CN112906764B - 基于改进bp神经网络的通信安全设备智能诊断方法及系统 - Google Patents
基于改进bp神经网络的通信安全设备智能诊断方法及系统 Download PDFInfo
- Publication number
- CN112906764B CN112906764B CN202110133915.XA CN202110133915A CN112906764B CN 112906764 B CN112906764 B CN 112906764B CN 202110133915 A CN202110133915 A CN 202110133915A CN 112906764 B CN112906764 B CN 112906764B
- Authority
- CN
- China
- Prior art keywords
- neural network
- event
- fault
- events
- network model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 238000004891 communication Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000002245 particle Substances 0.000 claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000002922 simulated annealing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- RUPBZQFQVRMKDG-UHFFFAOYSA-M Didecyldimethylammonium chloride Chemical compound [Cl-].CCCCCCCCCC[N+](C)(C)CCCCCCCCCC RUPBZQFQVRMKDG-UHFFFAOYSA-M 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 1
- 206010010947 Coordination abnormal Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000016290 incoordination Diseases 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nonlinear Science (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了基于改进BP神经网络的通信安全设备智能诊断方法及系统，所述智能诊断方法包括步骤S1：运用故障树分析法，建立通信安全设备的典型故障树；S2：分析确定故障的关键因素，以及相应底事件对顶事件的影响程度，选择合适的监测对象；S3：基于BP神经网络和改进粒子群算法，构建NPSOSA‑BP神经网络模型；S4：对通信安全设备进行合理的布置监测点，采用连续循环监测模式采集实时的监测对象数据，输入NPSOSA‑BP神经网络模型中进行故障诊断。该诊断方法经验证对处理电子通信设备的故障诊断有着更高的拟合度，诊断结果更加准确。基于NPSOSA‑BP神经网络模型的智能诊断系统可通过网络实现与维保人员的技术交流，也可通过离线故障库直接对故障进行离线智能诊断。
Description
技术领域
本发明涉及通信安全设备智能诊断技术领域，尤其涉及基于改进BP神经网络的通信安全设备智能诊断方法及系统。
背景技术
近年来，随着经济的发展，社会的进步，电子设备对人们生活的重要性越来越大，人们对电子设备的需求量也在逐步提高。电子设备作为使用性产品，使用过程中难免会出现故障问题，长期使用更是会带来损耗。由于电子设备往往具有高技术性，元器件往往需要高精度的技术支持；同时，电子设备在运行过程中，受其个部件的影响较大，往往一处功能上的不协调或是不稳定，都将对电子设备带来较大的影响。因此，电子设备的故障诊断往往从各部件的诊断着手，通过对部件运行状态的识别，及时做出判断，进而有效检测是否存在故障问题。电子设备智能故障诊断长期以来是一个关注度较高的问题，在计算机的飞速发展的背景下，有关电子设备的智能诊断问题也有了较大的突破。
一般而言，现有的智能诊断的方法大体是基于知识的方法上延伸而来，主要几种为：基于专家系统、基于模糊理论、基于神经网络、基于模糊粗糙集等诊断方法。
基于专家系统的方法是一种在某专业领域内，利用人类专家的知识、经验，以解决该领域内相关问题的方法。将专家系统运用到故障诊断中，即通过计算机采集待诊断对象数据信息后，利用设置好的各种规则、算法机制，进行推理计算，迅速的找到故障原因，并由用户证实的一种方法。该系统中存储了专家的知识、经验，能利用其解决实际故障问题。往往专家系统没有算法解，但是该方法的使用条件限制较小，可以在非完全信息的条件下实现诊断功能。
模糊逻辑是用来描述、处理自然界和人类社会中不精确、不完整信息的数学工具。设备运行的过程中，除了正常、故障状态外，还有一种“临界”的状态。在该状态下，设备即将故障却暂时表现正常，因此对该设备表现的征兆及故障情况有一个模糊值，用以表示故障程度、可能性等指标。
