CN102487343B - 卫星通信系统隐故障诊断预测方法 - Google Patents

Abstract

本发明公开了一种卫星通信系统隐故障诊断预测方法，对通信记录中异构数据的归一化，针对卫星通信系统中地球站的隐性故障，应用SOM对通信记录数据进行聚类分析，对通信状态分类，形成通信状态集，故障规律归纳对每一个通信状态集进行分析，对比不同通信状态参数与故障现象之间的关系，通过增量式决策树算法，总结出有决策意义的规则，形成故障规则集，将通信状态集和故障规则集以可解释的结果形式表现出来，并实现卫星通信系统隐故障诊断预测原型系统。本发明可以辅助网控操作员进行隐故障的发现与诊断，提高了工作效率。

Description

卫星通信系统隐故障诊断预测方法

技术领域

本发明属于卫星通信网中的隐性故障智能诊断技术，特别是一种卫星通信系统隐故障诊断预测方法。 

背景技术

故障诊断中早期应用最广泛的人工智能技术是专家系统，专家系统通过模仿人类专家在解决特定领域时的行为来解决问题。智能故障诊断的关键是故障特征模式获取，也就是知识的自动获取问题。由于知识获取的“瓶颈”效应、不确定性推理、自学习困难等问题，影响了专家系统在故障诊断领域的应用和发展。直到近年来，一种新的知识获取技术——数据挖掘从人工智能的一个分支机器学习中脱颖而出，为故障诊断智能化开辟了一条新的路径。 

下面就数据挖掘在故障智能诊断领域常用到的一些技术做简要的阐述： 

(1)人工神经网络。人工神经网络是用大量的神经元组成的非线性动力学系统，它具有学习、记忆、计算、识别、预测的智能处理的功能。神经网络由于自身的特性，在智能故障模式识别领域中有着越来越广泛的应用，比如多层感知器(MLP)网络、自适应共振理论(ART)，自组织映射(SOM)等。总体来说，神经网络可以成功应用于智能故障诊断领域，主要有以下3个方面的原因： 

(a)训练过的神经网络能存储有关过程的知识，能直接从历史故障信息中学习。因此可以根据对象日常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定当前的故障类型； 

(b)神经网络具有过滤数据噪声的能力，能够在有噪声的情况下得出比较准确的结论，这种过滤噪声的能力适合于在线故障检测和诊断； 

(c)神经网络具有分辨故障原因及故障类型的能力。 

但是，由于神经网络得到的知识是以权值形式表示的“隐式”知识，造成知识获取过程的可解释性差。 

(2)支持向量机(SVM)。故障诊断过程中存在故障样本过少的小样本学习问题。支持向量机是一种适用于小样本情况的基于统计学习理论的机器学习方法，在故障模式数据难以大量获取的情况下，具有较好的推广能力。SVM方法在理论上具有突出的优势，但与其理论研究相比，应用研究相对比较滞后，目前只有较为有限的实验研究报道， 且多属仿真和对比实验。 

(4)粗糙集(Rough Set)。由于故障产生的机理不清楚，故障表现形式不唯一，在提取故障特征时常带有盲目性，导致了实际描述的状态之间不分明。粗糙集理论的出现在一定程度上解决了这一问题。粗糙集被认为是处理模糊和不确定性问题的新数学工具，它能有效的分析和处理不精确，不一致，不完整等各种不完备信息，并从中发现隐含的知识，解释潜在的规律。近年来很多学者致力于将粗糙集理论应用于智能故障诊断领域，并取得了一定的成绩。 

此外，模糊集理论、混沌理论、云理论以及尝试将现有方法相结合等新颖的方法也越来越多的应用于智能故障诊断领域，为智能故障诊断的发展提供了更多选择的方向。 

发明内容

本发明的目的在于提供一种运用聚类分析和决策树两种智能诊断技术，实现卫星通信系统隐故障诊断预测方法。 

实现本发明目的的技术解决方案为：一种卫星通信系统隐故障诊断预测方法，构建由下至上的数据层、核心层、应用层，数据层负责对采集到的地球站原始数据进行标准化、归一化，得到训练和测试数据集，实现数据的预处理，输入给核心层；核心层对预处理后数据集进行诊断，包括通信状态分析和故障规律归纳，其中通信状态分析负责分析预处理后的数据，通过SOM记忆聚类，对通信状态分类，形成通信状态集，故障规律归纳对每一个通信状态集进行分析，对比不同通信状态参数与故障现象之间的关系，通过增量式决策树算法，总结出有决策意义的规则，形成故障规则集，并将通信状态集和故障规则集以可解释的结果形式表现出来；应用层将与用户交互，包括查看未知记录的诊断结果，查看、修改故障规律。 

