学文网网络故障诊断篇1
关键词：网络故障；故障检测；故障定位；故障诊断；专家系统；数据挖掘；神经网络
中***分类号：TP393.06
随着计算机、通信以及互联网技术的飞速发展及应用，网络作为一种重要的工具，在***事、***治、经济和科研等诸多领域起着越来越重要的作用，已经成为社会生产和生活必不可少的一部分。与此同时，网络的规模和复杂性不断增大，一旦网络发生故障，如果不能在有效时间内对网络故障进行诊断与修复，将会造成巨大的损失，甚至严重威胁社会的安全与稳定，因此对网络故障诊断技术进行研究具有越来越重要的应用价值和现实意义。
1 网络故障诊断一般过程
通常来说，网络故障诊断是以网络原理、网络配置和网络运行的知识为基础，根据网络出现的故障现象，并使用专门的网管理和检测工具以获取告警信息进而对网络中出现的故障进行诊断、恢复以及预测的过程，一般可分为以下五个部分[1]：
（1）故障检测，即网络故障告警信息的获取。网络发生故障时，通过主动轮询或异步收集方式，对网络中的相关设备或服务的相关告警信息、设置和性能参数，状态信息等进行收集和分析，及时发现网络出现的故障及问题。
（2）故障定位，即定位故障源。对故障检测阶段收集的海量告警数据进行分析和处理，在网络中找出故障，为下一步的故障原因的诊断提供依据。
（3）故障原因的诊断，即查找故障产生的根源。根据故障定位的结果综合运用各种规则进行系统的推理，快速的找到故障产生的原因或者最可能的原因。
（4）故障修复。根据网络故障诊断结果修复网络故障，恢复网络的正常运行。
（5）故障预测，即根据先验知识和监测数据预测网络可能发生的故障。
其中故障检测，故障定位，故障原因诊断是必不可少的三个步骤，下面将重点对上述三个步骤进行详细的介绍。
2 网络故障检测
通常计算机网络通过以下两种方式收集信息，通过分析收集到的信息来检测故障[2]。
（1）Trap机制。在网络中每一个被管设备中都要运行一个程序以便和管理站中的管理程序进行通信。
（2）主动轮询。网络中发生故障的被管设备或服务主动向网络管理系统发出告警信息，能够及时发现网络中的故障，网络管理系统还需通过主动轮询这种方式了解与网络性能密切相关的信息，并对这些影响网络性能信息设置阈值，来判断网络性能，超过设定阈值也会触发事件。
3 网络故障定位
网络系统中，一般通过监测被管设备或服务等各种方法获取大量原始告警数据或历史积累信息，这些数据往往由于通信系统的复杂性、网络结构异构性、噪声、外界因素、因果关系等原因而具有相当大的不确定性和不精确性，导致故障症状和故障原因都存在非线性映射关系，需要利用关联技术对数据进行处理和分析才有效的进行故障定位[3]，目前常用的故障定位技术主要有下面几种：
3.1 基于人工智能的故障定位技术
3.1.1 基于规则的推理技术
基于规则的推理（Rule-based Reason，RBR）是最简单的关联技术，已被用于多种构架。一般而言，基于规则的系统由三个组成部分组成，如***1所示。
（1）推理引擎，主要提供解决问题所需要的策略。
（2）知识库，提供和定义与问题相关的规则和专家知识。
（3）工作内存，主要提供解决问题所需要的数据。
在基于规则的推理的网络故障定位系统中，知识库充当一个专家的角色，利用从人类专家获取专家积累的经验和知识，这些知识主要包括对网络问题的定义以及当某一特定问题发生时，网络故障定位系统需要执行的操作。工作内存主要是利用具体的网络协议对网络中的被管设备或服务进行监测，得到有关被管设备或服务的各种信息。在对网络故障进行定位时，推理引擎与知识库共同合作，将监测得到的网络中被管设备或服务的状态信息与知识库中定义好的条件部分进行比对，根据条件满足与否，来进行网络故障的定位。
基于规则的网络故障定位系统，由于无需对专家系统的具体结构和操作细节进行深入了解，从而具有结构简单等诸多优点，并且实现起来比较简单，非常适用于小型系统。但是基于规则的网络故障定位系统在匹配规则时，需要网络状态与知识库中的规则条件精确匹配，否则将推出整个推理过程，无法定位故障，并且规则存在不易维护性和指数增长性，所有这些缺点决定了基于规则的网络故障定位系统不适用大型系统。
3.1.2 基于模型的推理技术
基于模型的推理（Model-based Reason，MBR）是建立在面向对象上的基础之上，利用现有的专家经验和知识，将具体的目标系统中的实体都模型化诊断对象，并且明确地表现出现实目标系统中对象之间存在的各种关联关系，再根据系统模型对具体的目标系统的行为进行推测。由于通常情况下，具体的目标系统与理想的系统模型之间存在差异性，因此基于模型的推理的专家系统需要对推测的行为和目标系统的实际行为进行不一致诊断，以确定具体目标系统中的故障根源。
为了更好地说明基于模型的推理专家系统的工作流程，文献[4]使用一个物理模型和对应的对等模型分别如***2、3所示的网络系统。网络系统按一定的周期，有规律的向***2中的被管设备发送ping命令以监测网络系统中的被管设备是否运行正常。管理系统和被管设备之间通过一个模型对象实现彼此之间的相互通信，具体来说，如***2所示，系统中的集线器模型向被管设备集线器发送ping命令，路由器模型则向被管设备路由器发送ping命令。当目标网络发生故障时，如果故障发生在集线器1，则集线器1模型可以将其发现并且识别出来，如果集线器1模型连续3次向被管设备集线器1发送ping命令，在3次响应超时以后，集线器模型1根据现有的网络现象推测被管设备集线器1有可能发生故障，或者说目标系统中的故障位于集线器1。集线器1模型则会在确定故障并正式发送告警信息之前，集线器1模型将分析自身与***2中其他被管设备的模型之间的关系以此来确定其是否应该询问网络中路由器模型，如网络中的路由器模型返回的是相应的被管路由器设备工作处于正常状态，则集线器1触发警报。
3.1.3 基于范例的推理技术
基于范例的推理（Case-based Reason，CBR）故障定位技术与前面的基于规则推理技术和基于模型推理技术相比具有很大的差异性，主要因为基于范例的推理技术的思想源于人类现实生活，主要根据过去积累的实际经验或经历，利用类比的推理方法对现有的新问题做出相似的解答，然后根据新问题与旧问题之间的差异对解答进行修改从而得到新问题的完全解答。基于范例推理的网络故障定位技术主要由四个部分组成，检索 （Retrieve）、复用（Reuse）、修正（Revise）、保存（Retain），简称4R过程。
基于范例推理的故障定位技术与基于规则推理的故障定位技术相比，由于在基于范例推理的故障定位技术中检索只是基于对案例的部分匹配，而基于规则推理的故障定位技术则是完全匹配，因此基于范例推理的故障定位技术对网络配置变化的适应度更好，更适用于问题的总体解决方案。
3.2 模型遍历技术
模型遍历技术（Model traversing techniques）是一种构建网络故障传播模型的方法，该方法在构建故障传播模型时，主要根据网络在运行时各种被管对象之间的相互关系，并且按照从引起事件的被管对象开始的顺序进行构建。该方法主要适用于网络中被管对象之间的相互关系类似于***形，并且一般情况下较容易获取的情况，并且在系统配置变化较频繁时该方法的鲁棒性很好。模型遍历技术主要具有两大特点，事件驱动和事件关联，所谓事件驱动是指在一个故障症状报告到来之前，系统一直处于等待故障症状状态；事件关联则是确定两个故障症状是否来源同一个事件源。
一般情况下，模型遍历技术需要在其事件报告中明确标识网络系统中故障的征兆类型、征兆目标等相关信息，如果网络系统中出现故障征兆，且不妨用si来表示该故障征兆，当si的目标和si来源相同，则说明si是一个次要征兆也就说明某些告警信息可以被忽略。模型遍历技术的整个处理可分为以下3步：
（1）首先，对网络中的每个事件，依据网络在运行时各种被管对象之间的相互关系对其构建一个和事件源相关的对象***。
（2）当给定的两个事件的对象***相交时，此时说明两个***至少包含同一个对象，则认为这两个对象***的事件源是关联的。
（3）当给定三个故障症状si，sj，sk，其中si，sj相互关联，sj，sk相互关联，则根据故障症状的传递性可知si是一个次要的故障症状。
4 网络故障原因诊断
（1）基于信号处理方法。该方法主要是依据信号模型，直接对网络系统中的可测信号进行分析与处理，并通过提取可测信号的频率等特征值，对网络中存在的故障原因进行诊断。
（2）基于解析模型的方法。基于解析模型的方法主要依据数学模型和数学方法来进行故障原因的诊断，在诊断时需要建立对象的精确数学模型。
（3）基于知识检测的方法。与基于解析模型方法相比，此方法最大的特点在于其并不需要对象的精确数学模型就可以对网络中的故障原因进行诊断。
