CN113923104A - 基于小波神经网络的网络故障诊断方法、设备及存储介质 - Google Patents

基于小波神经网络的网络故障诊断方法、设备及存储介质 Download PDF

Info

Publication number
CN113923104A
CN113923104A CN202111479699.0A CN202111479699A CN113923104A CN 113923104 A CN113923104 A CN 113923104A CN 202111479699 A CN202111479699 A CN 202111479699A CN 113923104 A CN113923104 A CN 113923104A
Authority
CN
China
Prior art keywords
wolf
network
data
fault
neural network
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.)
Granted
Application number
CN202111479699.0A
Other languages
English (en)
Other versions
CN113923104B (zh
Inventor
潘成胜
金爱鑫
杨雯升
张艳艳
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202111479699.0A priority Critical patent/CN113923104B/zh
Publication of CN113923104A publication Critical patent/CN113923104A/zh
Application granted granted Critical
Publication of CN113923104B publication Critical patent/CN113923104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0677—Localisation of faults

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于小波神经网络的网络故障诊断方法，步骤如下：S1，获取故障和正常状态下的网络数据；S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；S4,输入实时网络状态数据，判断网络是否出现故障；S5,输出网络故障诊断结果及故障类别。本发明引入动量因子，提高诊断模型的局部寻优能力；采用改进灰狼算法，优化故障诊断模型的初始参数，避免初始参数选取的随机性。

