導(dǎo)語：如何才能寫好一篇網(wǎng)絡(luò)故障診斷，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：網(wǎng)絡(luò)故障；故障檢測；故障定位；故障診斷；專家系統(tǒng)；數(shù)據(jù)挖掘；神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP393.06

隨著計算機(jī)、通信以及互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展及應(yīng)用，網(wǎng)絡(luò)作為一種重要的工具，在軍事、政治、經(jīng)濟(jì)和科研等諸多領(lǐng)域起著越來越重要的作用，已經(jīng)成為社會生產(chǎn)和生活必不可少的一部分。與此同時，網(wǎng)絡(luò)的規(guī)模和復(fù)雜性不斷增大，一旦網(wǎng)絡(luò)發(fā)生故障，如果不能在有效時間內(nèi)對網(wǎng)絡(luò)故障進(jìn)行診斷與修復(fù)，將會造成巨大的損失，甚至嚴(yán)重威脅社會的安全與穩(wěn)定，因此對網(wǎng)絡(luò)故障診斷技術(shù)進(jìn)行研究具有越來越重要的應(yīng)用價值和現(xiàn)實(shí)意義。

1 網(wǎng)絡(luò)故障診斷一般過程

通常來說，網(wǎng)絡(luò)故障診斷是以網(wǎng)絡(luò)原理、網(wǎng)絡(luò)配置和網(wǎng)絡(luò)運(yùn)行的知識為基礎(chǔ)，根據(jù)網(wǎng)絡(luò)出現(xiàn)的故障現(xiàn)象，并使用專門的網(wǎng)管理和檢測工具以獲取告警信息進(jìn)而對網(wǎng)絡(luò)中出現(xiàn)的故障進(jìn)行診斷、恢復(fù)以及預(yù)測的過程，一般可分為以下五個部分[1]：

（1）故障檢測，即網(wǎng)絡(luò)故障告警信息的獲取。網(wǎng)絡(luò)發(fā)生故障時，通過主動輪詢或異步收集方式，對網(wǎng)絡(luò)中的相關(guān)設(shè)備或服務(wù)的相關(guān)告警信息、設(shè)置和性能參數(shù)，狀態(tài)信息等進(jìn)行收集和分析，及時發(fā)現(xiàn)網(wǎng)絡(luò)出現(xiàn)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(shù)據(jù)進(jìn)行分析和處理，在網(wǎng)絡(luò)中找出故障，為下一步的故障原因的診斷提供依據(jù)。

（3）故障原因的診斷，即查找故障產(chǎn)生的根源。根據(jù)故障定位的結(jié)果綜合運(yùn)用各種規(guī)則進(jìn)行系統(tǒng)的推理，快速的找到故障產(chǎn)生的原因或者最可能的原因。

（4）故障修復(fù)。根據(jù)網(wǎng)絡(luò)故障診斷結(jié)果修復(fù)網(wǎng)絡(luò)故障，恢復(fù)網(wǎng)絡(luò)的正常運(yùn)行。

（5）故障預(yù)測，即根據(jù)先驗(yàn)知識和監(jiān)測數(shù)據(jù)預(yù)測網(wǎng)絡(luò)可能發(fā)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(diǎn)對上述三個步驟進(jìn)行詳細(xì)的介紹。

2 網(wǎng)絡(luò)故障檢測

通常計算機(jī)網(wǎng)絡(luò)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(jī)制。在網(wǎng)絡(luò)中每一個被管設(shè)備中都要運(yùn)行一個程序以便和管理站中的管理程序進(jìn)行通信。

（2）主動輪詢。網(wǎng)絡(luò)中發(fā)生故障的被管設(shè)備或服務(wù)主動向網(wǎng)絡(luò)管理系統(tǒng)發(fā)出告警信息，能夠及時發(fā)現(xiàn)網(wǎng)絡(luò)中的故障，網(wǎng)絡(luò)管理系統(tǒng)還需通過主動輪詢這種方式了解與網(wǎng)絡(luò)性能密切相關(guān)的信息，并對這些影響網(wǎng)絡(luò)性能信息設(shè)置閾值，來判斷網(wǎng)絡(luò)性能，超過設(shè)定閾值也會觸發(fā)事件。

3 網(wǎng)絡(luò)故障定位

網(wǎng)絡(luò)系統(tǒng)中，一般通過監(jiān)測被管設(shè)備或服務(wù)等各種方法獲取大量原始告警數(shù)據(jù)或歷史積累信息，這些數(shù)據(jù)往往由于通信系統(tǒng)的復(fù)雜性、網(wǎng)絡(luò)結(jié)構(gòu)異構(gòu)性、噪聲、外界因素、因果關(guān)系等原因而具有相當(dāng)大的不確定性和不精確性，導(dǎo)致故障癥狀和故障原因都存在非線性映射關(guān)系，需要利用關(guān)聯(lián)技術(shù)對數(shù)據(jù)進(jìn)行處理和分析才有效的進(jìn)行故障定位[3]，目前常用的故障定位技術(shù)主要有下面幾種：

3.1 基于人工智能的故障定位技術(shù)

3.1.1 基于規(guī)則的推理技術(shù)

基于規(guī)則的推理（Rule-based Reason，RBR）是最簡單的關(guān)聯(lián)技術(shù)，已被用于多種構(gòu)架。一般而言，基于規(guī)則的系統(tǒng)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(guān)的規(guī)則和專家知識。

（3）工作內(nèi)存，主要提供解決問題所需要的數(shù)據(jù)。

在基于規(guī)則的推理的網(wǎng)絡(luò)故障定位系統(tǒng)中，知識庫充當(dāng)一個專家的角色，利用從人類專家獲取專家積累的經(jīng)驗(yàn)和知識，這些知識主要包括對網(wǎng)絡(luò)問題的定義以及當(dāng)某一特定問題發(fā)生時，網(wǎng)絡(luò)故障定位系統(tǒng)需要執(zhí)行的操作。工作內(nèi)存主要是利用具體的網(wǎng)絡(luò)協(xié)議對網(wǎng)絡(luò)中的被管設(shè)備或服務(wù)進(jìn)行監(jiān)測，得到有關(guān)被管設(shè)備或服務(wù)的各種信息。在對網(wǎng)絡(luò)故障進(jìn)行定位時，推理引擎與知識庫共同合作，將監(jiān)測得到的網(wǎng)絡(luò)中被管設(shè)備或服務(wù)的狀態(tài)信息與知識庫中定義好的條件部分進(jìn)行比對，根據(jù)條件滿足與否，來進(jìn)行網(wǎng)絡(luò)故障的定位。

基于規(guī)則的網(wǎng)絡(luò)故障定位系統(tǒng)，由于無需對專家系統(tǒng)的具體結(jié)構(gòu)和操作細(xì)節(jié)進(jìn)行深入了解，從而具有結(jié)構(gòu)簡單等諸多優(yōu)點(diǎn)，并且實(shí)現(xiàn)起來比較簡單，非常適用于小型系統(tǒng)。但是基于規(guī)則的網(wǎng)絡(luò)故障定位系統(tǒng)在匹配規(guī)則時，需要網(wǎng)絡(luò)狀態(tài)與知識庫中的規(guī)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(guī)則存在不易維護(hù)性和指數(shù)增長性，所有這些缺點(diǎn)決定了基于規(guī)則的網(wǎng)絡(luò)故障定位系統(tǒng)不適用大型系統(tǒng)。

3.1.2 基于模型的推理技術(shù)

基于模型的推理（Model-based Reason，MBR）是建立在面向?qū)ο笊系幕A(chǔ)之上，利用現(xiàn)有的專家經(jīng)驗(yàn)和知識，將具體的目標(biāo)系統(tǒng)中的實(shí)體都模型化診斷對象，并且明確地表現(xiàn)出現(xiàn)實(shí)目標(biāo)系統(tǒng)中對象之間存在的各種關(guān)聯(lián)關(guān)系，再根據(jù)系統(tǒng)模型對具體的目標(biāo)系統(tǒng)的行為進(jìn)行推測。由于通常情況下，具體的目標(biāo)系統(tǒng)與理想的系統(tǒng)模型之間存在差異性，因此基于模型的推理的專家系統(tǒng)需要對推測的行為和目標(biāo)系統(tǒng)的實(shí)際行為進(jìn)行不一致診斷，以確定具體目標(biāo)系統(tǒng)中的故障根源。

為了更好地說明基于模型的推理專家系統(tǒng)的工作流程，文獻(xiàn)[4]使用一個物理模型和對應(yīng)的對等模型分別如圖2、3所示的網(wǎng)絡(luò)系統(tǒng)。網(wǎng)絡(luò)系統(tǒng)按一定的周期，有規(guī)律的向圖2中的被管設(shè)備發(fā)送ping命令以監(jiān)測網(wǎng)絡(luò)系統(tǒng)中的被管設(shè)備是否運(yùn)行正常。管理系統(tǒng)和被管設(shè)備之間通過一個模型對象實(shí)現(xiàn)彼此之間的相互通信，具體來說，如圖2所示，系統(tǒng)中的集線器模型向被管設(shè)備集線器發(fā)送ping命令，路由器模型則向被管設(shè)備路由器發(fā)送ping命令。當(dāng)目標(biāo)網(wǎng)絡(luò)發(fā)生故障時，如果故障發(fā)生在集線器1，則集線器1模型可以將其發(fā)現(xiàn)并且識別出來，如果集線器1模型連續(xù)3次向被管設(shè)備集線器1發(fā)送ping命令，在3次響應(yīng)超時以后，集線器模型1根據(jù)現(xiàn)有的網(wǎng)絡(luò)現(xiàn)象推測被管設(shè)備集線器1有可能發(fā)生故障，或者說目標(biāo)系統(tǒng)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(fā)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(shè)備的模型之間的關(guān)系以此來確定其是否應(yīng)該詢問網(wǎng)絡(luò)中路由器模型，如網(wǎng)絡(luò)中的路由器模型返回的是相應(yīng)的被管路由器設(shè)備工作處于正常狀態(tài)，則集線器1觸發(fā)警報。

3.1.3 基于范例的推理技術(shù)

