网络故障诊断范文

导语：如何才能写好一篇网络故障诊断，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

关键词：网络故障；故障检测；故障定位；故障诊断；专家系统；数据挖掘；神经网络

中图分类号：TP393.06

随着计算机、通信以及互联网技术的飞速发展及应用，网络作为一种重要的工具，在军事、政治、经济和科研等诸多领域起着越来越重要的作用，已经成为社会生产和生活必不可少的一部分。与此同时，网络的规模和复杂性不断增大，一旦网络发生故障，如果不能在有效时间内对网络故障进行诊断与修复，将会造成巨大的损失，甚至严重威胁社会的安全与稳定，因此对网络故障诊断技术进行研究具有越来越重要的应用价值和现实意义。

1 网络故障诊断一般过程

通常来说，网络故障诊断是以网络原理、网络配置和网络运行的知识为基础，根据网络出现的故障现象，并使用专门的网管理和检测工具以获取告警信息进而对网络中出现的故障进行诊断、恢复以及预测的过程，一般可分为以下五个部分[1]：

（1）故障检测，即网络故障告警信息的获取。网络发生故障时，通过主动轮询或异步收集方式，对网络中的相关设备或服务的相关告警信息、设置和性能参数，状态信息等进行收集和分析，及时发现网络出现的故障及问题。

（2）故障定位，即定位故障源。对故障检测阶段收集的海量告警数据进行分析和处理，在网络中找出故障，为下一步的故障原因的诊断提供依据。

（3）故障原因的诊断，即查找故障产生的根源。根据故障定位的结果综合运用各种规则进行系统的推理，快速的找到故障产生的原因或者最可能的原因。

（4）故障修复。根据网络故障诊断结果修复网络故障，恢复网络的正常运行。

（5）故障预测，即根据先验知识和监测数据预测网络可能发生的故障。

其中故障检测，故障定位，故障原因诊断是必不可少的三个步骤，下面将重点对上述三个步骤进行详细的介绍。

2 网络故障检测

通常计算机网络通过以下两种方式收集信息，通过分析收集到的信息来检测故障[2]。

（1）Trap机制。在网络中每一个被管设备中都要运行一个程序以便和管理站中的管理程序进行通信。

（2）主动轮询。网络中发生故障的被管设备或服务主动向网络管理系统发出告警信息，能够及时发现网络中的故障，网络管理系统还需通过主动轮询这种方式了解与网络性能密切相关的信息，并对这些影响网络性能信息设置阈值，来判断网络性能，超过设定阈值也会触发事件。

3 网络故障定位

网络系统中，一般通过监测被管设备或服务等各种方法获取大量原始告警数据或历史积累信息，这些数据往往由于通信系统的复杂性、网络结构异构性、噪声、外界因素、因果关系等原因而具有相当大的不确定性和不精确性，导致故障症状和故障原因都存在非线性映射关系，需要利用关联技术对数据进行处理和分析才有效的进行故障定位[3]，目前常用的故障定位技术主要有下面几种：

3.1 基于人工智能的故障定位技术

3.1.1 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，已被用于多种构架。一般而言，基于规则的系统由三个组成部分组成，如图1所示。

（1）推理引擎，主要提供解决问题所需要的策略。

（2）知识库，提供和定义与问题相关的规则和专家知识。

（3）工作内存，主要提供解决问题所需要的数据。

在基于规则的推理的网络故障定位系统中，知识库充当一个专家的角色，利用从人类专家获取专家积累的经验和知识，这些知识主要包括对网络问题的定义以及当某一特定问题发生时，网络故障定位系统需要执行的操作。工作内存主要是利用具体的网络协议对网络中的被管设备或服务进行监测，得到有关被管设备或服务的各种信息。在对网络故障进行定位时，推理引擎与知识库共同合作，将监测得到的网络中被管设备或服务的状态信息与知识库中定义好的条件部分进行比对，根据条件满足与否，来进行网络故障的定位。

基于规则的网络故障定位系统，由于无需对专家系统的具体结构和操作细节进行深入了解，从而具有结构简单等诸多优点，并且实现起来比较简单，非常适用于小型系统。但是基于规则的网络故障定位系统在匹配规则时，需要网络状态与知识库中的规则条件精确匹配，否则将推出整个推理过程，无法定位故障，并且规则存在不易维护性和指数增长性，所有这些缺点决定了基于规则的网络故障定位系统不适用大型系统。

3.1.2 基于模型的推理技术

基于模型的推理（Model-based Reason，MBR）是建立在面向对象上的基础之上，利用现有的专家经验和知识，将具体的目标系统中的实体都模型化诊断对象，并且明确地表现出现实目标系统中对象之间存在的各种关联关系，再根据系统模型对具体的目标系统的行为进行推测。由于通常情况下，具体的目标系统与理想的系统模型之间存在差异性，因此基于模型的推理的专家系统需要对推测的行为和目标系统的实际行为进行不一致诊断，以确定具体目标系统中的故障根源。

为了更好地说明基于模型的推理专家系统的工作流程，文献[4]使用一个物理模型和对应的对等模型分别如图2、3所示的网络系统。网络系统按一定的周期，有规律的向图2中的被管设备发送ping命令以监测网络系统中的被管设备是否运行正常。管理系统和被管设备之间通过一个模型对象实现彼此之间的相互通信，具体来说，如图2所示，系统中的集线器模型向被管设备集线器发送ping命令，路由器模型则向被管设备路由器发送ping命令。当目标网络发生故障时，如果故障发生在集线器1，则集线器1模型可以将其发现并且识别出来，如果集线器1模型连续3次向被管设备集线器1发送ping命令，在3次响应超时以后，集线器模型1根据现有的网络现象推测被管设备集线器1有可能发生故障，或者说目标系统中的故障位于集线器1。集线器1模型则会在确定故障并正式发送告警信息之前，集线器1模型将分析自身与图2中其他被管设备的模型之间的关系以此来确定其是否应该询问网络中路由器模型，如网络中的路由器模型返回的是相应的被管路由器设备工作处于正常状态，则集线器1触发警报。

3.1.3 基于范例的推理技术

基于范例的推理（Case-based Reason，CBR）故障定位技术与前面的基于规则推理技术和基于模型推理技术相比具有很大的差异性，主要因为基于范例的推理技术的思想源于人类现实生活，主要根据过去积累的实际经验或经历，利用类比的推理方法对现有的新问题做出相似的解答，然后根据新问题与旧问题之间的差异对解答进行修改从而得到新问题的完全解答。基于范例推理的网络故障定位技术主要由四个部分组成，检索 （Retrieve）、复用（Reuse）、修正（Revise）、保存（Retain），简称4R过程。

基于范例推理的故障定位技术与基于规则推理的故障定位技术相比，由于在基于范例推理的故障定位技术中检索只是基于对案例的部分匹配，而基于规则推理的故障定位技术则是完全匹配，因此基于范例推理的故障定位技术对网络配置变化的适应度更好，更适用于问题的总体解决方案。

3.2 模型遍历技术

模型遍历技术（Model traversing techniques）是一种构建网络故障传播模型的方法，该方法在构建故障传播模型时，主要根据网络在运行时各种被管对象之间的相互关系，并且按照从引起事件的被管对象开始的顺序进行构建。该方法主要适用于网络中被管对象之间的相互关系类似于图形，并且一般情况下较容易获取的情况，并且在系统配置变化较频繁时该方法的鲁棒性很好。模型遍历技术主要具有两大特点，事件驱动和事件关联，所谓事件驱动是指在一个故障症状报告到来之前，系统一直处于等待故障症状状态；事件关联则是确定两个故障症状是否来源同一个事件源。

一般情况下，模型遍历技术需要在其事件报告中明确标识网络系统中故障的征兆类型、征兆目标等相关信息，如果网络系统中出现故障征兆，且不妨用si来表示该故障征兆，当si的目标和si来源相同，则说明si是一个次要征兆也就说明某些告警信息可以被忽略。模型遍历技术的整个处理可分为以下3步：

