CN104506338A - 一种基于决策树的工业以太网网络故障诊断专家系统 - Google Patents

Abstract

本发明公开了一种基于决策树的工业以太网网络故障诊断专家系统，首先建立包括知识库、推理机、知识库管理模块、知识获取模块、解释机和控制中心的专家系统；进一步的，再利用知识库联系推理机和控制中心，获取模块所需的数据，用来存放诊断规则、系统的各种原始数据和系统诊断期间所产生的中间结果；通过推理机把规则库的条件部分与全局数据库内容进行比较一通常称为匹配，如果匹配成功，显示结论部分，并根据启用规则的动作部分修改全局数据库，经改变的全局数据库又可以触发新的规则，从而问题求解进行到下一状态，如此反复，以实现一个问题的最终求解；最终通过解释机进行后期的处理，由控制中心进行新的知识库的更新，达到专家系统逐步完善。

Description

一种基于决策树的工业以太网网络故障诊断专家系统

技术领域

本发明涉及工业以太网控制系统技术领域，尤其涉及一种基于决策树的工业以太网网络故障诊断专家系统。

背景技术

PROFINET由PROFIBUS国际组织（PROFIBUS International，PI）推出，是新一代基于工业以太网技术的自动化总线标准。作为一项战略性的技术创新，PROFINET为自动化通信领域提供了一个完整的网络解决方案，囊括了诸如实时以太网、运动控制、分布式自动化、故障安全以及网络安全等当前自动化领域的热点话题，并且，作为跨供应商的技术，可以完全兼容工业以太网和现有的现场总线（如PROFIBUS）技术，保护现有投资。

在过去的几年间，工业机网络的规模经历了爆炸式的增长。网络的应用已经深入到人们生产的每一个角落，成为必不可少的基础设施。随着对网络依赖性的加强，人们对网络的可靠性也提出了更高的要求：第一，有稳定、高效、安全的网络环境：第二，当网络发生故障时，能够及时的检测出故障原因并修复。可以看出，网络故障诊断对保持网络的健康状态具有重要的意义。然而在当今网络环境下，网络故障诊断遇到了前所未有的困难，其主要表现在以下几个方面；控制器网络无论从规模上，还是从网络复杂性和业务多样性上都有了巨大的发展。大规模网络的故障关系错综复杂，故障原因和故障现象之间的对应关系模糊，大大提高了故障诊断的难度。

网络设备的复杂性也提高了故障诊断的难度。网络设备的复杂性有两个含义：第一是新的网络设备不断推出，功能越来越多，越来越复杂；第二是设备提供商数量众多，产品规格和标准不统一。

随着PROFINET的广泛应用，控制器技术和网络通信技术得到迅速发展，新的数字通信网络不仅拥有多种业务流量，而且采用了多种融合的网络传输技术。不断采用的网络新技术对网络故障诊断提出了越来越高的要求；正是由于上述困难的存在，传统的依靠网络专家人工方式进行的故障诊断已经不能满足需要了。当代网络呼唤智能化的故障诊断技术，以实现网络故障诊断的自动化，将人从繁重的诊断工作中解放出来。

智能化网络故障诊断技术有下列四个方面的难点：

第一，故障发现网络故障发生的不确定性和网络软硬件构架的动态变化，使得包括专家在内的知识受到了局限。

第二，故障定位一个设备产生故障会影响很多和它相连的设备或子系统，甚至会导致网络的瘫痪，这种现象就叫做故障关联。

第三，故障检测常规的故障检测方法需要建立数学模型，而数学模型的复杂性和精确性难以满足高速网络的实时需求；简化的数学模型又导致实际控制效果不能令人满意。

第四，故障表示由于网络应用的多样性与不断更新，现在还不能找到一个明确的函数能表示所有的应用层故障。

发明内容

 本发明的目的是提供一种基于决策树的工业以太网网络故障诊断专家系统，能够根据故障信息，根据故障提出问题，依据线索解决问题，最终得到求解，如此往复，建立多种故障的解决方案，构成强大的专家系统。

