CN106713016A - 室内分布系统的故障推理方法及装置 - Google Patents

室内分布系统的故障推理方法及装置 Download PDF

Info

Publication number
CN106713016A
CN106713016A CN201611117225.0A CN201611117225A CN106713016A CN 106713016 A CN106713016 A CN 106713016A CN 201611117225 A CN201611117225 A CN 201611117225A CN 106713016 A CN106713016 A CN 106713016A
Authority
CN
China
Prior art keywords
characteristic
neural network
fault
indoor distributed
network classifier
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611117225.0A
Other languages
English (en)
Inventor
李明欣
邓巍
周亚东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201611117225.0A priority Critical patent/CN106713016A/zh
Publication of CN106713016A publication Critical patent/CN106713016A/zh
Pending legal-status Critical Current

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance or administration or management of packet switching networks
    • H04L41/06Arrangements for maintenance or administration or management of packet switching networks involving management of faults or events or alarms
    • H04L41/0631Alarm or event or notifications correlation; Root cause analysis
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance or administration or management of packet switching networks
    • H04L41/14Arrangements for maintenance or administration or management of packet switching networks involving network analysis or design, e.g. simulation, network model or planning

Abstract

本发明提供一种室内分布系统的故障推理方法及装置,方法包括:在确定室内分布系统出现故障后,在预设的采集周期内获取室内分布系统所在区域的多个特征参数向量;利用多个预设的神经网络分类器对多个特征参数向量进行分析处理,获得多个分析结果;在多个分析结果中确定分析结果数值最大的神经网络分类器,并根据神经网络分类器确定室内分布系统的故障原因信息。本发明提供的室内分布系统的故障推理方法及装置,可以有效对室内分布系统所出现的故障进行快速检测并分析,有效地提高了对室内分析系统的故障进行检测的效率和准确率,并且降低了人力物力,提高了该故障推理方法的实用性,有利于市场的推广与应用。