（1）首先，对网络中的每个事件，依据网络在运行时各种被管对象之间的相互关系对其构建一个和事件源相关的对象图。

（2）当给定的两个事件的对象图相交时，此时说明两个图至少包含同一个对象，则认为这两个对象图的事件源是关联的。

（3）当给定三个故障症状si，sj，sk，其中si，sj相互关联，sj，sk相互关联，则根据故障症状的传递性可知si是一个次要的故障症状。

4 网络故障原因诊断

（1）基于信号处理方法。该方法主要是依据信号模型，直接对网络系统中的可测信号进行分析与处理，并通过提取可测信号的频率等特征值，对网络中存在的故障原因进行诊断。

（2）基于解析模型的方法。基于解析模型的方法主要依据数学模型和数学方法来进行故障原因的诊断，在诊断时需要建立对象的精确数学模型。

（3）基于知识检测的方法。与基于解析模型方法相比，此方法最大的特点在于其并不需要对象的精确数学模型就可以对网络中的故障原因进行诊断。

下面主要介绍几种目前国内外研究学者研究比较多的基于知识检测的方法，基于专家系统故障原因诊断方法和基于模糊理论故障原因诊断方法以及基于BP神经网络故障原因检测方法。

4.1 基于专家系统故障原因诊断方法

基于专家系统故障原因诊断系统主要是利用人类专家的经验和历史积累诊断数据，使用一定的方法将其转化为系统能够识别的规则存在专家系统的知识库中。当网络中出现故障时，诊断系统利用专家系统知识库中的规则，对发生故障网络中的被管对象的各项性能参数进行处理与分析以正确的确定网络故障发生的具体原因[5]。组成由人机接口、推理机、知识库等六部分组成：

目前，国内外学者公认的专家系统瓶颈是知识获取问题，因为专家系统在诊断过程中主要依赖于从人类专家领域内获取的知识、经验和以往诊断数据，而这些获取起来途径有限，操作起来具有一定的局限性和复杂性。另外，专家系统在实时性和学习能力等方面也存在一定的局限性，因此目前通常将专家系统同其他方法相结合以提高专家系统在这些方面存在的局限性和不足。

4.2 模糊故障诊断方法

很多时候，网络中的故障与系统得到的网络现象之间存在非线性的映射关系，这种非线性的映射关系很难用确定的数学公式或者模型来刻画，相应的在故障原因诊断时，很难给出故障的精确原因。相反，只能给出故障发生的可能原因。对于这种存在一定模糊性的问题，可以使用模糊逻辑来解决。

目前使用的比较多的是向量识别法，其诊断过程可分为以下3步：

首先，需要根据网络中的故障与表征网络故障的数据，建立二者之间的关系，通常用关系矩阵R来表示。

其次，对需要诊断的目标网络系统（对象）进行状态检测，提取相关的特征参数以构建特征向量矩阵X。

最后，根据模糊理论和矩阵理论，求解前面两步构建的关系矩阵方程Y=X・R，得到关系矩阵方程的解Y，再根据隶属度等原则，对目标网络系统的故障向量Y进行处理，得到故障的原因。

从上述诊断过程可知，在模糊故障诊断中，正确的进行故障原因诊断的前提是建立关系矩阵R、隶属函数、特征值向量X，而这些矩阵、函数、向量的建立是人为构造而成，难免具有一定的主观性，并且由于该模糊诊断方法对特征元素的选取也有一定的要求，所以两者若处理不当，会导致该方法的诊断结果精度严重下降甚至完全错误。

4.3 BP神经网络诊断方法

由于人工神经网络的这些特性以及网络中故障与征兆之间有可能存在的非线性映射关系，使得人工神经网络在网络故障诊断中大有用武之地。目前，人工神经网络已经大量应用在网络故障诊断领域。BP神经网络是常用的人工神经网络模型[6]。

BP神经网络故障诊断分为训练和诊断两个阶段：

（1）训练阶段。BP神经网络对样本进行训练，以选定网络结构和规模，确定网络总层数、各层神经元数。借助BP学习算法，将原始网络收集到的故障样本的特征参数作为BP神经网络输入样本集，以与之对应的网络故障原因编码为BP神经网络的输出，以此对BP神经网络进行训练。

（2）故障诊断阶段。主要对待检测对象的故障样本进行特征提取和归一化处理，然后输入到BP神经网络进行诊断输出诊断结果，整个过程分为以下4个步骤：1）故障样本集预处理。2）BP网络结构设计。3）训练BP神经网络。4）故障诊断。

5 结束语

本文对网络故障的概念以及基本过程进行了概述，重点对当前网络故障中的故障检测、故障定位、故障诊断的关键技术及方法进行了研究和总结归纳，对开展网络故障诊断技术研究具有一定的指导意义。

参考文献：

[1]王成等.网络故障诊断技术研究[J].科技信息，2011（11）.

[2]陈琳.一种网络环境中的故障诊断模型[J].北京航空航天大学学报，2004（11）.

[3]张燕.网络故障诊断关键技术[J].电脑知识与技术，2009（31）.

[4]李千目.战略互联网智能诊断技术研究[D].南京理工大学，2005.

[5]吴晓知，李兴明.网络故障管理专家系统中知识库的构造[J].微计算机信息，2008（06）.

[6]戚涌，刘凤玉.基于BP神经网络的网络智能诊断系统[J].微电子学与计算机，2004（10）.

篇2

[关键词]网络；故障；诊断分析；处理对策

中图分类号：G250.72 文献标识码：A 文章编号：1009-914X（2015）06-0110-01

1 前言

随着电子政务、企业信息化和电子商务的迅速发展，计算机网络正在融入社会生活的各个方面。计算机网络的广泛应用带来了许多便利，人们对网络的稳定运行提出越来越高的要求。但随之而来的网络故障也带来了很多烦恼，轻则影响用户网络运行质量，重则导致整个网络瘫痪，带来巨大的经济损失。在网络出现故障时要做到及时发现网络故障、准确定位网络故障并且能及时排除故障就显得特别重要。

2 按照网络故障不同性质

2.1 物理故障

指的是设备或线路损坏、插头松动、线路受到严重电磁干扰等情况。例如，网络管理人员发现网络某条线路突然中断，首先用ping或fping检查线路在网管中心这边是否连通。ping的格式为：ping 192.168.0.1 （192.168.0.1是ip地址，可以是主机的ip也可以是网络中另一台计算机的ip）。ping一般一次只能检测到一端到另一端的连通性，而不能一次检测一端到多端的连通性，但fping一次就可以ping多个ip地址，比如c类的整个网段地址等。顺便多说一句，网络管理员经常发现有人依次扫描本网的大量ip地址，不一定就是有黑客攻击，fping也可以做到。如果连续几次ping都出现"requst time out"信息，表明网络不通。这时去检查端口插头是否松动，或者网络插头误接，这种情况经常是没有搞清楚网络插头规范或者没有弄清网络拓扑规划的情况下导致的。另一种情况，比如两个路由器router直接连接，这时应该让一台路由器的出口连接另一台路由器的入口，而这台路由器的入口连接另一路由器的出口才行。当然，集线器hub、交换机、多路复用器也必须连接正确，否则也会导致网络中断。

2.2 逻辑故障

逻辑故障中最常见的情况就是配置错误，就是指因为网络设备的配置原因而导致的网络异常或故障。配置错误可能是路由器端口参数设定有误，或路由器路由配置错误以至于路由循环或找不到远端地址，或者是路由掩码设置错误等。比如，同样是网络中的线路故障，该线路没有流量，但又可以ping通线路的两端端口，这时就很有可能是路由配置错误了。遇到这种情况，我们通常用“路由跟踪程序”就是traceroute，它和ping类似，最大的区别在于traceroute是把端到端的线路按线路所经过的路由器分成多段，然后以每段返回响应与延迟。如果发现在traceroute的结果中某一段之后，两个ip地址循环出现，这时，一般就是线路远端把端口路由又指向了线路的近端，导致ip包在该线路上来回反复传递。幸好traceroute可以检测到哪个路由器之前都能正常响应，到哪个路由器就不能正常响应了。这时只需更改远端路由器端口配置，就能恢复线路正常了。逻辑故障的另一类就是一些重要进程或端口关闭，以及系统的负载过高。比如也是线路中断，没有流量，用ping发现线路端口不通，检查发现该端口处于down的状态，这就说明该端口已经关闭，因此导致故障。这时只需重新启动该端口，就可以恢复线路的连通了。还有一种常见情况是路由器的负载过高，表现为路由器cpu温度太高、cpu利用率太高，以及内存剩余太少等，如果因此影响网络服务质量，最直接也是最好的办法就是――更换路由器。