人工神经网络(Artificial Neural Network，ANN)是模拟人脑的一种数学模型，是由大量的神经元连接组成的网络。基于神经网络的诊断，其实质是一种模式分类并识别的问题。传统模式识别方法是利用特定的函数，以输出值将数据样本进行分类并归入某以决策区域的过程，难点在于数据样本的分布特点无法把握，选择的函数拟合度无法保证。由此可见，现有的智能诊断方法均存在不同程度的问题。
发明内容
针对上述存在的问题，本发明旨在提供一种基于改进BP神经网络的通信安全设备智能诊断方法，基于故障树和粒子群退火的改进BP神经网络算法对通信安全设备进行智能诊断，实现全局最优求解，对通信安全设备的诊断更加精确。
为了实现上述目的，本发明所采用的技术方案如下：
基于改进BP神经网络的通信安全设备智能诊断方法，其特征在于，包括以下步骤，
S1：运用故障树分析法，建立通信安全设备的典型故障树；
S2：根据典型故障树分析确定故障的关键因素，以及相应底事件对顶事件的影响程度，选择合适的监测对象；
S3：利用步骤S2中的监测对象数据，基于BP神经网络和改进粒子群算法，构建NPSOSA-BP神经网络模型；
S4：对通信安全设备进行合理的布置监测点，采用连续循环监测模式采集实时的监测对象数据，输入NPSOSA-BP神经网络模型中进行故障诊断。
进一步的，步骤S1的具体操作包括以下步骤，
S101：确定通信安全设备典型故障树的顶事件，记为T；
S102：对每一个顶事件，分析确定其边界条件范围，所述边界条件的确定包含初始状态、不容许事件、必然事件三方面的内容；
S103：分析每一个顶事件的原因，寻找次级事件；
S104：建立故障树，从顶事件开始，向下逐层分解确定相应次级事件，直至n个底事件全部被确定，每层事件的逻辑关系为与、或、非门连接；
S105：将底事件表示为xm(m＝1，2，…，n)，将顶事件T由底事件表示为其中，逻辑函数/>为故障树结构函数；
底事件xi分为发生和不发生两种状态，相应的函数表示为顶事件表示为/>
S106：记该典型故障树全部n个独立底事件集合A为A＝{a1，a2，...an}，相应的状态向量X为X＝{x1，x2，...xn}；若有独立底事件集合A的任一子集B，对应的状态向量为Xm＝{xm1，xm2，...xml}，m＝1,2，…，K；且当xm1＝xm2＝…＝xm1＝1时，此时顶事件下所有底事件均处于发生状态，顶事件必定发生，定义B为割集，K为割集数量，l为割集的底事件数率，Xm为割向量。
进一步的，步骤S2的具体操作包括以下步骤，
S201：基于下行法原则，对故障特征进行提取，定性的从逻辑上分析故障的最小割集；从顶事件开始，自上而下逐层分析，对与或门采取相应的措施；遇到与门时，将该门的输出事件代替相应的输入事件；遇到或门，增加割集的数目，依次串联写出相应事件，直到全部事件替换完为止；
S202：根据各底事件的概率，由各事件之间的相互关系，确定各底事件对顶事件的影响程度；
S203：根据步骤S201和步骤S202的分析结果，在典型故障树的底事件中选取合适的监测对象，作为智能诊断的基础。
进一步的，步骤S203中监测对象包括监测点温度、湿度、电压、电流、功率、频率以及设备使用年限。
进一步的，步骤S3中构建NPSOSA-BP神经网络模型的具体操作包括以下步骤，
S301：构建传统BP神经网络模型；
S302：将步骤S2中的监测对象数据划分成学习集、验证集和测试集；
S303：对学习集和预测集的数据进行归一化处理，将数据统一到(-1，1)之间；
S304：利用改进粒子群算法，对传统BP神经网络模型的初始权值阈值进行寻优，构建NPSOSA-BP神经网络模型；
S305：利用学习集、验证集数据对NPSOSA-BP神经网络模型进行训练验证；
S306：将测试集数据输入训练后的NPSOSA-BP神经网络模型中进行测试，判断模型训练是否符合要求。
进一步的，步骤S301中传统BP神经网络模型的输入层、隐藏层和输出层节点数分别为7，10，1。
进一步的，步骤S304的具体操作包括以下步骤，
S3041：初始化粒子群，利用matlab内函数rands(1，91)初始化粒子参数，使粒子的位置、速度在该区间内随机产生；且粒子的位置和速度满足其中，m＝1,2，……；M＝1,2，……；Vim为第i个粒子在m维度下的速度，Xim为第i个粒子在m维度下的位置；c1c2为加速度因子，为非负常数；r1r2为(0，1)之间的随机变量；/>为该粒子经历过路程中的最优位置，即离目标函数最近的点；/>为所有粒子中，经历路程中的最优位置；
S3042：更新粒子参数；将所有粒子放入传统BP神经网络模型开始训练，引入适应度值E作为评价，衡量粒子优劣情况并及时更新粒子相应参数，适应度计算方法为：
S3043：迭代确定最优解，设定动态变化惯性权重参数，对粒子的速度进行限制，同时使粒子速度的变化也满足某种变化的规律，使其随着迭代次数的增大，使其所占的权重逐渐减小，动态变化惯性权重的算法为式中，ω为惯性权重，表现多大程度上保留原来的速度，ωstart为初始权重，ωend为终止权重，k为当前迭代数，Tmax为最大迭代数；
S3044：将动态变化惯性权重代入步骤S3041的粒子位置和速度计算公式中可得
