网络故障诊断范文1
世纪之交，全球因特网高速发展。抓住机遇，迎接挑战，我国的网络建设方兴未艾。政府上网工程拉开序幕，网络建设的新高潮已经到来。网络诊断是管好、用好网络，使网络发挥最大作用的重要技术工作之一。本文首先简单介绍网络及路由器的基本概念，简述分层诊断技术，结合讨论路由器各种接口的诊断，综述互联网络连通性故障的排除。
二．网络与路由器概述
网络诊断是一门综合性技术，涉及网络技术的方方面面。为方便下面的讨论，首先简单回顾一下网络和路由器的基本概念。
1．计算机网络是由计算机集合加通信设施组成的系统，即利用各种通信手段，把地理上分散的计算机连在一起，达到相互通信而且共享软件、硬件和数据等资源的系统。计算机网络按其计算机分布范围通常被分为局域网和广域网。局域网覆盖地理范围较小，一般在数米到数十公里之间。广域网覆盖地理范围较大，如校园、城市之间、乃至全球。计算机网络的发展，导致网络之间各种形式的连接。采用统一协议实现不同网络的互连，使互联网络很容易得到扩展。因特网就是用这种方式完成网络之间联结的网络。因特网采用TCP/IP协议作为通信协议，将世界范围内计算机网络连接在一起，成为当今世界最大的和最流行的国际性网络。
2 .为了完成计算机间的通信，把每部计算机互连的功能划分成定义明确的层次，规定了同层进程通信的协议及相邻层之间的接口和服务，将这些层、同层进程通信的协议及相邻层之间的接口统称为网络体系结构。国际标准化组织（ISO）提出的开放系统互连参考模型（OSI）是当代计算机网络技术体系的核心。该模型将网络功能划分为7个层次：物理层、数据链路层、网络层、传输层、会话层、表示层和应用层。
3 .TCP/IP即传输控制协议和网间互联协议是一组网络协议。TCP/IP起源于美国ARPANET网，发展至今已成为因特网使用的标准通信协议。使用TCP/IP能够使采用不同操作系统的计算机以有序的方式交换数据。
4 .路由器是一种网络设备，是用于网络连接、执行路由选择任务的专用计算机。路由器工作于网络层，对信包转发，并具有过滤功能。路由器能够将使用不同技术的两个网络互连起来，能够在多种类型的网络之间（局域网或广域网）建立网络连接。它将处在七层模型中的网络层的信息，根据最快、最直接的路由原理从一个网络的网络层传输到另一个网络的网络层，以达到最佳路由选择。同时在内部使用高档微处理器，用高速的内部总线连接适合各种网络协议的接口卡。并具有多种网管功能，能监视与路由器相连接的一些网络设备和它们的配置运行情况。
5 .CISCO路由器是目前网络建设中使用最多的一种路由器，有多种档次、多种系列，目前常用的当属2500系列，本文以2500系列为例讨论。2500系列路由器是固定接口的多协议路由器，支持CISCO IOS全部功能。根据特定的协议环境分为以下四种类型：固定配置的路由器（2501）、带HUB口的路由器（2507）、摸块化的路由器（2514）和访问服务器（2511）。它们结构简单、操作方便、易于配置和管理，是一种用于小规模局域网和广域网网络层中继的路由设备。
6．CISCO IOS是CISCO所特有的互连网操作系统，所有的CISCO产品都运行IOS，IOS将它们无缝连接在一起协同工作。给用户提供一个可支持任意硬件界面、任意链路层、网络层协议的可扩展的开放型网络。IOS支持众多的协议，包括各种网络通信协议和路由协议等。CISCO IOS已成为工业界网际网互联的事实标准。CISCO IOS提供几种不同的操作模式，每一种模式提供一组相关的命令集、不同的操作权限和操作功能。基于安全目的，CISCO用户界面中有两级访问权限：用户级和特权级。第一级访问允许查看路由状态，叫做用户EXEC模式，又称为查看模式；第二级访问允许查看路由器配置、修改配置和运行调试命令，叫做特权EXEC模式，又称为配置模式。在特权级中，按不同的配置内容，可进入不同的配置模式，如全球配置模式、接口配置模式、线配置模式等。
三．网络故障诊断概述
网络故障诊断应该实现三方面的目的：确定网络的故障点，恢复网络的正常运行；发现网络规划和配置中欠佳之处，改善和优化网络的性能；观察网络的运行状况，及时预测网络通信质量。
网络故障诊断以网络原理、网络配置和网络运行的知识为基础。从故障现象出发，以网络诊断工具为手段获取诊断信息，确定网络故障点，查找问题的根源，排除故障，恢复网络正常运行。
网络故障通常有以下几种可能：物理层中物理设备相互连接失败或者硬件及线路本身的问题；数据链路层的网络设备的接口配置问题；网络层网络协议配置或操作错误；传输层的设备性能或通信拥塞问题；上三层CISCO IOS或网络应用程序错误。诊断网络故障的过程应该沿着OSI七层模型从物理层开始向上进行。首先检查物理层，然后检查数据链路层，以此类推，设法确定通信失败的故障点，直到系统通信正常为止。
网络诊断可以使用包括局域网或广域网分析仪在内的多种工具：路由器诊断命令；网络管理工具和其它故障诊断工具。CISCO提供的工具足以胜任排除绝大多数网络故障。查看路由表，是解决网络故障开始的好地方。ICMP的ping、trace命令和Cisco的show命令、debug命令是获取故障诊断有用信息的网络工具。我们通常使用一个或多个命令收集相应的信息，在给定情况下，确定使用什么命令获取所需要的信息。譬如，通过IP协议来测定设备是否可达到的常用方法是使用ping命令。ping从源点向目标发出ICMP信息包，如果成功的话，返回的ping信息包就证实从源点到目标之间所有物理层、数据链路层和网罗层的功能都运行正常。如何在互联网络运行后了解它的信息，了解网络是否正常运行，监视和了解网络在正常条件下运行细节，了解出现故障的情况。监视那些内容呢？利用show interface命令可以非常容易地获得待检查的每个接口的信息。另外show buffer命令提供定期显示缓冲区大小、用途及使用状况等。Show proc命令和 show proc mem命令可用于跟踪处理器和内存的使用情况，可以定期收集这些数据，在故障出现时，用于诊断参考。