Description

室内分布系统的故障推理方法及装置
技术领域
[0001] 本发明实施例涉及通信技术领域,尤其涉及一种室内分布系统的故障推理方法及 装置。
背景技术
[0002] 随着科学技术的快速发展,通信网络的应用越来越普及,智能终端已逐渐成为人 民群众日常生活中广泛使用的一种现代化通信工具,同时广大移动用户对移动通信服务质 量的要求也越来越高,他们已不再单单满足于良好的室外移动通信服务,而且也要求在室 内(特别是星级酒店、大型商场、高级写字楼等)能享受优质的移动通信服务,进而对室内分 布系统的应用提出了较高要求。
[0003] 现有技术中,在室内分布系统出现故障时,检测室内分布系统故障的主要方式为 人为现场检测,这样使得对室内分布系统的故障推理完全凭借工程师个人经验。
[0004] 然而,现有技术中,通过人为现场检测并分析室内分布系统所出现的故障,检测效 率低,工作量大,耗费大量人力物力,并且,对室内分布系统隐性故障原因分析困难,即使借 助仪器仪表仍不能有效判别,使得故障原因经常被淹没,降低了故障检测的准确可靠性。
发明内容
[0005] 本发明实施例提供了一种室内分布系统的故障推理方法及装置,可以有效对室内 分布系统所出现的故障进行快速检测并分析,有效地提高了对室内分析系统的故障进行检 测的效率和准确率,并且降低了人力物力。
[0006] 本发明实施例的一方面提供了 一种室内分布系统的故障推理方法,包括:
[0007] 在确定室内分布系统出现故障后,在预设的采集周期内获取所述室内分布系统所 在区域的多个特征参数向量;
[0008] 利用多个预设的神经网络分类器对多个所述特征参数向量进行分析处理,获得多 个分析结果;
[0009] 在所述多个分析结果中确定分析结果数值最大的神经网络分类器,并根据所述神 经网络分类器确定所述室内分布系统的故障原因信息。
[0010] 如上所述的方法,所述在预设的采集周期内获取所述室内分布系统所在区域的多 个特征参数向量,具体包括:
[0011] 在预设的采集周期内获取所述室内分布系统所在区域的多个特征数据;
[0012] 根据所述多个特征数据确定在所述多个特征数据中的最大特征数据和最小特征 数据;
[0013] 根据所述特征数据、最大特征数据和最小特征数据确定与所述特征数据相对应的 特征参数向量。
[0014] 如上所述的方法,根据所述特征数据、最大特征数据和最小特征数据确定与所述 特征数据相对应的特征参数向量,具体包括:
[0015] 根据公式
Figure CN106713016AD00061
对所述特征数据进行归一化处理,获得与所述特征数据相 对应的处理后特征数据,其中,Min为最小特征数据,Max为最大特征数据,X为特征数据,y为 处理后特征数据;
[0016] 根据特征数据X和处理后特征数据y确定与所述特征数据X相对应的所述特征参数 向量。
[0017] 如上所述的方法,所述神经网络分类器个数与所述特征参数向量个数相同且一一 对应;利用多个预设的神经网络分类器对多个所述特征参数向量进行分析处理,获得多个 分析结果,具体包括:
[0018] 所述神经网络分类器利用预设的标准向量机函数对所述特征参数向量进行训练, 获得多个训练结果。
[0019] 如上所述的方法,所述根据所述神经网络分类器确定所述室内分布系统的故障原 因信息,具体包括:
[0020] 若所述神经网络分类器的分析结果大于预设的阈值时,则确定所述室内分布系统 的故障原因信息为预先设置的与该神经网络分类器所对应的故障原因集合;或者,
[0021] 若所述神经网络分类器的分析结果小于或等于预设的阈值时,则根据用户经验确 定所述室内分布系统的故障原因信息。
[0022] 如上所述的方法,在获得多个训练结果之后,所述方法还包括:
[0023] 对所述训练结果进行分析处理,获得向量机判别函数;
[0024] 根据所述向量机判别函数判断是否对与所述向量机判别函数所对应的故障信息 进行学习。
[0025] 如上所述的方法,根据所述向量机判别函数判断是否对与所述向量机判别函数所 对应的故障信息进行学习,具体包括:
[0026] 若基于所述特征数据下的所述向量机判别函数大于0,则确认对该所述特征数据 所对应的故障信息进行学习,和/或,根据所述特征数据所对应的故障信息更新所述神经网 络分类器;或者,
[0027] 若基于所述特征数据下的所述向量机判别函数小于或等于0,则直接获取预先存 储的与该所述特征数据相对应的故障信息。
[0028] 本发明实施例的另一方面提供了一种室内分布系统的故障推理装置,包括:
[0029] 获取模块,用于在确定室内分布系统出现故障后,在预设的采集周期内获取所述 室内分布系统所在区域的多个特征参数向量;
[0030] 分析模块,用于利用多个预设的神经网络分类器对多个所述特征参数向量进行分 析处理,获得多个分析结果;
[0031] 故障确定模块,用于在所述多个分析结果中确定分析结果数值最大的神经网络分 类器,并根据所述神经网络分类器确定所述室内分布系统的故障原因信息。
[0032] 如上所述的装置,所述获取模块,具体用于:
[0033] 在预设的采集周期内获取所述室内分布系统所在区域的多个特征数据;
[0034] 根据所述多个特征数据确定在所述多个特征数据中的最大特征数据和最小特征 数据;
[0035] 根据所述特征数据、最大特征数据和最小特征数据确定与所述特征数据相对应的 特征参数向量。
[0036] 如上所述的装置,所述获取模块,具体用于:
[0037] 根据公式
Figure CN106713016AD00071
对所述特征数据进行归一化处理,获得与所述特征数据相 对应的处理后特征数据,其中,Min为最小特征数据,Max为最大特征数据,X为特征数据,y为 处理后特征数据;
[0038] 根据特征数据X和处理后特征数据y确定与所述特征数据X相对应的所述特征参数 向量。