基于范例的推理（Case-based Reason，CBR）故障定位技術(shù)與前面的基于規(guī)則推理技術(shù)和基于模型推理技術(shù)相比具有很大的差異性，主要因?yàn)榛诜独耐评砑夹g(shù)的思想源于人類現(xiàn)實(shí)生活，主要根據(jù)過去積累的實(shí)際經(jīng)驗(yàn)或經(jīng)歷，利用類比的推理方法對現(xiàn)有的新問題做出相似的解答，然后根據(jù)新問題與舊問題之間的差異對解答進(jìn)行修改從而得到新問題的完全解答?；诜独评淼木W(wǎng)絡(luò)故障定位技術(shù)主要由四個部分組成，檢索 （Retrieve）、復(fù)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(shù)與基于規(guī)則推理的故障定位技術(shù)相比，由于在基于范例推理的故障定位技術(shù)中檢索只是基于對案例的部分匹配，而基于規(guī)則推理的故障定位技術(shù)則是完全匹配，因此基于范例推理的故障定位技術(shù)對網(wǎng)絡(luò)配置變化的適應(yīng)度更好，更適用于問題的總體解決方案。

3.2 模型遍歷技術(shù)

模型遍歷技術(shù)（Model traversing techniques）是一種構(gòu)建網(wǎng)絡(luò)故障傳播模型的方法，該方法在構(gòu)建故障傳播模型時，主要根據(jù)網(wǎng)絡(luò)在運(yùn)行時各種被管對象之間的相互關(guān)系，并且按照從引起事件的被管對象開始的順序進(jìn)行構(gòu)建。該方法主要適用于網(wǎng)絡(luò)中被管對象之間的相互關(guān)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(tǒng)配置變化較頻繁時該方法的魯棒性很好。模型遍歷技術(shù)主要具有兩大特點(diǎn)，事件驅(qū)動和事件關(guān)聯(lián)，所謂事件驅(qū)動是指在一個故障癥狀報告到來之前，系統(tǒng)一直處于等待故障癥狀狀態(tài)；事件關(guān)聯(lián)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(shù)需要在其事件報告中明確標(biāo)識網(wǎng)絡(luò)系統(tǒng)中故障的征兆類型、征兆目標(biāo)等相關(guān)信息，如果網(wǎng)絡(luò)系統(tǒng)中出現(xiàn)故障征兆，且不妨用si來表示該故障征兆，當(dāng)si的目標(biāo)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(shù)的整個處理可分為以下3步：

（1）首先，對網(wǎng)絡(luò)中的每個事件，依據(jù)網(wǎng)絡(luò)在運(yùn)行時各種被管對象之間的相互關(guān)系對其構(gòu)建一個和事件源相關(guān)的對象圖。

（2）當(dāng)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(rèn)為這兩個對象圖的事件源是關(guān)聯(lián)的。

（3）當(dāng)給定三個故障癥狀si，sj，sk，其中si，sj相互關(guān)聯(lián)，sj，sk相互關(guān)聯(lián)，則根據(jù)故障癥狀的傳遞性可知si是一個次要的故障癥狀。

4 網(wǎng)絡(luò)故障原因診斷

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

（2）基于解析模型的方法?；诮馕瞿Ｐ偷姆椒ㄖ饕罁?jù)數(shù)學(xué)模型和數(shù)學(xué)方法來進(jìn)行故障原因的診斷，在診斷時需要建立對象的精確數(shù)學(xué)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(diǎn)在于其并不需要對象的精確數(shù)學(xué)模型就可以對網(wǎng)絡(luò)中的故障原因進(jìn)行診斷。

下面主要介紹幾種目前國內(nèi)外研究學(xué)者研究比較多的基于知識檢測的方法，基于專家系統(tǒng)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(jīng)網(wǎng)絡(luò)故障原因檢測方法。

4.1 基于專家系統(tǒng)故障原因診斷方法

基于專家系統(tǒng)故障原因診斷系統(tǒng)主要是利用人類專家的經(jīng)驗(yàn)和歷史積累診斷數(shù)據(jù)，使用一定的方法將其轉(zhuǎn)化為系統(tǒng)能夠識別的規(guī)則存在專家系統(tǒng)的知識庫中。當(dāng)網(wǎng)絡(luò)中出現(xiàn)故障時，診斷系統(tǒng)利用專家系統(tǒng)知識庫中的規(guī)則，對發(fā)生故障網(wǎng)絡(luò)中的被管對象的各項(xiàng)性能參數(shù)進(jìn)行處理與分析以正確的確定網(wǎng)絡(luò)故障發(fā)生的具體原因[5]。組成由人機(jī)接口、推理機(jī)、知識庫等六部分組成：

目前，國內(nèi)外學(xué)者公認(rèn)的專家系統(tǒng)瓶頸是知識獲取問題，因?yàn)閷＜蚁到y(tǒng)在診斷過程中主要依賴于從人類專家領(lǐng)域內(nèi)獲取的知識、經(jīng)驗(yàn)和以往診斷數(shù)據(jù)，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(fù)雜性。另外，專家系統(tǒng)在實(shí)時性和學(xué)習(xí)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(tǒng)同其他方法相結(jié)合以提高專家系統(tǒng)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(wǎng)絡(luò)中的故障與系統(tǒng)得到的網(wǎng)絡(luò)現(xiàn)象之間存在非線性的映射關(guān)系，這種非線性的映射關(guān)系很難用確定的數(shù)學(xué)公式或者模型來刻畫，相應(yīng)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(fā)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(jù)網(wǎng)絡(luò)中的故障與表征網(wǎng)絡(luò)故障的數(shù)據(jù)，建立二者之間的關(guān)系，通常用關(guān)系矩陣R來表示。

其次，對需要診斷的目標(biāo)網(wǎng)絡(luò)系統(tǒng)（對象）進(jìn)行狀態(tài)檢測，提取相關(guān)的特征參數(shù)以構(gòu)建特征向量矩陣X。

最后，根據(jù)模糊理論和矩陣?yán)碚?，求解前面兩步?gòu)建的關(guān)系矩陣方程Y=X?R，得到關(guān)系矩陣方程的解Y，再根據(jù)隸屬度等原則，對目標(biāo)網(wǎng)絡(luò)系統(tǒng)的故障向量Y進(jìn)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(jìn)行故障原因診斷的前提是建立關(guān)系矩陣R、隸屬函數(shù)、特征值向量X，而這些矩陣、函數(shù)、向量的建立是人為構(gòu)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(dāng)，會導(dǎo)致該方法的診斷結(jié)果精度嚴(yán)重下降甚至完全錯誤。

4.3 BP神經(jīng)網(wǎng)絡(luò)診斷方法

由于人工神經(jīng)網(wǎng)絡(luò)的這些特性以及網(wǎng)絡(luò)中故障與征兆之間有可能存在的非線性映射關(guān)系，使得人工神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)故障診斷中大有用武之地。目前，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)大量應(yīng)用在網(wǎng)絡(luò)故障診斷領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)是常用的人工神經(jīng)網(wǎng)絡(luò)模型[6]。

BP神經(jīng)網(wǎng)絡(luò)故障診斷分為訓(xùn)練和診斷兩個階段：

（1）訓(xùn)練階段。BP神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練，以選定網(wǎng)絡(luò)結(jié)構(gòu)和規(guī)模，確定網(wǎng)絡(luò)總層數(shù)、各層神經(jīng)元數(shù)。借助BP學(xué)習(xí)算法，將原始網(wǎng)絡(luò)收集到的故障樣本的特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)輸入樣本集，以與之對應(yīng)的網(wǎng)絡(luò)故障原因編碼為BP神經(jīng)網(wǎng)絡(luò)的輸出，以此對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

（2）故障診斷階段。主要對待檢測對象的故障樣本進(jìn)行特征提取和歸一化處理，然后輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷輸出診斷結(jié)果，整個過程分為以下4個步驟：1）故障樣本集預(yù)處理。2）BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計。3）訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。4）故障診斷。

5 結(jié)束語

本文對網(wǎng)絡(luò)故障的概念以及基本過程進(jìn)行了概述，重點(diǎn)對當(dāng)前網(wǎng)絡(luò)故障中的故障檢測、故障定位、故障診斷的關(guān)鍵技術(shù)及方法進(jìn)行了研究和總結(jié)歸納，對開展網(wǎng)絡(luò)故障診斷技術(shù)研究具有一定的指導(dǎo)意義。

參考文獻(xiàn)：

[1]王成等.網(wǎng)絡(luò)故障診斷技術(shù)研究[J].科技信息，2011（11）.

[2]陳琳.一種網(wǎng)絡(luò)環(huán)境中的故障診斷模型[J].北京航空航天大學(xué)學(xué)報，2004（11）.

[3]張燕.網(wǎng)絡(luò)故障診斷關(guān)鍵技術(shù)[J].電腦知識與技術(shù)，2009（31）.

[4]李千目.戰(zhàn)略互聯(lián)網(wǎng)智能診斷技術(shù)研究[D].南京理工大學(xué)，2005.

[5]吳曉知，李興明.網(wǎng)絡(luò)故障管理專家系統(tǒng)中知識庫的構(gòu)造[J].微計算機(jī)信息，2008（06）.

[6]戚涌，劉鳳玉.基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)智能診斷系統(tǒng)[J].微電子學(xué)與計算機(jī)，2004（10）.