Description

基于小波神经网络的网络故障诊断方法、设备及存储介质
技术领域
本发明涉及网络故障诊断方法、设备及存储介质，尤其涉及一种基于小波神经网络的网络故障诊断方法、设备及存储介质。
背景技术
在网络系统运行过程中，故障是一个非常值得关注的问题，即使当一个小的故障发生时，也极有可能影响整个网络系统的健康运行，进一步可能会导致整个系统的瘫痪，造成经济和财产的损失。因此，通过有效的故障检测和诊断技术快速精确地发现网络系统中的各种异常，定位故障，恢复故障，对维护网络系统的健康运行，具有重要的意义。
目前，故障诊断技术主要分为定性分析方法与定量分析方法。其中，定性分析方法又包括符号有向图、故障树、专家系统等。然而在复杂的网络系统中，这类方法存在诊断准确率不高、推理速度慢、效率低下等问题。定量分析方法分为基于解析模型的方法和基于数据驱动的方法。基于解析模型的故障诊断方法主要是利用系统精确的数学模型和可观测输入输出信号来反映系统期望行为，并与实际运行模式进行对比，从而实现故障诊断。然而实际的网络故障诊断中，很难通过网络系统建立精确地数学模型，这就导致解析模型方法的应用范围非常受限。基于数据驱动的故障诊断技术主要通过大量的网络历史数据，使用人工智能技术，提取隐含表示系统变量相关性的基础知识，通过检测所获得的基础知识与在线监测数据中提取的实时系统特征的一致性来实现网络故障诊断。这种方法不需要建立精确地解析模型，而是完全从系统历史数据出发，进行故障诊断，因此在故障诊断领域得到了广泛的应用。
在基于数据驱动的故障诊断技术中，神经网络是目前最受欢迎的网络故障诊断方法之一。小波神经网络（Wavelet Neural Network，WNN）是神经网络的一种，由BP神经网络改进而来，通过小波函数替换神经网络的隐藏层激活函数，加快了函数收敛。WNN兼具BP神经网络强大的自学习能力、泛化能力、非线性映射能力以及小波函数良好的时频特性，在处理复杂非线性故障诊断问题中取得了较好的效果。然而传统的小波神经网络方法容易陷入局部最优，这就导致网络故障诊断模型在诊断准确率方面效果达不到最优。此外，WNN模型的初始参数选取具有随机性，而选取不同的初始参数可能会导致模型训练陷入不同的局部最优，这就会导致网络故障的诊断结果呈现波动，在诊断稳定性方面欠佳。
发明内容
发明目的：本发明的目的是提供一种能避免网络故障诊断模型初始参数选取的随机性，提高诊断准确性与稳定性的基于小波神经网络的网络故障诊断方法、设备及存储介质。
技术方案：本发明的网络故障诊断方法，包括步骤如下：
S1，获取故障状态和正常状态下的网络数据；
S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；
S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；
S4,输入实时网络状态数据，判断网络是否出现故障；
S5,输出网络故障诊断结果及具体故障类别。
进一步，所述步骤S3中，小波神经网络模型的建立过程如下：
设定有P组训练数据，N个输入层神经元数，M个输出层神经元数，则第p个样本输入 为
Figure 637792DEST_PATH_IMAGE001
；
第k个隐含层的输出为
Figure 872464DEST_PATH_IMAGE002
，其中，
Figure 401403DEST_PATH_IMAGE003
为morlet小波函数，
Figure 342814DEST_PATH_IMAGE004
为输入 层和第k个隐藏层之间的连接权重，
Figure 253002DEST_PATH_IMAGE005
为小波的尺度因子，
Figure 788019DEST_PATH_IMAGE006
为小波的位移因子；
输出层的输出表达式为：
Figure 481169DEST_PATH_IMAGE007
其中，
Figure 401720DEST_PATH_IMAGE008
为输出层和隐藏层之间的连接权重， p、n、m为整数，
Figure 466497DEST_PATH_IMAGE009
；
小波神经网络输出的标准误差函数为：
Figure 347865DEST_PATH_IMAGE010
其中，
Figure 969340DEST_PATH_IMAGE011
为第p个样本输出，
Figure 619764DEST_PATH_IMAGE012
为第p个样本期望输出。
进一步，所述步骤S3中，改进的灰狼优化算法实现过程如下：
S31,根据选择的神经网络模型，确定需要优化的参数数量Q满足条件如下：
Figure 684803DEST_PATH_IMAGE013
其中，
Figure 787888DEST_PATH_IMAGE014
是神经网络输入层的神经元个数，
Figure 947474DEST_PATH_IMAGE015
是神经网络隐含层的神经元个 数，
Figure 717984DEST_PATH_IMAGE016
是神经网络输出层的神经元个数；
S32，确定适应度计算函数：
Figure 655722DEST_PATH_IMAGE017
其中，P为输入样本个数，obse表示实际样本类别值，pred表示代入狼群位置后小波神经网络的计算值；
S33，依据每个灰狼个体的适应度值来确定狼群等级 α、β、δ和ω，将狼群中根据适应度值由小到大进行排序，第一个最小的灰狼个体作为头狼α，第二个体作为头狼β，第三个体作为头狼δ，其余的均为普通狼ω；对于每个灰狼个体，根据α、β、δ狼的位置更新自己的位置，并将新位置的适应度值与α、β、δ的位置适应度值比较，若新位置的适应度值更小，则保留新位置及其适应度值；不断迭代更新个体，达到迭代次数后，停止更新，此时，头狼α的位置，作为优化的小波神经网络权值、尺度因子、位移因子；实现过程如下：
S331，灰狼个体将α、β、δ狼的位置假想为猎物的位置，并分别根据α、β、δ狼的位置更新自己的位置，该更新过程的表达式如下：
Figure 370737DEST_PATH_IMAGE019
其中，
