智能性网络故障诊断（精选12篇）
智能性网络故障诊断 篇1
1、前言:
随着国际互联网的飞速发展, 使用计算机用户越来越多, 网络出现的故障也随之频繁。据某高校网络管理中心不完全统计, 发生网络故障次数较多, 还不包括雷击和被病毒攻击而引起的网络崩溃。如何预防网络故障, 如何合理急时的处理这些网络问题, 这些问题的存在己成了高校或电信老大难问题, 高校或电信投入大量人力与物力来解决这些问题, 但成效不大。随着网络规模不断扩大, 客户急需自己开办自己局域网。何以是最好的解决方案呢?针对这些问题, 本文将决策支持系统引入网络故障诊断中。
IDSS在网络故障的应用现状这几年中, 企业1T部门主管肩负的责任发生了显著的变化:一方面公司网络的规模和复杂性成倍增长, 越来越多的新业务被移植到网络环境中来运行;另一方面公司内各业务部门以及外部用户也越来越依赖于网络来完成日常的业务处理和通信, 任何网络或服务中断甚至性能下降都会对企业业务造成严重影响。同时为适应市场经济的严酷竞争, 控制1T投资和运营成本也成为了IT部门主管需要考虑的课题。IDSS在网络管理系统 (网络故障诊断体系为子系统) 方面应用不广, 虽然网络管理将来会趋向于智能管理, 但是网络体系过于复杂繁琐, 没有一个很好IDSS来适应, 也只能在某一方面能达到一定效果。现阶段, 我国网络管理还处在粗放式的采购管理, 缺乏数据集成, 决策数据太少等情况中。本文章提出在网络故障的应用是适合网络构建和网络综合管理。
网络故障诊断体系的提出随着我国计算机不断普及, 我国上网的网民越来越多, 据2006年中国互联网络信息中心 (CN-NIC) 411调查: (l) 网民总人数为13700万人, 95%信度下的置信区间为【13362万人, 14038万人】。 (2) 按上网方式划分, 不同方式上网网民人数[数据出自于互联网络信息中心 (CN-NIC) ]专线上网网民人数2710万人拨号上网网民人数3900万人宽带上网网民人数9070万人手机上网网民数1700万人.上网计算机数:上网计算机总数为5940万台。在某高校一学期内, 网络维护统计:绝大多数都是重复维护计算机和设备, 特别是软件方面。为了提高设备效率, 减少维护量, 适应网民数量增大, 因此提出网络故障诊断体系 (网络管理诊断) 。
2、网络故障诊断体系
与传统的现场网络故障诊断与排除手段相比, 进行计算机网络管理 (网络故障诊断体系为子系统) 诊断有着巨大的优点, 但也不可避免地存在缺点。应该看到, 要进行计算机网络管理诊断是有着条件限制的。这个首要条件就是计算机整体或主干网能够正常启动、维护软件能够运行。在满足以上基本条件之后, 才有可能进行网络管理诊断。以下将对可能遇到的情况进行具体分析。网络故障诊断系统所维护的由计算机和交换机两大部分组成。计算机包括硬件和软件两大组成部分。所以, 当一个计算机网络不能按照要求运行时, 就存在了两种可性:计算机硬件故障和软件故障。因为只有在计算机网络管理诊断软件能够运行的情况下, 我们才有可能进行远程网络维护诊断, 故当所在计算机不能正常启动, 或者操作系统工作不正常的情况下, 我们可以指示操作管理人员通过更换计算机部分硬件或重新安装计算机操作系统及控制软件来解决问题。需要解决的重点问题是网络管理诊断软件所在计算机工作正常, 但诊断问题不时出现的情况。
2.1、建立数据模型
建立平等条件下的数据模型, 标出各个实体的键码, 那么这时的数据模型成为基于键码的数据模型。由于各个局域网有各自不同的库数据, 所得到的库就有所不同, 我以某高校的数据为例,
故障库:定义如下:Time＿id, user＿id, failure＿phenomena failure＿dispose, failure＿id
IP地址库:定义如下:IP, port＿IP, port＿number, Vlan＿id switch＿id
规划模型库: (用户小型局域网) 定义如下:time＿id, us-er＿id case＿model, case＿special, case＿scope,
IP与用户对应库:定义如下:IP, user, telephone＿number user＿address, failure＿number, lan＿id, failure＿dispose
用户使用情况库:、宁义如下:user, uselan＿no, port＿id switch＿id, down＿port＿no, port＿act, port＿lallure＿dispose
知识库:定义如下:Computer＿number, criterlon＿measure area＿nouse, computer＿routlng, server＿number, switch＿number lan＿request, lan＿remark
2.2、结构化设计
结构化设计技术是一种面向流程的设计技术, 通过它我们分解成多个层次的规模较小、结构比较简单的模块, 通过分别实现这些模块的设计而最终实现整个系统。
模块是可以组合、分解和更换的单元, 是组成系统基本要素, 属性为:功能、逻辑和状态。
系统模块化分图中, 我们可以看出故障出现以前和以后可以做的事情, 能够做的事情等各种情况。因此网络故障诊断分为五个小单位:范围查询、实时监控、故障申报、处理情况、规划查询。
范围查询:提供给用户故障查询界面, 故障查询结果;
在线诊断:对在线的IP时进行定期的网络维护, 防止网络病毒蔓延使整个网络瘫痪;
离线诊断:提供用户使用电话或电脑进行网络离线诊断, 诊断数据将传入知识库分析;处理情况:对故障处理结果及时反应到网络上, 并说明其是人工还是自动维护故障;
规划查询:对用户组网, 规划自身内部网络, 提供最佳处理平台;问题。其结构解释如下:
2.3、数据流程分析
在数据流程说明中, 当用户使用的电脑出现故障或用户对某故障问题需要得到圆满的解答, 用户通过了电话或另一台未出故障电脑进行网上申报或查询工作, 当用户通过电话或电脑进入调用故障诊断体系时都首先进入知识库, 知识库对传入的消息和数据进行分析, 用户所提的问题求得最佳故障解, 形成故障树。在这里知识库还要进行如图所示的分解即:故障, 规划。如果是故障会分成自动维护, 人工维护。这两种维护都对用户作出响应。而规划所求得最佳拓朴结构也将会反馈给用户。如果用户当前为申报所使用的电脑也有漏洞或病毒那么所提交的问题和本身存在的风险进行知识库, 问题将如上所述, 风险将通过知识库而进行打补丁。由于用户与电脑存在这一对多关系, 即:一个用户可有多台电脑, 一台电脑对应一个IP (自身建立的局域网不包括在内) , n个IP或电脑对应一个规划。图中说明各库内中的关键字段之间对应关系。我们在处理网络故障和预防网络崩溃时, 面临多而繁故障点查询, 以及更换网络设备和器件, 故障点确定在图中成了关键性环节。模型库里面的数据是维护人员根据多年维护经验, 合理有效的维护方法的数据总汇, 我们大量利用网络资源使维护诊断更具自动化。如上所述提高各项目确立需求中的各项指标。
2.4、图形用户界面设计
进入主界面时, 我们会通过上面的菜单选择自己所需要项目, 如果你一进网络管理系统主界面就直接运行在线诊断这一项, 网络管理系统主界面的选择按钮可以选择直接运行。我们再看看菜单里面各项界面, 将不再列出来, 只介绍在线诊断和离线诊断两项。在线诊断:当点击菜单上的在线诊断时, 这里的在线诊断分终端诊断和配置诊断两种, 我们选中终端诊断时, 子界面的左边出现可能的诊断选项, 右边则是可以用自己语言描述问题情况。当再次点击终端诊断时, 我们就会触发故障源搜索算法方式, 搜索你需要的问题。
在线诊断可以对终端进行在线故障诊断和故障问题搜索。可以对上面的交换设备进行分析, 得出结果。还能对用户所提出的问题进行分析和搜索, 加工, 最后得到结果。
值得注意的是:我们在在线诊断时, 当出现大面积网络瘫痪时, 我们可以通过网络管理 (故障与规划体系为子系统) 主界面直接进行诊断并切断有问题的计算机。部分计算机的在线诊断诊断子界面将不会起主要作用, 也就是说在线诊断诊断子界面受到限制, 但可以通过网络管理主界面可以解除此类限制。
离线诊断:离线诊断与在线诊断类似, 只要是离线诊断会有离线传送, 传送的分类我们在离线诊断分类中已经讨论过了, 我们在这里将不再提及。离线诊断子界面中包括:网线故障诊断、计算机诊断、交换机诊断、路由器诊断、配置诊断, 还包括了提出问题1和提出问题2。当诊断结束后会出现结束界面, 结束界面包括离线诊断分类, 让用户以何种方式来存储结果, 包括如下选项:电子邮件 (Email) 传递、I P传递、直接传递三个选项。在在线诊断和离线诊断结束后, 我们可以到菜单处理情况里查看处理情况, 查询自己终端和设备情况, 这些情况汇总也成为数据库重要的一部分。
范围查询是将在线和离线两个选项合在一起进行, 范围查询特点在于不分硬件诊断和软件诊断, 不分在线诊断和离线诊断, 在模型库、知识库、用户库等各库中查询自身所需要的问题答案。规划查询是一种特殊查询, 它针对于用户需要建立自己局域网时, 面临规划问题而单独设立的规划查询子界面。它的运用不再是模型库而是规划库, 在规划库中查询最佳规划问题。别的界面因篇幅原因不再一一举例介绍, 但我们可以通过上面介绍可以大致了解到别的界面几乎和这两图相似, 本体系功能基本上体现在在线诊断和离线诊断两子界面上, 规划体系类似此方法和界面。
参考文献
[1]中国科学院计算技术研究所。智能决策支持系统[M].[2007.10-01].
[2]史忠植.智能科学[M]。北京:清华大学出版社, 2006:
[3]李卫红.加强高校公共应急管理工作努力建设平安和谐校园社区:教育部通报,
[4]贾铁军.公安信息系统设计及应用[M]2版.北京:群众出版社, 2003.