S3045：基于模拟退火算法，每一次迭代后将适应度代入Metepolis准则公式中计算适应度值式中，T为温度，E(x)为函数目标值，xnew为新解，xold为目前解；随温度降低，逐渐减少粒子的选择更替，收敛并获得全局最优解；
S3046：将全局最优解参数代入，确定神经网络权值、阈值，构建NPSOSA-BP神经网络模型。
进一步的，步骤S3041中初始化粒子群时c1＝c2＝1.49445；步骤S3043中初始权重ωstart＝0.9，终止权重ωend＝0.4，迭代次数1000次，种群规模50；
步骤S3045中适应度值计算时初始温度为10000，温度下降速率利用公式T＝T0*0.9j-1计算，T0为初始温度，j为迭代次数。
进一步的，步骤S305中，学习速率0.05，期望误差0.01。
进一步的，基于改进BP神经网络的通信安全设备智能诊断系统，包括信息采集模块、信号处理主机、音视频采集模块和客户终端，其特征在于：所述信号处理主机采用NPSOSA-BP神经网络模型进行故障诊断。
本发明的有益效果是：
1、本发明中通过建立故障树模型可以方便研究人员对通信安全设备的关键故障因素进行把握，故障树能分析各底事件对顶事件的影响程度，在此基础上，故障检测人员可以合理设定监测点，做到精准高效；
2、本发明中利用BP网络神经模型进行故障诊断时，采用了改进粒子群的方法对传统BP网络神经模型的初始权值阈值进行赋值，引入动态变化权重算法(NPSO)对粒子速度进行限制，平衡迭代初期与后期粒子的全局与局部搜索能力；再次基础上，针对粒子群搜索过程中容易陷入局部最优解的问题，引入模拟退火算法(Simulated Annealing algorithm,SA)，利用该算法的概率突跳，尽可能避免局部极值情况；本发明中首次提出将BP神经网络模型与动态变化权重算法、模拟退火算法相结合，从而使得粒子在搜索的过程中，更新各粒子最优解以及群体最优解时，利用Metepolis准则对相应粒子自身的位置、适应值进行评估，使其以一定几率接收劣解，即更换解，在温度的限制下，由于刚开始温度较高，粒子接收劣解的几率相对较高，随着温度逐渐降低，粒子接收劣解的概率也随之降低，最终使权值、阈值收敛到全局最优解。
3、本发明中提出的基于改进BP神经网络的通信安全设备智能诊断方法，经验证对处理电子通信设备的故障诊断有着更高的拟合度，诊断结果更加准确。
4、本发明中基于改进BP神经网络的通信安全设备智能诊断系统能较为完善的实现电路板参数的实时监控、离线智能诊断、远程咨询等功能，该系统主要由信号采集模块、信号处理主机、音视频采集模块、客户终端等四大模块组成，处于终端的操作人员，可通过网络实现与维保人员的技术交流，也可通过离线故障库直接对故障进行离线智能诊断。
附图说明
图1为传统BP网络神经结构示意图；
图2为本发明引入动态变化权重算法的迭代曲线图；
图3为本发明实施例一中无法获得正确报文故障结构；
图4为本发明实施例一中无法获得正确报文故障树；
图5为本发明实施例一中模拟退火算法确定的最优权值图；
图6为本发明实施例一中传统BP神经网络测试结果图；
图7为本发明中基于改进BP神经网络的通信安全设备智能诊断系统硬件部分结构图；
图8为本发明中基于改进BP神经网络的通信安全设备智能诊断系统软件部分结构图；
图9为本发明中基于改进BP神经网络的通信安全设备智能诊断系统的诊断流程图；
图10为本发明中基于改进BP神经网络的通信安全设备智能诊断系统数据采集模块结构图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
基于改进BP神经网络的通信安全设备智能诊断方法，包括以下步骤，
S1：运用故障树分析法，建立通信安全设备的典型故障树；
具体的，S101：确定通信安全设备典型故障树的顶事件，记为T；一般而言，顶事件通常是最困难最有威胁的故障情况。对某一个系统而言，顶事件不一定是唯一的，但顶事件的确定需要遵循以下原则：①顶事件应为关键问题，它的稳定与否应关乎整个系统功能的正常运转。②顶事件的确定应方便进一步的故障分析，即该顶事件一定能向下继续分解。
S102：对每一个顶事件，分析确定其边界条件范围，所述边界条件的确定包含初始状态、不容许事件、必然事件三方面的内容；初始状态指与顶事件相关的工作状态；不容许事件即在故障树分析过程中不允许发生的事件；必然事件指工作时能确定一定会或一定不会发生的事件。
S103：分析每一个顶事件的原因，寻找次级事件；分析时主要需考虑四个方面的因素：①系统设计之初或制造时已存在的缺陷故障；②元器件由于长时间使用导致的损耗等引起的故障问题；③外界环境对系统的影响；④人为因素的影响。
S104：建立故障树，从顶事件开始，向下逐层分解确定相应次级事件，直至n个底事件全部被确定，每层事件的逻辑关系为与、或、非门连接；在建立故障树时需要注意：①每一个门应连接在两个事件之间，不能出现“门门相连”的情况。②确定边界条件时，小概率事件视为不容许事件。③小概率事件和小部件事件应区分开，小部件事件不能被忽略。
S105：将底事件表示为xm(m＝1，2，…，n)，将顶事件T由底事件表示为其中，逻辑函数/>为故障树结构函数；
底事件xi分为发生和不发生两种状态，相应的函数表示为顶事件表示为/>