网络故障以某种症状表现出来，故障症状包括一般性的（象用户不能接入某个服务器）和较特殊的（如路由器不在路由表中）。对每一个症状使用特定的故障诊断工具和方法都能查找出一个或多个故障原因。一般故障排除模式如下：第一步，当分析网络故障时，首先要清楚故障现象。应该详细说明故障的症侯和潜在的原因。为此，要确定故障的具体现象，然后确定造成这种故障现象的原因的类型。例如，主机不响应客户请求服务。可能的故障原因是主机配置问题、接口卡故障或路由器配置命令丢失等。第二步，收集需要的用于帮助隔离可能故障原因的信息。向用户、网络管理员、管理者和其他关键人物提一些和故障有关的问题。广泛的从网络管理系统、协议分析跟踪、路由器诊断命令的输出报告或软件说明书中收集有用的信息。第三步，根据收集到的情况考虑可能的故障原因。可以根据有关情况排除某些故障原因。例如，根据某些资料可以排除硬件故障，把注意力放软件原因上。对于任何机会都应该设法减少可能的故障原因，以至于尽快的策划出有效的故障诊断计划。第四步，根据最后的可能的故障原因，建立一个诊断计划。开始仅用一个最可能的故障原因进行诊断活动，这样可以容易恢复到故障的原始状态。如果一次同时考虑一个以上的故障原因，试图返回故障原始状态就困难的多了。第五步，执行诊断计划，认真做好每一步测试和观察，直到故障症状消失。第六步，每改变一个参数都要确认其结果。分析结果确定问题是否解决，如果没有解决，继续下去，直到解决。
四．网络故障分层诊断技术
1． 物理层及其诊断
物理层是OSI分层结构体系中最基础的一层，它建立在通信媒体的基础上，实现系统和通信媒体的物理接口，为数据链路实体之间进行透明传输，为建立、保持和拆除计算机和网络之间的物理连接提供服务。
物理层的故障主要表现在设备的物理连接方式是否恰当；连接电缆是否正确；MODEM、CSU/DSU等设备的配置及操作是否正确。
确定路由器端口物理连接是否完好的最佳方法是使用show interface命令，检查每个端口的状态，解释屏幕输出信息，查看端口状态、协议建立状态和EIA状态。
2． 数据链路层及其诊断
数据链路层的主要任务是使网络层无须了解物理层的特征而获得可靠的传输。数据链路层为通过链路层的数据进行打包和解包、差错检测和一定的校正能力，并协调共享介质。在数据链路层交换数据之前，协议关注的是形成帧和同步设备。
查找和排除数据链路层的故障，需要查看路由器的配置，检查连接端口的共享同一数据链路层的封装情况。每对接口要和与其通信的其他设备有相同的封装。通过查看路由器的配置检查其封装，或者使用show命令查看相应接口的封装情况。
3． 网络层及其诊断
网络层提供建立、保持和释放网络层连接的手段，包括路由选择、流量控制、传输确认、中断、差错及故障恢复等。
排除网络层故障的基本方法是：沿着从源到目标的路径，查看路由器路由表，同时检查路由器接口的IP地址。如果路由没有在路由表中出现，应该通过检查来确定是否已经输入适当的静态路由、默认路由或者动态路由。然后手工配置一些丢失的路由，或者排除一些动态路由选择过程的故障，包括RIP或者IGRP路由协议出现的故障。例如，对于IGRP路由选择信息只在同一自治系统号（AS）的系统之间交换数据，查看路由器配置的自治系统号的匹配情况。
五．路由器接口故障排除
1． 串口故障排除
串口出现连通性问题时，为了排除串口故障，一般是从show interface serial命令开始，分析它的屏幕输出报告内容，找出问题之所在。串口报告的开始提供了该接口状态和线路协议状态。接口和线路协议的可能组合有以下几种：1）串口运行、线路协议运行，这是完全的工作条件。该串口和线路协议已经初始化，并正在交换协议的存活信息。2）串口运行、线路协议关闭，这个显示说明路由器与提供载波检测信号的设备连接，表明载波信号出现在本地和远程的调制解调器之间，但没有正确交换连接两端的协议存活信息。可能的故障发生在路由器配置问题、调制解调器操作问题、租用线路干扰或远程路由器故障，数字式调制解调器的时钟问题，通过链路连接的两个串口不在同一子网上，都会出现这个报告。3)串口和线路协议都关闭，可能是电信部门的线路故障、电缆故障或者是调制解调器故障。4）串口管理性关闭和线路协议关闭，这种情况是在接口配置中输入了shutdown命令。通过输入no shutdown命令，打开管理性关闭。
接口和线路协议都运行的状况下，虽然串口链路的基本通信建立起来了，但仍然可能由于信息包丢失和信息包错误时会出现许多潜在的故障问题。正常通信时接口输入或输出信息包不应该丢失，或者丢失的量非常小，而且不会增加。如果信息包丢失有规律性增加，表明通过该接口传输的通信量超过接口所能处理的通信量。解决的办法是增加线路容量。查找其他原因发生的信息包丢失，查看show interface serial命令的输出报告中的输入输出保持队列的状态。当发现保持队列中信息包数量达到了信息的最大允许值，可以增加保持队列设置的大小。