智能性网络故障诊断 篇2
自进入21世纪以来，信息技术为广大居民的生产生活带来了很大的变化，机电设施也在整个生产过程发生着变化。在机械采矿中，添加了多种智能、自动化设施。由于是机械设施，在生产与运行中很容易出现各种问题，从而影响矿业发展。因此，在现实工作中，必须将诊断与维修技术作为研究重点，在将要发生或者发生故障时，对其进行预警，控制故障延伸，确保工作人员安全。
1故障诊断技术的总体概括
1.1设备诊断技术概念
从整体来看：故障诊断技术属于防护方式，它是在确保生产过程的条件下，让各个设备的参数满足最佳状态，然后再通过精密的仪表、仪器检测设备是否满足运行要求，是否有数值变化和破损现象。如果有异常，明确出现异常的原因，破坏程度，能否持续利用，能够持续利用的时间，然后再结合设备的受损度，看能否利用代替性的设备延伸时间，减小成本消耗。当然，这一切工作都是在正常的运行状态中才有效。
1.2故障诊断的技术原理
目前，应用在矿山机电设备智能故障诊断的技术主要包含：数字建模、数据采集、识别分析、状态预测和信息处理。数字建模是诊断智能故障的总规划和原则，它要求展现智能分析优势。例如：在数学模糊诊断中，A是可能发生的事实案例，B是数据库事例，通过对比A与B，在分析权值与特征的条件下得到准确的结果。数据采集，是矿山机电设备事先制定好参数值，然后再诊断设备，进行数值采集，用建模的方式对两份数值进行比对。一旦数值参数大于预设范畴、曲线变化，那么说明机电设备还存在问题。识别分析，是在掌握机电设备测试参数与原始参数的情况下，结合参数变化，从故障库中找到类似样本，再确认产生故障的原因。也只有智能分析与识别，机电设备诊断与检测才能达到智能要求。状态预测，是在预测、识别现有参数后，结合相关资料，验证机电设备运行状态，同时这种结果具有很好的可信性与真实性，该预测结果同时也是深入机电设备运行的有效条件。信息处理，则是一份有效的测试参数，它要求将数据模型变成参数模型，再通过分析等形式进行处理。它能准确分辨无用与有用信息，通过综合处理信息，找准诊断结果和过程分析后，最后得出一份理想的分析报告。
2矿山机电设备出现故障的原因
2.1配合关系
从检查已有设备故障反馈的信息来看，大多数故障都是零件原配变化或者损伤造成的。在这期间，零件损伤是零件原设计与形态出现偏离，这种偏离多数是机械使用或者内部因素所致。常见的零件损伤体现为：意外和老化损伤所致。
2.2超出设备负荷
在相关设备设计之前，工作人员都会对参数极限进行限制，一旦其输出参数超过设计极限时，它的运行状态就会遭到破坏，甚至出现不同程度的故障。如果是超负荷造成的故障，就必须对技术参数和相关设备进行调整，并且采用适当的方式，以帮助其改善承受力。
2.3设备损耗
设备损耗是在内外因素的共同作用下，随空间与时间的改变，其综合能力不断降低。造成这种情况的主要原因是：机件刚性不够、间隙过大、部件磨损与老化、相关设施磨损、系数过大、负荷增加、关键负荷的联接发生磨损与变形等。
3故障诊断在矿山机电维修中的运用
3.1诊断类别
从故障诊断的目的来看：它是对机电设施的计划与检修，以此保障各种生产设施运行的连续性。大致分成：事后检修、根据周期检修和状态检修。事后维修是机电设施发生故障的治理方案，不属于主动对策的范畴，而是大多数机电设施在没有准备的状态下采用的方法。因此，将事后诊断应用在矿山机电设施中的效果并不太理想，其检修质量也有待提高。周期检修相对固定，并且带着强制的特征，同时也是负责的展现。该方式方便易操作，大多数情况下是结合维修或者使用周期操作，从外看这种似乎会增加工人成本，事实上它是不可缺少的打基础部分，从某种角度来看它也是节约成本的体现，通过积极防护设施，延长相关设备的使用年限和周期，并且及时发现和修复问题，最大程度的避免问题带来的停产损失。因此，固定维修对矿山机电设备具有很好的作用，它能最大程度的做到防患于未然，从而降低经济损失。状态检修，是在数据分析的条件上，让每个工作人员负起对应的责任，然后再结合各种部件出现问题的时间推断故障时间。虽然这种预测不能准确捕捉时间，甚至还存在误差，但是能给企业警告的作用，避免措手不及的状况发生。在争取将设备控制在萌芽阶段的过程中，帮助其延长使用周期，减小安全隐患，以确保生产正常进行。
3.2诊断方法
首先是参考历史进行诊断记录，通过对局部系统和元器件进行排查，找出问题症结，这也是矿山机电设施诊断与维护的主要方法之一。一旦出现故障，对相关结论进行精细归纳，最后生成诊断集。第二次出现类似故障时，就能借用诊断路径与经验对其进行处理与诊断。它的优点是相同故障发生时，定位快速。其次是智能诊断，在控制系统、模拟人脑的基础上，获取、再生、传递、利用相关信息，最后利用已经准备好的经验策略。其具体包含灰色系统、模糊诊断、专家诊断、神经网络等方法。当前，应用最广的是神经网和专家体系，让诊断更加智能化。矿山机电设备故障诊断具有隐蔽性与复杂性，通过传统的方法进行精确、迅速的诊断。同时，专家系统能精确的应用专业知识与经验，通过模拟思维，对故障进行求解，最后得到结论。在人工智能诊断的基础上，借助计算机系统与已有经验解决故障。
4矿山机电设备故障监测的步骤
从整体来看：矿山机电设施故障诊断主要包含以下步骤：信息采集、处理、识别、建模和预测。在信息采集中，对机电设施运行参数、状况与数据信号进行有效监测，利用传感器传输的信息数据进行整理，最后放进网络进行存储，以备后续利用。信息处理，是对设备运行状态进行数据整理和识别。当然，在这期间，存在有用与无用信息之分，因此必须对相关信息进行区分与整理，剔除无用信息，并且转换数据，对具体信息进行有效分析，最后将数据变成设备能接受的信息与数据。信息处理与识别是在信息采集后，对相关信息进行识别与分析，包含数据分类、识别与分析，然后再将信息与之前得到的数据进行比对，最后得出设备运行中可能存在故障的区域、故障原因与类型。在矿山机电生产中，机电设施由多种信息数据和参数，并且和设施状态、是否存在隐患有着直接的关系。对此，必须建立起良好的模型，以确定和反映设备状态与故障之间的数学关系。预测技术是对机电设施的故障状况以及剩余使用时间进行预测，它能作为机电设施故障维修与保养的条件，从而避免机电设施出现不必要的故障。
5.结语
智能性网络故障诊断 篇3
【关键词】汽车机械；故障；诊断技术；智能化
汽车机械故障在汽车总体故障中占有很大比例。汽车机械故障对汽车的性能造成的影响也比较大，包括影响汽车的安全性、稳定性、操纵性及动力性等，严重会造成安全事故的发生，给驾驶人造成人身伤害。
1.传统的汽车机械故障诊断技术
传统的诊断方法有经验诊断法、通过仪器测量诊断法、利用大型检测诊断设备诊断法、车载自诊断法、诊断仪诊断法及计算机诊断等。
经验诊断法是最早而且最常用的一种机械故障诊断方法。它主要是依靠维修人员通过积累的维修经验对车的异常情况进行诊断。这种方法的缺点是费时费力而且准确度差。
利用仪器和大型诊断设备诊断技术提高了故障诊断的准确度的诊断速度，而且利用诊断设备可以记录存储故障情况，便于故障诊断经验的积累，但是这种方法投资比较大，尤其是大型诊断设备。
车载自诊断是汽车机械故障诊断智能化的标志。它是利用智能化的控制装置时刻监测汽车的相关数据是否偏离正常的设定值来判断汽车的故障情况。维修人员可以通过车载监测装置的提示迅速确定故障位置并将其排除。这种方法的缺点在于监测传感器的检测范围有限造成只能诊断部分故障。
诊断仪诊断法和计算机诊断法是目前比较先进的诊断技术，具有高智能化和准确度高的特点。随着技术逐渐成熟，这两种方法的应用越来越广泛。
2.汽车机械故障的诊断原理
汽车零部件的磨损、变形、断裂、腐蚀及老化的因素是造成汽车机械故障的主要原因。汽车机械故障的主要特征表现在振动异常、响声异常、温度异常、及运动副轨迹异常等。根据汽车的不同部位，故障表现的特征也有差别。车轮轴承及转向操纵机构的机械故障表现为其几何特性的改变；发动机气缸活塞组、冷却系统、润滑系统及轮胎气压的故障变现为部件的密闭性改变；汽车点火系统、发电机转速系统、电系统及灯光系统的故障表现为电光热的状态参数的改变；传统系统和发电机的故障表现为车体振动或者声频的改变；发电机供给系统、润呼系统及配合副磨损等的故障表现为润滑机油成分和排气成分的改变。
根据机械故障的特征信号的检测可以确定机械故障的类型及故障部位。主要的机械故障特征信号包括几何信号，压力信号、电信号及物质含量信号。几何信号包括角度间歇、自由行程、工作行程及侧滑量等；压力信号包括气缸压缩压力、机油压力、进气管真空度及轮胎气压等；电信号包括电压、电流、频率、相位、时域特性及频域特性等；物质含量信号包括机油粘度、金属杂质含量、机油中清洁剂含量及排气中特殊气体的含量等。
机械故障特征信号的获取是机械故障诊断的基础。振动传感器是获取振动信号的主要部件，其原理是将机械振动信号转换成电信号来表示振动参数（包括位移、速度及加速度等）。振动传感器包括电涡流式位移传感器、磁电式速度传感器及压电式加速度传感器等。电磁传感器是获取磨粒信号的主要部件，其原理是利用金属颗粒对磁场的扰动转换为对应的电压值，从而确定金属颗粒的尺寸，还可以利用相位的变化确定颗粒是否带电。热电阻传感器和热电偶传感器是温度信号获取的主要部件，热电偶的原理是不同材料的导体或者半导体构成闭合回路，两导体的温差会使其产生电压，从而将温度信号转换为电信号；热电阻是利用金属导体的电阻值随温度变化而变化的特征。
机械故障特征信号的分析是机械故障诊断的关键。特征信号的分析包括信号的预处理，时域分析及频域分析等方法。信号的预处理包括模拟信号的滤波、A/D转换及直流分量分离和数字信号的异常值处理。模拟信号滤波的目的是滤去噪声，消除干扰信号。时域分析法包括统计分析法、无量纲指标分析法、相关累积分析法及模型分析法等。频域分析法包括傅里叶分析、倒谱分析及小波分析等。经过特征信号的分析后，最终对故障做出诊断。常用的诊断方法包括残差分析法、距离分类法及逻辑判别法等。这几种故障诊断的方法的原理是根据不同故障特征确定一个对应的数学模型，然后通过观测模型本身参数的变化来判定系统的工作状态。