S106：记该典型故障树全部n个独立底事件集合A为A＝{a1，a2，...an}，相应的状态向量X为X＝{x1，x2，...xn}；若有独立底事件集合A的任一子集B，对应的状态向量为Xm＝{xm1，xm2，...xml}，m＝1,2，…，K；且当xm1＝xm2＝…＝xm1＝1时，此时顶事件下所有底事件均处于发生状态，顶事件必定发生，定义B为割集，K为割集数量，l为割集的底事件数率，Xm为割向量。
进一步的，步骤S2：根据典型故障树分析确定故障的关键因素，以及相应底事件对顶事件的影响程度，选择合适的监测对象；
具体的，S201：基于下行法原则，对故障特征进行提取，定性的从逻辑上分析故障的最小割集；从顶事件开始，自上而下逐层分析，对与或门采取相应的措施；遇到与门时，将该门的输出事件代替相应的输入事件；遇到或门，增加割集的数目，依次串联写出相应事件，直到全部事件替换完为止；
S202：根据各底事件的概率，由各事件之间的相互关系，确定各底事件对顶事件的影响程度，进而确定最影响顶事件故障发生的底事件(部件)，即最薄弱部位。
S203：根据步骤S201和步骤S202的分析结果，在典型故障树的底事件中选取合适的监测对象，作为智能诊断的基础。具体的，所述监测对象包括监测点温度、湿度、电压、电流、功率、频率以及设备使用年限。
进一步的，步骤S3：利用步骤S2中的监测对象数据，基于BP神经网络和改进粒子群算法，构建NPSOSA-BP神经网络模型；
具体的，S301：构建传统BP神经网络模型，如附图1所示，其中，输入层、隐藏层和输出层节点数分别为7，10，1。
S302：将步骤S2中的监测对象数据划分成学习集、验证集和测试集；具体的，一般将数据样本的70％数据作为学习集进行学习训练，调整网络层间权值参数；20％用作验证样本数据，通过验证样本数据，评估模型的拟合度，丰富完善模型；10％用于数据的测试，检验该神经网络性能强度。
S303：对学习集和预测集的数据进行归一化处理，将数据统一到(-1，1)之间；
S304：利用改进粒子群算法，对传统BP神经网络模型的初始权值阈值进行寻优，构建NPSOSA-BP神经网络模型；
具体的，S3041：初始化粒子群，利用matlab内函数rands(1，91)初始化粒子参数，使粒子的位置、速度在该区间内随机产生；且粒子的位置和速度满足其中，m＝1,2，……；M＝1,2，……；Vim为第i个粒子在m维度下的速度，Xim为第i个粒子在m维度下的位置；c1c2为加速度因子，为非负常数，c1＝c2＝1.49445；r1r2为(0，1)之间的随机变量；/>为该粒子经历过路程中的最优位置，即离目标函数最近的点；/>为所有粒子中，经历路程中的最优位置；
S3042：更新粒子参数；将所有粒子放入传统BP神经网络模型开始训练，引入适应度值E作为评价，衡量粒子优劣情况并及时更新粒子相应参数，适应度计算方法为：
S3043：迭代确定最优解，设定动态变化惯性权重参数，对粒子的速度进行限制，同时使粒子速度的变化也满足某种变化的规律，使其随着迭代次数的增大，使其所占的权重逐渐减小，动态变化惯性权重的算法为式中，ω为惯性权重，表现多大程度上保留原来的速度，ωstart为初始权重，ωstart＝0.9，ωend为终止权重，ωend＝0.4，k为当前迭代数，Tmax为最大迭代数；迭代次数1000次，种群规模50；对应的曲线图如附图2所示。
从附图2中可以看出，初期迭代变化时，权重变化较为缓慢，处于较大的权重，粒子速度变化较慢，可大范围搜索；随着迭代次数增大到后期，权重值的下降幅度也增大，权重处于较小值，此时粒子速度变化慢，局部搜索较好。
S3044：将动态变化惯性权重代入步骤S3041的粒子位置和速度计算公式中可得
S3045：基于模拟退火算法，每一次迭代后将适应度代入Metepolis准则公式中计算适应度值式中，T为温度，E(x)为函数目标值，xnew为新解，xold为目前解；随温度降低，逐渐减少粒子的选择更替，收敛并获得全局最优解；适应度值计算时初始温度为10000，温度下降速率利用公式T＝T0*0.9j-1计算，T0为初始温度，j为迭代次数。
S3046：将全局最优解参数代入，确定神经网络权值、阈值，构建NPSOSA-BP神经网络模型。
S305：利用学习集、验证集数据对NPSOSA-BP神经网络模型进行训练验证；其中，学习速率为0.05，期望误差为0.01。
S306：将测试集数据输入训练后的NPSOSA-BP神经网络模型中进行测试，判断模型训练是否符合要求。
进一步的，步骤S4：对通信安全设备进行合理的布置监测点，采用连续循环监测模式采集实时的监测对象数据，输入NPSOSA-BP神经网络模型中进行故障诊断。
实施例一：
本实施例以某通信安全设备为例，设定无法接收到正确报文为顶事件。
该顶事件为通信安全设备的核心功能，其功能的正常与否关系信号指令的传输，传输过程中的安全问题，且该顶事件下有相应的模块支撑，能进行下一步的分析讨论，故设定该事件为本故障树模型顶事件。
由于实际工作中通信安全设备主要涉及到密码模块部分，对该设备分析时最核心部分毫无疑问应该是密码模块，因此本实施例对该故障树的定量分析工作暂时搁置，重点放在对该模型的定性分析上。
通过调查本单位实际使用的通信安全设备的维修记录，建立故障表如下表1所示。
表1某通信安全设备故障表
在上表1的基础上，以无法得到正确报文为顶事件建立故障树，如附图3所示。该通信安全设备工作状态下，可通过专用信道或卫星通道接受信号，信号经收发转换系统处理后，进入到主机分析。根据信号实际的处理流程，可建立报文异常的故障结构。
