CN108960220B - 基于状态机模型的信号系统通信数据可靠性分析方法 - Google Patents
基于状态机模型的信号系统通信数据可靠性分析方法 Download PDFInfo
- Publication number
- CN108960220B CN108960220B CN201811282529.1A CN201811282529A CN108960220B CN 108960220 B CN108960220 B CN 108960220B CN 201811282529 A CN201811282529 A CN 201811282529A CN 108960220 B CN108960220 B CN 108960220B
- Authority
- CN
- China
- Prior art keywords
- state
- communication
- communication system
- reliability
- space
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明公开了一种基于状态机模型的信号系统通信数据可靠性分析方法,包括:步骤一,建立通信系统状态机模型;步骤二,建立通信系统状态空间可靠性模型及基于状态空间的通信系统可靠性预计模型;步骤三,根据通信系统状态空间可靠性模型及基于状态空间的通信系统可靠性预计模型,识别出日志数据中落入异常态的空间点,在向故障态跳转之前进行拦截。针对现存轨道交通通信系统中大量丢失通信数据的问题,建立综合考虑硬件设备、软件及外部环境因素的通信系统可靠性分析模型,有效利用通信日志数据进行预测,分析通信系统的状态空间,发现潜在缺陷,从而可以将故障状态进行拦截。
Description
技术领域
本发明涉及轨道交通通信技术领域,尤其涉及信号系统通信数据可靠性分析方法。
背景技术
在轨道交通信号系统领域中,通信系统的可靠性和有效性是信号系统可用性的重要影响因素之一,因此提高通信系统的可靠性和有效性是信号系统集成的重要任务。已建轨道交通项目在列车运行过程中,通信丢失或者通信无效发生的频率非常高,相应也产生了大量通信日志数据,虽然得益于容错设计在大部分情况下短时的通信丢失对于列车运行没有直接影响,信息校验机制也保证了信息传输的安全,但对于通信系统来说,会极大地影响其可靠性和可用性。而且如果对丢失通信告警不做任何处理,极有可能对信号系统可用性造成严重的影响。
现有对通信系统可靠性的研究多从经典可靠性建模方法出发,比如马尔科夫链等,仅对网络结构或设备的可靠性进行分析,没有综合硬件、软件以及外界环境的角度充分考虑导致传输失效的原因。现有的方法主要从设备技术改进的角度出发,提出改进措施,需要对现有的设备或技术进行大量更换,需要花费大量的人力和物力。并且硬件设备的随机故障和耗损型故障是无法避免的,因此通过更换现有设备或改进技术仍然无法解决设备在使用过程中由于性能退化导致的通信故障问题。
发明内容
本发明的目的在于提供基于状态机模型的信号系统通信数据可靠性分析方法,针对现存轨道交通通信系统中大量丢失通信数据的问题,建立综合考虑硬件设备、软件及外部环境因素的通信系统可靠性分析模型,有效利用通信日志数据进行预测,分析通信系统的状态空间,发现潜在缺陷,从而可以将故障状态进行拦截。
实现上述目的的技术方案是:
一种基于状态机模型的信号系统通信数据可靠性分析方法,包括:
步骤一,建立通信系统状态机模型;
步骤二,建立通信系统状态空间可靠性模型及基于状态空间的通信系统可靠性预计模型;
步骤三,根据通信系统状态空间可靠性模型及基于状态空间的通信系统可靠性预计模型,识别出日志数据中落入异常态的空间点,在向故障态跳转之前进行拦截。
优选的,所述的步骤一,包括:
用维度分析法确定通信系统的关键元素;
确定空间维下通信系统的独立状态;
确定空间维下状态跳转条件;
建立空间维下状态机模型;
建立综合空间维和时间维的通信系统状态机模型。
优选的,所述的用维度分析法确定通信系统的关键元素,指:
