CN118041762A - 工业控制***的通信网络故障预测方法及装置 - Google Patents
工业控制***的通信网络故障预测方法及装置 Download PDFInfo
- Publication number
- CN118041762A CN118041762A CN202410164159.0A CN202410164159A CN118041762A CN 118041762 A CN118041762 A CN 118041762A CN 202410164159 A CN202410164159 A CN 202410164159A CN 118041762 A CN118041762 A CN 118041762A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- long
- control system
- industrial control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006854 communication Effects 0.000 title claims abstract description 163
- 238000004891 communication Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 109
- 239000013598 vector Substances 0.000 claims abstract description 69
- 230000015654 memory Effects 0.000 claims abstract description 61
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 34
- 230000007774 longterm Effects 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 15
- 238000001994 activation Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种工业控制***的通信网络故障预测方法及装置。该方法包括：对工业控制***网络通信中的网络通信日志数据进行采集，并对外部数据进行采集；对网络通信日志数据及外部数据进行预处理，得到预处理后的数据；利用卷积神经网络对预处理后的数据进行局部特征提取，并构建局部特征的特征向量；将特征向量输入到预先训练好的长短时记忆网络中，利用长短时记忆网络对特征向量中的时序数据进行处理，得到时序数据中的长期依赖关系，基于长期依赖关系对通信网络故障进行预测，以确定通信网络故障的类别。本申请提升通信网络故障预测结果的准确性和可靠性，从而提升工业控制***的稳定性。
Description
技术领域
本申请涉及工业控制***技术领域，尤其涉及一种工业控制***的通信网络故障预测方法及装置。
背景技术
在工业控制***中，通信网络故障是一种常见的问题，严重影响***的可靠性和效率。这些故障可表现为通信中断、数据包丢失、延迟、带宽拥塞、配置错误和安全攻击等多种形式。有效地分析和预测这些故障对于及时采取调整措施、保证数据传输的准确性和及时性，以及提高整体***的可用性至关重要。
工业控制***的通信网络具有高度动态性，其传输速率、延迟、丢包率和错误率等内部特征不断变化。此外，网络的性能还受到多种外部因素的影响，如环境温度、湿度、电压波动和噪声干扰等。这些内外部因素的复杂交互使得构建高效、准确的故障预测模型变得极其困难。
现有技术在处理工业控制***通信网络故障预测时面临若干局限性。尽管目前的模型能够识别某些故障模式，但它们往往无法充分处理网络特征的动态变化和外部环境因素的影响，导致预测的性能和准确性不尽人意。因此，存在对一种能够综合分析内部和外部特征、准确预测网络故障的改进方法的迫切需求。
发明内容
有鉴于此，本申请实施例提供了一种工业控制***的通信网络故障预测方法及装置，以解决现有技术存在的通信网络故障预测结果的准确性差、可靠性低，导致工业控制***的稳定性降低的问题。
本申请实施例的第一方面，提供了一种工业控制***的通信网络故障预测方法，包括：对工业控制***网络通信中的网络通信日志数据进行采集，并对工业控制***的外部数据进行采集；对网络通信日志数据及外部数据进行预处理，得到预处理后的数据；利用卷积神经网络对预处理后的数据进行局部特征提取，并构建局部特征的特征向量；将特征向量输入到预先训练好的长短时记忆网络中，利用长短时记忆网络对特征向量中的时序数据进行处理，得到时序数据中的长期依赖关系，基于长期依赖关系对通信网络故障进行预测，以确定通信网络故障的类别。
