前言：中文期刊網精心挑選了網絡故障診斷范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
網絡故障診斷范文1
關鍵詞:故障診斷;故障定位;專家系統;神經網絡;貝葉斯網絡
中圖分類號:TP393文獻標識碼:A文章編號:1009-3044(2009)31-pppp-0c
Summary on Network Fault Diagnosis Key Technologies
ZHANG Yan
(Suzhou Vocational University, Suzhou 215104, China)
Abstract: As the network failure is inevitable, which requires to manage the network. However, network fault information is usually shown by the complexity and uncertainty of the characteristics, it is necessary for accurate fault detection and location is very difficult, especially the fault location. Focus on the analysis of the fault location based on the principle, introduced artificial intelligence technology such as expert systems, neural networks and Bayesian networks, and the symptoms of failure to carry out the causal link between the reasoning of the fault location technology.
Key words: fault diagnosis; fault localization; expert system; neural network; bayesian network
隨著計算機和網絡應用的深入,計算機網絡已經成為現代社會必不可少的基礎設施。然而,計算機網絡是一個復雜的綜合系統,網絡故障不可避免,這就需要行之有效的網絡故障診斷技術,來實現對網絡故障的檢測、定位并排除,確保網絡的穩定和暢通。
傳統的網絡故障診斷主要是依據發生故障時的網絡故障信息,通過專門的網絡分析儀和網絡操作系統中的故障診斷工具以及網絡的輪循與告警等方法獲取故障信息,然后根據故障信息,網絡專家分析和判斷來找出產生故障的原因。網絡的故障診斷是一個典型的多層多類分類問題,通常采用分層診斷的方法[1],沿著OSI七層模型從物理層開始向上進行逐層診斷,直到網絡恢復正常工作為止。
然而,隨著網絡規模的急劇擴大和結構的日趨復雜,傳統的依靠網絡專家以人工方式進行的故障診斷已經不能滿足需要了。研究開發出一套具備準確的診斷以及分析處理復雜、不確定問題能力的智能故障診斷技術已成為當務之急,這也是現在網絡故障管理領域研究的熱點[2]。
1 網絡故障診斷概述
通常網絡故障診斷過程包括三個階段[3]:
1) 故障檢測。故障檢測是對網絡系統的不正常信號進行處理的過程,這些不正常信號來源于網絡組件的故障或功能失調。故障檢測是用來確定故障源的一個重要手段。
2) 故障定位,也稱為故障隔離,或事件/告警關聯。根據觀察到的故障癥狀推理出故障所在的精確位置的過程,故障定位的核心部件是事件關聯,即把與同一個源故障相關的告警進行分組。
3) 故障測試,也稱為故障確認。故障定位得到了系統失效的故障假設之后,需要進行進一步的測試來確認故障,然后進行恢復操作,如重啟軟件系統或更換失效的硬件組件等。
當前網絡故障診斷的研究主要集中在故障診斷的第二階段――故障定位,這是網絡故障診斷的關鍵技術,也是網絡故障診斷的難點所在[2-4]。
網絡故障定位的核心技術是事件關聯技術。其基本思想是通過關聯多個事件為某單一概念事例來過濾不必要的或不相關的事件,為網絡管理員提供事件信息更精簡的視圖,以準確、快速的識別故障源。
由于故障具有傳播性,單個故障會產生大量的網絡告警,在多個故障同時發生時,情況變得更加復雜。故障定位就是要在故障產生時,把告警事件進行關聯,分離并推斷出故障源的準確位置。但是網絡故障定位的主要困難卻是來自于得到的告警信息太多而不是信息的缺少。而且網絡的不可靠性和不確定性,使故障定位變得更加復雜而困難。其主要表現在[4]:
1) 故障證據可能是模糊的、不一致的和不完整的;
2) 得到的系統知識可能包含不確定信息;
3) 多個不相關的故障可能同時發生產生重疊的告警消息;
4) 存在多個不同的故障假設能夠解釋觀察到的故障癥狀;
5) 在大型系統中,利用單個管理應用程序對系統進行故障定位以及對可用知識庫進行維護在計算上通常是不可行的;
6) 事件之間不僅存在因果關系,通常還存在時間相關性。
針對上述難點,主要的解決方法是引入人工智能技術,進行自動故障定位,以實現智能化的故障診斷。目前用于網絡故障定位的人工智能技術主要有:專家系統、神經網絡和貝葉斯網絡等。
2 故障定位技術
2.1 基于專家系統的故障定位技術
故障診斷中應用最廣泛的人工智能技術是專家系統,專家系統通過模仿人類專家在解決特定領域時的行為來解決問題?；趯＜蚁到y的故障定位技術根據故障診斷領域的專家知識和經驗,通過模擬人類專家做出決策的過程,達到解決復雜系統故障診斷的目的。
專家系統由知識庫、推理機、知識獲取、解釋界面等四部組成,其中知識庫用來存放相關領域專家提供的專門知識。在故障檢測診斷專家系統的知識庫中,存儲了某個對象的故障征兆、故障模式、故障成因、故障排除意見等內容,這些知識是診斷的基礎。專家系統知識庫的知識,可以是從經驗中獲得的表面知識,也可以是通過理解系統行為的工作原理而得到的深層知識。推理機的功能是根據一定的推理策略從知識庫中選取有關的知識,對用戶提供的證據進行推理,直到得出相應的結論為止。
根據專家系統所使用知識結構的不同,解決故障定位問題的技術可分為以下幾種:
1) 基于規則的推理技術
基于規則的推理(Rule-based Reason,RBR)是最簡單的關聯技術,己被用于HP Open View Element Management構架。通常,基于規則的系統有三個組成部分:(1) 推理引擎,包含解決問題的策略;(2)知識庫,包括與特定問題有關的規則,規則是指出在什么情況下采取什么措施;(3) 工作存儲區,包含需要處理的問題數據。
在RBR的事件關聯系統中,知識庫的專家知識是網絡中的問題定義。工作存儲區包括被監控網絡的拓撲和狀態信息,工作存儲區用來識別網絡是否出現不完善的狀態。推理引擎根據知識庫的信息,將當前的狀態與規則的左側相比較,查找出最相似的匹配,然后輸出規則的右側。
2) 基于模型的推理技術
基于模型的推理(Model-based Reason,MBR)是現有網絡故障管理系統中應用最廣泛的一種技術。該方法充分利用現有的系統知識,為具體的現實系統建立對應的抽象系統模型,再根據系統模型對系統行為進行預測,并將預測的行為與觀察到的系統實際行為進行比較,然后再對預測的行為和實際行為間的不一致進行診斷。在基于模型的推理系統中,系統模型一般都提供網絡拓撲、部件故障和告警之間的條件關系等信息。
3) 基于范例的推理技術
范例是指一段帶有上下文信息的知識,該知識表達了推理機在達到其目標的過程中能起到關鍵作用的經驗?；诜独耐评?Case-based Reason,CBR)根據過去的實際經驗或經歷,對現有的問題做出相應的決策?；诜独耐评砑夹g的推理過程可以分為4個部分,分別為檢索(Retrieve)、復用(Reuse)、修正(Revise)、保存(Retain),簡稱4R過程。其中Retrieve過程從范例庫中檢索與問題匹配度最大的范例,Reuse過程使用歷史范例來解決所提出的問題,Revise過程在必要時修正提出的解決方案,Retain過程將新的解決方案作為一個新范例保存到范例庫中。
2.2 基于神經網絡的故障定位技術
神經網絡能夠處理復雜模型,具有聯想、記憶、推理和抑制噪聲能力,而且信息處理很快,能存儲大量的知識。神經網絡能夠高效地辨識給定模式,具有自學習能力;神經網絡能夠通過聯想能力處理不確定、不完整數據,因此神經網絡很適合于用于解決故障診斷問題。神經網絡只要輸入的模式接近于訓練樣本,系統就能進行推理。神經網絡克服了專家系統中如果規則沒有完全匹配,則會退出專家系統的缺點。神經網絡還可以運用遺傳算法進行優化,提高神經網絡的性能。
目前神經網絡有兩種診斷模式:
1) 離線診斷:這種診斷模式將學習和系統運行分開。當系統出現故障時,把故障信息或現象輸入神經網絡,神經網絡通過自組織和自學習,輸出故障解決方案。
2) 在線診斷:將神經網絡和系統直接相連,讓系統自動獲得故障信息和現象,然后由神經網絡內部進行自組織和自學習,把學習過程和運行過程合二為一。
文獻[5]提出一種基于粗糙集神經網絡的網絡故障診斷算法,將知識系統技術應用于鏈路層故障診斷中,針對故障診斷問題的需要,構建一個故障診斷知識庫;針對知識庫中可能存在的知識規則冗余問題,提出基于粗糙集理論的知識庫規則約簡方案,降低知識規則的冗余度;由于診斷問題的實質是一種映射,將神經網絡模型引入故障診斷系統,用一種前饋型網絡來逼近這種映射關系,神經網絡的學習樣本來自于知識庫中的知識規則,實現對網絡故障的分類。
2.3 基于貝葉斯網絡的故障定位技術
貝葉斯網絡是處理不確定性問題的新方法,代替了人工智能和專家系統。利用貝葉斯網絡進行告警關聯是當前研究的一個熱點[6],貝葉斯網絡的一個很重要功能就是能根據概率理論在原因和結果之間進行不確定性推理。通過貝葉斯網絡來分析通信網絡中的告警相關性,可以克服告警時間的不確定性基于貝葉斯網絡的故障診斷方法中,通過模擬被管理網絡系統的主要組件間的因果關系使不確定性知識模型化。
貝葉斯網絡可以定義為一個三元組(V,L,P),V是有向非循環圖中的結點集,L是結點之間的因果鏈集,表示它們之間的因果關系,P是概率集,即P = {p(υ|π(υ)) |υ∈V},π(υ)是υ的父結點,表示一個變量對另一個變量的影響程度。 V由故障集F = {f1, f2, …, fm}和癥狀集S = {s1, s2, …, sn}組成。P= {p(si | fj) | si∈S, fj∈F, i=1, 2, …, n, j=1, 2, …, m}。這里,一個癥狀可能被多個故障引發,一個故障可能引發多個故障。假設模型是完備的,即,若用Fsi表示所有可能引起癥狀si的故障集合,如果Fsi中的故障都沒發生,那么癥狀si一定不會出現,反之,如果出現癥狀si,那么Fsi中至少有一個故障發生。(下轉第8677頁)
(上接第8669頁)
2.4 故障定位技術分析
基于專家系統的故障診斷方法,知識的獲取和知識庫的構建比較困難,開發成本比較高。每種相關性分析方法在實際中都有應用,單純地使用某一種關聯方法構建的告警相關性分析工具經常會顧此失彼,最終使系統不是缺乏學習能力,就是邏輯推理能力不足,難以適應網絡發展的需要。
基于神經網絡的故障診斷方法中,對神經網絡進行訓練的工作量非常大。神經網絡的適應性也比較差,不能自動適應網絡環境的變化?；诖植诩窠浘W絡的故障診斷方法,將模糊控制技術和神經網絡技術相結合,雖然結合了兩者的優勢,但實現起來就比較困難。
基于貝葉斯網絡的故障診斷方法可用來對不確定和不完整信息中的將來可能發生的故障作出推理以提供有效的預測。盡管此方法具有許多優點,但是在實際的環境中獲取先驗知識比較困難,限制了其應用。而且隨著網絡的復雜度增加,貝葉斯網絡本身的復雜度呈指數級數增加,所以其計算量非常大?；谪惾~斯網絡的不確定性推理技術己被證明為NP難題。因此,使用貝葉斯網絡進行網絡故障定位的技術還有待于改進。
此外,除了上述網絡故障定位技術,還有基于數據挖掘的網絡故障定位技術、基于Petri網的網絡故障定位技術和基于有限狀態機的網絡故障定位技術等方法。
3 小結
網絡故障智能診斷和精確定位相當復雜的問題,靠單一技術很難圓滿解決,只有多種技術的融合集成處理故障信息,才能實現高效而精確的網絡故障定位。本文在研究網絡故障診斷技術的基礎上,重點對網絡故障智能診斷核心技術――故障定位進行了深入的研究,介紹了基于專家系統、神經網絡和貝葉斯網絡的故障定位技術,為進一步深入研究高效智能故障診斷技術,最終實現網絡故障的主動預防打下基礎。
參考文獻:
[1] Greg Tomsho.網絡維護和故障診斷指南站[M].曉蘇,譯.北京:清華大學出版社,2003.
[2] Breitbart Y,Garofalakis M, Jai B.Topology discovery in heterogeneous IP networks: the net inventory system[J].IEEE/ACM Transactions on Networking,2004,12 (3):465-476.
[3] ANSI T1.215 OAM&P-Fault Management Messages for Interface between Operations Systems and Network Elements,1994.
[4] 鄭秋華.網絡故障智能診斷關鍵技術研究[D].杭州:浙江大學,2007.
網絡故障診斷范文2
關鍵詞：終端網絡； 故障診斷； 效益
Abstract: with the special line access scale are still growing, it is difficult to through the traditional site maintenance or focus on training methods to solve, therefore, exploring a new solutions to solve the special line fault is very necessary. Based on the user terminal network fault diagnosis system is of it this way can implement the development system, users through the system can quickly terminal malfunction of pretreatment, and greatly reduce the maintenance personnel's workload.
Keywords: terminal network; Fault diagnosis; benefit
中圖分類號：TN711文獻標識碼：A 文章編號：
1、 課題研究建立
1.1、 問題提出
隨著通信運營商業務的快速發展，專線接入的規模不斷擴大，專線故障次數日趨增多，導致專線故障率逐步增加。隨著電信重組全業務運營帶來的契機，如果專線用戶故障居高不下，將直接影響公司今后數據業務的發展。由于專線接入點主要為全市各渠道營業廳，特別是鄉鎮營業廳分散，偏遠，人員流動性大，素質參差不齊，隨著業務的快速發展，各營業廳的專線接入規模將不斷擴大，很難通過傳統的現場維護或集中培訓等方法解決，因此，探索一種解決專線故障的新的解決方案非常必要。
1.2、 問題分析
根據某地市運營商提取了專線用戶發展情況和故障情況，并按照故障點所在位置進行了分類統計。用戶端故障是造成專線故障次數不斷增加的主要原因，用戶端故障占每月專線故障總數80%以上并成呈逐月增長趨勢。通過以上8個月的故障統計，我們得出了每月的平均故障及占比。
我們對用戶端的故障原因進行了分類統計，結果發現用戶端人為故障占用戶端故障次數的80%左右，是造成用戶端故障次數不斷增加的根本原因。我們得到故障占比月均值，作出如下餅圖：
對之前的《故障維護記錄表》進行了討論分析，發現用戶端大部分故障都是可以通過用戶自身簡單處理就能恢復的，于是我們對用戶在遇到常見故障的處理能力上提出了質疑，帶著這一問題，對100個曾出現過故障的專線用戶進行了常見故障處理能力調查，發現由于專線用戶各方面基礎知識薄弱，造成了用戶自身原因的故障次數多，因此提升專線用戶診斷常見故障的技能，將會是降低專線用戶自身操作問題造成的故障次數的關鍵。
2、 設定目標
2.1、 總體目標
探索出一種幫助用戶診斷網絡故障的新方法，有效減少用戶端自身操作故障次數，從而有效解決專線故障問題。
2.2、 目標值
將專線故障率由35%降低到15%以下。
3、 確定最佳解決方案
3.1、 提出可能的方案
解決目前的問題可以有以下三種截然不同的方法來幫助用戶診斷及處理人為故障，整理親和圖，得到三種可行的方案，轉換成樹圖：
3.2、 從三種方案中進行測試優選
（圖3-2：專線傳輸設備系統）
方案一：基于傳輸設備的網絡故障診斷系統
抽取了50個專線用戶，進行了基站端至用戶端的傳輸監控，對其一個月內的故障原因進行分類統計，通過分析得出，若這50個專線用戶被納入傳輸設備系統，經驗證其人為故障恢復比為78.26%。
結論：該系統可對專線用戶傳輸設備進行實時監控，能有效定位網絡故障源的大概位置，方便維護人員指導專線用戶進行故障處理。該系統部署需要大量硬件設備支撐，需要對整條鏈路的設備進行統一。
方案二：基于網管監控的網絡故障診斷系統
抽取50個專線用戶，進行了機房端至基站端的傳輸監控，對其一個月內的故障原因進行分類統計，通過分析得出，若這50個專線用戶被納入網管監控系統，經驗證其人為故障恢復比為69.57%。
結論：該系統可以對專線故障做出及時的反應，當一條鏈路出現中斷時，網管系統會及時告警，顯示哪條專線中斷，維護人員可以很快響應。每次出現故障后，維護人員會馬上與專線用戶取得聯系，電話指導用戶對故障進行判斷和處理，由于很多故障由用戶自身原因所致，維護人員工作量較大。
方案三：基于用戶終端的網絡故障診斷系統
抽取了50個專線用戶，進行了用戶端自身的傳輸監控，對其一個月內的故障原因進行分類統計，通過分析得出，若這50個專線用戶被納入用戶終端系統，經驗證其人為故障恢復比為82.61%。
結論：該系統集成了常用的DOS命令測試工具和終端設備故障判斷方法，對用戶判斷終端故障具有指導意義，用戶通過系統能方便快捷地對終端故障進行預處理。大大降低了維護人員的工作量，用戶滿意度較高。
根據上述的分析和試驗結果，對比分析各種方案如下表所示：
表3-1：三大方案對比表
方案 描述 優點 缺點 結論
基于傳輸設備的網絡故障診斷系統 在機房放置一臺監控終端，對整條專線鏈路設備進行統一更換 1、維護人員能快速診斷故障并對其進行處理。
2、技術要求不高。 1、成本昂貴，每條專線需要1000元對設備進行更換。
2、部分用戶端造成的故障還得不到解決。 故障恢復比78.26%。
效果較明顯，但成本太大。
基于網管監控的網絡故障診斷系統
在機房放置一臺終端電腦和一臺服務器，安裝基于網管的診斷系統 1、可對全網進行全天監控。
2、對中斷專線用戶信息反饋及時。 1、維護人員事務較多，每天約2/3時間與用戶溝通。2、由于用戶素質參差不齊，不能及時解決問題。
3、系統開發技術要求較高。 故障恢復比69.57%。
效果欠佳
基于用戶終端的網絡故障診斷系統 在每個用戶端可任找一臺普通的Windows系統終端機進行安裝 1、維護人員工作量降低。
2、用戶可以自己診斷并解決大多數專線終端故障 1、需對每條專線的終端安裝診斷系統，初次安裝工作量較大。
2、系統開發技術要求高。 故障恢復比82.61%。
從源頭解決問題
效果顯著
結論：由上述比較，最佳方案：研發基于用戶終端的網絡故障診斷系統。
4、 制定對策表并實施
網絡故障診斷范文3
摘 要：該報告總結了2014年度觀測網絡故障診斷與遠程維護系統的技術研究和系統研制進展情況，在2013年度技術研究和試驗測試的基礎上，該年度重點進行了系統的優化設計、系統內的集成測試以及參與大系統的陸上集成聯試。觀測網絡故障診斷與遠程維護系統由光學故障診斷分系統、電學故障診斷分系統和岸站故障診斷管理軟件三個部分組成。2014年度的主要工作和取得的技術進展包括：（1）完成詳細設計報告評審：2014年7月，在成都組織召開了課題詳細設計報告評審會，7名業內專家參會，一致認為該詳細設計可作為本課題系統設計實現的依據。（2）修改完善系統內部和外部接口設計：主要是岸站故障診斷管理軟件與電學故障診斷分系統之間的數據接口（系統內部接口）、岸站故障診斷管理軟件與岸基運行控制管理系統（清華大學承研，系統外部接口）。（3）修改完善室內檢測大綱，完成系統聯調測試：在2013年擬制的室內檢測大綱基礎上，重點針對岸站故障診斷管理軟件的功能進行了細化與調整，并進行了多次室內測試。（4）制定陸上集成聯試大綱，初步完成與其他系統的集成調試。按照總體單位的安排，于10月10日進場，在江蘇南通中天科技海纜廠房，進行了系統自檢測試以及與岸基運行控制系統、主次接駁盒和各類傳感器的聯調測試。
關鍵詞：故障診斷 接口設計 系統調試 陸上集成聯試 網絡 管理軟件
Abstract： This report describes the research and design work in 2014 of “Observing Network Malfunction Diagnosis and Remote Maintanence System” project. The main progress made in this year includes revisions of system design and implementation， thorough test of the integrated system and test of the whole system on land on the basis of researches made in 2013. The system composes of three parts： optical malfucntion diagnosis subsystem， electrical malfucntion diagnosis subsystem and offshore malfucntion diagnosis and maintanence software. The main work includes：（1）System detailed design conference was held in Chengdu， Sichuan. Seven experts were invited to attend the meeting and the design is allowed to act as the guide of the following system implementation.（2）Revisions of internal and external interface of software and hardware modules have been made， including those between electrical malfucntion diagnosis subsystem and offshore malfucntion diagnosis and maintanence software （internal interface）， offshore malfucntion diagnosis and maintanence software and offshore maintanence software （external interface）.（3）Revisions of test guide in labotory have been made and several system tests have been carried out. The main work focuses on the adjustment of offshore malfucntion diagnosis and maintanence software.（4）Inter-system test guide is written and we take part in the inter-system test held in Nantong， Jiangsu. System self-tests have been implemented and tests between our system and offshore maintanence software， interface nodes and sensors have been made.
Key Words： Malfunction diagnosis； Interface design； System test in lab； Inter-system test
閱讀全文鏈接（需實名注冊）：http：///xiangxiBG.aspx？id=88582&flag=1
網絡故障診斷范文4
關鍵詞:粗糙集; 信息熵; 離散化; 神經網絡; 故障診斷
中圖分類號:TP212文獻標志碼:A
Fault diagnosis of BP neural network based on
rough set and information entropy
WANG Faxing1, SHEN Yonghong2
(1. Tongda College, Nanjing Univ. of Post & Telecommunications, Nanjing 210046, China;
2. School of Mathmatics & Statistics, Tianshui Normal Univ., Tianshui Gansu 741000, China)
Abstract: Rough set can only process quantization data, and the ability of fault-tolerant and generalization is weak, meanwhile, BP neural network has the dimension disaster problem. So a rough set attribute discretization method based on information entropy is proposed. The attribute is reduced to solve the dimension disaster problem of BP neural network. BP neural network is used to deal with the pattern classification to make up for the shortcoming brought by attribute reduction. The example result shows that the method has better performance for fault diagnosis.
Key words: rough set; information entropy; discretization; neural network; fault diagnosis
收稿日期:2009-05-08修回日期:2009-08-28
作者簡介: 王發興(1981―),男,甘肅武威人,講師,碩士,研究方向為小波分析和計算機仿真等,(E-mail)
0引言
粗糙集理論是PAWLAK教授于20世紀80年代提出的1種新的處理模糊和不確定性知識的數學工具,具有無須提供除問題所需處理的數據集合之外的任何先驗信息,僅根據觀測數據刪除冗余信息,比較不完整知識的程度――粗糙度、屬性間的依賴性和重要性來抽取分類規則等的能力,其主要思想就是在保持系統分類能力不變的前提下,通過知識約簡,導出問題的決策或分類規則.目前,粗糙集理論已被廣泛應用于機器學習、決策分析、模式識別與數據挖掘、故障診斷等領域.[1]
粗糙集模式識別的核心思想是首先導出問題的決策或分類規則,然后以此構成識別器對待識樣本數據進行識別.當待識樣本數據滿足分類規則的條件時都會得到準確的識別結果,但當條件不滿足時往往會有識別錯誤或不能識別的現象發生,其容錯能力和推廣能力相對較弱.BP神經網絡是神經網絡中最具代表性的1種,具有較強的模式分類能力,且容錯能力和推廣能力相對較好.但當網絡維數較大或輸入樣本較多時,網絡訓練時間過于冗長.鑒于以上分析,在文獻[1]中給出基于信息熵的屬性離散化方法的基礎上,本文克服粗糙集和BP神經網絡各自用于模式識別時的缺點,將兩者加以結合,從而建立1種基于新的離散化算法的粗糙集和BP神經網絡故障診斷識別模型,以期在故障診斷識別中能取得更好的應用效果.
1粗糙集理論和信息熵
1.1粗糙集理論
1.1.1知識表達系統和決策系統
定義1在粗糙集理論[2-7]中,知識表達系統被定義為1個四元組S=(U,A,V,f).其中U={x,x2,…,xn}為對象的非空有限集合,也稱為論域;A={a1,a2,…,am}為屬性的非空有限集合;V為屬性值域,V=∪a∈AVa;f:U×AV為一信息函數,表示對每一a∈A,x∈U,f(x,a)∈Va.當上述知識表達系統中屬性A=C∪D,C∩D=Φ,其中C為條件屬性集,D為決策屬性集時,也稱知識表達系統為決策系統.該系統通常采用決策表表達.[2-5]
1.1.2不可分辨關系
不可分辨關系是粗糙集理論中的1個重要概念.在決策表中,描述對象的屬性是1種不精確信息,這種不精確信息造成對象之間是不可分辨或不分明的,觀察這種不可分辨關系的對象正是粗糙集理論研究的出發點.
定義2S為知識表達系統,若PA,則定義屬性集P的不可區分關系ind(P)為:
ind(P)={(x,y)∈U×U,a∈P,f(x,a)=
f(y,a)}(1)
如果(x,y)∈ind(P),則稱x和y是P不可分辨的.不可分辨關系實際上是1種等價關系,具有不可分辨關系的對象是屬性值完全相同的對象.符號U/P表示不可分辨關系ind(P)在U上導出的劃分,稱ind(P)中的等價類為P基本類.
1.1.3粗糙集的下近似、上近似及正域
定義3令XU,R是U上的1個等價關系.當X為R的某些等價類的并時,稱X是R可定義的,否則稱X是R不可定義的.稱R可定義集為R精確集,稱R不可定義集為R粗糙集.粗糙集可以用兩個精確集,即粗糙集的下近似和上近似描述.其定義[3-6]如下:R-(X)=∪{YU/R|Y∩X≠Φ}(2)
R-(X)=∪{YU/R|YX}(3)其中,也稱POSR(X)=R-(X)為X的R正域.
1.1.4屬性約簡
在決策表中,不同的條件屬性具有不同的重要程度,一些屬性可提供豐富的信息,對產生決策起著至關重要的作用,而其他一些屬性卻似乎可有可無.因此,可以在保證決策表具有正確分類能力的同時,對條件屬性進行約簡,去掉不必要的冗余信息.這就涉及到對屬性約簡的問題,其定義[3-4,6-7]如下:
定義4對于一給定的知識表達系統S=(U,A,V,f),條件屬性C的約簡是C的1個非空子集P.它滿足:(1)a∈P,a都是D不可省略的;(2)POSP(D)=POSC(D),則稱P是C的1個約簡.
1.2信息熵
信息熵可表征信源整體的統計特征,是總體平均不確定性的量度.對于某一特定的信息源,其信息熵就只有1個,不同的信息源,因統計特性不同,其熵也不同.SHANNON定義自信息的數學期望為信息熵,即信息源的平均信息量H(X)=E[-log P(xi)]=-Ni=1P(xi)log P(xi)(4)式中:P(xi)表示事件xi發生的先驗概率.
給定知識表達系統S和U為論域,P為U上的等價關系,令U/P={X1,X2,…,Xn},記P(Xi)=|Xi||U|,則依據式(4),可定義知識P的熵[8]為:H(P)=-ni=1P(Xi)log P(Xi)(5)2BP神經網絡結構及BP算法
2.1BP神經網絡結構
BP神經網絡是指具有非線性傳遞函數神經元構成的、采用誤差反向傳播算法(BP算法)的前饋網絡,在各領域有廣泛的應用.[9-10]該網絡通常由輸入層、隱層(一層或多層)和輸出層組成,層與層之間多采用全互聯方式,同一層單元之間不存在相互連接,層間的連接權值和節點的閾值通過學習調節.理論上已證明,1個單隱層BP網絡可以實現任意維到維的非線性連續映射,而且各節點均采用Sigmoid函數時,1個隱含層就足以實現任意判別分類問題.[11]常見的3層BP網絡模型結構見圖1.圖 13層BP神經網絡模型
2.2BP算法
BP算法是建立在梯度下降法基礎上的適合于多層神經元網絡的1種網絡學習算法,主要思想是將學習過程分為2個階段[8]:第1階段(正向傳播過程),給出輸入信息通過輸入層經隱含層逐層處理并計算每個單元的實際輸出值;第2階段(反向過程),若在輸出層未能得到期望的輸出值,則逐層遞歸地計算實際輸出與期望輸出之差值(即誤差),以便根據此差調節權值,就是可對每個權重計算出接受單元的誤差值與發送單元的激活值的積.因為該積與誤差對權重的(負)微商成正比,將其稱作權重誤差微商.權重的實際改變可由權重誤差微商逐個模式地計算出來,即它們可以在該組模式上進行累加.
3故障診斷模型
3.1基于信息熵的粗糙集屬性離散化方法
對于決策表S=(U,C∪D,V,f),對每個連續型條件屬性a∈C,論域中其有限個屬性值經過排序后為la=va0
對于斷點cai,決策屬性值為j(j=1,2,…,r(d))的實例中,屬于集合X且屬于a的值又小于斷點值cai的實例個數記為lXj(cai),大于斷點cai的實例個數記為rXj(cai),令lX(cai)=r(d)j=1lXj(cai)rX(cai)=r(d)j=1rXj(cai)(7)因此,斷點cai可以將集合X分成兩個子集Xl和Xr,且有H(Xl)=-r(d)j=1pj log2pj, pj=lXj(cai)lX(cai)(8)
H(Xr)=-r(d)j=1qj log2qj, qj=rXj(cai)rX(cai)(9)因此,定義斷點cai針對集合X的信息熵為HX(cai)=|Xl||U|H(Xl)+|Xr||U|H(Xr)(10)綜合以上所述,可給出如下基于信息熵的屬性離散化算法,為此首先引進記號:記P為已選取的斷點集合;B為候選斷點的集合;H為決策表信息熵;Va為屬性a的值域;初值由式(6)取為H=H(X),其算法步驟如下:
(1)P=Φ,H=H(X);
(2)計算對每個斷點c∈B針對集合X的信息熵,記為H(c,X);
(3)若H≤min{H(c,X)}或者min{H(c,X)}=0,則結束并轉式(10),否則轉式(4);
(4)選擇使H(c,X)最小的斷點cmin加到P中,B=B-{cmin};
(5)由步驟(4),斷點cmin將集合X劃分成X1和X2兩類,依據步驟(2)針對X1和X2分別計算使得H(c,X1)和H(c,X2)取得最小的斷點,分別記為cmin1和cmin2;
(6)若min{H(c,X1)}
若min{H(c,X1)}>min{H(c,X2)},則轉(8);否則轉(9);
(7)令X=X2,H=H(X2),轉(2);
(8)令X=X1,H=H(X1),轉(2);
(9)選取X1和X2中斷點數目較少的集合記為Xr(r=1 or 2),并令X=Xr,H=H(Xr),轉(2);
(10)對任一屬性a,若存在斷點ca∈P,而ca=min{Va}或ca=max{Va},則依據離散化時區間的選擇對得到的斷點集P進行檢查,從而決定對斷點ca進行取舍.
3.2BP神經網絡故障診斷模型的構建
3.2.1故障診斷系統結構
故障診斷系統的結構框圖見圖2.圖 2故障診斷系統結構
3.2.2構建過程及步驟
構建過程及步驟如下:
(1)構造學習樣本集.從收集的原始數據中產生所需要的學習樣本,數據的多少取決于許多因素,如神經網絡的大小,測試的需要及輸入、輸出的分布等.其中,網絡大小最為關鍵,通常較大的網絡需要較多的訓練數據.
(2)連續屬性的離散化及決策表的形成.基于粗糙集的算法對數據的要求之一就是屬性必須是離散值.然而,在實際應用領域,相當多的數據是連續的,因此要對數據進行離散化處理.采用離散化后的條件屬性和決策屬性值形成1張二維表格,每行描述1個對象,每列對應對象的1種屬性.
(3)屬性約簡.對離散化后的數據利用粗糙集進行約簡, 得到約簡后各子神經網絡輸入.
(4)將約簡后的屬性數據作為神經網絡的輸入,并訓練神經網絡.
(5)輸入診斷集進行故障診斷,并輸出診斷結果.[12]
4應用實例
選取文獻[11]中給出的某變壓器的20組故障診斷樣本數據對本文所述方法進行可行性與有效性分析.所構建的故障診斷決策表見表1,其中,A={s1,s2,s3,s4,s5}表示條件屬性,分別表示所測的變壓器中H2,CH4,C2H6,C2H4和C2H2的相對值;D為決策屬性,有5種決策值,分別是無故障、低溫放電、高溫放電、低能量放電和高能量放電.
對表1樣本數據進行基于信息熵的粗糙集屬性離散化方法處理后,所得結果見表2.表 1變壓器故障診斷決策表序號s1s2s3s4s5D146.1711.3733.128.520.620241.8833.5114.558.760.540333.4629.3232.9927.782.550446.8135.988.457.490.310515.2221.9817.8546.920.00160.8943.8827.0427.980.001735.1350.968.155.650.001837.9830.957.8723.010.001911.1921.7911.3052.982.392100.9516.0112.8968.410.9621115.0322.193.2657.961.0321220.0831.073.9843.221.5321358.0118.664.688.629.7831486.996.485.281.030.0031585.866.984.512.560.0031683.687.964.452.720.5631720.2316.961.6924.7434.5241826.8616.762.9838.9613.6141943.9224.416.6223.910.5442048.1210.884.2322.4623.684
表 2離散化后故障診斷決策表序號s1s2s3s4s5D1524350245443033546704553220514471161546117353111835351191347721012475211141762121517721373337314713113157121131671214317221684182216841944363420622584
按照粗糙集理論所給出的基于差別矩陣的屬性約簡算法進行約簡后形成如下3個約簡屬性組合,分別為{s1,s3,s5},{s1,s4,s5}和{s1,s2,s3}.任選其中1組作為輸入節點構建神經網絡.不妨取約簡屬性集{s1,s3,s5},由于故障類別共分為5種,因此選輸出節點為5個,選隱層節點為6個,誤差精度為0.001.利用樣本數據對所構建的BP神經網絡進行訓練,其誤差曲線見圖3.網絡經過61次訓練就達到預定精度要求.
圖 3BP神經網絡訓練誤差曲線
利用表2所給待識樣本數據對訓練好的神經網絡進行檢驗,其結果見表3.從檢驗結果分析,與文獻[11]中的識別結果基本一致,僅有對樣本8的識別結果不相一致.在文獻[11]中對實際故障為中溫過熱的樣本8識別結果為低溫過熱,而此處識別結果為高溫過熱.雖然兩者識別結果有些差異,但兩者對故障類型的認定完全一致.因此,本文所構建的故障診斷模型具有一定的可行性與有效性.
表 3故障診斷及診斷結果(最后1列為檢驗結果)序號實際故障H2CH4C2H6C2H4C2H2檢驗結果1正常7.35.73.42.73.102低溫過熱12012033830.5413局部高溫過熱20.619.87.560.91.5224鐵心多點接地4297156598025有局部放電1563933446036工頻續流放電200471511512947層間絕緣不良98121322951528中溫過熱58761822029圍頻放電31.25.41.312.513.1410磁路高溫過熱7251813912995.82
5結論
隨著設備結構的日趨復雜,故障類別也日趨多樣,因此在實際生活中,對故障類別的診斷顯得尤為重要.在實際故障診斷中采集到的數據往往是1個真實的數據,而且這些數據樣本的分類邊界不確定,故障與征兆之間的關系往往也不確定.本文在分析粗糙集和BP神經網絡各自用于故障識別時的優缺點的基礎之上,充分將兩者的優點進行有機結合,并針對粗糙集只能處理量化數據的特點,給出1種基于信息熵的粗糙集屬性離散化方法,從而建立1種新的故障診斷模型.通過對應用實例的分析發現,該模型對所給樣本基本都進行準確識別,且與文獻[8]相比,所需屬性數更少.因此,該模型的提出將為有效進行故障識別以及其他諸如識別、分類等領域應用問題的解決提供更多可靠性方法.
參考文獻:
[1]沈永紅, 王發興. 基于信息熵的粗糙集屬性離散化方法及應用[J]. 計算機工程與應用, 2008, 44(5): 221-224.
[2]郭小薈, 馬小平. 基于粗糙集的故障診斷特征提取[J]. 計算機工程與應用, 2007, 43(1): 221-224.
[3]胡壽松, 何亞群. 粗糙決策理論與應用[M]. 北京: 北京航空航天大學出版社, 2006: 4-51.
[4]PAWLAK Z.ROUGH set[J].Int J Comp & Infor Sci, 1982, 11(5): 341-356.
[5]曾黃麟. 粗集理論及其應用[M]. 重慶: 重慶大學出版社, 1998: 8-41.
[6]王國胤. Rough集理論與知識獲取[M]. 西安: 西安交通大學出版社, 2001: 117-140.
[7]梁吉業, 孟曉偉. 信息熵在粗糙集理論中的應用[J]. 山西大學學報: 自然科學版, 2002, 25(3): 281-284.
[8]袁曾任. 人工神經元網絡及其應用[M]. 北京: 清華大學出版社, 1999: 66-68.
[9]馬維國. 紡紗生產BP神經網絡模型[J]. 2004, 13(3): 57-59.
[10]張長君, 鄒開其. 惡劣氣象條件下高速公路匝道控制的神經網絡方法[J]. 計算機輔助工程, 2006, 15(3): 86-88.
網絡故障診斷范文5
關鍵詞：故障診斷，軟硬件故障
1、緒論
當前，全球網絡高速發展，計算機網絡已經在普通用戶中廣泛使用，與此同時，網絡故障也變的極為普遍，然而，由于計算機網絡自身的復雜性，維修保障非常困難。用戶在計算機網絡使用中，常常分辨不出網絡故障原因，不知道究竟是軟件故障，還是硬件故障。一旦發現問題，他們除了進行常規硬件檢查和軟件系統重啟等簡單操作外，對于整體故障，尤其是軟件失效引起的故障，常常毫無辦法，本文首先簡單介紹故障診斷相關術語，進而簡述計算機網絡軟硬件故障特性，結合診斷實例，綜述計算機網絡故障的排除。
2、計算機網絡軟硬件故障特性
雖然有各式各樣的網絡故障，但所有的故障總體可分為物理故障與邏輯故障，也就是通常所說的硬件故障與軟件故障，因此具有典型的軟件故障特征。許多故障和征兆之間常常不存在一一對應的簡單關系，維修難度大?？偟恼f來，故障具有如下特性：
層次性：這是故障的“縱向性”。計算機網絡，結構可劃分為系統、子系統、模塊、部件等各個層次，其功能也可劃分為若干層次，因而其故障和征兆也有不同的層次。任何故障都是同系統的某一層次相聯系的，高層次的故障可以由低層次的故障所引起，而低層次的故障必定引起高層次的故障。因此在故障診斷中可設計某種層次診斷模型。
相關性：這是故障的“橫向性”，它是由系統各元素間的聯系所決定的。當一個元素或聯系發生故障后，可能導致同它相關的元素或聯系的狀態發生變化，進而引起相關元素或聯系也發生故障。某一故障可能對應若干征兆，而某一征兆可能對應若干故障，它們之間存在著錯綜復雜的關系，造成故障診斷困難。故障的相關性使得許多的故障現象可以歸根于同一個故障，從而可以從不同的角度對同一個故障進行診斷。
不確定性：這是故障的“模糊性”。故障和征兆信息的隨機性、模糊性，故障和征兆之間對應關系的不明確性，不確定性是計算機網絡的一個重要特性，對相同的系統而言，或對同一系統在不同時間、不同工作環境下而言，各層次的元素特性與各元素間的聯系特性是不可能完全確定的，其變化規律難以確定，從而導致元素、聯系直至系統的狀態和行為也不可能完全確定，因而其故障也是不確定的。
3、計算機網絡軟硬件故障的表現癥狀
軟硬件故障通常表現為以下幾種情況：
①電腦無法登錄到服務器；
②電腦無法通過局域網接入Internet；
③電腦在“網上鄰居”中只能看到自己，而看不到其他電腦，從而無法使用其他電腦上的共享資源和共享打印機；
④電腦無法在網絡內實現訪問其他電腦上的資源；
⑤網絡中的部分電腦運行速度異常的緩慢。
4、常見計算機網絡軟硬件故障的解決方法
當出現一種網絡應用故障時，如無法接入Internet，首先嘗試使用其他網絡應用，如查找網絡中的其他電腦，或使用局域網中的Web瀏覽等。如果其他網絡應用可正常使用，如雖然無法接入Internet，卻能夠在“網上鄰居”中找到其他電腦，或可ping到其他電腦，即可排除連通性故障原因。如果其他網絡應用均無法實現，繼續下面操作。
①看LED燈判斷網卡的故障
首先查看網卡的指示燈是否正常。正常情況下，在不傳送數據時，網卡的指示燈閃爍較慢，傳送數據時，閃爍較快。無論是不亮，還是長亮不滅，都表明有故障存在。如果網卡的指示燈不正常，需關掉電腦更換網卡。
②用ping命令排除網卡故障
使用ping命令，ping本地的IP地址或電腦名(如shj831)，檢查網卡和IP網絡協議是否安裝完好。如果能ping通，說明該電腦的網卡和網絡協議設置都沒有問題。問題出在電腦與網絡的連接上。因此，應當檢查網線和Hub及Hub的接口狀態，如果無法ping通，只能說明TCP/IP協議有問題。這時可以在電腦的“控制面板”的“系統”中，查看網卡是否已經安裝或是否出錯。如果在系統中的硬件列表中沒有發現網絡適配器，或網絡適配器前方有一個黃色的“！”，說明網卡未安裝正確。需將未知設備或帶有黃色的“！”網絡適配器刪除，刷新后，重新安裝網卡。并為該網卡正確安裝和配置網絡協議，然后進行應用測試。如果網卡無法正確安裝，說明網卡可能損壞，必須換一塊網卡重試。如果網卡安裝正確則原因是協議未安裝。
③如果確定網卡和協議都正確的情況下，還是網絡不通，可初步斷定是Hub和雙絞線的問題。為了進一步進行確認，可再換一臺電腦用同樣的方法進行判斷。如果其他電腦與本機連接正常，則故障一定是先前的那臺電腦和Hub的接口上。
④如果確定Hub有故障，應首先檢查Hub的指示燈是否正常，如果先前那臺電腦與Hub連接的接口燈不亮說明該Hub的接口有故障(Hub的指示燈表明插有網線的端口，指示燈亮，指示燈不能顯示通信狀態)。
通過上面的故障壓縮，我們就可以判斷故障出在網卡、雙絞線或Hub上。
當電腦出現協議故障現象時，應當按照以下步驟進行故障的定位：
①檢查電腦是否安裝TCP/IP和NetBEUI協議，如果沒有，建議安裝這兩個協議，并把TCP/IP參數配置好，然后重新啟動電腦。
②系統重新啟動后，雙擊“網上鄰居”，將顯示網絡中的其他電腦和共享資源。如果仍看不到其他電腦，可以使用“查找”命令，能找到其他電腦，就完成了。
5、 結束語
網絡發生故障是不可避免的。針對于單獨的硬件故障診斷相對簡單，但是對于由軟件故障或者因為軟件引起的硬件故障，診斷相對困難，本文給出了軟硬件相互影響的故障診斷方法，但對由于軟件引起的硬件故障研究不夠，需要進一步研究。
參考文獻
[1]周炎濤.計算機網絡實用教程（第2版）.電子工業出版社
網絡故障診斷范文6
對于汽車車載網絡系統的故障，故障發生時一般都有一些明顯的故障特征：1）整個車載網絡不工作或多個控制單元ECU有故障。2）有些故障現象時沒有任何關聯，有時候多個故障現象會在不同的系統和不同的地方一起表現出來。3）通過專用的故障診斷設備與個別或多個控制單元ECU通訊，現象變現為無法與診斷設備連接通訊。
2車載網絡系統的故障診斷的一般程序
1）基本檢查。檢查汽車蓄電池的靜態電壓、各接頭之間的連接情況、相關的保險絲以及發動機與車身的搭鐵情況等。2）連接專用診斷儀，與出現故障的各電控系統進行通訊，并讀取故障碼。3）如有故障碼，按故障碼提示進行檢查。在CAN系統故障碼與其它故障碼同時出現時，應優先對CAN系統進行故障診斷。如故障診斷設備它具有對控制單元ECU進行CAN系統的故障診斷和支持監視器功能，通過診斷設備的這個功能可以用來幫助判斷故障位置。4）檢查控制模塊的電源供應及搭鐵回路是否良好。5）檢查CANBUS數據總線的兩根線路是否良好，最好用多通道示波器對其進行波形檢測，如不正常再用萬用表進行檢查是否斷路、短路。6）拔下控制模塊線束接頭，對控制模塊CANBUS數據總線接口兩端的數據傳遞終端電阻進行檢測，如不符要求，則控制模塊內部不良。7）在拔下控制模塊線束接頭，檢查CANBUS數據總線接口的接觸情況，并使該控制模塊不接入車內網絡系統的情況下，觀察故障現象的變化，如故障消失，則控制模塊硬件損壞或內部軟件故障如未進行相應編程、設定等。8）先對該控制模塊進行重新設定，如故障不能消失，則更換新模塊再視情進行重新編程設定。
3車內局域網系統故障診斷、排除的相關要點
1）熟悉每個類型的汽車網絡系統的特點。車載網絡采用的大多是局域網（局域網是指在一個特定的局部單位內連接的網絡），其可用的傳輸介質主要有同軸電纜、雙絞線、光纖電纜和無線電。在汽車上會同時有多個局域網絡存在，通過利用網關將這些局域網連接起來從而形成互聯網絡。因此網關是用來連接不同類型的網絡從而能實現不同類型網絡之間協議相互轉換的設備。根據網絡結構，車載網絡分星型網、總線網、環型網。星型網絡是以一臺中央處理器為中心，中央處理器與每臺入網機器有一個物理連接鏈。星型網絡又有用普通導線傳輸數據的普通星型網絡和用光纖傳輸數據的光學星型網絡，但都只能在一個部件或總成上使用。如寶馬7系列轎車被動安全系統的Byteflignt就采用光學星型網絡（參見后述故障實例中的介紹）。環型網絡是指控制單元通過網絡部件連到一個環行物理鏈路中，其優點是信息在網絡中傳輸實時性好、傳輸數據量大及抗干擾能力強，每個節點只與其他2個節點有物理連接；缺點是一個節點故障可能影響整個網絡，可靠性較差，網絡擴充時要調整對整個網絡重新排序，在增加功能時需添加控制單元，相對比較復雜?？偩€型網絡由總線連接入網控制單元，可以使用同軸電纜、雙絞線、光纖電纜作為網線，以雙絞線最為常見。車載局域網的應用非常多，如可以應用在動力控制系統、車身系統、安全系統、信息系統，它們可以是采用不同的網絡結構、不同的傳輸介質、不同的傳輸協議的各自獨立的網絡；也可以設置網關，將它們連接為一體形成車載網絡系統。網關主要功能是從一個局域網絡讀取所接收的信息，并翻譯信息，向其它局域網絡發送信息。車載網絡系統是一個比較復雜的系統，所以維修時，我們要通過對汽車車載網絡之間的關系結構的熟悉，如果能偶將其網絡結構的基本框圖會出來時最好的。
4故障實例
