CN109547248A - 基于人工智能的在轨飞行器自组网故障诊断方法及装置 - Google Patents

Abstract

本发明公开了基于人工智能的在轨飞行器自组网故障诊断方法和装置，诊断方法包括步骤S1：采集关键性能指标的原始信息向量；S2：归一化预处理；S3：对归一化预处理后的信息向量与关键性能指标数据库中的关键性能指标记录进行匹配决策，针对表征未知关键性能指标的所述信息向量，依次进行无监督聚类和标签设定，生成新的关键性能指标记录并存入关键性能指标数据库；S4：根据所述信息向量所对应的关键性指标记录确定网络故障状态诊断结果。本发明可以解决现有技术中飞行器网络故障难以自主诊断的技术问题。

Description

基于人工智能的在轨飞行器自组网故障诊断方法及装置

技术领域

本发明涉及空间网络领域，特别涉及基于人工智能的在轨飞行器自组网故障诊断方法及装置。

背景技术

故障诊断是自愈网络中的关键功能，确保了***自动故障识别准确可靠。在轨飞行器由于运行轨道的特点，其组成的空间网络往往需要在没有人为干预的情况做出相应的决策判断，尤其是对网络故障进行自诊断和自修复。通常，这些症状与***关键性能指标(Key Performance Indicator，KPI)密切相关。因此，需要根据具体症状降级及其恶化程度，诊断出发生的故障。诊断过程的自动化意味着诊断***必须了解故障的行为方式。一种可能的方法是从存储的情况中提取信息，该情况包含已解决的故障。该数据集将允许通过监督学习获得自动***。然而，由于在轨飞行器运行时，空间环境的复杂性往往使得可用的历史记录特征是稀缺的，而从地面无线络获得的历史数据不足以构建具有监督技术的空间网络诊断***。因此，需要结合人工智能(Artificial Intelligence，AI)技术对在轨飞行器网络进行自主诊断。

尽管现有的研究给出了***自动诊断的方案，但主要是针对地面无线***，并且基于专家知识和故障案例的历史数据。一方面，在轨飞行器网络故障的排除难以通过专门知识构建复杂的数据模型；另一方面，即使通过一段时间的在轨运行可以获得KPI的历史数据信息，但如何揭示网络故障状态和影响因素的内在联系，是需要解决的关键技术问题。

发明内容

本发明的目的在于提供基于人工智能的在轨飞行器自组网故障诊断方法及装置，以解决现有技术中飞行器网络故障难以自主诊断的技术问题。

为了解决上述问题，本发明提供了基于人工智能的在轨飞行器自组网故障诊断方法，包括以下步骤：

S1：采集关键性能指标的原始信息向量；

S2：对所述原始信息向量进行归一化预处理；

S3：对归一化预处理后的信息向量与关键性能指标数据库中的关键性能指标记录进行匹配决策，以判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标，若所述信息向量表征的是未知关键性能指标，则对所述信息向量依次进行无监督聚类和标签设定，生成新的关键性能指标记录并存入关键性能指标数据库；

S4：根据所述信息向量所对应的关键性指标记录确定网络故障状态诊断结果。

较佳地，所述步骤S3中，判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标的具体步骤如下：

如果关键性能指标数据库中存在唯一一个与所述信息向量的距离小于阈值的关键性能指标记录，则所述信息向量表征已知关键性能指标；否则，所述信息向量表征未知关键性能指标。

较佳地，确定网络故障状态诊断结果的方法具体为：如果所述信息向量所对应的关键性能指标记录只有一条，则直接根据该关键性能指标记录确定网络故障状态诊断结果；

如果所述信息向量所对应的关键性能指标记录超过一条，则结合最邻近法和分位数法确定网络故障状态诊断结果。

较佳地，结合最邻近法和分位数法确定网络故障状态诊断结果的方法具体为：如果最邻近法确定的第一诊断结果与分位数法确定的第二诊断结果不相等且所述第一诊断结果的平均轮廓系数小于所述第二诊断结果的平均轮廓系数，则最终诊断结果为所述第二诊断结果；否则，最终诊断结果为所述第一诊断结果。

较佳地，所述无监督聚类采用自组织映射算法进行粗分类，并基于Ward层次法将类间距离最小的类进行逐次合并，从而实现精聚类。

较佳地，所述归一化预处理采用区间归一化法或标准差化法。

较佳地，所述关键性能指标包括链路保持性、切换成功率、接收参考信号功率、接收参考信号质量、信干噪比、用户平均吞吐量和距离。

本发明还提供了基于人工智能的在轨飞行器自组网故障诊断装置，其特征在于，包括

归一化预处理单元，所述归一化预处理单元对所述原始信息向量进行归一化预处理；

学习单元，对归一化预处理后的信息向量与关键性能指标数据库中的关键性能指标记录进行匹配决策，以判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标，若所述信息向量表征的是未知关键性能指标，则对所述信息向量依次进行无监督聚类和标签设定，生成新的关键性能指标记录并存入关键性能指标数据库；