下面主要介绍几种目前国内外研究学者研究比较多的基于知识检测的方法，基于专家系统故障原因诊断方法和基于模糊理论故障原因诊断方法以及基于BP神经网络故障原因检测方法。
4.1 基于专家系统故障原因诊断方法
基于专家系统故障原因诊断系统主要是利用人类专家的经验和历史积累诊断数据，使用一定的方法将其转化为系统能够识别的规则存在专家系统的知识库中。当网络中出现故障时，诊断系统利用专家系统知识库中的规则，对发生故障网络中的被管对象的各项性能参数进行处理与分析以正确的确定网络故障发生的具体原因[5]。组成由人机接口、推理机、知识库等六部分组成：
目前，国内外学者公认的专家系统瓶颈是知识获取问题，因为专家系统在诊断过程中主要依赖于从人类专家领域内获取的知识、经验和以往诊断数据，而这些获取起来途径有限，操作起来具有一定的局限性和复杂性。另外，专家系统在实时性和学习能力等方面也存在一定的局限性，因此目前通常将专家系统同其他方法相结合以提高专家系统在这些方面存在的局限性和不足。
4.2 模糊故障诊断方法
很多时候，网络中的故障与系统得到的网络现象之间存在非线性的映射关系，这种非线性的映射关系很难用确定的数学公式或者模型来刻画，相应的在故障原因诊断时，很难给出故障的精确原因。相反，只能给出故障发生的可能原因。对于这种存在一定模糊性的问题，可以使用模糊逻辑来解决。
目前使用的比较多的是向量识别法，其诊断过程可分为以下3步：
首先，需要根据网络中的故障与表征网络故障的数据，建立二者之间的关系，通常用关系矩阵R来表示。
其次，对需要诊断的目标网络系统（对象）进行状态检测，提取相关的特征参数以构建特征向量矩阵X。
最后，根据模糊理论和矩阵理论，求解前面两步构建的关系矩阵方程Y=X・R，得到关系矩阵方程的解Y，再根据隶属度等原则，对目标网络系统的故障向量Y进行处理，得到故障的原因。
从上述诊断过程可知，在模糊故障诊断中，正确的进行故障原因诊断的前提是建立关系矩阵R、隶属函数、特征值向量X，而这些矩阵、函数、向量的建立是人为构造而成，难免具有一定的主观性，并且由于该模糊诊断方法对特征元素的选取也有一定的要求，所以两者若处理不当，会导致该方法的诊断结果精度严重下降甚至完全错误。
4.3 BP神经网络诊断方法
由于人工神经网络的这些特性以及网络中故障与征兆之间有可能存在的非线性映射关系，使得人工神经网络在网络故障诊断中大有用武之地。目前，人工神经网络已经大量应用在网络故障诊断领域。BP神经网络是常用的人工神经网络模型[6]。
BP神经网络故障诊断分为训练和诊断两个阶段：
（1）训练阶段。BP神经网络对样本进行训练，以选定网络结构和规模，确定网络总层数、各层神经元数。借助BP学习算法，将原始网络收集到的故障样本的特征参数作为BP神经网络输入样本集，以与之对应的网络故障原因编码为BP神经网络的输出，以此对BP神经网络进行训练。
（2）故障诊断阶段。主要对待检测对象的故障样本进行特征提取和归一化处理，然后输入到BP神经网络进行诊断输出诊断结果，整个过程分为以下4个步骤：1）故障样本集预处理。2）BP网络结构设计。3）训练BP神经网络。4）故障诊断。
5 结束语
本文对网络故障的概念以及基本过程进行了概述，重点对当前网络故障中的故障检测、故障定位、故障诊断的关键技术及方法进行了研究和总结归纳，对开展网络故障诊断技术研究具有一定的指导意义。
参考文献：
[1]王成等.网络故障诊断技术研究[J].科技信息，2011（11）.
[2]陈琳.一种网络环境中的故障诊断模型[J].北京航空航天大学学报，2004（11）.
[3]张燕.网络故障诊断关键技术[J].电脑知识与技术，2009（31）.
[4]李千目.战略互联网智能诊断技术研究[D].南京理工大学，2005.
[5]吴晓知，李兴明.网络故障管理专家系统中知识库的构造[J].微计算机信息，2008（06）.
[6]戚涌，刘凤玉.基于BP神经网络的网络智能诊断系统[J].微电子学与计算机，2004（10）.
网络故障诊断篇2
关键词：无线传感器 网络故障 诊断技术
中***分类号：TP212.9 文献标识码：A 文章编号：1007-9416（2013）09-0042-02
无线传感器网络是由大量传感器节点组成的，因为传感器节点廉价和微型的特点，促使无线传感器网络对节点的利用率非常高，尤其是在无线传感网络的监测区域，在自组织方式的参与下，以互相协作的形式完成无线传感器的监测任务，所以其应用的前景也是非常广阔的，但是传感器节点的工作能力是有限的，难免会发生系统故障。
1 无线传感器网络故障评价指标
无线传感器网络故障诊断的性能评价指标是以无线传感器的网络特点和网络应用为基础制定的，其标准主要体现在诊断精度、特殊环境诊断精度、能效性以及诊断时间四个方面。
诊断精度。无线传感器故障诊断精度是诊断机制对故障最直接的评价方式，特别是在网络安全性较高的环境中，如果不能保障故障诊断的精确度则会导致传感器网络系统出现安全漏洞，同时意味着此故障诊断精度的失效，诊断精度主要是以一次过程为故障诊断的依据，分析被诊断的节点状态与实际节点状态的相符程度，诊断精度中故障误报率和故障识别率为评价故障的两个指标。
特殊环境诊断精度。无线传感器网络在特殊环境中的应用是有特定的诊断精度的，例如自然灾害、人为破坏等特殊环境因素，由于故障的节点在网络中的分布不均匀，可能会出现故障区域节点的过分疏散或者是节点的过分密集等现象，普通的诊断精度是不适应的，所以只能采取特殊环境的诊断精度对故障进行评价。
能效性。受无线传感器网络能量供应方面的影响，能效性成为故障诊断评价机制中需要最先考虑的问题，能效性比较强的故障诊断机制可以促进网络使用寿命的延长，以便保障传感器网络监测、计算方面能量的持续供应，与能效性有直接关系的因素有数据通信、处理和采集三方面。
诊断时间。无线传感器网络投入使用后，如需进行故障诊断需要对传感器中节点与节点之间的关系进行协作性判断，主要是因为节点呈现激活状态的数量比较多，如果节点出现联系性的故障一定会对无线传感器网络造成巨大的能耗压力，所以节点故障诊断的时间不宜过长。
2 无线传感器网络故障诊断分类
无线传感器网络故障主要来源于传感器的节点，主要表现在四个模块上，分别为能量电池供应模块、无线网络通信模块、传感处理模块和传感器模块，基于无线传感器网络的运行和使用，其组成元件、部件会出现各种各样的问题，如干扰通信、线路老化、电能耗损以及接线松动等等，引发无线传感器网络发生故障。
2.1 节点级别的故障
节点级别的故障主要是发生在传感器网络的节点处，大部分故障主要是传感器的节点本身出现了问题，其又可分为节点软故障和节点硬故障，软故障是指节点在不影响无线传感器网络运行的前提下发生故障，只有对数据进行传送和测量时，可瞬间影响通信的故障；硬故障是指对节点本身以及对传感器网络造成的直接损害，例如节点本身损坏、电源布置不合理或电源能量不足都会造成无线传感器网络故障。
2.2 网络级别的故障
网络级别的故障是指无线传感器的节点本身是正常的，但是在节点与节点之间的传输、协作方面上出现制约性问题，导致网络连接异常、通信受阻、信息丢失、IP偏差、非法入侵等等，此故障的出现是直接作用于网络的，其故障的表现极其明显，而且故障出现的速度非常快，影响范围比较广，属于无线网络传感器网络中相对较为敏感的故障。
2.3 功能级别的故障
无线传感器网络功能级别的故障对于整体网络都是存在影响的，如出现功能级别的故障会造成网络中汇集点不能正常接收和收集网络中运行的全部信息，引起功能级别故障的原因主要有传感器节点的重启、死亡和失效，链接线路故障以及路由装置故障等。
2.4 数据级别的故障
数据级别的故障是指传感器节点表现正常，但是传达了错误的数据信息，致使网络形成错误的数据感知，数据级别故障的隐蔽性比较强，只有经过精细的检测才可发现传感器节点传递了错误的感知数据，因为即使节点感知数据传递错误，但是其本身的表现形式是没有任何问题的，因此无形中降低了无限传感器网络的运行性能，而且会错误的引导网络管理员检查维修。
3 无线传感器网络故障诊断技术
无线传感器网络故障诊断主要是针对其投入使用的期间，通过对网络传递的信息进行分析，判断无线传感器网络是否发生故障，根据故障发生的状态检测导致故障发生的基本根源，无线传感器网络故障的诊断是一项复杂而又系统的工程项目，基于其所处的环境以及自身运行的特点决定了故障诊断的难度，为降低诊断的难度，一般情况在进行故障诊断时需要以传感器各个节点日常的测量数据为主，以节点数据传输的附加信息为辅，促进故障诊断的效率。
