高級(jí)職稱論文基于決策樹(shù)算法的工業(yè)光纖網(wǎng)絡(luò)通信故障檢測(cè)系統(tǒng)

　　光纖網(wǎng)絡(luò)支持光纖應(yīng)用系統(tǒng)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高級(jí)職稱論文：探究工業(yè)光纖網(wǎng)絡(luò)通信故障檢測(cè)系統(tǒng)的論文范文，歡迎閱讀參考。

　　摘 要： 針對(duì)工業(yè)光纖網(wǎng)絡(luò)通信故障檢測(cè)過(guò)程繁瑣、效率低的問(wèn)題，設(shè)計(jì)了一種基于優(yōu)化的決策樹(shù)數(shù)據(jù)挖掘算法的光纖網(wǎng)絡(luò)通信故障檢測(cè)系統(tǒng)。系統(tǒng)以減少檢測(cè)器重復(fù)工作和準(zhǔn)確定位為目標(biāo)，引入以決策樹(shù)為核心的故障數(shù)據(jù)挖掘模塊，降低了對(duì)非己空間的故障挖掘時(shí)間。將第一階光纖網(wǎng)絡(luò)故障分類時(shí)僅以IP地址作為參量變成第二階分類時(shí)使用指定的網(wǎng)絡(luò)指標(biāo)為基礎(chǔ)構(gòu)建決策樹(shù)，進(jìn)一步提高故障檢測(cè)精度。對(duì)某車輛制造企業(yè)現(xiàn)有的光纖網(wǎng)絡(luò)應(yīng)用結(jié)果表明，與標(biāo)準(zhǔn)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(bào)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(cè); 故障診斷; 數(shù)據(jù)挖掘; 決策樹(shù)

　　引 言

　　光纖網(wǎng)絡(luò)支持光纖應(yīng)用系統(tǒng)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、工廠自動(dòng)化和過(guò)程自動(dòng)化[1]。控制網(wǎng)絡(luò)有許多不同的作用和應(yīng)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(jié)，這樣可確保光纖網(wǎng)絡(luò)通信會(huì)話的服務(wù)質(zhì)量，并使通信延遲最小。許多傳統(tǒng)的光纖網(wǎng)絡(luò)如基金會(huì)現(xiàn)場(chǎng)總線、數(shù)字化現(xiàn)場(chǎng)總線、ModBus現(xiàn)場(chǎng)總線等主要依靠專有協(xié)議，這些控制網(wǎng)絡(luò)技術(shù)獨(dú)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(kuò)展性強(qiáng)、易于維護(hù)等優(yōu)勢(shì)，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(dāng)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(jí)錯(cuò)誤和光纖網(wǎng)絡(luò)中的錯(cuò)誤大相迥異。網(wǎng)絡(luò)級(jí)錯(cuò)誤例如包重傳和校驗(yàn)錯(cuò)誤等是光纖網(wǎng)絡(luò)錯(cuò)誤的癥狀之一，明確的控制網(wǎng)絡(luò)錯(cuò)誤和網(wǎng)絡(luò)級(jí)錯(cuò)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(cè)系統(tǒng)的主要需求就是能夠理解網(wǎng)絡(luò)級(jí)癥狀和實(shí)際錯(cuò)誤間的關(guān)聯(lián)，在此基礎(chǔ)上設(shè)計(jì)了一套基于決策樹(shù)的光纖網(wǎng)絡(luò)通信故障檢測(cè)系統(tǒng)，用于車輛制造企業(yè)的光纖網(wǎng)絡(luò)。