建立一个由空间维和时间维组成的多维体,把通信系统的状态按照空间维和时间维进行切割,放在这个多维体上;空间维是指影响通信系统的空间维分布元素,包括通信系统架构内的元素;时间维是指影响通信系统的外界环境因素,体现为时间特性元素;
然后确定通信系统的空间维分布元素,包括构成通信系统的所有硬件,以及加载在硬件上的软件。
优选的,所述的确定空间维下通信系统的独立状态,指:
在空间维下将通信系统状态分为正常通信状态S0,通信异常状态S1和通信故障状态S2。
优选的,所述的建立空间维下状态机模型,指:
将某一时间下某一空间点n的空间元素叠加在一起,可以得到特定时间下某一空间点的状态跳转模型,将特定时间下所有空间点的状态跳转模型叠加在一起,即可得到整个通信系统的状态跳转模型:
(1)
其中,N为该通信系统空间元素的组合集;代表空间点的状态跳转模型的并集;
考虑时刻通信系统的状态跳转模型
(2)
当时,两个或两个以上的空间点同时发生状态跳转的概率趋于0,因此可得
(3)
其中,为发生状态跳转的空间点;
由于在特定时间下空间点原始状态之间是独立,(1)式可以写成:
(4)
代入公式(3)化简后可以得到
(5)
公式(5)的左侧为整个空间维下空间点的状态从时刻到的变化,公式(5)的右侧为发生状态跳转的空间点的状态变化,
将所有时刻的状态跳转模型叠加在一起则可以得到空间维下通信系统的状态机模型;
所述的建立综合空间维和时间维的通信系统状态机模型,指:
将时间维元素加入到时间维下状态跳转条件中,然后将时间维下系统状态跳转条件加入到空间维下的状态机模型,得到综合空间维和时间维的通信系统状态机模型。
优选的,所述的步骤二,包括:
根据通信系统日志数据类型,选择合适的通信系统状态空间可靠性模型,建立空间点m在时间的通信系统状态空间可靠性模型
(6)
其中,是指在空间点的第n个空间元素;
定义确定态S0可靠性数值为,令S1态初始阈值为,S2态的初始阈值为,其中;
基于统计学习的方法为通信异常状态S1和通信故障状态S2选取阈值,建立基于状态空间的通信系统可靠性预计模型。
优选的,所述的基于统计学习的方法为通信异常状态S1和通信故障状态S2选取阈值,建立基于状态空间的通信系统可靠性预计模型,包括:
为通信异常状态S1和通信故障状态S2选取阈值:将历史通信日志数据分为训练集和测试集;用训练集训练到S0,S1,S2状态的映射模型,结合系统维护记录,用测试集选取最优模型,为S1态和S2态选取合适的阈值;
建立基于状态空间的通信系统可靠性预计模型:将训练集中所有落入S2的空间点记为SS2集,找出SS2集通信日志中所有的通信系统状态空间可靠性模型,建立可靠性时间序列
(7)
通过预测训练得到时刻的基于状态空间的通信系统可靠性预计模型
优选的,所述的步骤三,包括:
分析通信日志,预计落入异常态的空间点将来时刻的状态,识别出即将落入通信故障状态S2的空间点;
分析故障趋势空间点的缺陷,通过改进缺陷,进行故障拦截。
优选的,所述的分析故障趋势空间点的缺陷,通过改进缺陷,进行故障拦截,指:
将公式(6)中的通信系统状态空间可靠性模型进行相关性分析,并进行对数变换,得到以下模型:
其中,是空间点m的因子在时间的通信系统状态空间可靠性模型的显性系数;
当没有显性因子时,说明光考虑空间维不能找到原因,因此需要结合时间维度分析时间序列的自相关系数,其中是空间点m在时间的通信系统状态空间可靠性模型;
通过分析和时间序列的自相关系数的显著性得到具体的影响因素,然后通过改进缺陷进行故障拦截。
本发明的有益效果是:本发明充分考虑硬件设备、软件及外部环境因素对通信系统的影响,建立综合可靠性评估模型,将状态机模型和可靠性模型结合起来,利用深度学习的算法进行模糊状态的判断和特征提取,并将特征分类,与影响状态转变的因素结合起来,提供故障状态拦截的方法。可以有效利用通信日志数据进行预测,分析通信系统的状态空间,发现潜在缺陷,从而可以将故障状态进行拦截,提高通信系统可用性。能够最大程度地保留现有通信系统设备,不需要大量更新通信技术或更换通信设备。
附图说明
图1是本发明的基于状态机模型的信号系统通信数据可靠性分析方法的流程图;
图2是本发明中通信系统维度分析模型;
图3是本发明中通信系统状态机模型。
