[发明专利]一种基于模糊神经网络的故障预测方法

摘要

本发明涉及一种基于模糊神经网络的故障预测方法,能够解决现有技术中无法进行在线故障预测的问题。所述基于模糊神经网络的故障预测方法包括根据故障预测时序建立算法模型；读取表征网络运行状态的τ个时隙的τ个n维指标数据；向输入层神经元节点中输入τ个指标数据；预处理层神经元节点利用第一映射函数将每一个n维指标数据中的每一类别的指标数据映射成集合S中的一种；根据预先确定的预处理层神经元节点与规则层神经元节点间的关联权重确定出指标与故障间的关联规则；根据指标与故障间的关联规则确定出τ个指标数据处于故障倾向模式和无故障模式的概率；将概率中较大的概率所对应的模式确定为预测结果。本发明适用于需要进行故障预测的场合。

主权项

一种基于模糊神经网络的故障预测方法,其特征在于,包括:根据故障预测时序建立算法模型；其中，所述算法模型由输入层神经元节点、预处理层神经元节点、规则层神经元节点、模式层神经元节点和输出层神经元节点组成，所述输入层神经元节点与所述预处理层神经元节点之间连接，所述预处理层神经元节点与所述规则层神经元节点之间连接，所述规则层神经元节点与所述模式层神经元节点之间连接，所述模式层神经元节点与所述输出层神经元节点之间连接；读取表征网络运行状态的τ个时隙的τ个n维指标数据；其中，所述n为用于故障预测的指标类别数量；向所述输入层神经元节点中输入所述τ个n维指标数据；所述预处理层神经元节点利用第一映射函数将所述输入层神经元节点中输入的每一个n维指标数据中的每一类别的指标数据映射成集合S＝{N，Awarning，Aminor，Amajor，Acritical，F}中的一种；其中，所述N表示正常状态，所述Awarning表示警告状态，所述Aminor表示次要告警状态，所述Amajor表示主要告警状态，所述Acritical表示严重告警状态，所述F表示故障状态；根据预先确定的所述预处理层神经元节点与所述规则层神经元节点间的关联权重，并利用第二映射函数确定出指标与故障间的关联规则；根据预先确定的所述规则层神经元节点与所述模式层神经元节点间的关联权重与所述指标与故障间的关联规则，并利用第三映射函数确定出所述τ个n维指标数据处于故障倾向模式和无故障模式的概率；将所述概率中较大的概率所对应的模式确定为预测结果；所述τ个n维指标数据所述(k∈(1，2，…，τ))为第k个时隙的n维指标数据，所述xki(i∈(1，2，…，n))为第k个时隙的第i个指标类别的指标数据，其中，所述预处理层神经元节点利用第一映射函数将所述输入层神经元节点中输入的每一个n维指标数据中的每一类别的指标数据映射成集合S＝{N，Awarning，Aminor，Amajor，Acritical，F}中的一种，包括:所述预处理层神经元节点将所述输入层神经元节点中输入的第i个时隙的n维指标数据中的第j个类别的指标数据按照公式∈S＝{N，Awarning，Aminor，Amajor，Acritical，F}(i＝1,2,…,τ；j＝1,2,…,n)进行映射；其中，所述degree(i‑1)*n+j为所述预处理层中第(i‑1)*n+j个神经元节点的输出；所述输入层神经元节点数量为τ，所述预处理层神经元节点数量为τ*n，所述规则层神经元节点数量为n+τ+ε(ε∈N+)，其中，所述根据预先确定的所述预处理层神经元节点与所述规则层神经元节点间的关联权重确定出指标与故障间的关联规则，包括：根据预先确定的所述预处理层神经元节点与所述规则层神经元节点间的关联权重确定出n个不同时隙下相同类别的指标同故障的关联规则、τ个同一时隙下不同类别的指标同故障的关联规则和ε个不同时隙下不同类别的指标同故障的关联规则；所述根据预先确定的所述预处理层神经元节点与所述规则层神经元节点间的关联权重，并利用第二映射函数确定出n个不同时隙下相同类别的指标同故障的关联规则、τ个同一时隙下不同类别的指标同故障的关联规则和ε个不同时隙下不同类别的指标同故障的关联规则，包括:按照公式j＝1,2,...,(n+τ+ε)依次确定出n个不同时隙下相同类别的指标同故障的关联规则、τ个同一时隙下不同类别的指标同故障的关联规则和ε个不同时隙下不同类别的指标同故障的关联规则；其中，r(x)=11+e-x,]]>所述Rulej为所述规则层第j个神经元节点的输出，所述ωij为所述预处理层第i个神经元节点与所述规则层第j个神经元节点间的关联权重，所述θj表示所述规则层中第j个神经元节点的阈值。