本申请实施例的第二方面，提供了一种工业控制***的通信网络故障预测装置，包括：采集模块，被配置为对工业控制***网络通信中的网络通信日志数据进行采集，并对工业控制***的外部数据进行采集；预处理模块，被配置为对网络通信日志数据及外部数据进行预处理，得到预处理后的数据；特征提取模块，被配置为利用卷积神经网络对预处理后的数据进行局部特征提取，并构建局部特征的特征向量；预测模块，被配置为将特征向量输入到预先训练好的长短时记忆网络中，利用长短时记忆网络对特征向量中的时序数据进行处理，得到时序数据中的长期依赖关系，基于长期依赖关系对通信网络故障进行预测，以确定通信网络故障的类别。
本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过对工业控制***网络通信中的网络通信日志数据进行采集，并对工业控制***的外部数据进行采集；对网络通信日志数据及外部数据进行预处理，得到预处理后的数据；利用卷积神经网络对预处理后的数据进行局部特征提取，并构建局部特征的特征向量；将特征向量输入到预先训练好的长短时记忆网络中，利用长短时记忆网络对特征向量中的时序数据进行处理，得到时序数据中的长期依赖关系，基于长期依赖关系对通信网络故障进行预测，以确定通信网络故障的类别。本申请提升通信网络故障预测结果的准确性和可靠性，从而提升工业控制***的稳定性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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它的附图。
图1是本申请实施例提供的工业控制***的通信网络故障预测方法的流程示意图；
图2是本申请实施例提供的通信网络故障预测模型的结构示意图；
图3是本申请实施例提供的工业控制***的通信网络故障预测装置的结构示意图；
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
通信网络故障是工业控制***中常见的问题，通信网络故障一般包含通信中断、数据包丢失、延迟、带宽拥塞、配置错误、安全攻击等。通过分析及预测通信网络故障，可以及时采取措施进行干预和调整，提高工业控制***的可靠性和可用性，确保数据的正确传输和及时处理。工业控制***通信网络是一个动态的***，其传输速率、延迟、丢包率、错误率等内部特征都会动态变化。同时，由于通信网络的复杂性以及诸多外部因素的影响，如温度变化、湿度、电压波动、噪声干扰等外部特征，这些因素使得模型的建立和优化变得更加复杂，目前已知的模型仍无法完全处理这些复杂关系，导致模型的性能和准确性效果不佳。
下面对上述几种通信网络故障的含义进行详细解释，具体可以包括以下内容：
通信中断：指工业控制***中设备之间的网络连接完全中断，导致设备无法进行正常通信。这会导致数据无法传输、控制指令无法下达，影响到生产过程的实时性和连续性，可能引起生产中断、设备损坏、工艺异常等危害。
数据包丢失：工业控制***网络通信中的数据包丢失，意味着部分数据未能正确传输到目标设备。这可能导致数据不完整或错误的控制指令被执行，进而导致工艺异常、设备故障、安全事故等危害。
延迟：在工业控制***中，通信延迟的增加意味着控制指令的传输和响应时间延长。这会导致控制***的实时性降低，可能导致工艺调节不及时、控制精度下降，甚至引发安全事故。
带宽拥塞：当工业控制***中的数据量超过网络带宽的承载能力时，网络可能会发生带宽拥塞。这会导致数据传输延迟、丢包率增加，可能引发设备之间的同步问题、控制指令传输失败等，进而影响到控制***的稳定性和性能。
配置错误：工业控制***中的网络设备配置错误可能导致通信故障。例如，错误的IP地址设置、子网掩码冲突等，会导致设备无法正常通信，影响到工艺控制和数据传输的可靠性和准确性。
安全攻击：工业控制***面临网络安全威胁，例如恶意软件、网络攻击等，可能导致网络通信故障和***数据泄露等问题。
网络流量：指在一段时间内，进出某个设备的数据量大小。网络流量是衡量工业控制***网络负载情况的重要指标之一。
时延：指从一个设备发出数据包到另一个设备接收到该数据包所需要的时间。时延是衡量工业控制***网络通信性能的重要指标之一。
丢包率：指在传输过程中，数据包未被正确接收的比率。丢包率是衡量工业控制***网络可靠性的重要指标之一。