3 按照网络故障不同对象

3.1 线路故障

线路故障最常见的情况就是线路不通，诊断这种情况首先检查该线路上流量是否还存在，然后用ping检查线路远端的路由器端口能否响应，用traceroute检查路由器配置是否正确，找出问题逐个解决。

3.2 路由器故障

线路故障中很多情况都涉及到路由器，因此也可以把一些线路故障归结为路由器故障。检测这种故障，需要利用mib变量浏览器，用它收集路由器的路由表、端口流量数据、计费数据、路由器cpu的温度、负载以及路由器的内存余量等数据，通常情况下网络管理系统有专门的管理进程不断地检测路由器的关键数据，并及时给出报警。而路由器cpu利用率过高和路由器内存余量太小都将直接影响到网络服务的质量。解决这种故障，只有对路由器进行升级、扩大内存等，或者重新规划网络拓扑结构。

3.3 主机故障

主机故障常见的现象就是主机的配置不当。包括主机配置的IP地址与其他主机冲突，或IP地址根本就不在于网络范围内，这将导致该主机不能连通。发生类似的情况，可通过查看网络邻居属性中的连接属性窗口，检查TCP/IP选项参数是否符合要求，包括IP地址、子网掩码、网关和DNS参数，对错误的设置进行修复。 主机安全性故障 主机主机性故障包括主机资源被盗和黑客入侵。对于主机资源要注意不要轻易地共享本机硬盘；对于主机被黑客 控制的故障可以通过监视主机的流量、扫描主机端口和服务，安装防火墙和加补系统补丁来防止可能的漏洞。

实例：传输上百兆数据时出现“网络资源不足”的提示。按常规，网络故障一般不排除以下几点：网卡有问题、水晶头做得不规范、网线有问题、网卡驱动或网络协议有问题等。但是根据故障现象来看，以上猜测都可以排除，因为任何一个地方存在问题，就不可能在微机之间进行数据传输，从而可以判断问题应该出在环境因素上。由于大量的数据传输需要频繁的数据读取，这就要有一个相对平稳的传输环境，而网卡附近有干扰时，这种平稳的环境就会被破坏。一般要确保网卡不插在离显卡很近的插槽上，因为现在的显卡一般都带有风扇，而显卡风扇将影响到网卡的工作，尤其是显卡在频繁工作时，影响将更加明显。把网卡拔下来，插到离显卡一个较远的插槽上，即可解决大量数据传输时出现的问题。

参考文献

篇3

关键词：网络故障；网络维护；分类；解决办法

中图分类号：TP393 文献标识码：A文章编号：1007-9599 (2011) 15-0000-01

Computer Network Troubleshooting and Maintenance Exclusion

Feng Lijian

(Shandong Weifang Vocational College,Weifang201041,China)

Abstract:Network failure is extremely common,but also a variety of types of network failure,network failure in a timely manner to maintain the network failure,the fastest to restore the normal operation of the network,to master an effective network maintenance theory,methods and techniques is the mon fault on the network to classify a variety common network failures and propose appropriate solutions.

Keywords:Network failure;Network maintenance;Classification;

Solution

随着计算机的广泛应用和网络的日趋流行，功能独立的多个计算机系统互联起来，互联形成日渐庞大的网络系统。计算机网络系统的稳定运转已与功能完善的网络软件密不可分。计算机网络系统，就是利用通讯设备和线路将地理位置不同的、信息交换方式及网络操作系统等共享，包括硬件资源和软件资源的共享：因此，如何有效地做好本单位计算机网络的日常维护工作，确保其安全稳定地运行，这是网络运行维护人员的一项非常重要的工作。在排除比较复杂网络的故障时，我们常常要从多种角度来测试和分析故障的现象，准确确定故障点。

一、分析模型和方法

（一）七层的网络结构分析模型方法。从网络的七层结构的定义和功能上逐一进行分析和排查，这是传统的而且最基础的分析和测试方法。这里有自下而上和自上而下两种思路。自下而上是：从物理层的链路开始检测直到应用。自上而下是：从应用协议中捕捉数据包，分析数据包统计和流量统计信息，以获得有价值的资料。

（二）工具型分析方法。工具型分析方法有强大的各种测试工具和软件，它们的自动分析能快速地给出网络的各种参数甚至是故障的分析结果，这对解决常见网络故障非常有效。

（三）综合及经验型分析方法靠时间、错误和成功经验的积累。在大多数的阿络维护工作人员的工作中是采用这个方法的，再依靠网管和测试工具迅速定位网络的故障。

二、计算机无法上网故障排除

（一）对于某网计算机上不了网的故障，首先要分别确定此计算机的网卡安装是否正确，是否存在硬件故障，网络配置是否正确在实际工作中我们一般采用Ping本机的回送地址（127.0.0.1）来判断网卡硬件安装和TCP/IP协议的正确性。如果能Ping通，即说明这部分没有问题。如果出现超时情况，则要检查计算机的网卡是否与机器上的其它设备存在中断冲突的问题。通过查看系统属性中的设备管理器，查看是否在网络适配器的设备前面有黄色惊叹号或红色叉号，如有则说明硬件的驱动程序没有安装成功，可删除后重新安装。另外，要确保TCP/IP协议安装的正确性，并且要绑定在你所安装的网卡上。如果重新安装后还是Ping不通回送地址，最好换上一块正常的网卡试一试。最简单的方法是检查双绞线，用线缆测试仪检测双绞线是否断开。双绞线没有问题，就要查看交换机的端口是否坏了。交换机每一个端口都有状态指示灯以询问一下其它网管人员就可以排除了，如果不放心可以对照查看。交换机的参数配置表也是网络管理员必备的资料之一，并且随着网络用户的变化要不断地修改，检测到此，如果端口指示灯不亮，就只能是端口损坏了，可以把跳线接到正常使用的端口上排除其它原因，确定是端口的问题。

（二）一批联网计算机上不了网对于同时有一批计算机上不了网的故障，首先要找到这些计算机的共性，如是不是属于同一VLAN或接在同一交换机上的，若这些计算机属于同一VLAN，且属于计算机分别连接于不同的楼层交换机，那么检查一下路由器上是否有acl限制，在路由器上对该VLAN的配置是否正确，路由协议（如我局的OSPF协议）是否配置正确。若这些计算机属于同一交换机，则应到机房检查该交换机是否有电源松落情况，或该交换机CPU负载率是否很高，与上一级网络设备的链路是否正常。通常某交换机连接的所有电脑都不能正常与网内其它电脑通讯，这是典型的交换机死机现象，可以通过重新启动交换机的方法解决。如果重新启动后故障依旧，则检查一下那台交换机连接的所有电脑，看逐个断开连接的每台电脑的情况，慢慢定位到某个故障电脑，会发现多半是某台电脑上的网卡故障导致的。

三、故障定位及排除的常用方法

（一）告警性能分析法。通过网管获取告警和性能信息进行故障定位。我们单位使用了深信服网络网管，可以对全单位的网络设备进行管理，平时多观察各设备CPU负载率和各线路的流量。当有人反映不能连接至网络或网速很慢时，可通过网管观察计算机与交换机的连接情况，是否有时断时通的现象，交换机CPU负载率是否很高，线路流量是否很大。通过观察设备端口状态，分析和观察交换机哪个端口所接的计算机发包量不太正常。

（二）查看网络设备日志法。经常看一下网络设备的日志，分析设备状况。我曾经通过showlonging命令观察到4006交换机下连的2950交换机经常每隔7小时down掉，然后又up，因时间间隔较长，单位人员未感觉网络中断，在此期间我们检查并确定了光缆、光收发器、网线、交换机配置、交换机端口均正常，后来的间隔时间由原来的7小时减为7分钟。由此我们立即判定2950交换机本身有故障，马上将已准备好的备用交换机换上，从而减少了处理故障的时间，并在最短时间内恢复网络。