本发明与现有技术相比，其显著优点：(1)能够针对地球站通信纪录各项数据异构的特点，采用有效的预处理方法；(2)使用通信记录描述地球站通信状态，并应用SOM模型对通信状态进行聚类分析，可以对通信状态进行较好的分类；(3)使用增量决策树的方法从历史通信记录中挖掘故障发生规律并满足故障规则不断更新的要求。 

下面结合附图对本发明作进一步详细描述。 

附图说明

图1是智能诊断的基本流程图。 

图2是卫星通信软故障智能诊断框架图。 

图3是卫星故障智能诊断方法的核心模块图。 

图4是基于SOM的故障通信状态分析流程图。 

图5是训练集形成最终决策树的过程的示意图。 

具体实施方式

本发明采用数据挖掘的方法，在网控中心数据库中挖掘有指导意义的数据，并对隐故障进行智能的排查和恢复。设计了一种基于通信记录隐故障智能诊断的方法：首先从网控中心数据库抽取原始通信记录，经标准化、归一化等预处理工作后，形成较为整洁的标准数据；通过通信状态聚类分析，得到通信状态分类经验，将处理后的通信记录智能地聚类为代表不同故障通信状态的数据集，对故障状态进行了分类；如果通信状态分类经验具有较高识别精度，使用归纳学习的方法将通信状态的分类经验转换为一系列描述故障发生规律的规则，如果这些规则具有普遍的决策和指导意义则存入专家经验库，以便更广泛的应用，否则重新选取通信状态集再生成新的故障规则。专家在整个诊断流程中起到了信息反馈的作用，专家可以实时指导通信状态分类经验的生成，并调整已形成的故障规律等等。故障规则以可视化的方式呈现给网络管理员。图1描述了这一过程。 

1、提出基于地球站通信记录的隐故障智能诊断方法，并设计和实现卫星通信系统故障诊断预测系统。图2给出了卫星通信系统故障诊断预测系统的基本框架。整个系统由下至上由数据层、核心层和应用层组成。其中数据层采集地球站的原始数据，并进行标准化及归一化，得到训练和测试数据集；核心层根据数据层预处理后的数据完成智能诊断的主要工作，包括通信状态分析和故障规律归纳；应用层是诊断系统与用户的交互，包括查看未知记录的诊断结果，查看、修改故障规律等。 

根据隐故障智能诊断方法需要达到的目标，结合系统的基本框架设计，将系统分为以下五个核心模块如图3所示： 

(a)数据预处理，负责对原始数据进行标准化，归一化等处理，形成标准的、能够被系统接收并高效处理的数据，然后将产生的标准数据保存于文件或数据库中； 

(b)通信状态分析，分析预处理后的数据，通过SOM记忆聚类，形成较为具体的通信状态分类，得到若干通信状态集，提供一定程度上的故障识别功能； 

(c)故障规律归纳，对通信状态集进行分析，对比不同通信参数与故障现象之间的关系，总结出有决策意义的规则，并将这些规律保存在专家经验库中； 

(d)结果解释，负责处理由通信状态分析和故障规律归纳模块生成的决策规则，并将这些规则以可解释的形式表现出来； 

(e)用户接口，整个系统与用户的接口，用户对系统进行实时操作，修改系统相关配置等管理系统的操作，查看各项用于描述故障的特征信息并对其进行管理，管理和指导故障检测的过程，查看和修改经验知识库等。 

2、针对地球站通信记录各项数据具有异构特点的情况，提出一种适用于该类数据集的预处理方法。对地球站通信记录各项数据进行预处理，步骤如下： 

(a)符号类型参数的标准化转换，将有n种不同取值的符号特征，用n比特对其进行编码，当且仅当该特征取值为第i个值时，其码中的第i比特为1；其余比特为0； 

(b)标准化后的数据归一化，在奇异距离函数HVDM的基础上，结合最大——最小归一化方法对通信记录进行如下归一化： 

设x∈X，x_i为x的第i个属性值，归一化后得到的新的值，设为x′_i， 

$x_i^{\′}=\frac{d(x_i,x_{i.\min })}{d(x_{i.\max },x_{i.\min })}\×\mathrm{scale}+\mathrm{low}$

其中定义x_i.min和x_i.man为： 

尺度scale取1，low取0； 

其中当i个属性为连续时，x_i.max和x_i.min为X中所有元素的第i个属性值的最大值和最小值，当i个属性为离散值时，x_i.max和x_i.min为X中所有元素的第i个属性的 值取最大和最小值对应的x_i，P的含义为第i个属性取值为x_i且输出类别为c的数据的个数/第i个属性取值为x_i的个数，当有两个x_i相等时，取其中所属类别c的个数小的那个。 