篇2

[關(guān)鍵詞]網(wǎng)絡(luò)；故障；診斷分析；處理對策

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

1 前言

隨著電子政務(wù)、企業(yè)信息化和電子商務(wù)的迅速發(fā)展，計算機(jī)網(wǎng)絡(luò)正在融入社會生活的各個方面。計算機(jī)網(wǎng)絡(luò)的廣泛應(yīng)用帶來了許多便利，人們對網(wǎng)絡(luò)的穩(wěn)定運(yùn)行提出越來越高的要求。但隨之而來的網(wǎng)絡(luò)故障也帶來了很多煩惱，輕則影響用戶網(wǎng)絡(luò)運(yùn)行質(zhì)量，重則導(dǎo)致整個網(wǎng)絡(luò)癱瘓，帶來巨大的經(jīng)濟(jì)損失。在網(wǎng)絡(luò)出現(xiàn)故障時要做到及時發(fā)現(xiàn)網(wǎng)絡(luò)故障、準(zhǔn)確定位網(wǎng)絡(luò)故障并且能及時排除故障就顯得特別重要。

2 按照網(wǎng)絡(luò)故障不同性質(zhì)

2.1 物理故障

指的是設(shè)備或線路損壞、插頭松動、線路受到嚴(yán)重電磁干擾等情況。例如，網(wǎng)絡(luò)管理人員發(fā)現(xiàn)網(wǎng)絡(luò)某條線路突然中斷，首先用ping或fping檢查線路在網(wǎng)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(jī)的ip也可以是網(wǎng)絡(luò)中另一臺計算機(jī)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(wǎng)段地址等。順便多說一句，網(wǎng)絡(luò)管理員經(jīng)常發(fā)現(xiàn)有人依次掃描本網(wǎng)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(xù)幾次ping都出現(xiàn)"requst time out"信息，表明網(wǎng)絡(luò)不通。這時去檢查端口插頭是否松動，或者網(wǎng)絡(luò)插頭誤接，這種情況經(jīng)常是沒有搞清楚網(wǎng)絡(luò)插頭規(guī)范或者沒有弄清網(wǎng)絡(luò)拓?fù)湟?guī)劃的情況下導(dǎo)致的。另一種情況，比如兩個路由器router直接連接，這時應(yīng)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(dāng)然，集線器hub、交換機(jī)、多路復(fù)用器也必須連接正確，否則也會導(dǎo)致網(wǎng)絡(luò)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?yàn)榫W(wǎng)絡(luò)設(shè)備的配置原因而導(dǎo)致的網(wǎng)絡(luò)異常或故障。配置錯誤可能是路由器端口參數(shù)設(shè)定有誤，或路由器路由配置錯誤以至于路由循環(huán)或找不到遠(yuǎn)端地址，或者是路由掩碼設(shè)置錯誤等。比如，同樣是網(wǎng)絡(luò)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(qū)別在于traceroute是把端到端的線路按線路所經(jīng)過的路由器分成多段，然后以每段返回響應(yīng)與延遲。如果發(fā)現(xiàn)在traceroute的結(jié)果中某一段之后，兩個ip地址循環(huán)出現(xiàn)，這時，一般就是線路遠(yuǎn)端把端口路由又指向了線路的近端，導(dǎo)致ip包在該線路上來回反復(fù)傳遞。幸好traceroute可以檢測到哪個路由器之前都能正常響應(yīng)，到哪個路由器就不能正常響應(yīng)了。這時只需更改遠(yuǎn)端路由器端口配置，就能恢復(fù)線路正常了。邏輯故障的另一類就是一些重要進(jìn)程或端口關(guān)閉，以及系統(tǒng)的負(fù)載過高。比如也是線路中斷，沒有流量，用ping發(fā)現(xiàn)線路端口不通，檢查發(fā)現(xiàn)該端口處于down的狀態(tài)，這就說明該端口已經(jīng)關(guān)閉，因此導(dǎo)致故障。這時只需重新啟動該端口，就可以恢復(fù)線路的連通了。還有一種常見情況是路由器的負(fù)載過高，表現(xiàn)為路由器cpu溫度太高、cpu利用率太高，以及內(nèi)存剩余太少等，如果因此影響網(wǎng)絡(luò)服務(wù)質(zhì)量，最直接也是最好的辦法就是――更換路由器。

3 按照網(wǎng)絡(luò)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(yuǎn)端的路由器端口能否響應(yīng)，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(jié)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(shù)據(jù)、計費(fèi)數(shù)據(jù)、路由器cpu的溫度、負(fù)載以及路由器的內(nèi)存余量等數(shù)據(jù)，通常情況下網(wǎng)絡(luò)管理系統(tǒng)有專門的管理進(jìn)程不斷地檢測路由器的關(guān)鍵數(shù)據(jù)，并及時給出報警。而路由器cpu利用率過高和路由器內(nèi)存余量太小都將直接影響到網(wǎng)絡(luò)服務(wù)的質(zhì)量。解決這種故障，只有對路由器進(jìn)行升級、擴(kuò)大內(nèi)存等，或者重新規(guī)劃網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

3.3 主機(jī)故障

主機(jī)故障常見的現(xiàn)象就是主機(jī)的配置不當(dāng)。包括主機(jī)配置的IP地址與其他主機(jī)沖突，或IP地址根本就不在于網(wǎng)絡(luò)范圍內(nèi)，這將導(dǎo)致該主機(jī)不能連通。發(fā)生類似的情況，可通過查看網(wǎng)絡(luò)鄰居屬性中的連接屬性窗口，檢查TCP/IP選項(xiàng)參數(shù)是否符合要求，包括IP地址、子網(wǎng)掩碼、網(wǎng)關(guān)和DNS參數(shù)，對錯誤的設(shè)置進(jìn)行修復(fù)。 主機(jī)安全性故障 主機(jī)主機(jī)性故障包括主機(jī)資源被盜和黑客入侵。對于主機(jī)資源要注意不要輕易地共享本機(jī)硬盤；對于主機(jī)被黑客 控制的故障可以通過監(jiān)視主機(jī)的流量、掃描主機(jī)端口和服務(wù)，安裝防火墻和加補(bǔ)系統(tǒng)補(bǔ)丁來防止可能的漏洞。

實(shí)例：傳輸上百兆數(shù)據(jù)時出現(xiàn)“網(wǎng)絡(luò)資源不足”的提示。按常規(guī)，網(wǎng)絡(luò)故障一般不排除以下幾點(diǎn)：網(wǎng)卡有問題、水晶頭做得不規(guī)范、網(wǎng)線有問題、網(wǎng)卡驅(qū)動或網(wǎng)絡(luò)協(xié)議有問題等。但是根據(jù)故障現(xiàn)象來看，以上猜測都可以排除，因?yàn)槿魏我粋€地方存在問題，就不可能在微機(jī)之間進(jìn)行數(shù)據(jù)傳輸，從而可以判斷問題應(yīng)該出在環(huán)境因素上。由于大量的數(shù)據(jù)傳輸需要頻繁的數(shù)據(jù)讀取，這就要有一個相對平穩(wěn)的傳輸環(huán)境，而網(wǎng)卡附近有干擾時，這種平穩(wěn)的環(huán)境就會被破壞。一般要確保網(wǎng)卡不插在離顯卡很近的插槽上，因?yàn)楝F(xiàn)在的顯卡一般都帶有風(fēng)扇，而顯卡風(fēng)扇將影響到網(wǎng)卡的工作，尤其是顯卡在頻繁工作時，影響將更加明顯。把網(wǎng)卡拔下來，插到離顯卡一個較遠(yuǎn)的插槽上，即可解決大量數(shù)據(jù)傳輸時出現(xiàn)的問題。

參考文獻(xiàn)

篇3

關(guān)鍵詞：網(wǎng)絡(luò)故障；網(wǎng)絡(luò)維護(hù)；分類；解決辦法

中圖分類號：TP393 文獻(xiàn)標(biāo)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(jī)的廣泛應(yīng)用和網(wǎng)絡(luò)的日趨流行，功能獨(dú)立的多個計算機(jī)系統(tǒng)互聯(lián)起來，互聯(lián)形成日漸龐大的網(wǎng)絡(luò)系統(tǒng)。計算機(jī)網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定運(yùn)轉(zhuǎn)已與功能完善的網(wǎng)絡(luò)軟件密不可分。計算機(jī)網(wǎng)絡(luò)系統(tǒng)，就是利用通訊設(shè)備和線路將地理位置不同的、信息交換方式及網(wǎng)絡(luò)操作系統(tǒng)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(jī)網(wǎng)絡(luò)的日常維護(hù)工作，確保其安全穩(wěn)定地運(yùn)行，這是網(wǎng)絡(luò)運(yùn)行維護(hù)人員的一項(xiàng)非常重要的工作。在排除比較復(fù)雜網(wǎng)絡(luò)的故障時，我們常常要從多種角度來測試和分析故障的現(xiàn)象，準(zhǔn)確確定故障點(diǎn)。

一、分析模型和方法

（一）七層的網(wǎng)絡(luò)結(jié)構(gòu)分析模型方法。從網(wǎng)絡(luò)的七層結(jié)構(gòu)的定義和功能上逐一進(jìn)行分析和排查，這是傳統(tǒng)的而且最基礎(chǔ)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(yīng)用。自上而下是：從應(yīng)用協(xié)議中捕捉數(shù)據(jù)包，分析數(shù)據(jù)包統(tǒng)計和流量統(tǒng)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(qiáng)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(wǎng)絡(luò)的各種參數(shù)甚至是故障的分析結(jié)果，這對解決常見網(wǎng)絡(luò)故障非常有效。

（三）綜合及經(jīng)驗(yàn)型分析方法靠時間、錯誤和成功經(jīng)驗(yàn)的積累。在大多數(shù)的阿絡(luò)維護(hù)工作人員的工作中是采用這個方法的，再依靠網(wǎng)管和測試工具迅速定位網(wǎng)絡(luò)的故障。