2．以太接口故障排除
以太接口的典型故障问题是：带宽的过分利用；碰撞冲突次数频繁；使用不兼容的幀类型。使用show interface ethernet命令可以查看该接口的吞吐量、碰橦冲突、信息包丢失、和幀类型的有关内容等。
1）通过查看接口的吞吐量可以检测网络的利用。如果网络广播信息包的百分比很高，网络性能开始下降。光纤网转换到以太网段的信息包可能会淹没以太口。互联网发生这种情况可以采用优化接口的措施，即在以太接口使用no ip route-cache命令，禁用快速转换，并且调整缓冲区和保持队列。
2）两个接口试图同时传输信息包到以太电缆上时，将发生碰橦。以太网要求冲突次数很少，不同的网络要求是不同的，一般情况发现冲突每秒有3、5次就应该查找冲突的原因了。碰橦冲突产生拥塞，碰橦冲突的原因通常是由于敷设的电缆过长、过分利用、或者“聋”节点。以太网络在物理设计和敷设电缆系统管理方面应有所考虑，超规范敷设电缆可能引起更多的冲突发生。
3）如果接口和线路协议报告运行状态，并且节点的物理连接都完好，可是不能通信。引起问题的原因也可能是两个节点使用了不兼容的幀类型。解决问题的办法是重新配置使用相同幀类型。如果要求使用不同幀类型的同一网络的两个设备互相通信，可以在路由器接口使用子接口，并为每个子接口指定不同的封装类型。
3． 异步通信口故障排除
互连网络的运行中，异步通信口的任务是为用户提供可靠服务，但又是故障多发部位。主要的问题是，在通过异步链路传输基于LAN通信量时，将丢失的信息包的量降止最少。
异步通信口故障一般的外部因素是：拨号链路性能低劣；电话网交换机的连接质量问题；调制解调器的设置。检查链路两端使用的调制解调器：连接到远程PC机端口调制解调器的问题不太多，因为每次生成新的拨号时通常都初始化调制解调器，利用大多数通信程序都能在发出拨号命令之前发送适当的设置字符串；连接路由器端口的问题较多，这个调制解调器通常等待来自远程调制解调器的连接，连接之前，并不接收设置字符串。如果调制解调器丢失了它的设置，应采用一种方法来初始化远程调制解调器。简单的办法是使用可通过前面板配置的调制解调器，另一种方法是将调制解调器接到路由器的异步接口，建立反向telnet,发送设置命令配置调制解调器。
show interface async 命令、show line命令是诊断异步通信口故障使用最多的工具。show interface async 命令输出报告中，接口状态报告关闭的唯一的情况是接口没有设置封装类型。线路协议状态显示与串口线路协议显示相同。show line命令显示接口接收和传输速度设置以及EIA状态显示。show line命令可以认为是接口命令（show interface async）的扩展。show line命令输出的EIA信号及网络状态：
noCTS noDSR DTR RTS：调制解调器未与异步接口连接。
CTS noDSR DTR RTS：调制解调器与异步接口连接正常，但未连接远程调制解调器。
CTS DSR DTR RTS：远程调制解调器拨号进入并建立连接。
确定异步通信口故障一般可用下列步骤：检查电缆线路质量；检查调制解调器的参数设置；检查调制解调器的连接速度；检查rxspeed 和txspeed是否与调制解调器的配置匹配；通过show interface async 命令和 show line命令查看端口的通信状况；从show line命令的报告检查EIA状态显示；检查接口封装；检查信息包丢失及缓冲区丢失情况。
网络故障诊断范文2
关键词：神经网络；电路分析；故障诊断；故障类别。
1引言
随着设计理念和制造工艺地不断发展，电子产品已经向小型化、智能化方向发展，这也给故障诊断带来更加严峻地挑战，由于传统的故障诊断方法已经不能满足发展的需求了[1]，因此急需研究开发出行之有效的新方法。神经网络[2]是在对人脑网络认识理解的基础上构造的，是模仿人脑网络结构和功能而建立的一种信息处理系统，是理论化的人脑网络的数学模型。电路故障诊断[3]是一个非常复杂的模式识别问题，神经网络由于其本身信息处理的特点，如并行性、自学习、自组织性、对外界输入样本有很强的识别分类能力以及联想记忆功能等，使其能够出色解决那些传统模式识别方法难以圆满解决的问题。
2故障的类型
对电子产品进行故障诊断，最基本的就是对电路的诊断，因此，首先要确定的就是电路的故障类型[4]。从对电路的影响程度来划分，故障可以分为硬故障和软故障；从故障的随机性来划分，可以分为永久型故障和间歇型故障。永久型故障即固定故障，不随时间的变化而变化，一直固定在某种状态不变间歇型故障即随机出现的故障，电路有时正常，有时则出现了故障。硬故障即结构故障，是电路中元件的参数发生了极端变化的情况，包括桥接故障（BF，bridgefault）、开路故障（OF，openfault）、时滞故障等。软故障即偏差故障，指电路元件的参数与正常情况相比，偏出了约定的容差范围，但此时器件并非完全失效。
3神经网络的电路故障诊断