Figure 209380DEST_PATH_IMAGE020
分别为第 m 次迭代后α、β、δ狼的位置，
Figure 913025DEST_PATH_IMAGE021
是第m代灰 狼的位置，
Figure 303555DEST_PATH_IMAGE022
是α、β、δ狼与灰狼之间的距离，
Figure 381232DEST_PATH_IMAGE023
为灰狼ω分别根据头狼α、β、 δ的位置更新的位置；C1、C2、C3、A1、A2、A3为协同系数，协同系数C和A的计算公式分别为：
Figure 131888DEST_PATH_IMAGE024
其中，
Figure 611411DEST_PATH_IMAGE025
和
Figure 172843DEST_PATH_IMAGE026
为区间[0,1]的随机数，s 是随迭代次数增加从2非线性递减到0的 常数，
Figure 3395DEST_PATH_IMAGE027
为优化算法的最大迭代次数；
S332，灰狼个体根据α、β、δ来更新自己的位置，并再次定位猎物的位置；具体表达式如下：
Figure 59207DEST_PATH_IMAGE028
其中，
Figure 393237DEST_PATH_IMAGE029
分别为α狼、β狼、δ狼的位置，
Figure 125569DEST_PATH_IMAGE030
分别为ω狼对α狼、β狼、δ 狼的更新权重；
灰狼位置更新公式为：
Figure 177839DEST_PATH_IMAGE031
其中，
Figure 535877DEST_PATH_IMAGE032
为第m代灰狼的更新位置。
进一步，所述步骤S3中，增加了动量因子
Figure 724413DEST_PATH_IMAGE033
后的权值修正公式为:
Figure 830909DEST_PATH_IMAGE035
其中，
Figure 245841DEST_PATH_IMAGE036
为网络训练的学习率，
Figure 33668DEST_PATH_IMAGE037
分别代表第t次迭代时神经 网络的
Figure 466924DEST_PATH_IMAGE038
。
本发明的网络故障诊断设备，主要包括计算模块、存储模块、输入模块、输出模块和软件模块；
所述计算模块包括处理器及系统存储器，完成所述网络故障诊断模型的训练及故障诊断；
所述存储模块用于存储网络故障数据及诊断过程中产生的历史故障模型，通过调用存储设备中的数据，实现网络故障诊断；此外，存储设备的规格需满足大容量数据的读写要求，保证设备在处理大规模网络故障数据时，能快速有序运转；
所述输入模块用于接受实时故障数据，输出模块用于显示故障诊断结果；
所述软件模块包括数据获取模块、数据预处理模块、参数优化模块、训练模块和故障诊断模块；所述数据预处理模块用于原始网络故障数据的数值化、压缩和过滤，统一数据类型，去除故障数据中存在的大量冗余信息；所述参数优化模块用于优化相关诊断模型的参数；所述训练模块用于神经网络训练，形成历史故障数据诊断模型；所述诊断模块用于实时网络故障数据的诊断，形成诊断报告。
本发明的网络故障诊断存储介质，用于存储程序，执行所述程序以实现所述网络故障诊断方法。
本发明与现有技术相比，其显著效果如下：
1、本发明增加了数据预处理操作，针对网络故障数据海量、高维的特点，在故障诊断前，增加了数据压缩及特征降维操作，有效节约数据的存储空间，方便后续更高效的进行故障诊断；
2、本发明在小波神经网络误差反向传播过程中，引入动量因子，通过引入前一时刻的修正量，从而传递每一次的参数变化，促使权值、尺度因子、位移因子的调节向着误差曲面底部的平均方向变化，提高诊断模型的局部寻优能力；
3、本发明增加了参数优化模块，采用非线性收敛因子及动态权重策略，改进灰狼算法，平衡局部与全局搜索能力，并以此优化WNN故障诊断模型的初始参数，避免初始参数选取的随机性。
附图说明
图1为本发明面向网络故障的故障诊断流程图；
图2为本发明面向网络故障的故障诊断模型图；
图3为本发明实施例网络状态数据二维分布示意图；
图4（A）为本发明实施例多分类映射示意图，
图4（B）为本发明实施例二分类映射示意图；
图5为本发明实施例PCA降维后主成分累积贡献率柱状图；
图6为本发明实施例数据预处理流程示意图；
图7（A-1）是单峰测试函数Sphere的三维图，
图7（A-2）是Agents_n（狼群数量）=30， iteration（迭代次数）=100时， Sphere函数的参数优化效果比较图，
图7（B-1）是多峰测试函数Rastrigin的三维图，
图7（B-2）是Agents_n=30， iteration=100时， Rastrigin函数的参数优化效果比较图,
图7（C-1）是多峰测试函数Griewank的三维图，
图7（C-2）是Agents_n=30， iteration=100时， Griewank函数的参数优化效果比较图；
图8（A）是iter（迭代次数）=50，Ir（学习率）=0.1时，网络故障诊断结果准确率对比图，
图8（B）是iter=50，Ir=0.1时，网络故障诊断结果精确率对比图，
图8（C）是iter=50，Ir=0.1时，网络故障诊断结果真正率对比图，
图8（D）是iter=50，Ir=0.1时，网络故障诊断结果假正率对比图，
图8（E）是iter=50，Ir=0.1时，网络故障诊断结果F1值对比图；
图9为本发明网络故障诊断设备硬件模块示意图；
图10为本发明网络故障诊断设备软件模块示意图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
本发明的网络故障诊断方法流程图如图1所示，模型图如图2所示，本发明详细的实现步骤如下：
步骤一，数据集的数值化与归一化。
为了更好的训练网络故障诊断模型，根据获取的故障以及正常状态下的网络数据，对网络故障数据进行数值化与归一化，故障类别见表1。
表1 网络故障类别分类
Figure 993589DEST_PATH_IMAGE039