3.现代机械故障诊断仪
本文经过故障诊断原理的阐述，结合现代通信技术、检测技术及计算机处理技术等，提出了一种现代机械故障诊断仪的设计。
3.1硬件设计
诊断仪硬件部分包括计算机、微机控制系统、通讯模块、按键显示及检测接口等。诊断仪处理系统采用嵌入式的设计方法。诊断仪和汽车ECU之间的通信采用OBD—II通信模块，其设计原理为通过电压比较器来完成各总线协议与计算机之间的电平转换。总线通信采用CAN协议通信，其特点主要体现在成本低、极高的总线利用率、具有可靠的错误处理和检错机制及传输距离长等。
3.2软件设计
根据检测诊断任务的需要，软件系统完成的任务包括基本的操作功能（键盘及显示等）、故障诊断功能及数据传输。软件系统主要包括主函数模块、通信模块及诊断模块等。
主函数模块是软件的核心，主要负责各子函数之间的调用和任务分配。通信模块的主要任务是接收、识别及发送信号，包括收发函数和协议识别函数。收发函数由接收字节函数、发送字节函数、接收命令函数及发送命令函数四部分组成。协议识别函数的方法是发送特定的校验码与读取到的信息进行比较，若相同，则认为找到该协议，若不同，则认为找不到该协议。诊断模块包括传统的诊断模块和智能模块。诊断模块由读取故障码函数、清楚故障码函数、及读取数据流函数组成。
4.汽车机械故障诊断技术的发展趋势
随着汽车功能和结构的复杂程度加大，自动化程度的提高，针对汽车机械故障诊断技术的要求也越来越高。诊断技术的发展主要体现在以下几个方面：
4.1多功能化和人性化
车载自诊断系统和车外诊断仪的配合使用将越来越广泛。车载自诊断可以及时地监视汽车的行驶情况并记录故障数据，为汽车维修中心或安全部门提供汽车的实况数据，就像飞机的黑匣子一样。车外诊断仪将日趋人性化，例如易于操作、携带方便及价格便宜等。
4.2诊断智能化
诊断的智能化的主要体现为现代人工智能与诊断理论的结合。现代人工智能包括神经网络和专家系统等。神经网络可以有效的组织和运用积累的经验知识进行故障的诊断。目前神经网络应用于故障诊断的研究范例是BP神经网络在汽车故障中的应用。相对于神经网络，专家系统适合用于解决需要大量准也知识的问题。其实两者的结合是未来人工智能在故障诊断应用的发展方向。
4.3诊断信息的网络化
诊断信息的网络化可以实现各种车型故障资料的共享，维修人员不仅可以通过网络获得这些信息，而且可以网络平台传递诊断信息和维修经验，提高维修效率。随着无线通讯技术和电子技术的发展，远程故障诊断将成为可能。 [科]
【参考文献】
[1]肖云魁.汽车故障诊断学[M].北京：北京理工大学出版社，2006.
[2]王凯军.汽车性能综合检测与故障排除方法[J].汽车维修技术，2009，33（10）：85-87.
智能性网络故障诊断 篇4
随着计算机技术和网络技术的飞速发展和广泛应用,现代计算机网络的规模越来越庞大,结构和功能越来越复杂。当网络出现故障时,要求在最短的时间内,正确地判断出网络故障的位置、类型和原因,以便及时对故障进行修复。面对庞大、复杂的计算机网络,仅以人工方式很难处理网络中出现的各种故障。如何高效、准确地进行网络故障的定位、排除和恢复,是网络管理面临的重要课题。由于缺乏精确的数学模型和算法,传统的故障检测和诊断方法难以进行有效处理,人工智能的理论方法和工具为解决上述问题提供了新的方法。在分析网络故障基本特征的基础上,总结分析了基于专家系统、模糊逻辑、神经网络和多智能体系统的故障诊断方法的原理、优缺点及在网络故障诊断中的应用。最后对智能化网络故障诊断技术的发展趋势进行了展望。
随着网络结构和功能的日益复杂,越来越困难。基于人工智能的网络故障诊断方法为复杂网络故障诊断提供了新的解决方案。
2 网络故障基本特征分析
大型网络系统故障作为一种复杂系统故障具有如下的特征:
(1)层次性:网络系统在结构上由物理层、数据链路层、网络层和应用层组成,从而形成其功能的层次性,因此其故障和征兆也具有层次性。
(2)传播性:纵向传播,指物理层的故障相继引起数据链路层、网络层和应用层的故障;纵向传,指故障在同一层次传播。
(3)相关性:某一故障可能对应若干征兆;某一征兆也可能对应多个故障。
(4)不确定性:系统的故障和征兆具有随机性、模糊性和某些信息的不确定性。
对于复杂网络系统的故障诊断,由于其功能单元很多,各个单元及层次都有可能产生不同的故障,网络故障的巨大数量和复杂性使得很难对其进行精确状态描述和完整模拟。采用传统的故障检测方法难以实时、准确地判别出故障原因。因此,近年来基于人工智能的故障诊断方法的发展应用为复杂系统网络故障诊断提供了新的方法,下面对各种基于人工智能技术的故障诊断方法及其在网络故障诊断中的应用进行综述。
3 人工智能技术在网络故障诊断中的应用
人工智能技术是利用计算机实现通常与人类智能有关的功能,如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和为题求解等思维活动[1]。基于人工智能的故障诊断方法主要有专家系统、模糊逻辑、神经网络和多智能体系统(Multi-agent system,MAS)等方法。
3.1 专家系统在网络故障诊断中的应用
专家系统是一种模拟人类专家解决领域问题的计算机程序系统。专家系统能够运用人类专家的知识和解决问题的方法进行推理和判断,模拟人类专家决策过程,来解决该领域的复杂问题[2]。
基于产生式规则的专家系统是构建专家系统最常用的方法,基于产生式规则的故障诊断专机系统是根据以往专家诊断的经验,将其归纳成规则,通过启发式经验知识进行故障诊断[3]。基于规则的专家系统具有知识表示直观、形式统一、易于理解和解释方便等优点。但是复杂网络系统故障征兆与原因之间的联系相当复杂,通过归纳专家系统来获取规则,存在知识获取困难、容易产生规则冲突、组合爆炸等问题。
针对基于产生式规则的网络诊断专家系统知识表示方法不完备和知识获取方法不灵活等问题,刘培奇等[4]提出一种具有自然语言接口的网络故障诊断专家系统设计模型,采用概念图和产生式规则相结合的扩展产生式规则知识表示(EPR方法),可以将Internet上有关故障问题的汉语语句转换成概念图,经过专家系统推理后,将推理结果和推理过程转换成汉语输出。
3.2 基于模糊逻辑的网络故障诊断法
在网络故障诊断中,有些故障和征兆之间的关系往往是模糊的,故障与征兆之间的关系很难用精确的数学模型来表示,这些故障称为不确定性故障。模糊逻辑提供了表达和处理模糊状态的机制,能够处理网络故障诊断中的不确定性信息。
模糊诊断方法利用集合论中的隶属度函数和模糊关系矩阵的概念来解决故障和征兆之间的不确定性关系。基于模糊逻辑的故障诊断首先需要构造隶属度函数,然后建立故障现象和征兆之间的模糊关系矩阵,再通过模糊关系方程进行故障诊断,得出结论。另一种方法是利用隶属度函数,建立故障与征兆之间的模糊知识库,再进行模糊逻辑推理。
基于模糊逻辑的故障诊断方法具有启发性,类似人类思维过程,能够处理不确定性故障。但故障征兆和原因之间的模糊关系较难确定,隶属度转换困难,且模糊推理知识获取困难,推理能力依赖模糊知识库,学习能力差。
3.3 基于神经网络的网络故障诊断法
故障诊断的核心技术就是故障诊断模式识别,人工神经网络作为一种重要的模式识别方法,故障诊断也是其重要应用领域[5]。人工神经网络是一种模拟人脑组织结构和人类认知过程的信息处理系统。
人工神经网络在网络故障诊断中的应用主要从模式识别的角度作为分类器进行故障诊断,以故障征兆作为神经网络的输入;通过故障实例及诊断经验的训练和学习,用分布在神经网络中的连接权值来表达所学故障诊断知识,以故障诊断结果作为输出。
基于神经网络的故障诊断法具有并行分布处理、自适应、联想记忆等优点,有利于克服专机系统知识获取瓶颈、知识库维护困难等问题,但由于神经网络技术学习速度慢、训练时间长、解释能力弱,从而影响了神经网络的实用性。
3.4 多智能体技术在网络系统故障诊断中的应用
利用专家系统、模糊逻辑或者神经网络方法可以解决一些简单的故障诊断问题,但是大型网络系统是一个分布式的复杂系统,采用单系统方法往往不能满足要求,需要多个系统协作共同解决问题。多智能体系统是当前人工智能研究中的前沿和热点领域,多智能体系统是由多个可计算的智能体组成的集合,通过对问题域的描述、分解和分配,将大的复杂系统分解成小的、相对简单子系统,并协调各子系统并行、相互协作的进行问题求解,适合于大规模复杂系统的故障诊断问题求解[6]。
网络系统可以看作一个异构、分布、开放的复杂分布式人工智能系统,因此可以利用多智能体理论和技术来研究网络系统分布式故障诊断问题。多智能体具有自主性、分布式、协调性,并具有自组织能力、学习能力和分解能力。但如何将复杂网络系统合理分解以及多智能体之间的协调通信问题是多智能体技术在网络故障诊断中面临的主要问题。
4 结语
对网络系统进行故障诊断,要根据实际情况,如故障信息、用户需求等,选择合适的故障诊断方法,力求准确、快速诊断故障原因。复杂网络系统由于自身结构和功能的多层次性以及环境因素复杂等,一般故障诊断方法难以满足网络系统故障诊断的全部任务要求。随着人工智能和模式识别技术的发展,复杂系统的故障诊断方法也有了很大发展。基于人工智能技术的故障诊断方法内容越来越丰富,融合各种智能方法的故障诊断方法不断发展,如结合专家系统和神经网络的故障诊断方法、模糊神经网络方法、模糊专家系统方法以及分布式专家系统方法等。通过引进及其学习和数据挖掘技术,改进现有智能诊断系统的知识获取和推理能力,也是复杂系统故障诊断领域的发展趋势。
摘要：随着网络结构和功能的日益复杂,高效、准确地进行网络故障诊断越来越困难。基于人工智能的故障诊断方法为网络故障诊断提供了新的解决方案。针对网络系统故障的特点,分析了基于专家系统、模糊逻辑、神经网络和多智能体系统的网络故障诊断方法的原理、特点和应用。对智能化网络故障诊断研究的发展趋势进行了展望。
关键词：网络故障诊断,专家系统,模糊逻辑,神经网络,多智能体
参考文献
[1]蔡自兴,徐光祐.人工智能及其应用.北京:清华大学出版社,2004.
