[发明专利]一种基于卷积神经网络的故障检测与诊断方法

权利要求书

1.一种基于卷积神经网络的故障检测与诊断方法，其特征在于，包括故障检测和故障诊断两部分，具体包括以下步骤：

步骤1、针对具体网络场景分析发生的故障原因的种类，筛选出相关网络参数，包括覆盖与信道质量指标、接入性指标、保持性指标、移动性指标和业务量指标；

步骤2、基于ReliefF和互信息方法参数表中筛选出主要特征，作为故障检测阶段的输入参数，降低特征维度，提升计算效率和节约网络计算资源；

步骤3、计算时序数据分布相似度，用于判断网络是否发生了故障；

步骤4、采用基于卷积神经网络的故障诊断模型对网络进行诊断。

2.根据权利要求1所述的一种基于卷积神经网络的故障检测与诊断方法，其特征在于，所述步骤2中基于ReliefF和互信息方法参数表中筛选出主要特征的步骤如下：

步骤2.1、每次从训练数据集D中随机选出一个样本R，然后从R同类的样本中寻找k个猜中最近邻样本H_j，再从R的每个不同类样本中找到k个猜错最近邻样本M_j(C),C≠class(R),j＝(1,2,...,k)，然后更新每个特征的权重，如下式所示：

其中，diff(A,R₁,R₂)表示样本R₁和样本R₂在特征A上的距离，M_j(C)表示类C中第j个猜错最近邻样本，P表示边缘概率分布函数，W(A)表示特征权重；d iff(A,R₁,R₂)满足如下条件：

步骤2.2、利用互信息来表征特征之间的相关性，删去相关性高的特征；连续型随机变量互信息的计算公式如下：

其中，p(x,y)是随机变量x,y的联合概率分布函数，p(x),p(y)分别是随机变量X,Y边缘概率分布函数。

3.根据权利要求1所述的一种基于卷积神经网络的故障检测与诊断方法，其特征在于，所述步骤3中计算时序数据分布相似度的方法如下：

针对每个节点得到的k个最优参数，在t时刻，k个参数形成的参数集合KPI如下：

当数据采集时间窗口长度为T时，在t时刻，基于最优参数集合形成的时间窗参数矩阵的分布X如下：

对上式取平均值，得到t时刻的数据集合如下：

计算线上KPI参数分布和数据库中正常状态下参数分布的距离dis为：

考虑到数据分布的时间变化特征，可以数据库中可以存储多个时刻正常状态下参数分布，若当前时刻t不在数据库中，可以通过下式计算t时刻正常状态下参数分布：

定义数据分布相似度因子α，其中α＝0表示完全相同，α＝1表示完全不同；当disα就可以认为是一种疑似故障，通过数据来源基站的位置信息定位故障小区，并向故障诊断模型发送启动诊断的命令。

4.根据权利要求1所述的一种基于卷积神经网络的故障检测与诊断方法，其特征在于，所述步骤4中建立基于卷积神经网络的故障诊断模型以及诊断网络故障的方法如下：

步骤4.1，建立一个8层的卷积神经网络故障诊断模型，初始化参数；所述故障诊断模型分别包括输入层、卷积层、探测层、池化层、全连接层和输出层；

其中输入层采集的数据包括特征参数、当前基站邻居基站和时间特性三个维度；在邻居基站的选择上，将两基站间最小切换次数多的视为邻居基站，并获取前三的邻居基站信息；为了保证数据格式的一致性，对不满足3个基站的数据样本填充0，这样可以避免基站部署稀疏的情况下邻居基站数目缺失的情况；

卷积层卷积核大小为3x3，步长为1；所述卷积层运算公式如下：

其中f_i,j是在位置(i,j)上的卷积元素，f是卷积核，H是卷积核的行数，W是卷积核的列数，对于第一层卷积层，是指输入的参数矩阵(i,j)处的元素，在后面的卷积层，是上一层的卷积层的相应输出值位置的计算数值；

探测层采用ReLU作为激活函数；池化核大小为2x2，步长为2；全连接层设置dropout操作的参数为0.5，优化器的学习步长为0.0001；并采用交叉熵作为损失函数，如下所示：

z＝L(x,y)＝∑_iy_i log(p_i)

其中，C是分类任务类别个数；

步骤4.2、将输入数据分为训练数据和验证数据，利用训练数据训练模型；基于步骤4.1所述的卷积公式将数据前向传递到最后一层，再利用反向传播算法更新网络的权重和偏置并保存训练好的网络参数；

步骤4.3、当诊断阶段触发后，系统会请求最近一段时间内相关的网络信息，将其预处理为以下格式：

其中L_cur表示当前基站的位置信息，表示当前基站在t时刻的第i个KPI参数值，X_i(t)表示当前基站的第i个邻居基站；考虑到网络参数的时间变化特性，本文中取一段时间内的参数数据作为模型的输入：

Input＝[X(t-n+1),X(t-n+2),...,X(t)]

步骤4.4、输入验证数据测试故障诊断模型的性能；每条KPI数据中都包含数据来源基站的位置信息，所以当新数据输入训练好的模型中，故障的原因和位置都可以定位出来。