（三）替换法。替换法就是使用一个工作正常的物体去替换一个工作不正常的物体，从而达到定位故障、排除故障的目的。这里的物件可以是一段线缆、一个设备和一块模块。

（四）配置数据分析法。查询、分析当前设备的配置数据，通过分析以上的配置数据是否正常来定位故障。若配置的数据有错误，需进行重新配置。

参考文献：

篇4

【关键词】输电网络；故障；人工智能；应用

电能的正常供应影响着人们的诸多方面，工作、学习、生活、娱乐等，电能供应的最基本要求就是稳定性和连续性，但是，输电网络越来越复杂，偶尔出现故障也会难免的，为了能够在输电网络出现故障时快速的诊断故障找出故障原因，减小相关损失，必须要找到一种合适的技术手段来解决这个问题，相关的研究人员也一直在致力于该方面的研究。人工智能技术就是研究人员在这方面的一个突破，人工智能技术能够模拟人类处理问题的思维方式，且具备一定的学习能力，本文将围绕这些方面进行一些探讨。

1 专家系统在输电网络故障诊断中的应用

专家系统在人工智能技术中开发的比较早，技术上也有了一定的厚度积累，从应用的角度来说，专家系统就是一个集合了大量程序的系统，它里面存储了相关专家在相应问题方面的见解，根据这些见解对问题进行推断，类似于专家解决问题的过程，节省了时间，目前，专家系统在人工智能中应用的已经非常广泛。专家系统在输电网络故障诊断中最典型的应用就是基于产生式规则的系统，把相关电路保护措施的信息和相关技术人员的诊断经验用程序表示出来，从而形成一个比较完备的专家知识库，一旦输电网络发生故障，则可以根据这个专辑知识库，快速的对故障进行诊断，迅速的找出解决方案。专家系统之所以在输电网络故障诊断中得到广泛的应用，主要有这么几个方面的原因：第一，输电网络中相关保护功能的信息能够有效、明了的表达出来；第二，基于产生式规则的专家系统允许根据实际情况的变化，对专家知识库进行合理的变更，跟上技术不断进步的脚步；第三，由于专家系统的智能功能，使其能够解决一些不确定的故障；第四，初步具备人类的思维，得出的结论能够被相关技术人员看懂。从上面的理论分析可以看出，专家系统在输电网络故障诊断中很有应用的前景和应用的必要，但是它也存在着一些问题：上面的分析可以看出，专家系统对故障的诊断基于专家知识库里的知识容量多少，因此，专家系统是否具有详细、准确的专家知识库能够影响整个故障诊断的效果，如果专家知识库达不到使用的实际标准，那么在进行故障推理低调时候，很有可能导致错误的结论，将相关技术人员引导到错误的道路上；专家系统在诊断大型输电系统故障的时候，需要从专家知识库进行知识的匹配，这个过程可能会比较慢；大部分专家系统不具备学习的能力，一旦诊断的故障超出了专家知识库中的内容， 那么专家系统很容易得出错误的结论。

2 人工神经网络在输电网络故障诊断中的应用

人工神经网络技术在输电网络故障诊断中应用的也越来越广泛，人工神经网络技术（ANN）就是模拟人体大脑的结构和处理问题方式的一种人工智能技术，它是人工智能技术重要的一个分支，它具有很多优点，例如能够实现并行式处理、自适应等，这些优点与输电网络故障诊断相结合，显示出了巨大的潜力，是一个比较热门的研究方向。基于人工神经网络的输电网络故障诊断，其总的诊断网络比较复杂，为了方便实时的侦测，一般将总的网络进行分区处理，然后在各个区创建基于BP算法的故障诊断模块，要得到诊断结果的时候，将各个分区的诊断结果进行综合后即可得出。例如，将总的故障诊断按照分工的不能区划成几个功能不同的诊断网络，比如一个子网络用来诊断故障的发生位置；一个子网络用来诊断故障的性质；一个子网络用来诊断故障对整个系统的危害程度等等，最后将这些子网络的结论按照一定的规则进行组合分析，即可得到需要的结论。人工神经网络的方法虽然相对于专家系统来说取得了一些突破，例如能够突破专家系统知识库知识获取难、诊断网络更加便于维护等，但是也具有一些缺点：人工神经网络不能够对启发性的知识进行分析和判断，且人工神经网络技术不够成熟，涵盖的范围大，学习困难，这些都在一定程度上影响了人工神经网络技术在输电网络故障诊断中的应用，并且，人工神经网络如何在大的输电网络故障诊断中应用一直是一个难点，还有待于相关人员取得新的突破。总体而言，人工神经网络方法在输电网络中还是很有应用前景的，可以加大的相关难题的科技攻关力度，进一步提高其有效性。

3 模糊理论在输电网络故障诊断中的应用

随着模糊理论的不断成熟，它在输电网络诊断中应用的也越来越广泛。在输电网络的故障中，其发生的故障和故障发生前的征兆之间联系是具有模糊性质的，这种模糊既具有不确定性又具有不准确定，因而，得出恰当的诊断结果也是比较困难的，必须要采用模糊判断的额方法，一般情况下是建立相关的模糊关系矩阵。随着模糊理论的不断完善，其受重视的程度越来越高，特别是在解决具有不确定性问题的情况中；模糊理论能够借助相关的数据库对问题进行分析，并得出一些列解决结论，且把这些结论按照模糊的程度进行排列；模糊知识库所使用的描述语言更容易为相关技术人员所接受。模糊故障诊断系统在结构上和专家系统有点相像，因此也具有一定的缺点：对大的输电网络系统故障诊断时速度比较慢；其可维护性比较差；不具备自主学习的能力。总体而言，模糊理论一般都是与其它人工智能技术结合使用，在一定程度上能够提高故障诊断的结果准确度，但是相关研究人员也必须要在它存在的缺点上有进一步的突破。

4 遗传算法在输电网络故障诊断中的应用

遗传算法目前在很多工业控制领域得到了推广和应用，在输电网络诊断中应用的也越来越多，遗传算法在基于生物进化的基础上推算出的一种自适应算法。遗传算法能够从错综负责的网络中，自动匹配出解决问题的最优算法，求出最优解，且比较简单，且可解决问题的范围比较大，一般应用于解决中小型规模的问题。目前，在遗传算法应用到输电网络故障诊断的过程中，如何建立正确数学模型至关重要，它是制约整个求解过程的关键，如果能够采用适当的方法对输电网络建立合理的数学模型，那么将有助于提高输电网络故障诊断的精确性。

5 结论

目前，人工智能技术已经在很多领域得到了应用，例如设备状态监测、设备自动化控制等，在现代输电网络越来越复杂的情况下，其应用于故障诊断中也显得越来越重要，本文分别介绍了专家系统、人工神经网络、遗传算法、模糊理论在输电网络故障诊断中的应用，指出了优点和缺点，希望本文能够对相关的工作人员产生一定的指导意义。

参考文献：

[1]毕天株，霓以信.人工智能技术在输电网络故障诊断中的应用述评[J].电力系统自动化，2012（11）.

[2]曾素琼.人工智能及其在输配电网络故障诊断中的应用[J].海南大学学报（自然科学版），2012（6）.

