- 相關(guān)推薦
基于決策樹(shù)算法的工業(yè)光纖網(wǎng)絡(luò )通信故障檢測系統
光纖網(wǎng)絡(luò )支持光纖應用系統和工業(yè)生產(chǎn)過(guò)程之間的通信，以下是小編搜集整理的一篇探究工業(yè)光纖網(wǎng)絡(luò )通信故障檢測系統的論文范文，歡迎閱讀參考。
摘 要： 針對工業(yè)光纖網(wǎng)絡(luò )通信故障檢測過(guò)程繁瑣、效率低的問(wèn)題，設計了一種基于優(yōu)化的決策樹(shù)數據挖掘算法的光纖網(wǎng)絡(luò )通信故障檢測系統。系統以減少檢測器重復工作和準確定位為目標，引入以決策樹(shù)為核心的故障數據挖掘模塊，降低了對非己空間的故障挖掘時(shí)間。將第一階光纖網(wǎng)絡(luò )故障分類(lèi)時(shí)僅以IP地址作為參量變成第二階分類(lèi)時(shí)使用指定的網(wǎng)絡(luò )指標為基礎構建決策樹(shù)，進(jìn)一步提高故障檢測精度。對某車(chē)輛制造企業(yè)現有的光纖網(wǎng)絡(luò )應用結果表明，與標準決策樹(shù)方法相比，該算法將精度從69.0%提升到99.9%，將誤報率從3.14%降低到0.48%，優(yōu)化效果明顯。
關(guān)鍵詞： 光纖網(wǎng)絡(luò ); 通信故障檢測; 故障診斷; 數據挖掘; 決策樹(shù)
引 言
光纖網(wǎng)絡(luò )支持光纖應用系統和工業(yè)生產(chǎn)過(guò)程之間的通信，目前主要的控制網(wǎng)絡(luò )有樓宇自動(dòng)化、工廠(chǎng)自動(dòng)化和過(guò)程自動(dòng)化[1]�？刂凭W(wǎng)絡(luò )有許多不同的作用和應用環(huán)境，通常部署在支持安全可靠通信的緊要使命操作環(huán)節，這樣可確保光纖網(wǎng)絡(luò )通信會(huì )話(huà)的服務(wù)質(zhì)量，并使通信延遲最小。許多傳統的光纖網(wǎng)絡(luò )如基金會(huì )現場(chǎng)總線(xiàn)、數字化現場(chǎng)總線(xiàn)、ModBus現場(chǎng)總線(xiàn)等主要依靠專(zhuān)有協(xié)議，這些控制網(wǎng)絡(luò )技術(shù)獨立于如今蓬勃發(fā)展的以太網(wǎng)和基于網(wǎng)際協(xié)議(IP)的網(wǎng)絡(luò )技術(shù)。但是由于以太網(wǎng)和IP技術(shù)的成本低廉、可擴展性強、易于維護等優(yōu)勢，這些網(wǎng)絡(luò )近來(lái)也逐漸引入工業(yè)以太網(wǎng)和IP技術(shù)[2]。但是，當采用基于IP的控制網(wǎng)絡(luò )技術(shù)后，將不得不面臨IP網(wǎng)絡(luò )中常見(jiàn)的網(wǎng)絡(luò )問(wèn)題。網(wǎng)絡(luò )級錯誤和光纖網(wǎng)絡(luò )中的錯誤大相迥異。網(wǎng)絡(luò )級錯誤例如包重傳和校驗錯誤等是光纖網(wǎng)絡(luò )錯誤的癥狀之一，明確的控制網(wǎng)絡(luò )錯誤和網(wǎng)絡(luò )級錯誤常并發(fā)于網(wǎng)絡(luò )條件差的IP網(wǎng)絡(luò )中[3]。因而光纖網(wǎng)絡(luò )故障檢測系統的主要需求就是能夠理解網(wǎng)絡(luò )級癥狀和實(shí)際錯誤間的關(guān)聯(lián)，在此基礎上設計了一套基于決策樹(shù)的光纖網(wǎng)絡(luò )通信故障檢測系統，用于車(chē)輛制造企業(yè)的光纖網(wǎng)絡(luò )。
1 光纖網(wǎng)絡(luò )結構分析