 本发明采用的技术方案为：

一种基于决策树的工业以太网网络故障诊断专家系统，包括知识库、推理机、知识库管理模块、知识获取模块、解释机和控制中心；

所述的知识库包括全局数据库和规则库，全局数据库是一组描述过程处理对象的符号的集合，用于问题描述和环境描述；规则库是由一组诊断规则组成，所述的一组诊断规则包括条件部分和结论部分，条件部分是关于全局数据库中某些数据的前提断言，结论部分是引起这个前提断言的原因或者是这个前提断言后续将要发生的类似前提；

所述的推理机是基于决策树推理的设计，决策树包括决策属性节点、属性值分枝和叶节点，决策属性节点是进行分类的决策属性的集合，属性值分枝是按照决策属性进一步划分的取值特性的属性值的集合，叶节点是决策或分类结果的集合；

所述的知识库管理模块包含故障管理、故障现象管理、特征信息维护、规则库管理、问题库管理，用于对知识库进行增加、删除、更改操作；

所述的知识获取模块通过工业以太网网络实时获取诊断规则；

所述的解释机是推理机同用户的图形接口，用来向用户解释推理的整个过程；

所述的控制中心用于更新知识库。

所述的推理机的工作过程，包括以下步骤：

 A：首先，推理机根据全局数据库的当前信息，决定在当前状态下能够与之匹配的N条诊断规则，称这些规则为触发规则；

B：推理机根据控制策略选择一条最合适的触发规则作为启用规则；

C：推理机执行启用规则，并根据启用规则的动作修改全局数据库内的信息，同时，经过修改的全局数据库又触发新的诊断规则，从而问题求解进行到下一状态；

D：再将上述步骤A、B、C反复进行，从而实现一个问题的最终求解。

所述的控制中心的工作过程包括以下步骤：

E：首先，利用规则库中的诊断规则判定故障原因，如果诊断出故障原因，则将故障原因显示用户；如果经过用户验证后是错误的原因，再经过实际操作获得正确的故障原因后，连同故障表现数据通过知识库管理模块一起输入现有知识库中；如果没有诊断出故障原因，进一步进行人工参与，从而获得故障原因，验证正确后，连同故障现象数据通过知识库管理模块一起输入现有知识库中，再调用知识获取模块更新现有知识库；

F：同时，当故障处理纪录达到一定数量，调用知识获取模块运用数据挖掘方法产生新的告警规则更新以前的旧规则。

所述的前提部分和结论部分的表示法与全局数据库中的数据表示形式保持一致。

步骤B中所述的控制策略包括两种情况下的策略：

⑴：推理机根据故障表现推理故障原因，若诊断出的故障原因不正确或者诊断不出原因，即判定此故障原因是一个新的故障原因，那么就需要管理员自己判断解决，待验证维修后可以将故障表现和故障原因输入到知识库中的问题库，再调用知识获取模块更新诊断规则表。

⑵：当知识库中的记录累计达到一定数目后，有足够的数据用来产生新的更适合现在的规则，并且更新旧的规则以及删除已经失效的数据。

本发明首先建立包括知识库、推理机、知识库管理模块、知识获取模块、解释机和控制中心的专家系统；进一步的，再利用知识库联系推理机和控制中心，获取模块所需的数据，用来存放诊断规则、系统的各种原始数据和系统诊断期间所产生的中间结果；通过推理机把规则库的条件部分与全局数据库内容进行比较一通常称为匹配，如果匹配成功，显示结论部分，并根据启用规则的动作部分修改全局数据库，经改变的全局数据库又可以触发新的规则，从而问题求解进行到下一状态，如此反复，以实现一个问题的最终求解；最终通过解释机进行后期的处理，由控制中心进行新的知识库的更新，达到专家系统逐步完善。