对相应故障事件做出规定如下：无法得到正确报文T、电源模块故障M1、CPU故障M2、存储单元故障M3、加解密模块故障M4、信号收发模块故障M5、显示器故障M6(单)、接口故障M7(CPU故障下)、显卡模块故障M8。电X3源烧坏X1、电源过流或欠压X2、温度异常(过高)X3、自检死机X4、NVRAM故障X5、SRAM故障X6、串口通道故障X17、显卡故障X8、接线故障/接触不良X9、调用密钥错误X7、密钥产生故障X11、时间同步故障X12、收/发信号错误X13、调制解调器故障X14、混频输入模块故障X15，接线故障X10，显示器损坏X16。在故障结构图的基础上，完成故障树模型的构建，如附图4所示。
根据下行法原则，定性分析最小割集的具体分析步骤如下表2所示。
表2下行法分析步骤
由表2可知，导致该顶事件的发生，即通信安全设备无法接受到正确报文内容的最小割集共有16个。其中，每一个最小割集都是导致该故障发生的一种可能性，各底事件间相互独立，不存在相互影响的关系，且均为关键事件。
根据故障树模型的分析结果，设定影响该型号电子设备的因素为温度、电压、电流、相对湿度、使用年限、频率、功率，即该神经网络为一个7输入，1输出的网络结构。中间层神经元经计算应在[3,12]范围内，经仿真验证，检验中间层神经元数量l＝10时模型能达到最佳的预测状态。使用工具matlab2016b进行算例分析，神经网络的输入与输出设置如下表3所示。
表3神经网络的输入与输出
数据样本集(部分数据已做处理)和对应的故障情况分别如下表4和表5所示。
表4数据样本表
表5故障情况
| 序号 | 故障情况 |
| 1 | 0 |
| 2 | 0 |
| 3 | 0 |
| 4 | 1 |
| 5 | 1 |
| 6 | 0 |
| 7 | 0 |
| 8 | 0 |
| 9 | 1 |
| 10 | 1 |
| 11 | 1 |
| 12 | 0 |
| 13 | 0 |
| 14 | 1 |
| 15 | 1 |
| 16 | 0 |
| 17 | 0 |
| 18 | 0 |
| 19 | 1 |
| 20 | 1 |
| 21 | 0 |
| 22 | 0 |
| 23 | 0 |
| 24 | 1 |
| 25 | 1 |
| 26 | 1 |
| 27 | 1 |
| 28 | 1 |
| 29 | 1 |
| 30 | 0 |
| 31 | 1 |
| 32 | 1 |
| 33 | 1 |
| 34 | 1 |
| 35 | 1 |
实际测试过程中，取前30组为训练样本，后5组为测试样本。
利用本发明中的NPSOSA-BP神经网络模型和利用传统BP神经网络模型的测试结果分别如附图5和附图6所示。从附图5和附图6中可以看出，经过本发明中模拟退火粒子群算法训练后，记录BP神经网络的最佳连接权值矩阵信息，将其代入BP神经网络计算样本预测值如下：0.98、0.31、0.65、0.84、0.66。即有相应的概率，在该条件下，电子设备会发生故障。而经过传统BP神经网络模型训练后，预测输出的结果分别为1.2、0.22、0.06、0.49、0.05，误差分别为0.28、0.77、0.93、0.50、0.94。显而易见，由于传统BP神经网络训练的权值范围变化较大，误差最大达到93％、94％，证明该模型极易陷入局部最优解，过拟合现象或欠拟合现象严重，预测结果误差相对较大。
进一步的，本发明中还提出了一种基于改进BP神经网络的通信安全设备智能诊断系统，在硬件上包括信息采集模块、信号处理主机、音视频采集模块和客户终端，如附图7所示。
信号采集模块：主要用于采集电子设备检测点的电流、电压、频谱、温度、传输数率等，同时也包含万用表模块用于离线故障检测。
音视频采集模块：用于采集音视频信号，实现远程视频交流，并将视频数据传给信号处理主机。
信号处理主机：为诊断系统的核心。接受信号采集模块的数据，利用NPSOSA-BP神经网络模型实现对数据的分类、处理、特征识别、智能诊断，同时可处理音视频信号的数据交换。
客户终端：即与信号处理主机分开的便携式终端。可提供远程桌面功能，实现对信号处理主机的控制，诊断结果的可视化以及为远程交流提供支持。
进一步的，本系统的数据库设计主要包括：一方面为存储原始训练数据，包含待测装备的型号、可能发生故障的情况、历年故障情况、故障诊断模型参数等静态数据；另一方面类似缓存器，存放诊断时的监测参数以及计算过程的中间过程信息的动态数据。结合本系统综合作用，数据库具体分为三个子数据库，分别为装备信息数据库，故障信息数据库，基于BP神经网络数据库。子数据库依次由以下部分组成：历史记录表、装备信息表、故障表、故障征兆表、故障原因表、故障征兆-原因表、BP神经网络样本数据、层间权值信息等。
历史记录表用来存储诊断历史；装备信息表存储特定型号装备信息；故障表存储故障信息；征兆表存储故障征兆与故障对应信息；样本数据及权值信息存储于对应表中，方便模型训练时的调用。