具体实施方式
下面将结合附图对本发明作进一步说明。
请参阅图1,本发明的基于状态机模型的信号系统通信数据可靠性分析方法,包括下列步骤:
步骤一:建立通信系统状态机模型。具体包括:
(1)用维度分析法确定通信系统的关键元素。
某地铁信号系统设计的VOBC-MAU数据通信日志的数据内容有以下两类:
i.MSGID 803:列车 #{Name} VOBC ID #{FaultCode.Parm5} 车头位置 #{FrontPos} 里程 #{Mileage} km 报告: VOBC 和 MAU #{FaultCode.Parm2}之间通信丢失, 时间 = #{FaultCode.Timestamp}
ii.MSGID 805:列车 #{Name} VOBC ID #{FaultCode.Parm5} 车头位置 #{FrontPos} 里程 #{Mileage} km 报告: VOBC 和 MAU #{FaultCode.Parm2}之间通信建立, 时间 = #{FaultCode.Timestamp}
以上MSGID 803和MSGID 805这两类日志信息频繁出现在通信报警日志中,但他们并不能直接体现通信系统的状态,必须要通过一定的处理。
首先,把数据通信日志的信息分为时间和地点两种类型,由此建立一个由空间维和时间维组成的多维体,把通信系统的状态按照空间维和时间维进行切割,放在这个多维体上,如附图2所示。空间维是指影响通信系统的空间维分布元素,主要包括通信系统架构内的元素,如:系统架构配置的硬件和加载在硬件上软件的状态。时间维是指影响通信系统的外界环境因素,体现为时间特性元素(简称为时间元素),包括周期性、季节性以及特定时间点的时间特性等。
其次,确定通信系统的空间维分布元素(简称空间元素)。通信系统的空间元素,根据通信日志的信息和该地铁信号通信系统的架构,按照设备所处的位置,可以将硬件分为车载通信设备和轨旁通信设备,分别记为空间X维和空间Y维。其中车载通信设备主要有VOBC(车载控制器)通信通道,车载天线等,轨旁通信设备主要有MAU(移动授权单元)通信通道、轨旁AP(轨旁无线设备)、交换机等。
(2)确定空间维下通信系统的独立状态。
车载和轨旁的硬件和软件空间元素,存在功能正常,功能故障以及功能异常三种状态。考虑车载和轨旁硬件软件状态的通信系统分别表现出通信正常,通信故障和通信异常三种独立的状态。软硬件功能正常对应通信系统通信正常,软硬件功能故障对应通信系统通信故障,软硬件功能异常对应通信系统通信异常。通信正常可以通过一定的标准比较容易地识别出来,属于确定态,而通信异常和通信故障是除通信正常之外的不确定态。他们的特点是状态模糊,难以界定,还有间歇发生的可能性。确定独立状态的难点在于为不确定态设立一个可以识别的条件。因此在空间维下将通信系统状态分为正常通信状态S0(确定态),通信异常状态S1(模糊态)和通信故障状态S2(模糊态)。
(3)建立通信系统状态机模型。
1)确定空间维下状态跳转条件。
首先在空间维下,根据空间元素独立状态,分析状态间的跳转关系,以及状态跳转的条件,为每个空间元素分别建立一个状态机模型。通信系统空间元素主要包括:车载通信通道、车载天线、MAU通信通道、轨旁AP、交换机,以及加载在部分硬件上的软件,其状态跳转关系及跳转条件如下:
车载通信通道:
通信正常->通信故障:C1车载通信通道故障
通信正常->通信异常:C2车载通信通道间歇异常
通信故障->通信正常:C3车载通信通道修复
通信异常->通信正常:C4车载通信通道间歇恢复
通信异常->通信故障:C1车载通信通道故障
车载通信软件:
通信正常->通信故障:C5车载通信软件代码错误
通信正常->通信异常:C6车载通信软件参数异常
通信故障->通信正常:C7车载通信软件改进或状态重置
通信异常->通信正常:C8车载通信软件参数调整或状态重置
通信异常->通信故障:C5车载通信软件代码错误
车载天线:
通信正常->通信故障:C9车载天线故障或严重受扰
通信正常->通信异常:C10车载天线间歇异常或受扰
通信故障->通信正常:C11车载天线修复
通信异常->通信正常:C12车载通信通道间歇恢复
