CN106446308A - 基于稀疏贝叶斯的故障定位方法及系统 - Google Patents

Abstract

本发明公开了一种基于稀疏贝叶斯的故障定位方法及系统，包括预处理模块、数据学习训练模块、预测模块、数据分析模块、故障定位模块，预处理模块对输入的数据进行处理，把处理后的数据输入预测模块中和数据学习训练模块进行处理，数据学习训练模块把处理后的数据输入到预测模块，预测模块把处理后的数据输送到数据分析模块进行处理，数据分析模块把处理后的数据输入到故障定位模块，故障定位模块把处理后的数据输入控制中心，本发明采用稀疏贝叶斯学习方法进行数据预测，将整个计算过程稀疏化，具有加快计算速度和提高了预测精度的功能，还能消除一些错误数据对结果产生的影响。

Description

基于稀疏贝叶斯的故障定位方法及系统

技术领域：

本发明涉及一种故障定位设备，特别是涉及一种基于稀疏贝叶斯的故障定位方法及系统。

背景技术：

目前，数据大量的产生，怎样有效的运用数据去得到我们想要的信息，去预测更多的数据等问题得到了广泛关注和研究。现在，对于大量数据，在先验条件已知的情况下，要预测其他数据，有神经网络，传统贝叶斯，层次分析等很多方法。但是，为了更加准确，更加实际的去预测，有些方法还加上了权重，这样得到的数据更加符合实际情况。可是对于传统贝叶斯，层次分析方法等来处理数据，权重是要单独进行计算，而且多用的是专家打分的方法，这样不仅增加了计算的时间，还加入了主观因素，降低了结果的可信性，这样预测出来的结果，在实际应用中可能会出现错误，产生一些不必要的麻烦。

发明内容：

本发明所要解决的技术问题是：克服现有技术的不足，提供一种采用稀疏贝叶斯学习方法进行数据预测，适用于大量数据的处理，具有加快计算速度和提高了预测精度的功能，还能消除一些错误数据对结果产生影响的基于稀疏贝叶斯的故障定位方法及系统。

本发明的技术方案是：一种基于稀疏贝叶斯的故障定位系统，包括预处理模块、数据学习训练模块、预测模块、数据分析模块、故障定位模块，所述预处理模块对输入的数据进行处理，把数据分成训练数据和测试数据，所述测试数据输入到预测模块中，所述训练数据输入到数据学习训练模块进行处理，所述数据学习训练模块把处理后的数据输入到预测模块，所述预测模块把处理后的数据输送到数据分析模块进行处理，所述数据分析模块把处理后的数据输入到故障定位模块，所述故障定位模块把处理后的数据输入控制中心。

所述预处理模块、数据学习训练模块、预测模块、数据分析模块、故障定位模块为一体结构，且与控制中心通过无线连接。

一种基于稀疏贝叶斯的故障定位方法，步骤如下：

步骤一：预处理模块将输入数据随机的分成训练数据和测试数据，对训练数据和测试数据进行处理，并以概率的形式输出到数据处理模块；

步骤二：数据处理模块对输入概率形式的训练数据根据公式 进行稀疏贝叶斯学习；

步骤三：为了避免过度进行稀疏贝叶斯学习，设权重W_i服从均值为0方差为α的Gauss条件概率分布，即，W_i由超参数α决定，将输入的概率形式训练数据带入上述式子中，即可根据迭代方法得到α值，根据迭代方法得到训练数据的方差σ^2­，对未知参数进行固定；

步骤四：参数固定后将参数传递给预测模块，预测模块根据输入的测试数据，就能得到相应节点的预测值；

步骤五：预测值在数据分析模块中与以往正常运行的数据进行比较，并计算出差值，差值和提前设定好的阈值进行比较，如果超过了阈值，则此节点数据为故障数据；

步骤六：故障定位模块接收到故障数据后，根据提前输入的网络拓扑结构图，和各节点的地理位置信息，将每个故障数据节点的地理位置进行打包，发送给控制中心，控制中心根据接收到的数据来进行人员调派和设备更换。

所述步骤四中测试数据中的每个数据所对应的权重不是都要求出来，一些无关紧要的数据会因为参数α值趋于无穷而使其权重为0。

本发明的有益效果是：

1、本发明采用稀疏贝叶斯学习方法进行数据预测，将整个计算过程稀疏化，适用于大量数据的处理，具有加快计算速度和提高了预测精度的功能，还能消除一些错误数据对结果产生的影响。