二、計算機(jī)無法上網(wǎng)故障排除

（一）對于某網(wǎng)計算機(jī)上不了網(wǎng)的故障，首先要分別確定此計算機(jī)的網(wǎng)卡安裝是否正確，是否存在硬件故障，網(wǎng)絡(luò)配置是否正確在實(shí)際工作中我們一般采用Ping本機(jī)的回送地址（127.0.0.1）來判斷網(wǎng)卡硬件安裝和TCP/IP協(xié)議的正確性。如果能Ping通，即說明這部分沒有問題。如果出現(xiàn)超時情況，則要檢查計算機(jī)的網(wǎng)卡是否與機(jī)器上的其它設(shè)備存在中斷沖突的問題。通過查看系統(tǒng)屬性中的設(shè)備管理器，查看是否在網(wǎng)絡(luò)適配器的設(shè)備前面有黃色驚嘆號或紅色叉號，如有則說明硬件的驅(qū)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(xié)議安裝的正確性，并且要綁定在你所安裝的網(wǎng)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(wǎng)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(jī)的端口是否壞了。交換機(jī)每一個端口都有狀態(tài)指示燈以詢問一下其它網(wǎng)管人員就可以排除了，如果不放心可以對照查看。交換機(jī)的參數(shù)配置表也是網(wǎng)絡(luò)管理員必備的資料之一，并且隨著網(wǎng)絡(luò)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(lián)網(wǎng)計算機(jī)上不了網(wǎng)對于同時有一批計算機(jī)上不了網(wǎng)的故障，首先要找到這些計算機(jī)的共性，如是不是屬于同一VLAN或接在同一交換機(jī)上的，若這些計算機(jī)屬于同一VLAN，且屬于計算機(jī)分別連接于不同的樓層交換機(jī)，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(xié)議（如我局的OSPF協(xié)議）是否配置正確。若這些計算機(jī)屬于同一交換機(jī)，則應(yīng)到機(jī)房檢查該交換機(jī)是否有電源松落情況，或該交換機(jī)CPU負(fù)載率是否很高，與上一級網(wǎng)絡(luò)設(shè)備的鏈路是否正常。通常某交換機(jī)連接的所有電腦都不能正常與網(wǎng)內(nèi)其它電腦通訊，這是典型的交換機(jī)死機(jī)現(xiàn)象，可以通過重新啟動交換機(jī)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(jī)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(fā)現(xiàn)多半是某臺電腦上的網(wǎng)卡故障導(dǎo)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(wǎng)管獲取告警和性能信息進(jìn)行故障定位。我們單位使用了深信服網(wǎng)絡(luò)網(wǎng)管，可以對全單位的網(wǎng)絡(luò)設(shè)備進(jìn)行管理，平時多觀察各設(shè)備CPU負(fù)載率和各線路的流量。當(dāng)有人反映不能連接至網(wǎng)絡(luò)或網(wǎng)速很慢時，可通過網(wǎng)管觀察計算機(jī)與交換機(jī)的連接情況，是否有時斷時通的現(xiàn)象，交換機(jī)CPU負(fù)載率是否很高，線路流量是否很大。通過觀察設(shè)備端口狀態(tài)，分析和觀察交換機(jī)哪個端口所接的計算機(jī)發(fā)包量不太正常。

（二）查看網(wǎng)絡(luò)設(shè)備日志法。經(jīng)?？匆幌戮W(wǎng)絡(luò)設(shè)備的日志，分析設(shè)備狀況。我曾經(jīng)通過showlonging命令觀察到4006交換機(jī)下連的2950交換機(jī)經(jīng)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(wǎng)絡(luò)中斷，在此期間我們檢查并確定了光纜、光收發(fā)器、網(wǎng)線、交換機(jī)配置、交換機(jī)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(jī)本身有故障，馬上將已準(zhǔn)備好的備用交換機(jī)換上，從而減少了處理故障的時間，并在最短時間內(nèi)恢復(fù)網(wǎng)絡(luò)。

（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(dá)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(shè)備和一塊模塊。

（四）配置數(shù)據(jù)分析法。查詢、分析當(dāng)前設(shè)備的配置數(shù)據(jù)，通過分析以上的配置數(shù)據(jù)是否正常來定位故障。若配置的數(shù)據(jù)有錯誤，需進(jìn)行重新配置。

參考文獻(xiàn)：

篇4

【關(guān)鍵詞】輸電網(wǎng)絡(luò)；故障；人工智能；應(yīng)用

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

1 專家系統(tǒng)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用

專家系統(tǒng)在人工智能技術(shù)中開發(fā)的比較早，技術(shù)上也有了一定的厚度積累，從應(yīng)用的角度來說，專家系統(tǒng)就是一個集合了大量程序的系統(tǒng)，它里面存儲了相關(guān)專家在相應(yīng)問題方面的見解，根據(jù)這些見解對問題進(jìn)行推斷，類似于專家解決問題的過程，節(jié)省了時間，目前，專家系統(tǒng)在人工智能中應(yīng)用的已經(jīng)非常廣泛。專家系統(tǒng)在輸電網(wǎng)絡(luò)故障診斷中最典型的應(yīng)用就是基于產(chǎn)生式規(guī)則的系統(tǒng)，把相關(guān)電路保護(hù)措施的信息和相關(guān)技術(shù)人員的診斷經(jīng)驗(yàn)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(wǎng)絡(luò)發(fā)生故障，則可以根據(jù)這個專輯知識庫，快速的對故障進(jìn)行診斷，迅速的找出解決方案。專家系統(tǒng)之所以在輸電網(wǎng)絡(luò)故障診斷中得到廣泛的應(yīng)用，主要有這么幾個方面的原因：第一，輸電網(wǎng)絡(luò)中相關(guān)保護(hù)功能的信息能夠有效、明了的表達(dá)出來；第二，基于產(chǎn)生式規(guī)則的專家系統(tǒng)允許根據(jù)實(shí)際情況的變化，對專家知識庫進(jìn)行合理的變更，跟上技術(shù)不斷進(jìn)步的腳步；第三，由于專家系統(tǒng)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(jié)論能夠被相關(guān)技術(shù)人員看懂。從上面的理論分析可以看出，專家系統(tǒng)在輸電網(wǎng)絡(luò)故障診斷中很有應(yīng)用的前景和應(yīng)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(tǒng)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(tǒng)是否具有詳細(xì)、準(zhǔn)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(dá)不到使用的實(shí)際標(biāo)準(zhǔn)，那么在進(jìn)行故障推理低調(diào)時候，很有可能導(dǎo)致錯誤的結(jié)論，將相關(guān)技術(shù)人員引導(dǎo)到錯誤的道路上；專家系統(tǒng)在診斷大型輸電系統(tǒng)故障的時候，需要從專家知識庫進(jìn)行知識的匹配，這個過程可能會比較慢；大部分專家系統(tǒng)不具備學(xué)習(xí)的能力，一旦診斷的故障超出了專家知識庫中的內(nèi)容， 那么專家系統(tǒng)很容易得出錯誤的結(jié)論。

2 人工神經(jīng)網(wǎng)絡(luò)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在輸電網(wǎng)絡(luò)故障診斷中應(yīng)用的也越來越廣泛，人工神經(jīng)網(wǎng)絡(luò)技術(shù)（ANN）就是模擬人體大腦的結(jié)構(gòu)和處理問題方式的一種人工智能技術(shù)，它是人工智能技術(shù)重要的一個分支，它具有很多優(yōu)點(diǎn)，例如能夠?qū)崿F(xiàn)并行式處理、自適應(yīng)等，這些優(yōu)點(diǎn)與輸電網(wǎng)絡(luò)故障診斷相結(jié)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(jīng)網(wǎng)絡(luò)的輸電網(wǎng)絡(luò)故障診斷，其總的診斷網(wǎng)絡(luò)比較復(fù)雜，為了方便實(shí)時的偵測，一般將總的網(wǎng)絡(luò)進(jìn)行分區(qū)處理，然后在各個區(qū)創(chuàng)建基于BP算法的故障診斷模塊，要得到診斷結(jié)果的時候，將各個分區(qū)的診斷結(jié)果進(jìn)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(qū)劃成幾個功能不同的診斷網(wǎng)絡(luò)，比如一個子網(wǎng)絡(luò)用來診斷故障的發(fā)生位置；一個子網(wǎng)絡(luò)用來診斷故障的性質(zhì)；一個子網(wǎng)絡(luò)用來診斷故障對整個系統(tǒng)的危害程度等等，最后將這些子網(wǎng)絡(luò)的結(jié)論按照一定的規(guī)則進(jìn)行組合分析，即可得到需要的結(jié)論。人工神經(jīng)網(wǎng)絡(luò)的方法雖然相對于專家系統(tǒng)來說取得了一些突破，例如能夠突破專家系統(tǒng)知識庫知識獲取難、診斷網(wǎng)絡(luò)更加便于維護(hù)等，但是也具有一些缺點(diǎn)：人工神經(jīng)網(wǎng)絡(luò)不能夠?qū)l(fā)性的知識進(jìn)行分析和判斷，且人工神經(jīng)網(wǎng)絡(luò)技術(shù)不夠成熟，涵蓋的范圍大，學(xué)習(xí)困難，這些都在一定程度上影響了人工神經(jīng)網(wǎng)絡(luò)技術(shù)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用，并且，人工神經(jīng)網(wǎng)絡(luò)如何在大的輸電網(wǎng)絡(luò)故障診斷中應(yīng)用一直是一個難點(diǎn)，還有待于相關(guān)人員取得新的突破?？傮w而言，人工神經(jīng)網(wǎng)絡(luò)方法在輸電網(wǎng)絡(luò)中還是很有應(yīng)用前景的，可以加大的相關(guān)難題的科技攻關(guān)力度，進(jìn)一步提高其有效性。

3 模糊理論在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用

隨著模糊理論的不斷成熟，它在輸電網(wǎng)絡(luò)診斷中應(yīng)用的也越來越廣泛。在輸電網(wǎng)絡(luò)的故障中，其發(fā)生的故障和故障發(fā)生前的征兆之間聯(lián)系是具有模糊性質(zhì)的，這種模糊既具有不確定性又具有不準(zhǔn)確定，因而，得出恰當(dāng)?shù)脑\斷結(jié)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(guān)的模糊關(guān)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(guān)的數(shù)據(jù)庫對問題進(jìn)行分析，并得出一些列解決結(jié)論，且把這些結(jié)論按照模糊的程度進(jìn)行排列；模糊知識庫所使用的描述語言更容易為相關(guān)技術(shù)人員所接受。模糊故障診斷系統(tǒng)在結(jié)構(gòu)上和專家系統(tǒng)有點(diǎn)相像，因此也具有一定的缺點(diǎn)：對大的輸電網(wǎng)絡(luò)系統(tǒng)故障診斷時速度比較慢；其可維護(hù)性比較差；不具備自主學(xué)習(xí)的能力?？傮w而言，模糊理論一般都是與其它人工智能技術(shù)結(jié)合使用，在一定程度上能夠提高故障診斷的結(jié)果準(zhǔn)確度，但是相關(guān)研究人員也必須要在它存在的缺點(diǎn)上有進(jìn)一步的突破。