针对上述几种比较常见的工业控制***通信网络故障，目前常用的预测方法有：基于统计分析的方法、基于故障树分析的方法、基于近似推理的方法、基于机器学习的方法等。下面对这几种常用的通信网络故障预测方法进行说明，具体可以包括以下内容：
基于统计分析的方法：通过对历史数据进行统计分析，识别出异常模式和趋势，并根据这些信息进行故障预测。常用的方法有时间序列分析、回归分析等。
基于故障树分析的方法：通过将通信***中可能导致通信故障的各个因素进行逻辑组合，建立故障树模型，并基于该模型进行故障预测。该方法在建模上更加准确，能够反映***的整体结构和关系，但需要专业知识和经验。
基于近似推理的方法：基于已有的通信故障案例，通过推理和类比来预测新的通信故障发生。这种方法主要依赖专家经验和知识，并通过对类似问题的分析来做出判断。
基于机器学习的方法：利用机器学习算法来构建一个针对通信网络故障的预测模型。通过对大量的训练数据进行学习和建模，模型可以识别通信网络故障的特征并做出预测。常用的机器学习算法包括支持向量机、随机森林、神经网络等。
机器学习已被广泛应用于工业控制***，用于预测各种类型的故障，并取得了一系列成果。在工业控制***中，通信网络的内部特征及外部特征往往是具有时序关系的。例如，通信网络的故障可能受到其他设备状态的影响，如果忽略了时序关系，模型的准确性和可靠性可能会受到影响。
鉴于现有技术中存在的问题，由于工业控制***通信网络包含大量的传感器数据和网络参数，导致特征空间非常庞大。在处理高维特征时，现有的方法可能面临维度灾难的问题，导致模型难以训练和预测。同时现有的方法大多以分析内部特征为主，忽略了工业控制***通信网络的时序特征及外部特征，影响了模型预测的准确性。
因此，为解决上述现有技术中的问题，本申请提供一种改进后的基于机器学习的工业控制***通信网络故障预测方法。本申请根据工业控制***通信网络的特点和需求，构建了基于CNN-LSTM的工业控制***网络通信故障预测模型，捕捉网络通信的内部特征、外部特征以及通信网络数据中的时序模式和动态变化趋势，该模型可以自主学习和捕捉通信数据中的时空特征，从而提高模型对数据的建模，提升其准确性。本申请通过对通信网络状态和传感器数据进行分析，利用监督学习算法构建故障预测模型，实现网络故障的预测。相比传统的方法，本申请的CNN-LSTM模型能够提前发现潜在故障，提供更准确和可靠的故障预测结果，以提高工业控制***的可靠性和稳定性。
图1是本申请实施例提供的工业控制***的通信网络故障预测方法的流程示意图。图1的工业控制***的通信网络故障预测方法可以由服务器执行。如图1所示，该工业控制***的通信网络故障预测方法具体可以包括：
S101，对工业控制***网络通信中的网络通信日志数据进行采集，并对工业控制***的外部数据进行采集；
S102，对网络通信日志数据及外部数据进行预处理，得到预处理后的数据；
S103，利用卷积神经网络对预处理后的数据进行局部特征提取，并构建局部特征的特征向量；
S104，将特征向量输入到预先训练好的长短时记忆网络中，利用长短时记忆网络对特征向量中的时序数据进行处理，得到时序数据中的长期依赖关系，基于长期依赖关系对通信网络故障进行预测，以确定通信网络故障的类别。
首先，结合附图以及具体实施例对本申请技术方案涉及的通信网络故障预测模型的结构进行详细说明。图2是本申请实施例提供的通信网络故障预测模型的结构示意图。如图2所示，该通信网络故障预测模型具体可以包括：
本申请提出了一种用于工业控制***的通信网络故障预测模型，旨在准确预测潜在的通信故障，以提前采取预防措施。该模型利用了深度学习技术，尤其是结合了卷积神经网络(CNN)和长短时记忆网络(LSTM)的优势来处理复杂的数据特征和时序关系。模型的结构设计符合工业控制***网络数据的特性，能够处理高维度的输入数据，并有效捕获时间依赖性。
卷积层：模型的第一部分是卷积层，它通过滤波器自动提取输入数据的局部特征。每个卷积层都应用多个滤波器，这些滤波器在原始输入数据上滑动，以产生多个特征图。这些特征图表示原始数据中不同位置的特征激活，为模型提供了空间层面的抽象。
池化层：紧随卷积层之后的是池化层，它的主要作用是降低特征图的空间维度。通过下采样，池化层有助于减少计算量，并且能够使模型对输入数据的小变化具有更好的不变性。这一层通常采用最大池化策略，选择特征图中的最大值作为输出。
全连接层：在多个卷积层和池化层之后，模型引入了全连接层。这些层将前面层次的输出特征图展平为一维向量，并通过权重矩阵实现不同特征之间的全连接。全连接层的目的是将局部特征综合到高层次的特征表示，为最终的分类决策提供依据。
时序层(LSTM)：最关键的部分是LSTM层，它处理全连接层输出的特征向量，特别是捕捉这些特征向量中的时序关系和长期依赖关系。LSTM层通过其特殊的门控制制度(包括遗忘门、输入门和输出门)，能够维持和更新跨时间步的信息流，从而允许模型记忆并利用历史数据中的关键信息。
