基于模糊神經(jīng)網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)故障診斷設(shè)計

詹進雄，杜舒明

(南京電子技術(shù)研究所，南京 210039)

0 引言

隨著集成電路、計算機網(wǎng)絡(luò)等技術(shù)快速發(fā)展，以雷達等為代表的大型復(fù)雜電子裝備呈現(xiàn)出裝備數(shù)字化、網(wǎng)絡(luò)化、集成化、信息化等新特點，是裝備適應(yīng)未來新技術(shù)發(fā)展以及新型電子戰(zhàn)的必然選擇。裝備高度集成化與網(wǎng)絡(luò)化對裝備配套的保障模式、維修方法等提出更高的要求，嵌入式測試、視情維修等成為目前裝備保障研究中重要的研究方向。精準(zhǔn)、高效保障的基礎(chǔ)是精準(zhǔn)定位故障，而故障定位的基礎(chǔ)是能夠獲取被測對象相應(yīng)的測試點信息。測試信息的獲取依賴于裝備內(nèi)部的網(wǎng)絡(luò)，網(wǎng)絡(luò)正常工作是裝備發(fā)揮效能、快速維修保障的基礎(chǔ)。當(dāng)裝備網(wǎng)絡(luò)發(fā)生故障時，需快速定位并修復(fù)網(wǎng)絡(luò)拓?fù)渲泄收瞎?jié)點，避免出現(xiàn)裝備宕機[1-3]。

裝備網(wǎng)絡(luò)化體現(xiàn)在裝備內(nèi)部一張復(fù)雜的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，在該拓?fù)浣Y(jié)構(gòu)中各個部件節(jié)點通過交換機/路由器等網(wǎng)絡(luò)設(shè)備按照一定的層次架構(gòu)級聯(lián)連接一起。該復(fù)雜網(wǎng)絡(luò)承擔(dān)著系統(tǒng)的控制指令、系統(tǒng)響應(yīng)數(shù)據(jù)、測試數(shù)據(jù)等傳輸任務(wù)，是裝備各類信息傳輸?shù)闹匾A(chǔ)。裝備網(wǎng)絡(luò)化與集成化帶來的是鏈路故障排查難度的大幅提升。在多級網(wǎng)絡(luò)拓?fù)浼映窒?，不同層次網(wǎng)絡(luò)節(jié)點出現(xiàn)故障表現(xiàn)出來的故障現(xiàn)象存在差異，上級的網(wǎng)絡(luò)節(jié)點信息依賴下級節(jié)點傳遞。因此當(dāng)拓?fù)浣Y(jié)構(gòu)中若干交換節(jié)點特別是中心交換節(jié)點出現(xiàn)故障時，在系統(tǒng)層面表現(xiàn)出大量級聯(lián)網(wǎng)絡(luò)節(jié)點信息的缺失或異常，這類故障的排查耗時費力，缺少有效的快速分析手段，嚴(yán)重影響了裝備的可使用性[4]。因此針對這類復(fù)雜拓?fù)浣Y(jié)構(gòu)的網(wǎng)絡(luò)，構(gòu)建一種行而有效的快速診斷方法是非常必要的。復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意圖

在針對實際生產(chǎn)生活中產(chǎn)生的大量的模糊問題，傳統(tǒng)的基于精確數(shù)學(xué)模型的解決方法往往需要大量的試驗數(shù)據(jù)，同時因大量模糊情況的存在，導(dǎo)致最終的解決效果并不十分理想，而這些模糊問題往往通過經(jīng)驗、推理、模糊判斷等途徑反而可以較好解決。模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network)結(jié)合了模糊理論與人工神經(jīng)網(wǎng)絡(luò)優(yōu)勢，在大量的模糊問題應(yīng)用上，具有較好的解決能力[5]。

針對復(fù)雜網(wǎng)絡(luò)精準(zhǔn)診斷存在的難題，提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法，利用模糊理論對監(jiān)測數(shù)據(jù)進行模糊化處理，然后基于處理后數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)模型參數(shù)訓(xùn)練，并結(jié)合實際故障數(shù)據(jù)，對訓(xùn)練好的診斷模型進行測試驗證，并對此次基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法進行總結(jié)與評價。

