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

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

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

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。

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。

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

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。

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：

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。

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：

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。

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：

根据公式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。

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：

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。

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：

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。

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：

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。

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：

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。

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：

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。

如上所述的装置，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。

如上所述的装置，所述获取模块，具体用于：

根据公式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。

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：

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。

如上所述的装置，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。

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；

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。

如上所述的装置，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。

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

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；

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；

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。

图中，

1、获取模块； 2、分析模块；

3、故障确定模块； 4、学习模块。

具体实施方式

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。

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：

S101：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；

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：

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；

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。

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10Mbytes、11Mbytes、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10Mbytes，依次类推。

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；

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。

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。

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：

S10131：根据公式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；其中，0≤y≤1。

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。

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。

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；

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：

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。

本实施例中的标准向量机函数可以为其中，α_i、y_i和K(d_j·d_i)为标准向量机因数，设特征参数向量为而通过公式即可确认特征参数向量其中，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。

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。

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：

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，

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。

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。

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。

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。

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；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：

S201：对训练结果进行分析处理，获得向量机判别函数；

其中，可以将判别函数设置为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。

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。

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：

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，

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0进行比较，若基于特征数据下的向量机判断函数大于0，即此时的向量机判断函数值大于0，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。

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。

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0，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。

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。

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。

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。

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。

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：

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。

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,nRSCP1,nRSCP2,nRSCP3,nRSCP4,nRSCP5,nRSCP6,Ec/No,txpow,mRTWP,sRTWP,isRepeator)。

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。

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；

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}。

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。

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：

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；

该获取模块1具体用于：

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；

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；

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。

进一步的，该获取模块1具体用于：

根据公式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；

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；

其中，神经网络分类器个数与特征参数向量个数相同且一一对应；此时，将分析模块2设置为具体用于：

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。

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。

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。

进一步的，将故障确定模块3设置为具体用于：

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，

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。

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S101-S103、S1011-S1013、S10131-S10132、S1021、S1031-S1032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。

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。

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；

装置还包括：

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。

进一步的，将学习模块4设置为具体用于：

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，

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。

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；此外，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。

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。

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。

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。

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。

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-OnlyMemory，ROM)、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。

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。

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：

根据公式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。

8.一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：

根据公式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。