APP下载

基于BP神经网络的光通信系统故障诊断

2016-12-17陈芳

科技视界 2016年26期
关键词:BP神经网络故障诊断

陈芳

【摘 要】阐述了光通信系统故障诊断过程中,应用BP神经网络模型的重要性。以专家经验和文献依据为途径,建立了光信号系统故障知识库。同时,选择了基于模糊综合评判为计算方法,建立了神经网络数学模型。最后,以光信号元件故障诊断实例为例,论证了BP神经网络法的可行性。

【关键词】BP神经网络;光通信系统;故障诊断

【Abstract】The analysis of the fault diagnosis of optical communication system based on BP fuzzy neural network: the fault diagnosis of optical communication system in the process, the importance of application of BP neural network model. Based on expert experiences and literature basis for the way, the establishment of a knowledge base of fault signal system. At the same time, the fuzzy comprehensive evaluation based on the calculation method, the neural network model is set up. Finally, the fault diagnosis of optical signal components as examples, demonstrates the feasibility of the method of BP neural network.

【Key words】BP neural network; Optical communication system; Fault diagnosis

光通信系统,是一种以光波为介质的综合性传输通信系统。其基本的结构组成包括光纤、光发射系统、光接收系统以及指令接收器等。由于各个结构之间存在耦合关系,故该系统是错综复杂的。根据大量的案例可知,光通信系统在运行中,由于光纤的损耗、元件的老化等问题无法避免,将会导致系统发生通信线缆不畅通、光模块损坏等故障,从而中断信号的传输,严重影响用户的使用。且系统的复杂性问题,导致故障的诊断准确性差,检修耗时较长。因此,若能够建立光通信系统的故障征兆和引发原因之间的矩阵关系,对于及时、精确地把握故障特点,减少检修的时间,具有重要的意义。

1 光通信系统故障知识库的建立

光通信系统故障知识库,是一个对故障推理知识库的求解集合。它囊括了系统故障中的基本事实、规律等信息。该知识库的建立,主要依赖于业内资深专家。故在建立过程中,专家对精度的把握,是矩阵计算准确性的关键。光通信系统故障知识库的建立,主要从两个环节入手。

1.1 资料搜集与统计[1]

通过查阅近10年来,关于光通信系统的故障诊断及处理案例的文献。对案例中的故障原因和征兆进行统计与整理。例如,在某电力光通信系统的故障案例中,出现了OPGW外丝断股的故障征兆,通过文献的分析可知,造成该征兆的原因是雷击。则分别将OPGW外丝断股和雷击整理至征兆和原因部分。

1.2 专家打分法

调研成都地区的部分高校以及光通信系统设备生产厂家。对30位该领域的专家进行走访,将专家意见添加进知识库。

在光通信系统的故障诊断中,知识库的实现方式[2],拟采取产生式。如:If接头损耗and光纤断裂,Then光板闪断。

2 BP神经网络模型的建立

BP神经网络,是模拟人的大脑神经系统,具有判断功能的算法网络。该系统是一个需要训练的系统,本质是Back Propagation算法[2]。具体的结构包括:输入端、输出端和隐藏区域。在该结构的设计中,隐藏区间的数量,必须≥1。本文中,选择最小量即可,故只采用1个隐藏区间。BP算法的实质,主要是体现在系统的学习过程中,信号分别进行正向传播、误差反向传播。该过程的目标是,采用输出误差反传的方法,将误差分化,即各个单元部分,都分配部分误差,继而每个单元的误差信号都能够计算出来。由此,再对各个单元的权值,进行修正。故综上所述,如果输出端的结果与理想值偏差大,系统将开始反向传播,然后重新修改神经元的权值,以达到减小误差信号的目的。

在光通信系统的故障诊断模型建立中,基本的操作为:(1)假设系统在发生故障时,表现出的征兆为n,则输出向量:X=(x1,x2,…,xn);(2)如果引发这些征兆的原因为m,则输出向量:Y=(y1,y2,…, ym)。由此可知,对于该BP神经网络系统的输入端、隐藏区间、输出端的神经元个数为:n、h、m;与此同时,输入端和隐藏区间、输出端和隐藏区间的连接权重分别为wij和wjk。式中,h的取值与范围由具体的问题描述决定。根据经验值可知,取值范围为:+1,3n。因此,BP计算方法的训练过程[3]为:

(1)定义wij和wjk的初始权值。定义的手段为随机选取法。该步骤中,设置2个约束条件:①wij≠wjk;②取值区间为:(0,1)。

(2)输入学习样本(Xp,Yp),计算输出值Op。

(3)对比计算结果。把Op值与理想值进行对比,计算二者的误差。

(4)选择误差最小值法,修正权值的矩阵。

(5)规定阈值。该环节的实施,主要是结合专家经验,由专家结合该系统的特点,定义一个确定的阈值?姿。然后,将输出向量结果与该值比较。若结果ym 大于阈值,计算过程结束,得出结果。否则,结果无法确定,认为输入信息不全,重新调整参数,又重步骤(2)开始循环计算。

整个过程中,步骤(1)和(2)的传播方向为向前;步骤(3)和(4)的传播方向为向后。所有步骤中,都必须达到一定的精度要求[4]。

3 故障征兆向量的选择

假设某光通信系统中,故障征兆向量为:x1,x2,…,xn;而原因向量为:y1,y2,…,ym;显然,二者之间并不是一一对应的,表现出了一定的模糊性。所以,准确的计算模型是不可能建立起来的。在这种状态下,拟选择模糊数学[4]中的语义征兆法,来界定二者的对应关系。具体操作是,按照系统故障的严重程度,把语义征兆划分为:很严重、比较严重、严重、一般 、轻微 、比较轻微、很轻微、不存在。然后,由专家规定隶属度。相应的隶属度取值范围为:[1,0.9],[0.9,0.7],[0.7,0.6],[0.6,0.4],[0.4,0.3],[0.3,0.1],[0.1,0],0。例如,某光纤通信系统发生了故障,症状为:光缆线路衰减量较大,数据无法配置,输入端轻微松动,由此可得征兆的向量:(0.75,0.97,0.35)。

4 计算案例分析

以某光通信系统为例,假设在运行环节中,系统发生故障,症状表现为:x1(数据配置错误),x2(信号衰减),x3(光波失效),x4(电源输入中断),x5(脉冲波形失真)。由知识库可知,造成故障的可能原因为:y1(光纤断裂),y2(接头损耗),y3(光缆老化),y4(再生电路故障),y5(检测器故障),y6 (耦合器损坏)。假设在系统单次运行中,表现出了3个征兆:x1,x2,x5;根据严重程度确定的征兆向量为 0.7,0.3,0.6。由此可知,输出向量X=(0.70 0.30 0 0 0.60)。

由上述故障表现可知,BP神经网络模型中,输入端、输出端和隐藏区间的数量为:5、6、8;根据公式(1)与(2)可知,整体误差为 0.8。此时,将学习样本表输入,Xi为1时,表示该故障的征兆发生;Yi为1时,则表示故障的原因确定;否则,取值为0。然后,将故障模糊向量输入,结果表示为原因向量。根据计算结果可知,发生故障的原因为y3,即光缆老化,该结论与现场诊断的结果相符合。

5 结论

通过构建光通信系统的BP神经网络模型,定义了系统故障的表现症状和引发原因之间的模糊关系。再选择模糊综合评判的方法进行计算,快速地确定了引发故障的原因。但是,阈值和隶属度的确定,主要依赖专家的经验,具有一定的主观性和局限性。所以,隶属度和阈值的精度,需要在今后系统的进一步开发过程中,不断修正和完善,以达到提高系统整体诊断精度的要求。

【参考文献】

[1]刘建忠.电力系统光纤通信故障的检测与排除[J].科技信息,2010(17):359-360.

[2]王旭,潘峤.基于BP模糊神经网络的水轮机进水蝶阀故障诊断方法的研究[J].水利电力科技,2011,37(1):20-23.

[3]王浩全.基于BP神经网络提高伪装目标识别概率的研究[J].光学与光谱分析,2010,30(12):3316-3319.

[4]李士勇.工程模糊数学及应用[M].哈尔滨:哈尔滨工业出版社,2004.

[责任编辑:朱丽娜]

猜你喜欢

BP神经网络故障诊断
冻干机常见故障诊断与维修
基于量子万有引力搜索的SVM自驾故障诊断
因果图定性分析法及其在故障诊断中的应用
基于LCD和排列熵的滚动轴承故障诊断
基于WPD-HHT的滚动轴承故障诊断
高速泵的故障诊断