1 基本概念

1.1 模糊集與隸屬函數(shù)

模糊集：給定一個論域U，從U到單位區(qū)間[0，1]的一個映射稱為U上的一個模糊集，或者U的一個模糊子集，模糊集可用A表示[1]。模糊集是用于描述模糊概念的工具，實現(xiàn)精確性與模糊性之間的橋梁連接。

隸屬函數(shù)：表征從完全隸屬到完全不隸屬過程中的漸變函數(shù)，使用隸屬度描述模糊信息量化結(jié)果[6]，即映射成為模糊集A的隸屬度函數(shù)，可用A(u)表示：

A：u→[0，1]

(1)

隸屬函數(shù)根據(jù)模糊概函數(shù)曲線分布特點可劃分為“偏大類型”、“偏小類型”以及“居中類型”3種。圖2以梯形形狀分布給出這3種類型的分布曲線。

圖2 隸屬函數(shù)3種類型

1.2 模糊神經(jīng)元

模糊神經(jīng)元定義為一個系統(tǒng)，該系統(tǒng)響應(yīng)表征如下所示：

(2)

其中：<∪，∩>為模糊神經(jīng)元算子，定義域為A；x1，x2，x3，…，xn為n個系統(tǒng)的輸入，xi∈A；w1，w2，w3，…，wn是對應(yīng)上述n個系統(tǒng)輸入的權(quán)重，且wi∈R，且xi∩wi∈A；θ定義為調(diào)節(jié)常量，且θ∈R；f(·)是系統(tǒng)響應(yīng)函數(shù)，且f(·)∈[0，1]。模糊神經(jīng)元的結(jié)構(gòu)如圖3所示[7]。

圖3 模糊神經(jīng)元組成圖

1.3 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是利用電子、光學(xué)等技術(shù)模擬生物神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)、特征以及功能而具有智能化的網(wǎng)絡(luò)，用于對信息加工、分析等過程[8-12]。由于神經(jīng)網(wǎng)絡(luò)所具有的對非線性映射的擬合以及學(xué)習(xí)能力，因此適合處理非線性、不確定性的問題，同樣適用于網(wǎng)絡(luò)系統(tǒng)的故障診斷。

根據(jù)神經(jīng)網(wǎng)絡(luò)架構(gòu)組成的不同分為前饋神經(jīng)網(wǎng)絡(luò)、循環(huán)網(wǎng)絡(luò)以及對稱連接網(wǎng)絡(luò)等。前饋神經(jīng)網(wǎng)絡(luò)是最常用的一種類型，包括輸入層(第一層)、輸出層(最后一層)以及隱藏層(處于輸入輸出之間)。前饋神經(jīng)網(wǎng)絡(luò)是一種靜態(tài)的非線性映射，其非線性處理能力可通過簡單非線性處理單元的復(fù)合映射得到。

循環(huán)神經(jīng)網(wǎng)絡(luò)是一類具有短期記憶能力的神經(jīng)網(wǎng)絡(luò)，以序列數(shù)據(jù)為輸入，在序列的演進方向進行遞歸且所有節(jié)點按鏈?zhǔn)竭M行連接[13]。循環(huán)神經(jīng)網(wǎng)絡(luò)擅長解決與時間序列相關(guān)的問題，在語音識別、機器翻譯等領(lǐng)域得到廣泛應(yīng)用。

