一种基于业务路径和频度矩阵的动态关联故障挖掘方法技术

技术编号:17037132 阅读:46 留言:0更新日期:2018-01-13 21:57
本发明专利技术一种基于业务路径和频度矩阵的动态关联故障挖掘方法:一、构建动态关联故障的数据模型;二、设计基于极大业务路径的分块挖掘策略;三、设计基于频度矩阵的扫描策略;四、BFM算法整体设计。本发明专利技术通过构建动态关联故障数据模型和分析判定特征,明确了挖掘对象,给出了挖掘效率的优化空间;分析机载网络故障基于业务路径的关联特征,给出避免噪声组合的分块策略,算法在搜索迭代之前就过滤掉大部分噪声信息;将各分块分解为特征向量和频度矩阵,结合矩阵运算特点和频繁项集性质,给出大幅降低外存扫描的循环策略,极大减少算法循环次数和对比计算;步骤四,综合以上策略设计了BFM算法。本发明专利技术方法,能有效提高频繁项集的挖掘速率。

A dynamic association fault mining method based on service path and frequency matrix

The invention relates to a mining dynamic association fault service path and frequency based on matrix method: data model, build the dynamic correlation fault; two, the design of block mining strategy based on the path of the great business; three, the design of frequency scanning strategy based on matrix; four, the overall design of BFM algorithm. The present invention constructs dynamic correlation fault data model and analysis features, the mining object, and gives the optimization space mining efficiency; analysis of airborne network fault correlation business based on path are given to avoid block noise strategy combination, algorithm in iterative search before the filter most of the noise information; the block decomposition as the feature vector and frequency matrix, combined with matrix operation characteristics and the nature of frequent itemsets, are significantly reduced memory scan cycle strategy, greatly reduce the algorithm cycles and calculation; step four, the above strategy for the design of the BFM algorithm. The method of the invention can effectively improve the mining rate of frequent itemsets.

【技术实现步骤摘要】
一种基于业务路径和频度矩阵的动态关联故障挖掘方法
本专利技术属于机载网络故障诊断
,尤其涉及一种基于业务路径和频度矩阵的动态关联故障挖掘方法。
技术介绍
飞机上的各种航电设备通过端系统与交换机连接,形成由若干个以交换机为中心的星型子网组成的机载网络系统。近半个世纪来,在经历分散、联合、综合、高度综合四个阶段后,机载网络的综合化趋势,导致设备间关系复杂,相互影响越来越密切,故障间呈现出复杂的关联关系:一个故障往往引发多个其他故障,这些故障动态依赖,不断关联触发。工程中,面对同时发生的多个故障,在其关联关系未知的情况下,工程人员只能逐一排查,排故效率低下。机载网络运行中保存了大量故障数据,蕴含着故障间关联信息,但因故障数据库巨大,靠人工逐条分析寻找是不现实的。而关联规则挖掘主要目的就是从大数据对象中,通过历史信息,挖掘个体之间隐含的或不容易被发现的关联关系。利用关联规则挖掘,可以有效从故障数据库中,找出机载网络故障的关联关系。Apriori算法是由R.Agrawal等提出的经典布尔关联规则挖掘方法。算法基于层次迭代思想,根据最小支持度,经过连接和剪枝,逐层搜索迭代,直至再没有满足最本文档来自技高网...
一种基于业务路径和频度矩阵的动态关联故障挖掘方法

【技术保护点】
一种基于业务路径和频度矩阵的动态关联故障挖掘方法,特征在于:该方法包括如下步骤:步骤一、构建动态关联故障的数据模型;步骤101、明确动态关联故障定义机载网络动态关联故障的定义为:机载网络运行中以航电业务为流程的各应用间存在动态逻辑连接关系,导致在一定试验应力下,某故障发生时,在当前业务路径上关联触发新的故障,且随着业务路径的动态关联,故障呈现出动态依赖和不断传播的特点;业务路径、动态性、关联性分别定义如下:业务路径:在一定试验应力下,航电业务流程上各应用逻辑连接关系;动态性:同样试验应力下,故障产生与业务路径密切相关,业务路径的动态性导致故障的动态性;关联性:同一测试业务中多个故障可能由同一故...

