基于GA-BP的移動(dòng)通信設(shè)備故障診斷

1、計(jì)算機(jī)測量與控制計(jì)算機(jī)測量與控制基金項(xiàng)目：國家自然科學(xué)基金（51177072）；齊齊哈爾市科技攻關(guān)項(xiàng)目（GYGG-201106）通訊作者： HYPERLINK mailto:954134803 954134803 基于GA-BP的移動(dòng)通信設(shè)備故障診斷姚仲敏1，沈玉會(huì)21,2（齊齊哈爾大學(xué) 通信與電子工程學(xué)院，黑龍江 齊齊哈爾 161000；）摘要：為了提高基站維護(hù)人員處理通信設(shè)備故障的作業(yè)效率和智能化水平，采用BP神經(jīng)網(wǎng)絡(luò)算法和遺傳算法、粒子群算法分別優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法搭建三種通信設(shè)備故障診斷模型，預(yù)測設(shè)備可能發(fā)生的故障類型，用以指導(dǎo)基站維護(hù)人員有針對(duì)性的消除故障，有效減少人為誤判，并大大

2、節(jié)省設(shè)備故障診斷時(shí)間。Matlab仿真結(jié)果表明：本文的BP，GA-BP和POS-BP神經(jīng)網(wǎng)絡(luò)算法模型都能夠?qū)崿F(xiàn)設(shè)備故障類別的預(yù)測，且所設(shè)計(jì)的GA-BP算法模型相比BP或POS-BP神經(jīng)網(wǎng)絡(luò)算法模型對(duì)通信設(shè)備的故障診斷來講有更好的適應(yīng)性，具有較高的工程應(yīng)用價(jià)值。關(guān)鍵詞：故障診斷，神經(jīng)網(wǎng)絡(luò)，遺傳算法，粒子群算法中圖分類號(hào)： 文獻(xiàn)標(biāo)識(shí)碼： Fault Diagnosis of Mobile Communication Equipment Based on GA-BPYao Zhongmin1 , Shen Yuhui21,2(Qiqihar University, Communications an

3、d Electronics Engineering, Qiqihar, Heilongjiang 161000 )Abstract: In order to improve the maintenance staff to handle failure of communication base station equipments efficiently and intelligently, BP neural network algorithm, and Genetic algorithms or particle swarm algorithm which optimizing BP n

4、eural network algorithm respectively, are adopted to Build three communication equipment fault diagnosis models, to predict the type of device failures that may occur, for guiding the base station maintenance person eliminating faults targeted, reducing humans misjudgment effectively, and saving equ

5、ipment troubleshooting time greatly. The Matlab simulation results show that: BP, GA-BP and POS-BP neural network algorithms models in this paper are all able to achieve the purpose of prediction for the equipments failure categories, in addition, the GA-BP algorithm model compared to BP or POS-BP n

6、eural network algorithm model for communications equipment fault diagnosis has better adaptability, and higher engineering application value.Keywords: Troubleshooting, BP neural networks, genetic algorithms, particle swarm optimization0引言移動(dòng)基站內(nèi)通信設(shè)備發(fā)生故障的原因很多而且比較復(fù)雜，傳統(tǒng)的預(yù)防維護(hù)和故障檢修通常都是由代維公司的維護(hù)人員憑直覺或多年從業(yè)經(jīng)驗(yàn)來

7、確定設(shè)備故障，存在很多人為主觀因素，容易出現(xiàn)判斷不準(zhǔn)或反復(fù)試測，耗時(shí)耗力的情況。而故障診斷可以為設(shè)備提供故障模式和故障原因的分析，為維護(hù)管理人員安排維修活動(dòng)提供重要依據(jù)。通信設(shè)備的故障發(fā)生有隨機(jī)性強(qiáng)，影響因子繁多并且復(fù)雜，狀態(tài)波形多為非線性曲線的特點(diǎn)。而BP神經(jīng)網(wǎng)絡(luò)本身具有很強(qiáng)的非線性映射能力，特別適合用來研究設(shè)備故障診斷問題1。所以本文采用BP神經(jīng)網(wǎng)絡(luò)算法以及遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法（用GA-BP表示）和粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法（用POS-BP表示）分別來建立設(shè)備故障診斷模型，科學(xué)智能高效的預(yù)測設(shè)備故障類型，提高基站維護(hù)人員處理通信設(shè)備故障的檢測質(zhì)量和工作效率。1算法模型分別搭

