導語：如何才能寫好一篇網絡故障診斷，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞：網絡故障；故障檢測；故障定位；故障診斷；專家系統；數據挖掘；神經網絡

中圖分類號：TP393.06

隨著計算機、通信以及互聯網技術的飛速發展及應用，網絡作為一種重要的工具，在軍事、政治、經濟和科研等諸多領域起著越來越重要的作用，已經成為社會生產和生活必不可少的一部分。與此同時，網絡的規模和復雜性不斷增大，一旦網絡發生故障，如果不能在有效時間內對網絡故障進行診斷與修復，將會造成巨大的損失，甚至嚴重威脅社會的安全與穩定，因此對網絡故障診斷技術進行研究具有越來越重要的應用價值和現實意義。

1 網絡故障診斷一般過程

通常來說，網絡故障診斷是以網絡原理、網絡配置和網絡運行的知識為基礎，根據網絡出現的故障現象，并使用專門的網管理和檢測工具以獲取告警信息進而對網絡中出現的故障進行診斷、恢復以及預測的過程，一般可分為以下五個部分[1]：

（1）故障檢測，即網絡故障告警信息的獲取。網絡發生故障時，通過主動輪詢或異步收集方式，對網絡中的相關設備或服務的相關告警信息、設置和性能參數，狀態信息等進行收集和分析，及時發現網絡出現的故障及問題。

（2）故障定位，即定位故障源。對故障檢測階段收集的海量告警數據進行分析和處理，在網絡中找出故障，為下一步的故障原因的診斷提供依據。

（3）故障原因的診斷，即查找故障產生的根源。根據故障定位的結果綜合運用各種規則進行系統的推理，快速的找到故障產生的原因或者最可能的原因。

（4）故障修復。根據網絡故障診斷結果修復網絡故障，恢復網絡的正常運行。

（5）故障預測，即根據先驗知識和監測數據預測網絡可能發生的故障。

其中故障檢測，故障定位，故障原因診斷是必不可少的三個步驟，下面將重點對上述三個步驟進行詳細的介紹。

2 網絡故障檢測

通常計算機網絡通過以下兩種方式收集信息，通過分析收集到的信息來檢測故障[2]。

（1）Trap機制。在網絡中每一個被管設備中都要運行一個程序以便和管理站中的管理程序進行通信。

（2）主動輪詢。網絡中發生故障的被管設備或服務主動向網絡管理系統發出告警信息，能夠及時發現網絡中的故障，網絡管理系統還需通過主動輪詢這種方式了解與網絡性能密切相關的信息，并對這些影響網絡性能信息設置閾值，來判斷網絡性能，超過設定閾值也會觸發事件。

3 網絡故障定位

網絡系統中，一般通過監測被管設備或服務等各種方法獲取大量原始告警數據或歷史積累信息，這些數據往往由于通信系統的復雜性、網絡結構異構性、噪聲、外界因素、因果關系等原因而具有相當大的不確定性和不精確性，導致故障癥狀和故障原因都存在非線性映射關系，需要利用關聯技術對數據進行處理和分析才有效的進行故障定位[3]，目前常用的故障定位技術主要有下面幾種：

3.1 基于人工智能的故障定位技術

3.1.1 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，已被用于多種構架。一般而言，基于規則的系統由三個組成部分組成，如圖1所示。

（1）推理引擎，主要提供解決問題所需要的策略。

（2）知識庫，提供和定義與問題相關的規則和專家知識。

（3）工作內存，主要提供解決問題所需要的數據。

在基于規則的推理的網絡故障定位系統中，知識庫充當一個專家的角色，利用從人類專家獲取專家積累的經驗和知識，這些知識主要包括對網絡問題的定義以及當某一特定問題發生時，網絡故障定位系統需要執行的操作。工作內存主要是利用具體的網絡協議對網絡中的被管設備或服務進行監測，得到有關被管設備或服務的各種信息。在對網絡故障進行定位時，推理引擎與知識庫共同合作，將監測得到的網絡中被管設備或服務的狀態信息與知識庫中定義好的條件部分進行比對，根據條件滿足與否，來進行網絡故障的定位。

基于規則的網絡故障定位系統，由于無需對專家系統的具體結構和操作細節進行深入了解，從而具有結構簡單等諸多優點，并且實現起來比較簡單，非常適用于小型系統。但是基于規則的網絡故障定位系統在匹配規則時，需要網絡狀態與知識庫中的規則條件精確匹配，否則將推出整個推理過程，無法定位故障，并且規則存在不易維護性和指數增長性，所有這些缺點決定了基于規則的網絡故障定位系統不適用大型系統。

3.1.2 基于模型的推理技術

基于模型的推理（Model-based Reason，MBR）是建立在面向對象上的基礎之上，利用現有的專家經驗和知識，將具體的目標系統中的實體都模型化診斷對象，并且明確地表現出現實目標系統中對象之間存在的各種關聯關系，再根據系統模型對具體的目標系統的行為進行推測。由于通常情況下，具體的目標系統與理想的系統模型之間存在差異性，因此基于模型的推理的專家系統需要對推測的行為和目標系統的實際行為進行不一致診斷，以確定具體目標系統中的故障根源。

為了更好地說明基于模型的推理專家系統的工作流程，文獻[4]使用一個物理模型和對應的對等模型分別如圖2、3所示的網絡系統。網絡系統按一定的周期，有規律的向圖2中的被管設備發送ping命令以監測網絡系統中的被管設備是否運行正常。管理系統和被管設備之間通過一個模型對象實現彼此之間的相互通信，具體來說，如圖2所示，系統中的集線器模型向被管設備集線器發送ping命令，路由器模型則向被管設備路由器發送ping命令。當目標網絡發生故障時，如果故障發生在集線器1，則集線器1模型可以將其發現并且識別出來，如果集線器1模型連續3次向被管設備集線器1發送ping命令，在3次響應超時以后，集線器模型1根據現有的網絡現象推測被管設備集線器1有可能發生故障，或者說目標系統中的故障位于集線器1。集線器1模型則會在確定故障并正式發送告警信息之前，集線器1模型將分析自身與圖2中其他被管設備的模型之間的關系以此來確定其是否應該詢問網絡中路由器模型，如網絡中的路由器模型返回的是相應的被管路由器設備工作處于正常狀態，則集線器1觸發警報。

3.1.3 基于范例的推理技術

基于范例的推理（Case-based Reason，CBR）故障定位技術與前面的基于規則推理技術和基于模型推理技術相比具有很大的差異性，主要因為基于范例的推理技術的思想源于人類現實生活，主要根據過去積累的實際經驗或經歷，利用類比的推理方法對現有的新問題做出相似的解答，然后根據新問題與舊問題之間的差異對解答進行修改從而得到新問題的完全解答。基于范例推理的網絡故障定位技術主要由四個部分組成，檢索 （Retrieve）、復用（Reuse）、修正（Revise）、保存（Retain），簡稱4R過程。

基于范例推理的故障定位技術與基于規則推理的故障定位技術相比，由于在基于范例推理的故障定位技術中檢索只是基于對案例的部分匹配，而基于規則推理的故障定位技術則是完全匹配，因此基于范例推理的故障定位技術對網絡配置變化的適應度更好，更適用于問題的總體解決方案。

3.2 模型遍歷技術

模型遍歷技術（Model traversing techniques）是一種構建網絡故障傳播模型的方法，該方法在構建故障傳播模型時，主要根據網絡在運行時各種被管對象之間的相互關系，并且按照從引起事件的被管對象開始的順序進行構建。該方法主要適用于網絡中被管對象之間的相互關系類似于圖形，并且一般情況下較容易獲取的情況，并且在系統配置變化較頻繁時該方法的魯棒性很好。模型遍歷技術主要具有兩大特點，事件驅動和事件關聯，所謂事件驅動是指在一個故障癥狀報告到來之前，系統一直處于等待故障癥狀狀態；事件關聯則是確定兩個故障癥狀是否來源同一個事件源。