4 遺傳算法在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用

遺傳算法目前在很多工業(yè)控制領(lǐng)域得到了推廣和應(yīng)用，在輸電網(wǎng)絡(luò)診斷中應(yīng)用的也越來越多，遺傳算法在基于生物進(jìn)化的基礎(chǔ)上推算出的一種自適應(yīng)算法。遺傳算法能夠從錯綜負(fù)責(zé)的網(wǎng)絡(luò)中，自動匹配出解決問題的最優(yōu)算法，求出最優(yōu)解，且比較簡單，且可解決問題的范圍比較大，一般應(yīng)用于解決中小型規(guī)模的問題。目前，在遺傳算法應(yīng)用到輸電網(wǎng)絡(luò)故障診斷的過程中，如何建立正確數(shù)學(xué)模型至關(guān)重要，它是制約整個求解過程的關(guān)鍵，如果能夠采用適當(dāng)?shù)姆椒▽旊娋W(wǎng)絡(luò)建立合理的數(shù)學(xué)模型，那么將有助于提高輸電網(wǎng)絡(luò)故障診斷的精確性。

5 結(jié)論

目前，人工智能技術(shù)已經(jīng)在很多領(lǐng)域得到了應(yīng)用，例如設(shè)備狀態(tài)監(jiān)測、設(shè)備自動化控制等，在現(xiàn)代輸電網(wǎng)絡(luò)越來越復(fù)雜的情況下，其應(yīng)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(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊理論在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用，指出了優(yōu)點(diǎn)和缺點(diǎn)，希望本文能夠?qū)ο嚓P(guān)的工作人員產(chǎn)生一定的指導(dǎo)意義。

參考文獻(xiàn)：

[1]畢天株，霓以信.人工智能技術(shù)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用述評[J].電力系統(tǒng)自動化，2012（11）.

[2]曾素瓊.人工智能及其在輸配電網(wǎng)絡(luò)故障診斷中的應(yīng)用[J].海南大學(xué)學(xué)報（自然科學(xué)版），2012（6）.

篇5

關(guān)鍵詞：故障診斷；狀態(tài)檢測；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP393 文獻(xiàn)標(biāo)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(jìn)經(jīng)濟(jì)發(fā)展。但隨著時間的推移，由于溫度、污染、認(rèn)為等各種因素的影響，橋梁的狀態(tài)在修建和使用過程中會發(fā)生變化，例如：表面銹蝕、裂縫擴(kuò)大、承載力下降。在一定程度之內(nèi)的變化可被認(rèn)為屬于正?，F(xiàn)場，但如果出現(xiàn)局部材質(zhì)惡化、結(jié)構(gòu)損傷或是橋梁過載等現(xiàn)象時便會影響橋梁的正常使用，甚至危及橋梁和車輛運(yùn)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(tài)及各種技術(shù)指標(biāo)進(jìn)行檢測和預(yù)防性維護(hù)來保證橋梁的質(zhì)量和安全性。

橋梁狀態(tài)發(fā)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(zhì)、水位變化、水文地質(zhì)、工程地質(zhì)等；與橋梁自身相關(guān)的原因，即墩臺和梁的結(jié)構(gòu)（型式）、恒載（包括作用在橋梁上部結(jié)構(gòu)的和墩臺的）以及活動荷載（橋上行駛車輛的數(shù)量、車輛行駛時引發(fā)的震動、水平風(fēng)力等）；人為因素（勘探測量、設(shè)計、施工以及運(yùn)營管理等工作過程中的不合理方案、操作等）。橋梁所有狀態(tài)的變化可以歸為兩種：靜態(tài)變化和動態(tài)變化。

當(dāng)前，主要采用兩種手段對橋梁進(jìn)行檢測：憑借人工經(jīng)驗(yàn)，沒有數(shù)據(jù)記錄，僅適用于剛建或有突變故障的橋；專業(yè)的橋梁檢測隊，數(shù)據(jù)準(zhǔn)且分析全面，但檢測費(fèi)用高、過程復(fù)雜，難以得出橋梁壽命等定量的準(zhǔn)確預(yù)測值。

2 便攜式橋梁狀態(tài)參數(shù)檢測儀及智能故障診斷系統(tǒng)

“便攜式橋梁狀態(tài)參數(shù)檢測儀及智能故障診斷系統(tǒng)”采用的傾角傳感器具有高精度，并且橋梁的各項(xiàng)指標(biāo)通過系統(tǒng)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(tǒng)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)技術(shù)還能對橋梁的狀態(tài)作出檢測和發(fā)展趨勢作出預(yù)測解決了困擾多年的動撓度檢測問題。系統(tǒng)的主控制器是一特的掌上電腦（PDA），其特點(diǎn)是：體積小，便攜；智能化，操作簡單；及時地監(jiān)測正在運(yùn)營的橋梁，而且各項(xiàng)費(fèi)用低廉。該系統(tǒng)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(shù)據(jù)與上位機(jī)的標(biāo)準(zhǔn)通信等功能。

BP神經(jīng)網(wǎng)絡(luò)又名反向傳播神經(jīng)網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò)，在眾多網(wǎng)絡(luò)中最常用，為此其廣泛應(yīng)用于故障診斷中。反向傳播神經(jīng)網(wǎng)絡(luò)算法的實(shí)質(zhì)是梯度下降法：每一層上包含了若干個代表神經(jīng)元節(jié)點(diǎn)，但是同一層上的各節(jié)點(diǎn)之間沒有緊密配合與相互影響的關(guān)系，在各節(jié)點(diǎn)見信息單向傳播，從上到下依次經(jīng)過各節(jié)點(diǎn)（包括隱含層的）直至到達(dá)輸出層節(jié)點(diǎn)。BP算法優(yōu)點(diǎn)很多，但也存在不足尤其運(yùn)用于復(fù)雜的實(shí)際問題時：一收斂速度慢，二容易陷入局部極小點(diǎn)（由于隱節(jié)點(diǎn)的數(shù)目多、學(xué)習(xí)步長的選擇復(fù)雜、樣本集需預(yù)處理、以及選擇網(wǎng)絡(luò)初始權(quán)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(jìn)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(tài)檢測中運(yùn)用智能故障診斷技術(shù)

橋梁是交通運(yùn)輸中的重要組成部分，橋梁的狀態(tài)在修建和使用過程中會發(fā)生變化，需要對橋梁進(jìn)行故障診斷并進(jìn)行及時的預(yù)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(tài)監(jiān)測和故障診斷。橋梁狀態(tài)監(jiān)測，即測試獲得結(jié)構(gòu)的某些特征參數(shù)，將測定值與規(guī)定的正常值進(jìn)行比較，最終判斷結(jié)構(gòu)當(dāng)前的工作狀態(tài)。橋梁故障診斷則是對故障所在部位、內(nèi)容、嚴(yán)重程度、產(chǎn)生的原因進(jìn)行診斷。故障診斷的任務(wù)是：

1）狀態(tài)監(jiān)測：了解和掌握設(shè)備運(yùn)行狀態(tài)，包括對橋梁進(jìn)行各種檢測、分析、評估運(yùn)行狀態(tài)及判斷是否處于正常工作狀態(tài)。

2）故障診斷：利用前面橋梁狀態(tài)監(jiān)測所獲取的信息（各種參數(shù)），將其與橋梁結(jié)構(gòu)特征、所處環(huán)境、設(shè)備相關(guān)記錄（包括運(yùn)行記錄和已發(fā)生的故障及維修記錄）相結(jié)合，對設(shè)備已發(fā)生或是未來可能發(fā)生的故障進(jìn)行分析、判斷，確定故障（包括故障的部位、性質(zhì)、產(chǎn)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(shè)備能正常運(yùn)轉(zhuǎn)使用，并加以實(shí)施。

3）指導(dǎo)設(shè)備管理維修：橋梁維修已由最初的事后維修，定期的預(yù)防性維修，現(xiàn)在發(fā)展到向著適性維修前進(jìn)。

本文主要通過將歷史測量數(shù)據(jù)和當(dāng)前的測量數(shù)據(jù)比較，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對橋梁的狀態(tài)進(jìn)行綜合的分析和判斷，預(yù)測橋梁未來的發(fā)展的狀態(tài)，實(shí)現(xiàn)智能診斷橋梁故障。

3.2 橋梁故障診斷中運(yùn)用BP神經(jīng)網(wǎng)絡(luò)

在橋梁故障診斷中運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的主要步驟為：依據(jù)橋梁故障診斷出的問題組織樣本來學(xué)習(xí)，再依據(jù)樣本來構(gòu)造出BP神經(jīng)網(wǎng)絡(luò)并對其進(jìn)行訓(xùn)練，測試構(gòu)造出的BP神經(jīng)網(wǎng)絡(luò)。本節(jié)將利用上文的的改進(jìn)型的BP算法，對橋梁狀態(tài)檢測后的故障診斷問題進(jìn)行研究和分析。

1）選擇學(xué)習(xí)樣本：橋梁的故障征用五個參數(shù)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(xiàn)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(zhì)量而非單獨(dú)的問題作為判斷標(biāo)準(zhǔn)，質(zhì)量越高則綜合質(zhì)量數(shù)值越大，神經(jīng)網(wǎng)絡(luò)的輸出變量用為橋梁檢測的綜合質(zhì)量和預(yù)期綜合質(zhì)量；把數(shù)據(jù)測量時間作為神經(jīng)網(wǎng)絡(luò)的輸入變量，以便能實(shí)現(xiàn)預(yù)測。因此，該文設(shè)計構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)的有六個輸入變量和兩個輸出變量。通過相關(guān)專業(yè)領(lǐng)域?qū)＜业闹R和對橋梁故障機(jī)理的分析獲得橋梁系統(tǒng)的故障征兆集、故障原因集以及兩者之間的關(guān)系集。

