CN108880706A - 一种卫星信道链路故障的快速诊断方法 - Google Patents

Abstract

本发明公开一种卫星信道链路故障的快速诊断方法，包括：实时监控站内通信设备的运行状态，在信道链路发生故障时，将通信设备的关键参数自动录入关系数据库；提取关键参数中易影响信道链路质量的状态参数作为特征参数，根据预设的量化规则对特征参数进行离散量化，并形成特征向量；根据经验人为排查故障原因，定位故障源，对特征向量进行分类，总结出典型的故障类型，并构建包含故障状态、特征向量和故障类型的训练样本集；利用C4.5算法对训练样本集进行机器学习，构建故障树模型；基于故障树模型进行卫星链路故障的快速诊断。通过该方法能实现信道链路常见故障的快速诊断，并提高诊断的准确率。

Description

一种卫星信道链路故障的快速诊断方法

技术领域

本发明属于数据挖掘与卫星通信技术交叉领域，具体涉及一种卫星信道链路故障的诊断方法。

背景技术

卫星信道作为无线通信的一种，具有跨地域、容量大、网络化等特点，已经成为应急保障、军事战争、自然灾害等国家战略优先选择的主要通信手段。

近年来，自然灾害事件频繁发生，地面通信网络往往遭到毁灭性打击，难以快速回复。卫星通信具有覆盖能力强、不受地理条件限制等特点，成为战事、灾难等突发事件优先选择的主要通信手段，但它同时也具有系统构成复杂、专业要求高等缺点。卫星通信系统一般包括空间站和地面战，本发明所述的诊断方法适用于一般地面站系统，地面站主要作用是负责卫星信号发射、调制解调、业务接入等功能，其主要构成包括天线伺服、功率放大器、信道设备、监控系统等。在实际应用中，卫星通信系统的地面站监控系统通常会实时监测天线、变频器、功放、合路器、信道等类别设备的状态，并且会自动进行数据存储，但原始粗糙、无规律的数据依然无法提供给用户进行问题快速排查。

21世纪是一个基于互联网、大数据的时代，随着卫星通信系统的大量被应用于海洋、军队、气象等领域，其内在智能监控系统的设备历史数据也越来越庞大，因此，故障诊断也进入了智能诊断与海量数据处理的阶段，依靠人工智能技术与数据挖掘技术对设备的运行进行状态监测与故障诊断是目前的一个研究热点。卫星通信是一个复杂的系统集成，遇到通信故障时，往往要依靠熟悉通信装备、经验丰富的人员，去现场逐级排查。但同时也具有不少共性问题，可以通过实时监控技术，加以智能技术如模糊推理、模式识别、神经网络等手段来挖掘“知识”，用以指导用户进行快速诊断维修，提高诊断的效率和准确率。故障树模型技术是一种常见的数据挖掘技术，可以对常见的系统故障中发生时伴随的频率信息进行采集，历史频率数据构成样本数据库，将不同故障时的频率组合为决策树的分裂属性形成故障决策，这样可以对故障现象进行分类预测，实现信道链路常见故障快速诊断，提高诊断的准确率。

发明内容

本发明的目的在于克服现有技术的不足，提供一种卫星信道链路故障的快速诊断方法，该方法有利于挖掘卫星信道内的相关设备状态与故障现象之间的内在联系，通过构建故障树方法，以便维护人员和用户确定问题的故障类型，定位问题所在部件，可以对复杂卫星信道的链路故障进行快速排查。

为实现上述之目的，本发明公开一种卫星信道链路的故障树模型构建方法，包括以下步骤：

S1、实时监控站内通信设备的运行状态，在信道链路发生故障时，将通信设备的关键参数自动录入关系数据库，所述关系数据库配置有相关联的设备列表、状态参数表和故障状态表；