无线传感器网络故障诊断的指标为传感器高质量的服务和能量的有效保护，而故障诊断策略的衡量指标主要有错误警报率和检测率，其中错误报警率反馈的是无效警报在诊断报告总警报中的占据比例，错误报警率较低即可说明此次诊断结果具有较高的可信度；检测率反馈的是被检测出的故障在网络总故障中占据的比例，与错误报告率相反，检测率越高则说明诊断策略的有效性比较高。目前对无线传感器网络故障诊断技术的研究主要以传感器的故障、场景类型为中心，对传感器节点的功能、读数故障进行探讨，分析无线传感器网络故障的诊断技术。
3.1 传感器节点读数故障的诊断技术
节点读数故障的诊断技术主要是针对无线传感器网络中错误的测量数据，错误数据产生的情况主要有外界环境干扰导致网络受到安全攻击、节点部件的损坏等等，针对节点读数故障提出以下诊断技术。
（1）WMFDS诊断技术。此技术主要是对传感器节点与节点之间的数据进行空间相关性的测量，越临近的节点其测量结果的相似性越大，所以只能通过正常读数的空间关系，根据此理论提出WMFDS诊断方法，主要是对两节点之间的故障率、分布密度进行分析，判断节点是否出现问题，此方法还可对相邻的节点进行加权处理，但是此方法只可以用于具有空间相关性的节点读数上。
（2）FIND诊断技术。此技术利用无线传感器节点在监控区域具有可持续性监测的特点，感知网络的突然事件，此节点的数据读取可反馈事件发生点到节点相对应的距离，传感器节点的信号强度与距离是呈现相反关系的，即相对距离越大，节点信号强度越弱，节点信号的强弱变化被称为单调变化特性，所以节点的单调特性是反馈节点出现读数故障的判断标准，比如故障节点会表现出与相对距离单调特性相反的现象。
（3）CSN诊断技术。此诊断技术是有一定局限性的，主要是以移动设备为检测对象，利用加速器得出节点的地震运动，故障节点的读数会存在阈值，此阈值与实际历史差距比较大，通过计算机分析节点比例，如出现较高阈值则说明此节点出现了一定的问题。
3.2 传感器节点网络故障的诊断技术
传感器节点网络故障主要表现在链路受环境因素的影响导致网络可靠性降低等现象，针对传感器节点网络故障提出的诊断技术主要有以下三种：
（1）网络软件调试法。在传感器的节点中采取调试，利用软件的调试命令，对节点处的网络状态进行分析，收集节点网络数据，确定节点网络故障的来源。
（2）特定模型推断法。特定模型推断法主要包括两种，分布式和集中式的方法。分布式的诊断技术是针对网络中的所有节点，利用从局部到整体的决策方法，分布式诊断技术的代表方法有LD2和TinyD2，最终通过节点网络的整合，得出诊断报告；集中式的诊断技术是在网络节点处植入小型探测器，以便对经过节点的应用数据进行分类、分组，但是探测器对得到信息的分析能力是非常有限的，所以需要感知系统的参与，以此为基础进行节点网络故障的细化诊断。
（3）无声故障诊断技术。此诊断技术在三种技术中是具有一定特殊性的，其可对无经验故障进行有效诊断，例如AD诊断技术，即是比较典型的代表，通过对节点各类型诊断信息之间相关性***表的变化，发现网络中存在的隐藏故障，即无声故障，此技术可提高故障诊断的准确率，同时降低了故障出现的频率。
综上所述，利用无线传感器故障诊断技术诊断无线传感器网络中出现的问题，并对其进行及时有效的处理，一方面可以提高无线传感器网络的运用效率，另一方面提高了无线传感器网络的使用率，所以无线传感器网络的正常运行在一定程度上促进我国经济效益和社会效益的发展和提高。
4 结语
无线传感器网络在世界范围内的关注度是比较高的，其渗透多项科学技术，例如无线通信技术、传感器技术以及信息处理技术等等，无线传感器的研究不论是在经济效益上还是在社会效益上，都是具有极其重要的意义的，无线传感器有效的网络故障诊断技术一方面可以提高无线传感器的利用效率，另一方面对能源节约具有一定的实际价值。
参考文献
[1]孙利民，陈渝.无线传感器网络[J].北京：清华大学出版社，2010（03）.
网络故障诊断篇3
关键词：网络故障；诊断；物理类；逻辑类；诊断方法
中***分类号：TP393.06
随着计算机的日益普及，人们之间的距离也随着网络的迅速发展而近了许多，在世界的各个角落都可以迅速进行沟通、交流，但是网络在给我们带来诸多便利条件的同时，也产生了许多附加的问题。因此，笔者结合多年的工作经验对常见网络故障的分类以及诊断方法进行详细的论述，希望可以对大家日后的工作有所帮助。
通常我们按照网络故障的特性将其分为两类，分别是物理类以及逻辑类故障两种，下面我们分别对其进行详细的分析：
1 物理类网络故障及诊断方法
物理类的网络故障就是由于设备或者线路出现问题而导致网络出现的故障的统称，其主要由线路故障、端口故障、集线器或路由器故障以及网卡故障等四种。下面我们分别对其进行描述：
1.1线路故障及诊断方法
根据相关部门统计，网络故障中由于线路受到严重电磁干扰以及线路损坏而导致的线路故障所占的网络故障的3/4，这是发生频率最高的一种网络故障。
该故障的诊断方法：如果线路非常长，不便于我们自行检查，我们就可以通过通知线路供应商来提供检查线路的服务；如果线路长度适中或者是网线不方便使用，我们就可以通过使用网线测试器来对线路进行检测；如果线路比较短，我们就可以将网线的一段插入正常的HUB断口，而另一端插入到一台确定可以正常联网的主机的RJ45插座内，通过主机的Ping线路连接到另一端的路由器或者主机，通过检查来判定网线是否正常。
如果怀疑线路受到强电磁干扰，我们可以通过使用带有较强屏蔽性的屏蔽线来进行测试，如果可以正常通信，则表明线路的确受到强电磁的干扰，我们就需要将线路远离线路周边具有较强电磁场的设备，如果屏蔽线不能正常通信，则表明该线路的问题不是由于强电磁场引起的。
1.2 端口故障及诊断方法
通常由端口本身或者插头松动而导致的物理故障，我们将其称为端口类故障。
该类故障的诊断方法：由于信号灯是设备是否有信号的直接体现，所以，我们可以通过观察信号灯来对故障的发生地点以及发生原因进行大致判断，必要时也可使用其他端口来判断是否正常。
1.3 路由器或集线器故障及诊断方法
该类故障主要是由于路由器或者集线器发生物理损坏而导致的网络故障。
该类故障的诊断方法：该类故障我们大多采用替换排除法进行诊断，通过使用同场通信的主机和网线来连接路由器或者集线器，如果通信正常，则表明路由器或者集线器可以正常工作；如果不能正常工作，则转换路由器的断口来判定到底是路由器或集线器的故障还是端口故障，正常情况下，路由器或集线器的对应的指示灯可以表示是都正常，如果最后均不能正常通信，则可证明是路由器或者集线器的问题。
1.4 网卡故障及诊断方法
由于网卡是安装在主机内部，所以我们也可以将网卡故障称之为主机故障。这类故障通常的表现形式为：主机本身故障、主机网卡插槽故障、网卡物理故障以及网卡松动故障等四种。
该类故障的诊断方法：主机故障我们就可以通过更换可以正常通信的主机来进行判定；而主机网卡插槽以及网卡松动故障我们则可以通过更换网卡插槽的方式来进行盘点过；而网卡物力故障则是在上述方法均无效的情况下，将网卡安装到可以正常通信的主机上进行测试，如果不能正常通信，则可以认定为网卡物力故障。
2 逻辑类网络故障及诊断方法
由于网络设备的配置错误也就是通常所说的配置错误而导致的网络故障，我们将其称为逻辑类故障。逻辑类网络故障主要有三种，分别是路由器逻辑故障、一些重要进程或端口关闭而导致的故障以及主机逻辑故障等
2.1路由器逻辑故障及诊断方法
该类故障的通常表现形式为：路由器内存余量不足、路由器CPU利用率过高以及路由器配置错误等三种。
该类故障的诊断方法：路由器内存余量不足以及CPU利用率过高两种问题的诱发原因可能是较差的网络质量导致的。我们可以通过MIB变量浏览器进行检查，通过手机路由器的内存余量、CPU的负载和温度、计费数据、端口流量数据以及路由表等数据进行判定。通常情况下，网络管理系统会对上述数据进行时刻监测、报警。所以面对这种情况时，我们可以通过重新规划网络拓扑结构、扩大内存以及升级路由器等方法来解决该问题。
路由器的端口参数设定错误，则会导致找不到远端地址的现象，所以我们可以使用Ping或者路由跟踪程序，即windows中的Tracert，UNIX中的Traceroute，来查看那个阶段出现问题，以便于后期的修复。
2.2一些重要进程或端口关闭故障及诊断方法
由于网络受到端口以及重要进程的支持，所以一旦重要进程或端口由于意外而关闭，网络也就会发生故障，线路发生中断，无法连接网络。
该故障的诊断方法：观察Ping线路近端的端口，检查是否畅通，在不同的前提下，再对端口状态进行检查，如果端口的状态为down，则表明网络故障的原因就是因为该端口，重启后线路即可恢复畅通。
2.3 主机逻辑故障及诊断方法
在所有的网络故障中，主机逻辑而导致的一直占据着较高的比例，其中包括：主机网络地址设置不当、网卡与设备存在冲突以及网卡驱动程序不当是最为常见的三种，下面我们对其进行详细的论述。