附图说明

图1为本发明的结构示意框图；

图2为本发明的知识库结构示意图；

图3为本发明的推理机的工作过程流程图；

图4为本发明的知识获取模块中决策树的创建流程图；

图5为本发明的知识获取模块中决策树创建示意图。

具体实施方式

如图1所示，本发明包括知识库、推理机、知识库管理模块、知识获取模块、解释机和控制中心；

所述的知识库包括全局数据库和规则库，全局数据库是一组描述过程处理对象的符号的集合，用于问题描述和环境描述；规则库是由一组诊断规则组成，所述的一组诊断规则包括条件部分和结论部分，条件部分是关于全局数据库中某些数据的前提断言，结论部分是引起这个前提断言的原因或者是这个前提断言后续将要发生的类似前提；

所述的推理机是基于决策树推理的设计，决策树包括决策属性节点、属性值分枝和叶节点，决策属性节点是进行分类的决策属性的集合，属性值分枝是按照决策属性进一步划分的取值特性的属性值的集合，叶节点是决策或分类结果的集合；

推理机工作过程包括以下步骤：

A：首先，推理机根据全局数据库的当前信息，决定在当前状态下能够与之匹配的N条诊断规则，称这些规则为触发规则；

B：推理机根据控制策略选择一条最合适的触发规则作为启用规则；

C：推理机执行启用规则，并根据启用规则的动作修改全局数据库内的信息，同时，经过修改的全局数据库又触发新的诊断规则，从而问题求解进行到下一状态；

D：再将上述步骤A、B、C反复进行，从而实现一个问题的最终求解；

所述的知识库管理模块包含故障管理、故障现象管理、特征信息维护、规则库管理、问题库管理，用于对知识库进行增加、删除、更改操作；

所述的知识获取模块通过工业以太网网络实时获取诊断规则；

所述的解释机是推理机同用户的图形接口，用来向用户解释推理的整个过程；

所述的控制中心用于更新知识库；

控制中心的工作过程包括以下步骤：

E：首先，利用规则库中的诊断规则判定故障原因，如果诊断出故障原因，则将故障原因显示用户；如果经过用户验证后是错误的原因，再经过实际操作获得正确的故障原因后，连同故障表现数据通过知识库管理模块一起输入现有知识库中；如果没有诊断出故障原因，进一步进行人工参与，从而获得故障原因，验证正确后，连同故障现象数据通过知识库管理模块一起输入现有知识库中，再调用知识获取模块更新现有知识库；

F：同时，当故障处理纪录达到一定数量，调用知识获取模块运用数据挖掘方法产生新的告警规则更新以前的旧规则。

所述的前提部分和结论部分的表示法与全局数据库中的数据表示形式保持一致。

步骤B中所述的控制策略解决整个问题求解过程的功能模块的选择和应用顺序，即决定先做什么，后做什么，并根据问题求解的当前状态分别作不同的工作，还能确定一旦出现异常情况如何处理等。

控制策略包括两种情况下的策略：

⑴：推理机根据故障表现推理故障原因，若诊断出的故障原因不正确或者诊断不出原因，即判定此故障原因是一个新的故障原因，那么就需要管理员自己判断解决，待验证维修后可以将故障表现和故障原因输入到知识库中的问题库，再调用知识获取模块更新诊断规则表。

⑵：当知识库中的记录累计达到一定数目后，有足够的数据用来产生新的更适合现在的规则，并且更新旧的规则以及删除已经失效的数据。

一、知识库

知识库是系统的核心，每一个操作都与知识库相关，它是联系推理机和控制中心的纽带，该系统的知识获取模块所需的数据也来自于此。用来存放诊断规则、系统的各种原始数据和系统诊断期间所产生的中间结果。其中有些诊断规则是通过知识库管理模块由管理员手工输入的，有些是通过知识获取模块得到的。

知识库是把人工智能技术引入己有的数据库系统，特别是关系型数据库系统，建立知识库。知识库由数据信息库和规则库组成，是诊断推理的依据，它包含有关系统的物理知识、经验知识、设备运动过程状态知识等。