篇5

关键词：故障诊断；状态检测；BP神经网络

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2013）05-1126-02

1 概述

建筑桥梁贯通两地，促进经济发展。但随着时间的推移，由于温度、污染、认为等各种因素的影响，桥梁的状态在修建和使用过程中会发生变化，例如：表面锈蚀、裂缝扩大、承载力下降。在一定程度之内的变化可被认为属于正常现场，但如果出现局部材质恶化、结构损伤或是桥梁过载等现象时便会影响桥梁的正常使用，甚至危及桥梁和车辆运营安全。为此需要在桥梁的修建和使用期间需定期对桥梁的状态及各种技术指标进行检测和预防性维护来保证桥梁的质量和安全性。

桥梁状态发生变化的原因主要有以下三个原因：自然条件及其变化，即大气温度、地震及桥墩台地基的土壤的物理性质、水位变化、水文地质、工程地质等；与桥梁自身相关的原因，即墩台和梁的结构（型式）、恒载（包括作用在桥梁上部结构的和墩台的）以及活动荷载（桥上行驶车辆的数量、车辆行驶时引发的震动、水平风力等）；人为因素（勘探测量、设计、施工以及运营管理等工作过程中的不合理方案、操作等）。桥梁所有状态的变化可以归为两种：静态变化和动态变化。

当前，主要采用两种手段对桥梁进行检测：凭借人工经验，没有数据记录，仅适用于刚建或有突变故障的桥；专业的桥梁检测队，数据准且分析全面，但检测费用高、过程复杂，难以得出桥梁寿命等定量的准确预测值。

2 便携式桥梁状态参数检测仪及智能故障诊断系统

“便携式桥梁状态参数检测仪及智能故障诊断系统”采用的倾角传感器具有高精度，并且桥梁的各项指标通过系统测量获得的倾角计算得到，除了能能检测横、纵向的振频、振幅，而且智能故障诊断系统运用BP神经网络技术还能对桥梁的状态作出检测和发展趋势作出预测解决了困扰多年的动挠度检测问题。系统的主控制器是一特的掌上电脑（PDA），其特点是：体积小，便携；智能化，操作简单；及时地监测正在运营的桥梁，而且各项费用低廉。该系统除了具有可信度高、测试精度高、存储信息大等特色外，还具有断电保存数据与上位机的标准通信等功能。

BP神经网络又名反向传播神经网络属于前馈网络，在众多网络中最常用，为此其广泛应用于故障诊断中。反向传播神经网络算法的实质是梯度下降法：每一层上包含了若干个代表神经元节点，但是同一层上的各节点之间没有紧密配合与相互影响的关系，在各节点见信息单向传播，从上到下依次经过各节点（包括隐含层的）直至到达输出层节点。BP算法优点很多，但也存在不足尤其运用于复杂的实际问题时：一收敛速度慢，二容易陷入局部极小点（由于隐节点的数目多、学习步长的选择复杂、样本集需预处理、以及选择网络初始权值的等）。针对BP算法中存在的问题，该文在桥梁故障诊断中使用改进型的BP算法：为加快收敛速度在初始的算法中引入动量因子。

3 桥梁状态检测中运用智能故障诊断技术

桥梁是交通运输中的重要组成部分，桥梁的状态在修建和使用过程中会发生变化，需要对桥梁进行故障诊断并进行及时的预防和消除故障，保证其正常使用。

3.1 桥梁故障诊断

桥梁故障诊断包括：状态监测和故障诊断。桥梁状态监测，即测试获得结构的某些特征参数，将测定值与规定的正常值进行比较，最终判断结构当前的工作状态。桥梁故障诊断则是对故障所在部位、内容、严重程度、产生的原因进行诊断。故障诊断的任务是：

1）状态监测：了解和掌握设备运行状态，包括对桥梁进行各种检测、分析、评估运行状态及判断是否处于正常工作状态。

2）故障诊断：利用前面桥梁状态监测所获取的信息（各种参数），将其与桥梁结构特征、所处环境、设备相关记录（包括运行记录和已发生的故障及维修记录）相结合，对设备已发生或是未来可能发生的故障进行分析、判断，确定故障（包括故障的部位、性质、产生的原因和所属类别等），并提出控制和消除故障对策确保设备能正常运转使用，并加以实施。

3）指导设备管理维修：桥梁维修已由最初的事后维修，定期的预防性维修，现在发展到向着适性维修前进。

本文主要通过将历史测量数据和当前的测量数据比较，利用BP神经网络技术对桥梁的状态进行综合的分析和判断，预测桥梁未来的发展的状态，实现智能诊断桥梁故障。

3.2 桥梁故障诊断中运用BP神经网络

在桥梁故障诊断中运用BP神经网络的主要步骤为：依据桥梁故障诊断出的问题组织样本来学习，再依据样本来构造出BP神经网络并对其进行训练，测试构造出的BP神经网络。本节将利用上文的的改进型的BP算法，对桥梁状态检测后的故障诊断问题进行研究和分析。

1）选择学习样本：桥梁的故障征用五个参数来表征：列车驶过桥梁时桥梁的横向振幅、纵向振幅、横向频率、纵向频率和动挠度；并用它们来作为输入变量；而由于桥梁的故障原因（钢轨出现裂缝、墩台倾斜和钢轨弯曲变形）众多，该文提出以桥梁的综合质量而非单独的问题作为判断标准，质量越高则综合质量数值越大，神经网络的输出变量用为桥梁检测的综合质量和预期综合质量；把数据测量时间作为神经网络的输入变量，以便能实现预测。因此，该文设计构造的BP神经网络的有六个输入变量和两个输出变量。通过相关专业领域专家的知识和对桥梁故障机理的分析获得桥梁系统的故障征兆集、故障原因集以及两者之间的关系集。

2）神经网络的构成与训练：样本数据具有较大的离散性，从而使得进入神经网络的数据同样具有较大的离散性。针对于本网络的将S型函数作为传递函数，其输出范围为0-1，对数据进行归一化。例如：第i个输入变量Ai，全部样本中第i个输入变量的最小值为Amin和最大值为Amax，Ai归一后为[Ai]：

利用MATLAB软件进行大量的仿真试验，确定BP网络中隐含层节点数和取得优良的故障诊断结果。学习样本的网络节点数、算法和结构参数会影响学习的速度，该文通过设定允许误差限度，用改进型的BP网络算来优化参数：

第一，固定神经网络的学习效率和所有隐含层中的节点个数，引入动量因子并研究其对算法的影响。结果显示，学习收敛因引入动量因子而改进，并且在一定范围内：动量因子越多，学习收敛的速度越快。动量因子为α最优。

第二，固定学习率和动量因子，分析神经网络学习与BP网络的所有隐含层节点数之间的相互作用情况。结果显示，BP网络的所有隐含层节点数对学习的收敛性关系密切。对于该故障诊断问题BP网络的隐含层节点数为h是最佳的。

第三，根据以上参数优化结果，设定ɑ动量因子为和h隐含层节点数，改变学习率训练神经网络。结果显示，学习率较小时网络收敛较慢，学习率过大时收敛出现振荡。经反复训练最终确定学习率为β。

3）测试神经网络络：用上述训练好的神经网络对已学习过的数据进行预测，并看与经验值是否吻合；采用一组新的数据对其进行测试，归一化后看死否相符；另选一组样本数据测试神经网络，验证其对陌生数据处理的有效性。若相符（吻合）或是得到误差较小的输出变量，满足规范，则表明此BP神经网络具有实际可用性，能正确实现故障诊断。

综上所述，经现场桥梁现场人员的同意和配合，并结合有关要求，我们提出并使用桥梁综合质量作为判断指标，利用基于用改进的BP算法训练后的神经网络初步研究了铁路桥梁状态检测的智能故障诊断进行了并进行了仿真，实现了对桥梁状况的综合判断和未来发展趋势的预测。

参考文献：

篇6

1人工神经网络故障诊断法

利用神经网络进行故障诊断，首先对所得的特征数据进行预处理，剔除不合理数据（外值），并对数据进行约简，消除冗余信息，神经网络的结构（中间层的传递函数和神经元数目）和参数（神经元之间的连接权值和阀值）被确定。再利用测试样本集对此神经网络进行测试，如果故障诊断的正确率没有达到要求，增加训练样本或训练次数，继续对神经网络进行训练；如果故障诊断的正确率达到要求，即可转入故障诊断阶段，此阶段可以在线进行。

2基于专家系统和模糊推理的故障诊断法

模糊推理是采用模糊逻辑由给定的输入到输出的映射过程。首先，利用专家的知识和经验构建知识库，对故障与故障现象、现象与现象以及故障与故障之间的关系进行描述。然后通过专家定制、确定性规则转化、数据挖掘或神经网络技术确定模糊规则。最后通过模糊推理机，得到故障的类型和位置信息。

3基于支持向量机（SVM）的故障诊断法

支持向量机作为一种机器学习算法，具有非凡的泛化能力，与其它智能化方法相比，在解决小样本、非线性和高维模式识别中表现出明显的优势，被应用于图像处理、模式识别和数据分析等领域。从本质上来说，网络故障诊断实际上是一个模式识别问题，可以利用支持向量进行网络故障诊断，具体步骤如下：（1）网络状态信息获取并约简，并将特征数据分为两部分：训练样本集和测试样本集；（2）选择支持向量机的初始化参数，包括核函数的参数和惩罚参数等；（3）利用训练样本集对支持向量机进行训练，得到最优分类超平面； （4）利用测试集检验诊断效果，如果诊断的正确率没有达到要求，增加训练集中的样本，对支持向量机重新进行训练；（5）如果诊断的正确率达到要求，则转到正式工作阶段，进行在线故障诊断。

篇7

Abstract: Based on the characteristics of distributed multi-agent systems， the similar of distributed network environment and the features of collaboration, self-adapting, learning ability, this paper studied the applications of multi-agent system in the intelligent fault diagnosis of network, focused on how to achieve the ability to learn and how to solve collaboration for multi-agent system.