诊断单元，根据所述信息向量所对应的关键性指标记录确定网络故障状态诊断结果。

与现有技术相比，本发明存在以下技术效果：

1、本发明基于人工智能技术对飞行器采集的数据进行(无)监督学习，实现在轨飞行器无人为干预场景下的故障自主诊断，提高了网络的可靠性和鲁棒性。

2、本发明对未知的关键性能指标信息进行无监督聚类，丰富数据库的记录，为历史数据的进一步挖掘分析奠定基础；对已有的关键性能指标进行深度训练聚类，提高了诊断结果的精度。

3、本发明通过轮廓控制器综合多个神经元信息，从而避免聚类的分类边界神经元对诊断结果的影响。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：

图1为本发明实施例基于人工智能的在轨飞行器自组网故障诊断方法流程图；

图2为本发明实施例基于人工智能的在轨飞行器自组网故障诊断方法的匹配决策、无监督聚类、标签设定流程图；

图3为本发明实施例基于人工智能的在轨飞行器自组网故障诊断方法的确定网络故障状态诊断结果流程图。

具体实施方式

以下将结合附图对本发明提供的基于人工智能的在轨飞行器自组网故障诊断方法及装置进行详细的描述，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例，本领域技术人员在不改变本发明精神和内容的范围内，能够对其进行修改和润色。

实施例一

请参考图1，本发明基于人工智能的在轨飞行器自组网故障诊断方法，该方法主要分为三个阶段：输入阶段、处理阶段、输出阶段，具体包括以下步骤：

S1：采集关键性能指标(Key Performance Indicator，KPI)的原始信息向量，记为x＝[x₁,…,x_M]；

S2：对所述原始信息向量进行归一化预处理，其中，归一化预处理后的数据向量记为

S3：对归一化预处理后的信息向量与关键性能指标数据库中的关键性能指标记录进行匹配决策，以判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标，若所述信息向量表征的是未知关键性能指标，则对所述信息向量依次进行无监督聚类和标签设定，生成新的关键性能指标记录并存入关键性能指标数据库，其中，生成的新的关键性能指标记录记为n表示生成的新的关键性能指标记录的数量；

S4：根据所述信息向量所对应的关键性指标记录确定网络故障状态诊断结果，其中，诊断结果输出向量记为F为标记位，F＝1指示***正常，否则，指示***不正常；L表示关键性能指标的的数量，表示关键性能指标y_l对应的网络故障状态。

其中，在输入阶段采集关键性能指标的原始信息向量时，原始信息向量x由与飞行器相关的关键性能指标组成，可以根据实际诊断的需要，获取不同的时间聚合级别(如小时、天、周、月等)的关键性能指标。

鉴于***的技术要求，同时为了便于后续数据处理，需要对原始信息向量进行归一化预处理，从而降低算法对数据尺度的敏感性。

作为一种实施例，归一化预处理可以采用区间归一化法或标准差化法。这两种方法的具体操作如下：

(1)区间归一化法，为了将所有输入变量x在所需间隔区间范围内变化，其操作为

其中，x_up和x_low分别为归一化后数值区间的上下界。特别地，当x_low＝-1，x_up＝1时，则归一化变量

(2)标准差化法，为了保证输入变量x中关键性能指标的个体差异，将输入变量修正为具有零均值和标准差的向量，其线性操作为

其中，mean(x)表示x的平均值，std(x)表示x的标准差。

为了提高故障诊断的实时性和精确性，归一化预处理后的向量将进一步用于匹配决策、无监督聚类及标签设定阶段的学习。

作为一种实施例，上述步骤S3中进行匹配决策以判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标的具体步骤如下：

