以利用數(shù)據(jù)挖掘技術(shù)，提高數(shù)據(jù)價(jià)值和加快系統(tǒng)的數(shù)據(jù)處理速度，擴(kuò)充原有的頻繁告警序列模式。