2.3.1网卡驱动程序不当
由于网卡的驱动程序未安装或者安装错误，都会导致网卡无法正常进行工作。
该故障的诊断方法：在设备管理器中，通过对网卡选项的检查来判断驱动程序是否安装正确，如果网卡型号钱为“X”或者“！”，则表示需要重新安装正确的驱动程序。
2.3.2主机网络地址设置不当
在主机逻辑故障中，主机网络地址设置不当是主要的一个原因，例如：当主机设置的IP地址与其他主机冲突或者不再网络范围内时，就会导致主机无法正常连接网络。
该故障的诊断方法：通过网络邻居属性中的连接属性来查看主机的网络地址是否设置正确，其中有IP地址、网关、子网掩码及DNS参数四种，调整为正确参数即可正常连接网络。
2.3.3网卡与其他设备的冲突
由于主机中其他设备与网卡的互相冲突，会导致网卡无法正常进行工作，主机无法正常接入网络。
该故障的诊断方法：通过相关设置网卡参数的程序，我们对网卡的I/O端口地址、IRQ以及接头类型等参数进行详细的检查，如果这些参数发生冲突，那么必须通过更换网卡插槽或者重新设置参数的方法，让主机认为是新设备重新分配的系统资源参数，才能够重新连接到网络。
3 结论
综上所述，随着电子科学技术的不断发展，我们的日常工作和生活早已离不开网络，所以为了保证我们工作生活质量，一定要对网络故障予以充分的重视，通过对故障类型以及诊断方法的学习，保证可以在网络故障发生后，用最短的时间，完成网络修复，在保证网络畅通的前提下，为我国经济以及社会的和谐发展注入新的活力。
参考文献：
[1]古新文.计算机网络故障的归类分析[J].科技信息（学术研究），2007（25）.
网络故障诊断篇4
【关键词】故障诊断;基本原理;神经网络;实际应用
引言
电梯在实际生活中出现不正常运行、停运等故障是在所难免的，而作为高层建筑中主要的垂直交通工具如果不能及时准确的查明故障原因并维修往往会给乘客带来巨大的生命威胁。只有保证电梯的安全运行，及时的发现故障并解决故障，才能够为乘坐电梯的乘客提供合格的安全保证。目前，国内在用的电梯缺乏完善的故障诊断系统，仅仅依靠维修技术人员的经验以及简单的诊断仪器已经不能够及时的解决复杂的电梯故障问题。神经网络技术可以应用于复杂多模式的故障诊断并且既可以用于实时监测也可以进行离线诊断，在系统模式非常复杂或者根本不知道系统模式的情况都可以应用，这些特点恰恰解决了传统方法中最最难以解决的问题。因此必须加快神经网络技术应用于诊断电梯故障的步伐，形成完善的故障诊断系统，才能更及时准确的查明故障原因进一步及时的解决问题，保证乘客的人身安全。
一、电梯的运行原理和电梯故障的特点
只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理，每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段;第二、电梯门关闭或者电梯按照系统指令停运阶段;第三、启动阶段;第四、在到达信号记录的楼层前进行减速制动;第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的***的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。
二、神经网络技术基本原理
生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）;隐含层、对接收到了大量数据进行相应的分析处理;输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。
三、神经网络模型在电梯故障诊断中的应用分类
神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。
（一）BP网络模型
BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、***像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化;b、确定输入值数值大小，计算出预期输出量;c、用实际输出的值减去上一步得到的数值;d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差;e、修正输出层的权值和阈值，修正隐含层的权值;f、修正隐含层的阈值，修正隐含层和输入层的权值。
（二）遗传小波神经网络模型
遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。
（三）模糊神经网络模型
模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。
结语
综上所述，神经网络技术可以应用于复杂多模式的故障诊断并且既可以用于实时监测也可以进行离线诊断，在系统模式非常复杂或者根本不知道系统模式的情况都可以应用，这些特点恰恰解决了传统方法中最最难以解决的问题，它的应用提高了电梯故障的诊断速度和准确度，保证了电梯运行的安全性。虽然神经网络技术的优点很多，但是在实际生活中的应用还很少，因此还需要不断的进行改进完善。同时还要注意将集中诊断方法融合到一起，例如稳重提到的模糊神经网络模型和遗传小波神经网络模型都是集成应用的典型代表。
网络故障诊断篇5
关键词： 动态因果模型；航电系统；因果网络；多故障诊断
中***分类号：TP306 文献标识码：A 文章编号：1671－7597（2012）1120032－02
0 引言
在传统的机上排故过程中，对故障隔离手册和维修手册进行反复查阅和参照是其中必不可少的环节，当出现故障关联情况较多，相互间的网络拓扑结构较为复杂时，采用传统排故方法费时费力，不但难以适应高效诊断的要求，而且在多故障同时发生时诊断效果不佳。究其原因，是由于没有很好地利用以往的排故数据和经验，造成了不能在故障一发生就指出故障多发部件，无法有效指导排故，缩短维护周期。
本文以遗传算法理论为基础，依据因果网络模型给出所有的可能故障的解集合，在可靠性数据、历史排故数据和专家经验的基础上，将所有诊断解集合予以排序，从而实现多故障诊断结果的定量化输出，迅速指明故障源，准确高效的完成诊断任务。
1 新型维护诊断系统开发的必要性
飞机任务的执行情况，需要用航空电子综合系统所能实现的功能来保证，更主要的是，航电系统自身更需要稳定可靠的运行。在驾驶操作中，有时会出现振动、快速的状态变化、快速的环境变化和其他类似情况，这些都能影响航空电子系统的工作性能和可靠性。因此，无论是在飞行中，还是在维修期间，都需要一种方法来验证航空电子系统的正确性和可操作性。基于这个原因，现代飞机需要先进的实时诊断系统，用以监察航空电子设备和其它系统的正常运行。
现代航电系统的组成结构必然是复杂的，系统级诊断是十分有必要的，尤其是考虑到可能的相互作用的各个子系统的因素。由于这种互动性和复杂性，诊断能力在过去一直与安全制度紧密结合。因为这种结合，所以对自我诊断系统很难有所改善或提升，从而使先前的诊断系统已经过时，因此，需要想出一个方法来更新诊断系统，同时改进或升级航电系统，两者之间相互结合，形成一个有效率并且廉价的新型诊断方式。
现代商业飞机（如波音747和波音777型飞机）包括围绕航电系统中心检查的诊断系统和维护控制台（CMC）。这个系统收集和评价航空电子系统信息，比较传感器的工作，以核实系统的正常运行，检测系统的正确性。
举例来说，波音747-400型飞机的诊断系统使用结构松散布尔逻辑方程，用以履行其诊断评估工作。这其中主要的缺点是这种诊断系统源于复杂的规则（即逻辑方程）和困难的算法，工程师们很难在保持规则的情况下保证整个飞机的使用寿命。另一种不利因素来源于采用这一做法的诊断准确率有所受限，缺乏标准和为各种子系统组成的航空电子系统处理大规模系统仿真的能力。不幸的是，尽管执行该诊断系统为747-400节约了大量的时间和费用，但把其修改或实施在其它他飞机上是不可能的。因此，这个时间和费用，必须用来支持其它类型、型号的飞机的正常运行。此外，在运行中的飞机，其航空电子系统升级或增补内容，往往也需要额外的昂贵费用，而且耗时费力，从而需要更新的模式的诊断系统，以适应这些变化。