3、应用自组织特征映射网络SOM对通信状态进行聚类分析，图4给出了基于SOM的故障通信状态分析流程。该流程分为三个阶段： 

(a)数据抽取，抽取地球站历史通信纪录中的8项通信参数，并进行预处理工作； 

(b)训练阶段，利用带类别标签的通信纪录对SOM模型进行训练，通过解释和表达，得到训练好带标号的SOM模型，把通信状态成n类； 

SOM自组织神经网络由两层构成，第一层是输入层，负责数据的输入，第二层是Kohonen层，按二维形式排成一个节点矩阵，输入节点处于其下方。 

具体的自组织特征映射算法： 

a)τ＝0，τ₁为一时间常数。τ₂为总的学习次数；对所有从输入节点到输出节点的连接权值赋以小的随机数，选择学习率η(n)和领域h_j，i(x)(n)的形式。M为神经元个数； 

b)网络输入模式X＝[x₁，x₂，......，x_N]^T，其中N为输入向量的维数； 

c)初始化SOM权值w_j＝[w_1j，w_2j，...，w_Nj]^T，其中j＝1，2，...，M； 

d)选择具有最小距离的节点j作为获胜节点： 

$d_j=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-w_{\mathrm{ij}})}^2$

$d_{j^{*}}=\underset{j}{\min }\left\{d_j\right\}$

其中j＝1，2，…，M； 

e)调整输出节点及其几何邻域内的节点所连接的权值矢量： 

w_j(n+1)＝w_j(n)+η(n)h_j，i(x)(n)(X-w_j(n)) 

其中h_j，i(x)(n)为领域调整函数； 

f)若还有训练样本数据，返回b)； 

g)如果所有样本训练完毕并且τ＜τ₂，τ＝τ+1，转b)；否则，转h)； 

h)训练结束。 

其中，η(n)为n时刻的学习率，随着训练的进行逐渐减少。 

$\mathrm{\η}\left(n\right)={\mathrm{\η}}_0\exp (-\frac{n}{{\mathrm{\τ}}_2}),n=\mathrm{0,1,2},...$

τ₂为总的学习次数；η₀为初始学习率。 

领域调整函数采用“墨西哥草帽”侧抑制函数： 

$h_{j,i\left(x\right)}\left(n\right)=\exp (-\frac{{d_{j,i}}^2}{2{\mathrm{\σ}}^2\left(n\right)}),n=\mathrm{0,1,2},...$

d_j，i为获胜神经元所在的位置到二维平面上各神经元的距离。σ(n)为控制函数分布的形状参数。调整规律为： 

$\mathrm{\σ}\left(n\right)={\mathrm{\σ}}_0\exp (-\frac{n}{{\mathrm{\τ}}_1}),n=\mathrm{0,1,2},...$

h_j，j(x)(n)为邻域调整函数，一般取“墨西哥草帽”侧抑制函数，邻域调整使SOM具有自组织和拓扑结构保持的特点，这也使SOM映射具有较好的鲁棒性，其主要原因是邻域修正隐含考虑了噪声数据的存在。 

(c)诊断阶段，针对已经形成的状态集进行检验，将当前未确定类别的通信纪录经过预处理后，输入到训练好带标号的SOM模型中，激活SOM中的某个状态，该状态的标号即为该通信记录对应的通信状态类型X。 

4、利用增量式决策树对历史数据中的故障发生规律进行归纳总结，自动形成故障诊断规则库，并辅助管理员进行故障诊断。采用ID5R增量式决策树算法应用到故障规律的增量式归纳过程中，其过程如下： 

当训练数据集中只有第一条通信记录时，决策树被更新为一个简单的叶子结点。标记该结点的类别为Y(图5第1步)。 

将第二条记录添加到训练集，其类别为N，需要在当前结点扩展一层，随机选择属性PWR为测试属性，并更新每个属性正类反类的数量。以AttrValue[n，m]表示属性Attr取Value值时有n个正类，m个反类示例，那么此时有 

PWR：L[1，0]，M[0，0]，H[0，1] 

PPWR：L[1，0]，M[0，0]，H[0，1] 

TIME：L[1，0]；M[0，1]；H[0，0] 

计算各属性的E-score后发现，PWR具有最低的E-score，那么已生成的决策树不做改变(图5第2步)。 

将第三条记录添加到训练集，根据PWR的取值，将本条记录与类别为N的子结点中做比较。此时记录类比与结点类别一致，那么将该记录存放到该子结点中，并更新各 AttrValue[n，m]。(图5第3步)此时有 

PWR：L[1，0]，M[0，0]，H[0，2] 

PPWR：L[1，1]，M[0，0]，H[0，1] 

TIME：L[1，0]；M[0，1]；H[0，1] 