[2]杨兴,朱大奇,桑庆兵.专家系统研究现状与展望.计算机应用研究,2007,24(5):4.
[3]杨良士.动态系统故障诊断的新方法-专家系统.信息与控制,1998,17(5):26.
[4]刘培奇,李增智,赵银亮.扩展产生式规则的网络故障诊断专家系统.西安交通大学学报,2004,38(8):783.
[5]彭羽,樊锐,刘强.基于人工神经网络的电路故障诊断系统.系统工程与电子技术,2002,24(1):116.
网络故障诊断初探 篇5
物理层是OSI分层结构体系中最基础的一层，它建立在通信媒体的基础上，实现系统和通信媒体的物理接口，为数据链路实体之间进行透明传输，为建立、保持和拆除计算机和网络之间的物理连接提供服务。
物理层的故障主要表现在设备的物理连接方式是否恰当;连接电缆是否正确;MODEM、CSU/DSU等设备的配置及操作是否正确。
确定路由器端口物理连接是否完好的最佳方法是使用show interface命令，检查每个端口的状态，解释屏幕输出信息，查看端口状态、协议建立状态和EIA状态。
2. 数据链路层及其诊断
数据链路层的主要任务是使网络层无须了解物理层的特征而获得可靠的传输。数据链路层为通过链路层的数据进行打包和解包、差错检测和一定的校正能力，并协调共享介质。在数据链路层交换数据之前，协议关注的是形成帧和同步设备。
查找和排除数据链路层的故障，需要查看路由器的配置，检查连接端口的共享同一数据链路层的封装情况。每对接口要和与其通信的其他设备有相同的封装。通过查看路由器的配置检查其封装，或者使用show命令查看相应接口的封装情况。
3. 网络层及其诊断
网络层提供建立、保持和释放网络层连接的手段，包括路由选择、流量控制、传输确认、中断、差错及故障恢复等。
排除网络层故障的基本方法是：沿着从源到目标的路径，查看路由器路由表，同时检查路由器接口的`IP地址。如果路由没有在路由表中出现，应该通过检查来确定是否已经输入适当的静态路由、默认路由或者动态路由。然后手工配置一些丢失的路由，或者排除一些动态路由选择过程的故障，包括RIP或者IGRP路由协议出现的故障。例如，对于IGRP路由选择信息只在同一自治系统号(AS)的系统之间交换数据，查看路由器配置的自治系统号的匹配情况。
五.路由器接口故障排除
1. 串口故障排除
串口出现连通性问题时，为了排除串口故障，一般是从show interface serial命令开始，分析它的屏幕输出报告内容，找出问题之所在。串口报告的开始提供了该接口状态和线路协议状态。接口和线路协议的可能组合有以下几种：1)串口运行、线路协议运行，这是完全的工作条件。该串口和线路协议已经初始化，并正在交换协议的存活信息。2)串口运行、线路协议关闭，这个显示说明路由器与提供载波检测信号的设备连接，表明载波信号出现在本地和远程的调制解调器之间，但没有正确交换连接两端的协议存活信息。可能的故障发生在路由器配置问题、调制解调器操作问题、租用线路干扰或远程路由器故障，数字式调制解调器的时钟问题，通过链路连接的两个串口不在同一子网上，都会出现这个报告。3)串口和线路协议都关闭，可能是电信部门的线路故障、电缆故障或者是调制解调器故障。4)串口管理性关闭和线路协议关闭，这种情况是在接口配置中输入了shutdown命令。通过输入no shutdown命令，打开管理性关闭。
接口和线路协议都运行的状况下，虽然串口链路的基本通信建立起来了，但仍然可能由于信息包丢失和信息包错误时会出现许多潜在的故障问题。正常通信时接口输入或输出信息包不应该丢失，或者丢失的量非常小，而且不会增加。如果信息包丢失有规律性增加，表明通过该接口传输的通信量超过接口所能处理的通信量。解决的办法是增加线路容量。查找其他原因发生的信息包丢失，查看show interface serial命令的输出报告中的输入输出保持队列的状态。当发现保持队列中信息包数量达到了信息的最大允许值，可以增加保持队列设置的大小。
2.以太接口故障排除
以太接口的典型故障问题是：带宽的过分利用;碰撞冲突次数频繁;使用不兼容的类型。使用show interface ethernet命令可以查看该接口的吞吐量、碰H冲突、信息包丢失、和类型的有关内容等。
1)通过查看接口的吞吐量可以检测网络的利用。如果网络广播信息包的百分比很高，网络性能开始下降。光纤网转换到以太网段的信息包可能会淹没以太口。互联网发生这种情况可以采用优化接口的措施，即在以太接口使用no ip route-cache命令，禁用快速转换，并且调整缓冲区和保持队列。
2)两个接口试图同时传输信息包到以太电缆上时，将发生碰H。以太网要求冲突次数很少，不同的网络要求是不同的，一般情况发现冲突每秒有3、5次就应该查找冲突的原因了。碰H冲突产生拥塞，碰H冲突的原因通常是由于敷设的电缆过长、过分利用、或者“聋”节点。以太网络在物理设计和敷设电缆系统管理方面应有所考虑，超规范敷设电缆可能引起更多的冲突发生。
3)如果接口和线路协议报告运行状态，并且节点的物理连接都完好，可是不能通信。引起问题的原因也可能是两个节点使用了不兼容的类型。解决问题的办法是重新配置使用相同类型。如果要求使用不同类型的同一网络的两个设备互相通信，可以在路由器接口使用子接口，并为每个子接口指定不同的封装类型。
3. 异步通信口故障排除
互连网络的运行中，异步通信口的任务是为用户提供可靠服务，但又是故障多发部位。主要的问题是，在通过异步链路传输基于LAN通信量时，将丢失的信息包的量降止最少。
异步通信口故障一般的外部因素是：拨号链路性能低劣;电话网交换机的连接质量问题;调制解调器的设置。检查链路两端使用的调制解调器：连接到远程PC机端口调制解调器的问题不太多，因为每次生成新的拨号时通常都初始化调制解调器，利用大多数通信程序都能在发出拨号命令之前发送适当的设置字符串;连接路由器端口的问题较多，这个调制解调器通常等待来自远程调制解调器的连接，连接之前，并不接收设置字符串。如果调制解调器丢失了它的设置，应采用一种方法来初始化远程调制解调器。简单的办法是使用可通过前面板配置的调制解调器，另一种方法是将调制解调器接到路由器的异步接口，建立反向telnet,发送设置命令配置调制解调器。
show interface async 命令、show line命令是诊断异步通信口故障使用最多的工具。show interface async 命令输出报告中，接口状态报告关闭的唯一的情况是接口没有设置封装类型。线路协议状态显示与串口线路协议显示相同。show line命令显示接口接收和传输速度设置以及EIA状态显示。show line命令可以认为是接口命令(show interface async)的扩展。show line命令输出的EIA信号及网络状态：
noCTS noDSR DTR RTS：调制解调器未与异步接口连接。
CTS noDSR DTR RTS：调制解调器与异步接口连接正常，但未连接远程调制解调器。
CTS DSR DTR RTS：远程调制解调器拨号进入并建立连接。
确定异步通信口故障一般可用下列步骤：检查电缆线路质量;检查调制解调器的参数设置;检查调制解调器的连接速度;检查rxspeed 和txspeed是否与调制解调器的配置匹配;通过show interface async 命令和 show line命令查看端口的通信状况;从show line命令的报告检查EIA状态显示;检查接口封装;检查信息包丢失及缓冲区丢失情况。
六.结语
智能性网络故障诊断 篇6
在发生故障时，电力机车的主变流器的输出电压波形将出现一定的特征变化。而根据SS8电力机车主变流器的输出电压特征，并结合小波分析理论和神经网络诊断理论，本文对SS8电力机车主变流器故障智能诊断系统展开了研究。
主变流器是电力机车的关键部件，将参与到机车能量转换工作中。而一旦该部件出现短路或断路故障，则将导致电力机车中断运输。所以，有必要对SS8电力机车主变流器故障智能诊断系统展开研究，以便确保电力机车的运行。
1、系统的故障诊断原理分析
1.1SS8电力机车主变流器故障
从电路结构上来看，SS8电力机车的主变流器由两个串连桥组成，是一个单相半控桥式整流电路。在工作的过程中，主变流器的供电由并联的牵引电动机完成。而主变流器的故障分为两类，即本身故障和输入、输出级的故障。对主变流器的故障进行在线监测可以发现，主变流器的输出电压波形不会随着负载的变化而变化。只有在整流元件故障出现时，变流器的输出电压才会产生形变。所以，诊断SS8电力机车主变流器故障时，可以根据输出电压波形特点完成故障的定位。
