文摘
广泛应用的通信,通信网络的作用变得越来越重要。当前网络维护方法仍局限于日常维护和维持中,没有一个完整的网络状态监测功能,无法评估网络状态,很难维持网络的严重恶化之前。网络故障只能由技术人员的专业知识,解决和维护效率不高,所以它是不可能及时而准确地诊断和定位错误,最终它将修复强行更换网络电缆的成本。介绍了网络故障分析,深度学习用于通信网络的故障诊断模型,最后,在实验部分,故障定位的结果进行了分析,几种方法进行了比较。仿真结果表明,该方法可以避免造成的错误生成的模型在一定程度上,提高了鲁棒性,网络故障诊断模型的通用性和准确性。
1。介绍
在本文中,我们提出学习一系列高层表示通过深入学习函数,也就是说,所谓的深处隐藏的恒等函数,验证。任何最先进的分类器可以根据这些高层表示面临学习验证(1]。本文展示了如何将这些传统方法无法解释为什么大神经网络在实践已经变得如此普遍,但我们的实验表明,先进的图像分类卷积网络训练随机梯度方法很容易兼容随机符号。与传统模式相比,我们的实验结果可以解释(2]。深入学习算法,特别是卷积网络,迅速成为一种很流行的方法,分析医学图像。论述了关键概念深入学习相关医学图像分析,总结了一些对这个领域的贡献,其中大部分出现在过去的一年中,并讨论了开放的挑战和未来的研究趋势3]。在这里,我们表明,序列特异性从实验数据可以确定深度学习的技术,它提供了一个可扩展的、灵活的和统一的计算方法进行模式发现。使用各种实验数据和评价指标,我们发现深度学习优于其他最先进的方法(4]。我们提出一个新的深卷积神经网络结构,这是受远见,远见模块被深可分割的卷积(5]。点云是一个重要的几何数据结构。在本文中,我们设计一个新的神经网络,利用点云直接和尊重安排访问点的方差。(6]。本文展示了如何使用非线性semi-supervised嵌入算法一起“浅”的学习技术。这种技术提供了一个简单的semi-supervised深度学习,而产生竞争错误率与这些方法相比,现有的浅semi-supervised技术(7]。准确和及时的交通流信息是非常重要的成功部署智能交通系统。本文提出了一种新的基于深度学习的交通流预测方法,这本质上认为时间和空间相关性。通过观察研究结果,我们可以知道交通流预测方法提出了更好的预测性能;(8]。近年来,网络在工业和医疗领域发展迅速。NB-IoT无线通讯和低功耗宽带技术是基于新的物联网设备,使各种服务。它的性能分析和仿真结果表明,该检测机制可以提高传输效率,有效降低网络通信失败功耗(9]。卫星通信的迅速发展,越来越多的无人值守地面终端向外扩张为本地客户服务。摘要信噪比(信噪比)信号行为衡量接地端子与不同类型的可能的错误,和终端故障识别(TFI)系统。通过对实际数据的分析,验证了此方法的有效性(10]。微机保护是保护装置的智能时代。本文研究了异常中断保护通道数据的基础上分析继电保护和记录管理系统(PFRMS)和通信网络管理系统(CNMS) [11]。快速增长的通信网络的规模和复杂性,本文提出了一种有效的报警关联和故障识别方案基于OSI管理对象类快速独立的故障源。该算法使用管理对象类依赖图,观察研究结果,我们可以看到,该算法是简单的实现12]。广域保护系统的原理和算法(wap)已经得到了极大的发展。介绍了大型安全通信系统的可靠性评价方法。最后,在IEEE CSWAP 11-bus系统为例,分析和总结了CSWAP的可靠性影响因素,并验证该方法的有效性13]。复杂的通信网络,这些网络中传输的信息量使它越来越难以管理这些网络。在本文中,一个新的事件关联故障的识别方案通信网络,提出了基于代数运算集(14]。摘要断层数据的新方法识别基于subbasis函数,提出了和pre-whitening匹配检测方法提出了水下船舶通信网络。水下船舶通信网络模型和通信信道模型,和故障数据信号分解为多个窄带信号,可有效提高水下通信质量(15]。
2。网络故障分析
从网络的角度划分,网络架构如图1。系统模型的基础上,我们总结了常见的网络错误,如表所示1。
从表可以看出1NFV概念和网络分割比4 g 5 g的突出特征,所以部署5 g网络还应该考虑在这些领域可能的中断,提前采取预防措施。随着网络切片技术的引入,以下问题需要注意:
2.1。粒度