预测输出：模型的最后阶段是输出层，该层基于LSTM层提供的信息对可能的故障进行分类和预测。输出层通常使用softmax激活函数，将LSTM层的输出转换为概率分布，表示各种可能故障类别的预测概率。
整个模型以数据驱动的方式工作，通过训练过程调整网络参数，使其能够从历史故障数据中学习并预测未来的故障事件。通过这种方式，模型不仅能够识别当前的通信网络状态，还能够预测和识别可能导致***失效的趋势和模式。模型的设计充分考虑了工业控制***通信网络的动态变化和多变的环境因素，使其能够适应和处理实时数据流，提供及时的故障预警。该预测模型为工业控制***的维护和优化提供了强有力的技术支持，能够显著提高***的稳定性和安全性。
在一些实施例中，对工业控制***网络通信中的网络通信日志数据进行采集，并对工业控制***的外部数据进行采集，包括：
对工业控制***的网络通信日志及传感器采集的数据进行实时监测和记录，从网络通信过程中采集网络通信日志数据，并从传感器中采集外部数据，其中，外部数据中包含工业设备的外部环境数据。
具体地，工业控制***中配置了一系列网络通信日志记录器和传感器，用于实时监测和记录工业控制***的运行状态。网络通信日志记录器负责捕获网络通信过程中的关键参数，如传输速率、延迟、丢包率、错误率、连接状态和设备负载等。这些参数为网络通信的内部特征提供了详尽信息。
同时，与网络通信日志记录器并行工作的是一组传感器，它们负责采集影响工业设备运行的外部环境数据。这些传感器分布在工业控制***的关键位置，监测包括温度、湿度、电压和噪声等环境参数。这些外部数据为***的外部特征提供了实时信息。
进一步地，采集到的数据会被实时传输至中央处理单元，中央处理单元装备有数据预处理模块。该模块对收集到的内部和外部数据进行初步清洗和格式化处理。数据清洗包括去除无关信息和异常值，而格式化处理则确保数据以一致的格式进行记录和分析，便于后续的数据处理。
在一些实施例中，对网络通信日志数据及外部数据进行预处理，得到预处理后的数据，包括：
对网络通信日志数据及外部数据进行清洗，去除网络通信日志数据及外部数据中的冗余信息；
对清洗后的网络通信日志数据及外部数据按照预定的格式进行解析，以提取出关键字段，将关键字段存储为结构化数据；
对结构化数据进行标准化处理，得到预处理后的数据，其中，标准化处理包括格式转换、统一单位和归一化处理。
具体地，本申请实施例详细阐述了一个数据预处理过程，该过程为后续的工业控制***通信网络故障预测提供了标准化和结构化的输入数据。首先，本申请部署了一套数据采集***，该***负责收集网络通信日志数据和工业控制***的外部数据。网络通信日志数据主要包括网络的运行参数，例如传输速率、延迟、丢包率和错误率，而外部数据则涉及环境监测传感器采集的温度、湿度、电压和噪声等信息。
进一步地，一旦数据被采集，***立即开始数据清洗过程。在此阶段，***自动去除所有无关或重复的信息，确保只保留对故障预测有意义的数据。例如，它会排除那些明显偏离正常范围的错误数据点，这些可能由传感器故障或暂时的网络噪声引起。
进一步地，清洗后的数据被送入数据解析模块。在这里，特定的解析算法被用来识别和提取关键字段，如时间戳、IP地址和通信参数等。这些字段随后被转换成结构化数据格式，便于进一步的处理和分析。
进一步地，结构化的数据经过标准化处理，以确保数据在整个预测模型中保持一致性。这包括将所有时间戳统一到相同的时间格式，例如UTC，以及将所有度量单位标准化，比如将所有流量参数转换为统一的单位，确保不同数据源和传感器间的兼容性。
在一个示例中，例如，网络流量数据，原始可能以各种不同的单位记录，如每秒字节数或每秒比特数。将这些单位统一转换为比特/秒，这是网络带宽分析中的标准单位。同时，对于时间戳，将它们统一转换为国际标准时间格式(例如ISO 8601)，以便于跨时区的数据同步和比较。
归一化处理也在此阶段完成，其中所有数值型数据都映射到一个固定的范围(通常是0到1)，以消除不同量纲和量级之间的影响。这对于机器学习模型的训练尤为重要，因为它确保了不会有一个特征由于其数值范围较大而在模型训练中占据过多权重。
下面以网络通信日志数据的预处理过程为例，对本申请的数据预处理操作进行详细说明，具体可以包括以下内容：
(1)清洗后的数据集：
(2)归一化处理：
本申请采用最小-最大归一化(Min-Max normalization)将特征值映射到[0,1]的范围内。
(3)输入数据格式：
[
[0.66,0.7,0.88,0.56,…],
[0.16,0.3,0.88,0.89,…],
...
