[发明专利]卫星通信系统隐故障诊断预测方法

说明书

技术领域

本发明属于卫星通信网中的隐性故障智能诊断技术，特别是一种卫星通信系统隐故障诊断预测方法。 

背景技术

故障诊断中早期应用最广泛的人工智能技术是专家系统，专家系统通过模仿人类专家在解决特定领域时的行为来解决问题。智能故障诊断的关键是故障特征模式获取，也就是知识的自动获取问题。由于知识获取的“瓶颈”效应、不确定性推理、自学习困难等问题，影响了专家系统在故障诊断领域的应用和发展。直到近年来，一种新的知识获取技术——数据挖掘从人工智能的一个分支机器学习中脱颖而出，为故障诊断智能化开辟了一条新的路径。 

下面就数据挖掘在故障智能诊断领域常用到的一些技术做简要的阐述： 

(1)人工神经网络。人工神经网络是用大量的神经元组成的非线性动力学系统，它具有学习、记忆、计算、识别、预测的智能处理的功能。神经网络由于自身的特性，在智能故障模式识别领域中有着越来越广泛的应用，比如多层感知器(MLP)网络、自适应共振理论(ART)，自组织映射(SOM)等。总体来说，神经网络可以成功应用于智能故障诊断领域，主要有以下3个方面的原因： 

(a)训练过的神经网络能存储有关过程的知识，能直接从历史故障信息中学习。因此可以根据对象日常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定当前的故障类型； 

(b)神经网络具有过滤数据噪声的能力，能够在有噪声的情况下得出比较准确的结论，这种过滤噪声的能力适合于在线故障检测和诊断； 

(c)神经网络具有分辨故障原因及故障类型的能力。 

但是，由于神经网络得到的知识是以权值形式表示的“隐式”知识，造成知识获取过程的可解释性差。 

(2)支持向量机(SVM)。故障诊断过程中存在故障样本过少的小样本学习问题。支持向量机是一种适用于小样本情况的基于统计学习理论的机器学习方法，在故障模式数据难以大量获取的情况下，具有较好的推广能力。SVM方法在理论上具有突出的优势，但与其理论研究相比，应用研究相对比较滞后，目前只有较为有限的实验研究报道， 且多属仿真和对比实验。 

(4)粗糙集(Rough Set)。由于故障产生的机理不清楚，故障表现形式不唯一，在提取故障特征时常带有盲目性，导致了实际描述的状态之间不分明。粗糙集理论的出现在一定程度上解决了这一问题。粗糙集被认为是处理模糊和不确定性问题的新数学工具，它能有效的分析和处理不精确，不一致，不完整等各种不完备信息，并从中发现隐含的知识，解释潜在的规律。近年来很多学者致力于将粗糙集理论应用于智能故障诊断领域，并取得了一定的成绩。 

此外，模糊集理论、混沌理论、云理论以及尝试将现有方法相结合等新颖的方法也越来越多的应用于智能故障诊断领域，为智能故障诊断的发展提供了更多选择的方向。 

发明内容

本发明的目的在于提供一种运用聚类分析和决策树两种智能诊断技术，实现卫星通信系统隐故障诊断预测方法。 

实现本发明目的的技术解决方案为：一种卫星通信系统隐故障诊断预测方法，构建由下至上的数据层、核心层、应用层，数据层负责对采集到的地球站原始数据进行标准化、归一化，得到训练和测试数据集，实现数据的预处理，输入给核心层；核心层对预处理后数据集进行诊断，包括通信状态分析和故障规律归纳，其中通信状态分析负责分析预处理后的数据，通过SOM记忆聚类，对通信状态分类，形成通信状态集，故障规律归纳对每一个通信状态集进行分析，对比不同通信状态参数与故障现象之间的关系，通过增量式决策树算法，总结出有决策意义的规则，形成故障规则集，并将通信状态集和故障规则集以可解释的结果形式表现出来；应用层将与用户交互，包括查看未知记录的诊断结果，查看、修改故障规律。 

本发明与现有技术相比，其显著优点：(1)能够针对地球站通信纪录各项数据异构的特点，采用有效的预处理方法；(2)使用通信记录描述地球站通信状态，并应用SOM模型对通信状态进行聚类分析，可以对通信状态进行较好的分类；(3)使用增量决策树的方法从历史通信记录中挖掘故障发生规律并满足故障规则不断更新的要求。 

下面结合附图对本发明作进一步详细描述。 

附图说明

图1是智能诊断的基本流程图。 

图2是卫星通信软故障智能诊断框架图。 

图3是卫星故障智能诊断方法的核心模块图。 

图4是基于SOM的故障通信状态分析流程图。 

图5是训练集形成最终决策树的过程的示意图。 

具体实施方式