[0039] 如上所述的装置,所述神经网络分类器个数与所述特征参数向量个数相同且一一 对应;所述分析模块,具体用于:
[0040] 所述神经网络分类器利用预设的标准向量机函数对所述特征参数向量进行训练, 获得多个训练结果。
[0041] 如上所述的装置,所述故障确定模块,具体用于:
[0042] 若所述神经网络分类器的分析结果大于预设的阈值时,则确定所述室内分布系统 的故障原因信息为预先设置的与该神经网络分类器所对应的故障原因集合;或者,
[0043] 若所述神经网络分类器的分析结果小于或等于预设的阈值时,则根据用户经验确 定所述室内分布系统的故障原因信息。
[0044] 如上所述的装置,所述获取模块,还用于在获得多个训练结果之后,对所述训练结 果进行分析处理,获得向量机判别函数;
[0045] 所述装置还包括:
[0046] 学习模块,用于根据所述向量机判别函数判断是否对与所述向量机判别函数所对 应的故障信息进行学习。
[0047] 如上所述的装置,所述学习模块,具体用于:
[0048] 若基于所述特征数据下的所述向量机判别函数大于0,则确认对该所述特征数据 所对应的故障信息进行学习,和/或,根据所述特征数据所对应的故障信息更新所述神经网 络分类器;或者,
[0049] 若基于所述特征数据下的所述向量机判别函数小于或等于0,则直接获取预先存 储的与该所述特征数据相对应的故障信息。
[0050] 本发明提供的室内分布系统的故障推理方法及装置,通过获得特征参数向量,通 过该神经网络分类器对特征参数向量进行分析,确定分析结果数值最大的神经网络分类 器,从而根据该神经网络分类器即可确定室内分布系统的故障原因信息,可以有效对室内 分布系统所出现的故障进行快速检测并分析,有效地提高了对室内分析系统的故障进行检 测的效率和准确率,并且降低了人力物力,提高了该故障推理方法的实用性,有利于市场的 推广与应用。
附图说明
[0051] 图1为本发明一实施例提供的一种室内分布系统的故障推理方法的流程示意图;
[0052] 图2为本发明另一实施例提供的一种室内分布系统的故障推理方法的流程示意 图;
[0053] 图3为本发明又一实施例提供的一种室内分布系统的故障推理方法的流程示意 图;
[0054] 图4为本发明再一实施例提供的一种室内分布系统的故障推理方法的流程示意 图;
[0055] 图5为本发明一实施例提供的一种室内分布系统的故障推理装置的结构示意图。
[0056] 图中,
[0057] 1、获取模块; 2、分析模块;
[0058] 3、故障确定模块; 4、学习模块。
具体实施方式
[0059] 下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实例 用于说明本发明,但不用来限制本发明的范围。
[0060] 图1为本发明一实施例提供的一种室内分布系统的故障推理方法的流程示意图; 图2为本发明另一实施例提供的一种室内分布系统的故障推理方法的流程示意图;图4为本 发明再一实施例提供的一种室内分布系统的故障推理方法的流程示意图;参考附图1_2、4 可知,本实施例提供了一种室内分布系统的故障推理方法,用于快速查找并检测室内分布 系统的故障信息,具体的,该故障推理方法包括:
[0061] SI 01:在确定室内分布系统出现故障后,在预设的采集周期内获取室内分布系统 所在区域的多个特征参数向量;
[0062] 室内分析系统的工作状态与多个参数有关,例如:室内分布系统的覆盖性能、干扰 水平、硬件性能以及工程设计等因素,以上任意一个因素工作超出预设的标准预设范围,均 会造成室内分布系统出现故障,而在确定室内分布系统出现故障后,为了能够快速查找到 具体使得室内分布系统出现故障的故障信息,按照预设的采集周期获取室内分布系统的所 在区域的多个特征参数向量,其中,采集周期可以为出现故障前的半个小时或者出现故障 前的半个小时和出现故障后的半个小时等等,具体的,本领域技术人员可以根据具体的设 计需求设置,另外,室内分布系统所在区域一般情况下是指室内分布系统所在小区或者所 在工作楼等等;进一步的,将在预设的采集周期内获取室内分布系统所在区域的多个特征 参数向量设置为具体包括:
[0063] S1011:在预设的采集周期内获取室内分布系统所在区域的多个特征数据;
[0064] 特征数据为与室内分布系统工作状态有关的数据,其中包括与故障信息有关的特 征数据和与故障信息无关的特征数据,例如:特征数据可以包括:重叠覆盖信息、覆盖外泄 信息、上下行不平衡比例信息、覆盖空洞比例、下行信噪比信息、上行干扰信息等;当室内分 布系统出现故障的原因为干扰水平,则可以确认上行干扰信息和下行信噪比信息为与故障 信息有关的特征数据,其他数据为与故障信息无关的特征数据。
[0065] 另外,需要说明的是,由于在采集周期按照一定的采集频率获取到的特征数据会 比较多,因此,较为优选的,为了提高计算和分析的效率,将本实施例中所指的特征数据为 平均特征数据;例如:采集周期为5个小时,采集频率为1小时/次,假设所获取的5个数据分 别为lOMbytes、I IMbytes、10.5Mbytes、10.8Mbytes和11.3Mbytes,此时的上述5个数据均为 平均数据,即为在第一个小时内进行平均业务流量为IOMbytes,依次类推。
[0066] S1012:根据多个特征数据确定在多个特征数据中的最大特征数据和最小特征数 据;
[0067] 由于上述数据为在采集周期内获取的数据信息,那么针对同一参数数据会包括多 个特征数据,将上述多个特征数据进行分析比较,即可获取多个特征数据中的最大特征数 据和最小特征数据。
[0068] S1013:根据特征数据、最大特征数据和最小特征数据确定与特征数据相对应的特 征参数向量。
[0069] 进一步的,将根据特征数据、最大特征数据和最小特征数据确定与特征数据相对 应的特征参数向量设置为具体包括:
[0070] S10131:根据公式
Figure CN106713016AD00091
吋特征数据进行归一化处理,获得与特征数据相 对应的处理后特征数据,其中,Min为最小特征数据,Max为最大特征数据,X为特征数据,y为 处理后特征数据;其中,0 < 1。
[0071] S10132:根据特征数据X和处理后特征数据y确定与特征数据X相对应的特征参数 向量。
[0072] 其中,特征参数向量由(x,y)构成,当获取到特征参数向量之后,可以对该特征参 数向量进行学习训练,以便于确定室内分布系统的故障信息。
[0073] S102:利用多个预设的神经网络分类器对多个特征参数向量进行分析处理,获得 多个分析结果;
[0074] 具体的,由于特征参数向量数量为多个,因此,为了便于对多个特征参数向量进行 训练学习,将对特征参数向量进行训练学习,将神经网络分类器的个数设置为与特征参数 向量个数相同,使得一个特征参数向量对应一个神经网络分类器;其中,需要说明的是,神 经网络分类器为根据对历史数据进行分析学习而建立的,在神经网络分类器内存储中预先 确定的故障信息,其中,故障信息包括:故障类型以及所对应的故障原因等;因此,在利用多 个预设的神经网络分类器对多个特征参数向量进行分析处理,获得多个分析结果,具体包 括:
[0075] S1021:神经网络分类器利用多个预设的标准向量机函数对多个特征参数向量进 行训练,获得多个训练结果。
[0076] 本实施例中的标准向量机函数可以为
Figure CN106713016AD00092
其中,ai、yi和K(dj · di)为标准向量机因数,设特征参数向量为胃而通过公式即可确认特征参数向量 胃=丨,其中,X为特征数据,y为处理后特征数据;当利用标准向量机函数对沙特正参 数向量进行训练时,即可获得多个训练结果。
[0077] S103:在多个分析结果中确定分析结果数值最大的神经网络分类器,并根据神经 网络分类器确定室内分布系统的故障原因信息。
[0078] 在获取多个到多个分析结果时,激活区多个训练结果时,对多个训练结果进行分 析对比,即可获取多个训练结果中数值最大的训练结果,此时,即确定了分析结果数值最大 的神经网络分类器,此时,则说明该神经网络分类器所对应的故障信息时室内分布系统的 故障原因信息的概率最大,为了提高对室内分布系统的故障原因信息确定的准确可靠性, 较为优选的,将根据神经网络分类器确定室内分布系统的故障原因信息设置为具体包括:
[0079] S1031:若神经网络分类器的分析结果大于预设的阈值时,则确定室内分布系统的 故障原因信息为预先设置的与该神经网络分类器所对应的故障原因集合;或者,
[0080] 其中,阈值时用于判断分析结果数值最大所对应的神经网络分类器的故障原因是 否为室内分布系统故障所对应的故障原因信息,当该神经网络分类器的分析结果大于该阈 值时,则可以基本确定该神经网络分类器所对应的故障原因集合即为室内分布系统的故障 原因信息,当然的,为了提高对室内分布系统的故障原因确定的准确可靠性,该方法还可以 设置为包括:维护人员根据上述神经网络分类器所对应的故障原因即可确定相应的故障点 以及故障原因,维护人员可以到达故障点位置对相应设备进行检测,判断上述确认室内分 布系统的故障原因信息是否准确。
[0081] S1032:若神经网络分类器的分析结果小于或等于预设的阈值时,则根据用户经验 确定室内分布系统的故障原因信息。
[0082] 当该神经网络分类器的分析结果小于或等于该阈值时,则说明此时神经网络分类 器所对应的故障原因集合不是室内分布系统的故障原因信息,而此时通过该方法也无法准 确判断室内分布系统的故障原因信息,因此,维护或者检测人员可以根据用户经验确定室 内分布系统的故障原因信息,以保证室内分布系统的故障原因信息确定的准确可靠性。
[0083] 本实施例提供的室内分布系统的故障推理方法,通过获得特征参数向量,通过该 神经网络分类器对特征参数向量进行分析,确定分析结果数值最大的神经网络分类器,从 而根据该神经网络分类器即可确定室内分布系统的故障原因信息,可以有效对室内分布系 统所出现的故障进行快速检测并分析,有效地提高了对室内分析系统的故障进行检测的效 率和准确率,并且降低了人力物力,提高了该故障推理方法的实用性,有利于市场的推广与 应用。
[0084]图3为本发明又一实施例提供的一种室内分布系统的故障推理方法的流程不意 图;在上述实施例的基础上,继续参考附图1-4可知,本实施例在获得多个训练结果之后,将 方法还包括:
[0085] S201:对训练结果进行分析处理,获得向量机判别函数;
[0086] 其中,可以将判别函数设置为
Figure CN106713016AD00101
,X为判别函数的输入指,e和a为预设参 数;在神经网络分类器利用预设的标准向量机函数对特征参数向量进行训练,获得多个训 练结果之后,为了提高神经网络分类器的适用能力,根据训练结果,可以获得向量机判别函 数,以实现对神经网络分类器中不存在的故障信息(故障点和/或故障原因)进行补充学习。
[0087] S202:根据向量机判别函数判断是否对与向量机判别函数所对应的故障信息进行 学习。
[0088] 具体的,将根据向量机判别函数判断是否对与向量机判别函数所对应的故障信息 进行学习设置为具体包括:
[0089] S2021:若基于特征数据下的向量机判别函数大于0,则确认对该特征数据所对应 的故障信息进行学习,和/或,根据所述特征数据所对应的故障信息更新所述神经网络分类 器;或者,
[0090] 在获取到向量机判别函数之后,可以将每个特征数据带入到向量机判断函数中, 进而可以获得基于特征数据下的向量机判断函数值,然后将该向量机判断函数值与〇进行 比较,若基于特征数据下的向量机判断函数大于〇,即此时的向量机判断函数值大于〇,此时 则说明对于该特征数据所对应的神经网络分类器中的故障信息还不完备,进而确定对该特 征数据所对应的故障信息进行学习,此时,可以看作是对神经网络分类器进行了更新操作, 使得神经网络分类器中所对应的故障信息更加完备,以提高该神经网络分类器对室内分布 系统故障判别的准确可靠性。