与上述描述中诊断系统需要克服的困难不同，波音777飞机采用浅层基于模型的方法，这种方法基于一个简单的关系数据库结构。这一诊断系统具有初级诊断功能，如信号验证，级联效应搬迁和故障隔离，并把相关的一系列任务进行顺序加工。但是，这样做的好处是有限的，因为浅层数学模型方式具有的是侧重于报告故障，而不是评价系统级故障的特点。此外，这一模式作为基础的方法并不容易支持分析各子系统之间错综复杂的交联故障信号。这种波音777诊断系统还有另一弊端，它是基于文本格式的。因此，它只能提供非常有限的设计和分析能力，并且不能提供任何模拟能力。此外，这一诊断系统仅提供非常有限的故障领先覆盖率，在飞机维修工作中以较大的模糊群体确定“没有发现故障”的条件。
如果航空电子系统有所变化，这两种上文所述的诊断系统势必不能满足使用条件，必须再生成一个全新的模式或设定的角色，这是一个代价昂贵，而且技术要求高的过程。传统的航空电子系统故障诊断系统的体系结构，仅仅在一个单一的黑盒中提供诊断界面（如***形显示器，控制面板，传感器的输入，键盘）的数据存储和检索，以及应用程序代码。这个架构提供了一个集中诊断系统，能够满足诊断航电系统的要求。然而，这种诊断系统是很难进行修改、扩大或升级的，因为这需要详细的了解整个航空电子系统。此外，改变航空电子系统的过程中修改模型或修订有关规则，是一个很不简单的工作，将十分费时、代价昂贵、而且容易出错。还有，这种诊断系统没有提供任何系统级的各子系统的信号分析，使我们很难为飞行员和地勤人员分别形象化的描述整体系统和相互间关联的各个子系统。这种缺乏系统级支持的诊断系统，在排除故障时增加了不必要的复杂性、昂贵的花费以及排故需要的时间。所以航电系统的多故障诊断体系开发一直是热点问题。
2 基于因果网络的航电系统多故障诊断方法
2.1 动态因果模型
本文用状态向量Z（t）=（（z（t），z（t），z（t））表示维护系统中的变量随时间而变化，状态向量的变化，还受元素之间交互作用和外界输入影响，即有：
式中F为描述维护系统信号变化的非线性函数；u为输入；θ为系统的模型参数。
对函数F可利用双线性近似建立3种可能影响航电系统的相互作用：1）一个子系统对另一个子系统的影响（即有效的连接）；2）实验系统中有变化活动的影响；3）实验对两个子系统的连接强度的调节。
模型参数的估计是通过遗传算法实现的，同时得到参数的后验概率，然后通过基于贝叶斯信息准则的贝叶斯因子得到最优模型。
2.2 遗传算法
遗传算法（GA）起源于对生物系统所进行的计算机模拟研究。是一种模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是通过模拟自然进化过程来搜索最优解的一种先进方法。
2.3 航电系统多故障诊断过程
以遗传算法为基础，结合因果网络原理，可以将航电系统多故障诊断的过程具体分为两步：
1）首先要设计出以航电系统为对象的航电系统多故障诊断因果网络，根据以往的专家（设计和维修）排故经验及系统的历史排故记录和可靠性数据，结合因果网络拓扑结构，建立基于因果网络的专家诊断系统；
2）诊断人员通过测试设备或自身观察，根据现场测量、系统自检等结果收集信息（征兆）资料，然后将资料输入上述专家诊断系统对这些征兆进行分析和推理，按照因果网络的诊断求解算法，得出系统故障的传播路径和原发故障，指出正确高效的排故方法。
2.4 航电系统多故障诊断思路
从感性具体到思维抽象，再从思维抽象到思维具体，这就是飞机设计专家和维修专家在多故障诊断过程中一系列的思维活动，这一过程经常运用的是具有智能型的诊断思维的推理过程。这种思维过程在航电系统多故障诊断中表现为：获取诊断的输入信息（征兆），在诊断模型的基础上，按照诊断策略，遵循诊断规则，依据诊断算法，完成推理过程最终输出诊断结果，并将相关信息反馈系统以修正原有诊断模型。
3 诊断实例
若采用基于故障树类型的航电系统因果网络构造方法，同时依据波音777飞机的故障隔离手册和维修手册，可建成了如下***所示的777机翼（部分）电子故障因果网络。
接着采用模糊多属性评判法求取因果强度，选择相同数目的飞机维修专家和飞机设计专家，分析一份历史排故记录，将权重值和模糊评判矩阵作变换就可得到待求因果强度值，再依据前文描述的算法可排列覆盖解集的可能性排序。
4 结论
本文将因果网络模型和模糊多属性评判法应用到飞机航电系统的多故障诊断体系中，设计了基于因果网络的多故障诊断专家系统。验证了本文所提方法在解决航电多故障和关联耦合故障诊断中的有效性。有效提高了故障诊断效率。
参考文献：
[1]周晓，复杂电子装备的智能故障诊断技术[J].兵工工业化，2006，25（5）.
网络故障诊断篇6
电机是工农业生产中的主要传动机械。随着现代科学技术的进步和生产的发展，电机的容量不断增大，所组成的系统的规模越来越大，构成也越来越复杂。但由于工作环境复杂，或者电机频繁起动等原因，电机转子断条等故障时有发生，对其可靠性要求也越来越高。传统的电机故障诊断方法，需要建立精确的数学模型、有效的状态估计或参数估计、适当的统计决策方法等。这些前提条件使得传统的电机故障诊断具有相当的局限性。针对传统检测方法的以上缺陷，有必要对电机转子工作情况进行更先进及时监测，以防造成重大损失。
异步电动机故障检测是通过应用先进的技术手段，***监测异步电动机相关运行参数(如电压、电流、磁通、转速、温度、振动、局部放电等)，判断其是否处于正常状态，以确定合理检修方案，从而达到避免事故停机、提高设备运行可靠性、降低维修费用的目的。
2 电机转子断条故障
转子断条故障是指异步电动机转子导条断裂(端环开裂)故障。异步电动机在运行过程中，转子导条受到径向点磁力、旋转点磁力、离心力、热弯曲挠度力等交变应力的作用，加之转子制造缺陷，导致断条故障。
在冷却效果较差时，起动电流产生的热应力和机械应力较大。当在重载和频繁起动情况下，笼条与端环焊接处是经常发生断裂的部位。一般过程如下:(1)在即将断裂的部位经常出现过热，很高的热应力或机械应力。(2)达到疲劳极限时笼条断裂，并产生电弧。(3)在继续起动时，相邻的笼条通过更大的电流，并承受更大的机械和热应力。(4)造成更多笼条断裂，故障范围扩大;产生较大的单边磁拉力，使电机产生振动、噪声;定子电流摆动和温升增加，转速波动。
3 神经网络技术在电机转子断条故障诊断的应用人工神经元的信息处理分三个部分，首先完成输入信号与神经元联接强度内运算，然后再将其结果通过激活函数(如Sigmond函数)，再经过阀值函数判决，如果输出值大于阀值，则该神经元被激活否则处于抑制状态。神经元按一定模式连接成网络型，神经元之间的连接权值的大小反应信号传递的强弱。
本文借助于神经网络的极强的非线性映射能力，实现由电机转子断条故障征兆或者说故障特征参量空间向故障模式空间的映射，从而达到对电机转子故障模式的识别，判断出是否为电机转子断条故障。这里，我们采用最具代表性和应用最为广泛的BP网。利用定子电流法和神经网络技术对电动机的运转性能和动力性能的检测，得到瞬时转速信号的尺度参数。将该参数作为BP网络的输入，通过BP网络的自学习和联想记忆功能，能有效地确定转子断条数和故障的部位。同时，这种利用神经网络技术对电动机的运转性能和动力性能的检测基于神经网络电机转子断条故障诊断框***，如***3所示。通常利用神经网络来实现学习与分类决策的功能。为了能够对模式进行分类，往往需要学习。通过学习将系统参数或结构固定下来，这也就完成了训练的过程。待识别信息经已训练神经网络的处理，可自动根据某一判别原则对被识别对象进行分类，最后给出准确、及时的电机转子断条故障诊断结论。
4 训练样本的选取
BP神经网络的算法通常采用基于梯度下降原理的误差反向传播算法，即BP算法。但标准的BP算法往往收敛速度慢。为加快训练收敛速度，引入动量项的权值修正快速算法，提高了运算效率。异步电机转子故障诊断人工神经网络采用前馈型三层(输入层、隐含层和输出层)感知网络。基于BP网络电机转子断条故障诊断方法的结构框***如***4所示。将故障的征兆(转速n、转差率s、定子电流中频率p、温度c等)作为网络的输入，各个征兆元素对应网络输入神经元，电机转子断条数Nm和断条的相对位置Xm(即相对于电机外壳的某一固定点)作为网络的输出，对应网络输出神经元;隐含层用于提取信号中阶相关特性(故又称特征提取层)。通过一系列正常电机的试验和故障电机的仿真计算得到的数据完成网络的学习训练。根据网络输出的断条数和电机实际断条数的偏差(诊断误差)，从输出层开始，反过来调整网络中的权值。通过反复调整学习和训练，形成一个完整的基于神经网络的故障诊断系统。使用时，对应一组输入的故障征兆，网络将迅速给出诊断结果。***4 神经网络的结构***
转贴于 学习阶段中，电机转子断条数目的确定仍需专家给出定性的诊断结论;应用推广阶段中，就可根据输入的信息自动诊断出当前的电机状况(正常运行或存在故障)，并给出断条数目和故障位置。实验结果表明，训练好的BP网络对于电机转子断条故障的辩识精确度可达100%。
5 试验结果分析