一般情況下，模型遍歷技術需要在其事件報告中明確標識網絡系統中故障的征兆類型、征兆目標等相關信息，如果網絡系統中出現故障征兆，且不妨用si來表示該故障征兆，當si的目標和si來源相同，則說明si是一個次要征兆也就說明某些告警信息可以被忽略。模型遍歷技術的整個處理可分為以下3步：

（1）首先，對網絡中的每個事件，依據網絡在運行時各種被管對象之間的相互關系對其構建一個和事件源相關的對象圖。

（2）當給定的兩個事件的對象圖相交時，此時說明兩個圖至少包含同一個對象，則認為這兩個對象圖的事件源是關聯的。

（3）當給定三個故障癥狀si，sj，sk，其中si，sj相互關聯，sj，sk相互關聯，則根據故障癥狀的傳遞性可知si是一個次要的故障癥狀。

4 網絡故障原因診斷

（1）基于信號處理方法。該方法主要是依據信號模型，直接對網絡系統中的可測信號進行分析與處理，并通過提取可測信號的頻率等特征值，對網絡中存在的故障原因進行診斷。

（2）基于解析模型的方法。基于解析模型的方法主要依據數學模型和數學方法來進行故障原因的診斷，在診斷時需要建立對象的精確數學模型。

（3）基于知識檢測的方法。與基于解析模型方法相比，此方法最大的特點在于其并不需要對象的精確數學模型就可以對網絡中的故障原因進行診斷。

下面主要介紹幾種目前國內外研究學者研究比較多的基于知識檢測的方法，基于專家系統故障原因診斷方法和基于模糊理論故障原因診斷方法以及基于BP神經網絡故障原因檢測方法。

4.1 基于專家系統故障原因診斷方法

基于專家系統故障原因診斷系統主要是利用人類專家的經驗和歷史積累診斷數據，使用一定的方法將其轉化為系統能夠識別的規則存在專家系統的知識庫中。當網絡中出現故障時，診斷系統利用專家系統知識庫中的規則，對發生故障網絡中的被管對象的各項性能參數進行處理與分析以正確的確定網絡故障發生的具體原因[5]。組成由人機接口、推理機、知識庫等六部分組成：

目前，國內外學者公認的專家系統瓶頸是知識獲取問題，因為專家系統在診斷過程中主要依賴于從人類專家領域內獲取的知識、經驗和以往診斷數據，而這些獲取起來途徑有限，操作起來具有一定的局限性和復雜性。另外，專家系統在實時性和學習能力等方面也存在一定的局限性，因此目前通常將專家系統同其他方法相結合以提高專家系統在這些方面存在的局限性和不足。

4.2 模糊故障診斷方法

很多時候，網絡中的故障與系統得到的網絡現象之間存在非線性的映射關系，這種非線性的映射關系很難用確定的數學公式或者模型來刻畫，相應的在故障原因診斷時，很難給出故障的精確原因。相反，只能給出故障發生的可能原因。對于這種存在一定模糊性的問題，可以使用模糊邏輯來解決。

目前使用的比較多的是向量識別法，其診斷過程可分為以下3步：

首先，需要根據網絡中的故障與表征網絡故障的數據，建立二者之間的關系，通常用關系矩陣R來表示。

其次，對需要診斷的目標網絡系統（對象）進行狀態檢測，提取相關的特征參數以構建特征向量矩陣X。

最后，根據模糊理論和矩陣理論，求解前面兩步構建的關系矩陣方程Y=X?R，得到關系矩陣方程的解Y，再根據隸屬度等原則，對目標網絡系統的故障向量Y進行處理，得到故障的原因。

從上述診斷過程可知，在模糊故障診斷中，正確的進行故障原因診斷的前提是建立關系矩陣R、隸屬函數、特征值向量X，而這些矩陣、函數、向量的建立是人為構造而成，難免具有一定的主觀性，并且由于該模糊診斷方法對特征元素的選取也有一定的要求，所以兩者若處理不當，會導致該方法的診斷結果精度嚴重下降甚至完全錯誤。

4.3 BP神經網絡診斷方法

由于人工神經網絡的這些特性以及網絡中故障與征兆之間有可能存在的非線性映射關系，使得人工神經網絡在網絡故障診斷中大有用武之地。目前，人工神經網絡已經大量應用在網絡故障診斷領域。BP神經網絡是常用的人工神經網絡模型[6]。

BP神經網絡故障診斷分為訓練和診斷兩個階段：

（1）訓練階段。BP神經網絡對樣本進行訓練，以選定網絡結構和規模，確定網絡總層數、各層神經元數。借助BP學習算法，將原始網絡收集到的故障樣本的特征參數作為BP神經網絡輸入樣本集，以與之對應的網絡故障原因編碼為BP神經網絡的輸出，以此對BP神經網絡進行訓練。

（2）故障診斷階段。主要對待檢測對象的故障樣本進行特征提取和歸一化處理，然后輸入到BP神經網絡進行診斷輸出診斷結果，整個過程分為以下4個步驟：1）故障樣本集預處理。2）BP網絡結構設計。3）訓練BP神經網絡。4）故障診斷。

5 結束語

本文對網絡故障的概念以及基本過程進行了概述，重點對當前網絡故障中的故障檢測、故障定位、故障診斷的關鍵技術及方法進行了研究和總結歸納，對開展網絡故障診斷技術研究具有一定的指導意義。

參考文獻：

[1]王成等.網絡故障診斷技術研究[J].科技信息，2011（11）.

[2]陳琳.一種網絡環境中的故障診斷模型[J].北京航空航天大學學報，2004（11）.

[3]張燕.網絡故障診斷關鍵技術[J].電腦知識與技術，2009（31）.

[4]李千目.戰略互聯網智能診斷技術研究[D].南京理工大學，2005.

[5]吳曉知，李興明.網絡故障管理專家系統中知識庫的構造[J].微計算機信息，2008（06）.

[6]戚涌，劉鳳玉.基于BP神經網絡的網絡智能診斷系統[J].微電子學與計算機，2004（10）.

篇2

[關鍵詞]網絡；故障；診斷分析；處理對策

中圖分類號：G250.72 文獻標識碼：A 文章編號：1009-914X（2015）06-0110-01

1 前言

隨著電子政務、企業信息化和電子商務的迅速發展，計算機網絡正在融入社會生活的各個方面。計算機網絡的廣泛應用帶來了許多便利，人們對網絡的穩定運行提出越來越高的要求。但隨之而來的網絡故障也帶來了很多煩惱，輕則影響用戶網絡運行質量，重則導致整個網絡癱瘓，帶來巨大的經濟損失。在網絡出現故障時要做到及時發現網絡故障、準確定位網絡故障并且能及時排除故障就顯得特別重要。

2 按照網絡故障不同性質

2.1 物理故障

指的是設備或線路損壞、插頭松動、線路受到嚴重電磁干擾等情況。例如，網絡管理人員發現網絡某條線路突然中斷，首先用ping或fping檢查線路在網管中心這邊是否連通。ping的格式為：ping 192.168.0.1 （192.168.0.1是ip地址，可以是主機的ip也可以是網絡中另一臺計算機的ip）。ping一般一次只能檢測到一端到另一端的連通性，而不能一次檢測一端到多端的連通性，但fping一次就可以ping多個ip地址，比如c類的整個網段地址等。順便多說一句，網絡管理員經常發現有人依次掃描本網的大量ip地址，不一定就是有黑客攻擊，fping也可以做到。如果連續幾次ping都出現"requst time out"信息，表明網絡不通。這時去檢查端口插頭是否松動，或者網絡插頭誤接，這種情況經常是沒有搞清楚網絡插頭規范或者沒有弄清網絡拓撲規劃的情況下導致的。另一種情況，比如兩個路由器router直接連接，這時應該讓一臺路由器的出口連接另一臺路由器的入口，而這臺路由器的入口連接另一路由器的出口才行。當然，集線器hub、交換機、多路復用器也必須連接正確，否則也會導致網絡中斷。