]
最后，经过清洗、解析和标准化处理后，预处理的数据被存储在中央数据库中。该数据库支持高速数据读写操作，并能够确保数据在传输过程中的安全性和完整性。此外，数据库还支持快速查询和检索操作，为后续的数据分析和机器学习模型的训练提供便利。
通过上述本申请实施例的数据预处理操作，确保了输入到故障预测模型中的数据是准确、一致和可靠的。这些预处理步骤对于提高最终故障预测的准确性至关重要，为工业控制***的稳定运行提供了坚实的数据支持。本申请实施例提供了一个高效且可靠的数据预处理流程，它是实现准确故障预测的基础，并为工业控制***的维护和故障响应提供了有力的数据支撑。通过这种方法，不仅能够及时识别和预测通信网络中的故障，还能够优化整个工业控制***的性能和可用性。
在一些实施例中，利用卷积神经网络对预处理后的数据进行局部特征提取，并构建局部特征的特征向量，包括：
将预处理后的数据构造为符合卷积神经网络处理要求的矩阵形式，输入矩阵中包含多个特征值，每个特征值代表预处理后的数据中的一个参数；
利用卷积层中的多个卷积核的卷积运算处理输入矩阵，并通过激活函数增加非线性，提取出数据的局部特征；
利用池化层对卷积层输出的特征图进行下采样，以提取关键特征；
利用全连接层将局部特征和关键特征整合为一维向量，并利用反向传播算法调整权重和偏置，以优化特征向量。
具体地，本申请实施例描述了一种利用卷积神经网络(CNN)对工业控制***中预处理后的网络通信日志数据和外部环境数据进行局部特征提取的方法。该方法涉及将数据转换为适合CNN处理的格式，然后通过一系列的网络层次结构来自动提取特征和构建特征向量。
首先，预处理后的数据被构造成一个矩阵，其中每行表示一个数据样本，每列对应一个特征值，例如传输速率、延迟、丢包率、设备负载、温度、湿度等。这个矩阵作为CNN的输入层的输入数据。
接着，这个数据矩阵被送入CNN的卷积层。在卷积层，多个卷积核分别在输入矩阵上滑动，执行卷积运算，以检测和提取局部特征。每个卷积核专注于提取输入数据的不同特征。这些卷积运算的结果是多个特征图，它们通过激活函数(通常是ReLU函数)进行非线性转换，以增强模型的表达能力。
之后，卷积层输出的特征图被送入池化层。池化层通过下采样的方式减少特征图的维度，同时保留重要的特征信息。这不仅减少了模型的参数数量和计算量，而且提高了特征的鲁棒性。
最后，经过一系列卷积层和池化层处理后的数据被送入全连接层。全连接层将之前层次的所有特征集合起来，并将它们转换成一维的特征向量。在这个阶段，反向传播算法被用于训练模型，通过调整权重和偏置来优化特征向量，从而提高故障预测的准确性。
在上述整个过程中，CNN的每一个层次都对数据进行更深层次的分析和处理。通过这种分层次的方法，模型能够捕捉到数据中复杂的局部和全局特征，并将它们转化为有用的信息，用于准确预测未来可能发生的通信网络故障。
下面结合一个具体示例，对利用卷积神经网络CNN对预处理后的数据进行特征提取的过程进行详细说明，具体可以包括以下内容：
(1)将网络模型的输入矩阵构造为[L，D]，L为批量大小和序列的长度，D是特征的数量。输入数据如下：
(2)在卷积层中，有N个特征作为输入，M个卷积核，使用以下公式输出第l层的特征图。
其中，表示连接到第i个输入的第j个滤波器，/>表示第i个输入，/>表示第j个输出。/>表示第j个滤波器对应的偏置。f表示激活函数，*表示卷积运算。经验证，Relu激活函数的训练速度优于Sigmoid激活函数、Tanh激活函数，所以在训练中可以采用Relu激活函数：
f(x)＝max(0，x)
(3)在池化层中，有N个特征作为输入，使用以下公式作为第l层的特征图。
其中，表示第j个输入，/>表示第j个输出。
(4)全连接层本质上是反向传播的神经网络，全连接层的输入为一维向量。输入向量的每个值通过一个神经元连接到输出向量，输入向量和输出向量的长度分别是N，M。计算第l层的公式如下：
其中，表示连接到第i个输入值第j个输出值的权重，/>表示第i个输出值，表示第j个输出值。/>表示第j个输出值的偏置。
本申请实施例提供了一种高效的特征提取和向量构建方法，该方法充分利用了CNN在图像和信号处理领域内的优势，适用于工业控制***通信网络故障预测的复杂需求。通过这种方法，可以大大提高故障预测的准确度，为工业控制***的维护和故障响应提供了有力的技术支持。