如果关键性能指标数据库中存在唯一一个与所述信息向量的距离小于阈值的关键性能指标记录，则所述信息向量表征已知关键性能指标；否则，所述信息向量表征未知关键性能指标。

本实施例中，匹配决策计算关键性能指标记录与信息向量之间的距离时采用的是欧氏距离。

作为一种实施例，所述无监督聚类采用自组织映射算法进行粗分类，并基于Ward层次法将类间距离最小的类进行逐次合并，从而实现精聚类。

请参考图2，无监督聚类阶段首先采用自组织映射算法对数据进行粗分类，主要分为神经元的竞争、协作、自适应调整三个阶段：

1)竞争：训练模块的输入向量为为了找到与其最匹配的神经元，采用基于欧氏距离的判别函数

其中，为第j个神经元在第t次迭代时的权重向量，N为神经元总的个数。当神经元的权重向量与输入向量距离最近时，该神经元为获胜神经元。

2)协作：当确定获胜神经元之后，为了更新与其邻近的神经元，分配邻近神经元的权重为

其中，半径σ^t为与时间相关的衰减函数，通常采用指数形式σ^t＝σ₀exp(-t/τ_σ)。特别地，具有如下性质：①具有对称性，在获胜神经元处取得峰值；②随着距离的增加单调下降，并趋于0；③为平移不等式，与获胜神经元的位置无关。

因此，获胜神经元与其邻近神经元的距离将影响权重，进而影响更新程度。

3)自适应调整：更新节点的参数，按照梯度下降法更新

其中，学习率η^t＝η₀exp(-t/τ_η)与时间t有关，对训练图样进行更新。

通过权值更新将获胜神经元及其邻近神经元向输入向量靠近，从而使得训练数据呈现出拓扑的有序性。

重复上述竞争、协作、自适应调整，直到算法收敛，粗分类完成后将获得有序的神经元。本实施例中，当小于预先设定阈值时，则认为算法收敛。

粗分类完成后，进一步基于Ward层次法将类间距离最小的类进行逐次合并，从而实现精聚类。

具体地，请继续参考图2，针对粗分类获得的有序神经元进行精聚类分析。通过将神经元划分成不同的簇，使得簇内的神经元具有相似的特征，且与其他簇内神经元特征相异。假设类的集合为G＝{g₁,…,g_L}，其中L为类的总数。聚类的过程主要基于Ward层次法，通过层次法将类间距离最小的类进行逐次合并，同时采用Lance-Williams递推公式更新类间距离，并采用Davies-Bouldin指数(Davies-Bouldin Index，DBI)来判断聚类的效果。通常DBI定义为

其中，R_pq为类g_p和类g_q的相似度，定义为

其中，S_p和D_pq分别为分散度和两个类的中心距离。通过计算类内距离之和与类外距离之比，基于最小DBI的聚类选择算法可以避免k-mean算法只能获得局部最优解的缺陷。进而，通过K-S检验来判断是否存在相似统计特性的类，从而确保任意两个类不存在相同的关键性能指标特征。

完成粗分类和精聚类后，进一步对神经元进行标签设定。考虑到生成的聚类与网络故障状态之间的联系，其中的一个类将对应正常状态F＝1，其他的类将对应可能的网络故障状态，聚类与网络故障状态之间存在一一对应的关系。由于缺少额外的信息，往往难以评估聚类的效果。但随着运行时间的增加，当获得一定的数据量后，通过监督学习，从而提升学习的性能。

最后，将学习后的关键性能指标记录更新至关键性能指标数据库(KPI数据库)。如果学习后同时存在多个获胜神经元，则相应会生成多个新的关键性能指标记录。

作为一种实施例，确定网络故障状态诊断结果的方法具体为：如果所述信息向量所对应的关键性能指标记录只有一条，则直接根据该关键性能指标记录确定网络故障状态诊断结果；

如果所述信息向量所对应的关键性能指标记录超过一条，则结合最邻近法和分位数法确定网络故障状态诊断结果。

本实施例中，结合最邻近法和分位数法确定网络故障状态诊断结果的方法具体为：如果最邻近法确定的第一诊断结果与分位数法确定的第二诊断结果不相等且所述第一诊断结果的平均轮廓系数小于所述第二诊断结果的平均轮廓系数，则最终诊断结果为所述第二诊断结果；否则，最终诊断结果为所述第一诊断结果。

如果所述信息向量所对应的关键性能指标记录超过一条，则可能产生模糊的网络故障状态诊断结果。为了进一步提高诊断的准确率和成功率，将采用分位数法和平均轮廓系数进一步确定诊断结果。对可能的诊断网络故障状态结果，确定与其距离具有较小分位数的神经元，如采用三分位数、四分位数、五分位数等。与基于最邻近法的单个神经元相比，分位数法可以综合类中更多的神经元信息，从而提高诊断结果的容错性能。

具体地，请参考图3，假设基于最邻近法的第一诊断结果为B，基于分位数的第二诊断结果为P，进一步根据平均轮廓系数确定最终的诊断结果。如果B＝P，则可以直接得出最终诊断结果为B；如果B≠P，则进行比较辨别。分别计算B和P的平均轮廓，为