如表1所示，数据标签0代表无故障、标签1代表系统发生故障，在该实施例中，仅展示了有无故障二分类结果，若要对各故障类别进行精准的诊断，只需要改变数据标签即可。
图3为网络状态数据在二维空间中的分布图。图4（A）、图4（B）分别为进行数值化操作后多分类及二分类映射示意图。
步骤二，数据降维。
原始网络故障数据具有41维特征，维度较高，造成模型训练时间较长，因此在尽量保留较完整故障数据信息的前提下，采用PCA降维算法进行数据降维。图5为PCA主成分贡献率柱状图。由图5可知，前五个主成分累计贡献率达95%以上，故取前五个主成分数据作为降维后的特征数据，可以极大地保留原始的数据信息，且将特征维度降低了36个维度,如图6所示。
步骤三，创建小波神经网络模型。
设定有P个训练样本，N个输入层神经元数，M个输出层神经元数。则第p个样本输入 为
Figure 20451DEST_PATH_IMAGE040
，输出为
Figure 205444DEST_PATH_IMAGE041
，期望输出为
Figure 634152DEST_PATH_IMAGE042
。其中p、n、m为整数，
Figure 895500DEST_PATH_IMAGE043
，
Figure 144079DEST_PATH_IMAGE044
，
Figure 132763DEST_PATH_IMAGE045
。第k个隐 含层的输出为
Figure 993141DEST_PATH_IMAGE046
。其中，
Figure 64871DEST_PATH_IMAGE047
为morlet小波函数，
Figure 66325DEST_PATH_IMAGE048
为输入层和第k个隐藏层之 间的连接权重，
Figure 858700DEST_PATH_IMAGE049
为小波的尺度因子，
Figure 996421DEST_PATH_IMAGE050
为小波的位移因子。输出层的输出表达式为：
Figure 333992DEST_PATH_IMAGE051
其中，
Figure 885059DEST_PATH_IMAGE052
为输出层和隐藏层之间的连接权。神经网络输出的标准误差函数为：
Figure 90913DEST_PATH_IMAGE053
本发明实施例根据小波神经网络结构创建一个5-10-1三层神经网络训练模型。其中输入层神经元个数为5个，与PCA降维后的网络故障数据特征个数相等，隐藏层神经元个数为10个， 输出层神经元数为1。
步骤四，IGWO（Improved Grey Wolf Optimizer改进的灰狼优化器）参数优化。
需要优化的参数个数Q满足如下条件：
Figure 457041DEST_PATH_IMAGE054
其中，
Figure 621306DEST_PATH_IMAGE055
分别是神经网络的输入层、隐含层和输出层的神经元个 数。根据本发明实施例5-10-1的三层神经网络模型可知，需要优化的参数数量为82个。
确定适应度计算函数：
Figure 456407DEST_PATH_IMAGE056
其中， obse表示实际样本类别值，pred表示代入狼群位置后小波神经网络的计算值。
依据每个灰狼个体的适应度值来确定狼群等级 α、β、δ和ω。将狼群中根据适应度值由小到大进行排序，第一个最小的灰狼个体作为头狼α，第二个体作为头狼β，第三个体作为头狼δ，其余的均为普通狼ω。对于每个灰狼个体，根据α、β、δ狼的位置更新自己的位置，并将新位置的适应度值与α、β、δ的位置适应度值比较，若新位置的适应度值更小，则保留新位置及其适应度值。不断迭代更新个体，达到迭代次数后，停止更新。此时头狼α的位置，就是优化的小波神经网络权值、尺度因子、位移因子。详细过程如下：
（4.1）灰狼个体将α、β、δ狼的位置假想为猎物的位置，并分别根据α、β、δ狼的位置更新自己的位置。该过程的数学表达式如下：
Figure 200372DEST_PATH_IMAGE058
其中，
Figure 188050DEST_PATH_IMAGE059
是α、β、δ狼与灰狼个体之间的距离；
Figure 319955DEST_PATH_IMAGE060
为灰狼个体分别根据α 狼、β狼、δ狼的位置更新的位置；
Figure 517718DEST_PATH_IMAGE061
为第 m 次迭代后α狼、β狼、δ狼的位置，
Figure 439275DEST_PATH_IMAGE062
是第m代灰狼个体的位置；C1、C2、C3、A1、A2、A3为协同系数，协同系数C和A的计算公式分别为：
Figure 406094DEST_PATH_IMAGE063
其中，
Figure 771216DEST_PATH_IMAGE064
和
Figure 190696DEST_PATH_IMAGE065
为区间[0,1]的随机数，s 是随迭代次数增加从2非线性递减到0的常 数，
Figure 682989DEST_PATH_IMAGE066
为优化算法的最大迭代次数。
（4.2）通过α狼、β狼、δ狼的位置来确定猎物的位置，灰狼个体根据α、β、δ的位置来更新自己的位置，并再次定位猎物的位置。
Figure 504314DEST_PATH_IMAGE067
其中，
Figure 40338DEST_PATH_IMAGE068
分别为α狼、β狼、δ狼的位置，
Figure 524278DEST_PATH_IMAGE069
分别为灰狼个体对α狼、β狼、 δ狼的更新权重。灰狼位置更新公式为：
Figure 413736DEST_PATH_IMAGE070
步骤五，神经网络训练。
将IGWO优化得到的α狼位置作为小波神经网络的连接权重值、小波尺度
Figure 479781DEST_PATH_IMAGE071
以及 位移因子
Figure 875121DEST_PATH_IMAGE072
。输入经过预处理后的网络故障数据，通过小波神经网络计算估计值和误差， 并根据估计值与实际值间的误差，反向调整连接权重值、小波尺度
Figure 393827DEST_PATH_IMAGE071
以及位移因子
Figure 86977DEST_PATH_IMAGE072