2、本发明可以在模块中进行权重处理，不需要单独求权重，输出结果也是按权重进行处理过的，更加具有说服力。

3、本发明节约了成本，也提升了整个数据处理的速度，而且整个操作可以是远程的，避免了人员操作的危害。

附图说明：

图1为基于稀疏贝叶斯的故障定位设备的连接框图。

具体实施方式：

实施例：参见图1。

基于稀疏贝叶斯的故障定位系统，包括预处理模块、数据学习训练模块、预测模块、数据分析模块、故障定位模块，预处理模块对输入的数据进行处理，把数据分成训练数据和测试数据，测试数据输入到预测模块中，训练数据输入到数据学习训练模块进行处理，数据学习训练模块把处理后的数据输入到预测模块，预测模块把处理后的数据输送到数据分析模块进行处理，数据分析模块把处理后的数据输入到故障定位模块，故障定位模块把处理后的数据输入控制中心。

预处理模块、数据学习训练模块、预测模块、数据分析模块、故障定位模块为一体结构，且与控制中心通过无线连接。

基于稀疏贝叶斯的故障定位方法，步骤如下：

步骤一：预处理模块将输入数据随机的分成训练数据和测试数据，对训练数据和测试数据进行处理，并以概率的形式输出到数据处理模块；

步骤二：数据处理模块对输入概率形式的训练数据根据公式进行稀疏贝叶斯学习；

步骤三：为了避免过度进行稀疏贝叶斯学习，设权重W_i服从均值为0方差为α的Gauss条件概率分布，即，W_i由超参数α决定，将输入的概率形式训练数据带入上述式子中，即可根据迭代方法得到α值，根据迭代方法得到训练数据的方差σ^2­，对未知参数进行固定；

步骤四：参数固定后将参数传递给预测模块，预测模块根据输入的测试数据，就能得到相应节点的预测值；

步骤五：预测值在数据分析模块中与以往正常运行的数据进行比较，并计算出差值，差值和提前设定好的阈值进行比较，如果超过了阈值，则此节点数据为故障数据；

步骤六：故障定位模块接收到故障数据后，根据提前输入的网络拓扑结构图，和各节点的地理位置信息，将每个故障数据节点的地理位置进行打包，发送给控制中心，控制中心根据接收到的数据来进行人员调派和设备更换。

步骤四中测试数据中的每个数据所对应的权重不是都要求出来，一些无关紧要的数据会因为参数α值趋于无穷而使其权重为0。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (4)

1.一种基于稀疏贝叶斯的故障定位系统，包括预处理模块、数据学习训练模块、预测模块、数据分析模块、故障定位模块，其特征是：所述预处理模块对输入的数据进行处理，把数据分成训练数据和测试数据，所述测试数据输入到预测模块中，所述训练数据输入到数据学习训练模块进行处理，所述数据学习训练模块把处理后的数据输入到预测模块，所述预测模块把处理后的数据输送到数据分析模块进行处理，所述数据分析模块把处理后的数据输入到故障定位模块，所述故障定位模块把处理后的数据输入控制中心。

2.根据权利要求1所述的基于稀疏贝叶斯的故障定位系统，其特征是：所述预处理模块、数据学习训练模块、预测模块、数据分析模块、故障定位模块为一体结构，且与控制中心通过无线连接。

3.一种基于稀疏贝叶斯的故障定位方法，其特征是：步骤如下：

步骤一：预处理模块将输入数据随机的分成训练数据和测试数据，对训练数据和测试数据进行处理，并以概率的形式输出到数据处理模块；

步骤二：数据处理模块对输入概率形式的训练数据根据公式 进行稀疏贝叶斯学习；

步骤三：为了避免过度进行稀疏贝叶斯学习，设权重W_i服从均值为0方差为α的Gauss条件概率分布，即，W_i由超参数α决定，将输入的概率形式训练数据带入上述式子中，即可根据迭代方法得到α值，根据迭代方法得到训练数据的方差σ^2­，对未知参数进行固定；

步骤四：参数固定后将参数传递给预测模块，预测模块根据输入的测试数据，就能得到相应节点的预测值；

步骤五：预测值在数据分析模块中与以往正常运行的数据进行比较，并计算出差值，差值和提前设定好的阈值进行比较，如果超过了阈值，则此节点数据为故障数据；

步骤六：故障定位模块接收到故障数据后，根据提前输入的网络拓扑结构图，和各节点的地理位置信息，将每个故障数据节点的地理位置进行打包，发送给控制中心，控制中心根据接收到的数据来进行人员调派和设备更换。

4.根据权利要求3所述的基于稀疏贝叶斯的故障定位方法，其特征是：所述步骤四中测试数据中的每个数据所对应的权重不是都要求出来，一些无关紧要的数据会因为参数α值趋于无穷而使其权重为0。