关键词： 分布式；多Agent协作；智能故障诊断；案例学习

Key words: distributed；multi-agents cooperation；intelligent fault diagnosis；case-study

中图分类号：TP393文献标识码：A 文章编号：1006-4311（2011）28-0145-02

0 引言

网络规模的扩大及异构程度的提高等各种因素导致网络环境更接近不可观察的、不确定的、动态的、连续性的开放环境。网络故障也难以进行快速有效的诊断和修复。而多Agent系统，能够较好的适应当前及以后的网络环境，能够对网络故障作任务分解，并通过智能Agent之间的协作，较为准确的诊断网络故障，并利用相应的修复方案进行网络修复，从而大大提高网络系统的健壮性和可靠性。

1 智能Agent特性及多Agent系统与网络系统的相似性分析

1.1 智能Agent特性 学者Hayes Roth认为，“智能Agent能持续执行三项功能：感知环境中的动态条件；执行动作影响环境条件；进行推理以解释感知信息，求解问题，产生推断和决定动作。”Wooldridge等人提出的“弱定义”则经典阐述了Agent最基本的特性：“自治性、反应性、社会性、能动性。强定义的Agent还具有移动性、自利性等人类才具有的特性。”

1.2 智能Agent结构

参考文献：

[1]龙兵，姜兴渭等.基于多Agent卫星遥测数据实时监测与诊断技术.航空学报，2005，26（6）：726～731.

篇8

关键字：数控机床；机械故障；专家系统；神经网络；网络化

1 引言

由于数控机床具有提高零件的加工精度、稳定产品的质量、提高产品的生产率、可适应不同品种及尺寸规格零件的自动加工等优点，因此其运用越来越广泛，已经成为一个国家工业水平和综合科技水平的重要标志。数控机床对大中型企业来说，是其最重要的设备，如果其任何部分出现故障，其就会导致精度减低，严重的话，使企业停顿，企业的经济损失更大，进而对相关人员的安全造成危害。在一方面，数控机床特点就是先进、复杂和智能化，当其出现故障后，维修也相对困难，因此对数控机床机械故障诊断进行分析研究就显得非常迫切。

2 诊断故障系统的网络化管理

2.1专家系统和神经网络内涵

1）专家系统的基本原理；具有获取、处理、存储和使用知识的特点的系统叫做专家系统（可以进行知识处理），其主要包括知识库、推理机、数据库、知识获取模块、解释程序和人机接口等方面组成。

2）专家系统和神经网络的结合；尽管在运用方面，专家系统取得了不小的成就，但是，其在模拟人类抽象思维方面也有着明显的缺陷，这些缺陷主要有：（1）存在“瓶颈”问题；（2）推理能力弱；（3）自学习能力差；（4）存在“窄台阶效应”。

3）神经网络的基本结构；神经网络的基本结构主要有以下七部分组成，具体如：（1）一组处理单元（让相关单元可以激活）；（2）输出函数（由处理单元进行输送）；（3）衔接模式（主要处理单元之间的链接问题）；（4）一定规则进行传递；（5）一定规则进行激活（输入处理单元和当前状态结合规则）；（6）一定的学习规则（根据经验进行联接）；（7）系统所需要的环境。

2.2专家系统和神经网络的结合

2.2.1对专家系统和神经网络进行比较

根据其二者不同的定义、结构及工作原理，神经网络与专家系统是两种截然不同的技术：其主要区别有：（1）知识获取不同；（2）知识表示不同；（3）推理形式不同。

2.2.2 对专家系统和神经网络的相关性进行分析

二者存在的特点各不相同，神经网络和专家系统在其各自的领域都运用较为广泛，但同时在满足设备故障诊断任务方面又各自存在着的局限性，因此就需要让其二者有效结合起来，其结合方式主要有：（1）神经网络与专家系统共存于一个系统中；（2）使用神经网络来构造专家系统。

2.3 神经网络的类型选择及结构设计

2.3.1 神经网络不同选择类型

由于径向基函数网络具有确定自适应、输出与初始权值无关等各种优点，因此其在拟合多维曲面、重构自由曲面和故障诊断等方面有着巨大的运用。因此认为径向基函数神经网络是最好的。

2.3.2 隐层神经元的设计

提取并存储内在规律，使每个隐层神经元都有不同的权值，同时每个权值都相对应着一个参数（增强网络映射能力）。

2.4基于web的神经网络专家系统

对现代信息传输载体（比如Internet）进行有效利用，可以较快地传递和收集相关故障信息，高效提高诊断故障的能力，使数控机床设计者和使用者更好地参与进来，以期得到更合理的措施。

3 系统的总体设计原则

3.1网络化专家系统的设计原则

其设计的原则主要有以下几方面，具体如下：（1）模块化原则。（2）实用性原则。（3）可扩充原则。（4）安全性原则。（5）统一性与简单性原则。

3.2专家系统的功能模块设计

新用户首次登陆必须要通过注册模块先进行注册，老用户可以直接登陆，登陆又分为管理员和普通用户登陆，只有管理员有权利处理系统的数据库。通过故障诊断模块对相应故障进行诊断，其功能模块主要主轴、进给系统、刀库刀和辅助装置等几部分组成。

3.3系统运行的环境

1）Web服务器的选取；通过Windows操作系统，发挥在PC界的优势，推出的IIS成为目前运用最广泛的服务器，经过验证，也是目前用户最好的选择。

2）后台数据库的选取；通过分析研究，同时结合Access的特性、相关程序的匹配性和开发者的业务水平，本文的系统选取Access最为合适。

3.4系统的软件开发环境

3.4.1 服务器相应的软件环境

操作系统：Windows XP Server/Professional；服务器：IIS6.0；数据访问：ADO -ActiveX Data Objects；数据库系统：ACCESS

3.4.2 客户自己机器所对应的软件

操作系统：Windows 98/2000/xp，浏览器：IE5.0以上，MATLAB6.5以上版本。

3.5开发相应工具分析

目前开发工具主要有以下两种形式：（1）网络化专家系统开发工具：具体采用FrontPage。（2）径向基函数神经网络开发工具：具体采用MATLAB程序控制。

4 系统的研究与实施

4.1总体结构设计

该系统的总体结构主要采用一个并列协调式（神经网络和专家系统并存）。两者分别处理各自不同的知识，管理着不同的模块，分别处理各自不同的功能，但是也可以进行联合诊断。

4.2知识库的设计与实现

本系统直接把数据库和数据库管理系统作为知识库的重要组成部分，一方面通过数据对象来处理知识，另一方面，用数据库来对相关知识的存储、编辑、删改、更新查询和安全保护等功能进行有效管理。

4.3推理机的研究与实实施

通过模拟专家的思维模式，对相应问题进行控制和研究，这是推理机的主要功能。结合目前已知的事实，通过知识库，按照一定的规则和方法，进行推理分析，再对其修正，得到最终的结果。

4.4解释模块及人机界面

解释功能作为数控机床机械故障诊断系统最主要的功能，其主要具有向用户、远程用户、领域专家和知识工程师解释相关的问题的优点。目前的人机界面都需要通过ASP编程来实现，主要采用中文视窗的的模式，这样比较简单明了，更容易实现人机交互。

4.5径向基函数神经网络故障诊断

当专家系统部分得出的初期诊断结果不能使用户满意那么就需要进行进一步的深层次诊断。采用径向基函数神经网络进行深层次的定量诊断。

5 结论

由于现在数控机床的技术和水平的快速提高，其相应结构复杂程度进一步提高，功能也越来越多，这样就是的设备出现的问题概率大大增加，因此针对数控机床存在的机械故障进行分析研究，提出采用网络化对其故障进行控制的方法，以期更好地服务相关公司，为之后出现的机械故障提供一定的参考。

参考文献

（1） 李晓峰.数控机床远程故障诊断专家系统的研究（D）.辽宁：沈阳工业大学，2005.