S2、提取关键参数中易影响信道链路质量的状态参数作为特征参数，根据预设的量化规则对特征参数进行离散量化，并形成特征向量；

S3、根据经验人为排查故障原因，定位故障源，对特征向量进行分类，总结出典型的故障类型，并构建包含故障状态、特征向量和故障类型的训练样本集；

S4、利用C4.5算法对训练样本集进行机器学习，构建故障树模型。

优选的，步骤S1中，所述通信设备包括天线、变频器、功放、合路器、信道。

优选的，步骤S1中，将通信设备的关键参数包括：所述设备列表记录的设备ID和设备名称，所述状态参数表记录的状态参数ID、时间、设备ID、参数名、参数值、参数量化值，所述故障状态表记录的时间、故障状态、状态参数ID；所述设备列表与状态参数表通过设备ID关联，所述状态参数表与故障状态表通过状态参数ID关联。

优选的，所述特征参数包括：天线的接收电平、通信状态、伺服电机，变频器的变频器状态，功放的功放功率、功放温度，合路器的参考源状态，信道的通信信噪比、信道工作状态和增益电平。

优选的，步骤S2中，所述特征参数的量化规则为：

优选的，所述故障类型包括电机故障D₁、接收故障D₂、功放故障D₃、变频器故障D₄、频率源故障D₅、信道电平异常D₆。

优选的，步骤S4中，利用C4.5算法对训练样本集进行机器学习，构建故障树模型，具体包括：

Step 1计算训练样本集S的初始信息熵，其计算方法为：

式中，|S|为训练样本集的个数，D_i为故障类型，k为故障类型的个数，f(D_i,S)为各种故障类型对应的样本的个数；

Step 2计算特征参数X_n对训练样本集S划分的期望值I_x(S)，其计算方法为：

式中，T为特征参数X_n的不同值的个数，S_i为根据X_n的第i种取值的子样本，|S_i|为对应的子样本的个数；

Step 3计算按照属性X_n划分的信息增益，其计算方法为：

G(X)＝I(S)-I_x(S)

Step 4计算按照特征参数X_n划分时，训练样本集S的潜在信息为：

Step 5训练样本集S的信息增益比率为：

G_r(X)＝G(X)/S(X)

根据信息增益比率选择属性集中的属性作为故障树的节点，选择数值最大的属性作为初始节点，重复Step2‐Step5，对节点进行分裂，直到构建出一颗完整的诊断故障树模型。

本发明还公开一种卫星信道链路故障的快速诊断方法，当信道链路发生故障时，自动记录关键参数，选取、量化即时的特征参数，再基于由上述的故障树模型构建方法构建好的故障树模型对故障进行自动分类选择，判断故障类型，从而实现卫星信道链路故障的快速诊断。

本发明具有以下有益效果:

本发明通过自动采集被监控卫星通信设备的实时状态及故障数据，利用模式识别算法来逐级构建故障树模型，挖掘卫星信道内的相关设备状态与故障现象之间的内在联系，可以对复杂卫星信道的链路故障进行快速排查，实现信道链路常见故障快速诊断，提高诊断的准确率。

附图说明

图1为实施例中卫星信道链路故障的快速诊断方法的流程图；

图2为实施例中的故障树模型示意图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步解释说明：

结合图1所示，实施例中公开一种卫星信道链路故障的快速诊断方法，首先构建故障树模型，然后基于构建好的故障树模型实现链路故障的快速诊断。

包括以下步骤：

(1)实时监控通信设备运行状态，当发生信道链路故障时，即时将相关设备的关键参数录入数据库。

步骤(1)的实现方法是：监控软件通过网络TCP/IP、串口、SNMP等通信接口协议对天线、变频器、功放、合路器、信道五类通信设备(简称设备)进行轮询。当信道通信时的信噪比小于预设阈值时，判断信道链路发生故障，此时，系统自动记录天线、变频器、功放、合路器、信道等设备的关键参数，并录入关系数据库。这里的关键参数是指剔除设备参数中无用数据后，记录在关系数据库中的参数。