实验接线***示于***5。实验电机采用一台Y100L-2型三相异步电动机(3 kW、380 V50 Hz、2极)和一台Y100L1-4型三相异步电动机(2. 2 kW、380 V、50 Hz、4极)。对每一台实验电机，除其正常转子外，另配备两个故障转子以模拟断条故障，这两个故障转子分别存在一根断裂导条、连续两根断裂导条，断条的位置不同，并进行反复实验。2008.No. 4基于神经网络的电机转子断条故障诊断***5 试验接线***
表6 异步电动机转子断条故障试验结果分析正常1根断条2根断条5根断条m根断条p/Hz 50. 02 50. 04 50. 03 49. 06……n/r·min-13. 42 3. 35 3. 81 3. 10……s/% 0. 05 0. 45 0. 84 0. 95……c/℃30 45 52 75……Xm /cm 0 15 26 35……
从以上的结果可知，与基于数学模型的故障诊断方法相比，由于神经网络具有很强的非线性映射能力、良好的学习能力、独特的联想记忆能力等优点，因此十分适用于复杂电机系统的转子断条故障诊断。基于神经网络的电机转子断条故障诊断方法无需精确的数学模型，无需相关的电机故障诊断知识，仅需提前得到网络训练的数据，就可实现理想的效果，这也是电机转子断条故障诊断智能手段的优势所在。然而，值得注意的是，基于神经网络的电机转子断条故障诊断方法也存在内在不足。如问题的解决依赖于神经网络结构的选择、训练过度或不足、较慢的收敛速度等都可能影响故障诊断的效果;定性的或是语言化的信息无法在神经网络中直接使用或嵌入，而且较难用训练好的神经网络的输入出映射关系来解释实际意义的电机转子断条故障诊断规则。
6 结语
电机转子断条故障诊断技术是一门研究故障机理，***监测和故障特征量提取，以及诊断推理的多学科交叉的新兴学科，本文用人工神经网络电机进行转子断条故障状态的识别和判断，该系统以此为典型实例，反映电机转子断条故障诊断的规律，有指导意义和实用价值。实践表明，将训练恰当的人工神经网络应于异步电机转子故障诊断，可以获得满意的诊断效果。
参 考 文 献
[1] SubhasisNandiHamid A. Toliyat. Fault diagnosis of electricalmchines- a review [C]. Proceedings from Electric Machines anDrives， 1999: 219-221.
[2] M.Y.Chow，R.N. Sharpe， J.C.Hung.On the application and desiof artificial neural networks formotor fault detection( I)[J]. IEETrans. on IndustrialElectronics， 1993， 40: 181-188.
网络故障诊断篇7
【关键词】电网故障；贝叶斯网络；粗糙集
0 引言
随着电力系统日趋大型化，电网故障日趋复杂化，所以在电力中故障是系统不可避免的。一旦发生故障，如何快速诊断故障类型，防止事故扩大非常重要。如果故障不能及时有效地控制和处理，将可能造成系统稳定破坏、电网瓦解、重大设备损坏和大面积停电，直接影响到用户的切实利益，甚至影响社会大生产的顺利进行。为了保证电力生产的安全性，保证电能供应的可靠性和连续性，在输配电网发生故障时，需要可靠的电网故障诊断系统为工作人员迅速进行诊断和处理提供决策参考。
目前国内外用于电网故障诊断的技术包括：遗传算法，专家系统，Petri网络等。
遗传算法从优化的角度出发基本上可以解决故障诊断问题，尤其是在复杂故障或存在保护、断路器拒动、误动的情况下，能够给出全局最优或局部最优的多个可能的诊断结果。但遗传算法存在的主要“瓶颈”是如何建立合理的电网故障诊断数学模型。专家系统的典型缺点为学习能力差、容错性差及诊断速度偏慢。Petri网络用于建模的时间较长，随着设备的增加和网络的扩大，存在着较大的问题，同时针对现场普遍存在的保护、断路器误动拒动及由于通信线路故障引起的故障信息畸变，Petri网络需要提高其容错能力和处理电网拓扑的改变。
本文主要采用贝叶斯网络进行诊断。贝叶斯网络是一种不确定性的因果关系关联模型、具有强大的不确定性问题处理能力，同时它能有效的进行多源的信息表达与融合，是一种基于网络结构的有向***解描述。贝叶斯网络的以上的特性与故障诊断问题的要求内在一致，故贝叶斯网络也可以应用于不同领域的故障诊断。在电网故障诊断中，贝叶斯网络具有很多独有的特性和优点，基于贝叶斯网络的故障诊断方法，是对贝叶斯公式本身的改进，在处理不完备信息时，提出了采用证据的不确定性推理和比较异常事件数两种方法，减少了计算量，提高了算法的实用性。
1 贝叶斯网络方法概述
贝叶斯网络是一种对概率关系的有向***解描述，它提供了一种将知识直觉地***解可视化的方法。一个贝叶斯网络是一个有向无循环***（DAG），它的节点用随机变量标识，弧代表影响概率，用条件概率标识。一个简单的贝叶斯网络如***1所示。
***1 一种简单的贝叶斯网络
在网络中，定性信息通过网络的拓扑结构表达，定量信息通过节点的联合概率密度表示。其数学描述为：若论域U={x1，x2，…，xn}，其中，x1，x2，…xn对应于网络中各节点，则联合概率P（x1，x2，…，xn）为：
P（U）=P（x1，x2，…，xn）
式中P（x）为xi父节点的集合。
对一具有m个基本事件{xi1}，{xi2}，…，{xim}的随机变量xi，假设已取得除xi外所有与其相关变量的观察结果V=（x1，…，xi-1，xi+1，…，xn），则其条件概率为：
贝叶斯网络模型能表示变量集合的联合概率分布，并能分析大量变量之间的相互关系，利用贝叶斯网络方法，可以完成预测，分类和诊断等任务。
2 基于贝叶斯网络的故障诊断方法
由于贝叶斯网络是一种不确定性因果关系关联模型，具有强大的不确定性问题处理能力，它的特性和故障诊断中要求解决因不确定性和不完备故障信息带来的故障诊断困难的要求内在一致，因此本文提出运用贝叶斯网络对电网故障进行诊断的方法。根据电力系统的物理拓扑结构和保护装置的动作原理，分别建立系统中元件的故障诊断贝叶斯网络模型，实现故障诊断的分布式处理。
2.1 电网故障类型及粗糙集约简
常见的电网故障主要是短路故障，短路故障包括单相接地短路、两相短路、两相接地短路故障、三相对称短路故障。电网在发生各种短路故障时，电流和阻抗也不断变化。当电力系统发生不对称故障时，三相阻抗不同，三相电压和电流的有效值不同，相与相间的相位差也不相等。对于这样的不对称三相系统就不能只分析其中一相，通常是用对称分量法，将一组不对称三相系统分解为正序、负序、零序三组对称的三相系统，来分析不对称故障问题。
粗糙集理论是研究不完整数据及不精确知识的表达、学习、归纳的一套方法，能在保留关键信息的前提下对知识进行处理，并求得知识的最小表达。本文选用粗糙集理论对故障信息量进行约简，选取平均互信息最小的组合作为最佳属性约简组合。
2.2 基于贝叶斯网络电网故障诊断模型
本文根据故障信息判定故障类型。提取故障时的信息量，运用粗糙集进行约简，约简后的故障类型对应着一个贝叶斯网络，网络的输入是决策表的条件属性，输出是决策表的决策属性，综上，本文是一种基于粗糙集与贝叶斯网络相融合的电网故障类型诊断网络模型，其网络结构如***所示。
***2 贝叶斯网络模型***
2.3 基于贝叶斯网络的电网故障类型诊断方法
本文用粗糙集进行知识挖掘，以便在故障发生后能迅速判别出故障区域及故障元件。
基于贝叶斯网络的电网故障类型诊断过程如下：
（1）将获取的故障信息作为条件属性，故障类型作为决策属性，形成故障类型决策表。
（2）运用粗糙集对故障类型决策表进行知识挖掘，删除冗余属性，实行属性优选，消除不一致性的噪声，进行对象约简，形成故障类型简化决策表。
基于贝叶斯网络的电网故障诊断方法流程如***3所示：
***3 电网故障诊断流程
3 结论
本文通过对常见电网短路故障进行分析，提出了一种基于粗糙集理论和贝叶斯网络相结合进行电网故障诊断的方法，能够优势互补。
（1）先利用粗糙集的属性约简，分析故障信息的冗余性，在保证分类能力不变的情况下，化简故障信息，然后利用贝叶斯网络及推理得出诊断结果，可以提高系统在缺失关键警报信息情况下的容错性；
（2）利用贝叶斯网络进行诊断推理，可以提高诊断速度，克服单独使用粗糙集诊断速度较慢的缺点。
通过仿真实验表明，该方法能在一定程度上提高系统的容错性，诊断速度快，可靠性高，具有很好的实用性。
【参考文献】
[1]聂倩雯.基于关联规则数据挖掘和扩展贝叶斯网络的电网故障诊断方法研究[D].成都：西南交通大学，2010.