典型前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2 故障診斷系統(tǒng)設(shè)計

2.1 監(jiān)測信息預(yù)處理

監(jiān)測信息預(yù)處理主要實現(xiàn)將采集的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)經(jīng)過模糊隸屬度函數(shù)處理后輸出模糊集，便于進行后續(xù)的推理診斷。根據(jù)隸屬度劃分需要，將各個故障原因的隸屬度定義為故障原因?qū)收犀F(xiàn)象的貢獻大小。隸屬度越接近1，說明是該故障原因的可能性越高，相反隸屬度越接近0，說明是該故障導(dǎo)致的可能性越低[14-15]。根據(jù)實際應(yīng)用情況文中使用的隸屬度劃分如表1所示。通過隸屬函數(shù)的變換，將監(jiān)測的數(shù)據(jù)轉(zhuǎn)換為同為隸屬度尺度的標(biāo)化數(shù)據(jù)，便于實現(xiàn)相應(yīng)的數(shù)學(xué)運算和處理。

表1 隸屬度劃分

設(shè)系統(tǒng)有n個監(jiān)測信號，可表示為：

Fp=[fp1，fp2，fp3，…，fpn](p=1，2，3，…，s)

(3)

其中：p表示第p個監(jiān)測樣本，s代表樣本個數(shù)。對于各個fpi(i=1，2，3，…，n)而言，經(jīng)過模糊化后輸出的模糊量為：

μi(fpi)=A(fpi；a)

(4)

最終Fp經(jīng)過模糊化處理后輸出為：

Xp=[xp1，xp2，xp3，…，xpn]=

[μ1(fp1)，μ2(fp2)，μ3(fp3)，…，μn(fpn)]

(5)

根據(jù)模型訓(xùn)練和驗證需要，將Xp數(shù)據(jù)分為Xpt和Xpv兩組，Xpt用于神經(jīng)網(wǎng)絡(luò)模型參數(shù)的訓(xùn)練，Xpv用于對訓(xùn)練好的模型進行測試驗證。

2.2 隸屬函數(shù)確定

隸屬函數(shù)變化規(guī)律應(yīng)能反映出客觀模糊現(xiàn)象的具體特點，當(dāng)研究的客觀模糊現(xiàn)象的分布規(guī)律與給定的模糊分布函數(shù)類似時，即可選擇這個函數(shù)作為所求的隸屬函數(shù)，并通過實際的數(shù)據(jù)或先驗知識獲取具體的符合該現(xiàn)象的隸屬函數(shù)。如普通家庭轎車根據(jù)價格可分為“豪華”、“經(jīng)濟”以及“普通”類型，但實際生活中這3種類型轎車價格存在重疊，針對這種價格模糊情況需要根據(jù)分布函數(shù)確定轎車類型的隸屬函數(shù)。

根據(jù)表1中隸屬度數(shù)值定義，隸屬度越接近1，說明是該種故障原因的可能性越高。當(dāng)網(wǎng)絡(luò)拓?fù)渲心硞€節(jié)點發(fā)生故障時，相應(yīng)的節(jié)點監(jiān)測的收發(fā)網(wǎng)絡(luò)流量信息將受到直接影響，直接表現(xiàn)為該節(jié)點上報的收發(fā)流量數(shù)據(jù)斷崖式下跌，并同時影響了與該網(wǎng)絡(luò)節(jié)點級聯(lián)的前后網(wǎng)絡(luò)節(jié)點狀態(tài)。因此從單個網(wǎng)絡(luò)節(jié)點監(jiān)測數(shù)據(jù)分析及規(guī)律看，數(shù)據(jù)分布符合“偏小類型”規(guī)律。根據(jù)網(wǎng)絡(luò)節(jié)點級聯(lián)特點，此處的隸屬函數(shù)采用正態(tài)分布的隸屬函數(shù)，具體公式如下：

(6)

考慮到在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，不同的網(wǎng)絡(luò)設(shè)備、交換機級聯(lián)位置以及接收、發(fā)送的數(shù)據(jù)流量并不一致，因此針對不同網(wǎng)絡(luò)節(jié)點，對應(yīng)的參數(shù)閾值a是不同的，最終形成一組確定的變量數(shù)組A：

A=[a1，a2，…，an]

(7)