　　1 光纖網(wǎng)絡(luò)結(jié)構(gòu)分析

　　常見(jiàn)的光纖網(wǎng)絡(luò)結(jié)構(gòu)是金字塔式的[4]，如圖 1所示。頂層的控制器驅(qū)動(dòng)下層被控設(shè)備執(zhí)行既定操作，最頂層的是光纖控制器(PC)，一般使用人機(jī)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(yùn)行的光纖應(yīng)用軟件，可快捷方便地訪問(wèn)下層的PLC，通過(guò)開(kāi)發(fā)商提供的服務(wù)器應(yīng)用軟件進(jìn)行通信，其圖形用戶界面提供實(shí)時(shí)監(jiān)控結(jié)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(jī)，一系列復(fù)雜的控制裝置或工廠流水線上的低端控制設(shè)備通過(guò)PLC上運(yùn)行的定制軟件程序處理運(yùn)行。下層的被控設(shè)備種類繁雜，涉及傳感器、制動(dòng)器、電動(dòng)機(jī)等設(shè)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(shè)備通過(guò)專有協(xié)議連接。

　　光纖網(wǎng)絡(luò)中的設(shè)備必須同步或順序運(yùn)行，一個(gè)微小的網(wǎng)絡(luò)錯(cuò)誤可能就是致命的，換言之，控制設(shè)備的一個(gè)錯(cuò)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(jì)損失。因此，光纖網(wǎng)絡(luò)中快速準(zhǔn)確的故障檢測(cè)舉足輕重。

　　2 光纖網(wǎng)絡(luò)故障檢測(cè)和故障診斷

　　2.1 故障類型分析極其弊端

　　通過(guò)分析光纖網(wǎng)絡(luò)錯(cuò)誤的實(shí)際案例，可知其故障主要分為四類：IP連接故障、網(wǎng)絡(luò)配置錯(cuò)誤、物理故障、軟件故障[5]，其主要的故障現(xiàn)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網(wǎng)絡(luò)級(jí)錯(cuò)誤。常見(jiàn)的IP網(wǎng)絡(luò)指標(biāo)有幀沖突、巨型幀、超短幀、循環(huán)冗余碼錯(cuò)誤幀、TCP校驗(yàn)錯(cuò)誤、分片報(bào)文、重傳報(bào)文、分組到達(dá)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(bào)警條件，這些指標(biāo)本身并不獨(dú)特，但并不在大多數(shù)的商業(yè)IP網(wǎng)絡(luò)診斷工具的分析對(duì)象之列。由于常用工具不能完全檢測(cè)出控制網(wǎng)絡(luò)故障僅能生成故障網(wǎng)絡(luò)警報(bào)，因此需要設(shè)置新的監(jiān)控分類和條件，可使用被動(dòng)網(wǎng)絡(luò)監(jiān)控技術(shù)，不會(huì)影響網(wǎng)絡(luò)運(yùn)行。本文設(shè)計(jì)的檢測(cè)結(jié)構(gòu)的部分監(jiān)測(cè)指標(biāo)及報(bào)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(shù)據(jù)包傳輸?shù)牧髁啃畔⒅卸急O(jiān)測(cè)這類指標(biāo)，只要出現(xiàn)異常就發(fā)布警報(bào)，因?yàn)檫@類指標(biāo)異常只要出現(xiàn)就意味著發(fā)生通信故障的可能，即這類指標(biāo)的突變意味著光纖網(wǎng)絡(luò)的運(yùn)行異常。網(wǎng)絡(luò)管理員識(shí)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(diào)查大量數(shù)據(jù)尋出網(wǎng)絡(luò)連接異常序列，由于不同設(shè)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(shù)據(jù)中提取故障檢測(cè)規(guī)則的系統(tǒng)，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(guī)則用于故障檢測(cè)。

　　2.2 決策樹(shù)的引入光纖網(wǎng)絡(luò)通信挖掘優(yōu)化

　　傳統(tǒng)的故障挖掘算法面臨2個(gè)難題：檢測(cè)時(shí)間過(guò)長(zhǎng)，由于需要在大量網(wǎng)絡(luò)數(shù)據(jù)中進(jìn)行響應(yīng)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(tǒng)檢測(cè)的精度。

