多层免疫故障诊断模型的研究

借鉴生物免疫系统的分层防御机理以及层次间的相互刺激作用,提出了用于网络故障诊断的多层免疫诊断模型。模型采用三层结构,包括固有诊断层、故障传播识别层和适应性诊断层。固有诊断层考虑故障在发生概率上相互独立的已有知识,故障传播识别层采用B细胞免疫网络作为故障定位的故障传播模型,适应性诊断层学习和概括未知故障中发现的模式。多层故障诊断方法既能检测出已知故障,又能检测出未知故障。采用网络故障传播模型及定位算法,能找出最优的测点组合诊断所有的故障,可以减少需测测点的数量。     

基于Petri网和多源广域同步信息融合的配网故障定位方法

针对现有配电网故障定位技术存在的不足，提出了利用Petri网和多源广域同步信息的配网故障定位方法。分析了含有分布式电源的配电网络故障电流情况，给出了相应的开关函数和适应度函数。针对含有分布式电源的配电网络，说明了故障指示器在发生故障时的工作原理。针对网络中含有的保护装置、配自开关、故障指示器等多源信息，提出基于模糊Petri网故障诊断模型，说明了基本推理方法和故障诊断模型的建立原则，并给出了相应的故障判断流程。对提出的方法进行了仿真分析，说明了利用多源信息融合Petri网的方法，能够有效判断含有分布式电源配电网络故障区段。     

网络故障诊断关键技术

由于网络故障不可避免,这就要求对网络出现的故障进行管理。但是网络故障信息通常表现出复杂和不确定性的特点,要准确的对故障进行检测和定位是相当困难的,特别是故障定位。重点分析了故障定位的原理基础上．介绍了利用专家系统、神经网络和贝叶斯网络等人工智能技术,对症状和故障之间的因果关系进行推理的故障定位技术。     

网络故障诊断关键技术

由于网络故障不可避免,这就要求对网络出现的故障进行管理。但是网络故障信息通常表现出复杂和不确定性的特点,要准确的对故障进行检测和定位是相当困难的,特别是故障定位。重点分析了故障定位的原理基础上,介绍了利用专家系统、神经网络和贝叶斯网络等人工智能技术,对症状和故障之间的因果关系进行推理的故障定位技术。     

基于二分图模型的在线社交网络故障检测

在线社交网络现已呈现出规模化和复杂化的趋势,一旦发生网络故障,会造成巨大损失。基于此,开展了利用二分图模型技术的在线社交网络故障检测研究,通过分析目前网络故障诊断技术现状以及常用的技术手段,构建网络故障传播模型,建立了故障源、故障时间、关联故障以及因果关系之间的联系,基于建立的二分图模型,采用拉格朗日算法进行故障诊断,引入了拉格朗日乘子,将复杂多元的目标函数分解成多个子问题,实现故障快速诊断检测。     

一种基于贝叶斯网络的集成的故障定位模型

故障管理是网络管理中最基本也是最重要的功能,目的是保证网络能够连续可靠地运行。故障管理可以分为两个主要的部分:故障检测和故障定位。其中故障定位是核心与难点。文中介绍了一种新的在症状收集时结合被动测试与主动探测,集成了被动诊断对网络正常的通信的影响较小以及主动探测方法可以快速有效地标识故障的优点。在诊断时采用贝叶斯网络来表示症状与故障之间的因果关系,利用不确定推理方法进行故障定位的模型。该模型包括故障推理、逼真度验证、动作选择三个模块。     

一种基于贝叶斯网络的集成的故障定位模型

故障管理是网络管理中最基本也是最重要的功能，目的是保证网络能够连续可靠地运行。故障管理可以分为两个主要的部分：故障检测和故障定位。其中故障定位是核心与难点。文中介绍了一种新的在症状收集时结合被动测试与主动探测，集成了被动诊断对网络正常的通信的影响较小以及主动探测方法可以快速有效地标识故障的优点。在诊断时采用贝叶斯网络来表示症状与故障之间的因果关系，利用不确定推理方法进行故障定位的模型。该模型包括故障推理、逼真度验证、动作选择三个模块。     

无线通信网络的建模及故障传播

针对级联故障在网络数学模型中展现的局限性,基于复杂网络和图论的基本原理,对无线通信网络进行建模,并对网络中的故障传播进行研究。根据复杂网络中的无标度模型,建立由网络节点和通信信道组成的线图模型。针对无线通信网络中的级联故障,分别从网络故障等级、节点容错能力大小、初始故障节点数目等方面研究故障在通信网络中的传播情况。仿真结果表明,线图模型能够更直观地体现网络特性,同时故障参数会影响级联故障在通信网络中的传播。     