2.3 基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷流程

基于模糊神經(jīng)網(wǎng)絡(luò)的診斷過程就是將經(jīng)過模糊系統(tǒng)處理后變?yōu)槟：斎胄盘栕鳛樯窠?jīng)網(wǎng)絡(luò)的輸入，得到相應(yīng)的模糊權(quán)值，然后將神經(jīng)網(wǎng)絡(luò)的輸出反模糊化，得到確定的有效數(shù)值，從而將神經(jīng)網(wǎng)絡(luò)的并行處理優(yōu)勢和模糊系統(tǒng)的推理優(yōu)勢充分發(fā)揮[16-17]。

基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷流程如圖5所示。根據(jù)流程框圖，該診斷流程分為以下幾個步驟：

圖5 故障診斷流程框圖

1)數(shù)據(jù)模糊化：將輸入?yún)?shù)通過其隸屬函數(shù)處理輸出模糊矢量，形成訓(xùn)練樣本以及試驗樣本；

2)神經(jīng)網(wǎng)絡(luò)訓(xùn)練：根據(jù)輸入數(shù)據(jù)以及網(wǎng)絡(luò)結(jié)構(gòu)計算隱含層輸出以及輸出層誤差，誤差小于預(yù)設(shè)值停止訓(xùn)練，并記錄訓(xùn)練好的網(wǎng)絡(luò)參數(shù)；

3)診斷模型驗證：將試驗樣本輸入到已經(jīng)訓(xùn)練好的診斷模型進行計算，得到量化輸出；

4)反模糊化：按照設(shè)定的模糊隸屬度函數(shù)進行反模糊化，得到最終的診斷結(jié)果。

2.4 模糊神經(jīng)網(wǎng)絡(luò)模型設(shè)計

模糊神經(jīng)網(wǎng)絡(luò)具有較好的結(jié)構(gòu)知識表達、容錯以及自然語言處理能力，因此針對復(fù)雜網(wǎng)絡(luò)這類非線性、關(guān)系不清晰的模糊診斷具有較好的適應(yīng)能力[18-20]。BP學(xué)習(xí)算法是目前神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣的算法之一，其組成包括輸入層、輸出層以及一個或多個隱含層。神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程就是不斷修正網(wǎng)絡(luò)權(quán)值和閾值，使實際輸出與期望輸出間誤差逐漸減小并達到期望誤差的過程[21-22]。

在網(wǎng)絡(luò)故障診斷實際應(yīng)用中，考慮到網(wǎng)絡(luò)系統(tǒng)中的監(jiān)測信息存在耦合關(guān)聯(lián)、監(jiān)測對象狀態(tài)無法直接量化評判的情況，需要將監(jiān)測數(shù)據(jù)進行模糊化處理，經(jīng)過模糊隸屬度函數(shù)處理得到隸屬度向量，再將得到的向量輸入到隱含層中，得到模糊輸出向量，通過反模糊處理得到最終故障部件。

本次采用的神經(jīng)網(wǎng)絡(luò)為5層，組成框圖如圖6所示。

圖6 模糊神經(jīng)網(wǎng)絡(luò)診斷模型組成框圖

第1層為輸入層，輸入層與待輸入信號fpi(i=1，2，3，…，n)相連接，并且

F=[fp1，fp2，fp3，…，fpn]T

(8)

第2層為模糊化層，其作用是將輸入信號根據(jù)隸屬函數(shù)進行模糊化。對于任意一個輸入信號fpi(i=1，2，3，…，n)，定義xi個模糊子集，具體隸屬度函數(shù)見3.1小節(jié)，模糊化層的輸出向量見式(6)。

第3層為隱含層，用于實現(xiàn)模糊化層到模糊輸出層的映射，其節(jié)點數(shù)m可根據(jù)輸入數(shù)據(jù)數(shù)量最終確定，對于隱含層的第i個節(jié)點，設(shè)該節(jié)點與第二層各節(jié)點的賦予的權(quán)重為：

WHi=[wH1i，wH2i，wH3i，…，wHmi]T

(9)

第4層為模糊輸出層，其輸出的模糊數(shù)值代表故障存在可能性的程度，每個節(jié)點代表一種故障。該模糊輸出層的輸出為：

yi=f(WHiTX+θHi)