通信异常->通信故障:C9车载天线故障
MAU通信通道:
通信正常->通信故障:C13 MAU通信通道故障
通信正常->通信异常:C14 MAU通信通道间歇异常
通信故障->通信正常:C15 MAU通信通道修复
通信异常->通信正常:C16 MAU通信通道间歇恢复
通信异常->通信故障:C13 MAU通信通道故障
轨旁通信软件:
通信正常->通信故障:C17 MAU通信软件代码错误
通信正常->通信异常:C18 MAU通信软件参数异常
通信故障->通信正常:C19 MAU通信软件改进或状态重置
通信异常->通信正常:C20 MAU通信软件参数调整或状态重置
通信异常->通信故障:C17 MAU通信软件代码错误
轨旁AP:
通信正常->通信故障:C21轨旁AP故障
通信正常->通信异常:C22 轨旁AP间歇异常
通信故障->通信正常:C23 轨旁AP修复
通信异常->通信正常:C24 轨旁AP间歇恢复
通信异常->通信故障:C21轨旁AP故障
交换机:
通信正常->通信故障:C25交换机故障
通信正常->通信异常:C26交换机间歇异常
通信故障->通信正常:C27交换机修复
通信异常->通信正常:C28交换机间歇恢复
通信异常->通信故障:C25交换机故障
交换机软件:
通信正常->通信故障:C29交换机软件或配置错误
通信正常->通信异常:C30交换机参数异常
通信故障->通信正常:C31交换机软件或配置修复
通信异常->通信正常:C32交换机参数调整
通信异常->通信故障:C29交换机软件或配置错误
硬件故障分为随机故障和耗损故障,无法彻底消除。软件故障是系统性故障,可以经过一定的手段消除。硬件异常是硬件故障的前兆,一般是由于硬件性能退化导致的。软件异常多是参数设计不合理造成的。
2)建立空间维下状态机模型。
将某一时间下某一空间点n的空间元素叠加在一起,包括车载通信通道、车载天线、MAU通信通道、轨旁AP、交换机,以及加载在VOBC、MAU和交换机上的通信软件,可以得到特定时间下某一空间点的状态跳转模型,代入,为。
其中, 分别表示通信系统在空间维下空间点n的车载通信通道、车载天线、MAU通信通道、轨旁AP、交换机。
将特定时间下所有空间点的状态跳转模型叠加在一起,即可得到整个通信系统的状态跳转模型:
(1)
代入后,即:
其中,N为该通信系统空间元素的组合集。
考虑时刻通信系统的状态跳转模型
(2)
即:
当时,两个或两个以上的空间点同时发生状态跳转的概率趋于0,因此可得
(3)
即:
其中,为发生状态跳转的空间点。
由于在特定时间下空间点原始状态之间是独立,(1)式可以写成:
(4)
即:
代入公式(3)化简后可以得到
(5)
即:
公式(5)的左侧为整个空间维下空间点的状态从时刻到的变化,公式(5)的右侧为发生状态跳转的空间点的状态变化,由此可以得到整个通信系统的状态机模型可以由一个显著的空间点状态机模型为代表来建立。将所有时刻的状态跳转模型叠加在一起则可以得到空间维下通信系统的状态机模型。
3)建立综合空间维和时间维的通信系统状态机模型。在时间维下,系统的状态也可能发生跳转,下面列出了时间维下状态的跳转关系和跳转条件:
通信正常->通信异常:跳转条件C33(特定时间属性影响,如高峰时期人为干扰、季节性变化环境影响等)
通信异常->通信正常:跳转条件C34(特定时间属性改善)
通信正常->通信故障:跳转条件C35(特定时间属性强烈影响,如环境变化超过了设备适用范围)
通信异常->通信故障:跳转条件C35(特定时间属性强烈影响,如环境变化超过了设备适用范围)
将时间维下系统状态跳转条件加入到空间维下的状态机模型,可以得到综合空间维和时间维的通信系统状态机模型,如附图3所示。
步骤二:通信系统状态空间可靠性模型及基于状态空间的通信系统可靠性预计模型建模方法。具体包括:
(1)为通信系统空间点建立可通信系统状态空间可靠性模型。
根据通信系统日志数据类型,选择合适的通信系统状态空间可靠性模型,建立空间点m在时间的通信系统状态空间可靠性模型
(6)
其中,是指在空间点的第n个空间元素。