进一步的，本系统的软件系统是安装在客户终端上的，包含监测诊断、远程协助、数据库、其他管理等四个部分，其结构模块如附图8所示。监测诊断分为循环监测诊断、人工诊断两种方式。循环监测模式下，只需系统自动循环实现即可；人工监测诊断模式则有所不同，对于信号易变化或受环境因素较大的元器件，预设的模型无法适应，此时需要人工处理。利用采集的数据建立新的模型并训练，直到适合新的监测环境。数据库模块包含数据库的更新，数据查询等功能。数据的及时更新补充，保证了该模型故障库的完整性。数据查询即将经过计算的参数与数据库中参数进行比对，确定故障，原因，以及参考处理措施。远程协助主要为视频诊断提供支持，同时也能提供语言留言服务；其他管理主要提供资料管理，诊断维护记录以及统计查询等服务。
进一步的，本系统的诊断流程如附图9所示。
1)确定监测点。构建故障树模型，分析各故障的关键因素及底事件对顶事件的影响程度，合理确定监测点，确保监测设置简单高效。
2)实际运行中，根据需求进行在线预测或离线诊断。
在线预测即在设备继续工作的状态下，通过循环监测采集相应数据，包括电压、温度、频谱、设备加解密速率等，随后将数据传输到信号处理主机进行预处理，并利用BP神经网络算法进行故障的预测。若预测结果为已发生故障或即将发生故障，立即进行故障分析并将结果及处理建议反馈到客户终端；若暂无故障，则继续进行循环监测，持续采集数据直到发出停止指令。
离线诊断即设备停止工作的情况下，利用软件实现调用信号采集模块中的万用表测试仪及红外探测模块，通过对电路板中的通断，电压等情况逐步排查定位，确定故障点，随后将相应数据提交给数据库进行查询，并将结果反馈到用户终端。
本系统实现过程中，在线的数据监测是一切的基础。其中全面的数据监测与采集、准确的装备故障拓扑结构分析，是在线监测实现的关键，本发明中数据的监测采集采用循环监测诊断法。数据采集模块实现的结构如附图10所示。数据采集模块由信号调理、信号采集、信号传输三个模块组成。传感器中包含红外探测，万用表等装置，可测得频率、电压等数据。信号调理模块可以对传感器采集的数据进行预处理，调理到相应范围内后传到信号采集模块；信号采集模块可实现对信号的采集记录，并提取其中的特征参数，传到信号传输模块；信号传输模块将提取的特征参数等信息进行存储，并传输给信号处理主机。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.基于改进BP神经网络的通信安全设备智能诊断方法，其特征在于，包括以下步骤，
S1：运用故障树分析法，建立通信安全设备的典型故障树；
S2：根据典型故障树分析确定故障的关键因素，以及相应底事件对顶事件的影响程度，选择合适的监测对象；
S3：利用步骤S2中的监测对象数据，基于BP神经网络和改进粒子群算法，构建NPSOSA-BP神经网络模型；
S4：对通信安全设备进行合理的布置监测点，采用连续循环监测模式采集实时的监测对象数据，输入NPSOSA-BP神经网络模型中进行故障诊断；
步骤S3中构建NPSOSA-BP神经网络模型的具体操作包括以下步骤，
S301：构建传统BP神经网络模型；
S302：将步骤S2中的监测对象数据划分成学习集、验证集和测试集；
S303：对学习集和预测集的数据进行归一化处理，将数据统一到(-1，1)之间；
S304：利用改进粒子群算法，对传统BP神经网络模型的初始权值阈值进行寻优，构建NPSOSA-BP神经网络模型；
S305：利用学习集、验证集数据对NPSOSA-BP神经网络模型进行训练验证；
S306：将测试集数据输入训练后的NPSOSA-BP神经网络模型中进行测试，判断模型训练是否符合要求；
步骤S304的具体操作包括以下步骤，
S3041：初始化粒子群，利用matlab内函数rands(1，91)初始化粒子参数，使粒子的位置、速度在该区间内随机产生；且粒子的位置和速度满足其中，m＝1,2，……；M＝1,2，……；Vim为第i个粒子在m维度下的速度，Xim为第i个粒子在m维度下的位置；c1c2为加速度因子，为非负常数；r1r2为(0，1)之间的随机变量；/>为该粒子经历过路程中的最优位置，即离目标函数最近的点；/>为所有粒子中，经历路程中的最优位置；
S3042：更新粒子参数；将所有粒子放入传统BP神经网络模型开始训练，引入适应度值E作为评价，衡量粒子优劣情况并及时更新粒子相应参数，适应度计算方法为：
S3043：迭代确定最优解，设定动态变化惯性权重参数，对粒子的速度进行限制，同时使粒子速度的变化也满足某种变化的规律，使其随着迭代次数的增大，使其所占的权重逐渐减小，动态变化惯性权重的算法为式中，ω为惯性权重，表现多大程度上保留原来的速度，ωstart为初始权重，ωend为终止权重，k为当前迭代数，Tmax为最大迭代数；
S3044：将动态变化惯性权重代入步骤S3041的粒子位置和速度计算公式中可得
S3045：基于模拟退火算法，每一次迭代后将适应度代入Metepolis准则公式中计算适应度值式中，T为温度，E(x)为函数目标值，xnew为新解，xold为目前解；随温度降低，逐渐减少粒子的选择更替，收敛并获得全局最优解；
S3046：将全局最优解参数代入，确定神经网络权值、阈值，构建NPSOSA-BP神经网络模型。
2.根据权利要求1所述的基于改进BP神经网络的通信安全设备智能诊断方法，其特征在于：步骤S1的具体操作包括以下步骤，
S101：确定通信安全设备典型故障树的顶事件，记为T；
S102：对每一个顶事件，分析确定其边界条件范围，所述边界条件的确定包含初始状态、不容许事件、必然事件三方面的内容；
S103：分析每一个顶事件的原因，寻找次级事件；