8、建BP，GA-BP，POS-BP神經(jīng)網(wǎng)絡(luò)診斷模型，預(yù)測設(shè)備故障類型。本文基站通信設(shè)備故障診斷的方式為：1）將故障狀態(tài)參數(shù)（比如設(shè)備環(huán)境溫度，濕度，氣壓變化率，功耗，工作頻段，端口誤碼率，輸入電壓，電流，信道帶寬，數(shù)據(jù)傳輸速率，振動(dòng)振幅等）作為網(wǎng)絡(luò)輸入，故障原因（光端機(jī)光板壞、接頭盒凍了、閃斷、駐波比告警、載頻板故障、饋線故障等等）對(duì)應(yīng)輸出；2）選取多組包含各類型故障的原始數(shù)據(jù)作為訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，用以確定網(wǎng)絡(luò)結(jié)構(gòu)；3）利用訓(xùn)練好的網(wǎng)絡(luò)，預(yù)測給定的一組參數(shù)對(duì)應(yīng)的故障類型，實(shí)現(xiàn)故障征兆集到故障集間的非線性映射2,3。其結(jié)構(gòu)圖如下：圖 1神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)結(jié)構(gòu) 1.1 BP網(wǎng)絡(luò)結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)（A

9、ctificial Neural Networks，ANNs）也稱神經(jīng)網(wǎng)絡(luò)（NNs）,顧名思義，就是模擬大腦神經(jīng)元處理信息的方式解決特定問題或?qū)崿F(xiàn)某種功能的一種仿生數(shù)學(xué)模型。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)作為最常見的NNs之一，被廣泛用在分類，評(píng)估和預(yù)測上4。BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示： 圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)上圖中，Xn為網(wǎng)絡(luò)的輸入，有N個(gè)神經(jīng)元； Yq表示網(wǎng)絡(luò)輸出，有Q個(gè)神經(jīng)元；中間為隱含層，有M個(gè)神經(jīng)元。e表示網(wǎng)絡(luò)實(shí)際輸出值Yq與期望值Yp之間的誤差。Wij表示輸入層和隱含層的權(quán)值，Wjk表示隱含層與輸出層的權(quán)值，其中i=1,2,N；j=1,2,M；k=1,2,Q。

10、如圖中所示，輸入向量從輸入層、隱含層、輸出層逐層傳播，通過Wij，Wjk的初始隨機(jī)值和激勵(lì)函數(shù)（本文取Sigmoid函數(shù)）來計(jì)算，得到Y(jié)q；BP神經(jīng)網(wǎng)絡(luò)的誤差e自輸出層、隱含層、輸入層逐層反向傳播，沿著e減小的方向修正各層的Wij，Wjk，反復(fù)修改Wij，Wjk直至算法收斂，得到滿意的結(jié)果。隱含層的節(jié)點(diǎn)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)診斷精度有很大的影響，可根據(jù)公式采用“試湊”法加以確定。式中指輸出層節(jié)點(diǎn)數(shù)，指輸入層節(jié)點(diǎn)數(shù)，。梯度修正法（從網(wǎng)絡(luò)預(yù)測誤差的負(fù)梯度方向來修正網(wǎng)絡(luò)）是BP神經(jīng)網(wǎng)絡(luò)最常用的權(quán)值閾值學(xué)習(xí)算法。但這種方式未將網(wǎng)絡(luò)以前經(jīng)驗(yàn)的積累考慮在內(nèi)，所以學(xué)習(xí)過程收斂較慢。本文采用附加動(dòng)量法來彌補(bǔ)梯度修正

11、法的不足，其權(quán)值學(xué)習(xí)公式如下：上式中，分別為，時(shí)刻的權(quán)值，為動(dòng)量學(xué)習(xí)率。BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型有兩個(gè)缺點(diǎn)：1)訓(xùn)練前，網(wǎng)絡(luò)連接權(quán)重的隨機(jī)初始賦值容易使算法收斂速度變慢，并且容易使網(wǎng)絡(luò)陷入局部最優(yōu)；2）BP神經(jīng)網(wǎng)絡(luò)由于其隱含層的不確定性，導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)規(guī)模難以確定，訓(xùn)練容易發(fā)生“過擬合”和學(xué)習(xí)能力不足的現(xiàn)象。而遺傳算法有良好的全局優(yōu)化性能,很強(qiáng)的宏觀搜索能力，能夠很好的彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的缺陷，粒子群算法也常常作為一種優(yōu)化算法出現(xiàn)在BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測模型中。1.2遺傳算法、粒子群算法遺傳算法（Genetic AlgorithmGA）通過模擬自然進(jìn)化過程“優(yōu)勝劣汰”的生存法則，采用啟發(fā)性原理，按