知识库是工业以太网的故障诊断中的专家系统中的基本部分，知识库由全局数据库与规则库组成的。全局数据库是一组描述过程处理对象的符号的集合。在处理具体问题时，它用于问题描述和环境描述，包括与特定问题有关的各种临时信息。通常把全局数据库称为短期记忆器。对全局数据库组织、数据表示方法等，系统没有具体规定，一般根据问题领域的特点选择合适的表示方法，如集合、线性表、链表、树结构、图等都可用于表示全局数据库中的数据。在建立全局数据库时，应注意使库中数据便于检索。规则库是由一组诊断规则组成的。在基于决策树的故障诊断系统中，一个规则的条件部分通常是关于全局数据库中某些数据的断言，而结论部分一般是引起这个前提断言的原因、或者是这个前提断言后续将要发生的类似前提与全局数据库不同，规则库中的知识并不是关于某一具体的特定问题，而是针对整个领域问题的。与全局数据库相比，规则库相对稳定，所以称规则库为长期记忆器。一般来说，在选择规则的表示方法时，应该注意，如果可能的话，前提部分和结论部分的表示法与全局数据库中的数据表示形式保持一致，这样便于前提与全局数据库的内容进行比较，判别前提部分是否成立。

知识库的设计是基于决策树的知识表示，决策树的内部属性节点、属性值分支和叶子节点构成了一种树形数据结构。通过决策树的学习算法生成一棵决策树，它就可以实现对未知事例进行分类或进行决策分析。因此可以认为一棵学习完成的决策树中包含了一定的知识，也就是说，决策树具有表达知识的能力。决策树的内部节点是属性的集合，分支是属性值的集合，而叶节点是决策或分类结果的集合。决策树就是利用属性及其取值来表示知识的前提部分，而用叶节点表示知识的结论部分，从而把专家知识以决策树的形式表示出来。一条决策树分类规则就是确定故障分类决策的一个知识，也就是说基于这个知识即可判定故障的类型。这正是利用决策树建立网络故障诊断专家系统知识库的基本依据。

为了说明决策树知识表示方法，作为示例，给出一组判断故障的规则。

规则１：if主机网卡工作正常and主机配置正确and主机CPU利用率＞90，then主机系统故障故障。

规则２：if主机网卡工作不正常and主机网卡不能收到包，then主机网络硬件故障。

通过这种方法，决策规则集合变成了关系数据库中的一个表格，表格中条件属性和决策属性之间的逻辑关系通过规则字典来体现。每条决策规则变成了一条数据记录。

本系统设计的知识库具体由故障与故障现象信息库、特征信息库、问题库和规则库构成，各个库之间是靠故障现象相关联的。故障与现象信息库记录每个设备的故障现象和故障现象对应的故障，包含故障现象表、故障表、现象与故障关联表；特征信息库是每个故障现象对应的特征信号用于决策树建立，包含特征信息表、特征信息取值表、现象与特征信息关联表；问题库是记录诊断过程中不能处理的故障等，包含临时故障表、问题表；规则库用于存储诊断规则，本系统直接保存决策树。

二、知识库管理模块

知识库管理模块主要是对知识库进行增加、删除、更改等各种操作。

知识库管理模块包含故障管理、故障现象管理、特征信息维护、规则库管理、问题库管理等。在故障管理中，每个故障包含该故障的编码和故障的描述，故障发生的位置以及该故障的诊断代价等信息。用户可以通过选择网络构成的设备来选择设备对应的故障，方便用户查找相应的故障。

三、推理机

推理机负责把规则库的条件部分与全局数据库内容进行比较一通常称为匹配，如果匹配成功，显示结论部分。具体地说，推理机根据全局数据库的当前信息，决定在当前状态下能够与之匹配的所有规则，称这些规则为触发规则，再从被触发的规则中选择一条规则，成为启用规则，推理机执行启用规则，并根据启用规则的动作部分修改全局数据库，经改变的全局数据库又可以触发新的规则，从而问题求解进行到下一状态，如此反复，以实现一个问题的最终求解。由于在问题求解的每一个状态下，被全局数据库匹配的规则可能不止一条，需要推理机采用合适的控制策略以选择究竟哪一条触发规则被启用，这一过程称为冲突消解。推理机的工作即以这种“匹配一冲突消解一操作”的三个周期循环运转，直至解决问题为止。