2.2 邏輯故障

邏輯故障中最常見的情況就是配置錯誤，就是指因為網絡設備的配置原因而導致的網絡異常或故障。配置錯誤可能是路由器端口參數設定有誤，或路由器路由配置錯誤以至于路由循環或找不到遠端地址，或者是路由掩碼設置錯誤等。比如，同樣是網絡中的線路故障，該線路沒有流量，但又可以ping通線路的兩端端口，這時就很有可能是路由配置錯誤了。遇到這種情況，我們通常用“路由跟蹤程序”就是traceroute，它和ping類似，最大的區別在于traceroute是把端到端的線路按線路所經過的路由器分成多段，然后以每段返回響應與延遲。如果發現在traceroute的結果中某一段之后，兩個ip地址循環出現，這時，一般就是線路遠端把端口路由又指向了線路的近端，導致ip包在該線路上來回反復傳遞。幸好traceroute可以檢測到哪個路由器之前都能正常響應，到哪個路由器就不能正常響應了。這時只需更改遠端路由器端口配置，就能恢復線路正常了。邏輯故障的另一類就是一些重要進程或端口關閉，以及系統的負載過高。比如也是線路中斷，沒有流量，用ping發現線路端口不通，檢查發現該端口處于down的狀態，這就說明該端口已經關閉，因此導致故障。這時只需重新啟動該端口，就可以恢復線路的連通了。還有一種常見情況是路由器的負載過高，表現為路由器cpu溫度太高、cpu利用率太高，以及內存剩余太少等，如果因此影響網絡服務質量，最直接也是最好的辦法就是――更換路由器。

3 按照網絡故障不同對象

3.1 線路故障

線路故障最常見的情況就是線路不通，診斷這種情況首先檢查該線路上流量是否還存在，然后用ping檢查線路遠端的路由器端口能否響應，用traceroute檢查路由器配置是否正確，找出問題逐個解決。

3.2 路由器故障

線路故障中很多情況都涉及到路由器，因此也可以把一些線路故障歸結為路由器故障。檢測這種故障，需要利用mib變量瀏覽器，用它收集路由器的路由表、端口流量數據、計費數據、路由器cpu的溫度、負載以及路由器的內存余量等數據，通常情況下網絡管理系統有專門的管理進程不斷地檢測路由器的關鍵數據，并及時給出報警。而路由器cpu利用率過高和路由器內存余量太小都將直接影響到網絡服務的質量。解決這種故障，只有對路由器進行升級、擴大內存等，或者重新規劃網絡拓撲結構。

3.3 主機故障

主機故障常見的現象就是主機的配置不當。包括主機配置的IP地址與其他主機沖突，或IP地址根本就不在于網絡范圍內，這將導致該主機不能連通。發生類似的情況，可通過查看網絡鄰居屬性中的連接屬性窗口，檢查TCP/IP選項參數是否符合要求，包括IP地址、子網掩碼、網關和DNS參數，對錯誤的設置進行修復。 主機安全性故障 主機主機性故障包括主機資源被盜和黑客入侵。對于主機資源要注意不要輕易地共享本機硬盤；對于主機被黑客 控制的故障可以通過監視主機的流量、掃描主機端口和服務，安裝防火墻和加補系統補丁來防止可能的漏洞。

實例：傳輸上百兆數據時出現“網絡資源不足”的提示。按常規，網絡故障一般不排除以下幾點：網卡有問題、水晶頭做得不規范、網線有問題、網卡驅動或網絡協議有問題等。但是根據故障現象來看，以上猜測都可以排除，因為任何一個地方存在問題，就不可能在微機之間進行數據傳輸，從而可以判斷問題應該出在環境因素上。由于大量的數據傳輸需要頻繁的數據讀取，這就要有一個相對平穩的傳輸環境，而網卡附近有干擾時，這種平穩的環境就會被破壞。一般要確保網卡不插在離顯卡很近的插槽上，因為現在的顯卡一般都帶有風扇，而顯卡風扇將影響到網卡的工作，尤其是顯卡在頻繁工作時，影響將更加明顯。把網卡拔下來，插到離顯卡一個較遠的插槽上，即可解決大量數據傳輸時出現的問題。

參考文獻

篇3

關鍵詞：網絡故障；網絡維護；分類；解決辦法

中圖分類號：TP393 文獻標識碼：A文章編號：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

隨著計算機的廣泛應用和網絡的日趨流行，功能獨立的多個計算機系統互聯起來，互聯形成日漸龐大的網絡系統。計算機網絡系統的穩定運轉已與功能完善的網絡軟件密不可分。計算機網絡系統，就是利用通訊設備和線路將地理位置不同的、信息交換方式及網絡操作系統等共享，包括硬件資源和軟件資源的共享：因此，如何有效地做好本單位計算機網絡的日常維護工作，確保其安全穩定地運行，這是網絡運行維護人員的一項非常重要的工作。在排除比較復雜網絡的故障時，我們常常要從多種角度來測試和分析故障的現象，準確確定故障點。

一、分析模型和方法

（一）七層的網絡結構分析模型方法。從網絡的七層結構的定義和功能上逐一進行分析和排查，這是傳統的而且最基礎的分析和測試方法。這里有自下而上和自上而下兩種思路。自下而上是：從物理層的鏈路開始檢測直到應用。自上而下是：從應用協議中捕捉數據包，分析數據包統計和流量統計信息，以獲得有價值的資料。

（二）工具型分析方法。工具型分析方法有強大的各種測試工具和軟件，它們的自動分析能快速地給出網絡的各種參數甚至是故障的分析結果，這對解決常見網絡故障非常有效。

（三）綜合及經驗型分析方法靠時間、錯誤和成功經驗的積累。在大多數的阿絡維護工作人員的工作中是采用這個方法的，再依靠網管和測試工具迅速定位網絡的故障。

二、計算機無法上網故障排除

（一）對于某網計算機上不了網的故障，首先要分別確定此計算機的網卡安裝是否正確，是否存在硬件故障，網絡配置是否正確在實際工作中我們一般采用Ping本機的回送地址（127.0.0.1）來判斷網卡硬件安裝和TCP/IP協議的正確性。如果能Ping通，即說明這部分沒有問題。如果出現超時情況，則要檢查計算機的網卡是否與機器上的其它設備存在中斷沖突的問題。通過查看系統屬性中的設備管理器，查看是否在網絡適配器的設備前面有黃色驚嘆號或紅色叉號，如有則說明硬件的驅動程序沒有安裝成功，可刪除后重新安裝。另外，要確保TCP/IP協議安裝的正確性，并且要綁定在你所安裝的網卡上。如果重新安裝后還是Ping不通回送地址，最好換上一塊正常的網卡試一試。最簡單的方法是檢查雙絞線，用線纜測試儀檢測雙絞線是否斷開。雙絞線沒有問題，就要查看交換機的端口是否壞了。交換機每一個端口都有狀態指示燈以詢問一下其它網管人員就可以排除了，如果不放心可以對照查看。交換機的參數配置表也是網絡管理員必備的資料之一，并且隨著網絡用戶的變化要不斷地修改，檢測到此，如果端口指示燈不亮，就只能是端口損壞了，可以把跳線接到正常使用的端口上排除其它原因，確定是端口的問題。

（二）一批聯網計算機上不了網對于同時有一批計算機上不了網的故障，首先要找到這些計算機的共性，如是不是屬于同一VLAN或接在同一交換機上的，若這些計算機屬于同一VLAN，且屬于計算機分別連接于不同的樓層交換機，那么檢查一下路由器上是否有acl限制，在路由器上對該VLAN的配置是否正確，路由協議（如我局的OSPF協議）是否配置正確。若這些計算機屬于同一交換機，則應到機房檢查該交換機是否有電源松落情況，或該交換機CPU負載率是否很高，與上一級網絡設備的鏈路是否正常。通常某交換機連接的所有電腦都不能正常與網內其它電腦通訊，這是典型的交換機死機現象，可以通過重新啟動交換機的方法解決。如果重新啟動后故障依舊，則檢查一下那臺交換機連接的所有電腦，看逐個斷開連接的每臺電腦的情況，慢慢定位到某個故障電腦，會發現多半是某臺電腦上的網卡故障導致的。