例如:车载通信通道、车载天线以及加载在VOBC上的通信软件,体现在日志中的VOBC ID参数中,轨旁AP、交换机以及加载在MAU和交换机上的通信软件则体现在MAU# 和车头位置 #{FrontPos} 中。因此先将空间元素信息压缩为VOBC和,其中VOBC包含车载通信通道、车载天线以及加载在VOBC上的通信软件;包含MAU通信通道,MAU通信软件,轨旁AP、交换机、交换机上的通信软件。
综合803和805两种信息,可以确定每次丢失通信的时间,由此可以建立该空间点的通信系统状态空间可靠性模型
其中,为考察的时间周期,例如列车单程时长,R代表广义通信系统状态空间可靠性模型。
由所有空间点在所有时刻的可靠性构成的空间记为可靠性空间。
以车载为X轴,轨旁为Y轴,可以建立一个任意时刻的可靠性矩阵:
(2)为基于通信系统状态空间可靠性模型的通信系统状态空间赋初始值。
定义系统的初始态。定义确定态S0可靠性数值为,令S1态初始阈值为,S2态的初始阈值为,其中。
例如:定义S0态为系统的初始态,S0为正常通信状态,即系统初始时刻未出现通信丢失记录。考虑日志记录延迟误差0.1秒,列车单程时长3小时,可得初始可靠性数值为0.99999,即可靠性模型 的初始值均为0.99999。令S1态初始阈值为,S2态的初始阈值为。其中。
(3)基于统计学习的方法为通信异常状态S1和通信故障状态S2选取阈值,建立基于状态空间的通信系统可靠性预计模型。
1)为通信异常状态S1和通信故障状态S2选取阈值
将历史通信日志数据分为训练集和测试集。用训练集训练到S0,S1,S2状态的映射模型,结合系统维护记录,用测试集选取最优模型,为S1态和S2态选取合适的阈值。
即:结合系统维护记录,用训练集训练到S0,S1,S2状态的映射模型,用测试集选取最优模型,为S1态和S2态选取合适的阈值。
具体实施方法如下:
从通信日志数据中选择部分数据作为训练案例,将存在对应的系统维护记录的案例的通信状态标记为S2,不存在系统维护记录的案例的通信状态标记为S1。其他不在通信日志中空间点或通信丢失时间少于0.1s空间点的通信状态标记为S0。
构造训练集
其中,是空间点的可靠性空间;。
寻找使得时时。令,则存在符号函数
问题可以转化为寻找函数将训练集的正实例和负实例分开。
选取初始值;
选择学习率;
在训练集中选取数据,如果,调整参数;
转至,直至训练集中没有误分类点;
可得;
用测试集测试,如果存在,转至,直至训练集和测试集都没有误分点。
2)建立基于状态空间的通信系统可靠性预计模型
将训练集中所有落入S2的空间点记为SS2集,找出SS2集通信日志中所有的通信系统状态空间可靠性模型,建立可靠性时间序列
(7)
即:
通过预测训练得到时刻的基于状态空间的通信系统可靠性预计模型
(8)
即:
具体实施方法如下:
从SS2集中选择部分可靠性时间序列作为训练案例,构造训练集:
选取初始预测函数(线性一阶、高阶等)
计算估计误差;
调整模型参数,使得估计误差梯度下降,直至小于等于0.00001(1-S0的可靠度)
用测试集测试,如果大于0.00001,转至,直至得到。
步骤三:故障状态跳转拦截。
根据通信系统状态空间可靠性模型及基于状态空间的通信系统可靠性预计模型,识别出日志数据中落入异常态的空间点,在向故障态跳转之前进行拦截。
(1)分析通信日志,预计通信系统的可靠性。
将待分析的通信日志数据进行分析,预计每一空间点将来某一时刻的状态,识别出即将落入通信故障状态S2的空间点。即:用步骤二中(1)的公式
估计记录中空间点的可靠性,识别出落入S1态的空间点,找出这些空间点相关的VOBC和,并进行组合, 利用步骤二(3)的公式
预计组合后的空间点在时刻的可靠性,可以得到时刻的可靠性矩阵:
(9)
再利用步骤二(3)得到的,结合通信系统状态机模型的阈值,可以将可靠性矩阵转化为状态空间矩阵
识别出即将落入状态S2的空间点,记为。
(2)分析故障趋势空间点的缺陷,通过改进缺陷,进行故障拦截。
由于VOBC和之间的可靠性状态是相互独立的,可以将可靠性矩阵(9)转化为
为了判定具体导致故障的缺陷,需要执行以下步骤:
1)如果即将故障,则
对应的状态空间均为S2故障态(或邻近故障态);
2)如果即将故障,则