神经网络之所以在电路故障诊断中得到了广泛应用，主要是因为它具有如下诸多优势[5]。（1）学习能力。学习能力是神经网络在故障诊断中的重要表现。通过对神经网络的训练可读出故障的主要特征，表现出强大的适应能力。（2）联想记忆能力。因为神经网络具有并行计算和分布存储信息的功能，所以它对输入的特征信息具有联想记忆的能力。这一能力使得它在模式识别、故障分类中起到了巨大的作用。（3）分类识别能力。因为神经网络能够很好地对非线性曲面进行逼近，所以它的分类识别能力要优越于传统的分类器。对于样本的分类实质上就是找到合适的分割区域，每个区域的样本属于一类。（4）非线性映射能力。由于神经网络可以寻求输入到输出之间的非线性模型，即可实现输入空间到输出空间之间的非线性映射。因此，神经网络可以很好地对电路故障进行诊断。从本质上说，电路故障诊断就是一个故障模式识别的过程，将正常电路及各种故障状态下的特征信息输入到神经网络，运用神经网络对这些特征信息进行学习、记忆，从而识别对应的故障模式，达到故障诊断的目的。诊断过程包括训练阶段和测试阶段[6]，具体步骤如下。（1）首先在仿真软件中对正常状态及故障状态进行模拟仿真，得到原始的响应信号，再对原始信号进行相关处理，作为神经网络的训练样本。各种故障状态对应的输出模式，由故障数目来确定。根据输入样本和对应的输出样本来训练神经网络，达到训练的目的。（2）神经网络具有一定的泛化能力，不仅能够识别已经训练过的样本，而且能够通过联想识别未出现过的样本。加入相同的激励，检测实际特征，将此信息同样经过信号处理，作为测试样本送入神经网络，最后根据网络的输出即可判断时应的故障模式。神经网络应用于具体的电路故障诊断，还有一些诊断过程中需要解决的关键问题。（1）测试节点的选择。神经网络进行电路故障诊断时，为了得到各种故障模式的特征信息，应选取有效的测试点。通过这些测试点的输出信号，提取有效的特征信息，从而进行模式识别。虽然测试点的选择标准不尽相同，但是都要遵循如下基本原则：①尽可能选取诊断能力强，同时故障隔离能力强的节点。②在满足隔离要求的情况下，尽量少选取节点。③获取节点信息时，不能影响到整个电路系统的正常工作及性能。（2）故障集的构造。因为电路中元件数众多，故障模型地构成也各不相同，因此对所有元件、所有故障模型都进行诊断是不现实的。比较可行的办法就是根据待测电路的特点和以往的经验模拟若干个元器件，组成故障集。
4实例分析
通过一个555构成的单稳态触发器电路进行仿真实验。首先，设定电阻容差为10%，电容容差为5%，在容差范围内对元器件的软故障进行研究。其次，选取文献[2]的无故障与有故障各50次蒙特卡洛分析结果，其中30次作为训练样本，20次作为测试样本。最后，将训练样本集输入到网络结构为6-10-4的BP神经网络进行训练，测试样本集输入到训练好的神经网络即可得出故障诊断率。同样地，为了加快训练速度，采用附加动量自适应梯度下降法，训练函数为traingdx，隐层传递函数为tansig，输出层传递函数为purelin训练目标为0.01，学习速率为0.01。可知20个测试样本的诊断概率为95%，达到了预期的要求。
网络故障诊断范文3
关键词： BP神经网络； 模拟电路； 故障特征； 故障诊断
中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2013）16?0009?03
客观世界信号的本质决定了模拟电路的普遍性和不可替代性。模拟电路由于故障模型复杂、元件参数的容差、非线性、噪声以及大规模集成化等现象使电路故障信息表现为多特征、高噪声、非线性的数据集，且受到特征信号观测手段、征兆提取方法、状态识别技术、诊断知识完备程度以及诊断经济性的制约，使模拟电路的故障诊断技术滞后于数字电路故障诊断技术而面临巨大的挑战。而神经网络是对生物神经系统的功能抽象，以分布方式存储信息，有很强的容错能力和自学习能力，能够对网络的输入产生联想输出，具有处理模糊信息的能力[1]，其理论研究和实际应用进入了一个蓬勃发展的时期[2]。
1 BP神经网络
1.1 BP网络模型
多层网络学习算法训练的神经网络即BP神经网络。BP网络的信息从输入层流向输出层，因此是一种多层前馈神经网络。由BP神经元构成的二层网络如图1所示[2]。由于BP网络神经元采用的传递函数通常是可微函数，所以可以实现输入和输出间的任意非线形映射[3]，因此在诸如模式识别、状态预测等很多方面应用十分广泛。
1.2 BP学习规则
BP算法由两部分组成：信息的正向传递与误差的反向传播。在正向传播过程中，输入信息从输入经过隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反向回来修改各层神经元的权值直至达到期望目标[4]。
2 故障特征提取
2.1 故障特征提取概述
随着电路结构日趋复杂，其故障类别越来越多，反映故障的状态、特征也相应增加[5]。在实际诊断过程中，要使诊断结果正确可靠，都是通过搜集尽可能全面的样本，这样才能得到接近完整的故障信息。但是样本太多，会消耗过多的存储空间和计算时间，大量的特征输入也会导致训练过程减缓，甚至阻碍训练的收敛，最终影响故障定位精度。所以，需要从样本中提取对诊断故障贡献大的有用信息，即特征提取[6]。
特征提取方法很多，一般有主元特征提取和基于Fisher的线性变换相关识别分析法。实际应用中，要达到高分辨率信息压缩所需的映射通常是非线性的[7]，因此多分辨分析适于模拟电路的特征提取。
2.2 基于多分辨分析的故障特征提取
一般模拟电路软故障的变化是很小的，利用小波变换来提取各频带的故障信息，分解过程用Matlab算法实现，可以用高频分解的部分来反映信号的变化，故可将故障信号的高频系数序列进行绝对值求和，并按尺度顺序排列，作为模拟电路故障特征向量[8]。具体步骤如下：
（1）对信号进行N层Matlab分解，得到N个高频小波分解系数序列[9]：[d1，d2，…，dn]；