三、故障定位及排除的常用方法

（一）告警性能分析法。通過網管獲取告警和性能信息進行故障定位。我們單位使用了深信服網絡網管，可以對全單位的網絡設備進行管理，平時多觀察各設備CPU負載率和各線路的流量。當有人反映不能連接至網絡或網速很慢時，可通過網管觀察計算機與交換機的連接情況，是否有時斷時通的現象，交換機CPU負載率是否很高，線路流量是否很大。通過觀察設備端口狀態，分析和觀察交換機哪個端口所接的計算機發包量不太正常。

（二）查看網絡設備日志法。經常看一下網絡設備的日志，分析設備狀況。我曾經通過showlonging命令觀察到4006交換機下連的2950交換機經常每隔7小時down掉，然后又up，因時間間隔較長，單位人員未感覺網絡中斷，在此期間我們檢查并確定了光纜、光收發器、網線、交換機配置、交換機端口均正常，后來的間隔時間由原來的7小時減為7分鐘。由此我們立即判定2950交換機本身有故障，馬上將已準備好的備用交換機換上，從而減少了處理故障的時間，并在最短時間內恢復網絡。

（三）替換法。替換法就是使用一個工作正常的物體去替換一個工作不正常的物體，從而達到定位故障、排除故障的目的。這里的物件可以是一段線纜、一個設備和一塊模塊。

（四）配置數據分析法。查詢、分析當前設備的配置數據，通過分析以上的配置數據是否正常來定位故障。若配置的數據有錯誤，需進行重新配置。

參考文獻：

篇4

【關鍵詞】輸電網絡；故障；人工智能；應用

電能的正常供應影響著人們的諸多方面，工作、學習、生活、娛樂等，電能供應的最基本要求就是穩定性和連續性，但是，輸電網絡越來越復雜，偶爾出現故障也會難免的，為了能夠在輸電網絡出現故障時快速的診斷故障找出故障原因，減小相關損失，必須要找到一種合適的技術手段來解決這個問題，相關的研究人員也一直在致力于該方面的研究。人工智能技術就是研究人員在這方面的一個突破，人工智能技術能夠模擬人類處理問題的思維方式，且具備一定的學習能力，本文將圍繞這些方面進行一些探討。

1 專家系統在輸電網絡故障診斷中的應用

專家系統在人工智能技術中開發的比較早，技術上也有了一定的厚度積累，從應用的角度來說，專家系統就是一個集合了大量程序的系統，它里面存儲了相關專家在相應問題方面的見解，根據這些見解對問題進行推斷，類似于專家解決問題的過程，節省了時間，目前，專家系統在人工智能中應用的已經非常廣泛。專家系統在輸電網絡故障診斷中最典型的應用就是基于產生式規則的系統，把相關電路保護措施的信息和相關技術人員的診斷經驗用程序表示出來，從而形成一個比較完備的專家知識庫，一旦輸電網絡發生故障，則可以根據這個專輯知識庫，快速的對故障進行診斷，迅速的找出解決方案。專家系統之所以在輸電網絡故障診斷中得到廣泛的應用，主要有這么幾個方面的原因：第一，輸電網絡中相關保護功能的信息能夠有效、明了的表達出來；第二，基于產生式規則的專家系統允許根據實際情況的變化，對專家知識庫進行合理的變更，跟上技術不斷進步的腳步；第三，由于專家系統的智能功能，使其能夠解決一些不確定的故障；第四，初步具備人類的思維，得出的結論能夠被相關技術人員看懂。從上面的理論分析可以看出，專家系統在輸電網絡故障診斷中很有應用的前景和應用的必要，但是它也存在著一些問題：上面的分析可以看出，專家系統對故障的診斷基于專家知識庫里的知識容量多少，因此，專家系統是否具有詳細、準確的專家知識庫能夠影響整個故障診斷的效果，如果專家知識庫達不到使用的實際標準，那么在進行故障推理低調時候，很有可能導致錯誤的結論，將相關技術人員引導到錯誤的道路上；專家系統在診斷大型輸電系統故障的時候，需要從專家知識庫進行知識的匹配，這個過程可能會比較慢；大部分專家系統不具備學習的能力，一旦診斷的故障超出了專家知識庫中的內容， 那么專家系統很容易得出錯誤的結論。

2 人工神經網絡在輸電網絡故障診斷中的應用

人工神經網絡技術在輸電網絡故障診斷中應用的也越來越廣泛，人工神經網絡技術（ANN）就是模擬人體大腦的結構和處理問題方式的一種人工智能技術，它是人工智能技術重要的一個分支，它具有很多優點，例如能夠實現并行式處理、自適應等，這些優點與輸電網絡故障診斷相結合，顯示出了巨大的潛力，是一個比較熱門的研究方向。基于人工神經網絡的輸電網絡故障診斷，其總的診斷網絡比較復雜，為了方便實時的偵測，一般將總的網絡進行分區處理，然后在各個區創建基于BP算法的故障診斷模塊，要得到診斷結果的時候，將各個分區的診斷結果進行綜合后即可得出。例如，將總的故障診斷按照分工的不能區劃成幾個功能不同的診斷網絡，比如一個子網絡用來診斷故障的發生位置；一個子網絡用來診斷故障的性質；一個子網絡用來診斷故障對整個系統的危害程度等等，最后將這些子網絡的結論按照一定的規則進行組合分析，即可得到需要的結論。人工神經網絡的方法雖然相對于專家系統來說取得了一些突破，例如能夠突破專家系統知識庫知識獲取難、診斷網絡更加便于維護等，但是也具有一些缺點：人工神經網絡不能夠對啟發性的知識進行分析和判斷，且人工神經網絡技術不夠成熟，涵蓋的范圍大，學習困難，這些都在一定程度上影響了人工神經網絡技術在輸電網絡故障診斷中的應用，并且，人工神經網絡如何在大的輸電網絡故障診斷中應用一直是一個難點，還有待于相關人員取得新的突破。總體而言，人工神經網絡方法在輸電網絡中還是很有應用前景的，可以加大的相關難題的科技攻關力度，進一步提高其有效性。

3 模糊理論在輸電網絡故障診斷中的應用

隨著模糊理論的不斷成熟，它在輸電網絡診斷中應用的也越來越廣泛。在輸電網絡的故障中，其發生的故障和故障發生前的征兆之間聯系是具有模糊性質的，這種模糊既具有不確定性又具有不準確定，因而，得出恰當的診斷結果也是比較困難的，必須要采用模糊判斷的額方法，一般情況下是建立相關的模糊關系矩陣。隨著模糊理論的不斷完善，其受重視的程度越來越高，特別是在解決具有不確定性問題的情況中；模糊理論能夠借助相關的數據庫對問題進行分析，并得出一些列解決結論，且把這些結論按照模糊的程度進行排列；模糊知識庫所使用的描述語言更容易為相關技術人員所接受。模糊故障診斷系統在結構上和專家系統有點相像，因此也具有一定的缺點：對大的輸電網絡系統故障診斷時速度比較慢；其可維護性比較差；不具備自主學習的能力。總體而言，模糊理論一般都是與其它人工智能技術結合使用，在一定程度上能夠提高故障診斷的結果準確度，但是相關研究人員也必須要在它存在的缺點上有進一步的突破。

4 遺傳算法在輸電網絡故障診斷中的應用

遺傳算法目前在很多工業控制領域得到了推廣和應用，在輸電網絡診斷中應用的也越來越多，遺傳算法在基于生物進化的基礎上推算出的一種自適應算法。遺傳算法能夠從錯綜負責的網絡中，自動匹配出解決問題的最優算法，求出最優解，且比較簡單，且可解決問題的范圍比較大，一般應用于解決中小型規模的問題。目前，在遺傳算法應用到輸電網絡故障診斷的過程中，如何建立正確數學模型至關重要，它是制約整個求解過程的關鍵，如果能夠采用適當的方法對輸電網絡建立合理的數學模型，那么將有助于提高輸電網絡故障診斷的精確性。

5 結論

目前，人工智能技術已經在很多領域得到了應用，例如設備狀態監測、設備自動化控制等，在現代輸電網絡越來越復雜的情況下，其應用于故障診斷中也顯得越來越重要，本文分別介紹了專家系統、人工神經網絡、遺傳算法、模糊理論在輸電網絡故障診斷中的應用，指出了優點和缺點，希望本文能夠對相關的工作人員產生一定的指導意義。

參考文獻：

[1]畢天株，霓以信.人工智能技術在輸電網絡故障診斷中的應用述評[J].電力系統自動化，2012（11）.