【技术特征摘要】
1.一种基于业务路径和频度矩阵的动态关联故障挖掘方法,特征在于:该方法包括如下步骤:步骤一、构建动态关联故障的数据模型;步骤101、明确动态关联故障定义机载网络动态关联故障的定义为:机载网络运行中以航电业务为流程的各应用间存在动态逻辑连接关系,导致在一定试验应力下,某故障发生时,在当前业务路径上关联触发新的故障,且随着业务路径的动态关联,故障呈现出动态依赖和不断传播的特点;业务路径、动态性、关联性分别定义如下:业务路径:在一定试验应力下,航电业务流程上各应用逻辑连接关系;动态性:同样试验应力下,故障产生与业务路径密切相关,业务路径的动态性导致故障的动态性;关联性:同一测试业务中多个故障可能由同一故障导致,即同样试验应力和同样业务路径的故障之间具有关联性;步骤102、确定动态关联故障的判定特征根据步骤101分析,机载网络故障具有基于业务路径的动态关联特点,其关联规则与故障属性“业务路径”和“试验应力”密切相关,故给出如下判定特征:特征1:业务路径不相交,试验应力不同的两个故障,不可能是直接关联触发的;特征2:间接关联触发的两个故障,可通过有限个直接关联触发的故障对,发现其关联关系;步骤103、故障数据预处理与模型构建故障主要包括故障现象、故障设备、业务路径、应力条件等属性,根据挖掘方法需求,构建故障信息模型F如下:F={S,X,N,Δ}其中,S={S1,S2,...Si,...}为故障属性“试验ID”,X={X1,X2,...Xi,...}为故障属性“试验应力”,I={A,B,...}为“故障现象”,N={N1,N2,...,Ni,...}为故障属性“业务路径”,Ni=(nj,nk,...)为故障i的业务路径,其中nj,nk∈n,n={1,2,...}为故障节点设备;各参数相应序列为原始数据库中对应字段的不同值按字典排序映射形成;步骤104、分析挖掘方法中,利用判定特征降低噪声组合的可行性根据步骤102给出的判定特征,可以提前判定两故障之间是否可能存在动态关联关系,从而在频繁项挖掘的连接步中避免噪声的组合;以一次试验作为一项事务,形成交易型数据库-事务集,通过演示由L1生成L2的过程,证明利用步骤102中的特征1,可以大幅提高挖掘效率的可行性;设最小支持度Supmin=2;(1)扫描交易型数据库-事务集,生成1项频繁集列表L1(2)进行第一次连接步计算,生成2项候选项集C2根据判定特征1,得到故障组合,其业务路径毫无相交,试验应力完全不同,不可能是关联故障,故不可能是频繁项集;这些组合完全是连接步生成的噪声信息;在搜索迭代中,算法每一步都会大量组合生成类似的噪声信息,然后逐个剪枝消除其中大部分,这极大降低了挖掘效率和准确度,这部分噪声是可以避免的;因此,在动态关联故障挖掘中,利用业务路径的判定特征,降低噪声组合是可行的;步骤二、设计基于极大业务路径的分块挖掘策略;步骤201、提出极大业务路径概念极大业务路径:遍历故障库中所有故障的试验应力和业务路径属性后,若业务路径R1~Rn具有包含关系,且试验应力均为Xi,其中Rj包含其余(n-1)条业务路径,则(Xi,Rj)为一条极大业务路径;定义业务路径向量R2包含R1的运算为R1@R2:if(X1=X2)&Len(R1)≤Len(R2),则R1@R2;其中,Part(Ri,k)表示向量Ri长度为k的连续片段组成的集合(k≤Len(Ri)),Part(Ri,k)j表示该集合中的第j项(j=1,2,...,Len(Ri)-k+1);设R1=(1,2,3,4),Len(R1)=4,Part(R1,3)2=(2,3,4),Part(R1,3)={(1,2,3),(2,3,4)},若R2=(2,3),R3=(3,4,5),且X1=X2=X3,则R2@R1成立,R3@R1不成立;上面介绍的的故障数据库在遍历后可生成如下4条极大业务路径:{(X1,(1,2,3)),(X2,(2,3)),(X3,(5,6,7)),(X4,(5,6))}步骤202、明确极大业务路径特性极大业务路径特性:两个直接关联触发的故障,极大概率发生于同一极大业务路径下,并且随着试验进行和故障库增加,这一概率趋向于100%;步骤203、设计分块挖掘策略提出如下分块挖掘策略:(1)生成事务集后,遍历数据库:得到极大业务路径集合:{(X1,R1),(X2,R2),...,(Xk,Rk)}(2)利用极大业务路径集合,将数据库分割为k块,(3)各分块挖掘操作隔离进行;事务频度计算,只在同一事务集分块内累加;步骤三、设计基于频度矩阵的扫描策略;步骤301、构建频度矩阵和特征向量特征向量:设某分块事务集Ti包含m个互不相同的事务t1,t2,...,tm,由n个互不相同的项I1,I2,...,In构成,其中{ti},{Ii}均按字典排序,则称n维向量(I1,I2,...,In)为Ti的特征向量,记为Iti;以A,B,C等表示故障项,故Ii=A,B,C...;频度矩阵:设某分块事务集Ti包含m个互不相同的事务t1,t2,...,tm,其特征向量为Iti=(I1,I2,...,In),则存在唯一矩阵Qi=(qjk)n×m,使得则称Qi为Ti的频度矩阵;其中qjk∈N表示Ti中第k个事务tk的第j项Ij的频数;因此,一个事务集分块可分解为一个特征向量和一个频度矩阵;分块后,在搜索迭代中,每个分块只需扫描一次特征向量,并进行一次矩阵运算即可;下面所示的事务集分块,利用频度矩阵可以将各块分解,得到事务集,特征向量,频度矩阵;即,事务集T1的特征向量为(A,B,C),频度矩阵为事务集T2的特征向量为(A,D,E),频度矩阵为事务集T3的特征向量为(A,F,G),频度矩阵为其中:观察矩阵可以发现,每行相加即Count(C1),第二、三列即Count(C2),第一列即Count(C3);因此...

【专利技术属性】
技术研发人员:郑小禄黄宁胡波仵伟强
申请(专利权)人:北京航空航天大学
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1