常見(jiàn)的光纖網(wǎng)絡(luò )結構是金字塔式的[4]，如圖 1所示。頂層的控制器驅動(dòng)下層被控設備執行既定操作，最頂層的是光纖控制器(PC)，一般使用人機界面，是可編程邏輯控制器(PLC)開(kāi)發(fā)商提供的軟硬件包，是在電腦上運行的光纖應用軟件，可快捷方便地訪(fǎng)問(wèn)下層的PLC，通過(guò)開(kāi)發(fā)商提供的服務(wù)器應用軟件進(jìn)行通信，其圖形用戶(hù)界面提供實(shí)時(shí)監控結果，之間的連接使用有連接的TCP協(xié)議。中層的PLC是連接光纖網(wǎng)絡(luò )的光纖單片機，一系列復雜的控制裝置或工廠(chǎng)流水線(xiàn)上的低端控制設備通過(guò)PLC上運行的定制軟件程序處理運行。下層的被控設備種類(lèi)繁雜，涉及傳感器、制動(dòng)器、電動(dòng)機等設備，通過(guò)嵌入式接口接收上層PLC的命令信息。其中頂層PC和中層PLC通過(guò)以太網(wǎng)連接，PLC和底層的被控設備通過(guò)專(zhuān)有協(xié)議連接。
光纖網(wǎng)絡(luò )中的設備必須同步或順序運行，一個(gè)微小的網(wǎng)絡(luò )錯誤可能就是致命的，換言之，控制設備的一個(gè)錯誤可能會(huì )迫使整個(gè)生產(chǎn)過(guò)程耽擱甚至停滯，帶來(lái)巨大的經(jīng)濟損失。因此，光纖網(wǎng)絡(luò )中快速準確的故障檢測舉足輕重。
2 光纖網(wǎng)絡(luò )故障檢測和故障診斷
2.1 故障類(lèi)型分析極其弊端
通過(guò)分析光纖網(wǎng)絡(luò )錯誤的實(shí)際案例，可知其故障主要分為四類(lèi)：IP連接故障、網(wǎng)絡(luò )配置錯誤、物理故障、軟件故障[5]，其主要的故障現象如表 1所示。
目前已有的IP網(wǎng)絡(luò )故障診斷工具如嗅探器等不具備分析光纖網(wǎng)絡(luò )故障的能力，不能提供故障成因，而且控制網(wǎng)絡(luò )故障的早期癥狀常夾雜著(zhù)網(wǎng)絡(luò )級錯誤。常見(jiàn)的IP網(wǎng)絡(luò )指標有幀沖突、巨型幀、超短幀、循環(huán)冗余碼錯誤幀、TCP校驗錯誤、分片報文、重傳報文、分組到達間隔時(shí)間、吞吐率、包突發(fā)，通過(guò)分析可知網(wǎng)絡(luò )故障的報警條件，這些指標本身并不獨特，但并不在大多數的商業(yè)IP網(wǎng)絡(luò )診斷工具的分析對象之列。由于常用工具不能完全檢測出控制網(wǎng)絡(luò )故障僅能生成故障網(wǎng)絡(luò )警報，因此需要設置新的監控分類(lèi)和條件，可使用被動(dòng)網(wǎng)絡(luò )監控技術(shù)，不會(huì )影響網(wǎng)絡(luò )運行。本文設計的檢測結構的部分監測指標及報警條件如表 2所示。
在每個(gè)涉及共享地址和端口的雙向數據包傳輸的流量信息中都監測這類(lèi)指標，只要出現異常就發(fā)布警報，因為這類(lèi)指標異常只要出現就意味著(zhù)發(fā)生通信故障的可能，即這類(lèi)指標的突變意味著(zhù)光纖網(wǎng)絡(luò )的運行異常。網(wǎng)絡(luò )管理員識別出早期的控制網(wǎng)絡(luò )通信故障是非常關(guān)鍵的，操作者必須調查大量數據尋出網(wǎng)絡(luò )連接異常序列，由于不同設備的控制網(wǎng)絡(luò )有不同的通信量特性和故障案例，因此需要一個(gè)能夠自動(dòng)地從歷史故障數據中提取故障檢測規則的系統，決策樹(shù)是一種非常合適的選擇，可自動(dòng)生成反映操作控制網(wǎng)絡(luò )通信異常的規則用于故障檢測。
2.2 決策樹(shù)的引入光纖網(wǎng)絡(luò )通信挖掘優(yōu)化
傳統的故障挖掘算法面臨2個(gè)難題：檢測時(shí)間過(guò)長(cháng)，由于需要在大量網(wǎng)絡(luò )數據中進(jìn)行響應的操作，因此搜索過(guò)程極其耗時(shí);由于冗余信息的干擾，降低了系統檢測的精度。
光纖網(wǎng)絡(luò )通信數據挖掘充當控制網(wǎng)絡(luò )故障檢測的推理機，根據檢修案例、用戶(hù)經(jīng)驗和網(wǎng)絡(luò )測量指標，推測出故障與網(wǎng)絡(luò )指標間的關(guān)聯(lián)，這種關(guān)聯(lián)被轉化為故障檢測規則應用于故障檢測系統。決策樹(shù)可以很好地解決這兩個(gè)問(wèn)題。