[2]曾素瓊.人工智能及其在輸配電網絡故障診斷中的應用[J].海南大學學報（自然科學版），2012（6）.

篇5

關鍵詞：故障診斷；狀態檢測；BP神經網絡

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2013）05-1126-02

1 概述

建筑橋梁貫通兩地，促進經濟發展。但隨著時間的推移，由于溫度、污染、認為等各種因素的影響，橋梁的狀態在修建和使用過程中會發生變化，例如：表面銹蝕、裂縫擴大、承載力下降。在一定程度之內的變化可被認為屬于正常現場，但如果出現局部材質惡化、結構損傷或是橋梁過載等現象時便會影響橋梁的正常使用，甚至危及橋梁和車輛運營安全。為此需要在橋梁的修建和使用期間需定期對橋梁的狀態及各種技術指標進行檢測和預防性維護來保證橋梁的質量和安全性。

橋梁狀態發生變化的原因主要有以下三個原因：自然條件及其變化，即大氣溫度、地震及橋墩臺地基的土壤的物理性質、水位變化、水文地質、工程地質等；與橋梁自身相關的原因，即墩臺和梁的結構（型式）、恒載（包括作用在橋梁上部結構的和墩臺的）以及活動荷載（橋上行駛車輛的數量、車輛行駛時引發的震動、水平風力等）；人為因素（勘探測量、設計、施工以及運營管理等工作過程中的不合理方案、操作等）。橋梁所有狀態的變化可以歸為兩種：靜態變化和動態變化。

當前，主要采用兩種手段對橋梁進行檢測：憑借人工經驗，沒有數據記錄，僅適用于剛建或有突變故障的橋；專業的橋梁檢測隊，數據準且分析全面，但檢測費用高、過程復雜，難以得出橋梁壽命等定量的準確預測值。

2 便攜式橋梁狀態參數檢測儀及智能故障診斷系統

“便攜式橋梁狀態參數檢測儀及智能故障診斷系統”采用的傾角傳感器具有高精度，并且橋梁的各項指標通過系統測量獲得的傾角計算得到，除了能能檢測橫、縱向的振頻、振幅，而且智能故障診斷系統運用BP神經網絡技術還能對橋梁的狀態作出檢測和發展趨勢作出預測解決了困擾多年的動撓度檢測問題。系統的主控制器是一特的掌上電腦（PDA），其特點是：體積小，便攜；智能化，操作簡單；及時地監測正在運營的橋梁，而且各項費用低廉。該系統除了具有可信度高、測試精度高、存儲信息大等特色外，還具有斷電保存數據與上位機的標準通信等功能。

BP神經網絡又名反向傳播神經網絡屬于前饋網絡，在眾多網絡中最常用，為此其廣泛應用于故障診斷中。反向傳播神經網絡算法的實質是梯度下降法：每一層上包含了若干個代表神經元節點，但是同一層上的各節點之間沒有緊密配合與相互影響的關系，在各節點見信息單向傳播，從上到下依次經過各節點（包括隱含層的）直至到達輸出層節點。BP算法優點很多，但也存在不足尤其運用于復雜的實際問題時：一收斂速度慢，二容易陷入局部極小點（由于隱節點的數目多、學習步長的選擇復雜、樣本集需預處理、以及選擇網絡初始權值的等）。針對BP算法中存在的問題，該文在橋梁故障診斷中使用改進型的BP算法：為加快收斂速度在初始的算法中引入動量因子。

3 橋梁狀態檢測中運用智能故障診斷技術

橋梁是交通運輸中的重要組成部分，橋梁的狀態在修建和使用過程中會發生變化，需要對橋梁進行故障診斷并進行及時的預防和消除故障，保證其正常使用。

3.1 橋梁故障診斷

橋梁故障診斷包括：狀態監測和故障診斷。橋梁狀態監測，即測試獲得結構的某些特征參數，將測定值與規定的正常值進行比較，最終判斷結構當前的工作狀態。橋梁故障診斷則是對故障所在部位、內容、嚴重程度、產生的原因進行診斷。故障診斷的任務是：

1）狀態監測：了解和掌握設備運行狀態，包括對橋梁進行各種檢測、分析、評估運行狀態及判斷是否處于正常工作狀態。

2）故障診斷：利用前面橋梁狀態監測所獲取的信息（各種參數），將其與橋梁結構特征、所處環境、設備相關記錄（包括運行記錄和已發生的故障及維修記錄）相結合，對設備已發生或是未來可能發生的故障進行分析、判斷，確定故障（包括故障的部位、性質、產生的原因和所屬類別等），并提出控制和消除故障對策確保設備能正常運轉使用，并加以實施。

3）指導設備管理維修：橋梁維修已由最初的事后維修，定期的預防性維修，現在發展到向著適性維修前進。

本文主要通過將歷史測量數據和當前的測量數據比較，利用BP神經網絡技術對橋梁的狀態進行綜合的分析和判斷，預測橋梁未來的發展的狀態，實現智能診斷橋梁故障。

3.2 橋梁故障診斷中運用BP神經網絡

在橋梁故障診斷中運用BP神經網絡的主要步驟為：依據橋梁故障診斷出的問題組織樣本來學習，再依據樣本來構造出BP神經網絡并對其進行訓練，測試構造出的BP神經網絡。本節將利用上文的的改進型的BP算法，對橋梁狀態檢測后的故障診斷問題進行研究和分析。

1）選擇學習樣本：橋梁的故障征用五個參數來表征：列車駛過橋梁時橋梁的橫向振幅、縱向振幅、橫向頻率、縱向頻率和動撓度；并用它們來作為輸入變量；而由于橋梁的故障原因（鋼軌出現裂縫、墩臺傾斜和鋼軌彎曲變形）眾多，該文提出以橋梁的綜合質量而非單獨的問題作為判斷標準，質量越高則綜合質量數值越大，神經網絡的輸出變量用為橋梁檢測的綜合質量和預期綜合質量；把數據測量時間作為神經網絡的輸入變量，以便能實現預測。因此，該文設計構造的BP神經網絡的有六個輸入變量和兩個輸出變量。通過相關專業領域專家的知識和對橋梁故障機理的分析獲得橋梁系統的故障征兆集、故障原因集以及兩者之間的關系集。

2）神經網絡的構成與訓練：樣本數據具有較大的離散性，從而使得進入神經網絡的數據同樣具有較大的離散性。針對于本網絡的將S型函數作為傳遞函數，其輸出范圍為0-1，對數據進行歸一化。例如：第i個輸入變量Ai，全部樣本中第i個輸入變量的最小值為Amin和最大值為Amax，Ai歸一后為[Ai]：

利用MATLAB軟件進行大量的仿真試驗，確定BP網絡中隱含層節點數和取得優良的故障診斷結果。學習樣本的網絡節點數、算法和結構參數會影響學習的速度，該文通過設定允許誤差限度，用改進型的BP網絡算來優化參數：

第一，固定神經網絡的學習效率和所有隱含層中的節點個數，引入動量因子并研究其對算法的影響。結果顯示，學習收斂因引入動量因子而改進，并且在一定范圍內：動量因子越多，學習收斂的速度越快。動量因子為α最優。