1.2小波分析理论
在诊断主变流器故障时，利用小波分析法可以完成对信号的时频分析。在利用小波分析法分析主变流器的输出电压时，可以准确的完成故障特征的提取，继而完成对主变流器的状态监测和故障诊断。从理论上来讲，主变流器的输出电压的波形中不仅含有非周期信号，同时也将含有相应的畸变信号。采用小波变换法，则可以使信号在一定范围内出现突变峰值，继而显现出与噪声不同的特性。而利用该特性，则可以选完成小波基和尺度参数的选择，继而完成强噪声下的突变信号的准确检测。
1.3神经网络诊断理论
作为由多个处理单元构成的计算机系统，神经网络可以通过响应输入信息完成信息的处理。在主变流器的输出电压信号波形中，波形的变化与元件故障有非线性关系。而利用神经网络，则可以将该种关系的小波分析结果和故障类型的关系保存在网络结构中，并在故障诊断中应用。具体来讲，就是在神经网络接收到关键点的小波分析特征后，就可以完成对故障类型的输出。而由于神经网络具有较好的学习能力，所以可以完成对多种故障类型的输出。
2、故障智能诊断系统的研究
就目前来看，SS8电力机车主变流器故障智能诊断系统主要由信号检测系统、数据采集系统和上位机处理系统构成。在检测系统完成对主变流器的输出电压的检测后，采集系统则将完成数据的采集和保存，并将数据传送至上位机。而上位机处理系统则可以完成信号数据的分析，并给出故障的诊断和处理结果。
2.1故障信号的采集
在进行故障信号的采集时，需要根据信号的监测需求完成对状态监测点的布置。具体来讲，就是需要满足监测参数要求、模型信息要求和系统的安装限制要求。在传感器的选择上，则需要选择精度高、线性好和响应快的电压传感器。就目前来看，可以选用霍尔电压传感器。因为，该传感器可以即可以完成交流电压的检测，同时也可以完成直流电压的检测。所以，利用该传感器可以完成对任意电压波形的检测，继而使原本的电压波形得以反映出来。
2.2数据的存储
在数据的存储方面，故障诊断系统采用的是80C51单片机。在完成对传感器传递的信号的滤波、隔离和调理后，单片机将完成对数据的记录，并完成对最新数据的存储。具体来讲，就是在传感器将模拟量信号传输至信号采集和变换电路中后，系统将得到1-5V的电压信号。而将该信号输入到模数转换器，并将转换结果完成光耦隔离后，则将由单片机内的74LS373芯片完成对数据的锁存。最终，单片机则会将数据存到到采集数据存储器。
2.3数据的处理
通过通讯串口，数据采集系统会将数据传送至上位机处理系统。为了将详细的信息提供给管理人员，系统将根据波形输出特点完成数据的显示和处理。首先，系统将使信号随时间的动态变化以波形方式显示，以便完成数据的实时显示。其次，系统将利用图形方式完成对历史故障数据的显示。而管理人员则可以通过放大、缩小时间轴的方式确定故障点。再者，系统可以完成数据的小波分析计算，以便得出数据有效值、平均值和峰值等。此外，系统可以完成数据的打印，并完成对故障时间和内容的记录。
2.4故障的诊断
在故障诊断的过程中，系统可以完成越限故障检测和基于故障模型的故障诊断。一方面，上位机可以将有关设置参数传送至下位机，并对越限故障检测点的信号进行检查。而通过将检测结果传送至上位机，系统则可以完成对故障数据的录入。另一方面，系统的上位机可以在后台完成基于故障诊断模型的故障诊断。具体来讲，就是上位机根据诊断模型完成对有关测点数据的读取，并利用模型中的诊断方法完成故障的诊断。最终，系统则可以将诊断结果记录在库，并采取相应的处理措施。
结论
总而言之，在SS8电力机车的主变流器出现故障时，输出的电压波形将产生严重的畸变。利用这一特征，则可以采用小波分析法完成对故障特征的提取，并利用神经完成完成对主变流器故障的诊断。而根据这些原理，则可以构成相应的故障诊断系统，继而完成对SS8电力机车的主变流器故障的有效监测。
计算机网络故障的智能化诊断方法 篇7
关键词：计算机网络,故障诊断,免疫算法
在新的时代背景下, 计算机网络规模逐渐扩大, 并且其网络逐渐向动态性、智能化以及异构性的方向延伸, 这些问题无疑为网络故障的诊断增加了难度。不断强化网络的可维护性, 提升其自身故障的诊断力, 对于缩短故障处理的时间, 节省委会费用具有重要意义。从网络管理的宏观层面上来看, 如今网络故障的诊断技术已经受到更多人的关注, 但是当前的诊断技术相比时代发展的需求来说还相对落后。
在网络诊断的过程中, 智能化的处理方法有着较强的容错性, 它可以对那些未知的或者是不确定的系统展开自学习的模式, 并且可以同时处理定性的相关信息与数量化的相关信息, 它对动态的各种变化有着较好的适应能力。正是由于智能化处理方法具有上述显著的优点, 它已经逐渐运用到模式识别、自动控制以及经济预测等多个方面。在网络故障的诊断中, 我们完全可以进入智能化的处理方法, 为了更好的提高网络的诊断里, 首先要根据需要设计出一个快速诊断的建设性方案, 通过此方案不断提高网络的故障排除能力以及其可维护性。应时代发展的要求, 智能化的网络故障诊断法应运而生, 其智能化的方法主要设计到以下几个方面:人工神经网络、专家系统、人工免疫算法、模糊推理、以及遗传算法等多个方面。
1 人工神经网络故障诊断法
在借助神经网络诊断网络的故障过程中, 第一步应该把收集起来的相关特征数据做出预处理, 对那些不符合要求的数据进行及时的剔除, 并且要把这些复杂的数据通过约简的方法消除其中不必要的多余信息点。接下来, 要借助样本集对所要测试的神经网络开展测试工作, 在整个测试的过程中, 其故障诊断在正确率方面如果没有实现预期的标准, 那么便要进行二次训练;但是如果完成了故障诊断的要求, 那么便可以进入到下一个阶段。
2 基于专家系统和模糊推理的故障诊断法
在模糊推理的过程中, 主要借助模糊逻辑把特定的信息输入之后, 到最终输出信息。在这个过程中, 第一步便是构建知识库, 在这里要发挥好专家的能力和水平, 要大体表述故障与故障现象以及现象和现象间的相关性联系。在此之后, 通过数据挖掘、专家定制、以及神经网络技术等制定好模糊规则。在整个过程中最后一步便是借助模糊推理机找到故障的具体位置以及其基本的类型等。
3 基于支持向量机 (SVM) 的故障诊断法
支持向量机被当做是一种机器学习算法, 它有着强大的泛化能力, 并且它在处理非线性、高维模式的识别以及小样本中展现了其独特之处, 因此其被运用到了模式的识别以及图像的处理过程中。从本质意义上来看, 网络故障的诊断可以看做是模式识别, 因此可以借助支持向量对网络故障进行基本的处理和诊断。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, 进行在线故障诊断。
4 基于人工免疫算法的诊断法
基于人工免疫的计算机网络故障诊断应用生物免疫系统中的否定选择、克隆选择、高频变异、免疫学习和免疫记忆等多种机制, 构建一个基于免疫原理的网络故障诊断模型, 模型主要包括学习和故障诊断两个过程。其诊断步骤如下:
(1) 将选定的表征网络故障特征的数据进行处理, 并组成特征向量, 作为样本数据集; (2) 完成对系统相关参数的设置, 包括未成熟检测器的耐受期、成熟检测器的生命周期和成熟检测器的激活阈值等参数的设置; (3) 离线学习, 在此阶段经过训练生成相应的成熟检测器集合, 以实现对计算机网络故障的有效检测; (4) 故障诊断, 得到满足条件的成熟检测器;人工免疫的计算机网络故障诊断主要借助于多种机制, 例如克隆选择、免疫学习以及否定选择等, 建构了一个以免疫原理为基础的网络化故障诊断的基本模型。利用人工免疫的相关算法开展计算机网络故障的诊断, 一方面可以识别已经存在的故障, 另一方面也可以很好的发现那些没有出现的、潜在的故障。
综上所述, 伴随着计算机网络规模的不断扩大, 它的复杂程度也将会越来越高。复杂度的提高必然会给网络故障的诊断产生极大的障碍, 在具体的运行过程中, 为了更好的提高诊断的准确性, 要尽可能引入智能化的处理办法。上述文章中, 主要对比较常用的几种智能化的诊断方法给出了进一步的研究和分析。如今, 伴随着技术水平的提高, 在诊断计算机网络故障方面其诊断的手段不断走向智能化。
参考文献
[1]李辉.人工免疫在网络故障诊断中的应用研究[J].计算机与数字工程, 2012 (05) .