。不 断迭代更新参数直至达到最大迭代次数，输出并保存训练模型。
增加了动量因子
Figure 256796DEST_PATH_IMAGE073
后的权值修正公式为:
Figure 9988DEST_PATH_IMAGE074
其中，
Figure 15991DEST_PATH_IMAGE075
为网络训练的学习率，
Figure 512831DEST_PATH_IMAGE076
分别代表第t次迭代时神经网络 的
Figure 100938DEST_PATH_IMAGE077
。
步骤六，输入待诊断网络数据，实现网络故障诊断，并输出故障诊断结果及具体故障类别。
本发明实施例的数据采集自某网络系统中正常与故障的数据，数据包含Dos等四种故障类别。实验从中随机选取1万条故障数据以及1万条正常数据构成实验数据集，其中75%的数据用于神经网络训练，其余的数据用于测试。实验中，狼群数量设置为100，优化迭代次数为30次，小波神经网络迭代次数为50次，学习率为0.1。
图7（A-1）、图7（A-2）、图7（B-1）、图7（B-2）、图7（C-1）和图7（C-2）为本发明采用的参数优化方法（IGWO）与GWO（Grey Wolf Optimizer灰狼优化算法）优化方法在三种测试函数下的收敛曲线图。可以得出，无论是在单峰函数还是多峰函数上，本发明采用的IGWO参数优化方法在收敛精度和速度上均有明显优势。
图8（A）、图8（B）、图8（C）、图8（D）、图8（E）和表2描述了本发明方法与原WNN网络故障诊断模型在30次实验下的诊断结果。
表2 IGWO-WNN模型与WNN模型三十次实验的结果对比表
Figure 759453DEST_PATH_IMAGE078
由图8（A）、图8（B）、图8（C）、图8（D）和图8（E）可知，本发明在整体诊断准确率和对故障样本的诊断错误率上波动较小，整体趋于平缓，而传统的WNN模型在诊断结果上会出现波动较大的尖锐点，这是因为WNN模型通过随机选取的方式来初始化模型参数，不同的初始参数可能导致神经网络训练收敛于不同的局部最优点，从而使模型的诊断结果波动较大。而本发明方法由于采用改进的灰狼算法对神经网络初始参数进行优化，一定程度上避免了初始参数的随机性，使得小波神经网络训练收敛于全局最优点。实验结果表明，本发明的网络故障诊断方法在故障诊断准确性与稳定性方面具有较大的优越性，能够有效解决神经网络因初始参数随机、易陷入局部最优导致的网络故障诊断准确性及稳定性低的问题。
图9为本发明的网络故障诊断设备硬件模块示意图，用于执行本发明实例提供的网络故障诊断方法。网络故障诊断设备主要由计算模块、存储模块、输入模块和输出模块组成。其中，计算模块包括处理器及系统存储器。所述计算模块是网络故障诊断的核心，完成模型的训练及故障诊断。
存储模块用于存储网络故障数据及诊断过程中产生的历史故障模型，通过调用存储设备中的数据，实现网络故障诊断。此外，存储设备的规格需满足大容量数据的读写要求，保证设备在处理大规模网络故障数据时，可以快速有序运转。
输入模块主要用于接受实时故障数据，输出模块主要用于显示故障诊断结果。
图10为本发明的网络故障诊断方法的软件模块示意图。软件模块分为网络故障数据获取模块、预处理模块、参数优化模块、训练模块及诊断模块。其中，数据预处理模块用于原始网络故障数据的数值化、压缩和过滤，统一数据类型，去除故障数据中存在的大量冗余信息；参数优化模块，用于优化相关诊断模型的参数；训练模块，用于神经网络训练，形成历史故障数据诊断模型；诊断模块：主要用于实时网络故障数据的诊断，形成诊断报告。
本发明提供的计算机可读存储介质，存储包括上述网络故障诊断程序及历史故障数据诊断模型，所述故障诊断程序及历史故障数据诊断模型由计算模块加载并执行，从而实现网络故障的实时诊断。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于小波神经网络的网络故障诊断方法，其特征在于，包括步骤如下：
S1，获取故障状态和正常状态下的网络数据；
S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；
S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；
S4,输入实时网络状态数据，判断网络是否出现故障；
S5,输出网络故障诊断结果及具体故障类别。
2.根据权利要求1所述的基于小波神经网络的网络故障诊断方法，其特征在于，所述步骤S3中，小波神经网络模型的建立过程如下：
设定有P组训练数据，N个输入层神经元数，M个输出层神经元数，则第p个样本输入为
Figure 584626DEST_PATH_IMAGE001
；
第k个隐含层的输出为
Figure 168054DEST_PATH_IMAGE002
，其中，
Figure 214508DEST_PATH_IMAGE003
为morlet小波函数，
Figure 730940DEST_PATH_IMAGE004
为输入 层和第k个隐藏层之间的连接权重，
Figure 57010DEST_PATH_IMAGE005
为小波的尺度因子，
Figure 393313DEST_PATH_IMAGE006
为小波的位移因子；
输出层的输出表达式为：
Figure 977878DEST_PATH_IMAGE007
其中，
Figure 83238DEST_PATH_IMAGE008
为输出层和隐藏层之间的连接权重， p、n、m为整数，
Figure 95056DEST_PATH_IMAGE009
；
小波神经网络输出的标准误差函数为：
Figure 167923DEST_PATH_IMAGE010
其中，
Figure 290600DEST_PATH_IMAGE011
为第p个样本输出，
Figure 516045DEST_PATH_IMAGE012
为第p个样本期望输出。
3.根据权利要求2所述的基于小波神经网络的网络故障诊断方法，其特征在于，所述步骤S3中，改进的灰狼优化算法实现过程如下：