（2） 赵中敏.数控机床故障诊断技术的发展和关键诊断技术（J）.中国设备工程，2007 6： 5152.

（3） 朱文艺，李斌.基于Internet的数控机床远程故障诊断系统的研究（J）.机床与液压，2005-9：176178.

篇9

作者简介:段其昌（1953-），男，四川自贡人，教授,博士生导师,主要研究方向：可再生能源（太阳能、风能）应用与控制、系统容错与可靠性；张亮（1983-），男，湖北宜昌人，硕士研究生，主要研究方向：可再生能源（太阳能、风能）应用、双馈风力发电系统故障诊断； 袁景明（1986-），女，四川威远人，硕士研究生，主要研究方向：汽车电子（电动转向）控制、电子信息嵌入式控制。

文章编号:1001-9081（2011）08-02143-03doi:10.3724/SP.J.1087.2011.02143

（重庆大学 自动化学院，重庆400030）

（.cn）

摘 要:变流器是双馈风力发电系统中的枢纽设备，其运行可靠性直接关系到发电系统的安全与稳定。针对基于递推最小二乘（RLS）算法的离散小波神经网络（DWNN）存在收敛速度慢、收敛精度不高、搜索局部极小等不足,以变流器的电流为分析对象,提出一种采用变加权和变学习率改进算法的小波神经网络的变流器故障诊断方法。选择变流器电流作为离散小波神经网络训练及故障识别样本,对训练过程和仿真结果进行对比分析。实验结果表明:较之RLS算法,改进的小波神经网络故障诊断方法在故障识别准确率和收敛时间方面表现更优。

关键词:变流器；故障诊断；离散小波神经网络；递推最小二乘法；变加权；变学习率

中图分类号: TP183文献标志码:A

Fault diagnostic method for power converter based on

wavelet neural network with improved algorithm

DUAN Qi-chang, ZHANG Liang, YUAN Jing-ming

（College of Automation, Chongqing University, Chongqing 400030, China）

Abstract: As one of the core equipments in doubly-fed induction wind power generation system, the operation reliability of power converters seriously influences the safety and stability of power generation system. Since some flaws exist in Wavelet Neural Network （WNN） based on Recursive Least Square （RLS） algorithm such as low convergence precision and rate, and searching space possessing local minima and oscillation. The authors proposed a modified algorithm for fault detection of diagnostic power converters, in which variable weight and alter learning coefficient were employed to resolve above problems. After the modified WNN was trained and the faults were recognized from practical current data, comparison and analysis were carried out in simulation. The experimental results demonstrate that the modified algorithm can provide higher diagnostic precision and require less convergence time than the RLS algorithm.

Key words: converter; fault detection; Discrete Wavelet Neural Network （DWNN）; Recursive Least Square （RLS） algorithm; variable weight; alter-learning rate

0 引言

能源的短缺和环境的恶化使世界范围内开始重视开发和利用可再生能源。风力资源作为一种绿色、环保的能源，已越来越得到人类的重视。由于电力电子器件的脆弱性及其在双馈风力发电系统中控制的复杂性，变流器部分尤其是其中实现各种脉宽调制（Pulse Width Modulation, PWM）控制策略的逆变器部分，是系统中最易发生故障的薄弱环节。一旦逆变器发生故障，不仅整个风电机组可能会遭受严重损坏或导致停机，也会对电网造成极大的不稳定，因此研究如何提高三相变频驱动系统的可靠性及风电变流器的状态监测和故障诊断对于提高系统稳定性来说至关重要，具有重要的现实意义［1-2］。

近些年来，神经网络在故障诊断领域中的研究得到了越来越多的重视。小波神经网络小波神经网络是以小波基函数作为神经元激活函数而构造的前馈神经网络。与传统的神经网络相比，小波基元（Wavelet Basic Unit, MBU）及整个网络结构的确定有可靠的理论依据，有较强的函数学习能力和推广能力，训练后的网络对噪声有较强的抗干扰能力［3-4］，进行参数估计使用最多的算法是倒梯形和递推最小二乘算法［5-6］。

基于传统的递推最小二乘（Recursive Least Square, RLS）算法的小波神经网络在收敛速度、精度方面表现不佳，严重影响了故障诊断的效率。本文提出了一种新的改进的最小二乘算法，称做变学习率变加权最小二乘算法，采用了变加权因子改善收敛陷入局部极小的问题，提高了收敛的精度。而引入变学习率，替代了传统的迭代方式，使得在学习过程的振荡期提高收敛的速度，而在稳态期保证误差曲线的平滑，从而提高了故障诊断的效率。

1 离散小波神经网络

1.1 小波变换

设函数ψ（t）∈L2（R），若满足允许条件∫∞ 0ψ^ （ω）2/ω dω

ψ（t）ψ（1）

是小波基函数,其中a、b分别为伸缩因子、尺度因子。

设有信号x（t）∈L2（R），则x（t）的小波变换定义为：

WTx（a,b）∫Ry（t）ψdt∫Rx（t）ψ（t）dt

〈x（t）,ψ（t）〉（2）

由信号x（t）的小波变换WTx（a,b）可以重构x（t），即：

x（t）∫∞ 0a－2∫+∞－∞WTx（a,b）ψ（t）dadb（3）

cψ∫∞ 0dω

相应地，离散小波被定义为：

ψ（t）a-j/20ψ［a-j/20（t-kaj0b0）］a-j/20ψ（a-j0t-kb0）（5）

若离散小波函数族{ψ（t）}在L2（R）中满足以下框架条件：

Ax2≤∑（m,n）∈Z2〈ψ,x〉2≤Bx2

x（t）∈L2（R）（6）

当AB1且ψ1时，{ψ（t）}成为L2（R）的标准正交基，此时：

x（t）∑（m,n）∈Z2〈x（t）,ψ（t）〉ψ（t）（7）

1.2 辨识分析

设待辨识的函数yf（t）∈L2（R），这时存在常数m,n，使得f（t）－∑（m,n）∈Z2〈f（t）,ψ^ （t）〉ψ^ （t）

f（t）－∑（m,n）∈Z2m,nψ^ （t）

令∑（m,n）∈Z2m,nψ^ （t），则当ε0时，可以任意精度逼近yf（t）。其中：m,n、ψ^ （t）分别为wm,n，ψ（t）的估计值。

1.3 离散小波神经网络结构

下面给出小波神经网络的结构，它有N组观测数据输入，为便于说明，仅考虑单输出的情况，如图1所示。多输出情况可类似得到。图1中，网络的第Ⅰ层是输入节点层。因为采样的电流样本为三相电流，所以有输入层三个输入节点。对上述的选出来的小波基函数进行重新排序：ψ1（x（1,n））,ψ2（x（2,n））,…,ψ7（x（3,n））,以此作为神经网络中的隐层节点，即第Ⅱ层的节点。第Ⅲ层是输出层，输入的样本经过小波函数运算后得到输出值乘以相应地权值得到的估计输入经此输出。小波神经网络（Wavelet Neural Network, WNN）结构如图1所示。

图1 WNN模型结构

2 算法改进

2.1 指数加权递推最小二乘算法

对于N次观测{y（t（i））},i1,2,…,N，准则函数:

J∑Nkiλn+i{y（t（k））－（t（k）,θ^ ）}2（9）

θ［wm,n, j,k］,w［w（1）,…,w（l）］

j［j（1）,…, j（h）］,k［k（1）,…,k（h）］

其中：λ为加权遗忘因子，且0≤λ≤1；n为迭代次数；l1,2,…,m×n；h1,2,…,n。

由于θ出现在（t（k）,θ^ ）的非线性项中，从无法得到θ^ 的线性方程，故采用迭代方程：

θ^ （k）θ^ （k－1）+mcΔ θ^ （10）

y（k）f（k,θ^ （k）+Δ θ^ ）+v（k）≈f（k,θ^ （k））+

f′（k,θ^ （k））+v（k）（11）

其中f′（k,θ^ （k）），将式（11）代入式（9）得到：

J（Δ θ^ ）∑Nk1{y（k）－f［k,θ^ （k）］－f′［k,θ^ （k）］Δ θ^ }2（12）

令

g（k）y（k）－f［k,θ^ （k）］（13）

hT（k）f′［k,θ^ （k）］（14）

ε（k）g（k）－hT（k）Δ θ^ （15）

则式（12）可以写成：

J（Δ θ^ ）∑nk1λn－kε（k）2εTε（16）

于是从0，可以得到Δθ的指数加权最小二乘估计Δ θ^ （HTλH）－1HTλG，其中：

H, G（17）

其中λ为加权遗忘因子，且0≤λ≤1。

2.2 变学习率变加权递推最小二乘算法

在指数加权递推最小二乘法中，当λ1时，各个时刻的误差都具有极大的相似程度，即无任何遗忘功能。此时的加权递推最小二乘算法实质上就是一般的递推最小二算方法。而当λ0时,则只有现时刻的误差起作用,而过去时刻的误差完全被遗忘。那么希望在振荡情况下,只需要有限的最近时刻的误差起作用,使算法能够很快地跟踪上非平稳信号的局部趋势。而在稳态情况下减小参数估计误差，故引入含变加权因子的矩阵λ。

λdiag（λ（1）,λ（2）,λ（3）,…,λ（k））（18）

λ（k）0.7*（1－2^（－ceil（ε（k）^4）））（19）

其中：k1,2,…,N；ceil为取整函数，使得：

Δ θ^ （HTλH）－1HTλG（20）

称这种改进算法为变加权递推最小二乘算法为变加权最小二乘（Variable Weight Recursive Least Square, WRLS）法。

上述的WRLS算法中，由于学习率的设定值是一致的，则学习过程中的步长也相同，无法使学习率同时满足值最大且稳定。当学习率过大，算法可能极不稳定；学习率过小，则收敛的速度慢，导致训练的时间延长。而学习率的选择对于算法的性能影响很大。因此，在上述改进算法的基础上引入变学习率因子，称之为变学习率变加权递推最小二乘算法（alter-learning rate and variable weight recursive least squares，LWRLS），通过该算法可以根据小波神经神经网络的当前状态调整学习率，从而进一步提高参数学习的收敛速度。

θ^ （k）θ^ （k－1）+mc（k－1）Δ θ^ （21）

mc（k）（1+α）mc（k－1）, E（k）≤E（k－1）

（1－α）mc（k－1）, E（k）>E（k－1）（22）

其中：mc（k）为变学习率，E（k）为误差值。

3 仿真实验

通过风电变流器故障诊断实验得到300组三相电流样本数据，200组作为训练样本，另外的100组作为测试数据。根据改进的算法对网络的各参数进行学习。经过大量实验得到的小波神经网络的参数如表1所示。

表1 参数设置

故障电流样本如图2所示，其中：Ira、Irb、Irc分别是转子的三相相电流。

图2 电流样本图

给定一组期望的输出值，使之映射相应的故障类型，用处理好的学习样本对小波神经网络进行训练，保证小波网络的输出值误差达到精度要求，输出值的误差曲线如图3所示。由图中的三条误差曲线可以看出改进算法的离散小波神经网络的辨识误差逐渐减小，且具有更好的动态跟随性和准确性。

输入100组测试数据，并对故障的识别率进行数学统计，以此来验证改进算法的小波神经网络的故障诊断效果。诊断的故障识别率如表2所示。

图3 三种算法的误差曲线

表2 三种方法的故障识别率比较

%

4 结语

本文利用小波框架理论，建立了框架小波神经网络。在小波变换的基础上，运用了变学习率变加权递推最小二乘算法对小波神经网络中的权值进行辨识。在对双馈风力发电系统变流器进行故障诊断时，大大地提高了类间特征的可分性，从而明显地提高了故障识别率，是一种行之有效的故障诊断方法。

参考文献:

[1] KARKI R, HU P, BILLINTON R. A simplified wind power generation model for reliability evaluation ［J］. IEEE Transactions on Energy Conversion, 2006, 21（2）: 533-540.

［2］ LIU B. Selection of wavelet packet basis for rotate machinery fault diagnosis ［J］. Journal of Sound and Vibration, 2005, 284（3/4/5）: 567-582.

［3］ MALHI A, GAO R X. PCA-based feature selection scheme for machine defect classification ［J］. IEEE Transactions on Instrumentation and Measurement, 2004, 53（6）: 1517-1525.

［4］ XIE LI, YANG HUIZHONG, DING FENG. Filtering based recursive least squares identification for non-uniformly sampled systems ［C］// 2010 Chinese Control and Decision Conference. Washington, DC: IEEE Computer Society, 2010: 1123-1128.

［5］ CAMPI M C. Exponentially weighted least squares identification of time-varying systems with white disturbances ［J］. IEEE Transactions on Signal Processing, 2004, 42（11）: 2906-2914.

［6］ 陈涵,刘会金,李大路,等.可变遗忘因子递推最小二乘法对时变参数测量［J］.高电压技术,2008,34（7）:1474-1477.

［7］ UMAPATHY K, KRISHNAN S. Modified local discriminate bases algorithm and its application in analysis of human knee joint vibration signals ［J］. IEEE Transactions on Biomedical Engineering, 2005, 53（3）: 517-523.

篇10

关键词：故障诊断；神经网络；挤压机

1 引言

金属挤压加工是利用金属塑性压力成形的一种重要方法，其重要特点是将金属锭坯一次性完成成管、棒、型材的加工，这是其他任何方法无法相比的。挤压机是挤压加工生产线中的关键设备，决定着挤压车间的生产品种和能力。因此，对挤压机的故障诊断和及时排除故障对保证产品质量和生产进度显得尤为重要。即使是经验丰富的工人诊断设备的运行状态也无法与一套完整的设备状态监控系统的判断精度相比。一旦判断失误就会造成重大损失。为了提高挤压机可靠性、经济性，降低生产成本，提高设备的利用率，通过设备的状态监测与故障诊断技术，实现设备的“状态维修”就成为现代设备管理和维护的必然需要。

根据文献检索和现场事故调查结果， 发现挤压机发生故障的主要原因有以下几种情况：

（1） 现有的装置可靠性和系统保护功能差，对诱发事故发生的初期状态无有效的预测、预报措施。为了预防事故的发生， 挤压机采取定期检修的方法。计划检修的缺点是灵活性差，到检修时间挤压机没有故障，检修就会造成浪费；没有到检修期间挤压机却发生了故障，造成了停机或设备的损坏，损失更大。

（2） 大型挤压机结构复杂， 涉及到机、电、液等多个专业， 对设备维护管理人员的技术水平有较高的要求， 一般工作人员不易判断故障原因。

（3）对挤压机的故障诊断机理和方法缺乏系统的研究， 有效实用的故障诊断措施较少。

因此， 对挤压机进行工况监测与故障诊断，可及时发现故障的早期征兆， 防患于未然。变定期维修或故障维修为预防维修， 提高设备维修管理水平， 特别是利用远程智能故障诊断系统， 可使一般人员也能完成复杂的故障诊断。挤压机的实时监测、保护和故障诊断是金属加工领域的重要课题之一。

为了解决以上问题，提出了一种基于bp神经网络模型的挤压机故障诊断系统。

2 bp神经网络模型

bp算法的基本思想：信号的正向传播与误差的反向传播组成了bp网络的学习过程，这一过程则通过正向传播和方向传播中各层权值的不断调整得以实现。目前采用bp算法的多层感知器的神经网络应用广泛，其中以具有3层感知器的单隐层网络为主。3层感知器包括输入层、隐层和输出层。其中输入层节点为故障征兆，输出层节点为故障原因。故障现象及结论组成训练学习的样本空间，通过训练学习已知样本层，确定网络结构，分析故障征兆，得出故障原因。神经网络系统具备高度非线性映射能力，是一个并行和分布式的网络信息处理结构。

3 挤压机故障诊断

输出结果与目标结果是一样的，验证了该网络的可行性及实用性。

参考文献

[1]魏军.金属挤压机[m]化学工业出版社，2006