[2]张耀天，何正友，赵静，等.基于粗糙集理论和朴素贝叶斯网络的电网故障诊断方法[J].电网技术，2007，31（1）：37-43.
[3]基于粗糙集和朴素贝叶斯的电网故障诊断方法研究[D].成都：西南交通大学，2007.
[4]宋功益，王晓茹，周曙.基于贝叶斯网的电网多区域复杂故障诊断研究[D].成都：西南交通大学，2011.
网络故障诊断篇8
关键词：贝叶斯网络，故障诊断，农村电网
0引言
农村电力网直接和用户相连，其可靠性和供电质量直接关系到国民经济和人们的日常生活。据不完全统计，用户的停电事故中有80%是由配电系统引起的[1]。而在我国广大农村电网的可靠性程度一直不高,成为制约农村经济发展的一大瓶颈。为了提高故障诊断的准确性和快速性，国内外学者提出了专家系统(ES)[2]、人工神经网络(ANN)[3]、模糊Petri网[4]和遗传算法(GA)等。这些方法对送至控制中心的准确、完整的信号大都可以取得较为满意的结果，然而在实际的故障诊断过程中由于电网故障诊断问题往往涉及大量的由保护或断路器误动、拒动，信道传输干扰错误，保护动作时间偏差等因素造成的不确定性的知识和数据，需要进行不确定性推理。在诸多不确定性推理方法中，贝叶斯网络方法因其具有严格的概率理论基础而应作为首先考虑的一种推理方法。为此，本文运用贝叶斯网络方法进行农村电网的故障诊断，该方法应用Noisy-Or、Noisy-And节点模型和类似BP神经网络的误差反向传播算法建立了输电线路故障诊断模型，并应用公式推理得出每个元件的故障信任度，根据故障信任度确定元件有无故障。
1 Noisy-Or、Noisy-And节点模型简介
1.1Noisy-Or 模型
贝叶斯网络中的Noisy-Or节点是逻辑“或”的泛化。同逻辑“或”类似，当所有前提条件都为假时，Noisy-Or节点Nj所代表的事件也取值为假。但同逻辑“或”不同的是，如果Nj的一个前提条件为真，并不意味着Noisy-Or节点Nj一定取值为真。Nj的每一个前提条件Ni可以看作有一个与之相关联的、起阻碍作用的概率qij。如果Ni是Nj唯一取值为真的前提条件，那么Nj为真的概率是1-qij。假定阻碍作用是相互***的，则Nj为真的可能性是取真值的前提条件数目N的单调函数。参数cij=1-qij是Nj的单个前提Ni取真值时对Nj为真的认可程度，即从节点Ni到节点Nj的条件概率。给定网络中与每一条连接相关的条件概率以及某个节点所有父节点的信任量测，可用一个简单的公式计算该节点Nj取真值True的“信任程度”，即：
（1-1）
其中，Nj是网络中第j个Noisy-Or节点，Ni表示Noisy-Or节点Nj的第i个直接前提条件，又称父节点，Bel表示信任程度（The degree of belief）。Noisy-Or节点的概念视***如***1-1所示。
1.2 Noisy-And 模型
Noisy-And节点与Noisy-Or节点形成对照，是逻辑“与”的泛化。同逻辑“与”类似，当Nj的所有前提都为真时，Noisy-And节点Nj所代表的事件也取为真（如P(Nj=True)=1））。但同逻辑“与”不同的是，如果Nj的一个前提为假，并不意味着Noisy-And节点Nj一定取值为假。Nj的每一个前提Ni可以看作有一个与之相关联的、起阻碍作用的概率qij。这样，如果Ni是Nj唯一取值为假的前提，那么Nj为假的概率是1-qij。假定阻碍作用是相互***的，则Nj为假的可能性是取假值的前提数目N的单调函数。免费论文，农村电网。参数cij=1-qij 是Nj的单个前提Ni取假值时对Nj为真的否定程度，即从节点Ni到节点Nj的条件概率。在假设网络中所有证据都是该节点的祖先并且网络是一棵伪Polytree的情况下，节点Nj取真值True的“信任程度”可以由下面公式计算：
（1-2）
Noisy-And节点的概念视***如***1-2所示。免费论文，农村电网。
***1-1 Noisy-Or节点的概念视***
Fig.1-1 Conceptual viewof Noisy-Or node
***1-2 Noisy-And节点的概念视***
Fig.1-2 Conceptual viewof Noisy-And node
2 贝叶斯网络的电网故障诊断
在进行诊断推理之前，必需先确定贝叶斯网络的结构和参数。我们先利用领域专家知识构造贝叶斯网络的结构，再采用类似训练多层前向神经网络的反向传播算法学习得到贝叶斯网络的参数，之后便可利用得到的贝叶斯网络进行故障诊断推理。
2.1线路故障模型
为便于说明，我们以***1-3中线路L2故障为例进行说明。L2线路故障诊断模型如***1-4所示，***中保护类型的第一字母F表示失灵（M表示主保护，P表示第一后备保护，S表示第二后备保护），第二字母B表示母线（L表示线路），第三字母P表示保护，下角标数字表示该保护对应的断路器序号。因为电网保护类型较多，为使诊断模型具有通用性，我们将保护分为三类：主保护，即100%确定性保护（高频保护、距离Ⅰ段、零序电流Ⅰ段）；第一后备保护（距离Ⅱ段、零序电流Ⅱ段）；第二后备保护（距离Ⅲ段、零序电流Ⅲ和Ⅳ段）。对高压电网，为隔离故障源，故障线路两侧必然有保护动作和断路器断开，所以L2节点为Noisy-And节点。对故障线路的某一侧，各种保护均有可能断开其对应断路器，它们为Noisy-Or节点输入。一般情况下，调度端应同时收到保护及其对应断路器的动作信号，所以保护及其对应断路器组成Noisy-And节点的输入端。考虑到有可能越两级跳闸，第二后备保护SLP可再搜索一级。免费论文，农村电网。
***1-3线路示例
Fig.1-3 Sample oftransmission line
2.2故障模型的参数学习算法
借鉴用于训练多层前馈神经网络的标准反向传播算法，利用梯度下降的方法使某个目标变量的实际值与计算值之间的均方差最小，从而实现对贝叶斯网络参数进行修正。贝叶斯网络参数调整的梯度算法公式[5]如下：
(1-3)
其中，cij是从节点Ni到节点Nj的条件概率，其取值范围为[0,1]，是学习率，δj是节点Nj的误差。对于输出节点，δj定义为：
(1-4)
其中，第j个目标变量Nj取真值的真实信念，第j个目标变量Nj取真值的信念预测值。对于隐层节点，从子节点Nk反传到父节点Nj的误差可由下式计算：
（1-5）
***1-4 线路故障模型
Fig.1-4 The faultdiagnosis model of transmission lines
其中，δk是节点Nk的误差。
除了Noisy-Or和Noisy-And节点外，网络中还可以包含代表逻辑“非”的节点。免费论文，农村电网。可以根据下面算式计算“非”节点的信念：
(1-6)
其中，Nj是一个“非”节点，Ni是它唯一的父节点。免费论文，农村电网。
随机初始化节点间的条件概率cij后，利用样本和上述参数调整的梯度算法公式（1-3）~（1-6）对线路故障模型的参数分别进行训练学习，学习结果（条件概率cij）已分别标于***1-4中。对这组训练样本重复循环训练直到达到要求的预期输出为止。对确定性故障样本，训练输出在0.7~0.95之间，对确定性没故障样本，训练输出在0.0~0.1之间。
2.3诊断方法
利用断路器的实时信息，采用实时结线分析方法来识别故障前与故障后的系统拓扑结构，之后找出两个拓扑结构的差异，即为停电区域，故障元件肯定在停电区域之中。确定停电区域后，依次将停电区域内每个元件相关的保护和对应的断路器信息代入相应的经参数学习修正后的故障诊断模型，应用公式（1-1）、（1-2）推理得出每个元件的故障信任度。故障信任度在0.7以上的元件为确定性故障元件, 在0.1~0.7之间元件为可疑故障元件，在0.1以下的元件属确定性没故障元件。
3 结论
本文对贝叶斯网络在高压电网故障诊断中的应用进行了研究，应用Noisy-Or、Noisy-And节点模型和类似BP神经网络的误差反向传播算法建立了输电线路故障诊断模型。免费论文，农村电网。所建立的故障诊断模型通用性强，不随电网结构变化而变化，具有语义精确、推理快速、学习效率高、容错能力强等特点，并应用公式推理得出每个元件的故障信任度，根据故障信任度确定元件有无故障。
参考文献
[1]杨其余.配电网络[M].北京:中国电力出版社,1998.