（2）对各层高频系数序列求绝对值和，则有[Dj=i=1ndji]，其中n为序列dj中分量的个数[9]；
（3）特征向量构成，按尺度顺序，以各层高频小波分解系数序列的绝对值之和为元素作为特征向量[9]：[D1，D2，…，Dn]；
（4）为了提高神经网络收敛速度，进行归一化处理。
3 BP神经网络应用于模拟电路故障诊断
BP网络应用于电路故障诊断是以一些电路的典型故障样本送入神经网络训练，使之有判断能力，而成为故障识别系统。其工作步骤如下：
（1）确定待测电路的故障集和故障模式特征参量，在电路考虑元件容差的情况下， 对电路的可能的故障状态用PSPICE分析得出各故障发生时节点电压和电流的测量值[10]，归一化处理后构成训练样本集。
（2）设计BP神经网络并训练。根据要求和经验设计神经网络的结构、传递函数以及训练算法。然后用训练样本集中的样本训练好网络，即完成学习的过程[11]。
（3）一般采用3层BP神经网络，输入层节点数与电路状态特征参量的维数相同，输出层节点数可与电路待测故障类别数相同，也可小于待测故障类别数（采用编码指示对应故障）[11]。
4 诊断实例及仿真
本文的诊断电路选自ITC’97的国际标准电路CTSV（continuous?time state?variable filter）滤波器[12]，如图2所示。其标称值分别为R1=R2=R3=R4=R5=10 kΩ，R6=3 kΩ，R7=7 kΩ，C1=C2=20 nF，输入幅度为1 V的交流信号。
考虑到各元件的容差，将电阻的容差设为5%，电容的容差设为10%，当输入为1 V的交流信号时，对输出响应进行1～100 kHz采样，采用Haar小波对采样信号进行5层小波分解，将电路用PSpice进行直流灵敏度分析，从结果可知，当R1，R3，C1，C2变化时，输出波形Vout变化较大，所以考虑有8种故障：R150%，R150%，R350%，R350%，C150%，C150%，C250%，C250%，还有正常状态共9种故障模式，故障模式采用常见的“n?1”表示法，即0表示正常，1表示故障。
（1）为构造训练和测试样本集，对电路每种故障状态进行50次蒙特卡洛分析，其中40次作为训练样本，10次作为测试样本，电路正常情况下的采样信号曲线如图3所示。
（2）将其作为传统BP神经网络的输入，目标误差0.05，其误差变化曲线如图4（a）所示。
（3）将其各层小波分解序列的能量值归一化后作为神经网络的输入，同时可以确定神经网络的结构6?13?8，神经网络采用LM算法的训练方法，目标误差为0.01，网络经过164次训练调整后达到了期望的均方误差，误差变化曲线如图4（b）所示，测试样本的平均正确诊断率达98.89%，诊断结果如表1所示。
（4）将其作为传统BP神经网络的输入，目标误差0.05，经训练调整后误差变化曲线如图5（a）所示。
（5）将其经小波多层分解预处理后输入，目标误差为0.01，网络经过110次训练调整后达到了期望的均方误差。误差变化曲线如图5（b）所示。
总测试样本的平均正确诊断率达95.6%，诊断结果如表2所示。
表2 多软故障测试样本的神经网络诊断结果
5 结 语
本文采用多分辨分析故障提取和神经网络相结合的方法，首先通过PSpice采集故障样本集，将其归一化后作为神经网络的输入，这是传统的神经网络的方法，再由多分辨分析故障特征将样本集进行处理，然后运用神经网络对处理后的故障特征进行学习、训练，将两种方法进行对比后发现，经多分辨分析处理后训练的网络故障特征的覆盖率高，收敛速度明显提高，最终达到诊断的目的。仿真实验表明该方法能够有效地解决单软故障和多软故障的故障诊断问题。
参考文献
[1] 赵军容，石秀华，王永虎，等.基于灵敏度分析的模拟电路故障特征优化[J].弹箭与制导学报，2007，27（5）：262?263.
[2] 周开利，康耀红.神经网络模型及其Matlab仿真程序设计[M].北京：清华大学出版社，2005.
[3] 厉芸，何怡刚，徐卫林，等.基于BP神经网络的大规模电路模块级故障快速诊断方法[J].电路与系统学报，2005，10（4）：13?14.
[4] AMINIAN M， AMINLAN F. Neural?network based analog?circuit fault diagnosis using wavelet transform as preprocessor [J]. IEEE Transactions on Circuits and Systems Ⅱ： Analog and Digital Signal Processing， 2000， 47（2）： 151?156.
[5] KAMIN E D. A simple procedure for punning back propagation trained neural networks [J]. IEEE Transactions on Neural Network， 1990， 1： 239?242.
[6] 袁海英，陈光，谢永乐.故障诊断中基于神经网络的特征提取方法研究[J].仪器仪表学报，2007，28（1）：90?94.
（上接第11页）
[7] 虞和济，陈长征，张省，等.基于神经网络的智能诊断[M].北京：冶金工业出版社，2000.
[8] 李明亮.基于神经网络的模拟电路故障诊断方法研究[D].北京：中国地质大学，2007.