对应的状态空间均为S2故障态(或邻近故障态),否则进入下一步;
3)若1)和2)均成立,说明三者均有缺陷,否则转至5)
4) 对于1)和2)得到的和,需要进一步分析具体的故障原因。以为例,构建时间序列
如果是VOBC通信通道的原因,列车两端都会出现丢失通信,如果是天线,一端出现丢失通信,可靠性序列是平稳的;如果是VOBC通信软件,会出现重启之后恢复的现象,可靠性序列是非平稳的。因此分析时间序列平稳性可以推断是软件还是硬件的问题,如果是硬件问题,还需进一步区分是VOBC通信通道,还是天线的问题。
将上述公式(6)中的通信系统状态空间可靠性模型进行相关性分析,并进行对数变换,得到以下模型:
其中是空间点m的因子在时间的通信系统状态空间可靠性模型的显性系数。
模型(10)如:
其中,是列车两端通信的可靠性,是列车单端通信的可靠性,是空间点f的通信系统状态空间可靠性模型的显性系数。由此可以通过系数的显著性得到具体的影响因素。
5)若没有显性因子,说明光考虑空间维不能找到原因,因此需要结合时间维度分析和的相关系数。
或者若1)和2)均不成立,也说明没有显著空间元素缺陷导致故障,需要进一步分析时间元素的影响。
即,分析时间序列
分析其自相关系数。若显著相关,说明故障原因为时间因素,寻找时间规律背后的外界环境特性。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以作出各种变换或变型,因此所有等同的技术方案也应该属于本发明的范畴,应由各权利要求所限定。
Claims (7)
1.一种基于状态机模型的信号系统通信数据可靠性分析方法,其特征在于,包括:
步骤一,建立通信系统状态机模型;
步骤二,建立通信系统状态空间可靠性模型及基于状态空间的通信系统可靠性预计模型;
步骤三,根据通信系统状态空间可靠性模型及基于状态空间的通信系统可靠性预计模型,识别出日志数据中落入异常态的空间点,在向故障态跳转之前进行拦截;
所述的步骤一,包括:
用维度分析法确定通信系统的关键元素;
确定空间维下通信系统的独立状态;
确定空间维下状态跳转条件;
建立空间维下状态机模型;
建立综合空间维和时间维的通信系统状态机模型;
所述的用维度分析法确定通信系统的关键元素,指:
建立一个由空间维和时间维组成的多维体,把通信系统的状态按照空间维和时间维进行切割,放在这个多维体上;空间维是指影响通信系统的空间维分布元素,包括通信系统架构内的元素;时间维是指影响通信系统的外界环境因素,体现为时间特性元素;
然后确定通信系统的空间维分布元素,包括构成通信系统的所有硬件,以及加载在硬件上的软件。
2.根据权利要求1所述的基于状态机模型的信号系统通信数据可靠性分析方法,其特征在于,所述的确定空间维下通信系统的独立状态,指:
在空间维下将通信系统状态分为正常通信状态S0,通信异常状态S1和通信故障状态S2。
3.根据权利要求2所述的基于状态机模型的信号系统通信数据可靠性分析方法,其特征在于,所述的建立空间维下状态机模型,指:
将某一时间下某一空间点n的空间元素叠加在一起,得到特定时间下某一空间点的状态跳转模型,将特定时间下所有空间点的状态跳转模型叠加在一起,即得到整个通信系统的状态跳转模型:
(1)
其中,N为该通信系统空间元素的组合集;代表空间点的状态跳转模型的并集;
考虑时刻通信系统的状态跳转模型
(2)
当时,两个或两个以上的空间点同时发生状态跳转的概率趋于0,因此得
(3)
其中,为发生状态跳转的空间点;
由于在特定时间下空间点原始状态之间是独立,(1)式写成:
(4)
代入公式(3)化简后得到
(5)
公式(5)的左侧为整个空间维下空间点的状态从时刻到的变化,公式(5)的右侧为发生状态跳转的空间点的状态变化,
将所有时刻的状态跳转模型叠加在一起则得到空间维下通信系统的状态机模型;
所述的建立综合空间维和时间维的通信系统状态机模型,指:
将时间维元素加入到时间维下状态跳转条件中,然后将时间维下系统状态跳转条件加入到空间维下的状态机模型,得到综合空间维和时间维的通信系统状态机模型。
4.根据权利要求3所述的基于状态机模型的信号系统通信数据可靠性分析方法,其特征在于,所述的步骤二,包括:
根据通信系统日志数据类型,选择合适的通信系统状态空间可靠性模型,建立空间点m在时间的通信系统状态空间可靠性模型
(6)
其中,是指在空间点的第n个空间元素;
定义正常通信状态S0的可靠性数值为,令S1态初始阈值为,S2态的初始阈值为,其中;
基于统计学习的方法为通信异常状态S1和通信故障状态S2选取阈值,建立基于状态空间的通信系统可靠性预计模型。
5.根据权利要求4所述的基于状态机模型的信号系统通信数据可靠性分析方法,其特征在于,所述的基于统计学习的方法为通信异常状态S1和通信故障状态S2选取阈值,建立基于状态空间的通信系统可靠性预计模型,包括:
为通信异常状态S1和通信故障状态S2选取阈值:将历史通信日志数据分为训练集和测试集;用训练集训练到S0,S1,S2状态的映射模型,结合系统维护记录,用测试集选取最优模型,为S1态和S2态选取合适的阈值;
建立基于状态空间的通信系统可靠性预计模型:将训练集中所有落入S2的空间点记为SS2集,找出SS2集通信日志中所有的通信系统状态空间可靠性模型,建立可靠性时间序列
(7)
通过预测训练得到时刻的基于状态空间的通信系统可靠性预计模型
(8)。
6.根据权利要求5所述的基于状态机模型的信号系统通信数据可靠性分析方法,其特征在于,所述的步骤三,包括:
分析通信日志,预计落入异常态的空间点将来时刻的状态,识别出即将落入通信故障状态S2的空间点;
分析故障趋势空间点的缺陷,通过改进缺陷,进行故障拦截。
7.根据权利要求6所述的基于状态机模型的信号系统通信数据可靠性分析方法,其特征在于,所述的分析故障趋势空间点的缺陷,通过改进缺陷,进行故障拦截,指:
将公式(6)建立的通信系统状态空间可靠性模型进行相关性分析,并进行对数变换,得到以下模型:
其中,是空间点m的因子在时间的通信系统状态空间可靠性模型的显性系数;
当没有显性因子时,说明光考虑空间维不能找到原因,因此需要结合时间维度分析时间序列的自相关系数, 其中是空间点m在时间tj 的通信系统状态空间可靠性模型;
通过分析以及时间序列的自相关系数的显著性得到具体的影响因素,然后通过改进缺陷进行故障拦截。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811282529.1A CN108960220B (zh) | 2018-10-31 | 2018-10-31 | 基于状态机模型的信号系统通信数据可靠性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811282529.1A CN108960220B (zh) | 2018-10-31 | 2018-10-31 | 基于状态机模型的信号系统通信数据可靠性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960220A CN108960220A (zh) | 2018-12-07 |
CN108960220B true CN108960220B (zh) | 2019-02-15 |
Family
ID=64480927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811282529.1A Active CN108960220B (zh) | 2018-10-31 | 2018-10-31 | 基于状态机模型的信号系统通信数据可靠性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960220B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007597B (zh) * | 2019-04-01 | 2022-04-05 | 上海电气泰雷兹交通自动化系统有限公司 | 状态轮询和事件驱动软件状态机设计模式的优化方法 |
CN110191027B (zh) * | 2019-06-19 | 2022-08-16 | 上海电气泰雷兹交通自动化系统有限公司 | 一种ccu和mcu之间的通信错误诊断方法 |