12、照一定的適用度函數(shù)處理種群中的個(gè)體，保留適配值高的個(gè)體進(jìn)行遺傳操作（選擇、交叉、變異），來搜索最優(yōu)解5。粒子群算法（Particle Swarm Optimization）簡稱POS，1995年由R.C.Eberhart等人首先提出，模擬的是鳥群的捕食行為，與遺傳算法類似，但沒有GA的交叉和變異6。它通過追隨當(dāng)前搜索到的最優(yōu)值，根據(jù)自己的速度來尋找全局最優(yōu)。同遺傳算法相比，POS算法簡單容易實(shí)現(xiàn)且沒有太多參數(shù)需要調(diào)整，收斂速度快且具有比遺傳算法更高效的信息共享機(jī)制。GA-BP，POS-BP算法的流程圖如圖3和圖4所示： 圖3 GABP算法流程圖遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)體現(xiàn)在兩個(gè)地方：1）遺傳編

13、碼的個(gè)體表示BP網(wǎng)絡(luò)的初始權(quán)值和閾值，2）將BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差e作為遺傳算法中個(gè)體的適應(yīng)度值，來篩選最優(yōu)個(gè)體，并將其賦值給BP7。適應(yīng)度函數(shù)的計(jì)算公式為： ， ，是系數(shù)，表示BP神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)，指網(wǎng)絡(luò)第個(gè)節(jié)點(diǎn)的期望輸出，指相應(yīng)的預(yù)測輸出。圖4 POSBP算法流程圖與遺傳算法類似，粒子群算法優(yōu)化BP：每個(gè)粒子代表神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過粒子尋優(yōu)找到網(wǎng)絡(luò)最佳的初始權(quán)值和閾值并賦值給BP神經(jīng)網(wǎng)絡(luò)。其適應(yīng)度函數(shù)同上文。1.2.1遺傳算子1）編碼本文研究的設(shè)備故障類型診斷模型有8個(gè)輸入量，5個(gè)輸出量，設(shè)置隱含層為16個(gè)節(jié)點(diǎn)，則共有16*（8+5）=203個(gè)權(quán)值， 16+5=21個(gè)閾值，采用實(shí)數(shù)

14、編碼，設(shè)置遺傳算法個(gè)體編碼長度為203+21=224。2）選擇本文采用輪盤賭法進(jìn)行個(gè)體選擇，選擇概率的計(jì)算公式為：， ，公式中，為系數(shù)，為種群個(gè)數(shù)，指個(gè)體的適應(yīng)度值。3） 交叉和變異為保證遺傳算法種群的多樣性和收斂性，采用自適應(yīng)交叉變異算子。在個(gè)體適應(yīng)度小于平均適應(yīng)度時(shí)，使用較大的交叉概率，以加快個(gè)體更新，增加種群多樣性；反之，采用較小的交叉概率，來保障適應(yīng)度高的個(gè)體在群體中的比例，提高算法的收斂速度8。交叉概率Pc的計(jì)算公式為：，同理，自適應(yīng)變異概率的計(jì)算公式為：，一般，指需要交叉的個(gè)體適應(yīng)度值，指需要變異的個(gè)體適應(yīng)度值，指現(xiàn)在種群里的適應(yīng)度最大值，為平均值。1.2.2粒子群算法參數(shù)POS算

15、法初始化為一組隨機(jī)的粒子，然后通過迭代尋找最優(yōu)解，通過適應(yīng)度評(píng)價(jià)個(gè)體品質(zhì)。迭代過程中粒子追隨當(dāng)前找到的最優(yōu)個(gè)體極值和最優(yōu)全局極值來展開搜索。粒子自我更新的公式為：。w為慣性權(quán)重；vi指當(dāng)前粒子的移動(dòng)速度，vi-1指上一代粒子的速度；c1,c2是粒子的學(xué)習(xí)因子，常取c1=c2=2；。慣性權(quán)重的計(jì)算公式為：，imax為迭代次數(shù)的最大值，it指當(dāng)前的迭代次數(shù)。wmax為慣性權(quán)重的最大值，通常取0.9，wmin為慣性權(quán)重的最小值，通常取0.4，w很小時(shí)有利于發(fā)揮POS算法的局部搜索能力。當(dāng)粒子最大速度很小時(shí)，使w趨近1，能夠發(fā)揮粒子群的全局搜索能力，速度很大時(shí)，常取w=0.8。2 實(shí)驗(yàn)2.1實(shí)驗(yàn)數(shù)據(jù)和