推理机的工作原理基于决策树的推测完成，所以，推理机的工作即为决策树的推理过程，决策树的推理与知识库之间相辅相成。

推理机的推理过程：

步骤一，将知识库中全局数据库的当前信息作为根节点，决定在当前状态下能够与之匹配的所有规则库中的条件规则，称这些匹配的条件规则为触发规则。

步骤二，再根据控制策略，从触发规则中选择一条规则，成为启用规则。

步骤三，推理机执行启用规则。

步骤四，根据启用规则的动作，修改全局数据库。

步骤五，经改变的全局数据库又可以触发新的规则，从而问题求解进行到下一状态。步骤六，如此反复，以实现一个问题的最终求解，推理完毕。

如前文所述，在推理的过程中根据事实寻找匹配规则时，如果有且仅有一条规则匹配成功，则系统可以直接执行这条规则；但往往匹配成功的规则会超过一条，这时必须进行冲突消解，从多条规则中选取一条进行执行。由于本项目的专家系统采用基于决策树的知识获取机制，获得的每个规则在数据库中都对应着被使用的频率。那么使用频率高的规则，在网络事件中存在的可能性也就越大。这就是采用支持度排序进行冲突消解的基本思想。冲突消解具体的做法是，当多条规则匹配成功时，将所有匹配成功的规则全部按被使用的频率从大到小的顺序排列，选取支持度最高的规则，建立其规则对象以执行下一步推理过程。

控制策略主要解决整个问题求解过程的功能模块的选择和应用顺序，即决定先做什么，后做什么，并根据问题求解的当前状态分别作不同的工作，还能确定一旦出现异常情况如何处理等。系统有两个流程：第一个流程是推理机根据故障表现去推理故障原因，如果诊断出的故障原因不正确或者诊断不出原因，即是一个新的故障原因，那么就需要管理员自己判断解决，待验证维修后可以将故障表现和故障原因输入到知识库中的问题库，再调用知识获取模块更新诊断规则表。第二个流程是当知识库中的记录累计达到一定数目后才会发生，这时有足够的数据用来产生新的更适合现在的规则并且更新旧的规则以及删除已经失效的数据。系统需要统计自上次更新知识库后知识库中的记录数，是否达到指定的数目。如果未达到指定数目，那么继续统计，如果已达到则调用知识获取模块采用本系统提出的决策树分类算法挖掘出新的诊断知识，更新知识库，并且将上次更新时间作为下次更新的失效时间，将当前时间作为下次更新的上次更新时间。

四、知识获取模块

知识获取模块是用以部分的代替专家进行专门知识的自动获取，实现系统的自学习，不断完善知识库的。知识库中的知识不是完备的、全面的、实时的，因此这些知识是需要不断地进行更新和补充的。本系统的知识获取模块负责诊断规则的获取。

要实现知识的自动获取，即机器学习。因此，研究基于决策树的知识获取方法实际上就是研究决策树学习的学习算法。

决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树。一般情况下，训练样本数据集是一格根据实际需要由历史的、有一定综合程度的、用于数据分析处理的数据集合。第二步，决策树的剪枝：对上一阶段生成的决策树进行检验、校正和修正。这一步的作用主要是用新的样本数据集（称为测试数据集）中的数据校验决策树生成过程步骤一产生的初步规则，将那些影响预测准确性的分枝剪除。

决策树生成的过程中，输入为训练样本数据集，终输出结果就是决策树。决策树中包含节点、分支、叶子三种元素。其中，决策树的每一个决策节点对应着进行分类的一个决策属性（测试属性），分支对应着按该属性进一步划分的取值特征，叶子代表类或类的分布。首先，根据用户的实际需要选择类别标识属性和决策树的决策属性集，决策属性集是指在候选属性（除了类别标识属性之外的所有属性）中选择的属性集，然后开始构造决策树，决策树归纳的基本算法是贪心算法，即以自顶向下递归的各个击破的方式构造决策树。算法描述如下：

