一种基于概率有向图深度学习的故障诊断方法与系统技术方案

本申请涉及一种基于概率有向图深度学习的故障诊断方法与系统，该方法包括：从当前的可达概率矩阵中提取报警节点的先行集，并将其中节点有交集的报警节点划至同一报警集；若报警集中报警节点均不在分层有向图中的第一层，计算对应的故障源候选集中的故障源节点的后验故障概率；根据后验故障概率确定所属设备的设备故障概率，根据设备故障概率依次对各设备进行故障隔离，直至对应的报警节点解除报警，定位得到故障设备，然后对故障设备上的故障节点的节点故障概率，以及故障节点与报警节点的节点间故障传播概率进行更新，得到新的可达概率矩阵以及对应的新的节点故障概率

【技术实现步骤摘要】
一种基于概率有向图深度学习的故障诊断方法与系统


[0001]本申请涉及复杂通信系统故障诊断
，特别是涉及一种基于概率有向图深度学习的故障诊断方法与系统
。

技术介绍

[0002]随着通信技术的持续发展，通信系统的规模日益庞大，功能复杂性大幅提升，同时对通信系统的可靠性也提出了更高要求
。
以卫星通信或地面通信系统收发链路为例，其主要业务是完成信号的生成
、
扩频调制和功率放大，以及信号接收，变频，解调等任务，必须实现小时稳定运行
。
[0003]目前常用的故障诊断方案是基于规则的专家系统加上人工故障分析
。
这种方案实现简单，但缺点是：1）未充分考虑故障之间的传递效应，经常出现某一个故障发生时，会引发大量关联故障，多故障报警导致值班员难以快速定位真实的故障点，错误的故障隔离操作导致故障处置不及时；2）专家系统难以预先知晓并获取完备的故障模式，当有未知故障发生时，故障定位困难，仍需专家现场排查，导致故障处置不及时
。
因此，传统的运维方法已不能适应复杂通信系统的运维要求，需要设计更快速更智能的故障诊断系统
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种基于概率有向图深度学习的故障诊断方法与系统，以便及时
、
准确地进行故障诊断
。
[0005]一种基于概率有向图深度学习的故障诊断方法，所述方法包括：获取通信系统的节点集；节点集是通过定义通信系统中的监控点以及监控点之间的故障传播路径，然后将故障传播路径相同的监控点合并为一个节点而得到的；获取当前的可达概率矩阵和根据初始可达概率矩阵得到的分层有向图；可达概率矩阵中的元素表示节点间故障传播概率；分层有向图中，每一层至少有一个节点；获取当前的报警节点集，从当前的可达概率矩阵中提取每一报警节点的先行集，将先行集中节点存在交集的报警节点划分至一个报警集中，同时将每一报警集中所有报警节点对应先行集合并至同一个故障源候选集中；当报警集中的报警节点均不在分层有向图中的第一层时，计算报警集对应的故障源候选集中各故障源节点的后验故障概率，具体步骤如下：从当前的可达概率矩阵中提取故障源候选集中故障源节点的除自身以外的可达集，根据故障源节点的当前节点故障概率
、
故障源节点与其可达集中各节点的节点间故障传播概率和以及故障源节点的被搜索到次数，计算得到对应故障源节点的后验故障概率；其中，被搜索到次数是根据对应故障源节点的先行集统计得到的；根据各故障源节点的后验故障概率确定各故障源节点所属设备的设备故障概率，根据设备故障概率从高到低依次对各个设备进行故障隔离，直至对应的报警节点解除报警，并定位得到故障设备，然后对故障设备上的故障节点的节点故障概率，以及故障节点与
报警节点的节点间故障传播概率进行更新，得到新的可达概率矩阵以及对应的新的节点故障概率
。
[0006]一种基于概率有向图深度学习的故障诊断系统，所述系统包括：状态采集模块
、
推理诊断模块
、