(10)

式中，f(·)為Sigmoid函數(shù)，θHi為隱層節(jié)點調(diào)節(jié)閾值。Sigmoid函數(shù)如式(11)所示：

f(β)=1/(1+e-β)

(11)

第5層為清晰化層，每一個節(jié)點對應(yīng)一個輸出信號zi(i=1，2，3，…，k)，通過隸屬度反模糊處理，使zi成為所定義模糊子集上。該輸出層的輸出向量為：

Z=[z1，z2，z3，…，zk]T

(12)

2.5 復(fù)雜網(wǎng)絡(luò)故障診斷軟件設(shè)計

使用MATLAB的GUI開發(fā)了針對網(wǎng)絡(luò)系統(tǒng)的故障診斷軟件。該系統(tǒng)包括了用戶登錄、網(wǎng)絡(luò)監(jiān)測參數(shù)接收解析、診斷輸出結(jié)果、神經(jīng)網(wǎng)絡(luò)模型參數(shù)訓(xùn)練等功能界面，通過各個功能界面完成復(fù)雜網(wǎng)絡(luò)的故障診斷功能。軟件實現(xiàn)具體流程如下：

1)開始輸入用戶賬號與密碼，如果信息正確，則直接跳轉(zhuǎn)第2)步；如果信息驗證錯誤，則跳轉(zhuǎn)步驟9)結(jié)束；

2)判斷登陸是管理員用戶還是普通用戶：如果是管理員用戶，跳轉(zhuǎn)至步驟3)；否則跳轉(zhuǎn)至步驟5)；

3)展示神經(jīng)網(wǎng)絡(luò)模型設(shè)置界面，具體包括選擇輸入的訓(xùn)練數(shù)據(jù)、網(wǎng)絡(luò)結(jié)構(gòu)、傳遞函數(shù)等項目設(shè)置，設(shè)置完成并開始訓(xùn)練；

4)將訓(xùn)練好的網(wǎng)絡(luò)參數(shù)結(jié)果進行保存，并跳轉(zhuǎn)至步驟9)結(jié)束；

5)加載訓(xùn)練好的保存在本地的參數(shù)作為神經(jīng)網(wǎng)絡(luò)參數(shù)；

6)根據(jù)網(wǎng)絡(luò)節(jié)點約定的BIT報文格式進行接收解析；

7)根據(jù)設(shè)置的隸屬函數(shù)對解析的BIT監(jiān)測數(shù)據(jù)進行模糊化處理并輸入到神經(jīng)網(wǎng)絡(luò)模型進行運算；

8)將神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果反模糊化并進行界面顯示；

9)軟件運行結(jié)束。

軟件實現(xiàn)流程如圖7所示。

圖7 軟件實現(xiàn)流程圖

下面圍繞各個功能界面介紹該系統(tǒng)功能。

如圖8所示，系統(tǒng)登陸界面包括用戶名和密碼，對使用軟件的用戶進行約束。同時針對使用過程中診斷系統(tǒng)診斷結(jié)果與實際存在偏差，需要重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)情況，設(shè)計了管理員登錄功能，便于更新神經(jīng)網(wǎng)絡(luò)模型參數(shù)。

圖8 復(fù)雜網(wǎng)絡(luò)診斷系統(tǒng)登陸界面

如圖9所示，故障診斷界面用于故障網(wǎng)絡(luò)節(jié)點的判斷，基于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型將模糊化后的狀態(tài)數(shù)據(jù)進行判斷，輸出診斷結(jié)果，根據(jù)輸出結(jié)果反模糊化出可能的故障節(jié)點。

圖9 故障診斷界面

神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要依賴大量的樣本數(shù)據(jù)，由于前期使用過程中缺少這樣大量的故障案例樣本，因此需要在后續(xù)使用過程中重新訓(xùn)練模型參數(shù)，系統(tǒng)提供了進行神經(jīng)網(wǎng)絡(luò)二次訓(xùn)練的設(shè)置界面，便于提高模糊神經(jīng)網(wǎng)絡(luò)的準(zhǔn)性。神經(jīng)網(wǎng)絡(luò)訓(xùn)練界面如圖10所示。