[9] 秦志强，黄继达，王晨宇，等.Matlab结合PSpice在模拟电路故障特征提取中的应用[J/OL].[2009?12?01].http：///releasepaper/content/200912?17.
[10] 胡惟文，何怡刚.基于神经网络的模拟电路故障诊断[J].湖南文理学院学报：自然科学版，2004：16（2）：40?41.
网络故障诊断范文4
【关键词】人工神经网络；故障诊断；模式识别；Matlab软件
一、人工神经网络综述
BP神经网络是目前应用最为广泛和成功的神经网络之一，它是由一个输入层，一个或多个隐层以及一个输出层组成，上下层之间实现全连接，而每层神经元之间没有连接。网络的学习过程包括信号正向传播和误差反向传播。在正向传播进程中，输入信息从输入层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。
二、人工神经网络的识别、诊断过程
滚动轴承在设备中是比较典型的，本文以滚动轴承的故障识别、诊断为例。进行模式识别的大体步骤为：首先对经过零均值化后的振动信号数据进行时域、频域分析，将筛选后的有效时域、频域特征值作为人工神经网络输入层的输入，经Matlab软件进行神经网络的训练，最后可得出一个可以识别轴承工作状态的神经网络，进而可以对滚动轴承进行模式识别。可见采用振动信号检测法对机器设备进行故障诊断的过程包含信号采集、特征提取、状态识别、故障分析和决策干预等五个基本环节，在滚动轴承故障诊断中，振动信号的采集是关键，保证信号采集的准确性、合理性和实时性是正确实现故障诊断的前提。（1）信号采集。每台机器设备都有自身的固有频率，若设备发生故障，其频率变化，其振动信号也会发生变化。因此，振动信号可以作为故障诊断的一个重要标准。在信号采集中主要用到加速度传感器、电荷放大器、带滤波的A/D转换器。先通过压电式加速度传感器对振动信号进行拾取，然后经过电荷放大器及通过带滤波的A/D转换电路得到微机可以识别的数字信号，从而实现振动信号的采集。（2）特征值提取。为了便于观察，要把采样点的值分布在0附近，故先对采集的采样点值进行零均值化。用matlab对零均值化后的的采样点进行时域、频域分析。时域分析是计算振动信号的在时域范围内的特征参数，包括：平均值、方差、均方根、峰值峰值因子、峭度系数等参数。频域分析是对零均值化后数据进行傅里叶变换，绘制频谱图，对不同样本故障轴承和正常轴承的频谱图进行对比，找出幅值差别比较明显的几组，作为频域分析的特征值。由于各个特征值的幅值大小不一致，不便于比较同一特征值在不同样本之间的差异，所以对所有有效特征值进行归一化，归一化后的结果可以作为神经网络的输入值。（3）模式识别和故障分析。在状态检测过程中，样本数据来源于实验数据分析后提取的有效特征值，这些有效的特征值作为神经网络的输入。神经网络的输出为轴承状态，分为正常轴承和故障轴承（也可以把故障具体分，比如内圈、外圈、滚动体故障等），可以用（0 1）表示正常轴承，（1 1）表示故障轴承，因此网络中设计2个输出神经元表示这2个状态。对轴承的不同状态进行识别，建立神经网络对它进行训练，可以用公式（其中是输入层神经元数，是隐层神经元数）大体的计算出隐层神经元层数。我们设计一个隐层可以随意改变的BP神经网络，通过误差对比确定隐层数目。设定神经网络的隐含层神经元的传递函数为tansig，输出层神经元的传递函数为logsig，目标误差为0.001，最大训练步数为1000。由以上设计写出网络训练代码，经Matlab运行，找出网络误差最小所对应层数，该层数作为神经网络的隐层。
确定神经网络的隐层后便可确定神经网络的最终结构，下一步就要对网络进行训练，使人工神经网络所产生的网络误差小于目标误差，对神经网络训练好以后，接下来就是对轴承的测试，神经网络测试代码为：y=sim（net，测试数据）。把正常轴承和故障轴承的测试数据导入Matlab程序中，结果整理后可得（以实验室中的一组实验数据为例）：
用均值表示结果为：
把预先设定好的状态值和测试后的结果进行比较，很清楚的可以辨别出正常轴承和故障轴承。可见，对机器设备或者系统的故障诊断实质是一个模式识别过程。利用神经网络的模式识别能力，直接识别系统的当前模式，实现正常模式和故障模式之间、以及不同故障模式或不同故障程度之间的区分。
参 考 文 献
网络故障诊断范文5
关键词： BP神经网络； 故障诊断； Matlab
中图分类号： TM407 文献标识码： A 文章编号： 1009-8631（2012）01-0045-03
1 引言
变压器是电力系统重要的运行设备之一，同时也是电力系统中发生事故最多的设备之一。变压器内部电场分布不均匀，结构复杂，而且随着电压等级的增高，电网容量加大和覆盖面增广，变压器事故率成上升趋势。根据近几年全国电力可靠性统计分析结果来看，变压器故障率最大的部位是内绝缘，主要故障是因为变压器运行环境恶劣、绝缘老化严重、变压器制造质量有问题等引起的。变压器故障发生时，通常是伴随着电弧和放电以及剧烈燃烧，然后电力设备发生短路或其他故障，轻则停电检修，直接影响生产，重则会发生变压器爆炸，造成重大经济损失。所以变压器的运行状态直接影响系统运行的安全与稳定。