在一些实施例中，在将特征向量输入到预先训练好的长短时记忆网络中之前，该方法还包括：
将卷积神经网络输出的特征向量划分为训练集和验证集，其中，利用训练集对长短时记忆网络的参数进行训练，利用验证集对长短时记忆网络的超参数进行调优。
具体地，本申请实施例还描述了一个完整的长短时记忆网络(LSTM)训练和验证流程，该流程是在卷积神经网络(CNN)提取特征后，进行网络故障预测之前的关键步骤。
首先，***通过卷积神经网络(CNN)处理预处理后的数据，以自动提取数据中的局部特征。CNN的多层结构设计用于捕捉不同层次的抽象特征，这些特征被构造成一个降维特征矩阵。这个特征矩阵，或者说特征向量，包含了从原始数据中提取的重要特征，为后续的故障预测奠定了基础。
进一步地，这些特征向量被划分为两个不同的数据集：训练集和验证集。训练集用于对LSTM网络的参数进行初始训练。这一训练过程涉及将特征向量输入到LSTM网络，并调整网络参数以最小化预测误差。通过多轮迭代，LSTM网络学习数据中的复杂时序关系和动态变化模式。
同时，验证集的作用是评估训练过程中LSTM模型的性能，并对模型的超参数进行调优。超参数是指那些控制模型学习过程的高级参数，如学习率、网络层的数量和神经元的数量等。验证集通过提供一个独立于训练数据的数据集，帮助监控和防止模型过拟合。
在一个示例中，例如给定一个训练集，{(Xn，Yn)|n＝1，2，...，n；Xn∈Rw1，Yn∈Rw2}，其中，Xn为输入向量，Yn为每个数据样本的标签。在数据集中有n个样本。Rw1：表示维度为w1的向量，Rw2：表示维度为w2的向量，w1，w2均表示维度，即特征数。
进一步地，在整个训练和验证过程中，通过反复调整超参数，并使用验证集的反馈来优化模型。这个过程持续进行，直到模型在验证集上的性能不再显著提高为止。通过这种方式，确保了LSTM模型能够准确地预测网络故障，而不仅仅是记忆训练数据。
本申请实施例中的LSTM网络训练和验证流程是确保预测模型准确性和泛化能力的关键步骤。通过这种方法，可以确保模型在实际应用中对工业控制***的通信网络故障有着良好的预测能力，为***的维护提供了强大的技术支持。最终，这个经过训练和验证的LSTM模型被部署在实际的工业控制***中，实时监测网络状态，并预测潜在的故障事件，从而提前采取必要的维护措施，减少***停机时间，提高整个工业控制***的稳定性和安全性。
在一些实施例中，利用长短时记忆网络对特征向量中的时序数据进行处理，得到时序数据中的长期依赖关系，基于长期依赖关系对通信网络故障进行预测，包括：
利用长短时记忆网络的遗忘门、输入门和输出门，对特征向量中的时序数据进行处理，其中，遗忘门、输入门和输出门用于根据当前输入和先前的网络状态来更新网络的内部状态；
长短时记忆网络通过门控制捕捉时序数据中的长期依赖关系，并学习和记忆时序数据中的时序模式；
根据特征向量中的长期依赖关系，利用长短时记忆网络对故障模式和类别进行分析，输出不同故障类别的概率分布；
根据不同故障类别的概率分布，确定最终的通信网络故障类别，以便对通信网络故障进行预测。
具体地，本申请实施例描述了一种利用长短时记忆网络(LSTM)进行通信网络故障预测的方法。此方法特别关注于工业控制***中时序数据的长期依赖性，并利用LSTM网络的特殊结构来精确捕捉此依赖性。首先，对通过前面卷积神经网络(CNN)提取并预处理的特征向量进行分析。这些特征向量包含了关于工业控制***通信网络状态的重要信息，如网络通信日志和外部环境数据所表现出的时间序列特征。
进一步地，将这些特征向量被输入到一个预先训练好的LSTM网络中。LSTM网络的核心是由遗忘门、输入门和输出门组成的单元结构，这些门协同工作以选择性地保留或遗忘信息，更新内部状态，这对于处理具有时序性的数据至关重要。
在处理时序数据时，LSTM网络的遗忘门会决定哪些信息是不再相关的，从而应该从单元的状态中移除。输入门则决定哪些新的信息是重要的，并应该加入到单元的状态中。同时，输出门控制从单元状态到输出的信息流。这些门的组合确保了LSTM网络能够捕获长期的数据依赖关系，如在某些特定时间段内因高负荷运行而引起的通信问题。
例如，在一个示例中，LSTM网络的基本单元包括遗忘门、输入门和输出门。遗忘门的输入xt与状态存储单元Ct-1和中间输出ht-1一起决定状态存储单元的哪些信息需要遗忘。输入门中的xt通过σ和tanh函数改变来确定在状态存储单元中保留哪些信息，通过遗忘门和输入门，LSTM结构可以更有效地确定哪些信息应该被遗忘，哪些信息应该被保留。中间输出ht由更新后的Ct和输出ot确定，计算公式如下：