这里的关系数据库包括设备列表、状态参数表和故障状态表三张表，分别设计为表1、表2、表3。

表1设备列表

表1为本站内卫星信道的设备总和，包括天线、变频器、功放、合路器、信道五种类型，但是每个设备都有站内唯一的编号，即设备ID。

表2状态参数表

表2为站内每个设备的参数模型表，主要包括状态参数ID、时间、参数名、参数值、量化值(特征参数按照特征参数量化表4来进行量化，其他一般状态参数值正常设为1，异常设为0)、设备ID(外键对应表1中的设备ID)。需要注意的是，表2中存放的是影响通信质量的关键性状态参数，例如，天线的含接收电平、接收机状态、通信状态、伺服电机状态、码盘状态，变频器的变频器状态，功放的功放功率、功放温度、增益状态，合路器的参考源状态、增益状态，信道的通信信噪比、信道工作状态、链路状态、增益电平等，状态参数的编号和个数根据站型和厂家进行摘取。

表3故障状态表

表3为当信道链路发生故障状态U，系统自动记录的故障发生时间，以及当时天线、变频器、功放、合路器、信道这五类设备的状态参数ID(外键关联表2中的状态参数ID)。

(2)对链路故障问题进行特征参数提取、简约量化，形成特征向量。

步骤(2)的实现方法是：由于卫星无线信道链路的系统集成比较复杂，故障树的构建质量很大程度取决于属性X(即特征参数)的选择。实施例中，首先基于专家经验总结，在表2中各设备的状态参数中选取易影响信道链路质量且具有典型特征的特征参数X_i,包括天线的接收电平、通信状态、伺服电机，变频器的变频器状态，功放的功放功率，合路器的参考源状态，信道的通信信噪比、信道工作状态和增益电平。对选取的特征参数X_i，根据表4所示的量化规则对其进行量化，从而形成由(X₁，…，X_n)表示的特征向量

表4特征参数量化表X

(3)人为排查故障问题的具体原因，然后定位问题的相关故障源，对特征向量进行分类划分，形成具有分类特征的训练样本集合。

步骤(3)的实现方法是：实施例中，利用监控系统自动摘取的600个故障数据，通过步骤(1)和步骤(2)形成量化特征向量后，根据步骤(1)中所描述的故障状态U(即信道链路故障)，人为排查故障问题的具体原因，然后定位问题的相关故障源，再对600组故障数据进行分类，总结出典型的故障类型，从而得到以下故障类型表5。

表5卫星通信常见故障类型表D

在特征向量中增加故障状态和故障类型字段作为测试属性，标记为故障样本(U,X,D)，即最终组合成一个多维的原始特征向量矩阵S(即＜U,X,D＞)作为后续机器学习的训练样本，如表6所示。

表6原始故障决策表

其中，n表示特征参数的数量，k表示发生故障状态的数量(即样本的数量)，U_k表示系统记录的故障状态(即卫星信道链路故障)，X_kn表示专家摘取的特征参数，D_i表示故障类型。

(4)利用C4.5算法对特性向量集进行机器学习，构建出以故障树形式的知识表示。

步骤(4)的实现方法是：利用C4.5算法进行模式识别和分类的方法，计算训练样本集S所有样本的信息增益比率，直到所有样本被正确归类，并形成故障树。

利用C4.5算法构建故障树具体包括以下子步骤：

Step 1C4.5算法是数据挖掘的常用算法，首先需要计算训练样本集S的初始信息熵，其计算方法为：

式中：|S|为训练样本集的个数，D_i为故障类型，k为故障类型的个数，f(D_i,S)为各种故障类型对应的样本的个数。

Step 2计算特征参数X_n对训练样本集S划分的期望值I_x(S)，其计算方法为：

式中：T为特征参数X的不同值的个数，S_i为根据X_n的第i种取值的子样本，|S_i|为对应的子样本的个数。

Step 3在计算按照属性X_n划分的信息增益，其计算方法如下：

G(X)＝I(S)-I_x(S)

Step 4计算按照特征参数X_n划分时，训练样本集S的潜在信息为：

Step 5训练样本集S的信息增益比率为：

G_r(X)＝G(X)/S(X)

根据信息增益比率来选择特征参数作为故障树的节点，选择增益比率值最大的作为初始节点，即根节点，若信息增益率相同时，进而选择信息增益最大的饼作为决策树根节点。再重复Step2‐Step5，直到构建出一颗完整的诊断故障树。最终，根据计算出的结果，得到图2所示的故障树模型。