计算各属性的E-score可以发现，此时TIME的E-score最小，因此需要将树进行转换，并将TIME作为根结点的测试属性(图5第4步)。 

第四条记录增加到训练集后，根据TIME的取值判断进入结点PWR，这时PWR出现新的值，那么为PWR结点添加新的子结点(图5第5步)。 

以此类推，训练集新增以后的记录过程中，不断更新决策树，最后形成最终的决策树。图5给出了这一过程的描述。从上述过程可以看出，采用ID5R后故障规则是按记录的递增逐渐完善，对于再来的新通信记录，按上述过程动态的更新决策树和规则集，不需要重新学习所有的通信记录，从而满足了故障规则动态更新的要求。 

Claims (2)

1.一种卫星通信系统隐故障诊断预测方法，其特征在于构建由下至上的数据层、核心层、应用层，数据层负责对采集到的地球站原始数据进行标准化、归一化，得到训练和测试数据集，实现数据的预处理，输入给核心层；核心层对预处理后数据集进行诊断，包括通信状态分析和故障规律归纳，其中通信状态分析负责分析预处理后的数据，通过SOM记忆聚类，对通信状态分类，形成通信状态集，故障规律归纳对每一个通信状态集进行分析，对比不同通信状态参数与故障现象之间的关系，通过增量式决策树算法，总结出有决策意义的规则，形成故障规则集，并将通信状态集和故障规则集以可解释的结果形式表现出来；应用层将与用户交互，包括查看未知记录的诊断结果，查看、修改故障规律；

所述通信状态分析的实现步骤如下：

首先进行数据抽取，抽取地球站历史通信纪录中的8项通信参数，并进行预处理工作；

然后进行训练，利用带类别标签的通信纪录对SOM模型进行训练，通过解释和表达，得到训练好带标号的SOM模型，把通信状态分成n类；

最后进行诊断，针对已经形成的状态集进行检验，将当前未确定类别的通信纪录经过预处理后，输入到训练好带标号的SOM模型中，激活SOM中的某个状态，该状态的标号即为该通信记录对应的通信状态类型X；

基于增量决策树的故障规律归纳，采用ID5R增量式决策树算法应用到故障规律的增量式归纳过程中，其过程如下：

(1)当训练数据集中只有第一条通信记录时，决策树被更新为一个简单的叶子结点，标记该结点的类别为Y；

(2)将第二条记录添加到训练集，其类别为N，在当前结点扩展一层，随机选择属性PWR为测试属性，并更新每个属性正类反类的数量，以AttrValue[n，m]表示属性Attr取Value值时有n个正类，m个反类示例，此时有

PWR：L[1，0]，M[0，0]，H[0，1]

PPWR：L[1，0]，M[0，0]，H[0，1]

TIME：L[1，0]；M[0，1]；H[0，0]

计算各属性的E-score后发现，PWR具有最低的E-score，那么已生成的决策树不做改变；

(3)将第三条记录添加到训练集，根据PWR的取值，将本条记录与类别为N的子结点中做比较，此时记录类比与结点类别一致，那么将该记录存放到该子结点中，并更新各AttrValue[n，m]，此时有

PWR：L[1，0]，M[0，0]，H[0，2]

PPWR：L[1，1]，M[0，0]，H[0，1]

TIME：L[1，0]；M[0，1]；H[0，1]

计算各属性的E-score发现，此时TIME的E-score最小，因此需要将树进行转换，并将TIME作为根结点的测试属性；

(4)第四条记录增加到训练集后，根据TIME的取值判断进入结点PWR，这时PWR出现新的值，那么为PWR结点添加新的子结点；

(5)以此类推，训练集新增以后的记录过程中，不断更新决策树，最后形成最终的决策树。

2.根据权利要求1所述的卫星通信系统隐故障诊断预测方法，其特征在于对地球站通信记录各项数据进行预处理，步骤如下：

(a)符号类型参数的标准化转换，将有n种不同取值的符号特征，用n比特对其进行编码，当且仅当该特征取值为第i个值时，其码中的第i比特为1；其余比特为0；

(b)标准化后的数据归一化，在奇异距离函数HVDM的基础上，结合最大——最小归一化方法对通信记录进行如下归一化：

设x∈X，x_i为x的第i个属性值，归一化后得到的新的值，设为x_i，

${x_i}^{\′}=\frac{d(x_i,x_{i.\min })}{d(x_{i.\max },x_{i.\min })}\×\mathrm{scale}+\mathrm{low}$

其中定义x_i.min和x_i.max为：

尺度Scale取1，Low取0；

其中当i个属性为连续时，x_i.max和x_i.min为X中所有元素的第i个属性值的最大值和最小值，当i个属性为离散值时，x_i.max和x_i.min为X中所有元素的第i个属性的值取最大和最小值对应的x_i，P的含义为第i个属性取值为x_i且输出类别为c的数据的个数/第i个属性取值为x_i的个数，当有两个x_i相等时，取其中所属类别c的个数小的那个。