CN113705781A - 一种基于神经网络的卫星小站故障判断方法 - Google Patents

Abstract

本发明提供了一种基于神经网络的卫星小站故障判断方法，涉及卫星***技术领域；该方法包括步骤：开始、参数初始化、隐含层单元输出结果、输出层单元输出结果、计算输出层与隐含层之间的偏差、根据权值对偏差进行修正、判断偏差是否达到故障阀值、输出相应的故障结果、对结果按照默认规则进行展示；本发明的有益效果是：通过该方法对卫星小站的故障进行分析判断，以评估卫星小站的安全性以及存在的问题。

Description

一种基于神经网络的卫星小站故障判断方法

技术领域

本发明涉及卫星***技术领域，更具体的说，本发明涉及一种基于神经网络的卫星小站故障判断方法。

背景技术

卫星小站的安全状态与卫星小站下面其它***的运行状态及变化密切相关。卫星小站的运行特性和状态直接关系到整个卫星小站的运行和安全状态。虽然可以通过各种手段获取卫星小站的各种信息,但这些有限的时时监测数据所能提供的信息是不完全的,且受多方面因素的影响。因此,卫星小站是个复杂的，受多种影响因素制约的***,对其进行故障判断是一个涉及面广、综合性强的工作,需选取一种非常理想的评价模型和评价方法,才能提高故障判断精度。

人工神经网络,是指利用工程技术手段模拟人脑神经网络的结构与功能的一种技术***,是一种大规模并行的非线性动力学***。它并不是人脑神经***的真实写照,而只是对其结构进行了大量简化后保留其主要特性的某种抽象和模拟。目前,在人工神经网络的实际应用中,使用最广泛的网络是径向基神经网络模型,它是多层映射网络,采用最小均方差的学习方式。由于人工神经网络试图以模仿人脑神经***的组织方式来构成新型的信息处理***,因此具有自适应性、自学习性、并行性、非线性、容错性和知识处理集约性的特点,为解决非结构性问题提供了一条潜力无限的新途径。

我国卫星小站目前的***势,需要对卫星小站的故障***进行故障判断,按照科学的程序和方法,对卫星小站中的危险因素、发生事故的可能性及损失与伤害程度进行调查与分析论证,从而来评估***总体的安全性以及针对存在的问题,提出有效的安全措施。

发明内容

为了克服现有技术的不足，本发明提供一种基于神经网络的卫星小站故障判断方法，通过该方法对卫星小站的故障进行分析判断，以评估卫星小站的安全性以及存在的问题。

本发明解决其技术问题所采用的技术方案是：一种基于神经网络的卫星小站故障判断方法，其改进之处在于，该方法包括以下的步骤：

S10、参数初始化，建立由输入层、隐含层和输出层所组成的三层径向基神经网络故障判断模型，将神经网络初始化；

S20、采用实例样本对神经网络进行训练，并用另外的样本进行实例校验，样本作用于输入层，并由输入层输入到隐含层，实现隐含层的结果输出；所述输入层的每一个输入节点对应样本的一个特征；

S30、所述隐含层各单元的输出输入到输出层，实现输出层的结果输出；所述输出层的输出节点等于对应安全级别；

S40、检查输出层各单元的输出误差，并按此误差进行权值修正，判断误差是否小于规定值，当误差小于规定值，则输出响应的故障结果，当误差不小于规定值，则返回至步骤S20；

当校验样本的安全级别与实际相符，则说明网络训练成功。

进一步的，步骤S10中，三层径向基神经网络故障判断模型是根据对卫星小站原始数据分析和整理，并结合卫星小站的指标体系建立的。

进一步的，步骤S20中，所述输入层的输入节点对应的样本特征包括：卫星小站抖动、延迟、吞吐量、丢包率、单个载波的C/N动态范围、最低效率、波束号、终端天线尺寸、信息速率、符号速率、调制方式、带宽、余量、效率、功放以及故障***图绘制。