ft＝σ(Wt[ht-1，xt]+bf)
it＝σ(Wi[ht-1，xt]+bi)
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot tanh(Ct)
其中，ft、it、ot、ht、Ct分别表示遗忘门、输入门、输出门、中间输出和单元状态；Wt、Wi、Wo、Wc表示不同状态门对应的权值；bf，bi，bo，bc分别表示不同状态门的偏移量。
进一步地，长短时记忆网络通过上述门控制机制处理输入的特征向量，使得网络能够学习和记忆时序数据中的模式。这一能力特别适用于预测那些受多种因素影响并随时间变化的故障模式，如网络拥塞或设备故障。
需要说明的是，在LSTM网络的学习过程中，不仅是当前的输入，而且过去的信息都被考虑在内，使得模型能够识别特定条件下可能发生的故障，如在设备高负荷运行时可能出现的问题。这些时序性问题的预测不仅基于单一时刻的数据，而是基于数据随时间的整个序列。
在模型训练完成后，LSTM网络能够根据历史数据中学习到的长期依赖关系，对特征向量进行预测分析，从而输出不同故障类别的概率分布。这些概率分布为最终的故障预测提供了依据，使得维护团队能够根据预测结果采取预防措施或准备必要的维修策略。
最后，根据LSTM网络提供的故障概率分布，***确定了最有可能的通信网络故障类别。这一结果使得工业控制***能够对即将发生的故障做出快速反应，减少潜在的停机时间，并提高整个***的可靠性和效率。
通过上述本申请实施例的方法，本实施例提供了一种利用长短时记忆网络处理时序数据和预测通信网络故障的有效方法。长短时记忆网络的结构和功能使其能够适应工业控制***的需求，提供对于时间敏感的问题如网络中断和性能下降等故障的及时预警。
此外，由于工业控制***的网络通信数据量往往很大，LSTM网络的这些特性特别有助于从海量数据中提取有用的信息，进行有效的故障预测。这种预测模型能够识别出在不同负载条件下可能发生的特定故障类型，并在故障发生之前提供警告。
在本实施例中，LSTM网络不仅能够处理直接从传感器和日志文件中获取的数据，还能处理经过CNN提取特征后的高级数据。这种结合使用CNN和LSTM的方法提高了故障预测的准确性，因为CNN处理空间特征的能力和LSTM处理时间特征的能力相结合，可以更全面地理解***的状态。
本申请实施例中的LSTM网络通过反复的训练和验证周期，不断优化其内部参数，直至模型性能在验证集上不再有显著提升，以确保模型不会过度拟合训练数据。这样，当模型部署在实际的工业控制***中时，它能够准确地预测并识别出真实的故障模式，而不是仅仅响应在训练数据中见过的模式。
在一些实施例中，该方法还包括：
将准确率和召回率作为评估指标，利用对比实验的方式对由卷积神经网络及长短时记忆网络组成的组合模型进行评估，以验证组合模型的模型性能。
具体地，本申请实施例以准确率和召回率作为评估指标，通过对比实验验证本申请通信网络故障预测模型的性能和效果。以下为实际应用中的对比实验结果：
| 模型 | 准确率 | 召回率 |
| RNN | 0.68 | 0.65 |
| LSTM | 0.76 | 0.73 |
| 本申请组合模型 | 0.8 | 0.78 |
需要说明的是，本申请实施例中的上述公式是根据大量实验数据统计分析和参数拟合得出的结论，因此本申请的通信网络故障预测方法具有一般普遍性，通过采用本方法，能够有效提升工业控制***的故障预测模型的性能和准确性。
根据本申请实施例提供的技术方案，本申请实施例提供一种融合卷积神经网络(CNN)与长短时记忆网络(LSTM)的工业控制***通信网络故障预测方法。本方法深度挖掘并综合了通信网络的内部运行特征和外部环境因素，以及这些特征随时间的演变模式，达到以下技术效果：
内部特征的精确捕捉：通过CNN架构，本方法能够详细识别并提取工业控制***通信网络中的关键内部特征，如流量模式和传输行为等，为故障检测提供了坚实的基础。
外部环境因素的综合分析：LSTM部分的加入允许本方法将外部环境因素，例如温度变化、湿度以及其他可能影响网络性能的外界因素，与内部网络特征相结合，为故障预测提供了一个全面的视角。