变压器故障诊断技术的研究一直是国内外的热点，并已经获得了大量的经验，形成了多种诊断方法。经大量研究和实测经验表明，采用油中溶解气体的气相色谱分析法（Dissolved Gas Analysis），简称DGA，是监视变压器安全运行的最有效的措施之一。DGA的原理是测量变压器溶解气体的组分和含量，用来分析变压器的潜伏性故障。
BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
本文从多因素分析并诊断变压器内部故障，准确判断变压器的潜伏性故障或隐患的类型，及时排除故障或预测故障的可能发展，以保证电力系统运行的稳定性。可大量节省故障排除的人力物力，减轻工人繁重的体力劳动，从技术上保证电网的安全稳定运行，具有巨大的社会和经济效益。
2 基于BP网络的变压器故障诊断模型
网络结构如图1所示，BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer），其中隐层的数量可以为一个或者多个。
隐节点的输出：
在确定输入向量时，将油中溶解气体含量的数据作为网络的输入特征向量。反应变压器状态的特征气体主要是H2、CH4、C2H2、C2H4、C2H6、CO、CO2七种气体。经过综合考虑选取变压器色谱试验的五种关键气体，即H2、CH4、C2H2、C2H4、C2H6作为BP网络的输入，变压器状态模式用Ok表示，可表示多种故障状态。无故障（O1），中低温过热（O2，150℃700℃），低能量放电（O4），高能量放电（O5）五个状态来表示。
3 BP神经网络程序实现
BP 网络算法的中心思想是将学习过程分成正向传播和误差反向传播两个阶段。第一阶段，是将训练样本数据从输入层―隐含层―输出层的正向传播过程。经过第一阶段后，若输出层的实际输出与期望输出相差太大，则转向第二阶段。第二阶段，通过误差反向传播来修正权系数和阈值。将它们的误差以某种形式通过输出层一隐含层一输入层的反向传播。并将误差分摊给各层的所有神经元，从而获得各层单元的误差信号，将此误差信号作为下一次迭代的已知量。经过不断重复上述两个过程也就是对多个样本的反复训练，直到误差满足给定精度要求或己达到规定的学习次数，即完成了学习过程。学习流程图如图2所示。
4 BP算法的改进
BP算法实质上是非线性优化问题的梯度算法，它存在着收敛性问题，即该算法不能保证学习的结果一定收敛到均方误差的全局最小点，而可能陷入局部极小点，从而使网络收敛很慢，发生迟钝，甚至失去继续学习的能力。若系统在学习过程中停止在误差函数的局部最小值点上，则不管经历多少次迭代，系统误差函数都将停留在某个较大值上。从而导致虽然期望得到全局最小值所对应的｛ω｝min，但系统却留在某局部最小值所对应的｛ω｝local。可采用几种常用的改进方法。
a）自适应学习速率
太大的学习速率导致学习不稳定，太小的学习速率又导致极长的训练时间，因而在训练过程中，最好能自动调整学习速率。通常采用的方法是从某个学习速率η开始，增加和减小该速率，比较两者分别产生的结果，选择对应于产生结果较好的那个速率，即对应于总误差比较小的速率，作为下一步更新的起始点。
学习速率的调节公式如4-1所示：
η（t+1）=kincη（t） E（t+1）＜E（t）kdecη（t） E（t+1）＞E（t）η（t） 其他 （4-1）
式中，学习率增量因子kinc＞1，一般选为1.05；学习率减量因子0＜kdec＜1，一般选为0.7；E（t+1）第t+1次、第t次迭代后总的误差平方和；η为学习速率，在标准BP算法中，一般取为0～1的一个定值。若E（t+1）E（t）时，表明第t次迭代是无效的，乘以减量因子，减小学习步长，从而减小无效迭代，加快网络学习速度。
b）附加动量法
为了减小学习过程的振荡趋势，改善收敛性，可在梯度下降算法的基础上引入动量系数α，权值调节公式如4-2所示：
动量系数α取值必须在0～1之间，一般选为0.9。表示BP算法中的误差平方和对权值的负梯度。
该方法所加入的动量项实质上相当于阻尼项，它减小了学习过程的振荡趋势，降低了网络对于误差曲面局部细节的敏感性，有效地抑制了网络陷于局部极小。
附加动量法的缺点是，要求训练的初始值在误差曲面上的位置所在的误差下降方向与误差最小值的运动方向一致。如果初始误差点的斜率下降方向与通向最小值的方向相反，则附加动量法失败，训练结果将同样落入局部极小值而不能自拔。初始值选得太靠近局部极小值也不行，学习速率太小也不行。
c）自适应学习速率动量BP法
该算法是将自适应学习速率法和附加动量法相结合，在网络训练过程中，不但使学习速率根据局部误差曲面作出不断调整，而且利用动量项使同一梯度方向上权值的修正量增加，起到加速修正的作用。从而大幅度提高网络的收敛速度，减小陷入局部极小的概率。
d）LM优化法
LM（Levenberg Marquardt）算法是建立在一种优化方法基础上的训练算法。常规的BP算法需要较长的训练时间，而LM算法比常规BP算法要快得多，但它需要更多的内存。通常LM算法所需要的内存为BP算法的S・P倍。其中S为输出神经元个数，P为训练网络的输入输出矢量数。
LM调整公式如4-3所示：
w==（JTJ+μI）-1JTe （4-3）
其中J为误差对权值或阈值微分的雅可比矩阵，e为误差向量，μ为一个自适应调整的标量。变量μ确定了学习是根据牛顿法还是梯度法来完成的，随着μ的增大，上式就近似于梯度法；当μ很小时，上式就变成牛顿法，因此学习过程主要根据梯度下降法。只要迭代过程使误差e增加，μ也就会增加，直到误差不再增加为止。但是，如果μ太大，会使学习停止，当已经找到最小误差时，就会出现这种情况，所以μ达到最大值时要停止学习。