S31,根据选择的神经网络模型，确定需要优化的参数数量Q满足条件如下：
Figure 698764DEST_PATH_IMAGE013
其中，
Figure 744081DEST_PATH_IMAGE014
是神经网络输入层的神经元个数，
Figure 421181DEST_PATH_IMAGE015
是神经网络隐含层的神经元个数，
Figure 501132DEST_PATH_IMAGE016
是神经网络输出层的神经元个数；
S32，确定适应度计算函数：
Figure 854753DEST_PATH_IMAGE017
其中，P为输入样本个数，obse表示实际样本类别值，pred表示代入狼群位置后小波神经网络的计算值；
S33，依据每个灰狼个体的适应度值来确定狼群等级 α、β、δ和ω，将狼群中根据适应度值由小到大进行排序，第一个最小的灰狼个体作为头狼α，第二个体作为头狼β，第三个体作为头狼δ，其余的均为普通狼ω；对于每个灰狼个体，根据α、β、δ狼的位置更新自己的位置，并将新位置的适应度值与α、β、δ的位置适应度值比较，若新位置的适应度值更小，则保留新位置及其适应度值；不断迭代更新个体，达到迭代次数后，停止更新，此时，头狼α的位置，作为优化的小波神经网络权值、尺度因子、位移因子；实现过程如下：
S331，灰狼个体将α、β、δ狼的位置假想为猎物的位置，并分别根据α、β、δ狼的位置更新自己的位置，该更新过程的表达式如下：
Figure 652945DEST_PATH_IMAGE018
其中，
Figure 117424DEST_PATH_IMAGE019
分别为第 m 次迭代后α、β、δ狼的位置，
Figure 566729DEST_PATH_IMAGE020
是第m代灰狼的 位置，
Figure 91251DEST_PATH_IMAGE021
是α、β、δ狼与灰狼之间的距离，
Figure 111160DEST_PATH_IMAGE022
为灰狼ω分别根据头狼α、β、δ的 位置更新的位置；C1、C2、C3、A1、A2、A3为协同系数，协同系数C和A的计算公式分别为：
Figure 379330DEST_PATH_IMAGE024
其中，
Figure 433874DEST_PATH_IMAGE025
和
Figure 880030DEST_PATH_IMAGE026
为区间[0,1]的随机数，s 是随迭代次数增加从2非线性递减到0的常数，
Figure 387235DEST_PATH_IMAGE027
为优化算法的最大迭代次数；
S332，灰狼个体根据α、β、δ来更新自己的位置，并再次定位猎物的位置；具体表达式如下：
Figure 459096DEST_PATH_IMAGE028
其中，
Figure 102567DEST_PATH_IMAGE029
分别为α狼、β狼、δ狼的位置，
Figure 234471DEST_PATH_IMAGE030
分别为ω狼对α狼、β狼、δ狼的 更新权重；
灰狼位置更新公式为：
Figure 963393DEST_PATH_IMAGE031
其中，
Figure 88212DEST_PATH_IMAGE032
为第m代灰狼的更新位置。
4.根据权利要求3所述的基于改进小波神经网络的网络故障诊断方法，其特征在于，所 述步骤S3中，增加了动量因子
Figure 851769DEST_PATH_IMAGE033
后的权值修正公式为:
Figure 888995DEST_PATH_IMAGE034
其中，
Figure 105213DEST_PATH_IMAGE035
为网络训练的学习率，
Figure 518877DEST_PATH_IMAGE036
分别代表第t次迭代时神 经网络的
Figure 887672DEST_PATH_IMAGE037
。
5.一种基于小波神经网络的网络故障诊断设备，其特征在于，主要包括计算模块、存储模块、输入模块、输出模块和软件模块；
所述计算模块包括处理器及系统存储器，完成权利要求1-4中任一项所述网络故障诊断模型的训练及故障诊断；
所述存储模块用于存储网络故障数据及诊断过程中产生的历史故障模型，通过调用存储设备中的数据，实现网络故障诊断；此外，存储设备的规格需满足大容量数据的读写要求，保证设备在处理大规模网络故障数据时，能快速有序运转；
所述输入模块用于接受实时故障数据，输出模块用于显示故障诊断结果；
所述软件模块包括数据获取模块、数据预处理模块、参数优化模块、训练模块和故障诊断模块；所述数据预处理模块用于原始网络故障数据的数值化、压缩和过滤，统一数据类型，去除故障数据中存在的大量冗余信息；所述参数优化模块用于优化相关诊断模型的参数；所述训练模块用于神经网络训练，形成历史故障数据诊断模型；所述诊断模块用于实时网络故障数据的诊断，形成诊断报告。
6.一种基于小波神经网络的网络故障诊断存储介质，用于存储程序，其特征在于，执行所述程序以实现权利要求1-4中任一项所述网络故障诊断方法。
CN202111479699.0A 2021-12-07 2021-12-07 基于小波神经网络的网络故障诊断方法、设备及存储介质 Active CN113923104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111479699.0A CN113923104B (zh) 2021-12-07 2021-12-07 基于小波神经网络的网络故障诊断方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111479699.0A CN113923104B (zh) 2021-12-07 2021-12-07 基于小波神经网络的网络故障诊断方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113923104A true CN113923104A (zh) 2022-01-11
CN113923104B CN113923104B (zh) 2022-03-11