和

其中，为轮廓函数，为

其中，a_i是分量i与类内其他分量距离的平均值，b_i分量i与邻近类内所有分量距离的最小平均值。

如果则最终诊断结果为P，否则，最终诊断结果为B。

在输出阶段，根据诊断结果，基于关键性能指标与故障单元的对应关系，可以对应确定关键性能指标最佳匹配的故障单元。

作为一种实施例，针对在轨飞行器组成的高动态移动网络，关键性能指标包括链路保持性、切换成功率、接收参考信号功率、接收参考信号质量、信干噪比、用户平均吞吐量和距离等。

当网络由于多种原因而出现恶化时，本发明提供的诊断取决于多种原因对关键性能指标的影响。由于多种原因导致的网络故障状态可以呈现主要的缺陷症状，因此，仅识别出最主要的故障，一旦当前最主要的故障排除，则将识别下一个主要故障。

实施例二

本发明还公开了基于人工智能的在轨飞行器自组网故障诊断装置，包括

归一化预处理单元，所述归一化预处理单元对所述原始信息向量进行归一化预处理；归一化预处理单元的具体执行过程请参考实施例一中的步骤S2，此处不作赘述。

学习单元，对归一化预处理后的信息向量与关键性能指标数据库中的关键性能指标记录进行匹配决策，以判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标，若所述信息向量表征的是未知关键性能指标，则对所述信息向量依次进行无监督聚类和标签设定，生成新的关键性能指标记录并存入关键性能指标数据库；学习单元的具体执行过程请参考实施例一中的步骤S3，此处不作赘述。

诊断单元，根据所述信息向量所对应的关键性指标记录确定网络故障状态诊断结果；诊断单元的具体执行过程请参考实施例一中的步骤S4，此处不作赘述。

以上公开的仅为本申请的一个具体实施例，但本申请并非局限于此，任何本领域的技术人员能思之的变化，都应落在本申请的保护范围内。

Claims (8)

1.基于人工智能的在轨飞行器自组网故障诊断方法，其特征在于，包括以下步骤：

S1：采集关键性能指标的原始信息向量；

S2：对所述原始信息向量进行归一化预处理；

S3：对归一化预处理后的信息向量与关键性能指标数据库中的关键性能指标记录进行匹配决策，以判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标，若所述信息向量表征的是未知关键性能指标，则对所述信息向量依次进行无监督聚类和标签设定，生成新的关键性能指标记录并存入关键性能指标数据库；

S4：根据所述信息向量所对应的关键性指标记录确定网络故障状态诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3中，判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标的具体步骤如下：

如果关键性能指标数据库中存在唯一一个与所述信息向量的距离小于阈值的关键性能指标记录，则所述信息向量表征已知关键性能指标；否则，所述信息向量表征未知关键性能指标。

3.根据权利要求1所述的方法，其特征在于，确定网络故障状态诊断结果的方法具体为：如果所述信息向量所对应的关键性能指标记录只有一条，则直接根据该关键性能指标记录确定网络故障状态诊断结果；

如果所述信息向量所对应的关键性能指标记录超过一条，则结合最邻近法和分位数法确定网络故障状态诊断结果。

4.根据权利要求3所述的方法，其特征在于，结合最邻近法和分位数法确定网络故障状态诊断结果的方法具体为：如果最邻近法确定的第一诊断结果与分位数法确定的第二诊断结果不相等且所述第一诊断结果的平均轮廓系数小于所述第二诊断结果的平均轮廓系数，则最终诊断结果为所述第二诊断结果；否则，最终诊断结果为所述第一诊断结果。

5.根据权利要求2所述的方法，其特征在于，所述无监督聚类采用自组织映射算法进行粗分类，并基于Ward层次法将类间距离最小的类进行逐次合并，从而实现精聚类。

6.根据权利要求1所述的方法，其特征在于，所述归一化预处理采用区间归一化法或标准差化法。

7.根据权利要求1所述的方法，其特征在于，所述关键性能指标包括链路保持性、切换成功率、接收参考信号功率、接收参考信号质量、信干噪比、用户平均吞吐量和距离。

8.基于人工智能的在轨飞行器自组网故障诊断装置，其特征在于，包括

归一化预处理单元，所述归一化预处理单元对所述原始信息向量进行归一化预处理；

学习单元，对归一化预处理后的信息向量与关键性能指标数据库中的关键性能指标记录进行匹配决策，以判断所述信息向量表征的是已知关键性能指标还是未知关键性能指标，若所述信息向量表征的是未知关键性能指标，则对所述信息向量依次进行无监督聚类和标签设定，生成新的关键性能指标记录并存入关键性能指标数据库；

诊断单元，根据所述信息向量所对应的关键性指标记录确定网络故障状态诊断结果。