[2]CIGRE TF 38. 06. 03, 1993. Practical Use of Expert Systems inPlanning and Operation of Power Systems. ELECTRA,1993;(2):31-68.
[3]A.G. Jongepier. Neural Networks Applied to Alarm Processing, Proceeding of 3rdSymposium on Expert Systems Application to Power System （ESAPS）, TokyoKobe, Japan,1991:615-621.
[4]F.S. Wen. Probabilistic approach for fault-section estimation inpower systems based on a refined genetic algorithm[J].IEE Proc-Gener. Transm.Distrib., 1997, 144( 2):112- 115.
[5]SowmyaRamachandran. Theory Refinement of Bayesian Networks with HiddenVariables[PH.D.Thesis]. Austin: The University of Texas at Austin, 1998
网络故障诊断篇9
1人工神经网络故障诊断法
利用神经网络进行故障诊断，首先对所得的特征数据进行预处理，剔除不合理数据（外值），并对数据进行约简，消除冗余信息，神经网络的结构（中间层的传递函数和神经元数目）和参数（神经元之间的连接权值和阀值）被确定。再利用测试样本集对此神经网络进行测试，如果故障诊断的正确率没有达到要求，增加训练样本或训练次数，继续对神经网络进行训练；如果故障诊断的正确率达到要求，即可转入故障诊断阶段，此阶段可以***进行。
2基于专家系统和模糊推理的故障诊断法
模糊推理是采用模糊逻辑由给定的输入到输出的映射过程。首先，利用专家的知识和经验构建知识库，对故障与故障现象、现象与现象以及故障与故障之间的关系进行描述。然后通过专家定制、确定性规则转化、数据挖掘或神经网络技术确定模糊规则。最后通过模糊推理机，得到故障的类型和位置信息。
3基于支持向量机（SVM）的故障诊断法
支持向量机作为一种机器学习算法，具有非凡的泛化能力，与其它智能化方法相比，在解决小样本、非线性和高维模式识别中表现出明显的优势，被应用于***像处理、模式识别和数据分析等领域。从本质上来说，网络故障诊断实际上是一个模式识别问题，可以利用支持向量进行网络故障诊断，具体步骤如下：（1）网络状态信息获取并约简，并将特征数据分为两部分：训练样本集和测试样本集；（2）选择支持向量机的初始化参数，包括核函数的参数和惩罚参数等；（3）利用训练样本集对支持向量机进行训练，得到最优分类超平面； （4）利用测试集检验诊断效果，如果诊断的正确率没有达到要求，增加训练集中的样本，对支持向量机重新进行训练；（5）如果诊断的正确率达到要求，则转到正式工作阶段，进行***故障诊断。
网络故障诊断篇10
关键词：BP神经网络；故障诊断；滚动轴承
中***分类号：TP18 文献标识码：A文章编号：1009-3044(2011)04-0866-02
Research on the Application Technology in Diagnosing Fault of Antifriction Bearing with BP Neural Network
WANG Hai-wen, YANG Kun-yi
(Southwest Jiaotong University，Chengdu 610031)
Abstract: The vibration signal of Antifriction Bearing contains abundant message of working condition and Fault Feature, characteristic parameter drawn from vibration signal could distinguish Beering working condition effectively. Through collecting vibration signal and building Neural Network Based on vibration signal in Beering fault diagnosis，the initial data trained by Neural Network enforce Beering fault diagnose finally.
Key words: BP Neural Network；Fault Diagnose；Antifriction Bearing
在各种故障诊断算法中，神经网络的优势非常明显。基于神经网络的诊断方法就是利用神经网络对机械故障进行模式分类。神经网络直接用于故障诊断时，要先确定特征参数组成输入向量，以故障原因作为输出向量，利用典型样本学习所得权值进行模式识别。
滚动轴承故障诊断的目的是保证轴承在一定的工作环境中承受一定载荷以一定的转速运转、在一定的工作期间内可靠有效地运行，以保证整个机器的工作精度。与此目的相对应，轴承故障诊断就是要通过对能够反映轴承工作状态的信号进行观察、分析和处理来识别轴承的状态。准备讲就是能够诊断出轴承的故障类型、故障严重程度及故障的具置。
1 BP神经网络学习算法
BP网络学习算法又称误差反向传播多层前馈神经网络，用于故障诊断的步骤如下：
1) 通过信号监测和分析。抽取反映被检测对象的特征参数，如(x1,x2,…,xn)作为网络的输入模式。
2) 对被检测对象的状态类别进行编码。例如，对于正常、故障1、故障2三种状态，可将期望输出编码为：正常(0,0)、故障1(0,1)、故障2(1,0)。
3) 进行网络设计，确定网络层数和各层神经元数。输入层单元数由特征参数个数决定；输出层单元数由状态数和状态编码方式确定；隐层一般为1层，问题复杂时可取2层，隐层单元数的选择原则目前尚无理论依据，可根据问题规模大小凭经验确定。
4) 用各种状态样本组成训练样本，输入网络，对网络进行训练，确定各单元的连接权值。
5) 用训练好的网络对待检对象进行状态识别，即把待检对象的特征参数作为网络输入，根据网络输出确定待检对象的状态识别。
为提高网络的故障诊断性，可把使用中发现的错误判断作为训练样本加入训练样本集，对网络进行进一步训练，从而使网络的性能得到改善。
2 基于神经网络的滚动轴承故障诊断
2.1 滚动轴承常见故障特征参数选取
描述滚动轴承振动时域波形的常用参数指标有均方根值、峰值因子、谐波指标、脉冲因子、峭度和SQ指标。不同故障对应的特征不同，不同的特征参数对故障敏感度不同。这里选择均方根值、峭度、谐波指标和SQ指标4个参数组成表征滚动轴承运行状态的特征向量，并作为神经网络的输入参数。
2.2 建立BP神经网络学习样本
通过试验测得滚动轴承各种状态下的上述4个参数作为振动数据，经数据采集系统后，数据如表1所示。
2.3 输出状态编码
定义轴承各种故障类型的期望输出为：正常(0 0 0 0)，外圈裂纹(1 0 0 0)，内圈点蚀(0 1 0 0)，滚珠点蚀(0 0 1 0)，保持架损坏(0 0 0 1)
2.4 网络结构设计
利用训练函数train，传递函数('logsig'，'purelin')对网络进行训练，经过训练的网络可以对输人向量进行正确分类。但是网络的训练步数如果不合适，太少或太多都将会导致很不理想的结果，所以训练的步数的设定对于网络的性能影响比较大，所以这里将步数设置为250。模型采用3层BP神经网络，输入层为7个节点，对应于前一节介绍的10个时域特征向量，隐层节点数的选取目前尚无理论依据，可根据经验或通过训练学习后，考虑网络的学习次数和识别率综合比较后选定，本文选用隐层节点数为8，输出层节点数为4，对应于轴承的5种故障类型，BP神经网络的最终结构为N(7,8,7)。
2.5 神经网络的训练与诊断
对输入样本（表l中的7组数据）和已知的输出，进行神经网络训练，取学习效率为0.1，期望误差为0.001，最大训练次数为2000次，刷新频率为100。训练过程中网络误差变化情形如***1所示。
2.6 神经网络检验
为了检验神经网络的可靠性，利用表1种的10个样本对经过训练的神经网络进行测试检验。利用sim函数观察训练后的分类结果，如表2所示，可知第三个正常样本、外圈严重裂纹样本的诊断出现了错误，均误判为类别5。在训练样本中加入这2个样本，重新对网络进行训练后再诊断，同时改变网络参数，设置中间为10个神经元，训练后的误差曲线如***2所示，对样本重新诊断结果如表3。可以看出 ，经重新训练改进后，神经网络对各个样本的诊断结果均正确。
3 结论
通过检验样本(表3)数据的网络实际输出与期望值的比较，可以发现它们十分接近，输出结果比较理想。BP神经网络对被控对象的数学模型依赖程度较低，具有自学习、自适应、联想记忆、较强的容错性和非线性模式识别的能力，同时应用神经网络工具箱进行仿真的结果表明，基于BP神经网络的诊断模型是准确和可靠的，适合于滚动轴承多故障复杂模式的故障诊断。为滚动轴承诊断问题提供了一个较好的解决方案。
参考文献：
[1] 闻新,周露,李翔,等.MATLAB神经网络仿真与应用仁[M].北京:科学出版社,2003:303-311.
[2] 朱大奇,史慧.人工神经网络原理及应用[M].北京：科学出版社,2006:144-163.