決策樹(shù)用于歸類(lèi)有共同屬性的數據[6]，每一個(gè)決策樹(shù)代表了一種用于區分屬性的規則，主要包含內部節點(diǎn)、葉節點(diǎn)和邊界。內部節點(diǎn)指明區分數據的屬性，邊界根據母節點(diǎn)的屬性條件予以標記，葉節點(diǎn)根據數據劃分的決策值標記，決策樹(shù)已證明在網(wǎng)絡(luò )故障檢測效果較好。在控制網(wǎng)絡(luò )中，IP地址和商品號標記結點(diǎn)，故障或正常標記葉名，而標注箭頭定為邊界。決策樹(shù)根據訓練數據使用信息獲取函數構建，通過(guò)修剪決策樹(shù)獲得學(xué)習信息，這個(gè)過(guò)程會(huì )犧牲分類(lèi)的精確性，如果沒(méi)有網(wǎng)絡(luò )故障則所有結點(diǎn)都標記為正常。修剪前后的故障決策樹(shù)如圖2所示。
3 實(shí)用效果分析
使用國內某汽車(chē)生產(chǎn)公司的生產(chǎn)光纖網(wǎng)絡(luò )完全的數據包跟蹤，其周期為4天，光纖網(wǎng)絡(luò )通信總數據流量是62 GB。這些流量數據被合成有共同網(wǎng)絡(luò )特征的數據流，然后進(jìn)行特征提取，相關(guān)的特征是前文提及的網(wǎng)絡(luò )指標。分析并標記數據集中的數據流，為了便于訓練和檢驗，每個(gè)數據流排成一行，并標記正�；蛘吖收�。表3所示為用于訓練和檢驗步驟的示例數據，包含58 123行正常數據和3 317行故障數據。
為了測量決策樹(shù)對于光纖網(wǎng)絡(luò )通信網(wǎng)絡(luò )故障識別結果的精確度，引入數據決策技術(shù)中常用來(lái)評估精確度的三個(gè)參量：精度(PV)、檢索率(RP)，可由精度(TP)、假陽(yáng)性(FP)和假陰性(FN)計算得出，正確分選的對象數目占數目的比例為測量精度，反之為漏報率，正確對象被錯誤分選為其他類(lèi)型則為假陰性，檢索率反映被錯誤歸類(lèi)的對象比例，計算如式(1)，式(2)所示。
[PV=TP(TP+FP)] (1)
[RP=TP(TP+FN)] (2)
在故障檢測中，降低漏報率值是非常關(guān)鍵的，因為誤判故障數據為正常數據將會(huì )導致發(fā)生故障造成經(jīng)濟損失，必須予以糾正，這也是檢驗故障檢測技術(shù)的重要參考值。在實(shí)驗1中，首先用上文提到的光纖網(wǎng)絡(luò )通信網(wǎng)絡(luò )指標建立決策樹(shù)，并對決策樹(shù)進(jìn)行剪枝。實(shí)驗2以IP連接的源地址和目的地址對作為特征值，對決策樹(shù)進(jìn)行剪枝，檢驗假陰性指標。實(shí)驗3原理同實(shí)驗2一樣，只是不對決策樹(shù)進(jìn)行剪枝。實(shí)驗4用二階決策樹(shù)分類(lèi)方法，即在第一階分類(lèi)時(shí)僅以IP地址作為參量，第二階分類(lèi)時(shí)使用上文提及的網(wǎng)絡(luò )指標為基礎構建決策樹(shù)。實(shí)驗結果如表4所示。 表4 實(shí)驗結果
由表4可知，實(shí)驗1即標準的光纖網(wǎng)絡(luò )通信決策樹(shù)方法都可以保證較高的精度和檢索率，這是由于控制網(wǎng)絡(luò )的復雜度遠低于正常網(wǎng)絡(luò )，但是仍有104個(gè)漏報，比例為3.14%，這種結果是無(wú)法接受的�？紤]到標準決策樹(shù)算法中沒(méi)有將IP地址作為決策樹(shù)建立的輸入參量，但是任意一個(gè)光纖網(wǎng)絡(luò )通信網(wǎng)絡(luò )連接都包含著(zhù)兩個(gè)網(wǎng)絡(luò )設備以及源地址和目的地址，因此需要在此進(jìn)行修改，即如實(shí)驗2中所用的方法，將光纖網(wǎng)絡(luò )通信源地址和目的地址引入決策樹(shù)構建過(guò)程，因而成功地將假陰性樹(shù)降到53個(gè)，比例為1.60%。