圖10 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練設(shè)置界面

3 試驗驗證與分析

試驗驗證環(huán)節(jié)將截取某大型雷達電子裝備中部分網(wǎng)絡(luò)組成結(jié)構(gòu)及監(jiān)測數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與驗證。該型電子裝備設(shè)備數(shù)量、層次結(jié)構(gòu)多、設(shè)備間連接關(guān)系復(fù)雜，不同設(shè)備間通過各類網(wǎng)絡(luò)完成數(shù)據(jù)的交換，設(shè)備間數(shù)據(jù)傳遞依賴于網(wǎng)絡(luò)鏈路上路由節(jié)點、交換節(jié)點等。因此實現(xiàn)對網(wǎng)絡(luò)設(shè)備快速故障定位對提升裝備可用性具有重要意義。

考慮到實際雷達裝備網(wǎng)絡(luò)組成及拓?fù)浣Y(jié)構(gòu)過于復(fù)雜，為簡化組成便于說明拓?fù)浣Y(jié)構(gòu)，本節(jié)將圍繞裝備某局部的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和監(jiān)測的數(shù)據(jù)進行模糊神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練，并將隨機抽取的2組故障數(shù)據(jù)對訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進行驗證。

3.1 網(wǎng)絡(luò)組成及故障信息

圖11是某雷達電子裝備的局部網(wǎng)絡(luò)拓?fù)浣M成圖，該網(wǎng)絡(luò)拓?fù)浒?2個節(jié)點，其中各個節(jié)點間連接關(guān)系為雙向的，其中節(jié)點3、7為網(wǎng)絡(luò)交換機，節(jié)點2、4、10等為網(wǎng)絡(luò)路由節(jié)點，節(jié)點1、5、6、8、9、11、12為網(wǎng)絡(luò)終端設(shè)備。各類節(jié)點監(jiān)測的BIT信息如表2所示。

表2 網(wǎng)絡(luò)節(jié)點監(jiān)測BIT

圖11 網(wǎng)絡(luò)拓?fù)浣M成框圖

考慮網(wǎng)絡(luò)雙向傳輸鏈路分析與單向分析方法是一致的，此次試驗主要研究單向傳輸方向下故障定位問題，雙向傳輸鏈路的分析方法類似。選擇其中6條傳輸鏈路為研究對象，這6條傳輸鏈路分別是：1→2→3→7→9、5→4→3→7→9、6→4→3→7→9、8→10→7→9、11→10→7→9和12→10→7→9。各個網(wǎng)絡(luò)節(jié)點對應(yīng)的故障模式以及對應(yīng)的監(jiān)測項目如表3所示。為簡化模型，表中僅列出了與傳輸鏈路相關(guān)的故障模式以及監(jiān)測項目，Y1～Y12分別表征各個部件的故障模式(無法發(fā)送/轉(zhuǎn)發(fā)網(wǎng)絡(luò)數(shù)據(jù))，T1～T12分別表示部件的監(jiān)測項目(發(fā)送流量/轉(zhuǎn)發(fā)流量)。

表3 網(wǎng)絡(luò)節(jié)點故障模式與監(jiān)測點 kB/s

3.2 預(yù)處理與樣本劃分

根據(jù)網(wǎng)絡(luò)拓?fù)浣M成以及表3中采用的故障模式及監(jiān)測項目，篩選出各部件在對應(yīng)故障發(fā)生后，各個部件所采集到的監(jiān)測項目數(shù)據(jù)，得到不同故障模式下與測試點的對應(yīng)關(guān)系作為模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，如表4所示。表格中Ti代表監(jiān)測點，Yi代表故障模式，中間表格數(shù)值代表對應(yīng)網(wǎng)絡(luò)流量監(jiān)測結(jié)果。