Family

ID=79248694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111479699.0A Active CN113923104B (zh) 2021-12-07 2021-12-07 基于小波神经网络的网络故障诊断方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113923104B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742289A (zh) * 2022-03-31 2022-07-12 大连理工大学 一种面向生产工艺参数的高斯过程稳健优化方法
CN114997217A (zh) * 2022-05-18 2022-09-02 合肥工业大学 一种基于rfid传感标签及igwo-elm的变压器故障诊断方法
CN115051864A (zh) * 2022-06-21 2022-09-13 郑州轻工业大学 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN115081483A (zh) * 2022-07-01 2022-09-20 淮阴工学院 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法
CN115277354A (zh) * 2022-07-29 2022-11-01 南京信息工程大学 一种面向指挥控制网络管理系统的故障检测方法
CN115936166A (zh) * 2022-09-28 2023-04-07 海南电网有限责任公司 一种电能表检定误差分析预测方法
CN116109897A (zh) * 2023-04-14 2023-05-12 中国科学院自动化研究所 基于空域图像融合的机器鱼传感器故障检测方法及装置
CN116405368A (zh) * 2023-06-02 2023-07-07 南京信息工程大学 一种高维不平衡数据条件下的网络故障诊断方法、系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132596A (zh) * 2019-04-24 2019-08-16 昆明理工大学 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法
CN110907732A (zh) * 2019-12-04 2020-03-24 江苏方天电力技术有限公司 基于pca-rbf神经网络的调相机故障诊断方法
CN111191727A (zh) * 2019-12-31 2020-05-22 北京建筑大学 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质
US20200271720A1 (en) * 2020-05-09 2020-08-27 Hefei University Of Technology Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation
CN111709524A (zh) * 2020-07-03 2020-09-25 江苏科技大学 一种基于改进gwo算法的rbf神经网络优化方法
CN113188794A (zh) * 2021-04-29 2021-07-30 东北电力大学 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132596A (zh) * 2019-04-24 2019-08-16 昆明理工大学 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法
CN110907732A (zh) * 2019-12-04 2020-03-24 江苏方天电力技术有限公司 基于pca-rbf神经网络的调相机故障诊断方法
CN111191727A (zh) * 2019-12-31 2020-05-22 北京建筑大学 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质
US20200271720A1 (en) * 2020-05-09 2020-08-27 Hefei University Of Technology Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation
CN111709524A (zh) * 2020-07-03 2020-09-25 江苏科技大学 一种基于改进gwo算法的rbf神经网络优化方法
CN113188794A (zh) * 2021-04-29 2021-07-30 东北电力大学 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FEIBO JIANG等: "Designing a Mixed Multilayer Wavelet Neural Network for Solving ERI Inversion Problem With Massive Amounts of Data: A Hybrid STGWO-GD Learning Approach", 《IEEE TRANSACTIONS ON CYBERNETICS ( EARLY ACCESS )》 *
傅蔚阳等: "基于灰狼算法与小波神经网络的目标威胁评估", 《浙江大学学报(工学版)》 *
随遇而安_5241: "小波神经网络", 《简书 HTTPS://WWW.JIANSHU.COM/P/C9A30700063E》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742289A (zh) * 2022-03-31 2022-07-12 大连理工大学 一种面向生产工艺参数的高斯过程稳健优化方法
CN114742289B (zh) * 2022-03-31 2024-08-16 大连理工大学 一种面向生产工艺参数的高斯过程稳健优化方法
CN114997217A (zh) * 2022-05-18 2022-09-02 合肥工业大学 一种基于rfid传感标签及igwo-elm的变压器故障诊断方法
CN115051864B (zh) * 2022-06-21 2024-02-27 郑州轻工业大学 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN115051864A (zh) * 2022-06-21 2022-09-13 郑州轻工业大学 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN115081483A (zh) * 2022-07-01 2022-09-20 淮阴工学院 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法
CN115277354A (zh) * 2022-07-29 2022-11-01 南京信息工程大学 一种面向指挥控制网络管理系统的故障检测方法
CN115936166A (zh) * 2022-09-28 2023-04-07 海南电网有限责任公司 一种电能表检定误差分析预测方法
CN115936166B (zh) * 2022-09-28 2024-06-04 海南电网有限责任公司 一种电能表检定误差分析预测方法
CN116109897A (zh) * 2023-04-14 2023-05-12 中国科学院自动化研究所 基于空域图像融合的机器鱼传感器故障检测方法及装置
CN116109897B (zh) * 2023-04-14 2023-08-15 中国科学院自动化研究所 基于空域图像融合的机器鱼传感器故障检测方法及装置
CN116405368B (zh) * 2023-06-02 2023-08-22 南京信息工程大学 一种高维不平衡数据条件下的网络故障诊断方法、系统
CN116405368A (zh) * 2023-06-02 2023-07-07 南京信息工程大学 一种高维不平衡数据条件下的网络故障诊断方法、系统

Also Published As

Publication number Publication date
CN113923104B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN113923104B (zh) 基于小波神经网络的网络故障诊断方法、设备及存储介质
WO2021128510A1 (zh) 基于sdae和改进gwo-svm的轴承缺陷识别方法
CN109800875A (zh) 基于粒子群优化和降噪稀疏编码机的化工故障检测方法
CN113203566B (zh) 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN109389171B (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN113255848A (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN114048769A (zh) 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法
CN111353373A (zh) 一种相关对齐域适应故障诊断方法
Zhang et al. A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data
CN113705396B (zh) 一种电机故障诊断方法、系统及设备
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN114037001A (zh) 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法
CN115051864B (zh) 基于pca-mf-wnn的网络安全态势要素提取方法及系统
CN115587543A (zh) 基于联邦学习和lstm的刀具剩余寿命预测方法及系统
Liu et al. A rotor fault diagnosis method based on BP-Adaboost weighted by non-fuzzy solution coefficients
CN116628592A (zh) 一种基于改进型生成式对抗网络的动设备故障诊断方法
CN113409213B (zh) 柱塞泵故障信号时频图降噪增强方法和系统
CN117110446A (zh) 识别车轴疲劳裂纹声发射信号方法
CN116702839A (zh) 一种基于卷积神经网络的模型训练方法及应用系统
CN115587301A (zh) 一种基于动态交互的模糊互信息特征选择方法
Yang et al. Intelligent fault diagnosis of bearing based on stacked denoising autoencoders
CN116405368B (zh) 一种高维不平衡数据条件下的网络故障诊断方法、系统
Cai et al. Inductive conformal out-of-distribution detection based on adversarial autoencoders
Lim et al. Analyzing deep neural networks with noisy labels
Cernazanu-Glavan et al. A model for determining the number of negative examples used in training a MLP

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220111

Assignee: NANJING ELECTRIC POWER AUTOMATION EQUIPMENT THIRD FACTORY Co.,Ltd.

Assignor: Nanjing University of Information Science and Technology

Contract record no.: X2023980047114

Denomination of invention: Network fault diagnosis method, equipment, and storage medium based on wavelet neural network

Granted publication date: 20220311

License type: Common License

Record date: 20231115