S104：建立故障树，从顶事件开始，向下逐层分解确定相应次级事件，直至n个底事件全部被确定，每层事件的逻辑关系为与、或、非门连接；
S105：将底事件表示为xm(m＝1，2，…，n)，将顶事件T由底事件表示为其中，逻辑函数/>为故障树结构函数；
底事件xi分为发生和不发生两种状态，相应的函数表示为顶事件表示为/>
S106：记该典型故障树全部n个独立底事件集合A为A＝{a1，a2，...an}，相应的状态向量X为X＝{x1，x2，...xn}；若有独立底事件集合A的任一子集B，对应的状态向量为Xm＝{xm1，xm2，...xml}，m＝1,2，…，K；且当xm1＝xm2＝…＝xm1＝1时，此时顶事件下所有底事件均处于发生状态，顶事件必定发生，定义B为割集，K为割集数量，l为割集的底事件数率，Xm为割向量。
3.根据权利要求2所述的基于改进BP神经网络的通信安全设备智能诊断方法，其特征在于，步骤S2的具体操作包括以下步骤，
S201：基于下行法原则，对故障特征进行提取，定性的从逻辑上分析故障的最小割集；从顶事件开始，自上而下逐层分析，对与或门采取相应的措施；遇到与门时，将该门的输出事件代替相应的输入事件；遇到或门，增加割集的数目，依次串联写出相应事件，直到全部事件替换完为止；
S202：根据各底事件的概率，由各事件之间的相互关系，确定各底事件对顶事件的影响程度；
S203：根据步骤S201和步骤S202的分析结果，在典型故障树的底事件中选取合适的监测对象，作为智能诊断的基础。
4.根据权利要求3所述的基于改进BP神经网络的通信安全设备智能诊断方法，其特征在于，步骤S203中监测对象包括监测点温度、湿度、电压、电流、功率、频率以及设备使用年限。
5.根据权利要求1所述的基于改进BP神经网络的通信安全设备智能诊断方法，其特征在于，步骤S301中传统BP神经网络模型的输入层、隐藏层和输出层节点数分别为7，10，1。
6.根据权利要求1所述的基于改进BP神经网络的通信安全设备智能诊断方法，其特征在于，步骤S3041中初始化粒子群时c1＝c2＝1.49445；步骤S3043中初始权重ωstart＝0.9，终止权重ωend＝0.4，迭代次数1000次，种群规模50；
步骤S3045中适应度值计算时初始温度为10000，温度下降速率利用公式T＝T0*0.9j-1计算，T0为初始温度，j为迭代次数。
7.根据权利要求1所述的基于改进BP神经网络的通信安全设备智能诊断方法，其特征在于，步骤S305中，学习速率0.05，期望误差0.01。
8.一种实施权利要求1-7任一项所述的诊断方法的基于改进BP神经网络的通信安全设备智能诊断系统，其特征在于：包括信息采集模块、信号处理主机、音视频采集模块和客户终端；
信号采集模块：用于采集电子设备检测点的电流、电压、频谱、温度、传输数率，同时也包含万用表模块用于离线故障检测；
信号处理主机：接受信号采集模块的数据，利用NPSOSA-BP神经网络模型实现对数据的分类、处理、特征识别、智能诊断，同时处理音视频信号的数据交换；
音视频采集模块：用于采集音视频信号，实现远程视频交流，并将视频数据传给信号处理主机；
客户终端：与信号处理主机分开的便携式终端，提供远程桌面功能，实现对信号处理主机的控制，诊断结果的可视化以及为远程交流提供支持。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133915.XA CN112906764B (zh) | 2021-02-01 | 2021-02-01 | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110133915.XA CN112906764B (zh) | 2021-02-01 | 2021-02-01 | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906764A CN112906764A (zh) | 2021-06-04 |
| CN112906764B true CN112906764B (zh) | 2023-09-26 |
Family
ID=76122428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110133915.XA Active CN112906764B (zh) | 2021-02-01 | 2021-02-01 | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906764B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705615B (zh) * | 2021-07-29 | 2024-05-28 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统 |
| CN114708970B (zh) * | 2022-04-11 | 2023-05-16 | 上海铂桐医疗科技有限公司 | 适用于大数据的疼痛综合评估数据处理方法及系统 |
| CN116310940A (zh) * | 2022-12-29 | 2023-06-23 | 苏州斯曼克磨粒流设备有限公司 | 一种机电设备运行状态的风险评估方法及系统 |