2）神經(jīng)網(wǎng)絡(luò)的構(gòu)成與訓(xùn)練：樣本數(shù)據(jù)具有較大的離散性，從而使得進(jìn)入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)同樣具有較大的離散性。針對于本網(wǎng)絡(luò)的將S型函數(shù)作為傳遞函數(shù)，其輸出范圍為0-1，對數(shù)據(jù)進(jìn)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(jìn)行大量的仿真試驗(yàn)，確定BP網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)和取得優(yōu)良的故障診斷結(jié)果。學(xué)習(xí)樣本的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)、算法和結(jié)構(gòu)參數(shù)會影響學(xué)習(xí)的速度，該文通過設(shè)定允許誤差限度，用改進(jìn)型的BP網(wǎng)絡(luò)算來優(yōu)化參數(shù)：

第一，固定神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率和所有隱含層中的節(jié)點(diǎn)個數(shù)，引入動量因子并研究其對算法的影響。結(jié)果顯示，學(xué)習(xí)收斂因引入動量因子而改進(jìn)，并且在一定范圍內(nèi)：動量因子越多，學(xué)習(xí)收斂的速度越快。動量因子為α最優(yōu)。

第二，固定學(xué)習(xí)率和動量因子，分析神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與BP網(wǎng)絡(luò)的所有隱含層節(jié)點(diǎn)數(shù)之間的相互作用情況。結(jié)果顯示，BP網(wǎng)絡(luò)的所有隱含層節(jié)點(diǎn)數(shù)對學(xué)習(xí)的收斂性關(guān)系密切。對于該故障診斷問題BP網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)為h是最佳的。

第三，根據(jù)以上參數(shù)優(yōu)化結(jié)果，設(shè)定ɑ動量因子為和h隱含層節(jié)點(diǎn)數(shù)，改變學(xué)習(xí)率訓(xùn)練神經(jīng)網(wǎng)絡(luò)。結(jié)果顯示，學(xué)習(xí)率較小時網(wǎng)絡(luò)收斂較慢，學(xué)習(xí)率過大時收斂出現(xiàn)振蕩。經(jīng)反復(fù)訓(xùn)練最終確定學(xué)習(xí)率為β。

3）測試神經(jīng)網(wǎng)絡(luò)絡(luò)：用上述訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對已學(xué)習(xí)過的數(shù)據(jù)進(jìn)行預(yù)測，并看與經(jīng)驗(yàn)值是否吻合；采用一組新的數(shù)據(jù)對其進(jìn)行測試，歸一化后看死否相符；另選一組樣本數(shù)據(jù)測試神經(jīng)網(wǎng)絡(luò)，驗(yàn)證其對陌生數(shù)據(jù)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(guī)范，則表明此BP神經(jīng)網(wǎng)絡(luò)具有實(shí)際可用性，能正確實(shí)現(xiàn)故障診斷。

綜上所述，經(jīng)現(xiàn)場橋梁現(xiàn)場人員的同意和配合，并結(jié)合有關(guān)要求，我們提出并使用橋梁綜合質(zhì)量作為判斷指標(biāo)，利用基于用改進(jìn)的BP算法訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)初步研究了鐵路橋梁狀態(tài)檢測的智能故障診斷進(jìn)行了并進(jìn)行了仿真，實(shí)現(xiàn)了對橋梁狀況的綜合判斷和未來發(fā)展趨勢的預(yù)測。

參考文獻(xiàn)：

篇6

1人工神經(jīng)網(wǎng)絡(luò)故障診斷法

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，首先對所得的特征數(shù)據(jù)進(jìn)行預(yù)處理，剔除不合理數(shù)據(jù)（外值），并對數(shù)據(jù)進(jìn)行約簡，消除冗余信息，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)（中間層的傳遞函數(shù)和神經(jīng)元數(shù)目）和參數(shù)（神經(jīng)元之間的連接權(quán)值和閥值）被確定。再利用測試樣本集對此神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，如果故障診斷的正確率沒有達(dá)到要求，增加訓(xùn)練樣本或訓(xùn)練次數(shù)，繼續(xù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；如果故障診斷的正確率達(dá)到要求，即可轉(zhuǎn)入故障診斷階段，此階段可以在線進(jìn)行。

2基于專家系統(tǒng)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(jīng)驗(yàn)構(gòu)建知識庫，對故障與故障現(xiàn)象、現(xiàn)象與現(xiàn)象以及故障與故障之間的關(guān)系進(jìn)行描述。然后通過專家定制、確定性規(guī)則轉(zhuǎn)化、數(shù)據(jù)挖掘或神經(jīng)網(wǎng)絡(luò)技術(shù)確定模糊規(guī)則。最后通過模糊推理機(jī)，得到故障的類型和位置信息。

3基于支持向量機(jī)（SVM）的故障診斷法

支持向量機(jī)作為一種機(jī)器學(xué)習(xí)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(xiàn)出明顯的優(yōu)勢，被應(yīng)用于圖像處理、模式識別和數(shù)據(jù)分析等領(lǐng)域。從本質(zhì)上來說，網(wǎng)絡(luò)故障診斷實(shí)際上是一個模式識別問題，可以利用支持向量進(jìn)行網(wǎng)絡(luò)故障診斷，具體步驟如下：（1）網(wǎng)絡(luò)狀態(tài)信息獲取并約簡，并將特征數(shù)據(jù)分為兩部分：訓(xùn)練樣本集和測試樣本集；（2）選擇支持向量機(jī)的初始化參數(shù)，包括核函數(shù)的參數(shù)和懲罰參數(shù)等；（3）利用訓(xùn)練樣本集對支持向量機(jī)進(jìn)行訓(xùn)練，得到最優(yōu)分類超平面； （4）利用測試集檢驗(yàn)診斷效果，如果診斷的正確率沒有達(dá)到要求，增加訓(xùn)練集中的樣本，對支持向量機(jī)重新進(jìn)行訓(xùn)練；（5）如果診斷的正確率達(dá)到要求，則轉(zhuǎn)到正式工作階段，進(jìn)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(guān)鍵詞： 分布式；多Agent協(xié)作；智能故障診斷；案例學(xué)習(xí)

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

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

0 引言

網(wǎng)絡(luò)規(guī)模的擴(kuò)大及異構(gòu)程度的提高等各種因素導(dǎo)致網(wǎng)絡(luò)環(huán)境更接近不可觀察的、不確定的、動態(tài)的、連續(xù)性的開放環(huán)境。網(wǎng)絡(luò)故障也難以進(jìn)行快速有效的診斷和修復(fù)。而多Agent系統(tǒng)，能夠較好的適應(yīng)當(dāng)前及以后的網(wǎng)絡(luò)環(huán)境，能夠?qū)W(wǎng)絡(luò)故障作任務(wù)分解，并通過智能Agent之間的協(xié)作，較為準(zhǔn)確的診斷網(wǎng)絡(luò)故障，并利用相應(yīng)的修復(fù)方案進(jìn)行網(wǎng)絡(luò)修復(fù)，從而大大提高網(wǎng)絡(luò)系統(tǒng)的健壯性和可靠性。

1 智能Agent特性及多Agent系統(tǒng)與網(wǎng)絡(luò)系統(tǒng)的相似性分析

1.1 智能Agent特性 學(xué)者Hayes Roth認(rèn)為，“智能Agent能持續(xù)執(zhí)行三項(xiàng)功能：感知環(huán)境中的動態(tài)條件；執(zhí)行動作影響環(huán)境條件；進(jìn)行推理以解釋感知信息，求解問題，產(chǎn)生推斷和決定動作。”Wooldridge等人提出的“弱定義”則經(jīng)典闡述了Agent最基本的特性：“自治性、反應(yīng)性、社會性、能動性。強(qiáng)定義的Agent還具有移動性、自利性等人類才具有的特性?！?/p>

1.2 智能Agent結(jié)構(gòu)

參考文獻(xiàn)：

[1]龍兵，姜興渭等.基于多Agent衛(wèi)星遙測數(shù)據(jù)實(shí)時監(jiān)測與診斷技術(shù).航空學(xué)報，2005，26（6）：726～731.

篇8

關(guān)鍵字：數(shù)控機(jī)床；機(jī)械故障；專家系統(tǒng)；神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)化

1 引言

由于數(shù)控機(jī)床具有提高零件的加工精度、穩(wěn)定產(chǎn)品的質(zhì)量、提高產(chǎn)品的生產(chǎn)率、可適應(yīng)不同品種及尺寸規(guī)格零件的自動加工等優(yōu)點(diǎn)，因此其運(yùn)用越來越廣泛，已經(jīng)成為一個國家工業(yè)水平和綜合科技水平的重要標(biāo)志。數(shù)控機(jī)床對大中型企業(yè)來說，是其最重要的設(shè)備，如果其任何部分出現(xiàn)故障，其就會導(dǎo)致精度減低，嚴(yán)重的話，使企業(yè)停頓，企業(yè)的經(jīng)濟(jì)損失更大，進(jìn)而對相關(guān)人員的安全造成危害。在一方面，數(shù)控機(jī)床特點(diǎn)就是先進(jìn)、復(fù)雜和智能化，當(dāng)其出現(xiàn)故障后，維修也相對困難，因此對數(shù)控機(jī)床機(jī)械故障診斷進(jìn)行分析研究就顯得非常迫切。

2 診斷故障系統(tǒng)的網(wǎng)絡(luò)化管理

2.1專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)內(nèi)涵

1）專家系統(tǒng)的基本原理；具有獲取、處理、存儲和使用知識的特點(diǎn)的系統(tǒng)叫做專家系統(tǒng)（可以進(jìn)行知識處理），其主要包括知識庫、推理機(jī)、數(shù)據(jù)庫、知識獲取模塊、解釋程序和人機(jī)接口等方面組成。

2）專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合；盡管在運(yùn)用方面，專家系統(tǒng)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(xué)習(xí)能力差；（4）存在“窄臺階效應(yīng)”。

3）神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)；神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)主要有以下七部分組成，具體如：（1）一組處理單元（讓相關(guān)單元可以激活）；（2）輸出函數(shù)（由處理單元進(jìn)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(guī)則進(jìn)行傳遞；（5）一定規(guī)則進(jìn)行激活（輸入處理單元和當(dāng)前狀態(tài)結(jié)合規(guī)則）；（6）一定的學(xué)習(xí)規(guī)則（根據(jù)經(jīng)驗(yàn)進(jìn)行聯(lián)接）；（7）系統(tǒng)所需要的環(huán)境。

