CN117560267B - 一种多模场域网的故障诊断方法及快速恢复方法 - Google Patents
一种多模场域网的故障诊断方法及快速恢复方法 Download PDFInfo
- Publication number
- CN117560267B CN117560267B CN202410042165.9A CN202410042165A CN117560267B CN 117560267 B CN117560267 B CN 117560267B CN 202410042165 A CN202410042165 A CN 202410042165A CN 117560267 B CN117560267 B CN 117560267B
- Authority
- CN
- China
- Prior art keywords
- fault
- fault diagnosis
- diagnosis model
- trained
- key performance
- 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 126
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000011084 recovery Methods 0.000 title claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 102100039358 3-hydroxyacyl-CoA dehydrogenase type-2 Human genes 0.000 claims description 3
- 101001035740 Homo sapiens 3-hydroxyacyl-CoA dehydrogenase type-2 Proteins 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- GBFLZEXEOZUWRN-VKHMYHEASA-N S-carboxymethyl-L-cysteine Chemical compound OC(=O)[C@@H](N)CSCC(O)=O GBFLZEXEOZUWRN-VKHMYHEASA-N 0.000 description 6
- 229960004399 carbocisteine Drugs 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- H04L41/0636—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 based on a decision tree analysis
-
- 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
- H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种多模场域网的故障诊断方法及快速恢复方法，故障诊断方法包括从多模场域网仿真平台上获取多组故障数据，每组故障数据包括故障类型和各关键性能指标的仿真值；对各组故障数据的各关键性能指标的仿真值进行归一化处理；采用特征选择算法对归一化处理后的各组故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标；通过各目标性能指标的仿真值和故障类型训练得到故障诊断模型，通过训练好的故障诊断模型进行高效准确的故障诊断；快速恢复方法包括构建多模场域网的故障快速恢复的知识图谱，在得到故障类型诊断结果后，通过知识图谱获取故障解决办法，从而实现故障快速恢复。
Description
技术领域
本发明涉及一种多模场域网的故障诊断方法及快速恢复方法，属于通信网络技术领域。
背景技术
多模深度覆盖场域网被称为“多模式，深覆盖场域网”，是一种以无线与电力线载波为传输媒介，融合高速电力线载波、微功率无线、低功耗无线等通信方式，可扩展接入Zigbee、蓝牙、WiFi、LoRa等多种协议设备，实现深度覆盖的本地异构通信网络，支撑多样化的设备连接和服务需求，与传统的物联网技术相比，完全是一种全新的通信标准。但是在MuCoFAN网络实际运行的过程中，会存在一定的故障，严重影响了网络的正常运行和用户的体验程度。因此为了解决此问题，相关人员要加强对MuCoFAN网络故障原因的分析，提出针对性的解决措施，提高MuCoFAN网络的应用效果。由于该网络特殊的组织形式，传统的网络故障管理模型无法适应MuCoFAN网络环境，在拓扑变化或是管理节点失效情况下，传统的故障管理模型无法正常工作。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种多模场域网的故障诊断方法及快速恢复方法，解决传统的故障管理模型无法适应MuCoFAN网络环境的技术问题。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种多模场域网的故障诊断方法，包括：
从多模场域网上获取各目标性能指标的实际值，并进行归一化处理；
将归一化处理后的所述实际值输入训练好的故障诊断模型，获取故障类型诊断结果；
其中，所述故障诊断模型的训练包括：
从多模场域网仿真平台上获取多组故障数据，每组所述故障数据包括故障类型和各关键性能指标的仿真值；
对各组所述故障数据的各关键性能指标的仿真值进行归一化处理；
采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标；
将每组所述故障数据的故障类型和各目标性能指标的仿真值组成样本，并生成样本集；
将所述样本集按照预设比例划分成训练集、验证集和测试集；
通过所述训练集、验证集和测试集对所述故障诊断模型进行训练。
可选的，所述关键性能指标的种类包括参考信号接收质量、参考信号接收强度、网络平均丢包率、平均跳数、平均信噪比、网络吞吐量、在网节点数量、在网链路数量、网络冗余性、节点介数方差、网络平均时延、RRC 建立成功率、ERAB 建立成功率、掉话率、切换成功率、切换时延。
可选的，所述故障类型包括：
节点损坏故障，当前场域网中超过30%的节点损坏；
节点信号故障，当前场域网中超过30%的节点接收信号强度低于预设强度阈值；
链路中断故障，当前场域网中超过30%的链路中断；
网络拥塞故障，当前场域网中超过30%的节点持续发送数据量大于预设数据量阈值；
管理系统故障，管理系统参数配置错误。
可选的，所述采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标包括：
通过XGBoost算法计算各关键性能指标的第一权重值，取所述第一权重值中的最大值记为，将满足/>的关键性能指标保留，生成第一预选集合；其中，/>为第/>个关键性能指标的第一权重值，/>为预设第一系数；
通过Relief算法计算各关键性能指标的第二权重值，取所述第二权重值中的最大值记为，将满足/>的关键性能指标保留，生成第二预选集合；其中，为第/>个关键性能指标的第二权重值，/>为预设第二系数；
将同属于所述第一预选集合和所述第二预选集合的关键性能指标作为目标性能指标。
可选的，所述通过所述训练集、验证集和测试集对所述故障诊断模型进行训练包括：
构建基于CNN的第一故障诊断模型和基于GCN的第二故障诊断模型；
通过所述训练集和验证集分别对所述第一故障诊断模型和所述第二故障诊断模型进行训练和验证，获取训练好的第一故障诊断模型和第二故障诊断模型；
通过所述测试集分别对训练好的所述第一故障诊断模型和所述第二故障诊断模型进行测试，获取测试结果；
取测试结果优的训练好的所述第一故障诊断模型或所述第二故障诊断模型进行测试，作为训练好的故障诊断模型。
第二方面，本发明提供了一种多模场域网的故障诊断装置，所述装置包括：
数据预处理模块，用于从多模场域网上获取各目标性能指标的实际值，并进行归一化处理；
故障诊断模块，用于将归一化处理后的所述实际值输入训练好的故障诊断模型，获取故障类型诊断结果；
模型训练模块，用于训练所述故障诊断模型的训练，包括：
从多模场域网仿真平台上获取多组故障数据，每组所述故障数据包括故障类型和各关键性能指标的仿真值；
对各组所述故障数据的各关键性能指标的仿真值进行归一化处理；
采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标；
将每组所述故障数据的故障类型和各目标性能指标的仿真值组成样本，并生成样本集；
将所述样本集按照预设比例划分成训练集、验证集和测试集；
通过所述训练集、验证集和测试集对所述故障诊断模型进行训练。
第三方面，本发明提供了一种电子设备，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
第五方面，本发明提供了一种多模场域网的故障快速恢复方法，包括：
构建多模场域网的故障快速恢复的知识图谱；
采用如上述的故障诊断方法，获取故障类型诊断结果；
将所述故障类型诊断结果带入所述知识图谱查找相应的故障产生原因和故障解决措施。
可选的，所述构建多模场域网的故障快速恢复的知识图谱包括：
获取多模场域网的网络信息，对所述网络信息进行知识抽取获取三元组数据；各所述三元组数据的结构为{实体1、关系、实体2}，所述实体1为故障类型；所述关系为故障产生原因时，所述实体2为故障产生原因的内容；所述关系为故障解决措施时，所述实体2为故障解决措施的内容；
将各所述三元组数据转换为键值对形式：{实体1：[关系、实体2]}，基于所述键值对将所述实体1和所述实体2作为知识图谱中的节点，将所述关系作为知识图谱中的边，生成知识图谱的拓扑结构。
与现有技术相比，本发明所达到的有益效果：
本发明提供了一种多模场域网的故障诊断方法及快速恢复方法，利用了深度学习优秀的数据拟合特性和知识图谱，得到了一个准确的故障诊断模型和一个针对该故障应急处理的知识图谱；通过故障诊断模型进行故障类型诊断，再通过知识图谱对故障类型进行匹配获取故障产生原因和故障解决措施，能够有效的适应于MuCoFAN网络环境下的故障诊断和快速恢复；为相关工作人员的工作提供便利。
附图说明
图1是本发明实施例提供的多模场域网的故障诊断方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1所示，本发明实施例提供了一种多模场域网的故障诊断方法，包括：
一、前置步骤，故障诊断模型的训练：
步骤S101、从多模场域网仿真平台上获取多组故障数据，每组故障数据包括故障类型和各关键性能指标的仿真值；
在本实施方式中，故障类型包括：
节点损坏故障，当前场域网中超过30%的节点损坏；
节点信号故障，当前场域网中超过30%的节点接收信号强度低于预设强度阈值；
链路中断故障，当前场域网中超过30%的链路中断；
网络拥塞故障，当前场域网中超过30%的节点持续发送数据量大于预设数据量阈值；
管理系统故障，管理系统参数配置错误。
在本实施方式中，关键性能指标的种类包括参考信号接收质量、参考信号接收强度、网络平均丢包率、平均跳数、平均信噪比、网络吞吐量、在网节点数量、在网链路数量、网络冗余性、节点介数方差、网络平均时延、RRC 建立成功率、ERAB 建立成功率、掉话率、切换成功率、切换时延。
在其他可选的实施方式中，故障类型和关键性能指标的种类不限于以上所述内容。
步骤S102、对各组故障数据的各关键性能指标的仿真值进行归一化处理；
归一化处理的表达式为：
；
式中，为第/>个关键性能指标的第/>个仿真值，/>为第/>个关键性能指标/>中仿真值的最小值和最大值，/>为/>的归一化处理结果。
步骤S103、采用特征选择算法对归一化处理后的各组故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标；具体包括：
（1）、通过XGBoost算法计算各关键性能指标的第一权重值，取第一权重值中的最大值记为，将满足/>的关键性能指标保留，生成第一预选集合；其中，/>为第/>个关键性能指标的第一权重值，/>为预设第一系数；
（2）、通过Relief算法计算各关键性能指标的第二权重值，取第二权重值中的最大值记为，将满足/>的关键性能指标保留，生成第二预选集合；其中，为第/>个关键性能指标的第二权重值，/>为预设第二系数；
（3）、将同属于第一预选集合和第二预选集合的关键性能指标作为目标性能指标。
XGBoost算法，即 极端梯度提升（eXtreme Gradient Boosting），是基于梯度增强决策树（Gradient Boosting Decision Tree，GBDT）的改进算法，在计算速度、泛化性能和可扩展性等方面都得到了提升。以任一关键性能指标为例，求取其第一权重值的过程包括：
通过XGBoost算法构建个决策树，其目标函数/>为：
；
；
；
式中，为损失函数，/>分别为关键性能指标的第/>个仿真值的真实标签和预测标签，标签即故障类型；/>为仿真值的数量；/>为正则化项，用来限制决策树中叶子节点的个数，防止算法出现过拟合的现象。/>为第/>个决策树，/>为第/>个决策树的叶子节点总数，/>为学习率，/>为正则化参数，/>为第/>个决策树的第/>个叶子节点上的权重值；
目标函数的优化过程描述的就是XGBoost算法的训练过程。
令为第/>个决策树的最优解，目标函数/>在/>处的二阶泰勒展开式为：
；
式中，为第/>个叶子节点的损失函数的一阶导数与二阶导数的求和结果：
；
；
在训练过程中，每次叶子节点在分裂时都会计算，进而可以计算叶子节点的增益：
；
式中，为叶子节点分裂前的/>值，/>分别代表叶子节点分裂后的左/右叶子节点上的/>值，/>为叶子节点分裂前的/>值，/>分别代表叶子节点分裂后的左/右叶子节点上的/>值；
将得到的所有叶子节点的增益求和，获取关键性能指标的总增益，并作为第一权重值。
Relief算法是一种特征权重算法(Feature weighting algorithms)，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。以任一关键性能指标为例，求取其第二权重值的过程包括：
设置样本抽样次数l，与近邻样本数量k，将样本的特征权重初始化为0；
从关键性能指标的仿真值中随机选取一个样本R，和样本R故障种类相同的
样本中寻找k个最近邻样本E，和样本R故障种类不相同的样本中寻找k个最近邻样本F，更新特征权重：
；
式中，为样本R的故障种类，/>为故障种类的选择概率，/>为和样本R故障种类相同的最近邻样本中的第/>个，/>为和样本R故障种类不相同的故障种类/>的最近邻样本中的第/>个，/>为特征，即关键性能指标；
表示样本/>与/>在特征/>上的欧式距离：
；
式中，为特征/>中的样本/>与/>，/>为特征/>中的样本最大值和最小值；连续和离散属于特征/>的自身属性，只能取有限个值，就是离散的，能取无限个值，就是连续的。
将最终更新得到的特征权重作为第二权重值。
在本实施方式中，经过上述方法获取的目标性能指标为参考信号接收强度、网络平均丢包率、平均跳数、平均信噪比、网络吞吐量、在网节点数量、在网链路数量、网络冗余性、节点介数方差、网络平均时延。
参考信号接收强度：它描述了下行链路中接收到的信号强度。多模感知网络规定无线节点的RSSI范围为-120dBm到-10dBm之间，载波节点的RSSI范围是20dBm到120dBm之间。
网络平均丢包率：是指丢包的数量与发送的包总数的比率。这个度量对于确定网络的状态非常重要。
平均跳数：本发明定义为所有尾端节点到达头端的跳数与所有尾端节点到头端节点路径个数的比值。
平均信噪比：是衡量网络性能好坏的一个重要指标，信噪比越高越好，信噪比越高，信号中杂波越少，网络性能越好。反之，就越差。
网络吞吐量：定义为单位时间下载或者上传的数据量。
在网节点数量：指一个多模感知网络中尾端节点和头端节点的数量之和。
在网链路数量：指一个多模感知网络中电力线载波链路和无线线路的数量之和。
网络冗余性：本发明定义为每个尾端平均有多少条独立路径到头端。
节点介数方差：本发明定义为所有尾端到头端路径的路径经过某节点的路径个数与所有尾端到头端的路径个数的比率。
网络平均时延：通常指发送到接收之间的时间间隔，网络出现时延的情况时，可以从网络拓扑、网络中的业务模型、传输资源等方面考虑问题出现的原因，本发明考虑网络平均时延。
步骤S104、将每组故障数据的故障类型和各目标性能指标的仿真值组成样本，并生成样本集，即故障类型作为真实标签。
步骤S105、将样本集按照预设比例划分成训练集、验证集和测试集；一般设置的比例为7:3:1，根据需要也可以调整。
步骤S106、通过训练集、验证集和测试集对故障诊断模型进行训练，具体包括以下步骤：
（1）构建基于CNN的第一故障诊断模型和基于GCN的第二故障诊断模型；
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。GCN（图卷积神经网络) 类似CNN（卷积神经网络），只不过CNN用于二维数据结构，GCN用于图数据结构知识图谱是利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代算法。它可以把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来，揭示知识领域的动态发展规律，为学科研究提供切实的、有价值的参考。
（2）通过训练集和验证集分别对第一故障诊断模型和第二故障诊断模型进行训练和验证，获取训练好的第一故障诊断模型和第二故障诊断模型；
（3）通过测试集分别对训练好的第一故障诊断模型和第二故障诊断模型进行测试，获取测试结果；
（4）取测试结果优的训练好的第一故障诊断模型或第二故障诊断模型进行测试，作为训练好的故障诊断模型。
通过相关实验测试，本实施例最终得到第一故障诊断模型和第二故障诊断模型的准确率数据，如表1和表2所示：
表1：第一故障诊断模型的准确率数据
| 迭代次数 | 30 | 120 | 210 | 300 | 390 | 480 | 570 |
| 准确率 | 0.287 | 0.775 | 0.962 | 0.988 | 0.988 | 0.988 | 0.988 |
| 损失函数 | 1.409 | 1.212 | 0.913 | 0.603 | 0.347 | 0.188 | 0.111 |
表2：第二故障诊断模型的准确率数据
| 迭代次数 | 30 | 120 | 210 | 300 | 390 | 480 | 570 |
| 准确率 | 0.287 | 0.712 | 0.775 | 0.925 | 0.988 | 0.993 | 0.993 |
| 损失函数 | 1.4 | 1.268 | 1.028 | 0.714 | 0.454 | 0.324 | 0.222 |
从表1-2中可知，表1的准确率能够达到0.988，表2的准确率能够达到0.993，因此，第一故障诊断模型的准确率略低于第二故障诊断模型，因此将第二故障诊断模型作为选择结果。
二、执行步骤，故障诊断方法：
步骤S1、从多模场域网上获取各目标性能指标的实际值，并进行归一化处理；
步骤S2、将归一化处理后的实际值输入训练好的故障诊断模型，获取故障类型诊断结果。
实施例二：
基于实施例一提供的故障诊断方法，本发明实施例提供了一种多模场域网的故障诊断装置，装置包括：
数据预处理模块，用于从多模场域网上获取各目标性能指标的实际值，并进行归一化处理；
故障诊断模块，用于将归一化处理后的实际值输入训练好的故障诊断模型，获取故障类型诊断结果；
模型训练模块，用于训练故障诊断模型的训练，包括：
从多模场域网仿真平台上获取多组故障数据，每组故障数据包括故障类型和各关键性能指标的仿真值；
对各组故障数据的各关键性能指标的仿真值进行归一化处理；
采用特征选择算法对归一化处理后的各组故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标；
将每组故障数据的故障类型和各目标性能指标的仿真值组成样本，并生成样本集；
将样本集按照预设比例划分成训练集、验证集和测试集；
通过训练集、验证集和测试集对故障诊断模型进行训练。
实施例三：
基于实施例一提供的故障诊断方法，本发明实施例提供了一种电子设备，包括处理器及存储介质；
存储介质用于存储指令；
处理器用于根据指令进行操作以执行根据上述方法的步骤。
实施例四：
基于实施例一提供的故障诊断方法，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
实施例五：
基于实施例一提供的故障诊断方法，本发明实施例提供了一种多模场域网的故障快速恢复方法，包括：
步骤S201、构建多模场域网的故障快速恢复的知识图谱；
步骤S202、采用如上述的故障诊断方法，获取故障类型诊断结果；
步骤S203、将故障类型诊断结果带入知识图谱查找相应的故障产生原因和故障解决措施。
具体的，构建多模场域网的故障快速恢复的知识图谱包括：
获取多模场域网的网络信息，对网络信息进行知识抽取获取三元组数据；各三元组数据的结构为{实体1、关系、实体2}，实体1为故障类型；关系为故障产生原因时，实体2为故障产生原因的内容；关系为故障解决措施时，实体2为故障解决措施的内容；
将各三元组数据转换为键值对形式：{实体1：[关系、实体2]}，基于键值对将实体1和实体2作为知识图谱中的节点，将关系作为知识图谱中的边，生成知识图谱的拓扑结构。例如：{网络拥塞故障:：[故障产生原因、用户量激增导致通信容量不足]}，表示造成网络拥塞的原因是用户量激增导致通信容量不足。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种多模场域网的故障诊断方法，其特征在于，包括：
从多模场域网上获取各目标性能指标的实际值，并进行归一化处理；
将归一化处理后的所述实际值输入训练好的故障诊断模型，获取故障类型诊断结果；
其中，所述故障诊断模型的训练包括：
从多模场域网仿真平台上获取多组故障数据，每组所述故障数据包括故障类型和各关键性能指标的仿真值；
对各组所述故障数据的各关键性能指标的仿真值进行归一化处理；
采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标；
将每组所述故障数据的故障类型和各目标性能指标的仿真值组成样本，并生成样本集；
将所述样本集按照预设比例划分成训练集、验证集和测试集；
通过所述训练集、验证集和测试集对所述故障诊断模型进行训练；
其中，所述采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标包括：
通过XGBoost算法计算各关键性能指标的第一权重值，取所述第一权重值中的最大值记为，将满足/>的关键性能指标保留，生成第一预选集合；其中，/>为第/>个关键性能指标的第一权重值，/>为预设第一系数；
通过Relief算法计算各关键性能指标的第二权重值，取所述第二权重值中的最大值记为，将满足/>的关键性能指标保留，生成第二预选集合；其中，/>为第/>个关键性能指标的第二权重值，/>为预设第二系数；
将同属于所述第一预选集合和所述第二预选集合的关键性能指标作为目标性能指标；
其中，所述通过所述训练集、验证集和测试集对所述故障诊断模型进行训练包括：
构建基于CNN的第一故障诊断模型和基于GCN的第二故障诊断模型；
通过所述训练集和验证集分别对所述第一故障诊断模型和所述第二故障诊断模型进行训练和验证，获取训练好的第一故障诊断模型和第二故障诊断模型；
通过所述测试集分别对训练好的所述第一故障诊断模型和所述第二故障诊断模型进行测试，获取测试结果；
取测试结果优的训练好的所述第一故障诊断模型或所述第二故障诊断模型进行测试，作为训练好的故障诊断模型。
2.根据权利要求1所述的多模场域网的故障诊断方法，其特征在于，所述关键性能指标的种类包括参考信号接收质量、参考信号接收强度、网络平均丢包率、平均跳数、平均信噪比、网络吞吐量、在网节点数量、在网链路数量、网络冗余性、节点介数方差、网络平均时延、RRC 建立成功率、ERAB 建立成功率、掉话率、切换成功率、切换时延。
3.根据权利要求1所述的多模场域网的故障诊断方法，其特征在于，所述故障类型包括：
节点损坏故障，当前场域网中超过30%的节点损坏；
节点信号故障，当前场域网中超过30%的节点接收信号强度低于预设强度阈值；
链路中断故障，当前场域网中超过30%的链路中断；
网络拥塞故障，当前场域网中超过30%的节点持续发送数据量大于预设数据量阈值；
管理系统故障，管理系统参数配置错误。
4.一种多模场域网的故障诊断装置，其特征在于，所述装置包括：
数据预处理模块，用于从多模场域网上获取各目标性能指标的实际值，并进行归一化处理；
故障诊断模块，用于将归一化处理后的所述实际值输入训练好的故障诊断模型，获取故障类型诊断结果；
模型训练模块，用于训练所述故障诊断模型的训练，包括：
从多模场域网仿真平台上获取多组故障数据，每组所述故障数据包括故障类型和各关键性能指标的仿真值；
对各组所述故障数据的各关键性能指标的仿真值进行归一化处理；
采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标；
将每组所述故障数据的故障类型和各目标性能指标的仿真值组成样本，并生成样本集；
将所述样本集按照预设比例划分成训练集、验证集和测试集；
通过所述训练集、验证集和测试集对所述故障诊断模型进行训练；
其中，所述采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理，获取各目标性能指标包括：
通过XGBoost算法计算各关键性能指标的第一权重值，取所述第一权重值中的最大值记为，将满足/>的关键性能指标保留，生成第一预选集合；其中，/>为第/>个关键性能指标的第一权重值，/>为预设第一系数；
通过Relief算法计算各关键性能指标的第二权重值，取所述第二权重值中的最大值记为，将满足/>的关键性能指标保留，生成第二预选集合；其中，/>为第/>个关键性能指标的第二权重值，/>为预设第二系数；
将同属于所述第一预选集合和所述第二预选集合的关键性能指标作为目标性能指标；
其中，所述通过所述训练集、验证集和测试集对所述故障诊断模型进行训练包括：
构建基于CNN的第一故障诊断模型和基于GCN的第二故障诊断模型；
通过所述训练集和验证集分别对所述第一故障诊断模型和所述第二故障诊断模型进行训练和验证，获取训练好的第一故障诊断模型和第二故障诊断模型；
通过所述测试集分别对训练好的所述第一故障诊断模型和所述第二故障诊断模型进行测试，获取测试结果；
取测试结果优的训练好的所述第一故障诊断模型或所述第二故障诊断模型进行测试，作为训练好的故障诊断模型。
5.一种电子设备，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-3任一项所述方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-3任一项所述方法的步骤。
7.一种多模场域网的故障快速恢复方法，其特征在于，包括：
构建多模场域网的故障快速恢复的知识图谱；
采用如权利要求1-3中任一项所述的故障诊断方法，获取故障类型诊断结果；
将所述故障类型诊断结果带入所述知识图谱查找相应的故障产生原因和故障解决措施。
8.根据权利要求7所述的多模场域网的故障快速恢复方法，其特征在于，所述构建多模场域网的故障快速恢复的知识图谱包括：
获取多模场域网的网络信息，对所述网络信息进行知识抽取获取三元组数据；各所述三元组数据的结构为{实体1、关系、实体2}，所述实体1为故障类型；所述关系为故障产生原因时，所述实体2为故障产生原因的内容；所述关系为故障解决措施时，所述实体2为故障解决措施的内容；
将各所述三元组数据转换为键值对形式：{实体1：[关系、实体2]}，基于所述键值对将所述实体1和所述实体2作为知识图谱中的节点，将所述关系作为知识图谱中的边，生成知识图谱的拓扑结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042165.9A CN117560267B (zh) | 2024-01-11 | 2024-01-11 | 一种多模场域网的故障诊断方法及快速恢复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042165.9A CN117560267B (zh) | 2024-01-11 | 2024-01-11 | 一种多模场域网的故障诊断方法及快速恢复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117560267A CN117560267A (zh) | 2024-02-13 |
| CN117560267B true CN117560267B (zh) | 2024-03-26 |
Family
ID=89813305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410042165.9A Active CN117560267B (zh) | 2024-01-11 | 2024-01-11 | 一种多模场域网的故障诊断方法及快速恢复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117560267B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117880055B (zh) * | 2024-03-12 | 2024-05-31 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
| CN111340248A (zh) * | 2020-02-27 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种基于智能集成算法的变压器故障诊断方法及系统 |
| CN113850017A (zh) * | 2021-08-27 | 2021-12-28 | 国家电网有限公司 | 一种基于潮流变化图谱的系统级故障分析系统及方法 |
| CN116910574A (zh) * | 2022-11-29 | 2023-10-20 | 元始智能科技(南通)有限公司 | 基于元学习和时间卷积网络的机械设备诊断方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220207354A1 (en) * | 2020-12-31 | 2022-06-30 | X Development Llc | Analog circuits for implementing brain emulation neural networks |
-
2024
- 2024-01-11 CN CN202410042165.9A patent/CN117560267B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
| CN111340248A (zh) * | 2020-02-27 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种基于智能集成算法的变压器故障诊断方法及系统 |
| CN113850017A (zh) * | 2021-08-27 | 2021-12-28 | 国家电网有限公司 | 一种基于潮流变化图谱的系统级故障分析系统及方法 |
| CN116910574A (zh) * | 2022-11-29 | 2023-10-20 | 元始智能科技(南通)有限公司 | 基于元学习和时间卷积网络的机械设备诊断方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117560267A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200374720A1 (en) | Method for Detecting Abnormal Data in Sensor Network | |
| CN117560267B (zh) | 一种多模场域网的故障诊断方法及快速恢复方法 | |
| CN104396188B (zh) | 用于对移动网络性能问题进行根本原因分析的系统和方法 | |
| CN110348615B (zh) | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 | |
| CN108366386B (zh) | 一种使用神经网络实现无线网络故障检测的方法 | |
| CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
| CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
| CN113422695B (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
| CN110147911A (zh) | 一种基于内容感知的社交影响力预测模型及预测方法 | |
| CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
| CN114268981A (zh) | 网络故障检测与诊断方法及系统 | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| WO2022021420A1 (zh) | 一种根因定位方法及装置、电子设备 | |
| CN101237357B (zh) | 工业无线传感器网络故障在线检测方法 | |
| CN114513470A (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
| CN115545479A (zh) | 一种配电网重要节点或重要线路的确定方法及装置 | |
| CN117692940B (zh) | 一种基于微波链路的微波系统性能检测方法 | |
| CN105471624A (zh) | 一种通信设备接入终端通信接入网的综合评价方法 | |
| CN113660687B (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
| CN113112126B (zh) | 基于人工智能的供水管漏损预警方法及系统 | |
| CN115705282A (zh) | 小区网络异常检测方法、装置及计算机可读存储介质 | |
| CN116908606A (zh) | 基于人工智能算法的电网故障定位方法和系统 | |
| CN110233684B (zh) | 信噪比评估方法、装置、设备及存储介质 | |
| CN117376084A (zh) | 故障检测方法、电子设备及其介质 | |
| CN118473910B (zh) | 基于边云协同的电力物联网故障检测方法及系统 |
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 |