實(shí)驗3的原理同實(shí)驗2一樣，只是不進(jìn)行決策樹(shù)剪枝，雖然增加了數據量，但是將光纖網(wǎng)絡(luò )通信漏報數降低到45個(gè)，比例為1.355%。實(shí)驗4的二階決策樹(shù)方法，雖然增加了系統復雜度，但是進(jìn)一步地將漏報數目降低到16個(gè)，比例為0.48%。這個(gè)數值雖然很低，但仍然存在漏判故障，對這16個(gè)假陰性誤判進(jìn)行檢驗，發(fā)現原因是故障案例非常稀少，在整個(gè)數據集中最多出現2次，大多數僅出現1次，即使使用交叉驗證也難以保證足夠的訓練。為了檢查出16種故障，需要引入16個(gè)決策樹(shù)獨立規則，這雖然會(huì )增加系統復雜度和硬件消耗，但考慮到控制網(wǎng)絡(luò )周期性地產(chǎn)生網(wǎng)絡(luò )流量，故障誘因相對較少，因而只要訓練數據足夠多，訓練較好，可以保證每一個(gè)故障都可以檢測認定。
4 結 論
本文結合IP網(wǎng)絡(luò )特點(diǎn)和光纖網(wǎng)絡(luò )的特點(diǎn)，設計了一套基于二階決策樹(shù)數據挖掘的光纖優(yōu)化故障檢測系統，經(jīng)過(guò)國內某車(chē)輛生產(chǎn)企業(yè)現用的光纖網(wǎng)絡(luò )實(shí)用結果表明，該系統性能優(yōu)越，光纖網(wǎng)絡(luò )通信故障檢測率可達到99.9%。在一定數據量的基礎上，該方案可以將漏報率降低到0.48%，優(yōu)化效果較為明顯，取得了較好的檢測效果，目前正逐步推廣。
參考文獻
[1] WON Y J， CHOI Mi?Jung， HONG J W. Fault detection and diagnosis in IP?based mission critical industrial process control networks [J]. IEEE Communications Magazine， 2008， 46(5)： 172?180.
[2] AMOOEE Gloriz， MINAEI?BIDGOLI Behrouz， BAGHERI?DEHNAVI Malihe. A comparison between data mining prediction algorithms for fault detection [J]. IJCSI International Journal of Computer Science Issues， 2011， 8(3)： 425?431.
[3] ALZGHOU A， LOFSTRAND M. Increasing availability of industrial systems through data stream mining [J]. Computers & Industrial Engineering， 2010， 10(31)： 743?748.
[4] CHEN Kai?ying， CHEN Long?sheng， CHEN Mu?chen， et al. Using SVM based method for equipment fault detection in a thermal power plant [J]. Computers in Industry， 2011， 2(62)： 42?50.
[5] 錢(qián)宇，徐敏，郭東，等.基于預警專(zhuān)家系統的航天器規避研究[J].計算機仿真，2011，28(5)：93?96.
[6] 陳春燕.小波神經(jīng)網(wǎng)絡(luò )改進(jìn)算法在故障診斷中的應用[J].科技通報，2012，28(10)：31?33.
【基于決策樹(shù)算法的工業(yè)光纖網(wǎng)絡(luò )通信故障檢測系統】相關(guān)文章：
基于光纖傳感器的位移測量系統11-17
MCMC算法在MIMO系統檢測中的應用03-07
基于粒子濾波算法的DS-CDMA多用戶(hù)檢測03-07