第二，固定學習率和動量因子，分析神經網絡學習與BP網絡的所有隱含層節點數之間的相互作用情況。結果顯示，BP網絡的所有隱含層節點數對學習的收斂性關系密切。對于該故障診斷問題BP網絡的隱含層節點數為h是最佳的。

第三，根據以上參數優化結果，設定ɑ動量因子為和h隱含層節點數，改變學習率訓練神經網絡。結果顯示，學習率較小時網絡收斂較慢，學習率過大時收斂出現振蕩。經反復訓練最終確定學習率為β。

3）測試神經網絡絡：用上述訓練好的神經網絡對已學習過的數據進行預測，并看與經驗值是否吻合；采用一組新的數據對其進行測試，歸一化后看死否相符；另選一組樣本數據測試神經網絡，驗證其對陌生數據處理的有效性。若相符（吻合）或是得到誤差較小的輸出變量，滿足規范，則表明此BP神經網絡具有實際可用性，能正確實現故障診斷。

綜上所述，經現場橋梁現場人員的同意和配合，并結合有關要求，我們提出并使用橋梁綜合質量作為判斷指標，利用基于用改進的BP算法訓練后的神經網絡初步研究了鐵路橋梁狀態檢測的智能故障診斷進行了并進行了仿真，實現了對橋梁狀況的綜合判斷和未來發展趨勢的預測。

參考文獻：

篇6

1人工神經網絡故障診斷法

利用神經網絡進行故障診斷，首先對所得的特征數據進行預處理，剔除不合理數據（外值），并對數據進行約簡，消除冗余信息，神經網絡的結構（中間層的傳遞函數和神經元數目）和參數（神經元之間的連接權值和閥值）被確定。再利用測試樣本集對此神經網絡進行測試，如果故障診斷的正確率沒有達到要求，增加訓練樣本或訓練次數，繼續對神經網絡進行訓練；如果故障診斷的正確率達到要求，即可轉入故障診斷階段，此階段可以在線進行。

2基于專家系統和模糊推理的故障診斷法

模糊推理是采用模糊邏輯由給定的輸入到輸出的映射過程。首先，利用專家的知識和經驗構建知識庫，對故障與故障現象、現象與現象以及故障與故障之間的關系進行描述。然后通過專家定制、確定性規則轉化、數據挖掘或神經網絡技術確定模糊規則。最后通過模糊推理機，得到故障的類型和位置信息。

3基于支持向量機（SVM）的故障診斷法

支持向量機作為一種機器學習算法，具有非凡的泛化能力，與其它智能化方法相比，在解決小樣本、非線性和高維模式識別中表現出明顯的優勢，被應用于圖像處理、模式識別和數據分析等領域。從本質上來說，網絡故障診斷實際上是一個模式識別問題，可以利用支持向量進行網絡故障診斷，具體步驟如下：（1）網絡狀態信息獲取并約簡，并將特征數據分為兩部分：訓練樣本集和測試樣本集；（2）選擇支持向量機的初始化參數，包括核函數的參數和懲罰參數等；（3）利用訓練樣本集對支持向量機進行訓練，得到最優分類超平面； （4）利用測試集檢驗診斷效果，如果診斷的正確率沒有達到要求，增加訓練集中的樣本，對支持向量機重新進行訓練；（5）如果診斷的正確率達到要求，則轉到正式工作階段，進行在線故障診斷。

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.

關鍵詞： 分布式；多Agent協作；智能故障診斷；案例學習

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

中圖分類號：TP393文獻標識碼：A 文章編號：1006-4311（2011）28-0145-02

0 引言

網絡規模的擴大及異構程度的提高等各種因素導致網絡環境更接近不可觀察的、不確定的、動態的、連續性的開放環境。網絡故障也難以進行快速有效的診斷和修復。而多Agent系統，能夠較好的適應當前及以后的網絡環境，能夠對網絡故障作任務分解，并通過智能Agent之間的協作，較為準確的診斷網絡故障，并利用相應的修復方案進行網絡修復，從而大大提高網絡系統的健壯性和可靠性。

1 智能Agent特性及多Agent系統與網絡系統的相似性分析

1.1 智能Agent特性 學者Hayes Roth認為，“智能Agent能持續執行三項功能：感知環境中的動態條件；執行動作影響環境條件；進行推理以解釋感知信息，求解問題，產生推斷和決定動作。”Wooldridge等人提出的“弱定義”則經典闡述了Agent最基本的特性：“自治性、反應性、社會性、能動性。強定義的Agent還具有移動性、自利性等人類才具有的特性。”

1.2 智能Agent結構

參考文獻：

[1]龍兵，姜興渭等.基于多Agent衛星遙測數據實時監測與診斷技術.航空學報，2005，26（6）：726～731.

篇8

關鍵字：數控機床；機械故障；專家系統；神經網絡；網絡化

1 引言

由于數控機床具有提高零件的加工精度、穩定產品的質量、提高產品的生產率、可適應不同品種及尺寸規格零件的自動加工等優點，因此其運用越來越廣泛，已經成為一個國家工業水平和綜合科技水平的重要標志。數控機床對大中型企業來說，是其最重要的設備，如果其任何部分出現故障，其就會導致精度減低，嚴重的話，使企業停頓，企業的經濟損失更大，進而對相關人員的安全造成危害。在一方面，數控機床特點就是先進、復雜和智能化，當其出現故障后，維修也相對困難，因此對數控機床機械故障診斷進行分析研究就顯得非常迫切。

2 診斷故障系統的網絡化管理

2.1專家系統和神經網絡內涵

1）專家系統的基本原理；具有獲取、處理、存儲和使用知識的特點的系統叫做專家系統（可以進行知識處理），其主要包括知識庫、推理機、數據庫、知識獲取模塊、解釋程序和人機接口等方面組成。

2）專家系統和神經網絡的結合；盡管在運用方面，專家系統取得了不小的成就，但是，其在模擬人類抽象思維方面也有著明顯的缺陷，這些缺陷主要有：（1）存在“瓶頸”問題；（2）推理能力弱；（3）自學習能力差；（4）存在“窄臺階效應”。

3）神經網絡的基本結構；神經網絡的基本結構主要有以下七部分組成，具體如：（1）一組處理單元（讓相關單元可以激活）；（2）輸出函數（由處理單元進行輸送）；（3）銜接模式（主要處理單元之間的鏈接問題）；（4）一定規則進行傳遞；（5）一定規則進行激活（輸入處理單元和當前狀態結合規則）；（6）一定的學習規則（根據經驗進行聯接）；（7）系統所需要的環境。

2.2專家系統和神經網絡的結合

2.2.1對專家系統和神經網絡進行比較

根據其二者不同的定義、結構及工作原理，神經網絡與專家系統是兩種截然不同的技術：其主要區別有：（1）知識獲取不同；（2）知識表示不同；（3）推理形式不同。

2.2.2 對專家系統和神經網絡的相關性進行分析

二者存在的特點各不相同，神經網絡和專家系統在其各自的領域都運用較為廣泛，但同時在滿足設備故障診斷任務方面又各自存在著的局限性，因此就需要讓其二者有效結合起來，其結合方式主要有：（1）神經網絡與專家系統共存于一個系統中；（2）使用神經網絡來構造專家系統。

2.3 神經網絡的類型選擇及結構設計

2.3.1 神經網絡不同選擇類型

由于徑向基函數網絡具有確定自適應、輸出與初始權值無關等各種優點，因此其在擬合多維曲面、重構自由曲面和故障診斷等方面有著巨大的運用。因此認為徑向基函數神經網絡是最好的。

2.3.2 隱層神經元的設計

提取并存儲內在規律，使每個隱層神經元都有不同的權值，同時每個權值都相對應著一個參數（增強網絡映射能力）。

2.4基于web的神經網絡專家系統

對現代信息傳輸載體（比如Internet）進行有效利用，可以較快地傳遞和收集相關故障信息，高效提高診斷故障的能力，使數控機床設計者和使用者更好地參與進來，以期得到更合理的措施。