2.2專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合

2.2.1對專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)進(jìn)行比較

根據(jù)其二者不同的定義、結(jié)構(gòu)及工作原理，神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)是兩種截然不同的技術(shù)：其主要區(qū)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(tǒng)和神經(jīng)網(wǎng)絡(luò)的相關(guān)性進(jìn)行分析

二者存在的特點(diǎn)各不相同，神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)在其各自的領(lǐng)域都運(yùn)用較為廣泛，但同時在滿足設(shè)備故障診斷任務(wù)方面又各自存在著的局限性，因此就需要讓其二者有效結(jié)合起來，其結(jié)合方式主要有：（1）神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)共存于一個系統(tǒng)中；（2）使用神經(jīng)網(wǎng)絡(luò)來構(gòu)造專家系統(tǒng)。

2.3 神經(jīng)網(wǎng)絡(luò)的類型選擇及結(jié)構(gòu)設(shè)計

2.3.1 神經(jīng)網(wǎng)絡(luò)不同選擇類型

由于徑向基函數(shù)網(wǎng)絡(luò)具有確定自適應(yīng)、輸出與初始權(quán)值無關(guān)等各種優(yōu)點(diǎn)，因此其在擬合多維曲面、重構(gòu)自由曲面和故障診斷等方面有著巨大的運(yùn)用。因此認(rèn)為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是最好的。

2.3.2 隱層神經(jīng)元的設(shè)計

提取并存儲內(nèi)在規(guī)律，使每個隱層神經(jīng)元都有不同的權(quán)值，同時每個權(quán)值都相對應(yīng)著一個參數(shù)（增強(qiáng)網(wǎng)絡(luò)映射能力）。

2.4基于web的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)

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

3 系統(tǒng)的總體設(shè)計原則

3.1網(wǎng)絡(luò)化專家系統(tǒng)的設(shè)計原則

其設(shè)計的原則主要有以下幾方面，具體如下：（1）模塊化原則。（2）實(shí)用性原則。（3）可擴(kuò)充原則。（4）安全性原則。（5）統(tǒng)一性與簡單性原則。

3.2專家系統(tǒng)的功能模塊設(shè)計

新用戶首次登陸必須要通過注冊模塊先進(jìn)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(quán)利處理系統(tǒng)的數(shù)據(jù)庫。通過故障診斷模塊對相應(yīng)故障進(jìn)行診斷，其功能模塊主要主軸、進(jìn)給系統(tǒng)、刀庫刀和輔助裝置等幾部分組成。

3.3系統(tǒng)運(yùn)行的環(huán)境

1）Web服務(wù)器的選取；通過Windows操作系統(tǒng)，發(fā)揮在PC界的優(yōu)勢，推出的IIS成為目前運(yùn)用最廣泛的服務(wù)器，經(jīng)過驗(yàn)證，也是目前用戶最好的選擇。

2）后臺數(shù)據(jù)庫的選??；通過分析研究，同時結(jié)合Access的特性、相關(guān)程序的匹配性和開發(fā)者的業(yè)務(wù)水平，本文的系統(tǒng)選取Access最為合適。

3.4系統(tǒng)的軟件開發(fā)環(huán)境

3.4.1 服務(wù)器相應(yīng)的軟件環(huán)境

操作系統(tǒng)：Windows XP Server/Professional；服務(wù)器：IIS6.0；數(shù)據(jù)訪問：ADO -ActiveX Data Objects；數(shù)據(jù)庫系統(tǒng)：ACCESS

3.4.2 客戶自己機(jī)器所對應(yīng)的軟件

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

3.5開發(fā)相應(yīng)工具分析

目前開發(fā)工具主要有以下兩種形式：（1）網(wǎng)絡(luò)化專家系統(tǒng)開發(fā)工具：具體采用FrontPage。（2）徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)開發(fā)工具：具體采用MATLAB程序控制。

4 系統(tǒng)的研究與實(shí)施

4.1總體結(jié)構(gòu)設(shè)計

該系統(tǒng)的總體結(jié)構(gòu)主要采用一個并列協(xié)調(diào)式（神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)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(jìn)行聯(lián)合診斷。

4.2知識庫的設(shè)計與實(shí)現(xiàn)

本系統(tǒng)直接把數(shù)據(jù)庫和數(shù)據(jù)庫管理系統(tǒng)作為知識庫的重要組成部分，一方面通過數(shù)據(jù)對象來處理知識，另一方面，用數(shù)據(jù)庫來對相關(guān)知識的存儲、編輯、刪改、更新查詢和安全保護(hù)等功能進(jìn)行有效管理。

4.3推理機(jī)的研究與實(shí)實(shí)施

通過模擬專家的思維模式，對相應(yīng)問題進(jìn)行控制和研究，這是推理機(jī)的主要功能。結(jié)合目前已知的事實(shí)，通過知識庫，按照一定的規(guī)則和方法，進(jìn)行推理分析，再對其修正，得到最終的結(jié)果。

4.4解釋模塊及人機(jī)界面

解釋功能作為數(shù)控機(jī)床機(jī)械故障診斷系統(tǒng)最主要的功能，其主要具有向用戶、遠(yuǎn)程用戶、領(lǐng)域?qū)＜液椭R工程師解釋相關(guān)的問題的優(yōu)點(diǎn)。目前的人機(jī)界面都需要通過ASP編程來實(shí)現(xiàn)，主要采用中文視窗的的模式，這樣比較簡單明了，更容易實(shí)現(xiàn)人機(jī)交互。

4.5徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)故障診斷

當(dāng)專家系統(tǒng)部分得出的初期診斷結(jié)果不能使用戶滿意那么就需要進(jìn)行進(jìn)一步的深層次診斷。采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行深層次的定量診斷。

5 結(jié)論

由于現(xiàn)在數(shù)控機(jī)床的技術(shù)和水平的快速提高，其相應(yīng)結(jié)構(gòu)復(fù)雜程度進(jìn)一步提高，功能也越來越多，這樣就是的設(shè)備出現(xiàn)的問題概率大大增加，因此針對數(shù)控機(jī)床存在的機(jī)械故障進(jìn)行分析研究，提出采用網(wǎng)絡(luò)化對其故障進(jìn)行控制的方法，以期更好地服務(wù)相關(guān)公司，為之后出現(xiàn)的機(jī)械故障提供一定的參考。

參考文獻(xiàn)

（1） 李曉峰.數(shù)控機(jī)床遠(yuǎn)程故障診斷專家系統(tǒng)的研究（D）.遼寧：沈陽工業(yè)大學(xué)，2005.

（2） 趙中敏.數(shù)控機(jī)床故障診斷技術(shù)的發(fā)展和關(guān)鍵診斷技術(shù)（J）.中國設(shè)備工程，2007 6： 5152.

（3） 朱文藝，李斌.基于Internet的數(shù)控機(jī)床遠(yuǎn)程故障診斷系統(tǒng)的研究（J）.機(jī)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(dǎo)師,主要研究方向：可再生能源（太陽能、風(fēng)能）應(yīng)用與控制、系統(tǒng)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(fēng)能）應(yīng)用、雙饋風(fēng)力發(fā)電系統(tǒng)故障診斷； 袁景明（1986-），女，四川威遠(yuǎn)人，碩士研究生，主要研究方向：汽車電子（電動轉(zhuǎn)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(xué) 自動化學(xué)院，重慶400030）

（.cn）

摘 要:變流器是雙饋風(fēng)力發(fā)電系統(tǒng)中的樞紐設(shè)備，其運(yùn)行可靠性直接關(guān)系到發(fā)電系統(tǒng)的安全與穩(wěn)定。針對基于遞推最小二乘（RLS）算法的離散小波神經(jīng)網(wǎng)絡(luò)（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(quán)和變學(xué)習(xí)率改進(jìn)算法的小波神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)訓(xùn)練及故障識別樣本,對訓(xùn)練過程和仿真結(jié)果進(jìn)行對比分析。實(shí)驗(yàn)結(jié)果表明:較之RLS算法,改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)故障診斷方法在故障識別準(zhǔn)確率和收斂時間方面表現(xiàn)更優(yōu)。

關(guān)鍵詞:變流器；故障診斷；離散小波神經(jīng)網(wǎng)絡(luò)；遞推最小二乘法；變加權(quán)；變學(xué)習(xí)率

中圖分類號: TP183文獻(xiàn)標(biāo)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(huán)境的惡化使世界范圍內(nèi)開始重視開發(fā)和利用可再生能源。風(fēng)力資源作為一種綠色、環(huán)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(fēng)力發(fā)電系統(tǒng)中控制的復(fù)雜性，變流器部分尤其是其中實(shí)現(xiàn)各種脈寬調(diào)制（Pulse Width Modulation, PWM）控制策略的逆變器部分，是系統(tǒng)中最易發(fā)生故障的薄弱環(huán)節(jié)。一旦逆變器發(fā)生故障，不僅整個風(fēng)電機(jī)組可能會遭受嚴(yán)重?fù)p壞或?qū)е峦C(jī)，也會對電網(wǎng)造成極大的不穩(wěn)定，因此研究如何提高三相變頻驅(qū)動系統(tǒng)的可靠性及風(fēng)電變流器的狀態(tài)監(jiān)測和故障診斷對于提高系統(tǒng)穩(wěn)定性來說至關(guān)重要，具有重要的現(xiàn)實(shí)意義［1-2］。

近些年來，神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域中的研究得到了越來越多的重視。小波神經(jīng)網(wǎng)絡(luò)小波神經(jīng)網(wǎng)絡(luò)是以小波基函數(shù)作為神經(jīng)元激活函數(shù)而構(gòu)造的前饋神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，小波基元（Wavelet Basic Unit, MBU）及整個網(wǎng)絡(luò)結(jié)構(gòu)的確定有可靠的理論依據(jù)，有較強(qiáng)的函數(shù)學(xué)習(xí)能力和推廣能力，訓(xùn)練后的網(wǎng)絡(luò)對噪聲有較強(qiáng)的抗干擾能力［3-4］，進(jìn)行參數(shù)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(tǒng)的遞推最小二乘（Recursive Least Square, RLS）算法的小波神經(jīng)網(wǎng)絡(luò)在收斂速度、精度方面表現(xiàn)不佳，嚴(yán)重影響了故障診斷的效率。本文提出了一種新的改進(jìn)的最小二乘算法，稱做變學(xué)習(xí)率變加權(quán)最小二乘算法，采用了變加權(quán)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(xué)習(xí)率，替代了傳統(tǒng)的迭代方式，使得在學(xué)習(xí)過程的振蕩期提高收斂的速度，而在穩(wěn)態(tài)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(jīng)網(wǎng)絡(luò)