e）弹性BP法
在采用激活函数为S形函数的最速下降BP法训练网络时，可能会产生由于梯度的变化幅度很小，而导致权值和阈值的修正量也很小的，使训练时间变长的问题。在训练中可在权值修正中引入修正因子。当连续两次迭代的梯度方向相同时，将权值和阈值的修正量乘以增量因子，使修正值增加；当连续两次迭代的梯度方向相反时，将权值和阈值的修正量乘以减量因子，使修正值减小，从而克服梯度幅度的不利影响。权值和阈值修正量的调节公式如4-4所示：
5 BP网络的训练及检验
从理论上讲，BP神经网络对其输入无限制，因此对输入变量也不必预处理。但是，输入变量经过预处理后，就使网络训练一开始各变量的重要性处于同等地位，就可防止采用Sigmoid激活函数的BP网络因净输入的绝对值过大而使神经元饱和，继而使权值调整进入误差曲面的平坦区。
根据国内部分故障变压器色谱实际统计数据，选出比较可靠的36组数据作为训练样本，本文的神经网络训练中不直接将各种气体含量作为输入矢量以免影响正常训练和诊断。将训练样本作归一化处理，以上面五种气体含量各自占气体总量的相对百分比作为输入矢量。
本文的神经网络首先选择一个隐含层，通过调整隐含层神经元数提高网络性能，若获得满意性能，则不考虑增加隐含层数；反之则增加隐含层数。
隐层节点数往往根据前人设计所得的经验和自己的训练来确定。经验公式为：
其中，m是隐层节点数，n为输入节点数，l为输出节点数，α为1~10之间的常数。
本文中n=5，l=5，所以m∈[4，13]。在训练时，对不同隐层节点数训练，观察结果，最终确定为12。
综合各个因素，建立结构为5-12-5型的变压器故障诊断BP神经网络模型，并分析不同训练函数的训练精度和收敛速度。不同训练函数的比较结果如表5.1所示。
比较各种训练函数的收敛时间和最终训练精度，本文选取trainlm做为合适的训练函数。
使用检验样本进行检验时，正确率可达80%以上，验证了BP网络故障诊断的优越性。
6 小结
本文对基于BP网络的变压器故障诊断进行了研究。本文提出的方法其特点是选取变压器故障训练样本进行训练， 使BP 网络能够记忆不同情况下各种故障特征， 从而当系统处于每一种情况下都能获得正确的诊断效果。使用Matlab软件对模型进行仿真，通过对样本的训练和对故障诊断样本的诊断，故障诊断正确率达80%以上，满足实际要求，验证了该算法的优越性，说明本文建立的变压器故障诊断BP神经网络模型是合适的、可行的、正确的，能够很好的应用于变压器的故障诊断。
参考文献：
[1] 操敦奎.变压器油中气体分析诊断与故障检查[M].北京：中国电力出版社，2005.
[2] 闻新等.MATLAB神经网络应用设计[M].北京：科学出版社，2000.
[3] 李霜，王朗珠，张为，等.基于DGA的改进BP神经网络的变压器故障诊断方法[J].变压器，2010，47（12）：61-65.
[4] 孙志强等.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2005.
[5] 付超，安国庆.变压器的故障诊断与分析[J].科协论坛，2010，10（2）：15-16.
网络故障诊断范文6
1DGA技术
DGA技术［2］就是根据油中溶解气体:H2、CH4、C2H6、C2H4、C2H2、CO、CO2的含量通过查表来判断其故障。其中最典型的就是三比值法［9］，它是根据C2H4/CH4、CH4/H2、C2H4/C2H6三组比值来确定变压器故障原因。但由于故障与编码不可能总是一一对应的，所以其全面性和准确度不能保证。
2BP神经网络
2.1BP神经网络建模框图
2.2输入层与输出层神经元数输入层选用H2、CH4、C2H6、C2H4、C2H2五种气体作为输入，而CO、CO2并没有选用因为它们的含量变化性大，加入会导致训练次数增加，还会增大误差。输出层为中低温过热、高温过热、局部放电、高能放电、低能放电和正常。
2.3样本数据获取及预处理样本由变压器实测数据得到，但由于每组实测数据相互之间的差值可能相差很大，数据大的误差可能相对大一些，那么网络学习算法为了减小误差就会偏向样本中大的数据从而导致小数据的相对误差变大，所以对数据进行预处理是很有必要的。本文将样本数据以其所占百分比作为输入。
2.4激活函数和训练方法输入数据经过预处理后都介于0～1之间，因此可以选择一个函数使其输出也在0～1之间，结果越接近1则故障判断结果越准确。
2.5隐含层层数与其神经元数隐含层层数与其神经元数的确定直接关系到整个神经网络非线性程度，隐含层数多其处理数据的能力强但工作量大、工作时间长而且需要大量的样本，网络也变得十分复杂。所以我们可以先选择一层隐含层然后增加神经元数量，如果一层不行再加一层直到满意为止。神经元数到底加到多少并没有一个定性的说法，到目前为止有如下经验公式。由表2可知，弹性梯度下降法训练58步收敛，自适应Ir梯度下降法要2972步才收敛，自适应Ir动量梯度下降法1051步收敛，而动量梯度下降法20000步仍没有收敛。虽然弹性梯度下降法误差比适应Ir动量梯度下降法大一点但收敛步数少很多。所以综合考虑选择弹性梯度下降法作为训练函数。
3网络检测
测试样本数据预处理后导入到训练好的神经网络中结果如表3所示。
4结束语