[0091] S2022:若基于特征数据下的向量机判别函数小于或等于0,则直接获取预先存储 的与该特征数据相对应的故障信息。
[0092] 若基于特征数据下的向量机判断函数小于或等于0,即此时的向量机判断函数值 小于或等于〇,此时则说明对于该特征数据所对应的神经网络分类器中的故障信息已经很 完备,进而则直接获取预先存储的与该特征数据相对应的故障信息,进而可以确定室内分 布系统故障所对应的故障信息。
[0093] 通过对训练结果进行分析处理,获得向量机判别函数,并根据向量机判别函数判 断是否对与向量机判别函数所对应的故障信息进行学习,有效地提高了神经网络分类器的 故障信息的完备性,使得利用神经网络分类器对特征参数向量进行分析训练更加准确可 靠,进一步提高了该故障推理方法使用的准确可靠性。
[0094] 需要注意的是,本技术方案中的神经网络分类器还可以直接根据室内分布系统的 故障信息进行学习训练,即为上述的根据所述特征数据所对应的故障信息更新所述神经网 络分类器的过程,具体的,该学习训练的过程包括对已存在故障信息的网络分类器进行更 新操作和对未存在故障信息的网络分类器进行自主学习操作。
[0095] 具体的,若在确认室内分布系统出现故障后,经过分析判断,该故障类型和故障原 因信息存在相应的神经网络分类器,则可以直接利用该神经网络分类器确定室内分布系统 的故障原因信息,而对于该神经网络分类器可以按照预设的更新周期进行更新操作,以保 证故障分析的准确可靠性。
[0096] 若在确认室内分布系统出现故障后,经过分析判断可知,该故障类型和故障原因 信息不存在相应的神经网络分类器,为了增加该室内分布系统的故障推理方法使用的精确 度,并提高神经网络分类器的置信度,则可以根据故障信息和所确定的相应的故障原因建 立与该故障类型和故障原因信息相对应的神经网络分类器,进而可以实现为其他故障情况 的判断提供依据,进一步提高了该故障推理方法的实用性,有利于市场的推广与应用。
[0097] 为了更加清楚的了解本技术方案的实现过程,例如以下具体实施例:
[0098] 经过检查可以确定该系统已经出现故障,并且不存在相关告警且不存在驻波比异 常,进而可以排除告警原因导致RTWP抬升。
[0099] 在确认系统出现故障后,获取该系统的特征数据,根据特征数据确定该小区特征 参数向量初始值,(RSCP,nRSCPI,nRSCP2,nRSCP3,nRSCP4,nRSCP5,nRSCP6,Ec/No,txpow, mRTWP,sRTWP,isRepeator)〇
[0100] 然后根据特征参数向量初始值获取该小区在统计周期类的特征参数向量平均值, 即为上述过程中的特征参数向量,例如,可以将特征参数向量设置自为:(-70,-74,-80,_ 85,-88,-99,-101,-6,5,-92,0,1),其中,最后一个字段代表是否下挂直放站。
[0101] 随后,将所获取的特征参数向量输入到预设的M个个人神经网络分类器中,实现对 特征参数向量进行分析训练;
[0102] 之后,得到输出值最大的分类器,将该分类器对应的故障原因集合判断为该小区 故障原因,例如,可以确定该小区的故障原因集合按概率排序为{:无源器件(耦合器功分器 等)故障、直放站故障、馈线进水、高驻波比、RRU故障}。
[0103] 在确认系统的故障后,维护人员可以到现场进行查验和维护,以恢复系统的正常 运行与使用。
[0104] 图5为本发明一实施例提供的一种室内分布系统的故障推理装置的结构示意图, 参考附图5可知,本实施例还提供了一种室内分布系统的故障推理装置,该故障推理装置用 于对室内分布系统的故障进行快速、有效分析,具体包括:
[0105] 获取模块1,用于在确定室内分布系统出现故障后,在预设的采集周期内获取室内 分布系统所在区域的多个特征参数向量;
[0106] 该获取模块1具体用于:
[0107] 在预设的采集周期内获取室内分布系统所在区域的多个特征数据;
[0108] 根据多个特征数据确定在多个特征数据中的最大特征数据和最小特征数据;
[0109] 根据特征数据、最大特征数据和最小特征数据确定与特征数据相对应的特征参数 向量。
[0110] 进一步的,该获取模块1具体用于:
[0111] 根据公式
Figure CN106713016AD00121
对特征数据进行归一化处理,获得与特征数据相对应的处 理后特征数据,其中,Min为最小特征数据,Max为最大特征数据,X为特征数据,y为处理后特 征数据;
[0112] 分析模块2,用于利用多个预设的神经网络分类器对多个特征参数向量进行分析 处理,获得多个分析结果;
[0113] 其中,神经网络分类器个数与特征参数向量个数相同且 对应;此时,将分析模 块2设置为具体用于:
[0114] 神经网络分类器利用预设的标准向量机函数对特征参数向量进行训练,获得多个 训练结果。
[0115] 故障确定模块3,用于在多个分析结果中确定分析结果数值最大的神经网络分类 器,并根据神经网络分类器确定室内分布系统的故障原因信息。
[0116] 根据特征数据X和处理后特征数据y确定与特征数据X相对应的特征参数向量。
[0117] 进一步的,将故障确定模块3设置为具体用于:
[0118] 若神经网络分类器的分析结果大于预设的阈值时,则确定室内分布系统的故障原 因信息为预先设置的与该神经网络分类器所对应的故障原因集合;或者,
[0119] 若神经网络分类器的分析结果小于或等于预设的阈值时,则根据用户经验确定室 内分布系统的故障原因信息。