　　光纖網(wǎng)絡(luò)通信數(shù)據(jù)挖掘充當(dāng)控制網(wǎng)絡(luò)故障檢測(cè)的推理機(jī)，根據(jù)檢修案例、用戶經(jīng)驗(yàn)和網(wǎng)絡(luò)測(cè)量指標(biāo)，推測(cè)出故障與網(wǎng)絡(luò)指標(biāo)間的關(guān)聯(lián)，這種關(guān)聯(lián)被轉(zhuǎn)化為故障檢測(cè)規(guī)則應(yīng)用于故障檢測(cè)系統(tǒng)。決策樹(shù)可以很好地解決這兩個(gè)問(wèn)題。

　　決策樹(shù)用于歸類有共同屬性的數(shù)據(jù)[6]，每一個(gè)決策樹(shù)代表了一種用于區(qū)分屬性的規(guī)則，主要包含內(nèi)部節(jié)點(diǎn)、葉節(jié)點(diǎn)和邊界。內(nèi)部節(jié)點(diǎn)指明區(qū)分?jǐn)?shù)據(jù)的屬性，邊界根據(jù)母節(jié)點(diǎn)的屬性條件予以標(biāo)記，葉節(jié)點(diǎn)根據(jù)數(shù)據(jù)劃分的決策值標(biāo)記，決策樹(shù)已證明在網(wǎng)絡(luò)故障檢測(cè)效果較好。在控制網(wǎng)絡(luò)中，IP地址和商品號(hào)標(biāo)記結(jié)點(diǎn)，故障或正常標(biāo)記葉名，而標(biāo)注箭頭定為邊界。決策樹(shù)根據(jù)訓(xùn)練數(shù)據(jù)使用信息獲取函數(shù)構(gòu)建，通過(guò)修剪決策樹(shù)獲得學(xué)習(xí)信息，這個(gè)過(guò)程會(huì)犧牲分類的精確性，如果沒(méi)有網(wǎng)絡(luò)故障則所有結(jié)點(diǎn)都標(biāo)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(guó)內(nèi)某汽車生產(chǎn)公司的生產(chǎn)光纖網(wǎng)絡(luò)完全的數(shù)據(jù)包跟蹤，其周期為4天，光纖網(wǎng)絡(luò)通信總數(shù)據(jù)流量是62 GB。這些流量數(shù)據(jù)被合成有共同網(wǎng)絡(luò)特征的數(shù)據(jù)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(biāo)。分析并標(biāo)記數(shù)據(jù)集中的數(shù)據(jù)流，為了便于訓(xùn)練和檢驗(yàn)，每個(gè)數(shù)據(jù)流排成一行，并標(biāo)記正常或者故障。表3所示為用于訓(xùn)練和檢驗(yàn)步驟的示例數(shù)據(jù)，包含58 123行正常數(shù)據(jù)和3 317行故障數(shù)據(jù)。

　　為了測(cè)量決策樹(shù)對(duì)于光纖網(wǎng)絡(luò)通信網(wǎng)絡(luò)故障識(shí)別結(jié)果的精確度，引入數(shù)據(jù)決策技術(shù)中常用來(lái)評(píng)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(jì)算得出，正確分選的對(duì)象數(shù)目占數(shù)目的比例為測(cè)量精度，反之為漏報(bào)率，正確對(duì)象被錯(cuò)誤分選為其他類型則為假陰性，檢索率反映被錯(cuò)誤歸類的對(duì)象比例，計(jì)算如式(1)，式(2)所示。

　　[PV=TP(TP+FP)] (1)

　　[RP=TP(TP+FN)] (2)

