赵宇

(国家广播电视总局2021台,黑龙江 齐齐哈尔161000)

1 概述

在无线广播发射台站中，ups是供电系统中重要的基础设备，是保证播音任务的重要一环，因此，对ups设备的监测维护就十分必要。而限于算法局限性，传统计算机的观测过程缺乏人类行为特征，此外，设备故障的预测也是传统算法无法实现的功能，而神经网络技术在近年已被广泛应用于各领域的预测研究（如天气、地震等领域的预测）[1]。

本文基于分布式节点结构实现了与不同ups设备的通信，借助神经网络技术，组成一个能进行供电性能估算、预测故障风险的统一设备观测平台[2]。

2 分布式环境搭建

硬件部分：两台服务器分别运行神经网络节点、数据库，多台计算机运行不同的程序节点、主界面节点。计算机之间通过网络连接，此外还需要串口服务器将ups设备由串口通讯转换为网络通讯。

软件部分：python3、pyqt5、vb.net、sql。

3 主界面节点开发

主界面承担数据显示与节点管理两大功能，按如下方式开发：ups数据、神经网络观测结果都由其它节点写入到数据库表中，主界面不断读取；同时，其它节点程序每秒上传自身cpu占用、ip地址、一个随机数，神经网络节点还将向表中汇报线程池排队情况、计算请求数，主界面使用随机数是否持续变化监视节点是否在线，当表中有报警消息时使用微软语音引擎发起语音合成报警。

4 ups通讯节点开发

获取ups设备数据使用serialport控件，一般各厂商ups设备都是ascii通信，每一个型号的ups开发为一个单独程序，每秒将数据、自身状态写入数据库，同时，节点可发起神经网络请求，请求的sql记录格式为：“目的+网络模型文件名+时间id+数据”，目的分为“训练”、“使用”，神经网络节点计算完毕后将标注记录为“完成”。

5 神经网络节点开发

导入numpy库为np，导入Pyqt5库，构建初步可视化窗体，然后进行神经网络的开发。

5.1 创建前馈神经网络

图1 系统主界面

initnet()是对于权重和偏置的初始化，偏置为高斯分布，均值0，标准差1，权重均值0，标准差1/√n，net是列表类型，填写网络各层神经元数，co用于交叉熵的使用。

5.2 随机梯度下降算法实现

随机梯度下降算法公式：

等号左边表示重力滑落模拟过程中权重和偏置的最小值，C为二次代价函数，η为学习速率[3]。Python随机梯度下降应用上述公式的核心代码为：

5.3 反向传播算法的实现

反向传播是网络的学习过程，在进行前向传播后，反馈权重的核心代码为：

5.4 交叉熵算法的实现

神经网络中，通常会因较大误差的权重和偏置导致学习速度的下降，而将交叉熵作为神经网络的代价函数，能有效解决这个问题[4]。公式为：

其中a是网络总输出，y是对应训练输入x的输出，n为训练数，相应python中应用上述公式的核心代码为：

np.sum(np.nan_to_num(-y*np.log(a)-(1-y)*np.log(1-a)))

5.5 规范化算法的实现

规范化主要是在代价函数后添加规范化因子：

在程序中，梯度下降的核心处在接收到用户请求后，变为：

程序的其它传参处也会被加入规范化参数。

5.6 神经网络节点的使用

神经网络的训练：ups节点发出请求后，数据库就新填入请求数据，第一项数据注明为“训练”，第二项注明使用的模型文件，第三项写明的是请求的唯一性时间，后面跟随训练数据。神经网络节点主线程扫描数据表发现请求后，根据模型文件名加载相应的文件，读取数据进行训练，完毕返回根据唯一时间插入的标注为“完成”的数据记录到相应的节点的表中，相应ups节点在读取到“完成”、唯一时间的记录后，获知该次请求已被计算完成。

神经网络的使用：ups节点写入请求数据库记录，并把第一项“训练”改为“计算”，神经网络节点读取数据库后加载对应网络模型进行计算，计算完毕将结果返回数据库。第一种模型是根据ups供电期间的数据样本训练的网络模型，用来进行即时的供电性能估算，第二种模型由正常运行期间的样本和故障期间的样本训练而来，用于及时发现设备可能出现的问题风险。

6 结论

通过使用神经网络的学习型观测技术，能极大的提高计算机监测系统对数据的识别、分析能力，目前使用神经网络技术进行具体设备观测的系统并不多见，该系统的开发至应用都有较多的创新点。