智能性网络故障诊断 篇8
轴承是电机主轴的支撑, 是电机的重要部件之一。异步电动机的轴承故障发生概率约为40%, 由于工作面接触应力的长期反复作用, 极易引起轴承疲劳、裂纹、压痕等故障, 将引起电机异常振动, 电机将无法正常运行。这种异常振动超过常规振动所规定的允许值时, 也会对电力生产及人身安全带来极大的危害甚至整机报废, 造成重大事故。可见轴承工作状态是否正常, 对于电机有着重大的影响。
目前, 轴承故障可通过目测、测量和无损探伤等方法进行检测, 但这些方法易受噪声干扰而产生误判。而神经网络的自学习能力、非线性映射能力、对任意函数的逼近能力、并行计算能力和容错能力等为构造新型故障诊断系统提供了有力手段[1]。本文采用基于径向基函数神经网络技术对作为电机主要支承型式的滚动轴承进行智能故障诊断。
1 径向基函数神经网络
径向基函数神经网络用径向基函数作为隐层单元的“基”, 构成含层空间, 隐含层对输入矢量进行变换, 将低维的模式输入数据变换到高维空间内, 使得在低维空间内的线性不可分问题在高维空间内线性可分。
1.1 径向基函数神经网络建模原理
径向基函数神经网络是单隐层的前向网络, 它有三层构成:第一层是输入层, 由信号源节点组成;第二层是隐含层, 隐单元的个数由所描述的问题而定, 隐单元的变换函数是对中心点径向对称且衰减的非负非线性函数;第三层是输出层, 它对输入模式做出响应。径向基函数网络模型如图1所示。
1.2 径向基函数神经网络训练算法
径向基函数的Gaussian函数网络的学习参数有3个, 即各径向基函数的中心Ck、方差σk和输出单元的权值Wk。径向基函数网络算法步骤如下[2,3]:
1) 从输入向量中选一组初始中心值Ck;
2) 计算方差值
式中dmax为最大的距离, K为Ck的数量;
为网络期望输出;为3个参数的学习步长。
5) 如网络收敛, 则计算停止, 否则转到步骤 (4) 。
2 电机轴承的故障特征提取
本实验采用型号为6204的深沟球轴承, 在电机驱动端轴承座上使用带磁座的电荷加速度传感器采集振动信号。考虑到生产现场很难搜集全各种故障数据, 采用电火花加工技术在正常轴承各表面加工出细微的点蚀。轴承故障分为内圈故障、外圈故障、滚子故障、正常轴承4种状态。故障直径分别分为0.007inchs, 0.014inchs, 0.021inchs三个等级, 深度都为0.011 inchs。马达电机负载分别在0, 1, 2, 3HP下测得的, 电机转速为1430rpm, 其每一个状态如表1所示组合进行测试。然后采用小波包频带能量分析技术提取滚动轴承的故障特征[4]。
3 电机轴承故障诊断仿真结果
通过调用MATLAB神经网络工具箱的newrb函数创建一个径向基函数神经网络, 输入层神经元16个, 输出层神经元16个, 径向基函数的分布密度SPREAD=3, 训练目标误差值取为0.0001。网络的输出模式, 采用以下的输出模式:
滚动体故障: (1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0) ;
内圈故障: (0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0) ;
外圈故障: (0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0) ;
无故障: (0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0) ;
在训练的过程中, 隐含层的神经元数量的确定是一个关键, 传统的做法是使其与输入向量的元素相等, 显然此方法在输入矢量过多时, 过多的隐含层神经元让人难以接受。此处, 隐含层的神经元从0个神经元开始训练, 通过检查输出误差使网络自动增加神经元, 每次循环使用, 使网络产生的最大误差所对应的输入向量作为权值向量, 产生一个新的隐含层神经元, 然后检查新网络的误差, 重复此过程直到达到误差要求或最大隐含层神经元数为止。
我们选择了80组训练样本时, 73步达到训练目标, 如图2所示。选用滚动轴承的48组测试样本送入训练好的径向基函数神经网络进行模式识别, 诊断结果如表2所示。由表2可以得到径向基函数神经网络诊断准确率为97.91%。
在径向基函数神经网络的设计中, 最重要的参数是径向基函数的分布密度。为了验证径向基函数的分布密度的取值对故障诊断准确率的影响, 分别取SPREAD=1, SPREAD=2, S P R E A D=8, 仍采用原训练样本和测试样本进行试验。图3、4、5分别为取SPREAD=1, SPREAD=2, SPREAD=8时径向基函数神经网络训练过程, 当SPREAD=1时, 径向基函数神经网络诊断准确率为93.75%;当SPREAD=2时, 径向基函数神经网络诊断准确率为95.83%;当SPREAD=8时, 径向基函数神经网络诊断准确率为97.91%。
4 结论
本文将径向基函数神经网络用于电机轴承的故障诊断, 采用径向基函数神经网络对电机轴承在滚动体故障、内圈故障、外圈故障以及无故障状态给予识别。试验结果表明, 系统不仅能够检测到轴承故障的存在, 而且能够更高效、准确地进行电机轴承的故障模式识别, 能够更好的应用于电机轴承的故障诊断中。
参考文献
[1]梅宏斌.滚动轴承振动监测与诊断——理论·方法·系统[M].北京:机械工业出版社, 1996.
[2]Simon Haykin.Neural Networks:A Comprehensive Foundation (Second Edition) [M].Prentice Hall, 1999.
[3]Ham F M, Kostanie I, Priciples of Neuro Computing for Science&Engineering[M].McGraw Hill, 2001.
机械故障智能诊断的研究 篇9
关键词：计算智能,机械故障,诊断
随着工业生产与科学技术的发展, 现代机械设备发展的一个明显趋势是向大型化、高速化、连续化和自动化方向发展, 结构越来越复杂, 自动化水平亦相应提高, 生产效率也越来越高。但设备故障会影响整个系统的运行, 设备故障造成一定的后果。智能诊断在机械故障诊断中发挥着重要作用, 智能诊断技术的意义重大, 它可以在一定程度上降低机械故障造成的经济损失, 同时还可以降低重大事故的发生率, 提高社会安全生产效率。
1 机械故障概述
1.1 故障概念及故障机理
机械故障是机械运转过程中常见的问题, 故障的确切定义为设备在运行中, 由于某种因素而导致规定功能丧失的现象。故障实际包含两层含义, 其一是当机械系统的工作条件不正常而产生的机械系统功能偏离正常状态, 但这种功能偏离可通过调整参数或者修复零部件而恢复, 这通常称之为故障;其二是系统连续偏离正常功能, 而且偏离程度在不断加剧, 机械功能得不到保证, 这种状态被称之为失效。机械故障按性质和形成原因可分为人为故障和自然故障;按故障发生的时间历程可分为突发性故障和渐进性故障;按故障的维持时间可分为间断性故障和持续性故障。
机械故障机理其实就是揭示机械故障形成原因和发展规律的, 机械故障的发生和发展不仅受到内部设备元件的作用, 而且受到外部环境的影响, 所以将机械故障的发生与发展归结为内在因素和外部条件共同作用的结果。机械故障的内在因素主要磨损、疲劳断裂、腐蚀和气蚀等, 而常见的磨损有磨料磨损、粘着磨损、疲劳磨损、微动磨损以及腐蚀磨损;常见的腐蚀有化学腐蚀、电化学腐蚀及应力腐蚀;外部条件主要包含气候状况、生物介质的作用、操作人员状况、载荷状况以及维护和管理水平。
1.2 故障诊断及智能故障诊断
故障诊断是指在一定工作环境中查明导致系统某种功能失调的原因或性质, 判断劣化状态发生的具体部位或部件, 以及预测状态劣化的发展趋势等。其意义在于通过各种监测手段, 判断机械设备的运行状态是否正常;假如机械设备出现异常, 则通过分析, 判断故障原因, 这样可以及时地维修;或者在故障尚未发生之前, 预报可能发生的故障, 以便提前采取措施, 避免发生重大安全事故。
智能诊断是通过模拟人脑的机能来处理各类模糊信息, 这样可以有效地获取、传递、处理、再生和利用故障信息, 从而成功地识别和预测诊断对象的状态, 最后系统再根据诊断的误差自动修正, 并具备自动获取知识的能力。智能诊断技术的核心是人工智能, 它是计算机技术和故障诊断技术结合的产物。智能诊断技术的主要特点体现在以下几个方面:第一, 智能诊断是一个开放的系统, 系统的能力在使用的过程中和同环境进行信息交互的过程中不断提升;第二, 智能诊断系统是由计算机硬件和软件共同组成, 该系统拥有确定的运算程序, 同时还可以诊断需要搜索和利用专家知识和经验实现故障诊断;第三, 智能诊断系统是一个人工智能系统, 它功能的实现依靠机械的硬件和软件设备, 该系统可以实现多故障、多过程、突发性故障的快速诊断。
2 智能故障诊断设计及实现
2.1 智能诊断设计
为了保证机械设备的正常和高效运转, 创造更大的经济效益和避免发生严重的安全事故, 智能诊断系统顺势而生, 并在机械设备故障诊断和维护中得到了广泛地应用。智能故障诊断系统是一个主要针对旋转机械故障诊断的一个功能强大的故障诊断系统, 为了保证智能诊断系统更好地发挥其功能, 就应该注重该系统的整体设计。在系统设计时为建筑结构故障诊断建立了一个接口, 这对日后系统功能扩充非常有利。智能诊断系统设计要采用可持续性发展的理念, 智能诊断系统中包含了多个子系统, 其中包含了针对转子及电动机而建立的独立诊断系统, 这些模块之间具有一定的独立性, 可以进行独立的诊断。然而, 诊断子系统也可以进行集成, 比如说转子诊断模块, 子系统集成后可以得到更加准确的诊断结果。系统设计过程中, 还要注重知识库管理系统的设计, 该系统具有重要的作用, 它使得整个系统在使用的过程当中不断的得到改进与完善。
整个智能诊断系统的设计工具是Visual Basic 6.0, 它拥有良好的人机对话环境和动态图界面。神经网络故障诊断模块采用了Matlba工具箱进行识别和计算, 通过识别和计算可以准确的得出诊断所需的各个节点值, 只有这样才能进一步进行旋转机械转子故障诊断。智能诊断系统设计将整个系统分为了几个子模块, 包括电动机的故障模块、旋转机械类故障诊断模块、往复机械故障诊断模以及轴承等的故障诊断模块。
2.2 故障诊断的实现