进一步的，步骤S30中，所述隐含层的隐含层节点数目为一个。

进一步的，步骤S30中，所述输出层的每个输出节点对应于一个安全级别。

进一步的，所述输出层的节点为八个，分别对应的安全级别为正常在线、离线、警告、激活、未激活、配置未同步、配置完成未入网、配置同步且入网。

进一步的，步骤S20中，对神经网络进行训练是算法采用误差反向传播算法，包括以下的步骤：

S201、正向传播过程，输入信号从输入层经隐含层，传向输出层，在输出端产生输出信号，在信号传递过程中，网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态，如在输出层无法得到期望的输出，则进入下一步骤；

S202、误差信号的反向传播，输出层的实际输出与期望输出之间的差值即为误差，误差信号由输出端开始逐层向前传播，在传播过程中，网络的权值由误差反馈进行调节，通过权值不断修正，使实际输出更接近于期望输出。

本发明的有益效果是：提供一种基于神经网络的卫星小站故障判断方法，对卫星小站中的危险因素、发生事故的可能性及损失与伤害程度进行调查与分析论证,从而来评估***总体的安全性以及针对存在的问题,提出有效的安全措施。

附图说明

图1为本发明的一种基于神经网络的卫星小站故障判断方法的流程示意图。

图2为径向基(RBF)神经网络的结构图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。

本发明揭示了一种基于神经网络的卫星小站故障判断方法，通过该方法，对卫星小站中的危险因素、发生事故的可能性及损失与伤害程度进行调查与分析论证,从而来评估***总体的安全性以及针对存在的问题,提出有效的安全措施。具体的，参照图1所示，本发明的一种基于神经网络的卫星小站故障判断方法包括以下的步骤：

S10、参数初始化，建立由输入层、隐含层和输出层所组成的三层径向基神经网络故障判断模型，将神经网络初始化；

本实施例中，三层径向基神经网络故障判断模型是根据对卫星小站原始数据分析和整理，并结合卫星小站的指标体系建立的；

S20、采用200个实例样本对神经网络进行训练，并用另外20个实例样本进行实例校验，样本作用于输入层，并由输入层输入到隐含层，实现隐含层的结果输出；所述输入层的每一个输入节点对应样本的一个特征；

在本实施例中，对神经网络进行训练是算法采用误差反向传播算法，包括步骤S201-S202：

S201、正向传播过程，输入信号从输入层经隐含层，传向输出层，在输出端产生输出信号，在信号传递过程中，网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态，如在输出层无法得到期望的输出，则进入下一步骤；

S202、误差信号的反向传播，输出层的实际输出与期望输出之间的差值即为误差，误差信号由输出端开始逐层向前传播，在传播过程中，网络的权值由误差反馈进行调节，通过权值不断修正，使实际输出更接近于期望输出；

并且，本实施例中，所述输入层的输入节点对应的样本特征包括：卫星小站抖动、延迟、吞吐量、丢包率、单个载波的C/N动态范围、最低效率、波束号、终端天线尺寸、信息速率、符号速率、调制方式、带宽、余量、效率、功放以及故障***图绘制。

S30、所述隐含层各单元的输出输入到输出层，实现输出层的结果输出；所述输出层的输出节点等于对应安全级别；所述隐含层的隐含层节点数目为一个；

所述输出层的每个输出节点对应于一个安全级别，所述输出层的节点为八个，分别对应的安全级别为正常在线、离线、警告、激活、未激活、配置未同步、配置完成未入网、配置同步且入网；

S40、检查输出层各单元的输出误差，并按此误差进行权值修正，判断误差是否小于规定值，当误差小于规定值，则输出响应的故障结果，当误差不小于规定值，则返回至步骤S20；

当校验样本的安全级别与实际相符，则说明网络训练成功。

由于人工神经网络试图以模仿人脑神经***的组织方式来构成新型的信息处理***,因此具有自适应性、自学习性、并行性、非线性、容错性和知识处理集约性的特点,为解决非结构性问题提供了一条潜力无限的新途径。