[0120] 本实施例对于获取模块1、分析模块2和故障确定模块3的具体形状结构不做限定, 本领域技术人员可以根据其实现的操作过程对其进行任意设置,只要能够实现上述操作步 骤即可,在此不再赘述;此外,本实施例中获取模块1、分析模块2和故障确定模块3所能实现 操作步骤的具体实现过程和所达到的技术效果与上述实施例中步骤3101-3103、31011-31013、310131-310132、31021、31031-31032的具体实现过程和所达到的技术效果相同,具 体可参考上述陈述内容,在此不再赘述。
[0121] 本实施例提供的室内分布系统的故障推理装置,通过获取模块1获得特征参数向 量,分析模块2通过该神经网络分类器对特征参数向量进行分析,确定分析结果数值最大的 神经网络分类器,从而故障确定模块3根据该神经网络分类器即可确定室内分布系统的故 障原因信息,可以有效对室内分布系统所出现的故障进行快速检测并分析,有效地提高了 对室内分析系统的故障进行检测的效率和准确率,并且降低了人力物力,提高了该故障推 理装置的实用性,有利于市场的推广与应用。
[0122] 在上述实施例的基础上,继续参考附图5可知,本实施例将获取模块1设置为还用 于:还用于在获得多个训练结果之后,对训练结果进行分析处理,获得向量机判别函数;
[0123] 装置还包括:
[0124] 学习模块4,用于根据向量机判别函数判断是否对与向量机判别函数所对应的故 障信息进行学习。
[0125] 进一步的,将学习模块4设置为具体用于:
[0126] 若基于特征数据下的向量机判别函数大于0,则确认对该特征数据所对应的故障 信息进行学习,和/或,根据所述特征数据所对应的故障信息更新所述神经网络分类器;或 者,
[0127] 若基于特征数据下的向量机判别函数小于或等于0,则直接获取预先存储的与该 特征数据相对应的故障信息。
[0128] 本实施例对于学习模块4的具体形状结构不做限定,本领域技术人员可以根据其 实现的操作过程对其进行任意设置,只要能够实现上述操作步骤即可,在此不再赘述;此 夕卜,本实施例中获取模块1和学习模块4所能实现操作步骤的具体实现过程和所达到的技术 效果与上述实施例中步骤S201-S202、S2021-S2022的具体实现过程和所达到的技术效果相 同,具体可参考上述陈述内容,在此不再赘述。
[0129] 本技术方案提供的室内分布系统的故障推理装置,可以准确有效地确定室内分布 系统的故障原因等信息,并且操作简单,判断准确,克服了现有技术中存在的效率低、工作 量大、耗费大量人力物力以及故障原因经常被淹没的问题,进而有效地提高了该故障推理 装置的实用性,有利于市场的推广与应用。
[0130] 在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其 它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为 一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或 者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互 之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连 接,可以是电性,机械或其它的形式。
[0131] 作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的 部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络 单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0132] 另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以 是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单 元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
[0133] 上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存 储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机 设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个 实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,R0M)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存 储程序代码的介质。
[0134] 本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块 的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完 成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上 述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
[0135] 最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽 管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依 然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进 行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术 方案的范围。