3 系統的總體設計原則

3.1網絡化專家系統的設計原則

其設計的原則主要有以下幾方面，具體如下：（1）模塊化原則。（2）實用性原則。（3）可擴充原則。（4）安全性原則。（5）統一性與簡單性原則。

3.2專家系統的功能模塊設計

新用戶首次登陸必須要通過注冊模塊先進行注冊，老用戶可以直接登陸，登陸又分為管理員和普通用戶登陸，只有管理員有權利處理系統的數據庫。通過故障診斷模塊對相應故障進行診斷，其功能模塊主要主軸、進給系統、刀庫刀和輔助裝置等幾部分組成。

3.3系統運行的環境

1）Web服務器的選取；通過Windows操作系統，發揮在PC界的優勢，推出的IIS成為目前運用最廣泛的服務器，經過驗證，也是目前用戶最好的選擇。

2）后臺數據庫的選取；通過分析研究，同時結合Access的特性、相關程序的匹配性和開發者的業務水平，本文的系統選取Access最為合適。

3.4系統的軟件開發環境

3.4.1 服務器相應的軟件環境

操作系統：Windows XP Server/Professional；服務器：IIS6.0；數據訪問：ADO -ActiveX Data Objects；數據庫系統：ACCESS

3.4.2 客戶自己機器所對應的軟件

操作系統：Windows 98/2000/xp，瀏覽器：IE5.0以上，MATLAB6.5以上版本。

3.5開發相應工具分析

目前開發工具主要有以下兩種形式：（1）網絡化專家系統開發工具：具體采用FrontPage。（2）徑向基函數神經網絡開發工具：具體采用MATLAB程序控制。

4 系統的研究與實施

4.1總體結構設計

該系統的總體結構主要采用一個并列協調式（神經網絡和專家系統并存）。兩者分別處理各自不同的知識，管理著不同的模塊，分別處理各自不同的功能，但是也可以進行聯合診斷。

4.2知識庫的設計與實現

本系統直接把數據庫和數據庫管理系統作為知識庫的重要組成部分，一方面通過數據對象來處理知識，另一方面，用數據庫來對相關知識的存儲、編輯、刪改、更新查詢和安全保護等功能進行有效管理。

4.3推理機的研究與實實施

通過模擬專家的思維模式，對相應問題進行控制和研究，這是推理機的主要功能。結合目前已知的事實，通過知識庫，按照一定的規則和方法，進行推理分析，再對其修正，得到最終的結果。

4.4解釋模塊及人機界面

解釋功能作為數控機床機械故障診斷系統最主要的功能，其主要具有向用戶、遠程用戶、領域專家和知識工程師解釋相關的問題的優點。目前的人機界面都需要通過ASP編程來實現，主要采用中文視窗的的模式，這樣比較簡單明了，更容易實現人機交互。

4.5徑向基函數神經網絡故障診斷

當專家系統部分得出的初期診斷結果不能使用戶滿意那么就需要進行進一步的深層次診斷。采用徑向基函數神經網絡進行深層次的定量診斷。

5 結論

由于現在數控機床的技術和水平的快速提高，其相應結構復雜程度進一步提高，功能也越來越多，這樣就是的設備出現的問題概率大大增加，因此針對數控機床存在的機械故障進行分析研究，提出采用網絡化對其故障進行控制的方法，以期更好地服務相關公司，為之后出現的機械故障提供一定的參考。

參考文獻

（1） 李曉峰.數控機床遠程故障診斷專家系統的研究（D）.遼寧：沈陽工業大學，2005.

（2） 趙中敏.數控機床故障診斷技術的發展和關鍵診斷技術（J）.中國設備工程，2007 6： 5152.

（3） 朱文藝，李斌.基于Internet的數控機床遠程故障診斷系統的研究（J）.機床與液壓，2005-9：176178.

篇9

作者簡介:段其昌（1953-），男，四川自貢人，教授,博士生導師,主要研究方向：可再生能源（太陽能、風能）應用與控制、系統容錯與可靠性；張亮（1983-），男，湖北宜昌人，碩士研究生，主要研究方向：可再生能源（太陽能、風能）應用、雙饋風力發電系統故障診斷； 袁景明（1986-），女，四川威遠人，碩士研究生，主要研究方向：汽車電子（電動轉向）控制、電子信息嵌入式控制。

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

（重慶大學 自動化學院，重慶400030）

（.cn）

摘 要:變流器是雙饋風力發電系統中的樞紐設備，其運行可靠性直接關系到發電系統的安全與穩定。針對基于遞推最小二乘（RLS）算法的離散小波神經網絡（DWNN）存在收斂速度慢、收斂精度不高、搜索局部極小等不足,以變流器的電流為分析對象,提出一種采用變加權和變學習率改進算法的小波神經網絡的變流器故障診斷方法。選擇變流器電流作為離散小波神經網絡訓練及故障識別樣本,對訓練過程和仿真結果進行對比分析。實驗結果表明:較之RLS算法,改進的小波神經網絡故障診斷方法在故障識別準確率和收斂時間方面表現更優。

關鍵詞:變流器；故障診斷；離散小波神經網絡；遞推最小二乘法；變加權；變學習率

中圖分類號: TP183文獻標志碼: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

能源的短缺和環境的惡化使世界范圍內開始重視開發和利用可再生能源。風力資源作為一種綠色、環保的能源，已越來越得到人類的重視。由于電力電子器件的脆弱性及其在雙饋風力發電系統中控制的復雜性，變流器部分尤其是其中實現各種脈寬調制（Pulse Width Modulation, PWM）控制策略的逆變器部分，是系統中最易發生故障的薄弱環節。一旦逆變器發生故障，不僅整個風電機組可能會遭受嚴重損壞或導致停機，也會對電網造成極大的不穩定，因此研究如何提高三相變頻驅動系統的可靠性及風電變流器的狀態監測和故障診斷對于提高系統穩定性來說至關重要，具有重要的現實意義［1-2］。

近些年來，神經網絡在故障診斷領域中的研究得到了越來越多的重視。小波神經網絡小波神經網絡是以小波基函數作為神經元激活函數而構造的前饋神經網絡。與傳統的神經網絡相比，小波基元（Wavelet Basic Unit, MBU）及整個網絡結構的確定有可靠的理論依據，有較強的函數學習能力和推廣能力，訓練后的網絡對噪聲有較強的抗干擾能力［3-4］，進行參數估計使用最多的算法是倒梯形和遞推最小二乘算法［5-6］。

基于傳統的遞推最小二乘（Recursive Least Square, RLS）算法的小波神經網絡在收斂速度、精度方面表現不佳，嚴重影響了故障診斷的效率。本文提出了一種新的改進的最小二乘算法，稱做變學習率變加權最小二乘算法，采用了變加權因子改善收斂陷入局部極小的問題，提高了收斂的精度。而引入變學習率，替代了傳統的迭代方式，使得在學習過程的振蕩期提高收斂的速度，而在穩態期保證誤差曲線的平滑，從而提高了故障診斷的效率。

1 離散小波神經網絡

1.1 小波變換

設函數ψ（t）∈L2（R），若滿足允許條件∫∞ 0ψ^ （ω）2/ω dω

ψ（t）ψ（1）

是小波基函數,其中a、b分別為伸縮因子、尺度因子。

設有信號x（t）∈L2（R），則x（t）的小波變換定義為：

WTx（a,b）∫Ry（t）ψdt∫Rx（t）ψ（t）dt

〈x（t）,ψ（t）〉（2）

由信號x（t）的小波變換WTx（a,b）可以重構x（t），即：

x（t）∫∞ 0a－2∫+∞－∞WTx（a,b）ψ（t）dadb（3）

cψ∫∞ 0dω

相應地，離散小波被定義為：

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

若離散小波函數族{ψ（t）}在L2（R）中滿足以下框架條件：

Ax2≤∑（m,n）∈Z2〈ψ,x〉2≤Bx2

x（t）∈L2（R）（6）

當AB1且ψ1時，{ψ（t）}成為L2（R）的標準正交基，此時：

x（t）∑（m,n）∈Z2〈x（t）,ψ（t）〉ψ（t）（7）

1.2 辨識分析

設待辨識的函數yf（t）∈L2（R），這時存在常數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），則當ε0時，可以任意精度逼近yf（t）。其中：m,n、ψ^ （t）分別為wm,n，ψ（t）的估計值。