因此,基于人工神经网络模型的评价方法可避免常用方法的局限性和主观性,解决了卫星小站的不安全可知性之间的矛盾,提高了评价精度,是一种非常理想的评价模型和评价方法。评价指标的建立是评价研究内容的基础和关键,直接影响到评价结果的正确性。评价指标应能够反映卫星小站的主要特征和基本状况,以及***存在的危险状态为目标。

根据卫星小站中可能存在的各种危险危害因素,应用层次分析把卫星故障安全***评价指标标化为个总体目标即卫星故障故障判断指标体系,由于在卫星故障故障判断过程中,定性指标不直接参与评价。

本发明采用分级标准量化法将定性指标转化为定量指标。即将每个指标分为8级，即1级、2级、3级、4级……8级,分别表示正常在线、离线、警告、激活、未激活；配置未同步、配置完成未入网、配置同步且入网。每级都规定一个取值标准和数值,在进行评价时,通过评价对象的实际情况得到相应指标的评价值。

神经元模型主要是基于模拟生物神经元信息的传递特性,即输入、输出关系。神经网络模型是采用误差反向传播算法的前馈多层神经网络,其结构是多层网络结构,多层神经网络不仅有输入节点,输出节点,而且有一层或多层隐节点。各个层次的神经元之间是完全互联的,而同一层次的神经元是没有连接的。网络的每一个输入节点对应样本的一个特征,而输入节点数等于样本的一个特征，分别为：X1卫星小站抖动、X2延迟、X3吞吐量、X4丢包率、X5单个载波的C/N动态范围、X6最低效率、X7波束号、X8终端天线尺寸、X9信息速率、X10符号速率、X11调制方式、X12带宽、X13余量、X14效率、X15功放、X16故障***图绘制。一个输出节点对应一个安全级别,分别为：Y1正常在线、Y2离线、Y3警告、Y4激活、Y5未激活；Y6配置未同步、Y7配置完成未入网、Y8配置同步且入网。

基于算法的神经网络中各层节点数的选择对网络的性能影响很大,层内节点数需要进行适当的选择。卫星通信运行***故障故障判断的二级指标就是卫星小站故障判断的影响因素,基本上可体现卫星通信运行***故障故障判断的多种控制因素。

因此,神经网络的输入节点数定为个。而卫星小站安全等级分为级,由此确定神经网络有个输出节点。当各节点均采用型函数时,一个隐层就是以实现任意判决分类问题。因此采用单隐层的三层神经网络结构。对于隐层节点数,根据的研究得出,单隐层神经网络的隐层节点数目为2*16+1,确定本文的隐层节点数为33个。输出为8个，所以,网络结构为16-33-8。

参照图2，RBF网络的结构如图2所示，其特点是：网络具有N个输人节点，P个隐节点，i个输出节点；网络的隐节点数等于输人样本数，隐节点的激活函数常高斯径向基函数，并将所有输人样本设为径向基函数的中心，各径向基函数取统一的扩展常数。

设输入层的任一节点用i表示，隐节点任一节点用j表示，输出层的任一节点用k表示。对各层的数学描述如下：

输入向量：

X＝(x₁,x₂,...,x_N)^T；

任一隐节点的激活函数：

确定输出向量Y和希望输出向量O：

其中q是输出层单元数；

初始化隐含层至输出层的连接权值：

W_k＝[w_k1,w_k2,...,w_kp]^T,(k＝1,2,...,q)；

其中p是隐藏层单元数，q是输出层单元数。

参考中心初始化的方法给出隐藏层到输出层的权值初始化方法：

其中mink是训练集中第k个输出神经元中所有期望输出的最小值；maxk是训练集中第k个输出神经元中所有期望输出的最大值。

一个神经网络的模型确定之后,为了使它具有某种智能特性,还必须有相应的学习方法与之配合。学习方法归根结底就是网络连接权的调整方法。神经网络采用误差反向传播算法,其网络连接权值是通过学习,不断调整得到的。

根据对卫星小站原始数据分析和整理并结合一定的指标体系建立基于神经网络的故障判断模型的个实例样本进行训练,并用另外个样本进行实例校验。校验样本的安全级别与实际相符,说明网络训练成功。