表4 網(wǎng)絡(luò)拓?fù)涔收夏Ｊ脚c測試點對應(yīng)關(guān)系 kB/s

考慮到不同網(wǎng)絡(luò)節(jié)點監(jiān)測數(shù)據(jù)類型、數(shù)據(jù)閾值及變化特征不同，根據(jù)實際應(yīng)用需要，以節(jié)點監(jiān)測點T3為例說明隸屬函數(shù)變量的確定過程，其它節(jié)點的隸屬函數(shù)變量確定過程類似。文中監(jiān)測流量數(shù)據(jù)主要考慮在系統(tǒng)正常工作情況下的情形，在系統(tǒng)正常工作時各網(wǎng)絡(luò)節(jié)點監(jiān)測的流量信息是相對穩(wěn)定的，如果出現(xiàn)流量異常變少的情況，則網(wǎng)絡(luò)拓?fù)渲锌赡艽嬖诋惓Ｇ闆r。表5數(shù)據(jù)為不同情況下節(jié)點3對應(yīng)的隸屬值情況。

表5 T3網(wǎng)絡(luò)節(jié)點監(jiān)測流量信息 kB/s

根據(jù)2.2節(jié)確定的“偏小類型”的正態(tài)分布的隸屬函數(shù)以及表5的分布情況，求解可得T3節(jié)點的隸屬公式參數(shù)結(jié)果：α=8，σ=40.2。因此T3的隸屬度公式結(jié)果如下：

(13)

T3節(jié)點接收的實際監(jiān)測數(shù)據(jù)可根據(jù)隸屬公式轉(zhuǎn)換為對應(yīng)的隸屬度值。對應(yīng)T3節(jié)點的隸屬函數(shù)曲線如圖12所示。

圖12 T3節(jié)點隸屬度函數(shù)曲線

同理，其它節(jié)點的隸屬函數(shù)以及隸屬度求解過程可參考T3節(jié)點求解步驟得到。求解獲得所有網(wǎng)絡(luò)節(jié)點的隸屬度函數(shù)后，將獲取的樣本數(shù)據(jù)依據(jù)隸屬度函數(shù)進行模糊化處理，得到故障模式Y(jié)i與各個故障現(xiàn)象相關(guān)的模糊化矢量，具體見表6所示。

表6 網(wǎng)絡(luò)故障現(xiàn)象與故障原因的對應(yīng)關(guān)系

3.3 模糊神經(jīng)網(wǎng)絡(luò)建立與訓(xùn)練

根據(jù)第2.4節(jié)確定的方法，該神經(jīng)網(wǎng)絡(luò)組成信息如下：網(wǎng)絡(luò)層數(shù)為5層，考慮到輸入的監(jiān)測信號有12個，經(jīng)過模糊預(yù)處理后模糊化層共有12個節(jié)點，輸出層共有12個節(jié)點。其中隱含層根據(jù)精度要求、仿真收斂速度等選取73個。神經(jīng)網(wǎng)絡(luò)訓(xùn)練選用快速BP算法，設(shè)置的最大循環(huán)次數(shù)為12 000次，學(xué)習(xí)速率設(shè)置為0.1，設(shè)置動量常數(shù)值為0.95，設(shè)定訓(xùn)練的目標(biāo)誤差為0.01。模型訓(xùn)練設(shè)置及訓(xùn)練結(jié)果如圖13所示。

圖13 神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練結(jié)果

網(wǎng)絡(luò)參數(shù)訓(xùn)練的誤差結(jié)果如圖14所示。由訓(xùn)練誤差曲線可以看出，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練10 033次達到相對穩(wěn)定狀態(tài)，此時訓(xùn)練曲線達到預(yù)設(shè)誤差(10-2)虛線下方，滿足了設(shè)置的0.01的期望誤差指標(biāo)。將訓(xùn)練好的網(wǎng)絡(luò)參數(shù)數(shù)組保存為本地文件便于執(zhí)行診斷過程前加載。