Claims (14)

1. 一种室内分布系统的故障推理方法,其特征在于,包括: 在确定室内分布系统出现故障后,在预设的采集周期内获取所述室内分布系统所在区 域的多个特征参数向量; 利用多个预设的神经网络分类器对多个所述特征参数向量进行分析处理,获得多个分 析结果; 在所述多个分析结果中确定分析结果数值最大的神经网络分类器,并根据所述神经网 络分类器确定所述室内分布系统的故障原因信息。
2. 根据权利要求1所述的方法,其特征在于,所述在预设的采集周期内获取所述室内分 布系统所在区域的多个特征参数向量,具体包括: 在预设的采集周期内获取所述室内分布系统所在区域的多个特征数据; 根据所述多个特征数据确定在所述多个特征数据中的最大特征数据和最小特征数据; 根据所述特征数据、最大特征数据和最小特征数据确定与所述特征数据相对应的特征 参数向量。
3. 根据权利要求2所述的方法,其特征在于,根据所述特征数据、最大特征数据和最小 特征数据确定与所述特征数据相对应的特征参数向量,具体包括:
Figure CN106713016AC00021
对所述特征数据进行归一化处理,获得与所述特征数据相对应 的处理后特征数据,其中,Min为最小特征数据,Max为最大特征数据,X为特征数据,y为处理 后特征数据; 根据特征数据X和处理后特征数据y确定与所述特征数据X相对应的所述特征参数向 量。
4. 根据权利要求2所述的方法,其特征在于,所述神经网络分类器个数与所述特征参数 向量个数相同且一一对应;利用多个预设的神经网络分类器对多个所述特征参数向量进行 分析处理,获得多个分析结果,具体包括: 所述神经网络分类器利用预设的标准向量机函数对所述特征参数向量进行训练,获得 多个训练结果。
5. 根据权利要求1所述的方法,其特征在于,所述根据所述神经网络分类器确定所述室 内分布系统的故障原因信息,具体包括: 若所述神经网络分类器的分析结果大于预设的阈值时,则确定所述室内分布系统的故 障原因信息为预先设置的与该神经网络分类器所对应的故障原因集合;或者, 若所述神经网络分类器的分析结果小于或等于预设的阈值时,则根据用户经验确定所 述室内分布系统的故障原因信息。
6. 根据权利要求4所述的方法,其特征在于,在获得多个训练结果之后,所述方法还包 括: 对所述训练结果进行分析处理,获得向量机判别函数; 根据所述向量机判别函数判断是否对与所述向量机判别函数所对应的故障信息进行 学习。
7. 根据权利要求6所述的方法,其特征在于,根据所述向量机判别函数判断是否对与所 述向量机判别函数所对应的故障信息进行学习,具体包括: 若基于所述特征数据下的所述向量机判别函数大于0,则确认对该所述特征数据所对 应的故障信息进行学习,和/或,根据所述特征数据所对应的故障信息更新所述神经网络分 类器;或者, 若基于所述特征数据下的所述向量机判别函数小于或等于0,则直接获取预先存储的 与该所述特征数据相对应的故障信息。
8. —种室内分布系统的故障推理装置,其特征在于,包括: 获取模块,用于在确定室内分布系统出现故障后,在预设的采集周期内获取所述室内 分布系统所在区域的多个特征参数向量; 分析模块,用于利用多个预设的神经网络分类器对多个所述特征参数向量进行分析处 理,获得多个分析结果; 故障确定模块,用于在所述多个分析结果中确定分析结果数值最大的神经网络分类 器,并根据所述神经网络分类器确定所述室内分布系统的故障原因信息。
9. 根据权利要求8所述的装置,其特征在于,所述获取模块,具体用于: 在预设的采集周期内获取所述室内分布系统所在区域的多个特征数据; 根据所述多个特征数据确定在所述多个特征数据中的最大特征数据和最小特征数据; 根据所述特征数据、最大特征数据和最小特征数据确定与所述特征数据相对应的特征 参数向量。
10. 根据权利要求9所述的装置,其特征在于,所述获取模块,具体用于:
Figure CN106713016AC00031
对所述特征数据进行归一化处理,获得与所述特征数据相对应 的处理后特征数据,其中,Min为最小特征数据,Max为最大特征数据,X为特征数据,y为处理 后特征数据; 根据特征数据X和处理后特征数据y确定与所述特征数据X相对应的所述特征参数向 量。
11. 根据权利要求9所述的装置,其特征在于,所述神经网络分类器个数与所述特征参 数向量个数相同且一一对应;所述分析模块,具体用于: 所述神经网络分类器利用预设的标准向量机函数对所述特征参数向量进行训练,获得 多个训练结果。
12. 根据权利要求8所述的装置,其特征在于,所述故障确定模块,具体用于: 若所述神经网络分类器的分析结果大于预设的阈值时,则确定所述室内分布系统的故 障原因信息为预先设置的与该神经网络分类器所对应的故障原因集合;或者, 若所述神经网络分类器的分析结果小于或等于预设的阈值时,则根据用户经验确定所 述室内分布系统的故障原因信息。
13. 根据权利要求11所述的装置,其特征在于, 所述获取模块,还用于在获得多个训练结果之后,对所述训练结果进行分析处理,获得 向量机判别函数; 所述装置还包括: 学习模块,用于根据所述向量机判别函数判断是否对与所述向量机判别函数所对应的 故障信息进行学习。
14.根据权利要求13所述的装置,其特征在于,所述学习模块,具体用于: 若基于所述特征数据下的所述向量机判别函数大于〇,则确认对该所述特征数据所对 应的故障信息进行学习,和/或,根据所述特征数据所对应的故障信息更新所述神经网络分 类器;或者, 若基于所述特征数据下的所述向量机判别函数小于或等于〇,则直接获取预先存储的 与该所述特征数据相对应的故障信息。
CN201611117225.0A 2016-12-07 2016-12-07 室内分布系统的故障推理方法及装置 Pending CN106713016A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611117225.0A CN106713016A (zh) 2016-12-07 2016-12-07 室内分布系统的故障推理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611117225.0A CN106713016A (zh) 2016-12-07 2016-12-07 室内分布系统的故障推理方法及装置