16、參數(shù)設(shè)置將向量作為輸入?yún)?shù)，代表基站通信傳輸設(shè)備一個(gè)檢測點(diǎn)的儀表測試值或設(shè)備狀態(tài)參數(shù)。本文選取設(shè)備環(huán)境溫度，功耗，工作頻段，端口誤碼率，電壓，電流，信道帶寬，數(shù)據(jù)傳輸速率8種參數(shù)作為輸入。網(wǎng)絡(luò)輸出為5種設(shè)備故障類型，分別表示為00001（光端機(jī)光板壞），00010（接頭盒凍了），00100（閃斷），01000（微波故障），10000（微波閃斷）。采集某代維管轄區(qū)域一類GSM傳輸設(shè)備一個(gè)月內(nèi)的2106條故障數(shù)據(jù)進(jìn)行BP算法建模。選擇前1600條數(shù)據(jù)用來訓(xùn)練網(wǎng)絡(luò)，506條數(shù)據(jù)用來驗(yàn)證網(wǎng)絡(luò)。網(wǎng)絡(luò)輸入節(jié)點(diǎn)為8個(gè)，輸出節(jié)點(diǎn)為5個(gè)，通過測試和比較，設(shè)置網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)為16，即網(wǎng)絡(luò)結(jié)構(gòu)為8-16-5。 設(shè)

17、置遺傳算法優(yōu)化代數(shù)為10，種群大小100，自適應(yīng)交叉變異率。粒子群算法優(yōu)化代數(shù)為10，初始化種群粒子為224維行向量，慣性權(quán)重wmax=0.9，wmin=0.4。三種算法的訓(xùn)練迭代次數(shù)均為1000，學(xué)習(xí)率0.1，訓(xùn)練目標(biāo)誤差0.00004。2.2實(shí)驗(yàn)結(jié)果MATLAB仿真結(jié)果如圖5-圖8所示圖5 BP、GA-BP、POS-BP故障診斷結(jié)果對(duì)比圖取同一組故障為閃斷(期望輸出為0，0，1，0，0)類型的輸入?yún)?shù)驗(yàn)證輸出，各算法輸出如表1所示：表1 算法結(jié)果名稱12345誤差期望00100BP0.0982-0.16711.00950.24650.182516.23%GA-BP-0.00340.0117

18、1.00320.00550.005112.64%POS-BP-0.5883-0.28461.11730.78410.893336.39%由圖5和表1可以看出，GA-BP的預(yù)測效果要明顯優(yōu)于單獨(dú)的BP算法或POS-BP算法；POS-BP對(duì)于中間位的預(yù)測效果比較差。1.01.52.02.53.03.54.04.55.0-0.4-0.20.00.20.40.60.81.01.2時(shí)間/s輸出神經(jīng)網(wǎng)絡(luò)預(yù)測 GA-BP預(yù)測輸出期望輸出圖6 GA-BP故障診斷結(jié)果試驗(yàn)過程中，GA-BP對(duì)閃斷的預(yù)測效果可以達(dá)到上圖6 所示，準(zhǔn)確率接近100%。123456789103032343638404244464850

19、最優(yōu)個(gè)體適應(yīng)度進(jìn)化代數(shù)適應(yīng)度圖7 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)化曲線123456789101130323436384042個(gè)體適應(yīng)度進(jìn)化代數(shù)適應(yīng)度 圖8 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)化曲線3 結(jié)論本文分別采用BP、GA-BP、POS-BP神經(jīng)網(wǎng)絡(luò)算法建立通信設(shè)備故障診斷模型來預(yù)測設(shè)備故障類型。通過Matlab仿真得到對(duì)比曲線，并做了誤差分析。結(jié)果表明，利用本文的BP，GA-BP，POS-BP算法都能夠?qū)崿F(xiàn)基站設(shè)備故障類型的診斷；GA-BP的預(yù)測效果表明，本文遺傳算法能夠有效的提高BP神經(jīng)網(wǎng)絡(luò)模型對(duì)通信設(shè)備故障的診斷精度。本文的研究對(duì)代維公司管理層及時(shí)制定合理的維護(hù)、調(diào)度方案來保障通信網(wǎng)絡(luò)正常運(yùn)行具有一定的實(shí)際意義，且建模思想可以推廣到農(nóng)業(yè)，機(jī)械，醫(yī)療，電力等設(shè)備管控對(duì)業(yè)務(wù)影響重大的其他領(lǐng)域。參考文獻(xiàn)1丁立偉,聶婷,李停. 基于BP網(wǎng)絡(luò)和專家系統(tǒng)的鋁電解槽分層故障診斷J. 計(jì)算機(jī)測量與控制,2014,11:3476-3479.2侯曉凱. 基于神經(jīng)網(wǎng)絡(luò)的多狀態(tài)網(wǎng)絡(luò)設(shè)備故障預(yù)測的研究D.山東大學(xué),2014.3Jie Xu,Keiji Yamada,