切片可以满足不同的在线服务的需求和不同的用户组。然而,片的数量和切割方法切片时需要解决的问题。除了足以提供足够的灵活性,切片的单位可能不符合要求特定类型的网络,而切单位管理和部署太小。
2.2。灵活性
如果切片可以非常灵活地使用,它有一些实时性能,就像4 g政策控制体系结构。然而,切片太灵活,和网络管理的成本和风险略有增加。毕竟,稳定性和可靠性也在网络管理需要考虑的问题。此外,推出新的服务不是一蹴而就,它需要大量的业务准备和分析。
2.3。资源分配
网络分割技术的应用复杂网络的操作。运营商必须能够快速配置网络资源在最短的时间内根据客户需求,提供灵活的高度兼容的服务。未能及时配置网络资源将导致网络拥塞。
2.4。隔离
网络切片技术必须支持各种网络组件的隔离。如果板不符合绝缘要求,其他部分的性能将受到影响。
观察表1显示故障感知深度强化学习算法的精度超过95%,定位精度高,较小的延迟和杰出的应用程序的性能与现有故障感知算法。
3所示。故障诊断建模基于深度学习的通信网络
整个电信网络的误差特性数据智能电站有大量的数据,这不利于传统方法处理错误特征数据。
因此,本文提出了一个深刻的学习方法,通过机器学习创建一个诊断模型,代表了断层特征之间的非线性映射关系和位置所示公式(1),实现故障处理和分析。同时,它具有高维误差特征。 地点:代表了jth故障特性集;表示jth通信网络故障代码。
3.1。自动生成故障样本的方法
为了实现自主培训的故障诊断模型,有必要为通信网络提供故障样本集。收集历史的失败是很常见的获得一个数据库,但这种情况需要一定量的积累,因为设备的高可靠性,操作设备故障的不足。因此,除了历史错误数据样本,需要自动生成正确的和可靠的错误样本。
根据贝塞尔的系统定义和基本原则,本文认为电信网络作为一个整体,并引入了外部因素(如随机组件失败,网络拓扑修改、网络组件配置,等等)。
的状态向量年代公式所示 在哪里一个是实际的消息的传输路径。
输入向量我公式所示
在上面的公式中,是通信网络组件的工作模式;H是电信网络的操作环境参数。
指令生成方法可以获得的实例存储在数据库中根据一定的操作模式 。如公式所示
在上面的公式中,是jth故障样本。
3.2。基于DBN的故障诊断模型
DBN广泛用于图像识别等领域,因为它可以处理水平和垂直高维输入,并描述输入和输出之间的非线性关系和多层结构。此外,由于高维数据的冗余度,它具有良好的容错性和仍然可以产生数据丢失/错误的准确值。因此,本文运用DBN建立通信网络的故障诊断模型。
DBN栈是由几元,和断层之间的关系特征和故障位置的电信网络是由几个隐藏层实现诊断和分析操作。输入故障特性输入层 ,输出级通信网络故障定位 ,在哪里N是通信网络组件的总数,是指是否我th组件在网络是否有缺陷,如果组件是错误的, ,否则,它是0。
DBN增加通过贪婪无监督学习训练的过程,也就是说,只有使用故障属性数据预置网络参数,以避免局部最优解由任意的网络参数。
的能量函数,定义元公式所示 地点:和是可见的层和隐层神经元的状态分别为遏制, 是遏制网络参数,在哪里和的偏移值隐藏层和可见层分别和连接的重量吗我层神经元和th可见jth隐层神经元;和是在视觉层和隐层神经元的数量,分别。
根据公式(6),我们可以得到概率分布公式
CD算法重建输入层正面和负面的方向,见公式(8)和公式(9)
网络参数是根据更新错误,如图所示由公式(10)- (12) 在哪里是学习速率。
在调整过程中,一般的BP算法是用来监督整个DBN的学习。所有指令的例子是用来计算之间的MSE和梯度DBN输出层和目标输出,并调整网络参数相反方向的梯度。优化的目标函数所示(13),和网络参数的匹配所示(14)。 地点:是第i个样本的诊断结果;是的实际故障的第i个样本。
4所示。实验分析
4.1。仿真结果分析
模型训练是单核CPU计算机上进行的,和迭代时间模型的训练过程是5000次。故障检测的准确性对不同的故障定位算法如图所示2和表2。当前算法AA, GA和足总。
4.2。故障定位结果的分析
4.2.1。准备单一故障定位分析
系统中只有一个故障是一个错。通过验证测试集,我们分析在这种款的有效性。结果如表所示3和4。
看表3和4我们可以得出结论,是款非常有效的定位各种故障类型。