Publications (1)

Publication Number Publication Date
CN106713016A true CN106713016A (zh) 2017-05-24

Family

ID=58936293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611117225.0A Pending CN106713016A (zh) 2016-12-07 2016-12-07 室内分布系统的故障推理方法及装置

Country Status (1)

Country Link
CN (1) CN106713016A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107655668A (zh) * 2017-09-20 2018-02-02 上海振华重工(集团)股份有限公司 港口机械的故障分析数据的采集方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110238258A1 (en) * 2010-03-24 2011-09-29 Gm Global Technology Operations, Inc. Event-driven fault diagnosis framework for automotive systems
CN104052612A (zh) * 2013-03-13 2014-09-17 中国移动通信集团广东有限公司 一种电信业务的故障识别与定位的方法及系统
CN105203922A (zh) * 2015-09-17 2015-12-30 国家电网公司 基于多分类器的输电线路故障定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110238258A1 (en) * 2010-03-24 2011-09-29 Gm Global Technology Operations, Inc. Event-driven fault diagnosis framework for automotive systems
CN104052612A (zh) * 2013-03-13 2014-09-17 中国移动通信集团广东有限公司 一种电信业务的故障识别与定位的方法及系统
CN105203922A (zh) * 2015-09-17 2015-12-30 国家电网公司 基于多分类器的输电线路故障定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107655668A (zh) * 2017-09-20 2018-02-02 上海振华重工(集团)股份有限公司 港口机械的故障分析数据的采集方法
CN107655668B (zh) * 2017-09-20 2019-10-29 上海振华重工(集团)股份有限公司 港口机械的故障分析数据的采集方法

Similar Documents

Publication Publication Date Title
CN103581186B (zh) 一种网络安全态势感知方法及系统
Teixeira et al. A cyber security study of a SCADA energy management system: Stealthy deception attacks on the state estimator
CN105553998A (zh) 一种网络攻击异常检测方法
CN104935600A (zh) 一种基于深度学习的移动自组织网络入侵检测方法与设备
CN104280789A (zh) 化学品泄漏源定位方法、定位装置、处理装置及系统
Jiang et al. Defense mechanisms against data injection attacks in smart grid networks
CN106154180B (zh) 储能电池充/放电异常行为检测方法及检测系统
CN104052612B (zh) 一种电信业务的故障识别与定位的方法及系统
CN106569030B (zh) 一种电能计量异常诊断中的告警阈值寻优方法及装置
CN103095485A (zh) 基于贝叶斯算法及矩阵方法相结合的网络风险评估方法
CN104618908B (zh) 分布式认知无线网络对抗篡改感知数据攻击的方法和装置
CN107247450A (zh) 基于贝叶斯网络的断路器故障诊断方法
CN104980440A (zh) 基于内容过滤和多Agent协作的有源配电网大数据传输方法
CN107612927B (zh) 电力调度自动化系统的安全检测方法
CN106713016A (zh) 室内分布系统的故障推理方法及装置
CN109587145B (zh) 一种电力网络中的虚假数据入侵检测方法、装置及设备
CN107271853A (zh) 配电自动化系统分布式小电流接地故障定位方法及系统
CN106302412A (zh) 一种针对信息系统抗压性测试的智能检测系统和检测方法
Zhou Hybrid Model Based on Artificial Immune System and PCA Neural Networks for Intrusion Detection
CN103795595A (zh) 一种局域网内网入侵的智能检测方法
CN108307339A (zh) 用户终端定位方法、系统、电子设备及存储介质
Zhang et al. Faulty sensor data detection in wireless sensor networks using logistical regression
Weber et al. Diagnosability evaluation for a system-level diagnosis algorithm for wireless sensor networks
Barreto et al. Competitive neural networks for fault detection and diagnosis in 3G cellular systems
Bertoldi et al. Optimal sensor placement for bacteria detection in water distribution networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170524

RJ01 Rejection of invention patent application after publication