机械故障诊断的方法有很多, 在故障诊断过程中要根据诊断时间、诊断地点、诊断对象、诊断人员及诊断设备选择合适的诊断方法。常见的故障诊断方法有离线人工分析诊断和在线计算机辅助诊断, 这是根据诊断环境划分的;根据设备状态信号的物理特征可以将故障诊断分为振动诊断、声学诊断、温度诊断、污染物诊断、光学诊断、强度诊断以及压力诊断等;按诊断的原理可以将诊断方法分为统计识别法、时域分析法、模式识别法等。这些诊断方法都是实现机械故障诊断的重要保障。
人工智能和计算智能诊断是两个具有代表性的故障诊断系统, 人工智能系统是一种基于符号计算的故障诊断专家系统, 这个系统中知识是按照一定的规则用特定的描述符号加以表示、存储和处理。在知识获取过程中, 对事件型知识或从领域专家获取的功能型知识加以描述;计算智能诊断系统是一种基于数值计算的神经网络故障诊断系统。在故障诊断中, 该系统通过诊断推理实现故障诊断, 而诊断推理被理解为根据特定的映射关系, 由故障征兆域到故障原因域的计算过程, 对于复杂的机械系统来说, 这种映射关系并不是简单的线性关系, 最终通过技术征兆数据输出故障原因。总之, 机械故障诊断的实现不仅要依靠科学的诊断方法, 同时还需要根据实际诊断情况选择适合的诊断方法, 只有这样才能得到最准确的诊断结果。
结语
大型真空系统智能故障诊断 篇10
由于真空钎焊技术具有无可比拟的优点, 被广泛地应用于航空、电子、汽车和空分工业中。在空分工业中, 为满足制造高质量、高压力等级、大尺寸板翅式换热器的需求, 厂家纷纷采用大型真空钎焊炉。真空系统是其关键的系统, 如果真空系统发生故障, 轻则直接影响产品钎焊质量, 重则导致产品报废, 停机停产, 造成巨大的经济损失。由于真空系统结构复杂、故障影响因素多且关系复杂, 这给故障的排除带来诸多不便。传统上进行真空系统故障诊断常出现如下的问题[1]: (1) 对故障的种类、发生的频度和权重缺乏全面了解; (2) 故障的排查多为人工方式, 不仅费时且不够准确; (3) 现有的大型真空钎焊炉监控系统监测点少, 缺少必要的分析、诊断功能, 无法实现智能诊断; (4) 缺乏科学、实用的故障辨识及故障诊断理论的指导; (5) 缺乏故障排除经验知识的积累、更新和继承, 以及缺乏对操作员进行有效的故障诊断培训; (6) 无法实现故障的预报。因此, 建立快速准确的智能故障诊断系统具有重要的实际意义。
以大型铝真空钎焊炉为对象对真空系统的故障特点进行深入分析, 并利用面向故障的模糊Petri网理论, 建立了真空系统常见故障的故障模型, 通过实例来说明模糊Petri网的应用。
1 大型真空系统的故障特点
大型铝真空钎焊炉的真空系统由六套真空机组组成, 每套真空机组由机械泵、罗茨泵、维持泵、油扩散泵、粗真空阀、前级阀和高真空阀组成, 如图1所示。真空系统故障主要分为三大类[2]:真空设备故障、真空度达不到要求值故障和抽真空时间过长故障, 导致上述故障的原因很多, 并且故障起因与症状之间并非一一对应的关系。抽气机理和真空设备的复杂性决定了故障具有如下特点: (1) 故障种类的多样性:既有真空泵的故障, 又有真空阀和真空计的故障;既有泵本身漏气的故障, 又有真空室漏气的故障; (2) 故障征兆与故障原因的对应关系复杂:一种故障征兆可能对应多个故障原因, 一个故障原因也会对应多个故障征兆; (3) 故障的频度与权重不同:各故障间并不是独立发生的, 一个故障往往会导致另一个故障的发生, 而且每个故障发生的频度也不同; (4) 真空机组群对真空系统的影响关系复杂:各套真空机组对真空系统的影响关系复杂, 且相互之间关系的权重不同。
1—机械泵, 2—罗茨泵, 3—波纹管, 4—粗真空计, 5—粗真空阀, 6—扩散泵真空计, 7—前级阀, 8—放空阀, 9—维持泵, 10—油扩散泵, 11—高真空阀, 12—手动充气阀, 13—自动充气阀, 14—外循环机组#2出口阀, 15—外循环机组#1出口阀, 16—后炉顶真空计, 17—外循环机组#2进口阀, 18—外循环机组#1进口阀, 19—前炉顶真空计
2 智能故障诊断理论
专家系统故障诊断是故障诊断中最引人注目的方向之一, 也是研究最多、应用最广的一类智能故障诊断技术[3]。建立智能故障诊断系统知识库最基本的过程是诊断知识的获取、表示和组织。在故障诊断时, 由于对设备状态好坏的评估存在着很大的不确定、不精确和模糊性, 故障的发生具有并发性, 就希望有既能合理描述故障诊断知识所固有的并发性、模糊性, 又能进行模糊推理的模型。模糊Petri网有很好的知识表达与逻辑推理功能, 具有动态描述因果关系的能力, 因而非常适用于故障诊断。
2.1 面向故障诊断的模糊Petri网[4]
为了能准确地描述因故障发生的随机性, 故障征兆的模糊性, 诊断经验知识的不确定性、不一致性和不完备性等原因产生的不确定性诊断信息, 采用一个八元组来定义面向故障诊断的模糊Petri网 (FPN) [4]:
故障Petri网的建模方法有直接建模和间接建模两种, 间接建模通常采用基于产生式规则建模和故障树分析方法 (FTA) 建模。故障树转换为Petri网主要涉及两方面:一是故障树事件符号用对应的Petri网表示, 即故障树的各类事件用库所表示;二是故障树的逻辑关系用对应的逻辑Petri网模型表示, 如图2所示。
2.2 基于模糊Petri网的故障诊断算法
基于FPN的故障诊断推理, 主要有适用于系统级在线诊断的正向推理、适用于元件级离线诊断的反向推理、以及结合两者优点的混合推理。针对以往的故障推理算法不能很好地解决已知单个故障征兆和故障原因置信度的前提下进行模糊推理的问题, 给出了以下的推理算法, 而这在实际应用中更为常见。
根据FPN系统运行规则, 库所下一步标识向量的推理公式为
式 (1) 中, ① W:P→T为规则的输入矩阵,
库所下一步标识向量推理公式的推理算法描述如下:
步骤1 令k=0;步骤2 由推理公式⑴根据θk求θk+1;步骤3 如果θk+1≠θk, 令k=k+1, 重复步骤2;如果θk+1=θk, 推理结束, 输出θk。
4 基于模糊Petri网的故障诊断实例
下面以大型真空系统中扩散泵不工作为例, 来说明模糊Petri网的应用。扩散泵不工作故障的原因有漏气故障、加热器故障、泵前级压力高、扩散泵油故障。根据专家经验和真空设备故障样本, 我们建立了扩散泵不工作的故障树, 如图3所示, 置信度由最易发生的故障及故障发生频度确定, 使用三角形隶属函数确定权值, 如表1所示。
根据扩散泵模糊故障诊断规则, 并基于故障树分析方法建立了扩散泵不工作的模糊Petri网模型如图4所示, 图4中库所含义如下:p1表示前炉顶真空度过低;p2表示后炉顶真空度过低;p3表示前级泵真空度正常;p4表示前级泵真空度过低;p5表示扩散泵真空度过低;p6表示油温过低;p7表示油温不变化;p8表示前级管道不漏气;p9表示前级管道漏气;p10表示油量不足;p11表示油变质或被污染;p12表示油牌号不对;p13表示真空室漏气;p14表示泵本身漏气;p15表示前级泵故障;p16表示漏气故障;p17表示加热器故障;p18表示泵前级压力高;p19表示扩散泵油故障;p20表示扩散泵不工作。
故障现象前炉顶真空度过低 (置信度=0.9) , 后炉顶真空度过低 (置信度=0.8) 。由此可得初始标识向量θ0= (0.9, 0.8, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0) T。
由图4可以得到规则置信度μ、向量非汇点向量G、输入矩阵W和输出矩阵H。
μ= (0.9, 0.9, 0.85, 0.95, 0.9, 0.9, 0.9, 0.8, 0.85, 0.9, 0.8, 0.75, 0.9, 0.95, 0.9, 0.7, 0.9, 0.75, 0.95) T
G= (1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0) 。
用MATLAB进行仿真计算, 迭代计算得到θ12=θ11, 故迭代推理结束。θ11= (0.9, 0.8, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.85, 0, 0, 0.414, 0, 0, 0, 0.089) T。可知真空室漏气的置信度为0.85, 漏气故障的置信度为0.414, 扩散泵不工作的置信度为0.089, 以及故障传播的可能路径, 可以推断真空室漏气的可能性最大。
5 结论
面向故障诊断的模糊Petri网能很好地表示和处理故障诊断知识, 并可通过矩阵重建, 方便地对知识库进行扩展或删除。将模糊Petri网应用于大型铝真空钎焊炉真空系统的故障诊断, 建立了基于故障树分析方法的Petri网故障模型, 并以扩散泵不工作的故障诊断为例, 验证了模糊Petri网模型在故障诊断中的正确性和有效性。
摘要：根据大型真空钎焊炉真空系统的故障种类及特点, 分析了现有的真空系统故障诊断存在的主要问题。针对大型真空系统故障诊断的不确定性和模糊性等特点, 建立了基于故障树分析方法的模糊Petri网模型和推理算法, 并以扩散泵不工作故障诊断为例, 验证了该模型及算法的正确性和有效性。
关键词：真空系统,智能故障诊断,故障树分析方法,模糊Petri网
参考文献
[1]王庆, 巴德纯, 刘坤.大型真空冶金系统故障分析及智能诊断.2004’全国真空冶金与表面工程学术研讨会会议论文集, 沈阳:东北大学, 2004:130—134
[2]任耀文.真空钎焊工艺.北京:机械工业出版社, 1993:317—320
[3]王仲生.智能故障诊断与容错控制.西安:西北工业大学出版社, 2005:172—179
常见网络故障类型及诊断分析 篇11
摘 要：随着科学技术的不断进步，网络早已走入了我们的日常工作和生活当中，已经成为了我们必不可少的一部分，与此同时，网络故障的发生频率也是越来越高，导致故障发生的原因也是愈加多样化。因此，本文笔者结合当前我国常见网络故障类型并结合个人多年来的实际工作经验，先对物理类网络故障进行分析，继而对逻辑类网络故障进行阐述，希望可以促进网络故障诊断技术的不断发展，为我国网络的安全发展提供新的动力。
关键词：网络故障；诊断；物理类；逻辑类；诊断方法
中图分类号：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）.
[2]黄高峰.网络故障诊断工具分析[J].仪表技术，2006（04）.