| CN117134507B (zh) * | 2023-10-27 | 2024-01-02 | 南京中鑫智电科技有限公司 | 基于智能群体关联的全站容性设备在线监测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
| CN108363876A (zh) * | 2018-02-19 | 2018-08-03 | 中国人民解放军海军航空大学 | 一种考虑关键故障的测试优化选择方法 |
-
2021
- 2021-02-01 CN CN202110133915.XA patent/CN112906764B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544389A (zh) * | 2013-10-18 | 2014-01-29 | 丽水学院 | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 |
| CN108363876A (zh) * | 2018-02-19 | 2018-08-03 | 中国人民解放军海军航空大学 | 一种考虑关键故障的测试优化选择方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于BP神经网络和故障树分析方法的变压器故障综合诊断模型;王超;汪万平;;四川电力技术(06);全文 * |
| 基于改进粒子群优化算法的提升机制动系统故障诊断;王福忠;姚磊;苗纪青;;测控技术(07);全文 * |
| 基于故障树与BAM神经网络的智能故障诊断方法;刘迅;;科学技术与工程(13);全文 * |
| 故障树法和改进PSO-PNN网络的电梯故障诊断模型;张阔;李国勇;韩方阵;;中国安全生产科学技术(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906764A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
| CN113011530B (zh) | 一种基于多分类器融合的智能电表故障预测方法 | |
| CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN111444940A (zh) | 风机关键部位故障诊断方法 | |
| CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
| US20220360084A1 (en) | Transient stability assessment method for an electric power system | |
| CN102054179A (zh) | 一种旋转机械在线状态监测与故障诊断装置及方法 | |
| CN113033078B (zh) | 继电保护设备故障预警模型的构建方法、系统及预警方法 | |
| US12174715B2 (en) | Deep learning method integrating prior knowledge for fault diagnosis | |
| CN109993232A (zh) | 基于深度学习人工神经网络的汽轮机振动故障诊断方法 | |
| CN110297469A (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
| CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及系统 | |
| CN116226469B (zh) | 一种储能设备故障的智能诊断方法及系统 | |
| CN115419558A (zh) | 一种风电机组运行状态评估方法及装置 | |
| CN106292631A (zh) | 一种基于神经网络的pwm整流器故障诊断系统 | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| CN115407753A (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
| CN115496340A (zh) | 健康状态评估的方法、装置和设备 | |
| CN119004303A (zh) | 基于人工智能和自动化的电厂设备故障诊断方法及系统 | |
| CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
| CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
| CN117536804A (zh) | 一种基于集控系统的风机状态监测方法 | |
| CN117332217A (zh) | 基于扩展置信规则库的智能故障诊断方法及系统 | |
| CN110441725A (zh) | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 |
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 |