故障处置模块和人机交互界面；状态采集模块用于读取通信系统运行时设备的状态参数，同时将状态参数与失效门限值进行比较，若状态参数超过对应的失效门限值，则产生报警信息，并将报警节点信息发送至推理诊断模块；其中，通信系统中的节点是通过定义通信系统中的监控点以及监控点之间的故障传播路径，然后将故障传播路径相同的监控点合并为一个节点而得到的；推理诊断模块用于根据通信系统中的节点和故障传播路径构建初始可达概率矩阵，并根据初始可达概率矩阵建立分层有向图；其中可达概率矩阵中的元素表示节点间故障传播概率；分层有向图中，每一层至少有一个节点；推理诊断模块还用于接收状态采集模块发送的报警节点信息，得到当前的报警节点集，从当前的可达概率矩阵中提取每一报警节点的先行集，将先行集中节点存在交集的报警节点划分至一个报警集中，同时将每一报警集中所有报警节点对应先行集合并至同一个故障源候选集中，当报警集中的报警节点均不在分层有向图中的第一层时，计算报警集对应的故障源候选集中各故障源节点的后验故障概率， 具体步骤如下：从当前的可达概率矩阵中提取故障源候选集中故障源节点的除自身以外的可达集，根据故障源节点的节点故障概率
、
故障源节点与其可达集中各节点的节点间故障传播概率以及故障源节点的被搜索到次数，计算得到对应故障源节点的后验故障概率；其中，被搜索到次数是根据对应报警节点的先行集统计得到的；然后根据各故障源节点的后验故障概率确定各故障源节点所属设备的设备故障概率；故障处置模块用于根据设备故障概率从高到低依次对各个设备进行故障隔离，直至对应的报警节点解除报警，并定位得到故障设备，并将故障隔离结果反馈给推理诊断模块；推理诊断模块还用于接收故障处置模块反馈的故障隔离结果，对故障设备上的故障节点的节点故障概率，以及故障节点与报警节点的节点间故障传播概率进行更新，得到新的可达概率矩阵以及对应的新的节点故障概率；人机交互界面用于实现故障诊断系统与用户之间的信息交换
。
[0007]上述一种基于概率有向图深度学习的故障诊断方法与系统中，得到当前的报警节点集后，从当前的可达概率矩阵中提取每一报警节点的先行集，并将先行集中节点存在交集的报警节点划分至同一报警集中，得到多个报警集，同时将每一报警集中所有报警节点对应先行集合并至同一个故障源候选集中，得到对应的多个故障源候选集，当报警集中的报警节点均不在分层有向图中的第一层时，计算报警集对应的故障源候选集中各故障源节点的后验故障概率，即，从当前的可达概率矩阵中提取故障源候选集中故障源节点的除自身以外的可达集，根据故障源节点的节点故障概率
、
故障源节点与其可达集中各节点的节点间故障传播概率以及故障源节点的被搜索到次数，计算得到对应故障源节点的后验故障概率；然后，根据各故障源节点的后验故障概率确定各故障源节点所属设备的设备故障概率，根据设备故障概率从高到低依次对各个设备进行故障隔离，直至对应的报警节点解除报警，并定位得到故障设备，然后对故障设备上的故障节点的节点故障概率，以及故障节点
与报警节点的节点间故障传播概率进行更新，得到新的可达概率矩阵以及对应的新的节点故障概率，可看出，可达概率矩阵和节点故障概率会根据通信系统的实际故障诊断过程和结果进行更新，相当于故障诊断成功经验的积累，这样随着诊断经验不断丰富，可达概率矩阵中的故障传播概率不断贴合通信系统的实际故障传播情况，在故障设备定位操作时，设备故障概率会越来越准确，由此，故障诊断会越来越准确及时
。
综上，采用本专利技术可以及时准确地进行通信系统的故障诊断
。
附图说明