由于人工神经网络的非线性、容错性、自学习及实时处理等特点,可以用来解决卫星小站故障判断问题。建立了基于神经网络的卫星小站故障判断的数学模型,在输入神经元的数目上体现了卫星小站故障判断的多种控制因素,在输出神经元的数目上体现了卫星小站故障判断的安全级别,并通过建立的典型的训练样本对该网络进行训练和校正,最终训练成功。

最后将输出结果以颜色标识表示出来，以以下方法进行表示：

在卫星领域中，卫星小站有多种状态，在查看在线状态时，会出现离线，在线，在线配置未推送，在线有错误，离线配置未推送，在线有报警等情况，如果单纯的查看在线情况，势必会造成困难和增加人力物力、以及大量时间。针对此种情景，利用颜色来区分小站的各个状态小站时，能够根据颜色定义，便可以定义立即明确小站情况。根据颜色定义，即可实现小站的故障排查。大量减少了排查时间，加速定位错误。

本发明，对于小站在线情况和报警类颜色和图标采用组合方式，既双图标表示方法，图标形状可以自定义，并且能够实现任意组合，报警图标和颜色也是可以自定义和组合，但是在使用过程中，两种组合以方便查看为最佳。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种基于神经网络的卫星小站故障判断方法，其特征在于，该方法包括以下的步骤：

S10、参数初始化，建立由输入层、隐含层和输出层所组成的三层径向基神经网络故障判断模型，将神经网络初始化；

S20、采用实例样本对神经网络进行训练，并用另外的样本进行实例校验，样本作用于输入层，并由输入层输入到隐含层，实现隐含层的结果输出；所述输入层的每一个输入节点对应样本的一个特征；

S30、所述隐含层各单元的输出输入到输出层，实现输出层的结果输出；所述输出层的输出节点等于对应安全级别；

S40、检查输出层各单元的输出误差，并按此误差进行权值修正，判断误差是否小于规定值，当误差小于规定值，则输出响应的故障结果，当误差不小于规定值，则返回至步骤S20；

当校验样本的安全级别与实际相符，则说明网络训练成功。

2.根据权利要求1所述的一种基于神经网络的卫星小站故障判断方法，其特征在于，步骤S10中，三层径向基神经网络故障判断模型是根据对卫星小站原始数据分析和整理，并结合卫星小站的指标体系建立的。

3.根据权利要求1所述的一种基于神经网络的卫星小站故障判断方法，其特征在于，步骤S20中，所述输入层的输入节点对应的样本特征包括：卫星小站抖动、延迟、吞吐量、丢包率、单个载波的C/N动态范围、最低效率、波束号、终端天线尺寸、信息速率、符号速率、调制方式、带宽、余量、效率、功放以及故障***图绘制。

4.根据权利要求1所述的一种基于神经网络的卫星小站故障判断方法，其特征在于，步骤S30中，所述隐含层的隐含层节点数目为一个。

5.根据权利要求1所述的一种基于神经网络的卫星小站故障判断方法，其特征在于，步骤S30中，所述输出层的每个输出节点对应于一个安全级别。

6.根据权利要求5所述的一种基于神经网络的卫星小站故障判断方法，其特征在于，所述输出层的节点为八个，分别对应的安全级别为正常在线、离线、警告、激活、未激活、配置未同步、配置完成未入网、配置同步且入网。

7.根据权利要求1所述的一种基于神经网络的卫星小站故障判断方法，其特征在于，步骤S20中，对神经网络进行训练是算法采用误差反向传播算法，包括以下的步骤：

S201、正向传播过程，输入信号从输入层经隐含层，传向输出层，在输出端产生输出信号，在信号传递过程中，网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态，如在输出层无法得到期望的输出，则进入下一步骤；

S202、误差信号的反向传播，输出层的实际输出与期望输出之间的差值即为误差，误差信号由输出端开始逐层向前传播，在传播过程中，网络的权值由误差反馈进行调节，通过权值不断修正，使实际输出更接近于期望输出。

Images