　　在故障檢測(cè)中，降低漏報(bào)率值是非常關(guān)鍵的，因?yàn)檎`判故障數(shù)據(jù)為正常數(shù)據(jù)將會(huì)導(dǎo)致發(fā)生故障造成經(jīng)濟(jì)損失，必須予以糾正，這也是檢驗(yàn)故障檢測(cè)技術(shù)的重要參考值。在實(shí)驗(yàn)1中，首先用上文提到的光纖網(wǎng)絡(luò)通信網(wǎng)絡(luò)指標(biāo)建立決策樹(shù)，并對(duì)決策樹(shù)進(jìn)行剪枝。實(shí)驗(yàn)2以IP連接的源地址和目的地址對(duì)作為特征值，對(duì)決策樹(shù)進(jìn)行剪枝，檢驗(yàn)假陰性指標(biāo)。實(shí)驗(yàn)3原理同實(shí)驗(yàn)2一樣，只是不對(duì)決策樹(shù)進(jìn)行剪枝。實(shí)驗(yàn)4用二階決策樹(shù)分類方法，即在第一階分類時(shí)僅以IP地址作為參量，第二階分類時(shí)使用上文提及的網(wǎng)絡(luò)指標(biāo)為基礎(chǔ)構(gòu)建決策樹(shù)。實(shí)驗(yàn)結(jié)果如表4所示。 　　表4 實(shí)驗(yàn)結(jié)果

　　由表4可知，實(shí)驗(yàn)1即標(biāo)準(zhǔn)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(fù)雜度遠(yuǎn)低于正常網(wǎng)絡(luò)，但是仍有104個(gè)漏報(bào)，比例為3.14%，這種結(jié)果是無(wú)法接受的。考慮到標(biāo)準(zhǔn)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?yún)⒘浚侨我庖粋€(gè)光纖網(wǎng)絡(luò)通信網(wǎng)絡(luò)連接都包含著兩個(gè)網(wǎng)絡(luò)設(shè)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(yàn)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(gòu)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(yàn)3的原理同實(shí)驗(yàn)2一樣，只是不進(jìn)行決策樹(shù)剪枝，雖然增加了數(shù)據(jù)量，但是將光纖網(wǎng)絡(luò)通信漏報(bào)數(shù)降低到45個(gè)，比例為1.355%。實(shí)驗(yàn)4的二階決策樹(shù)方法，雖然增加了系統(tǒng)復(fù)雜度，但是進(jìn)一步地將漏報(bào)數(shù)目降低到16個(gè)，比例為0.48%。這個(gè)數(shù)值雖然很低，但仍然存在漏判故障，對(duì)這16個(gè)假陰性誤判進(jìn)行檢驗(yàn)，發(fā)現(xiàn)原因是故障案例非常稀少，在整個(gè)數(shù)據(jù)集中最多出現(xiàn)2次，大多數(shù)僅出現(xiàn)1次，即使使用交叉驗(yàn)證也難以保證足夠的訓(xùn)練。為了檢查出16種故障，需要引入16個(gè)決策樹(shù)獨(dú)立規(guī)則，這雖然會(huì)增加系統(tǒng)復(fù)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(duì)較少，因而只要訓(xùn)練數(shù)據(jù)足夠多，訓(xùn)練較好，可以保證每一個(gè)故障都可以檢測(cè)認(rèn)定。

　　4 結(jié) 論

　　本文結(jié)合IP網(wǎng)絡(luò)特點(diǎn)和光纖網(wǎng)絡(luò)的特點(diǎn)，設(shè)計(jì)了一套基于二階決策樹(shù)數(shù)據(jù)挖掘的光纖優(yōu)化故障檢測(cè)系統(tǒng)，經(jīng)過(guò)國(guó)內(nèi)某車輛生產(chǎn)企業(yè)現(xiàn)用的光纖網(wǎng)絡(luò)實(shí)用結(jié)果表明，該系統(tǒng)性能優(yōu)越，光纖網(wǎng)絡(luò)通信故障檢測(cè)率可達(dá)到99.9%。在一定數(shù)據(jù)量的基礎(chǔ)上，該方案可以將漏報(bào)率降低到0.48%，優(yōu)化效果較為明顯，取得了較好的檢測(cè)效果，目前正逐步推廣。

　　參考文獻(xiàn)

　　[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] 錢宇，徐敏，郭東，等.基于預(yù)警專家系統(tǒng)的航天器規(guī)避研究[J].計(jì)算機(jī)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(yīng)用[J].科技通報(bào)，2012，28(10)：31?33.