[0008]图1为一种简化的通信系统收发链路组成示意图；图2为基于概率有向图深度学习的故障诊断方法的流程示意图；图3为基于概率有向图深度学习的故障诊断方法的具体流程图；图4为一个实施例中简单通信系统的示意图；图5为一个实施例中简单通信系统的故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于概率有向图深度学习的故障诊断方法，其特征在于，所述方法包括：获取通信系统的节点集；所述节点集是通过定义通信系统中的监控点以及监控点之间的故障传播路径，然后将故障传播路径相同的监控点合并为一个节点而得到的；获取当前的可达概率矩阵和根据初始可达概率矩阵得到的分层有向图；所述可达概率矩阵中的元素表示节点间故障传播概率；所述分层有向图中，每一层至少有一个节点；获取当前的报警节点集，从当前的可达概率矩阵中提取每一报警节点的先行集，将先行集中节点存在交集的报警节点划分至一个报警集中，同时将每一报警集中所有报警节点对应先行集合并至同一个故障源候选集中；当报警集中的报警节点均不在分层有向图中的第一层时，计算报警集对应的故障源候选集中各故障源节点的后验故障概率，具体步骤如下：从当前的可达概率矩阵中提取故障源候选集中故障源节点的除自身以外的可达集，根据故障源节点的当前节点故障概率
、
故障源节点与其可达集中各节点的节点间故障传播概率和以及故障源节点的被搜索到次数，计算得到对应故障源节点的后验故障概率；其中，被搜索到次数是根据对应故障源节点的先行集统计得到的；根据各故障源节点的后验故障概率确定各故障源节点所属设备的设备故障概率，根据设备故障概率从高到低依次对各个设备进行故障隔离，直至对应的报警节点解除报警，并定位得到故障设备，然后对所述故障设备上的故障节点的节点故障概率，以及故障节点与报警节点的节点间故障传播概率进行更新，得到新的可达概率矩阵以及对应的新的节点故障概率
。2.
根据权利要求1所述的方法，其特征在于，从当前的可达概率矩阵中提取故障源候选集中故障源节点的除自身以外的可达集，根据故障源节点的当前节点故障概率
、
故障源节点与其可达集中各节点的节点间故障传播概率和以及故障源节点的被搜索到次数，计算得到对应故障源节点的后验故障概率，包括：；其中，表示故障源候选集中的故障源节点，表示故障源节点的后验故障概率，表示可达集中的节点数量，表示可达集中的节点，表示故障源节点的健康状态，表示故障源节点发生故障，表示故障源节点未发生故障，表示故障源节点的节点故障概率，表示故障源节点的未发生故障的概率，表示可达集中的节点与故障源节点之间的节点间传播概率，即故障从可达集中的节点传播到故障源候选集中故障源节点的概率
。3.
根据权利要求1所述的方法，其特征在于，对所述故障设备上的故障节点的节点故障概率，以及故障节点与报警节点的当前节点间故障传播概率进行更新，得到新的可达概率矩阵，包括：
将所述故障设备上后验故障概率最高的故障源节点的节点故障概率更新为对应的后验故障概率；同时，根据报警节点与直接指向所述报警节点的故障源节点间的待更新节点间故障传播概率的包括当前更新的更新次数，对所述待更新节点间故障传播概率进行更新，得到新的可达概率矩阵
。4.
根据权利要求3所述的方法，其特征在于，将所述故障设备上后验故障概率最高的故障源节点的节点故障概率更新为对应的后验故障概率，包括：当所述故障设备上存在一个以上后验故障概率最高的故障源节点，则将其中在分层有向图中层级更高的故障源节点的节点故障概率更新为对应的后验故障概
。5.
根据权利要求3所述的方法，其特征在于，根据报警节点与直接指向所述报警节点的故障源节点间的待更新节点间故障传播概率的包括当前更新的更新次数，对所述待更新节点间故障传播概率进行更新，包括：根据报警节点与直接指向所述报警节点的故障源节点间的当前的节点间故障传播概率，以及所述节点间故障传播概率的包括当前更新的更新次数，对所述待更新节点间故障传播概率进行更新：；其中，表示直接指向报警节点的故障源节点与报警节点的节点间故障传播概率，表示更新后的直接指向报警节...

【专利技术属性】
技术研发人员：李井源，周蓉，刘增军，张可，龚航，陈雷，黄新明，彭竞，马明，李峥嵘，谢郁辰，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：