1.1 小波變換

設(shè)函數(shù)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(shù),其中a、b分別為伸縮因子、尺度因子。

設(shè)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(gòu)x（t），即：

x（t）∫∞ 0a－2∫+∞－∞WTx（a,b）ψ（t）dadb（3）

cψ∫∞ 0dω

相應(yīng)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(shù)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(dāng)AB1且ψ1時，{ψ（t）}成為L2（R）的標(biāo)準(zhǔn)正交基，此時：

x（t）∑（m,n）∈Z2〈x（t）,ψ（t）〉ψ（t）（7）

1.2 辨識分析

設(shè)待辨識的函數(shù)yf（t）∈L2（R），這時存在常數(shù)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(dāng)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

下面給出小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，它有N組觀測數(shù)據(jù)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(wǎng)絡(luò)的第Ⅰ層是輸入節(jié)點(diǎn)層。因?yàn)椴蓸拥碾娏鳂颖緸槿嚯娏?，所以有輸入層三個輸入節(jié)點(diǎn)。對上述的選出來的小波基函數(shù)進(jìn)行重新排序：ψ1（x（1,n））,ψ2（x（2,n））,…,ψ7（x（3,n））,以此作為神經(jīng)網(wǎng)絡(luò)中的隱層節(jié)點(diǎn)，即第Ⅱ?qū)拥墓?jié)點(diǎn)。第Ⅲ層是輸出層，輸入的樣本經(jīng)過小波函數(shù)運(yùn)算后得到輸出值乘以相應(yīng)地權(quán)值得到的估計輸入經(jīng)此輸出。小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Network, WNN）結(jié)構(gòu)如圖1所示。

圖1 WNN模型結(jié)構(gòu)

2 算法改進(jìn)

2.1 指數(shù)加權(quán)遞推最小二乘算法

對于N次觀測{y（t（i））},i1,2,…,N，準(zhǔn)則函數(shù):

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(quán)遺忘因子，且0≤λ≤1；n為迭代次數(shù)；l1,2,…,m×n；h1,2,…,n。

由于θ出現(xiàn)在（t（k）,θ^ ）的非線性項(xiàng)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）－h(huán)T（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(shù)加權(quán)最小二乘估計Δ θ^ （HTλH）－1HTλG，其中：

H, G（17）

其中λ為加權(quán)遺忘因子，且0≤λ≤1。

2.2 變學(xué)習(xí)率變加權(quán)遞推最小二乘算法

在指數(shù)加權(quán)遞推最小二乘法中，當(dāng)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(quán)遞推最小二乘算法實(shí)質(zhì)上就是一般的遞推最小二算方法。而當(dāng)λ0時,則只有現(xiàn)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(wěn)信號的局部趨勢。而在穩(wěn)態(tài)情況下減小參數(shù)估計誤差，故引入含變加權(quán)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(shù)，使得：

Δ θ^ （HTλH）－1HTλG（20）

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

上述的WRLS算法中，由于學(xué)習(xí)率的設(shè)定值是一致的，則學(xué)習(xí)過程中的步長也相同，無法使學(xué)習(xí)率同時滿足值最大且穩(wěn)定。當(dāng)學(xué)習(xí)率過大，算法可能極不穩(wěn)定；學(xué)習(xí)率過小，則收斂的速度慢，導(dǎo)致訓(xùn)練的時間延長。而學(xué)習(xí)率的選擇對于算法的性能影響很大。因此，在上述改進(jìn)算法的基礎(chǔ)上引入變學(xué)習(xí)率因子，稱之為變學(xué)習(xí)率變加權(quán)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(jù)小波神經(jīng)神經(jīng)網(wǎng)絡(luò)的當(dāng)前狀態(tài)調(diào)整學(xué)習(xí)率，從而進(jìn)一步提高參數(shù)學(xué)習(xí)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(xué)習(xí)率，E（k）為誤差值。

3 仿真實(shí)驗(yàn)

通過風(fēng)電變流器故障診斷實(shí)驗(yàn)得到300組三相電流樣本數(shù)據(jù)，200組作為訓(xùn)練樣本，另外的100組作為測試數(shù)據(jù)。根據(jù)改進(jìn)的算法對網(wǎng)絡(luò)的各參數(shù)進(jìn)行學(xué)習(xí)。經(jīng)過大量實(shí)驗(yàn)得到的小波神經(jīng)網(wǎng)絡(luò)的參數(shù)如表1所示。

表1 參數(shù)設(shè)置

故障電流樣本如圖2所示，其中：Ira、Irb、Irc分別是轉(zhuǎn)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(yīng)的故障類型，用處理好的學(xué)習(xí)樣本對小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，保證小波網(wǎng)絡(luò)的輸出值誤差達(dá)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(jìn)算法的離散小波神經(jīng)網(wǎng)絡(luò)的辨識誤差逐漸減小，且具有更好的動態(tài)跟隨性和準(zhǔn)確性。

輸入100組測試數(shù)據(jù)，并對故障的識別率進(jìn)行數(shù)學(xué)統(tǒng)計，以此來驗(yàn)證改進(jìn)算法的小波神經(jīng)網(wǎng)絡(luò)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(jié)語

本文利用小波框架理論，建立了框架小波神經(jīng)網(wǎng)絡(luò)。在小波變換的基礎(chǔ)上，運(yùn)用了變學(xué)習(xí)率變加權(quán)遞推最小二乘算法對小波神經(jīng)網(wǎng)絡(luò)中的權(quán)值進(jìn)行辨識。在對雙饋風(fēng)力發(fā)電系統(tǒng)變流器進(jìn)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(xiàn):

[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(shù)測量［J］.高電壓技術(shù),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(guān)鍵詞：故障診斷；神經(jīng)網(wǎng)絡(luò)；擠壓機(jī)

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(diǎn)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(jī)是擠壓加工生產(chǎn)線中的關(guān)鍵設(shè)備，決定著擠壓車間的生產(chǎn)品種和能力。因此，對擠壓機(jī)的故障診斷和及時排除故障對保證產(chǎn)品質(zhì)量和生產(chǎn)進(jìn)度顯得尤為重要。即使是經(jīng)驗(yàn)豐富的工人診斷設(shè)備的運(yùn)行狀態(tài)也無法與一套完整的設(shè)備狀態(tài)監(jiān)控系統(tǒng)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(jī)可靠性、經(jīng)濟(jì)性，降低生產(chǎn)成本，提高設(shè)備的利用率，通過設(shè)備的狀態(tài)監(jiān)測與故障診斷技術(shù)，實(shí)現(xiàn)設(shè)備的“狀態(tài)維修”就成為現(xiàn)代設(shè)備管理和維護(hù)的必然需要。

根據(jù)文獻(xiàn)檢索和現(xiàn)場事故調(diào)查結(jié)果， 發(fā)現(xiàn)擠壓機(jī)發(fā)生故障的主要原因有以下幾種情況：

（1） 現(xiàn)有的裝置可靠性和系統(tǒng)保護(hù)功能差，對誘發(fā)事故發(fā)生的初期狀態(tài)無有效的預(yù)測、預(yù)報措施。為了預(yù)防事故的發(fā)生， 擠壓機(jī)采取定期檢修的方法。計劃檢修的缺點(diǎn)是靈活性差，到檢修時間擠壓機(jī)沒有故障，檢修就會造成浪費(fèi)；沒有到檢修期間擠壓機(jī)卻發(fā)生了故障，造成了停機(jī)或設(shè)備的損壞，損失更大。

（2） 大型擠壓機(jī)結(jié)構(gòu)復(fù)雜， 涉及到機(jī)、電、液等多個專業(yè)， 對設(shè)備維護(hù)管理人員的技術(shù)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(jī)的故障診斷機(jī)理和方法缺乏系統(tǒng)的研究， 有效實(shí)用的故障診斷措施較少。

因此， 對擠壓機(jī)進(jìn)行工況監(jiān)測與故障診斷，可及時發(fā)現(xiàn)故障的早期征兆， 防患于未然。變定期維修或故障維修為預(yù)防維修， 提高設(shè)備維修管理水平， 特別是利用遠(yuǎn)程智能故障診斷系統(tǒng)， 可使一般人員也能完成復(fù)雜的故障診斷。擠壓機(jī)的實(shí)時監(jiān)測、保護(hù)和故障診斷是金屬加工領(lǐng)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(jīng)網(wǎng)絡(luò)模型的擠壓機(jī)故障診斷系統(tǒng)。

2 bp神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)的學(xué)習(xí)過程，這一過程則通過正向傳播和方向傳播中各層權(quán)值的不斷調(diào)整得以實(shí)現(xiàn)。目前采用bp算法的多層感知器的神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛，其中以具有3層感知器的單隱層網(wǎng)絡(luò)為主。3層感知器包括輸入層、隱層和輸出層。其中輸入層節(jié)點(diǎn)為故障征兆，輸出層節(jié)點(diǎn)為故障原因。故障現(xiàn)象及結(jié)論組成訓(xùn)練學(xué)習(xí)的樣本空間，通過訓(xùn)練學(xué)習(xí)已知樣本層，確定網(wǎng)絡(luò)結(jié)構(gòu)，分析故障征兆，得出故障原因。神經(jīng)網(wǎng)絡(luò)系統(tǒng)具備高度非線性映射能力，是一個并行和分布式的網(wǎng)絡(luò)信息處理結(jié)構(gòu)。

3 擠壓機(jī)故障診斷

輸出結(jié)果與目標(biāo)結(jié)果是一樣的，驗(yàn)證了該網(wǎng)絡(luò)的可行性及實(shí)用性。

參考文獻(xiàn)

[1]魏軍.金屬擠壓機(jī)[m]化學(xué)工業(yè)出版社，2006