在故障定位的过程。当发生故障时,通过开关迅速下降,交通异常流量报警触发,如表所示5。此外,因为相关的辅助设备不能正常接收这些消息,它将发送一个消息给接收一个例外。因此,和组成的报警信息由公式(15)和(16)。
的形成X用作款模型的输入,得到失败的结果所示公式。
交联方法定位通信网络故障只根据消息接收状态。在这个例子中,由于获得的故障定位结果的失败相关的二次设备正常接收消息所示。
流量测定方法定位通信网络故障仅基于一个国家,导致故障定位结果所示。
比较故障定位的影响,我们使用相同的评价指标。
观察计算结果,在本章提出的方法的结果是0。在本章提出的方法可以减少可疑故障的范围和提高操作和维护的效率。
根据上面的计算方法,得到数据如下表所示6。
观察上面的表中,我们可以得出结论,本文提出的模型的结果低于其他两个模型,所以它可以有效地提高故障定位的准确性。款可以达到这种效果,因为它是更合理的数据处理。
4.2.2。多重故障定位分析
系统中有多个故障同时,叫做多的缺点。这些缺点可以位于一个位置或在不同的位置。
当发生故障时,快速开关的交通将会下降,从而引发交通报警,结果如表所示7;因为相关的辅助设备不能正常接收这些消息,它也将给异常报警;此外,合并单元1和5将出具设备异常报警保护装置。因此,和在故障特性集X由公式(由报警信息显示20.)和(21)。
进入故障特性集款,结果显示在公式。
根据上面的分析过程中,两个端口的状态用于故障定位。然而,由于发送的链接两个端口不相交,定位的结果是一个空集。
表达的结果
100组数据样本通过随机模拟各种复杂的故障场景在故障环境构成了这个方法的有效性验证。使用上述模型,计算所有样本的错误,结果如下表所示8和9。
4.3。网络故障检测和诊断的结果
使用网络故障检测和诊断的想法基于AWGAN-GP提出了在这一节中,选择函数后,AWGAN-GP算法学习样本收集的数据按照一定的规则从真实网络环境。在任何网络模式。获得大量的模拟数据和标签在网络的任何地方。在故障诊断模型中,使用真实数据作为测试数据来测试模型。此外,生成的虚拟数据生成电阻网络作为训练数据训练故障检测和诊断模型。为了更好地证明该算法可以产生可靠的虚拟数据,选择几个经典分类算法模型的故障诊断模型,本章对验证。
首先,本节的仿真数据和原始数据生成的筛查工作之前和之后分别作为训练数据和仿真数据和实践和测试各种故障诊断模型。仿真结果如图3和4。连续迭代使每个分类算法的性能更稳定,和每个分类模型的故障诊断准确性前后筛选应用特性是根据表排序10。从表中我们可以看到,每一个故障诊断模型函数后进行筛选。错误诊断的准确性高于未经训练的特征筛选模型,这表明,虽然最初的小样本大小是增加了创建最终的仿真样本,生成的数据的分布不符合原始数据集。因此,如果我们能过滤掉虚拟样本违反原数据集的分布规律,我们可以有效地提高下一个分类器的分类精度。
另一方面,考虑到检测和诊断网络故障时,功能筛选后,减少了训练模型的输入参数,模型的学习时间也相应减少。最后的时间,故障排除表所示11。本章中描述的过程花费更少的时间来诊断网络故障期间特性比没有过滤过滤功能后故障排除。针对网络故障检测和诊断的准确性和时间模型,本章最后选择XGBoost模型作为最终的网络故障检测和诊断模型。
实验结果表明,本文提出的模型可以更准确地定位故障定位在处理高维特性集;此外,特征信息的影响下损失或假阳性,款还可以准确地定位故障点,因为它出色的稳定性。
5。结论
辅助系统由二次设备和通信网络是智能变电站的正常运行的基本要求。目前,有许多缺点的方法定位在智能变电站二次变电所。主要表现在疲软状态数据处理能力,故障定位精度低,抗干扰能力差。本文根据现有的研究,提出了一种新的智能故障定位方法。为了克服遇到的困难在智能变电站故障诊断的过程中,我们采用一种新方法。本文提出一种方法基于款。首先,故障冗余状态监测分析特征,各控制节点获得的数据在不同的位置,并提出了故障特征信息的表示。其次,由于这一原则的应用,将生成大量的样本,这将扩大训练样本。最后,结合深度学习,建立了模型。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作的部分赞助由工业大学合作合作教育项目(202102453006)。