1.3 離散小波神經網絡結構

下面給出小波神經網絡的結構，它有N組觀測數據輸入，為便于說明，僅考慮單輸出的情況，如圖1所示。多輸出情況可類似得到。圖1中，網絡的第Ⅰ層是輸入節點層。因為采樣的電流樣本為三相電流，所以有輸入層三個輸入節點。對上述的選出來的小波基函數進行重新排序：ψ1（x（1,n））,ψ2（x（2,n））,…,ψ7（x（3,n））,以此作為神經網絡中的隱層節點，即第Ⅱ層的節點。第Ⅲ層是輸出層，輸入的樣本經過小波函數運算后得到輸出值乘以相應地權值得到的估計輸入經此輸出。小波神經網絡（Wavelet Neural Network, WNN）結構如圖1所示。

圖1 WNN模型結構

2 算法改進

2.1 指數加權遞推最小二乘算法

對于N次觀測{y（t（i））},i1,2,…,N，準則函數:

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為加權遺忘因子，且0≤λ≤1；n為迭代次數；l1,2,…,m×n；h1,2,…,n。

由于θ出現在（t（k）,θ^ ）的非線性項中，從無法得到θ^ 的線性方程，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）），將式（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）

則式（12）可以寫成：

J（Δ θ^ ）∑nk1λn－kε（k）2εTε（16）

于是從0，可以得到Δθ的指數加權最小二乘估計Δ θ^ （HTλH）－1HTλG，其中：

H, G（17）

其中λ為加權遺忘因子，且0≤λ≤1。

2.2 變學習率變加權遞推最小二乘算法

在指數加權遞推最小二乘法中，當λ1時，各個時刻的誤差都具有極大的相似程度，即無任何遺忘功能。此時的加權遞推最小二乘算法實質上就是一般的遞推最小二算方法。而當λ0時,則只有現時刻的誤差起作用,而過去時刻的誤差完全被遺忘。那么希望在振蕩情況下,只需要有限的最近時刻的誤差起作用,使算法能夠很快地跟蹤上非平穩信號的局部趨勢。而在穩態情況下減小參數估計誤差，故引入含變加權因子的矩陣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為取整函數，使得：

Δ θ^ （HTλH）－1HTλG（20）

稱這種改進算法為變加權遞推最小二乘算法為變加權最小二乘（Variable Weight Recursive Least Square, WRLS）法。

上述的WRLS算法中，由于學習率的設定值是一致的，則學習過程中的步長也相同，無法使學習率同時滿足值最大且穩定。當學習率過大，算法可能極不穩定；學習率過小，則收斂的速度慢，導致訓練的時間延長。而學習率的選擇對于算法的性能影響很大。因此，在上述改進算法的基礎上引入變學習率因子，稱之為變學習率變加權遞推最小二乘算法（alter-learning rate and variable weight recursive least squares，LWRLS），通過該算法可以根據小波神經神經網絡的當前狀態調整學習率，從而進一步提高參數學習的收斂速度。

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）為變學習率，E（k）為誤差值。

3 仿真實驗

通過風電變流器故障診斷實驗得到300組三相電流樣本數據，200組作為訓練樣本，另外的100組作為測試數據。根據改進的算法對網絡的各參數進行學習。經過大量實驗得到的小波神經網絡的參數如表1所示。

表1 參數設置

故障電流樣本如圖2所示，其中：Ira、Irb、Irc分別是轉子的三相相電流。

圖2 電流樣本圖

給定一組期望的輸出值，使之映射相應的故障類型，用處理好的學習樣本對小波神經網絡進行訓練，保證小波網絡的輸出值誤差達到精度要求，輸出值的誤差曲線如圖3所示。由圖中的三條誤差曲線可以看出改進算法的離散小波神經網絡的辨識誤差逐漸減小，且具有更好的動態跟隨性和準確性。

輸入100組測試數據，并對故障的識別率進行數學統計，以此來驗證改進算法的小波神經網絡的故障診斷效果。診斷的故障識別率如表2所示。

圖3 三種算法的誤差曲線

表2 三種方法的故障識別率比較

%

4 結語

本文利用小波框架理論，建立了框架小波神經網絡。在小波變換的基礎上，運用了變學習率變加權遞推最小二乘算法對小波神經網絡中的權值進行辨識。在對雙饋風力發電系統變流器進行故障診斷時，大大地提高了類間特征的可分性，從而明顯地提高了故障識別率，是一種行之有效的故障診斷方法。

參考文獻:

[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］ 陳涵,劉會金,李大路,等.可變遺忘因子遞推最小二乘法對時變參數測量［J］.高電壓技術,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

關鍵詞：故障診斷；神經網絡；擠壓機

1 引言

金屬擠壓加工是利用金屬塑性壓力成形的一種重要方法，其重要特點是將金屬錠坯一次性完成成管、棒、型材的加工，這是其他任何方法無法相比的。擠壓機是擠壓加工生產線中的關鍵設備，決定著擠壓車間的生產品種和能力。因此，對擠壓機的故障診斷和及時排除故障對保證產品質量和生產進度顯得尤為重要。即使是經驗豐富的工人診斷設備的運行狀態也無法與一套完整的設備狀態監控系統的判斷精度相比。一旦判斷失誤就會造成重大損失。為了提高擠壓機可靠性、經濟性，降低生產成本，提高設備的利用率，通過設備的狀態監測與故障診斷技術，實現設備的“狀態維修”就成為現代設備管理和維護的必然需要。

根據文獻檢索和現場事故調查結果， 發現擠壓機發生故障的主要原因有以下幾種情況：

（1） 現有的裝置可靠性和系統保護功能差，對誘發事故發生的初期狀態無有效的預測、預報措施。為了預防事故的發生， 擠壓機采取定期檢修的方法。計劃檢修的缺點是靈活性差，到檢修時間擠壓機沒有故障，檢修就會造成浪費；沒有到檢修期間擠壓機卻發生了故障，造成了停機或設備的損壞，損失更大。

（2） 大型擠壓機結構復雜， 涉及到機、電、液等多個專業， 對設備維護管理人員的技術水平有較高的要求， 一般工作人員不易判斷故障原因。

（3）對擠壓機的故障診斷機理和方法缺乏系統的研究， 有效實用的故障診斷措施較少。

因此， 對擠壓機進行工況監測與故障診斷，可及時發現故障的早期征兆， 防患于未然。變定期維修或故障維修為預防維修， 提高設備維修管理水平， 特別是利用遠程智能故障診斷系統， 可使一般人員也能完成復雜的故障診斷。擠壓機的實時監測、保護和故障診斷是金屬加工領域的重要課題之一。

為了解決以上問題，提出了一種基于bp神經網絡模型的擠壓機故障診斷系統。

2 bp神經網絡模型

bp算法的基本思想：信號的正向傳播與誤差的反向傳播組成了bp網絡的學習過程，這一過程則通過正向傳播和方向傳播中各層權值的不斷調整得以實現。目前采用bp算法的多層感知器的神經網絡應用廣泛，其中以具有3層感知器的單隱層網絡為主。3層感知器包括輸入層、隱層和輸出層。其中輸入層節點為故障征兆，輸出層節點為故障原因。故障現象及結論組成訓練學習的樣本空間，通過訓練學習已知樣本層，確定網絡結構，分析故障征兆，得出故障原因。神經網絡系統具備高度非線性映射能力，是一個并行和分布式的網絡信息處理結構。

3 擠壓機故障診斷

輸出結果與目標結果是一樣的，驗證了該網絡的可行性及實用性。

參考文獻

[1]魏軍.金屬擠壓機[m]化學工業出版社，2006