步骤1：树以代表训练样本的单个节点开始。

步骤２：如果训练样本均在同一个类，则该节点成为叶节点，并用该类标记，否则，选择最有分类能力的属性节点作为决策树的当前叶节点。

步骤３：根据当前节点属性取值的不同，将训练样本数据集划分为若干子集，每个取值形成一个分枝。

步骤４：针对步骤B3得到的一个子集，重复进行步骤B3，递归形成每个划分样本上的决策树。

步骤５：递归划分步骤当且仅当下列条件之一成立时停止：

（1）给定节点的所有样本属于同一类。

（2）没有剩余属性可以用来进一步划分样本；在这种情况下，使用多数表决，将给定的节点转换成树叶，并以样本中元组个数最多的类别作为类别标记，同时也可以存放该节点样本的类别分布。

（3）如果某一分枝没有样本，则以样本的多数类创建一个叶节点。

步骤6：当步骤B中的决策树构造完毕后，需要对构造完成的决策树进行校验、修正；

6-1：使用新的训练样本数据集中的数据校验构造完成的决策树产生的初步规则；

6-2：将影响预测准确性的分枝剪除，修正完毕。

决策树生成后，需要从决策树中提取分类规则，一般需要进行两个步骤，首先获得简单规则，然后精简规则属性。

1、获得简单规则

对于生成好的决策树，可以非常容易地从中提取分类规则，并以if-then的形式表示。我们对从根到树叶的每条路径创建一个规则，沿着给定路径上的每个属性-值对形成规则前件（if部分）的一个合取项，叶节点包含类预测，形成规则后件（then部分）。If-then规则易于理解，特别是当给定的树很大时。

2、精简规则属性

从决策树上直接获得的简单规则，一般都包含了很多无关的属性，在不影响规则预测效果的情况下，应尽量删除那些不必要的规则。

设规则的形式为W，

If CthenCLASSD

精简之后的规则形式为R

ifC’Then CLASS D

其中C’是从C中删除条件Ｑ之后的形式。这样，规则W’覆盖的实例可分为以下４个部分：满足条件C，属于类Ｄ的；满足条件C，属于其他类的；满足条件C’，但不满足条件Ｑ，属于类Ｄ的；满足条件C’，但不满足条件Ｑ，属于其他类的，以上四类实例分别用Y1、F1，Y2，F2来表示。规则W覆盖了Y1+F1个实例，其中误判实例数目为F1。规则Ｒ覆盖Y1+F1+Y2+F2。所以规则Ｒ的误判概率为Ucf（E1，Y1＋E1），规则Ｒ－的误判概率为UCF（E1+E2，Y1+E1+Y2+E2）。如果Ucf（F1，Y1+F1）>=Ucf（F1+F2，Y1+F1+Y2+F2），则可以从条件C中删除条件Ｑ。

获得最优规则前件集是一个重要问题。一种贪婪搜索方法是，每次从条件集合中删除一个对预测效果影响最小的条件，如果删除该条件后，误判概率减少了，则上述过程继续。如果删除后，误判概率增加了，则不能够删除该条件，而整个精简过程也同时结束。

将决策树转化为规则后，由于他们易于理解的，所以它们可以构成专家系统的基础。规则的剪枝将比树的剪枝算法提供更高的准确率，因为规则的剪枝相当于在树的剪枝中只剪一个叶节点，而这在树的剪枝中是做不到的。

为了验证构造决策树方法在系统知识获取上的有效性，选取网络设备信息中的７种属性组成故障识别参数集A。其中A1代表网卡状态、A2代表配置是否正确、A３代表CPU利用率、A4代表DISK利用率、A５代表网卡收包错误率、A6代表是否重启动、A7代表网卡是否捕获到包，共８０个样本实例来建立故障决策树，其中选取20个作为测试数据。选取的样本数据如表4.1所示。