基于网络拓扑结构的智能故障定位系统设计与实现

故障管理是网络管理的一个重要组成部分。故障在网络运行中不可避免,一旦故障发生,会在网络中传播。智能故障定位是实现网络故障管理自动化的关键。文章介绍了一个基于网络拓扑结构的智能故障定位系统的设计与实现,主要包括总体功能设计、智能故障定位算法的设计与实现等。     

基于事件关联技术的网络故障发现

本文在介绍了事件关联技术的基础上,讨论了网络故障管理中故障源的发现方法及技术,进而提出了一个基于事例推理(CBR)的网络故障源发现模型,并就故障发现策略进行了重要讨论。     

基于贝叶斯征兆解释度的链路故障定位算法

针对故障和征兆关系不确定的网络中故障定位算法检测率低和误检率高的缺陷,提出了一种基于贝叶斯征兆解释度的链路故障定位算法。该算法以概率加权的二分图作为故障传播模型,通过处理贝叶斯后验概率信息,定义一种新的参数贝叶斯征兆解释度,并基于该参数对可能链路故障进行判断,得出最优故障假设集合,实现链路故障定位。理论分析和仿真实验表明,该算法具有较低的计算复杂度,且在小规模不确定网络中具有较高的故障检测率和较低的故障误检率。     

传感器网络调试研究综述

越来越多面向不同应用领域的传感器网络被部署在真实环境中,帮助人们以新的方式观测周围的物理世界.然而,这些系统常常会出现各种不可预期的故障,能否快速有效地对这些故障进行检测、定位和修复,是传感器网络调试需要研究的重要内容.在概述了传感器网络调试问题之后,文章总结、比较了传感器网络调试过程中常用的系统状态信息获取技术,然后从故障检测、故障定位和故障修复3个方面综述了代表性关键技术及相关工具,最后探讨了该领域未来的研究方向.     

基于CNN-LSTM-PSO的私有云故障检测

有效对私有云系统进行故障检测对于保障IT系统稳定性及开展可靠性信息活动具有重要的实际意义。为此从私有云系统的历史趋势数据出发,将卷积网络(CNN)和长短期记忆(LSTM)循环神经网络结合,提出了基于粒子群优化算法(PSO)的CNN-LSTM-PSO的混合模型,实现对私有云的故障检测。采用X11算法等技术对数据进行预处理,使用CNN网络提取监控指标时序数据的相关特征信息,并通过训练LSTM网络参数建立CNN-LSTM预测模型,设计了PSO算法对预测模型进行参数选优,减小预测误差,并以高斯正态分布确定阈值范围,实现故障的精准检测。通过和传统单一预测模型以及现有的一些组合预测模型的对比,CNN-LSTM-PSO模型预测后结果的均方根误差、平均绝对误差和平均百分比误差都低于其余模型。实验结果验证了模型在预测效果上具备更高的精度和更快的预测速度,在私有云的故障检测中精确性和实时性都具有良好效果。     

采用编码输入的生成对抗网络故障检测方法及应用

针对传统基于生成对抗网络的故障检测方法中，生成器输入使用随机噪声，不包含训练集中有效信息造成模型检测效果不够理想的问题，提出一种采用编码输入的生成对抗网络故障检测策略。通过引入自编码器，基于最小化重构误差构建隐变量空间，将降维后的隐变量信息作为生成器输入以提升生成对抗网络的训练效果；进一步考虑故障检测方法中基于生成器的统计量计算成本高和对离群点敏感的问题，计算待测样本经编码后的隐变量到训练集隐变量空间中心点的曼哈顿距离，并作为新统计量进行故障检测。将所提故障检测方法用于田纳西伊斯曼过程及实际的磨煤机过程，本文方法较传统生成对抗网络故障检测在田纳西伊斯曼过程上报警率提升了13%，在磨煤机过程上各统计量报警率均得到了显著提升且本文所提统计量将传统方法中针对生成器的统计量大大降低了检测用时，从而验证了方法的有效性和性能。     

Genetic Algorithm Training of Elman Neural Network in Motor Fault Detection

Fault detection methods are crucial in acquiring safe and reliable operation in motor drive systems. Remarkable maintenance costs can also be saved by applying advanced detection techniques to find potential failures. However, conventional motor fault detection approaches often have to work with explicit mathematic models. In addition, most of them are deterministic or non-adaptive, and therefore cannot be used in time-varying cases. In this paper, we propose an Elman neural network-based motor fault detection scheme to address these difficulties. The Elman neural network has the advantageous time series prediction capability because of its memory nodes, as well as local recurrent connections. Motor faults are detected from the variants in the expectation of feature signal prediction error. A Genetic Algorithm (GA) aided training strategy for the Elman neural network is further introduced to improve the approximation accuracy, and achieve better detection performance. Experiments with a practical automobile transmission gearbox with an artificial fault are carried out to verify the effectiveness of our method. Encouraging fault detection results have been obtained without any prior information on the gearbox model.     

