一种基于神经网络的工业以太网故障预测方法技术

本发明专利技术公开了一种基于神经网络的工业以太网故障预测方法，包括以下步骤：步骤S1）采集工业以太网发生性能越限事件和告警事件时工业以太网交换机的历史性能值；步骤S2）对采集到的历史性能值进行预处理并分析；步骤S3）设计多维的CMAC神经网络，基于信度分配思想，对常规CMAC神经网络的训练算法进行改进，校正误差根据存储单元的可信度进行分配；步骤S4）用预处理后的历史性能值数据训练改进后的CMAC神经网络生成故障预测模型；步骤S5）使用故障预测模型进行工业以太网故障预测。本发明专利技术实时感知工业以太网的健康状态，做到事前预测事先做出维护措施，提高网络维护维修效率，提高网络服务质量。络服务质量。络服务质量。

【技术实现步骤摘要】
一种基于神经网络的工业以太网故障预测方法


[0001]本专利技术涉及工业以太网
，具体涉及一种基于神经网络的工业以太网故障预测方法。

技术介绍

[0002]工业以太网的维护管理如果缺乏完善的网络监视和管理功能，仅仅局限于冗余切换、事后告警、不坏不修，将会使得网络系统故障、响应滞后，带来巨大的安全隐患。因此，故障预测的研究对于预知网络异常情况，提升网络运维效率以及降低运维成本具有重要意义。随着大数据技术的发展与故障预测理论的革新，工业以太网的网络健康管理从对故障和异常事件的被动反应向网络健康状态的实时感知与故障预测方向发展。
[0003]过去几年来，用机器学习技术来进行故障预测取得了较大的进步。人工神经网络作为一种大规模并行处理的非线性系统，可利用学习训练或改变架构的方式处理线性、非线性的问题，而且人工神经网络自学习和抗干扰能力强，对于信息的综合处理能力强，理论上能逼近任何非线性系统。小脑模型神经网络(Cerebellar Model Articulation Controller，CMAC)作为一种典型的局部逼近网络，它通过每次学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的工业以太网故障预测方法，其特征在于，包括以下步骤：步骤S1：采集工业以太网发生性能越限事件和告警事件时工业以太网交换机的历史性能值；步骤S2：对采集到的历史性能值进行预处理并分析，获得单个性能值的变化规律以及多个性能值之间的关系规律；步骤S3：设计多维的CMAC神经网络，基于信度分配思想，对常规CMAC神经网络的训练算法进行改进，校正误差根据存储单元的可信度进行分配；步骤S4：用预处理后的历史性能值数据训练改进后的CMAC神经网络生成故障预测模型；步骤S5：使用故障预测模型进行工业以太网故障预测。2.根据权利要求1所述的一种基于神经网络的工业以太网故障预测方法，其特征在于，步骤S2中基于信度分配思想，对常规CMAC神经网络的训练算法进行改进，改进后的CMAC神经网络训练算法如下：其中，W表示权值，m和t表示学习次数，l和j表示某个激活的存储单元，β表示学习速率，f
d
表示期望值，F(s)表示输出值，C表示泛化参数，f
t
(j)表示第j个激活的存储单元第t次学习时的已学习次数，f
t
(i)表示第i个激活的存储单元第t次学习时的已学习次数，f
m
(l)表示第l个激活的存储单元第m次学习时的已学习次数，k表示平衡学习常数。3.根据权利要求1所述的一种基于神经网络的工业以太网故障预测方法，其特征在于，步骤S5中使用故障预测模型进行工业以太网故障预测，具体过程包括以下步骤：步骤S21：采集待测工业以太网的交换机实时性能值并对实时性能值数据进行预处理、预测；步骤S22：将预处理后的实时性能值数据作为故障预测模型的输入，故障预测模型输出待测工业以太网的故障状态。4.根据权利要求1所述的一种基于神经网络的工业以太网故障预测方法，其特征在于，步骤S4中用预处理后的历史性能值数据训练改进后的CMAC神经网络的过程，包括以下步骤：步骤A1：采用四阶龙格
‑
库塔法求解性能值数据和故障状态之间的微分方程，公式如下：
其中K1＝f(x
i
,y
i
))K4＝f(x
i
+h,y
i
+hK3)其中，K1表示开始斜率，K2表示第一中点斜率，K3表示第二中点斜率，K4表示终点斜率，h表示时间间隔，y
i
表示当前状态，y
i+1
表示下一个状态，x表示时间；再根据上述公式采用迭代算法求得离散点上的近似解；步骤A2：引入专家协调器，根据当前的误差信号切换控制策略，公式如下：其中，u
bangbang
表示专家控制，u
d
表示C...

【专利技术属性】
技术研发人员：葛颖奇，徐劲松，戴建军，游云汉，叶益安，
申请(专利权)人：浙江运达风电股份有限公司，
类型：发明
国别省市：