基于步骤(1)至(4)所构建好的故障树，应用时，当信道通信时的信噪比小于阈值时，判定信道链路发生故障状态后，系统自动记录表3中的所有状态参数，然后选取、量化具有即时的特征参数X_i，再基于构建好的故障树模型对故障进行自动分类选择，以及时找出故障的原因(即故障类型D_i)，从而实现卫星信道链路故障的快速诊断。

在实际应用时，例如，信道链路发生异常，系统记录到其他设备的状态正常，天线设备的通信状态X₂为未锁定、伺服电机X₃为正常、接收电平X₁为1.5，(X₁,X₂,X₃)量化后的值为(0,1,0),则根据图2的故障树分支，找到最终故障类型为D₂。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案时，均属于本发明的保护范围。

Claims (8)

1.一种卫星信道链路的故障树模型构建方法，其特性在于，包括以下步骤：

S1、实时监控站内通信设备的运行状态，在信道链路发生故障时，将通信设备的关键参数自动录入关系数据库，所述关系数据库配置有相关联的设备列表、状态参数表和故障状态表；

S2、提取关键参数中易影响信道链路质量的状态参数作为特征参数，根据预设的量化规则对特征参数进行离散量化，并形成特征向量；

S3、根据经验人为排查故障原因，定位故障源，对特征向量进行分类，总结出典型的故障类型，并构建包含故障状态、特征向量和故障类型的训练样本集；

S4、利用C4.5算法对训练样本集进行机器学习，构建故障树模型。

2.根据权利要求1所述的故障树模型构建方法，其特征在于：步骤S1中，所述通信设备包括天线、变频器、功放、合路器、信道。

3.根据权利要求1所述的故障树模型构建方法，其特征在于：步骤S1中，将通信设备的关键参数包括：所述设备列表记录的设备ID和设备名称，所述状态参数表记录的状态参数ID、时间、设备ID、参数名、参数值、参数量化值，所述故障状态表记录的时间、故障状态、状态参数ID；所述设备列表与状态参数表通过设备ID关联，所述状态参数表与故障状态表通过状态参数ID关联。

4.根据权利要求1所述的故障树模型构建方法，其特征在于：所述特征参数包括：天线的接收电平、通信状态、伺服电机，变频器的变频器状态，功放的功放功率、功放温度，合路器的参考源状态，信道的通信信噪比、信道工作状态和增益电平。

5.根据权利要求4所述的故障树模型构建方法，其特征在于：步骤S2中，所述特征参数的量化规则为：

6.根据权利要求1所述的故障树模型构建方法，其特征在于：所述故障类型包括电机故障D₁、接收故障D₂、功放故障D₃、变频器故障D₄、频率源故障D₅、信道电平异常D₆。

7.根据权利要求1所述的故障树模型构建方法，其特征在于：步骤S4中，利用C4.5算法对训练样本集进行机器学习，构建故障树模型，具体包括：

Step 1计算训练样本集S的初始信息熵，其计算方法为：

式中，|S|为训练样本集的个数，D_i为故障类型，k为故障类型的个数，f(D_i,S)为各种故障类型对应的样本的个数；

Step 2计算特征参数X_n对训练样本集S划分的期望值I_x(S)，其计算方法为：

式中，T为特征参数X_n的不同值的个数，S_i为根据X_n的第i种取值的子样本，|S_i|为对应的子样本的个数；

Step 3计算按照属性X_n划分的信息增益，其计算方法为：

G(X)＝I(S)-I_x(S)

Step 4计算按照特征参数X_n划分时，训练样本集S的潜在信息为：

Step 5训练样本集S的信息增益比率为：

G_r(X)＝G(X)/S(X)

根据信息增益比率选择属性集中的属性作为故障树的节点，选择数值最大的属性作为根节点，重复Step2‐Step5，对节点进行分裂，直到构建出一颗完整的诊断故障树模型。

8.一种卫星信道链路故障的快速诊断方法，其特性在于，包括以下步骤：

当信道链路发生故障时，自动记录关键参数，选取、量化即时的特征参数，再基于由权利要求1至7任意一项所述的故障树模型构建方法构建好的故障树模型对故障进行自动分类选择，判断故障类型，从而实现卫星信道链路故障的快速诊断。