基于D-S理论的智能故障诊断关键技术研究与实现

以智能检测和故障诊断技术作为研究对象,分析了在智能故障诊断系统中用到的特征提取、模式识别和故障预测等关键技术,探讨了用于实现上述关键技术中的小波变换和人工神经网络算法。鉴于人工神经网络算法容易出现系统故障定位不准确性的不足,引入了D-S(Dempster Shafer)证据理论。首先用BP神经网络对故障信息进行局部诊断,然后利用D-S证据理论对局部诊断结果进行融合,进行全局诊断,得到最终的故障结果。D-S证据理论的引入,增大了诊断结果的可靠性和准确性,提高了诊断算法的适应性。在LabWindows/CVI的平台下,实现了智能故障诊断算法。     

基于马尔科夫预测的多传感器故障检测与诊断机制

随着无线传感器网络应用规模的不断扩大,各类应用中传感器故障检测与诊断成为系统正常作业、安全可靠性保障的关键技术。针对多传感器系统与节点工作过程定义3种状态,基于故障检测信息建立状态转移矩阵,通过马尔科夫模型预测传感器故障信息,为故障检测与诊断提供决策依据。另外,拓展数据包信息字段包括故障类型、节点定位等,故障处理后节点转移至正常状态后将故障处理和诊断特征等信息存储到网关或者汇聚节点,为改善故障检测精度和诊断效率以及系统资源利用率提供依据。实验结果表明：所提故障检测与诊断算法与传统算法相比,具有更高的故障检测精度,更短的故障诊断时延、能够准确判断故障类型等性能。     

移动通信网络的中性集故障诊断方法研究

随着故障诊断技术从面向网络设备逐渐向面向用户、面向业务的转变,故障识别能力和故障处理能力的不断提高,快速、准确地检测重大故障并及时收集重大故障信息,对缩短故障时长、提高工作效率、提升网络服务水平都具有重大意义。基于中性集故障诊断方法,本文提出一种故障特征权重和阶段数据权重的计算方法,并将此方法应用于移动通信网络的话音业务的故障诊断过程中。根据收集到的数据的统计分析结果,判断移动通信网络中未知故障样本的故障类型。通过举例分析,验证了本文所提出的故障特征权重和阶段数据权重设计方法的优越性。     

基于网络模型的输电线路缓变故障诊断方法

针对输电线路缓变故障的故障机理不明确,全系统的故障及时诊断和仿真困难等问题,提出了基于网络模型的缓变故障诊断方法。引入复杂网络集群划分中的模块性概念,解决了状态划分过程中的数据间相似度测度和划分测度问题。利用网络结构反映故障状态和特征,建立故障诊断网络模型,把输电线路故障诊断转化为子网络探测问题。通过多传感技术针对同一故障的多种故障表征,多层次多领域采集不同的特征量,选择故障反映灵敏度高的状态信息量,从而较好分析诊断故障。通过实验仿真对比,证明了基于网络模型的故障诊断方法对输电线路缓变故障诊断具有较高的正确率和容错性。     

An Automated Fault Diagnosis System Using Hierarchical Reasoning and Alarm Correlation

The increasing importance of computer networks in this information age demands a high level of network availability and reliability. As we become more dependent on networks in our so-called cyber-world, network faults and downtime become very costly. Sometimes, a slight fault may cause critical disruptions or remediless damages to the network while the network manager is lost among a large amount of alarm messages. Therefore, the development of a practical and effective system for network fault diagnosis becomes an imperative and critical task. In this paper, we develop a hierarchical domain-oriented reasoning mechanism suitable for the delegated management architecture. It is based on the causality graph of a refined network fault propagation model as a result of our empirical study. An automated fault diagnosis system called Alarm Correlation View (or ACView) for isolating network faults in a multi-domain environment is proposed according to the hierarchical reasoning mechanism. This diagnosis system not only provides the process of automated alarm collection and correlation, but also serves the function of efficient fault localization and identification. Furthermore, an alarm-to-fault mapping strategy is used to enhance the fault reasoning capability for uncertain network fault propagation.