表4.1 样本数据

A1	A2	A3	A4	A5	A6	A7	错误
								1	0	90	29	70	Y	N	正常
0	0	80	80	20	N	N	版本更新
								1	0	70	67	10	Y	Y	配置错误
0	0	70	67	10	Y	N	配置错误

最终属性“配置是否正确”为决策树的根，将“配置是否正确”的值分为２段：左子树和右子树。而后在２个分枝的基础上以相同的属性选择算法递归构造各自的子节点以及最终的叶节点，这里得到的决策树结构比较简单。当数据样本变得很大，故障类别也很丰富的时候，会形成一个较为复杂的决策树，得出的规则更适合用于故障的识别。

从树根遍历整个决策树，得到的7条分类规则如下所示：

If配置正确，网卡不能捕获到包，

Then硬件故障；

if配置正确，网卡能够捕获到包，

then安全问题；

if配置不正确，网卡不能捕获包，CPU利用率<=50，

then正常；

if配置不正确，网卡不能捕获包，CPU利用率>50，没有重启，

then版本更新；

if配置不正确，网卡不能捕获包，CPU利用率>50，已经重启，

then硬件故障；

if配置不正确，网卡能够捕获到包，网卡收包错误率≤20，

then配置错误；

if配置不正确，网卡能够捕获到包，网卡收包错误率>20，

then正常；

这些规则体现了故障的特征。最终把这些规则存入知识库，利用它对故障分类提供决策依据，给出故障原因。

五、解释机

解释机是推理机同用户的图形接口，用来向用户解释推理的整个过程，当一个推理过程结束后，推理机将事实集和推理过程集交给解释机，然后推理机把动态分配的空间释放掉，就彻底完成了推理任务。余下的工作由解释机来做。

六、控制中心

控制中心主要负责两方面事务：一是调用诊断机制利用规则库中己经准备好的故障诊断规则来诊断故障原因，如果诊断出故障原因则将其显示给用户，如果经过用户验证后是错误的原因，那么在经过实际操作获得正确的原因后连同故障表现数据通过知识库管理模块一起输入知识库；如果没有诊断出原因，那么需要管理员根据经验或与专家讨论或实际操作获得原因，验证正确后连同故障现象数据通过知识库管理模块起输入知识库，再调用知识获取模块更新原来知识库。在进入系统流程前，需要先根据专家和管理员经验知识产生诊断规则，为进行故障诊断做准备。诊断规则表中最初的故障表现数据和故障原因数据皆来自专家知识，以后的故障表现数据来自于网络发生故障时的各种数据，而故障原因数据来自于经过专家和管理员认同的人工输入的故障原因。二是当故障处理纪录达到一定数量，就调用知识获取模块运用数据挖掘方法产生新的告警规则来更新以前的旧规则。一旦系统进入了运行，需要先将诊断规则读入内存，当出现对应状况时，进行匹配。从上面的描述可以看出，本系统模型可以在运行中不断对知识库进行更新和扩充，具有自学习和自我完善的优点；同时为了避免将不正确的规则入库，每次对知识库的操作都要经过对网络故障管理具有资深经验的管理员进行必要的人工审阅，这样就在保持系统智能学习的基础上，从一定程度上保证了知识库的稳定性和正确性。

系统实时流程图控制策略主要解决整个问题求解过程的功能模块的选择和应用顺序，即决定先做什么，后做什么，并根据问题求解的当前状态分别作不同的工作，还能确定一旦出现异常情况如何处理等。系统有两个流程：第一个流程是推理机根据故障表现去推理故障原因，如果诊断出的故障原因不正确或者诊断不出原因，即是一个新的故障原因，那么就需要管理员自己判断解决，待验证维修后可以将故障表现和故障原因输入到知识库中的问题库，再调用知识获取模块更新诊断规则表。第二个流程是当知识库中的记录累计达到一定数目后才会发生，这时有足够的数据用来产生新的更适合现在的规则并且更新旧的规则以及删除已经失效的数据。系统需要统计自上次更新知识库后知识库中的记录数，是否达到指定的数目。如果未达到指定数目，那么继续统计，如果已达到则调用知识获取模块采用本系统提出的决策树分类算法挖掘出新的诊断知识，更新知识库，并且将上次更新时间作为下次更新的失效时间，将当前时间作为下次更新的上次更新时间。