圖14 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差收斂曲線

3.4 實例驗證

將3.3節(jié)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)參數(shù)結(jié)果作為神經(jīng)網(wǎng)絡(luò)模型參數(shù)進行故障數(shù)據(jù)測試驗證。試驗根據(jù)實際網(wǎng)絡(luò)拓?fù)涔收戏植记闆r分為2組故障數(shù)據(jù)進行測試。表7展示了待測試驗證的2組故障監(jiān)測數(shù)據(jù)。其中，第1組為拓?fù)浣Y(jié)構(gòu)中單個分支節(jié)點故障的監(jiān)測數(shù)據(jù)，第2組為拓?fù)浣Y(jié)構(gòu)中的單個中繼節(jié)點故障的監(jiān)測數(shù)據(jù)。將這三組未經(jīng)訓(xùn)練的故障數(shù)據(jù)輸入到故障診斷系統(tǒng)中，經(jīng)過診斷系統(tǒng)診斷的輸出結(jié)果如圖15所示。表8為診斷軟件針對這2組測試數(shù)據(jù)輸出得到的各個節(jié)點發(fā)生故障可能性。根據(jù)實測數(shù)據(jù)與診斷軟件輸出結(jié)果，這兩組測試數(shù)據(jù)分別對應(yīng)著Y11故障、Y4故障，兩組測試結(jié)果與實際故障結(jié)論相同，與預(yù)期結(jié)論保持一致。經(jīng)測試，診斷軟件單次執(zhí)行診斷過程耗時3.5 s。

表7 抽取的兩組故障數(shù)據(jù) kB/s

表8 驗證測試輸出結(jié)果

圖15 節(jié)點故障診斷輸出結(jié)果

文中雖然僅是針對單向網(wǎng)絡(luò)傳輸鏈路狀態(tài)進行分析與驗證，雙向的鏈路判斷及訓(xùn)練過程與單向判斷過程是保持一致的。

當(dāng)然，實際裝備上涉及的網(wǎng)絡(luò)系統(tǒng)組成以及拓?fù)浣Y(jié)構(gòu)遠比上述局部網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜得多。同時實際裝備在運行過程中各種網(wǎng)絡(luò)問題(如交換機節(jié)點異常、交換機路由設(shè)置錯誤、網(wǎng)絡(luò)鏈路斷開等等)耦合在一起，故障排除的快慢有時取決于技術(shù)人員排故經(jīng)驗。本文通過對局部網(wǎng)絡(luò)拓?fù)浞治觯⒁环N基于模糊神經(jīng)網(wǎng)絡(luò)的排故方法，便于后期在裝備應(yīng)用上通過對網(wǎng)絡(luò)系統(tǒng)運行過程相關(guān)監(jiān)測數(shù)據(jù)、故障信息等逐步積累，逐步優(yōu)化、訓(xùn)練診斷知識，解決部分已知故障的快速定位。

4 結(jié)束語

本文針對大型裝備復(fù)雜網(wǎng)絡(luò)故障定位存在的難題，提出了基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法。首先依據(jù)模糊理論對網(wǎng)絡(luò)的監(jiān)測數(shù)據(jù)進行模糊化處理；接著通過實際裝備網(wǎng)絡(luò)運行過程中采集的故障數(shù)據(jù)以及通過拓?fù)浞治霁@取網(wǎng)絡(luò)組成關(guān)系，構(gòu)建基于模糊神經(jīng)網(wǎng)絡(luò)的診斷模型，通過對不同的故障樣本數(shù)據(jù)進行模型參數(shù)訓(xùn)練，給出最佳模型訓(xùn)練參數(shù)；最后結(jié)合實際故障數(shù)據(jù)，對訓(xùn)練好的診斷模型進行測試驗證，并對此次基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法進行總結(jié)與評價。

基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法針對網(wǎng)絡(luò)類存在的非線性、現(xiàn)象與故障原因關(guān)系不清晰的故障具有較好的故障定位能力，有助于提高故障診斷精度，因此針對大型裝備復(fù)雜網(wǎng)絡(luò)系統(tǒng)具有較好的應(yīng)用前景。