刀具磨损早期故障智能诊断研究 篇12
刀具的磨损监测是实现自动化和无人化加工的关键技术之一。在实际的刀具磨损故障诊断过程中, 所采集的振动信号除了有用的特征信息外, 还存在大量的干扰噪声, 尤其在早期的故障诊断中, 特性信息比较微弱, 提取这种微弱信号的特征是刀具磨损早期故障诊断的关键。现有的方法多数是从消噪的角度来检测故障特征的, 如小波消噪[1]、经验模式分解降噪[2]、局部均值分解降噪[3]、形态滤波[4]等方法。然而这些方法在抑制噪声的同时, 也使得被测信号被不同程度地削弱。
随机共振[5]与传统的方法不同, 它利用噪声和信号之间的能量转换来增强弱信号, 在微弱信号检测中具有突出的优势, 受到广泛关注[6,7,8,9,10,11]。文献[7]通过二次采样频率变换, 实现了大参数信号的随机共振;文献[8-9]利用级联随机共振去除高频噪声, 达到降噪目的;文献[10]利用信号调制原理实现高频微弱信号的检测。这些研究为随机共振理论在微弱信号检测方面的应用提供了方法。本文根据遗传算法优良的全局寻优能力, 以双稳态系统输出的信噪比为适应度函数, 对随机共振系统中的多个参数进行同步优化, 实现了刀具磨损过程中的微弱信号检测。最后利用B样条神经网络对提取的信号特征进行融合, 网络的输出为刀具的磨损值, 实现了刀具磨损的智能识别。
本文中, 刀具磨损弱特征提取及智能诊断分以下几步进行: (1) 建立实验系统, 采集刀具各磨损阶段的数据; (2) 根据估计的噪声强度D设置二次采样频率fsr, 进行二次采样, 使信号满足小参数随机共振分析的需要; (3) 用遗传算法优化随机共振系统参数; (4) 系统输出增强信号; (5) 计算输出信号的均方根值, 作为有效特征; (6) 将有效特征输入B样条神经网络进行识别, 输出刀具磨损值。
1 随机共振理论
对于某些非线性系统, 当噪声强度由小到大增大时, 尽管会导致输入信噪比降低, 但当噪声强度达到某一合适值时可以使非线性系统的输出信噪比达到一峰值, 适当的噪声干扰反而可以帮助系统提高信号输出的能力, 这种现象称为“随机共振”, 其本质可视为是部分噪声能量转化为信号能量的结果。随机共振产生的3个条件是:非线性系统、周期信号以及噪声。一般常用的模型是双稳态系统, 由郎之万方程来描述:
其中, a、b是非零系统参数, s (t) 为某一微弱周期信号 (振幅A≤1) , n (t) 为白噪声, E (n (t) ) =0, E (n (t) n (t-τ) ) =2Dδ (τ) , δ (τ) 为τ时刻的单位脉冲函数, D为噪声强度, ξ (t) 是均值为0、方差为1的白噪声。双稳随机共振的势函数为
双稳随机共振有两个稳态和一个非稳态 (x=0) , 势垒高度ΔU=a2/4b。当没有外部输入时, 势能最小, 系统处于势阱的最低点系统最稳定, 当给系统输入一个微弱信号s (t) 时, 信号无法克服势垒ΔU的阻挡, 系统输出状态只能在一个势阱内运动;如果给系统加上噪声n (t) , 则噪声能量将会部分转移给信号, 从而克服系统势垒, 以信号频率在两稳态之间产生跃迁。由于双稳态之间的势差远大于输入信号的幅值, 所以起到了对输入信号放大的作用, 即发生了随机共振。
2 遗传算法优化随机共振系统参数
为使输入信号发生共振, 在系统中可调节的参数主要有:决定势垒高度的系统参数a和b以及噪声强度D。在实际刀具磨损监测中, 信号和噪声强度不易确定, 随机共振系统参数a和b的选择对信号输出性能影响重大, 传统的方法一般假设其他参数不变, 对某一参数进行优化, 忽略各参数之间的相互作用, 从而使系统无法达到最优的共振状态。本文根据遗传算法优良的全局寻优能力, 以双稳态系统输出的信噪比为适应度函数来确定随机共振系统最佳输出时的系统参数。信噪比定义为[11]
用遗传算法优化随机共振系统参数的具体步骤如下:
(1) 编码。设定系统参数的搜索范围和精度, 采用二进制联合编码。
(2) 初始群体的生成。设定种群规模, 随机选取个体, 组成初始群体。
(3) 适应度。在遗传算法中, 适应度的大小决定某些个体的繁殖和消亡, 即保留适应度大的个体, 淘汰适应度小的个体。在此适应度函数采用系统输出的信噪比, 即f (a, b) =RSN。
(4) 选择、交叉和变异。根据各个适应度值, 按照轮盘赌规则选择优良的个体, 并按照一定的概率进行交叉和变异。通过交叉和变异产生新个体的遗传算子, 交叉率一般取0.5~0.9, 变异率一般取0.01~0.1。
(5) 终止。当迭代次数达到设定的最大值或两代之间的适应度函数值之差小于设定精度时, 则终止循环, 得到最佳系统参数。
根据绝热近似理论, 传统经典随机共振信号检测仅适用于小参数信号。图1为小参数信号u (t) =A0sin (2πf0t) +n (t) 经随机共振系统的输入信号及其频谱。其中周期信号幅值A0=0.3, 频率f0=0.02Hz, 采样频率fs=5Hz, 噪声强度D=0.6。遗传算法的参数设置如下:种群规模M=90, a∈ (0, 100) , b∈ (0, 100) , 精度为0.001, 迭代次数Gmax=300, 交叉率pc=0.6, 变异率为pm=0.1, 迭代结束后a=1.512, b=0.763。此时系统输出信号及其频谱如图2所示。
由图1可见, 输入信号及其频谱中均无法发现0.02Hz的周期频率成分, 而在图2中可以看到在0.019 53处出现了明显的谱峰, 约为小参数信号的频率f0。可见该方法可以用于小参数弱信号的检测。
3 大参数随机共振
在实际的应用中, 信号参数往往超出随机共振小参数的限制条件, 如果直接输入到随机共振系统则无法得到随机共振现象, 因此需要通过二次采样进行移频、变尺度处理使输入信号满足小参数条件[8?12]。图3为直接输入到随机共振系统的大参数信号及频谱。其中A0=0.3, 频率f0=40Hz, 采样频率fs=2kHz, 噪声强度D=4。图4为随机共振系统输出信号及其频谱, 从图中可以看到, 无论是系统输入还是输出都无法看到在f0=40Hz的谱峰值特征, 可见大参数信号直接应用随机共振理论来分析是不适合的。根据文献[12], 以噪声强度D设置二次采样频率fsr=6Hz, 图5为二次采样随机共振的输出信号及其频谱, 从频域谱图上可以看到在fr=0.1201Hz处有一个突出的谱峰, 经还原后f=fr (fs/fsr) =40.03Hz, 约为大参数信号频率f0。可见, 经过二次采样随机共振能实现大参数信号的检测。
4 刀具磨损弱特征提取
4.1 实验数据采集
实验是在武汉汉口机床厂制造的CK6143/100数控车床上进行的, 该机床主轴转速范围为40~2500r/min, 主轴电机功率为5.5kW, 3个传感器都选用瑞士Kistler公司生产的8702B5OMI振动传感器, 传感器安装如图6所示。实验工件采用45钢, 平均硬度是220 HB。刀片采用PVD TiAlN涂层刀片, 切削深度为1mm, 切削线速度为95m/min, 走刀量为0.2mm/r。采样频率为2MHz, 采样点数是218。实验过程中, 每个传感器采集了120组样本数据, 用于进一步分析。
4.2 弱信号提取
在刀具磨损信号分析中, 要有效应用基于遗传算法的随机共振技术进行弱信号提取, 关键在于确定二次采样压缩频率fsr以及随机共振系统参数。根据文献[12]首先确定噪声强度D, 然后根据D来确定fsr;以输出信噪比为适应度函数, 采用遗传算法全局寻优的方法来确定系统参数。图7是刀具在中期磨损情况下的一组数据及其频谱图, 根据噪声强度初步估计二次采样频率fsr=9Hz。经遗传算法优化后系统参数a=0.34, b=0.78。随机共振输出信号及其频谱如图8所示。可以看出信号得到比较好的恢复。
4.3 故障特征提取
所有传感器采集的信号都采用上面的方法分析, 经过二次采样随机共振系统消噪输出, 可以看到信号得到明显增强。计算共振系统输出信号的均方根值, 以此作为诊断网络的输入特征向量。信号的均方根表示为
式中, xi为输出振动信号;N为信号长度。
5 刀具磨损诊断
5.1 磨损诊断网络
刀具磨损诊断网络采用B样条神经网络, 它是一种三层结构的格构联想记忆网络[13], 图9为一个单输出B样条网络。输入为x, Nk (j) (x) 为隐层第j个k阶B样条基函数, Wj为第j个k阶B样条基函数到输出的连接权, y为网络的实际输出, 则有
其中, n为隐层基函数的个数。
第j个k阶单变量B样条基函数由下面的递推公式给出:
式中, λj为输入空间分割的节点;Ij为用λj表示的一个区间。
B样条基函数具有如下性质。
(1) 正定性与紧密性:
(2) 归一性:
多变量B样条基函数由n个单变量B样条基函数的张量积组成, 张量积B样条函数的总数q为每个单变量B样条基函数个数的乘积, 设多变量B样条基函数定义为Bk (x) , 则有
张量积B样条函数也保持了正定性、紧密性及归一性的特性。
5.2 B样条网络对刀具磨损的诊断
将刀具磨损的故障特征作为网络的输入, 网络输出是刀具的磨损值, 因此网络采用三输入、单输出结构。每个输入轴由4个内节点将输入区域分为5个区间, 形成125个3维立方体。每个轴的单变量基函数取2阶, 此时形成216个多变量B样条基函数, 所以网络的可调权值有216个。根据B样条性质可知, 每次调整的权值仅为8个, 所以网络的学习是局部的。
网络采用内节点和权值均可调的自适应组织学习算法进行[13]学习。误差精度设置为0.001, 训练周期设置为3000, 部分识别结果如表1所示。可以看出, 在误差精度0.01范围内, 网络的识别能达到98%以上, 能满足实际监测的需要。
6 结论
(1) 针对刀具磨损监测复杂的背景噪声, 结合随机共振增强弱信号的优势, 采用随机共振系统提取了刀具磨损的早期微弱特征。
(2) 根据遗传算法的全局寻优能力, 对随机共振系统的多个参数进行同步优化, 结合二次采样随机共振方法, 实现了对强噪声背景下刀具磨损微弱信号的最佳还原。