CN110489317B (zh) * | 2019-08-14 | 2020-09-11 | 中国科学院计算技术研究所 | 基于工作流的云系统任务运行故障诊断方法与系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5153470B2 (ja) * | 2008-06-19 | 2013-02-27 | 三菱電機株式会社 | 状態遷移検証装置および状態遷移検証方法 |
CN102768638B (zh) * | 2012-05-18 | 2015-04-29 | 北京工业大学 | 基于状态转移图的软件行为可信性检测方法 |
-
2018
- 2018-10-31 CN CN201811282529.1A patent/CN108960220B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108960220A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960220B (zh) | 基于状态机模型的信号系统通信数据可靠性分析方法 | |
Böhm et al. | Correlates of extinction risk in squamate reptiles: the relative importance of biology, geography, threat and range size | |
CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
CN113688042B (zh) | 测试场景的确定方法、装置、电子设备及可读存储介质 | |
US20210192586A1 (en) | Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions | |
CN109753591A (zh) | 业务流程预测性监控方法 | |
CN105184084A (zh) | 一种电力计量自动化终端故障类型预测方法和系统 | |
CN113163353B (zh) | 一种电源车的智能健康服务系统及其数据传输方法 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN109598931B (zh) | 基于交通安全风险的群体划分与差异性分析方法及系统 | |
CN108776861A (zh) | 铁路通信网安全风险评估方法及装置 | |
CN105335599B (zh) | 一种汽车故障诊断率的检测方法及系统 | |
CN110322688A (zh) | 一种数据处理的方法、数据查询的方法及相关设备 | |
CN115719283A (zh) | 一种智能化会计管理系统 | |
CN110175100B (zh) | 一种存储盘故障预测方法及预测系统 | |
CN108986456B (zh) | 限行尾号采集方法、装置、设备及计算机可读存储介质 | |
CN110457601A (zh) | 社交账号的识别方法和装置、存储介质及电子装置 | |
CN115438244A (zh) | 一种数据库健康度评估方法及装置 | |
CN114629776B (zh) | 基于图模型的故障分析方法及装置 | |
CN115981911A (zh) | 内存故障的预测方法、电子设备和计算机可读存储介质 | |
CN109978038B (zh) | 一种集群异常判定方法及装置 | |
CN113011596A (zh) | 一种模型自动更新方法、装置、系统及电子设备 | |
CN112348265A (zh) | 监控场景下的可行路径挖掘方法及装置 | |
CN113032774A (zh) | 异常检测模型的训练方法、装置、设备及计算机存储介质 | |
CN111651753A (zh) | 用户行为分析系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |