网络故障诊断范例6篇

前言:中文期刊网精心挑选了网络故障诊断范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。

网络故障诊断

网络故障诊断范文1

关键词:故障诊断;故障定位;专家系统;神经网络;贝叶斯网络

中图分类号:TP393文献标识码:A文章编号: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

随着计算机和网络应用的深入,计算机网络已经成为现代社会必不可少的基础设施。然而,计算机网络是一个复杂的综合系统,网络故障不可避免,这就需要行之有效的网络故障诊断技术,来实现对网络故障的检测、定位并排除,确保网络的稳定和畅通。

传统的网络故障诊断主要是依据发生故障时的网络故障信息,通过专门的网络分析仪和网络操作系统中的故障诊断工具以及网络的轮循与告警等方法获取故障信息,然后根据故障信息,网络专家分析和判断来找出产生故障的原因。网络的故障诊断是一个典型的多层多类分类问题,通常采用分层诊断的方法[1],沿着OSI七层模型从物理层开始向上进行逐层诊断,直到网络恢复正常工作为止。

然而,随着网络规模的急剧扩大和结构的日趋复杂,传统的依靠网络专家以人工方式进行的故障诊断已经不能满足需要了。研究开发出一套具备准确的诊断以及分析处理复杂、不确定问题能力的智能故障诊断技术已成为当务之急,这也是现在网络故障管理领域研究的热点[2]。

1 网络故障诊断概述

通常网络故障诊断过程包括三个阶段[3]:

1) 故障检测。故障检测是对网络系统的不正常信号进行处理的过程,这些不正常信号来源于网络组件的故障或功能失调。故障检测是用来确定故障源的一个重要手段。

2) 故障定位,也称为故障隔离,或事件/告警关联。根据观察到的故障症状推理出故障所在的精确位置的过程,故障定位的核心部件是事件关联,即把与同一个源故障相关的告警进行分组。

3) 故障测试,也称为故障确认。故障定位得到了系统失效的故障假设之后,需要进行进一步的测试来确认故障,然后进行恢复操作,如重启软件系统或更换失效的硬件组件等。

当前网络故障诊断的研究主要集中在故障诊断的第二阶段――故障定位,这是网络故障诊断的关键技术,也是网络故障诊断的难点所在[2-4]。

网络故障定位的核心技术是事件关联技术。其基本思想是通过关联多个事件为某单一概念事例来过滤不必要的或不相关的事件,为网络管理员提供事件信息更精简的视图,以准确、快速的识别故障源。

由于故障具有传播性,单个故障会产生大量的网络告警,在多个故障同时发生时,情况变得更加复杂。故障定位就是要在故障产生时,把告警事件进行关联,分离并推断出故障源的准确位置。但是网络故障定位的主要困难却是来自于得到的告警信息太多而不是信息的缺少。而且网络的不可靠性和不确定性,使故障定位变得更加复杂而困难。其主要表现在[4]:

1) 故障证据可能是模糊的、不一致的和不完整的;

2) 得到的系统知识可能包含不确定信息;

3) 多个不相关的故障可能同时发生产生重叠的告警消息;

4) 存在多个不同的故障假设能够解释观察到的故障症状;

5) 在大型系统中,利用单个管理应用程序对系统进行故障定位以及对可用知识库进行维护在计算上通常是不可行的;

6) 事件之间不仅存在因果关系,通常还存在时间相关性。

针对上述难点,主要的解决方法是引入人工智能技术,进行自动故障定位,以实现智能化的故障诊断。目前用于网络故障定位的人工智能技术主要有:专家系统、神经网络和贝叶斯网络等。

2 故障定位技术

2.1 基于专家系统的故障定位技术

故障诊断中应用最广泛的人工智能技术是专家系统,专家系统通过模仿人类专家在解决特定领域时的行为来解决问题。基于专家系统的故障定位技术根据故障诊断领域的专家知识和经验,通过模拟人类专家做出决策的过程,达到解决复杂系统故障诊断的目的。

专家系统由知识库、推理机、知识获取、解释界面等四部组成,其中知识库用来存放相关领域专家提供的专门知识。在故障检测诊断专家系统的知识库中,存储了某个对象的故障征兆、故障模式、故障成因、故障排除意见等内容,这些知识是诊断的基础。专家系统知识库的知识,可以是从经验中获得的表面知识,也可以是通过理解系统行为的工作原理而得到的深层知识。推理机的功能是根据一定的推理策略从知识库中选取有关的知识,对用户提供的证据进行推理,直到得出相应的结论为止。

根据专家系统所使用知识结构的不同,解决故障定位问题的技术可分为以下几种:

1) 基于规则的推理技术

基于规则的推理(Rule-based Reason,RBR)是最简单的关联技术,己被用于HP Open View Element Management构架。通常,基于规则的系统有三个组成部分:(1) 推理引擎,包含解决问题的策略;(2)知识库,包括与特定问题有关的规则,规则是指出在什么情况下采取什么措施;(3) 工作存储区,包含需要处理的问题数据。

在RBR的事件关联系统中,知识库的专家知识是网络中的问题定义。工作存储区包括被监控网络的拓扑和状态信息,工作存储区用来识别网络是否出现不完善的状态。推理引擎根据知识库的信息,将当前的状态与规则的左侧相比较,查找出最相似的匹配,然后输出规则的右侧。

2) 基于模型的推理技术

基于模型的推理(Model-based Reason,MBR)是现有网络故障管理系统中应用最广泛的一种技术。该方法充分利用现有的系统知识,为具体的现实系统建立对应的抽象系统模型,再根据系统模型对系统行为进行预测,并将预测的行为与观察到的系统实际行为进行比较,然后再对预测的行为和实际行为间的不一致进行诊断。在基于模型的推理系统中,系统模型一般都提供网络拓扑、部件故障和告警之间的条件关系等信息。

3) 基于范例的推理技术

范例是指一段带有上下文信息的知识,该知识表达了推理机在达到其目标的过程中能起到关键作用的经验。基于范例的推理(Case-based Reason,CBR)根据过去的实际经验或经历,对现有的问题做出相应的决策。基于范例的推理技术的推理过程可以分为4个部分,分别为检索(Retrieve)、复用(Reuse)、修正(Revise)、保存(Retain),简称4R过程。其中Retrieve过程从范例库中检索与问题匹配度最大的范例,Reuse过程使用历史范例来解决所提出的问题,Revise过程在必要时修正提出的解决方案,Retain过程将新的解决方案作为一个新范例保存到范例库中。

2.2 基于神经网络的故障定位技术

神经网络能够处理复杂模型,具有联想、记忆、推理和抑制噪声能力,而且信息处理很快,能存储大量的知识。神经网络能够高效地辨识给定模式,具有自学习能力;神经网络能够通过联想能力处理不确定、不完整数据,因此神经网络很适合于用于解决故障诊断问题。神经网络只要输入的模式接近于训练样本,系统就能进行推理。神经网络克服了专家系统中如果规则没有完全匹配,则会退出专家系统的缺点。神经网络还可以运用遗传算法进行优化,提高神经网络的性能。

目前神经网络有两种诊断模式:

1) 离线诊断:这种诊断模式将学习和系统运行分开。当系统出现故障时,把故障信息或现象输入神经网络,神经网络通过自组织和自学习,输出故障解决方案。

2) 在线诊断:将神经网络和系统直接相连,让系统自动获得故障信息和现象,然后由神经网络内部进行自组织和自学习,把学习过程和运行过程合二为一。

文献[5]提出一种基于粗糙集神经网络的网络故障诊断算法,将知识系统技术应用于链路层故障诊断中,针对故障诊断问题的需要,构建一个故障诊断知识库;针对知识库中可能存在的知识规则冗余问题,提出基于粗糙集理论的知识库规则约简方案,降低知识规则的冗余度;由于诊断问题的实质是一种映射,将神经网络模型引入故障诊断系统,用一种前馈型网络来逼近这种映射关系,神经网络的学习样本来自于知识库中的知识规则,实现对网络故障的分类。

2.3 基于贝叶斯网络的故障定位技术

贝叶斯网络是处理不确定性问题的新方法,代替了人工智能和专家系统。利用贝叶斯网络进行告警关联是当前研究的一个热点[6],贝叶斯网络的一个很重要功能就是能根据概率理论在原因和结果之间进行不确定性推理。通过贝叶斯网络来分析通信网络中的告警相关性,可以克服告警时间的不确定性基于贝叶斯网络的故障诊断方法中,通过模拟被管理网络系统的主要组件间的因果关系使不确定性知识模型化。

贝叶斯网络可以定义为一个三元组(V,L,P),V是有向非循环图中的结点集,L是结点之间的因果链集,表示它们之间的因果关系,P是概率集,即P = {p(υ|π(υ)) |υ∈V},π(υ)是υ的父结点,表示一个变量对另一个变量的影响程度。 V由故障集F = {f1, f2, …, fm}和症状集S = {s1, s2, …, sn}组成。P= {p(si | fj) | si∈S, fj∈F, i=1, 2, …, n, j=1, 2, …, m}。这里,一个症状可能被多个故障引发,一个故障可能引发多个故障。假设模型是完备的,即,若用Fsi表示所有可能引起症状si的故障集合,如果Fsi中的故障都没发生,那么症状si一定不会出现,反之,如果出现症状si,那么Fsi中至少有一个故障发生。(下转第8677页)

(上接第8669页)

2.4 故障定位技术分析

基于专家系统的故障诊断方法,知识的获取和知识库的构建比较困难,开发成本比较高。每种相关性分析方法在实际中都有应用,单纯地使用某一种关联方法构建的告警相关性分析工具经常会顾此失彼,最终使系统不是缺乏学习能力,就是逻辑推理能力不足,难以适应网络发展的需要。

基于神经网络的故障诊断方法中,对神经网络进行训练的工作量非常大。神经网络的适应性也比较差,不能自动适应网络环境的变化。基于粗糙集神经网络的故障诊断方法,将模糊控制技术和神经网络技术相结合,虽然结合了两者的优势,但实现起来就比较困难。

基于贝叶斯网络的故障诊断方法可用来对不确定和不完整信息中的将来可能发生的故障作出推理以提供有效的预测。尽管此方法具有许多优点,但是在实际的环境中获取先验知识比较困难,限制了其应用。而且随着网络的复杂度增加,贝叶斯网络本身的复杂度呈指数级数增加,所以其计算量非常大。基于贝叶斯网络的不确定性推理技术己被证明为NP难题。因此,使用贝叶斯网络进行网络故障定位的技术还有待于改进。

此外,除了上述网络故障定位技术,还有基于数据挖掘的网络故障定位技术、基于Petri网的网络故障定位技术和基于有限状态机的网络故障定位技术等方法。

3 小结

网络故障智能诊断和精确定位相当复杂的问题,靠单一技术很难圆满解决,只有多种技术的融合集成处理故障信息,才能实现高效而精确的网络故障定位。本文在研究网络故障诊断技术的基础上,重点对网络故障智能诊断核心技术――故障定位进行了深入的研究,介绍了基于专家系统、神经网络和贝叶斯网络的故障定位技术,为进一步深入研究高效智能故障诊断技术,最终实现网络故障的主动预防打下基础。

参考文献:

[1] Greg Tomsho.网络维护和故障诊断指南站[M].晓苏,译.北京:清华大学出版社,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] 郑秋华.网络故障智能诊断关键技术研究[D].杭州:浙江大学,2007.

网络故障诊断范文2

关键词:终端网络; 故障诊断; 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

中图分类号:TN711文献标识码:A 文章编号:

1、 课题研究建立

1.1、 问题提出

随着通信运营商业务的快速发展,专线接入的规模不断扩大,专线故障次数日趋增多,导致专线故障率逐步增加。随着电信重组全业务运营带来的契机,如果专线用户故障居高不下,将直接影响公司今后数据业务的发展。由于专线接入点主要为全市各渠道营业厅,特别是乡镇营业厅分散,偏远,人员流动性大,素质参差不齐,随着业务的快速发展,各营业厅的专线接入规模将不断扩大,很难通过传统的现场维护或集中培训等方法解决,因此,探索一种解决专线故障的新的解决方案非常必要。

1.2、 问题分析

根据某地市运营商提取了专线用户发展情况和故障情况,并按照故障点所在位置进行了分类统计。用户端故障是造成专线故障次数不断增加的主要原因,用户端故障占每月专线故障总数80%以上并成呈逐月增长趋势。通过以上8个月的故障统计,我们得出了每月的平均故障及占比。

我们对用户端的故障原因进行了分类统计,结果发现用户端人为故障占用户端故障次数的80%左右,是造成用户端故障次数不断增加的根本原因。我们得到故障占比月均值,作出如下饼图:

对之前的《故障维护记录表》进行了讨论分析,发现用户端大部分故障都是可以通过用户自身简单处理就能恢复的,于是我们对用户在遇到常见故障的处理能力上提出了质疑,带着这一问题,对100个曾出现过故障的专线用户进行了常见故障处理能力调查,发现由于专线用户各方面基础知识薄弱,造成了用户自身原因的故障次数多,因此提升专线用户诊断常见故障的技能,将会是降低专线用户自身操作问题造成的故障次数的关键。

2、 设定目标

2.1、 总体目标

探索出一种帮助用户诊断网络故障的新方法,有效减少用户端自身操作故障次数,从而有效解决专线故障问题。

2.2、 目标值

将专线故障率由35%降低到15%以下。

3、 确定最佳解决方案

3.1、 提出可能的方案

解决目前的问题可以有以下三种截然不同的方法来帮助用户诊断及处理人为故障,整理亲和图,得到三种可行的方案,转换成树图:

3.2、 从三种方案中进行测试优选

(图3-2:专线传输设备系统)

方案一:基于传输设备的网络故障诊断系统

抽取了50个专线用户,进行了基站端至用户端的传输监控,对其一个月内的故障原因进行分类统计,通过分析得出,若这50个专线用户被纳入传输设备系统,经验证其人为故障恢复比为78.26%。

结论:该系统可对专线用户传输设备进行实时监控,能有效定位网络故障源的大概位置,方便维护人员指导专线用户进行故障处理。该系统部署需要大量硬件设备支撑,需要对整条链路的设备进行统一。

方案二:基于网管监控的网络故障诊断系统

抽取50个专线用户,进行了机房端至基站端的传输监控,对其一个月内的故障原因进行分类统计,通过分析得出,若这50个专线用户被纳入网管监控系统,经验证其人为故障恢复比为69.57%。

结论:该系统可以对专线故障做出及时的反应,当一条链路出现中断时,网管系统会及时告警,显示哪条专线中断,维护人员可以很快响应。每次出现故障后,维护人员会马上与专线用户取得联系,电话指导用户对故障进行判断和处理,由于很多故障由用户自身原因所致,维护人员工作量较大。

方案三:基于用户终端的网络故障诊断系统

抽取了50个专线用户,进行了用户端自身的传输监控,对其一个月内的故障原因进行分类统计,通过分析得出,若这50个专线用户被纳入用户终端系统,经验证其人为故障恢复比为82.61%。

结论:该系统集成了常用的DOS命令测试工具和终端设备故障判断方法,对用户判断终端故障具有指导意义,用户通过系统能方便快捷地对终端故障进行预处理。大大降低了维护人员的工作量,用户满意度较高。

根据上述的分析和试验结果,对比分析各种方案如下表所示:

表3-1:三大方案对比表

方案 描述 优点 缺点 结论

基于传输设备的网络故障诊断系统 在机房放置一台监控终端,对整条专线链路设备进行统一更换 1、维护人员能快速诊断故障并对其进行处理。

2、技术要求不高。 1、成本昂贵,每条专线需要1000元对设备进行更换。

2、部分用户端造成的故障还得不到解决。 故障恢复比78.26%。

效果较明显,但成本太大。

基于网管监控的网络故障诊断系统

在机房放置一台终端电脑和一台服务器,安装基于网管的诊断系统 1、可对全网进行全天监控。

2、对中断专线用户信息反馈及时。 1、维护人员事务较多,每天约2/3时间与用户沟通。2、由于用户素质参差不齐,不能及时解决问题。

3、系统开发技术要求较高。 故障恢复比69.57%。

效果欠佳

基于用户终端的网络故障诊断系统 在每个用户端可任找一台普通的Windows系统终端机进行安装 1、维护人员工作量降低。

2、用户可以自己诊断并解决大多数专线终端故障 1、需对每条专线的终端安装诊断系统,初次安装工作量较大。

2、系统开发技术要求高。 故障恢复比82.61%。

从源头解决问题

效果显著

结论:由上述比较,最佳方案:研发基于用户终端的网络故障诊断系统。

4、 制定对策表并实施

网络故障诊断范文3

摘 要:该报告总结了2014年度观测网络故障诊断与远程维护系统的技术研究和系统研制进展情况,在2013年度技术研究和试验测试的基础上,该年度重点进行了系统的优化设计、系统内的集成测试以及参与大系统的陆上集成联试。观测网络故障诊断与远程维护系统由光学故障诊断分系统、电学故障诊断分系统和岸站故障诊断管理软件三个部分组成。2014年度的主要工作和取得的技术进展包括:(1)完成详细设计报告评审:2014年7月,在成都组织召开了课题详细设计报告评审会,7名业内专家参会,一致认为该详细设计可作为本课题系统设计实现的依据。(2)修改完善系统内部和外部接口设计:主要是岸站故障诊断管理软件与电学故障诊断分系统之间的数据接口(系统内部接口)、岸站故障诊断管理软件与岸基运行控制管理系统(清华大学承研,系统外部接口)。(3)修改完善室内检测大纲,完成系统联调测试:在2013年拟制的室内检测大纲基础上,重点针对岸站故障诊断管理软件的功能进行了细化与调整,并进行了多次室内测试。(4)制定陆上集成联试大纲,初步完成与其他系统的集成调试。按照总体单位的安排,于10月10日进场,在江苏南通中天科技海缆厂房,进行了系统自检测试以及与岸基运行控制系统、主次接驳盒和各类传感器的联调测试。

关键词:故障诊断 接口设计 系统调试 陆上集成联试 网络 管理软件

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

阅读全文链接(需实名注册):http:///xiangxiBG.aspx?id=88582&flag=1

网络故障诊断范文4

关键词:粗糙集; 信息熵; 离散化; 神经网络; 故障诊断

中图分类号:TP212文献标志码: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

作者简介: 王发兴(1981―),男,甘肃武威人,讲师,硕士,研究方向为小波分析和计算机仿真等,(E-mail)

0引言

粗糙集理论是PAWLAK教授于20世纪80年代提出的1种新的处理模糊和不确定性知识的数学工具,具有无须提供除问题所需处理的数据集合之外的任何先验信息,仅根据观测数据删除冗余信息,比较不完整知识的程度――粗糙度、属性间的依赖性和重要性来抽取分类规则等的能力,其主要思想就是在保持系统分类能力不变的前提下,通过知识约简,导出问题的决策或分类规则.目前,粗糙集理论已被广泛应用于机器学习、决策分析、模式识别与数据挖掘、故障诊断等领域.[1]

粗糙集模式识别的核心思想是首先导出问题的决策或分类规则,然后以此构成识别器对待识样本数据进行识别.当待识样本数据满足分类规则的条件时都会得到准确的识别结果,但当条件不满足时往往会有识别错误或不能识别的现象发生,其容错能力和推广能力相对较弱.BP神经网络是神经网络中最具代表性的1种,具有较强的模式分类能力,且容错能力和推广能力相对较好.但当网络维数较大或输入样本较多时,网络训练时间过于冗长.鉴于以上分析,在文献[1]中给出基于信息熵的属性离散化方法的基础上,本文克服粗糙集和BP神经网络各自用于模式识别时的缺点,将两者加以结合,从而建立1种基于新的离散化算法的粗糙集和BP神经网络故障诊断识别模型,以期在故障诊断识别中能取得更好的应用效果.

1粗糙集理论和信息熵

1.1粗糙集理论

1.1.1知识表达系统和决策系统

定义1在粗糙集理论[2-7]中,知识表达系统被定义为1个四元组S=(U,A,V,f).其中U={x,x2,…,xn}为对象的非空有限集合,也称为论域;A={a1,a2,…,am}为属性的非空有限集合;V为属性值域,V=∪a∈AVa;f:U×AV为一信息函数,表示对每一a∈A,x∈U,f(x,a)∈Va.当上述知识表达系统中属性A=C∪D,C∩D=Φ,其中C为条件属性集,D为决策属性集时,也称知识表达系统为决策系统.该系统通常采用决策表表达.[2-5]

1.1.2不可分辨关系

不可分辨关系是粗糙集理论中的1个重要概念.在决策表中,描述对象的属性是1种不精确信息,这种不精确信息造成对象之间是不可分辨或不分明的,观察这种不可分辨关系的对象正是粗糙集理论研究的出发点.

定义2S为知识表达系统,若PA,则定义属性集P的不可区分关系ind(P)为:

ind(P)={(x,y)∈U×U,a∈P,f(x,a)=

f(y,a)}(1)

如果(x,y)∈ind(P),则称x和y是P不可分辨的.不可分辨关系实际上是1种等价关系,具有不可分辨关系的对象是属性值完全相同的对象.符号U/P表示不可分辨关系ind(P)在U上导出的划分,称ind(P)中的等价类为P基本类.

1.1.3粗糙集的下近似、上近似及正域

定义3令XU,R是U上的1个等价关系.当X为R的某些等价类的并时,称X是R可定义的,否则称X是R不可定义的.称R可定义集为R精确集,称R不可定义集为R粗糙集.粗糙集可以用两个精确集,即粗糙集的下近似和上近似描述.其定义[3-6]如下:R-(X)=∪{YU/R|Y∩X≠Φ}(2)

R-(X)=∪{YU/R|YX}(3)其中,也称POSR(X)=R-(X)为X的R正域.

1.1.4属性约简

在决策表中,不同的条件属性具有不同的重要程度,一些属性可提供丰富的信息,对产生决策起着至关重要的作用,而其他一些属性却似乎可有可无.因此,可以在保证决策表具有正确分类能力的同时,对条件属性进行约简,去掉不必要的冗余信息.这就涉及到对属性约简的问题,其定义[3-4,6-7]如下:

定义4对于一给定的知识表达系统S=(U,A,V,f),条件属性C的约简是C的1个非空子集P.它满足:(1)a∈P,a都是D不可省略的;(2)POSP(D)=POSC(D),则称P是C的1个约简.

1.2信息熵

信息熵可表征信源整体的统计特征,是总体平均不确定性的量度.对于某一特定的信息源,其信息熵就只有1个,不同的信息源,因统计特性不同,其熵也不同.SHANNON定义自信息的数学期望为信息熵,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发生的先验概率.

给定知识表达系统S和U为论域,P为U上的等价关系,令U/P={X1,X2,…,Xn},记P(Xi)=|Xi||U|,则依据式(4),可定义知识P的熵[8]为:H(P)=-ni=1P(Xi)log P(Xi)(5)2BP神经网络结构及BP算法

2.1BP神经网络结构

BP神经网络是指具有非线性传递函数神经元构成的、采用误差反向传播算法(BP算法)的前馈网络,在各领域有广泛的应用.[9-10]该网络通常由输入层、隐层(一层或多层)和输出层组成,层与层之间多采用全互联方式,同一层单元之间不存在相互连接,层间的连接权值和节点的阈值通过学习调节.理论上已证明,1个单隐层BP网络可以实现任意维到维的非线性连续映射,而且各节点均采用Sigmoid函数时,1个隐含层就足以实现任意判别分类问题.[11]常见的3层BP网络模型结构见图1.图 13层BP神经网络模型

2.2BP算法

BP算法是建立在梯度下降法基础上的适合于多层神经元网络的1种网络学习算法,主要思想是将学习过程分为2个阶段[8]:第1阶段(正向传播过程),给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值;第2阶段(反向过程),若在输出层未能得到期望的输出值,则逐层递归地计算实际输出与期望输出之差值(即误差),以便根据此差调节权值,就是可对每个权重计算出接受单元的误差值与发送单元的激活值的积.因为该积与误差对权重的(负)微商成正比,将其称作权重误差微商.权重的实际改变可由权重误差微商逐个模式地计算出来,即它们可以在该组模式上进行累加.

3故障诊断模型

3.1基于信息熵的粗糙集属性离散化方法

对于决策表S=(U,C∪D,V,f),对每个连续型条件属性a∈C,论域中其有限个属性值经过排序后为la=va0

对于断点cai,决策属性值为j(j=1,2,…,r(d))的实例中,属于集合X且属于a的值又小于断点值cai的实例个数记为lXj(cai),大于断点cai的实例个数记为rXj(cai),令lX(cai)=r(d)j=1lXj(cai)rX(cai)=r(d)j=1rXj(cai)(7)因此,断点cai可以将集合X分成两个子集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,定义断点cai针对集合X的信息熵为HX(cai)=|Xl||U|H(Xl)+|Xr||U|H(Xr)(10)综合以上所述,可给出如下基于信息熵的属性离散化算法,为此首先引进记号:记P为已选取的断点集合;B为候选断点的集合;H为决策表信息熵;Va为属性a的值域;初值由式(6)取为H=H(X),其算法步骤如下:

(1)P=Φ,H=H(X);

(2)计算对每个断点c∈B针对集合X的信息熵,记为H(c,X);

(3)若H≤min{H(c,X)}或者min{H(c,X)}=0,则结束并转式(10),否则转式(4);

(4)选择使H(c,X)最小的断点cmin加到P中,B=B-{cmin};

(5)由步骤(4),断点cmin将集合X划分成X1和X2两类,依据步骤(2)针对X1和X2分别计算使得H(c,X1)和H(c,X2)取得最小的断点,分别记为cmin1和cmin2;

(6)若min{H(c,X1)}

若min{H(c,X1)}>min{H(c,X2)},则转(8);否则转(9);

(7)令X=X2,H=H(X2),转(2);

(8)令X=X1,H=H(X1),转(2);

(9)选取X1和X2中断点数目较少的集合记为Xr(r=1 or 2),并令X=Xr,H=H(Xr),转(2);

(10)对任一属性a,若存在断点ca∈P,而ca=min{Va}或ca=max{Va},则依据离散化时区间的选择对得到的断点集P进行检查,从而决定对断点ca进行取舍.

3.2BP神经网络故障诊断模型的构建

3.2.1故障诊断系统结构

故障诊断系统的结构框图见图2.图 2故障诊断系统结构

3.2.2构建过程及步骤

构建过程及步骤如下:

(1)构造学习样本集.从收集的原始数据中产生所需要的学习样本,数据的多少取决于许多因素,如神经网络的大小,测试的需要及输入、输出的分布等.其中,网络大小最为关键,通常较大的网络需要较多的训练数据.

(2)连续属性的离散化及决策表的形成.基于粗糙集的算法对数据的要求之一就是属性必须是离散值.然而,在实际应用领域,相当多的数据是连续的,因此要对数据进行离散化处理.采用离散化后的条件属性和决策属性值形成1张二维表格,每行描述1个对象,每列对应对象的1种属性.

(3)属性约简.对离散化后的数据利用粗糙集进行约简, 得到约简后各子神经网络输入.

(4)将约简后的属性数据作为神经网络的输入,并训练神经网络.

(5)输入诊断集进行故障诊断,并输出诊断结果.[12]

4应用实例

选取文献[11]中给出的某变压器的20组故障诊断样本数据对本文所述方法进行可行性与有效性分析.所构建的故障诊断决策表见表1,其中,A={s1,s2,s3,s4,s5}表示条件属性,分别表示所测的变压器中H2,CH4,C2H6,C2H4和C2H2的相对值;D为决策属性,有5种决策值,分别是无故障、低温放电、高温放电、低能量放电和高能量放电.

对表1样本数据进行基于信息熵的粗糙集属性离散化方法处理后,所得结果见表2.表 1变压器故障诊断决策表序号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离散化后故障诊断决策表序号s1s2s3s4s5D1524350245443033546704553220514471161546117353111835351191347721012475211141762121517721373337314713113157121131671214317221684182216841944363420622584

按照粗糙集理论所给出的基于差别矩阵的属性约简算法进行约简后形成如下3个约简属性组合,分别为{s1,s3,s5},{s1,s4,s5}和{s1,s2,s3}.任选其中1组作为输入节点构建神经网络.不妨取约简属性集{s1,s3,s5},由于故障类别共分为5种,因此选输出节点为5个,选隐层节点为6个,误差精度为0.001.利用样本数据对所构建的BP神经网络进行训练,其误差曲线见图3.网络经过61次训练就达到预定精度要求.

图 3BP神经网络训练误差曲线

利用表2所给待识样本数据对训练好的神经网络进行检验,其结果见表3.从检验结果分析,与文献[11]中的识别结果基本一致,仅有对样本8的识别结果不相一致.在文献[11]中对实际故障为中温过热的样本8识别结果为低温过热,而此处识别结果为高温过热.虽然两者识别结果有些差异,但两者对故障类型的认定完全一致.因此,本文所构建的故障诊断模型具有一定的可行性与有效性.

表 3故障诊断及诊断结果(最后1列为检验结果)序号实际故障H2CH4C2H6C2H4C2H2检验结果1正常7.35.73.42.73.102低温过热12012033830.5413局部高温过热20.619.87.560.91.5224铁心多点接地4297156598025有局部放电1563933446036工频续流放电200471511512947层间绝缘不良98121322951528中温过热58761822029围频放电31.25.41.312.513.1410磁路高温过热7251813912995.82

5结论

随着设备结构的日趋复杂,故障类别也日趋多样,因此在实际生活中,对故障类别的诊断显得尤为重要.在实际故障诊断中采集到的数据往往是1个真实的数据,而且这些数据样本的分类边界不确定,故障与征兆之间的关系往往也不确定.本文在分析粗糙集和BP神经网络各自用于故障识别时的优缺点的基础之上,充分将两者的优点进行有机结合,并针对粗糙集只能处理量化数据的特点,给出1种基于信息熵的粗糙集属性离散化方法,从而建立1种新的故障诊断模型.通过对应用实例的分析发现,该模型对所给样本基本都进行准确识别,且与文献[8]相比,所需属性数更少.因此,该模型的提出将为有效进行故障识别以及其他诸如识别、分类等领域应用问题的解决提供更多可靠性方法.

参考文献:

[1]沈永红, 王发兴. 基于信息熵的粗糙集属性离散化方法及应用[J]. 计算机工程与应用, 2008, 44(5): 221-224.

[2]郭小荟, 马小平. 基于粗糙集的故障诊断特征提取[J]. 计算机工程与应用, 2007, 43(1): 221-224.

[3]胡寿松, 何亚群. 粗糙决策理论与应用[M]. 北京: 北京航空航天大学出版社, 2006: 4-51.

[4]PAWLAK Z.ROUGH set[J].Int J Comp & Infor Sci, 1982, 11(5): 341-356.

[5]曾黄麟. 粗集理论及其应用[M]. 重庆: 重庆大学出版社, 1998: 8-41.

[6]王国胤. Rough集理论与知识获取[M]. 西安: 西安交通大学出版社, 2001: 117-140.

[7]梁吉业, 孟晓伟. 信息熵在粗糙集理论中的应用[J]. 山西大学学报: 自然科学版, 2002, 25(3): 281-284.

[8]袁曾任. 人工神经元网络及其应用[M]. 北京: 清华大学出版社, 1999: 66-68.

[9]马维国. 纺纱生产BP神经网络模型[J]. 2004, 13(3): 57-59.

[10]张长君, 邹开其. 恶劣气象条件下高速公路匝道控制的神经网络方法[J]. 计算机辅助工程, 2006, 15(3): 86-88.

网络故障诊断范文5

关键词:故障诊断,软硬件故障

1、绪论

当前,全球网络高速发展,计算机网络已经在普通用户中广泛使用,与此同时,网络故障也变的极为普遍,然而,由于计算机网络自身的复杂性,维修保障非常困难。用户在计算机网络使用中,常常分辨不出网络故障原因,不知道究竟是软件故障,还是硬件故障。一旦发现问题,他们除了进行常规硬件检查和软件系统重启等简单操作外,对于整体故障,尤其是软件失效引起的故障,常常毫无办法,本文首先简单介绍故障诊断相关术语,进而简述计算机网络软硬件故障特性,结合诊断实例,综述计算机网络故障的排除。

2、计算机网络软硬件故障特性

虽然有各式各样的网络故障,但所有的故障总体可分为物理故障与逻辑故障,也就是通常所说的硬件故障与软件故障,因此具有典型的软件故障特征。许多故障和征兆之间常常不存在一一对应的简单关系,维修难度大。总的说来,故障具有如下特性:

层次性:这是故障的“纵向性”。计算机网络,结构可划分为系统、子系统、模块、部件等各个层次,其功能也可划分为若干层次,因而其故障和征兆也有不同的层次。任何故障都是同系统的某一层次相联系的,高层次的故障可以由低层次的故障所引起,而低层次的故障必定引起高层次的故障。因此在故障诊断中可设计某种层次诊断模型。

相关性:这是故障的“横向性”,它是由系统各元素间的联系所决定的。当一个元素或联系发生故障后,可能导致同它相关的元素或联系的状态发生变化,进而引起相关元素或联系也发生故障。某一故障可能对应若干征兆,而某一征兆可能对应若干故障,它们之间存在着错综复杂的关系,造成故障诊断困难。故障的相关性使得许多的故障现象可以归根于同一个故障,从而可以从不同的角度对同一个故障进行诊断。

不确定性:这是故障的“模糊性”。故障和征兆信息的随机性、模糊性,故障和征兆之间对应关系的不明确性,不确定性是计算机网络的一个重要特性,对相同的系统而言,或对同一系统在不同时间、不同工作环境下而言,各层次的元素特性与各元素间的联系特性是不可能完全确定的,其变化规律难以确定,从而导致元素、联系直至系统的状态和行为也不可能完全确定,因而其故障也是不确定的。

3、计算机网络软硬件故障的表现症状

软硬件故障通常表现为以下几种情况:

①电脑无法登录到服务器;

②电脑无法通过局域网接入Internet;

③电脑在“网上邻居”中只能看到自己,而看不到其他电脑,从而无法使用其他电脑上的共享资源和共享打印机;

④电脑无法在网络内实现访问其他电脑上的资源;

⑤网络中的部分电脑运行速度异常的缓慢。

4、常见计算机网络软硬件故障的解决方法

当出现一种网络应用故障时,如无法接入Internet,首先尝试使用其他网络应用,如查找网络中的其他电脑,或使用局域网中的Web浏览等。如果其他网络应用可正常使用,如虽然无法接入Internet,却能够在“网上邻居”中找到其他电脑,或可ping到其他电脑,即可排除连通性故障原因。如果其他网络应用均无法实现,继续下面操作。

①看LED灯判断网卡的故障

首先查看网卡的指示灯是否正常。正常情况下,在不传送数据时,网卡的指示灯闪烁较慢,传送数据时,闪烁较快。无论是不亮,还是长亮不灭,都表明有故障存在。如果网卡的指示灯不正常,需关掉电脑更换网卡。

②用ping命令排除网卡故障

使用ping命令,ping本地的IP地址或电脑名(如shj831),检查网卡和IP网络协议是否安装完好。如果能ping通,说明该电脑的网卡和网络协议设置都没有问题。问题出在电脑与网络的连接上。因此,应当检查网线和Hub及Hub的接口状态,如果无法ping通,只能说明TCP/IP协议有问题。这时可以在电脑的“控制面板”的“系统”中,查看网卡是否已经安装或是否出错。如果在系统中的硬件列表中没有发现网络适配器,或网络适配器前方有一个黄色的“!”,说明网卡未安装正确。需将未知设备或带有黄色的“!”网络适配器删除,刷新后,重新安装网卡。并为该网卡正确安装和配置网络协议,然后进行应用测试。如果网卡无法正确安装,说明网卡可能损坏,必须换一块网卡重试。如果网卡安装正确则原因是协议未安装。

③如果确定网卡和协议都正确的情况下,还是网络不通,可初步断定是Hub和双绞线的问题。为了进一步进行确认,可再换一台电脑用同样的方法进行判断。如果其他电脑与本机连接正常,则故障一定是先前的那台电脑和Hub的接口上。

④如果确定Hub有故障,应首先检查Hub的指示灯是否正常,如果先前那台电脑与Hub连接的接口灯不亮说明该Hub的接口有故障(Hub的指示灯表明插有网线的端口,指示灯亮,指示灯不能显示通信状态)。

通过上面的故障压缩,我们就可以判断故障出在网卡、双绞线或Hub上。

当电脑出现协议故障现象时,应当按照以下步骤进行故障的定位:

①检查电脑是否安装TCP/IP和NetBEUI协议,如果没有,建议安装这两个协议,并把TCP/IP参数配置好,然后重新启动电脑。

②系统重新启动后,双击“网上邻居”,将显示网络中的其他电脑和共享资源。如果仍看不到其他电脑,可以使用“查找”命令,能找到其他电脑,就完成了。

5、 结束语

网络发生故障是不可避免的。针对于单独的硬件故障诊断相对简单,但是对于由软件故障或者因为软件引起的硬件故障,诊断相对困难,本文给出了软硬件相互影响的故障诊断方法,但对由于软件引起的硬件故障研究不够,需要进一步研究。

参考文献

[1]周炎涛.计算机网络实用教程(第2版).电子工业出版社

网络故障诊断范文6

对于汽车车载网络系统的故障,故障发生时一般都有一些明显的故障特征:1)整个车载网络不工作或多个控制单元ECU有故障。2)有些故障现象时没有任何关联,有时候多个故障现象会在不同的系统和不同的地方一起表现出来。3)通过专用的故障诊断设备与个别或多个控制单元ECU通讯,现象变现为无法与诊断设备连接通讯。

2车载网络系统的故障诊断的一般程序

1)基本检查。检查汽车蓄电池的静态电压、各接头之间的连接情况、相关的保险丝以及发动机与车身的搭铁情况等。2)连接专用诊断仪,与出现故障的各电控系统进行通讯,并读取故障码。3)如有故障码,按故障码提示进行检查。在CAN系统故障码与其它故障码同时出现时,应优先对CAN系统进行故障诊断。如故障诊断设备它具有对控制单元ECU进行CAN系统的故障诊断和支持监视器功能,通过诊断设备的这个功能可以用来帮助判断故障位置。4)检查控制模块的电源供应及搭铁回路是否良好。5)检查CANBUS数据总线的两根线路是否良好,最好用多通道示波器对其进行波形检测,如不正常再用万用表进行检查是否断路、短路。6)拔下控制模块线束接头,对控制模块CANBUS数据总线接口两端的数据传递终端电阻进行检测,如不符要求,则控制模块内部不良。7)在拔下控制模块线束接头,检查CANBUS数据总线接口的接触情况,并使该控制模块不接入车内网络系统的情况下,观察故障现象的变化,如故障消失,则控制模块硬件损坏或内部软件故障如未进行相应编程、设定等。8)先对该控制模块进行重新设定,如故障不能消失,则更换新模块再视情进行重新编程设定。

3车内局域网系统故障诊断、排除的相关要点

1)熟悉每个类型的汽车网络系统的特点。车载网络采用的大多是局域网(局域网是指在一个特定的局部单位内连接的网络),其可用的传输介质主要有同轴电缆、双绞线、光纤电缆和无线电。在汽车上会同时有多个局域网络存在,通过利用网关将这些局域网连接起来从而形成互联网络。因此网关是用来连接不同类型的网络从而能实现不同类型网络之间协议相互转换的设备。根据网络结构,车载网络分星型网、总线网、环型网。星型网络是以一台中央处理器为中心,中央处理器与每台入网机器有一个物理连接链。星型网络又有用普通导线传输数据的普通星型网络和用光纤传输数据的光学星型网络,但都只能在一个部件或总成上使用。如宝马7系列轿车被动安全系统的Byteflignt就采用光学星型网络(参见后述故障实例中的介绍)。环型网络是指控制单元通过网络部件连到一个环行物理链路中,其优点是信息在网络中传输实时性好、传输数据量大及抗干扰能力强,每个节点只与其他2个节点有物理连接;缺点是一个节点故障可能影响整个网络,可靠性较差,网络扩充时要调整对整个网络重新排序,在增加功能时需添加控制单元,相对比较复杂。总线型网络由总线连接入网控制单元,可以使用同轴电缆、双绞线、光纤电缆作为网线,以双绞线最为常见。车载局域网的应用非常多,如可以应用在动力控制系统、车身系统、安全系统、信息系统,它们可以是采用不同的网络结构、不同的传输介质、不同的传输协议的各自独立的网络;也可以设置网关,将它们连接为一体形成车载网络系统。网关主要功能是从一个局域网络读取所接收的信息,并翻译信息,向其它局域网络发送信息。车载网络系统是一个比较复杂的系统,所以维修时,我们要通过对汽车车载网络之间的关系结构的熟悉,如果能偶将其网络结构的基本框图会出来时最好的。

4故障实例