Claims (5)

1.一种基于决策树的工业以太网网络故障诊断专家系统，其特征在于：包括知识库、推理机、知识库管理模块、知识获取模块、解释机和控制中心；

所述的知识库包括全局数据库和规则库，全局数据库是一组描述过程处理对象的符号的集合，用于问题描述和环境描述；规则库是由一组诊断规则组成，所述的一组诊断规则包括条件部分和结论部分，条件部分是关于全局数据库中某些数据的前提断言，结论部分是引起这个前提断言的原因或者是这个前提断言后续将要发生的类似前提；

所述的推理机是基于决策树推理的设计，决策树包括决策属性节点、属性值分枝和叶节点，决策属性节点是进行分类的决策属性的集合，属性值分枝是按照决策属性进一步划分的取值特性的属性值的集合，叶节点是决策或分类结果的集合；

所述的知识库管理模块包含故障管理、故障现象管理、特征信息维护、规则库管理、问题库管理，用于对知识库进行增加、删除、更改操作；

所述的知识获取模块通过工业以太网网络实时获取诊断规则；

所述的解释机是推理机同用户的图形接口，用来向用户解释推理的整个过程；

所述的控制中心用于更新知识库。

2.根据权利要求1所述的基于决策树的工业以太网网络故障诊断专家系统，其特征在于：所述的推理机的工作过程，包括以下步骤：

A：首先，推理机根据全局数据库的当前信息，决定在当前状态下能够与之匹配的N条诊断规则，称这些规则为触发规则；

B：推理机根据控制策略选择一条最合适的触发规则作为启用规则；

C：推理机执行启用规则，并根据启用规则的动作修改全局数据库内的信息，同时，经过修改的全局数据库又触发新的诊断规则，从而问题求解进行到下一状态；

D：再将上述步骤A、B、C反复进行，从而实现一个问题的最终求解。

3.据权利要求2所述的基于决策树的工业以太网网络故障诊断专家系统，其特征在于：所述的控制中心的工作过程包括以下步骤：

E：首先，利用规则库中的诊断规则判定故障原因，如果诊断出故障原因，则将故障原因显示用户；如果经过用户验证后是错误的原因，再经过实际操作获得正确的故障原因后，连同故障表现数据通过知识库管理模块一起输入现有知识库中；如果没有诊断出故障原因，进一步进行人工参与，从而获得故障原因，验证正确后，连同故障现象数据通过知识库管理模块一起输入现有知识库中，再调用知识获取模块更新现有知识库；

F：同时，当故障处理纪录达到一定数量，调用知识获取模块运用数据挖掘方法产生新的告警规则更新以前的旧规则。

4.根据权利要求3所述的基于决策树的工业以太网网络故障诊断专家系统，其特征在于：所述的前提部分和结论部分的表示法与全局数据库中的数据表示形式保持一致。

5.根据权利要求4所述的基于决策树的工业以太网网络故障诊断专家系统，其特征在于：步骤B中所述的控制策略包括两种情况下的策略：

⑴：推理机根据故障表现推理故障原因，若诊断出的故障原因不正确或者诊断不出原因，即判定此故障原因是一个新的故障原因，那么就需要管理员自己判断解决，待验证维修后可以将故障表现和故障原因输入到知识库中的问题库，再调用知识获取模块更新诊断规则表；

⑵：当知识库中的记录累计达到一定数目后，有足够的数据用来产生新的更适合现在的规则，并且更新旧的规则以及删除已经失效的数据。