时序模式的有效学习：利用LSTM的优越时序数据处理能力，本方法能够学习和记忆工业控制***中随时间演进的故障模式，从而在故障发生前给出预警。
预测精度的显著提升：通过以上两种网络的结合，本技术方案显著提高了对未来故障的预测精度，较传统方法有了明显的改进。
计算复杂度的降低：尽管整合了两种深度学习模型，但本申请通过优化模型结构和算法，有效降低了计算复杂度，使得模型更适合在实时***中部署。
实际应用的验证：本技术方案已在实际的工业控制***中得到应用，实际运行效果证实了其在预测通信网络故障方面的可行性和有效性。
综上所述，本申请的技术方案具有优异的综合技术效果，不仅提高了工业控制***故障预测的准确性，同时确保了模型的实用性和经济性，具有广泛的市场应用前景。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图3是本申请实施例提供的工业控制***的通信网络故障预测装置的结构示意图。如图3所示，该工业控制***的通信网络故障预测装置包括：
采集模块301，被配置为对工业控制***网络通信中的网络通信日志数据进行采集，并对工业控制***的外部数据进行采集；
预处理模块302，被配置为对网络通信日志数据及外部数据进行预处理，得到预处理后的数据；
特征提取模块303，被配置为利用卷积神经网络对预处理后的数据进行局部特征提取，并构建局部特征的特征向量；
预测模块304，被配置为将特征向量输入到预先训练好的长短时记忆网络中，利用长短时记忆网络对特征向量中的时序数据进行处理，得到时序数据中的长期依赖关系，基于长期依赖关系对通信网络故障进行预测，以确定通信网络故障的类别。
在一些实施例中，图3的采集模块301对工业控制***的网络通信日志及传感器采集的数据进行实时监测和记录，从网络通信过程中采集网络通信日志数据，并从传感器中采集外部数据，其中，外部数据中包含工业设备的外部环境数据。
在一些实施例中，图3的预处理模块302对网络通信日志数据及外部数据进行清洗，去除网络通信日志数据及外部数据中的冗余信息；对清洗后的网络通信日志数据及外部数据按照预定的格式进行解析，以提取出关键字段，将关键字段存储为结构化数据；对结构化数据进行标准化处理，得到预处理后的数据，其中，标准化处理包括格式转换、统一单位和归一化处理。
在一些实施例中，图3的特征提取模块303将预处理后的数据构造为符合卷积神经网络处理要求的矩阵形式，输入矩阵中包含多个特征值，每个特征值代表预处理后的数据中的一个参数；利用卷积层中的多个卷积核的卷积运算处理输入矩阵，并通过激活函数增加非线性，提取出数据的局部特征；利用池化层对卷积层输出的特征图进行下采样，以提取关键特征；利用全连接层将局部特征和关键特征整合为一维向量，并利用反向传播算法调整权重和偏置，以优化特征向量。
在一些实施例中，图3的训练模块305在将特征向量输入到预先训练好的长短时记忆网络中之前，将卷积神经网络输出的特征向量划分为训练集和验证集，其中，利用训练集对长短时记忆网络的参数进行训练，利用验证集对长短时记忆网络的超参数进行调优。
在一些实施例中，图3的预测模块304利用长短时记忆网络的遗忘门、输入门和输出门，对特征向量中的时序数据进行处理，其中，遗忘门、输入门和输出门用于根据当前输入和先前的网络状态来更新网络的内部状态；长短时记忆网络通过门控制捕捉时序数据中的长期依赖关系，并学习和记忆时序数据中的时序模式；根据特征向量中的长期依赖关系，利用长短时记忆网络对故障模式和类别进行分析，输出不同故障类别的概率分布；根据不同故障类别的概率分布，确定最终的通信网络故障类别，以便对通信网络故障进行预测。
在一些实施例中，图3的评估模块306将准确率和召回率作为评估指标，利用对比实验的方式对由卷积神经网络及长短时记忆网络组成的组合模型进行评估，以验证组合模型的模型性能。
应当理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图4是本申请实施例提供的电子设备4的结构示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种工业控制***的通信网络故障预测方法，其特征在于，包括：
对工业控制***网络通信中的网络通信日志数据进行采集，并对所述工业控制***的外部数据进行采集；
对所述网络通信日志数据及所述外部数据进行预处理，得到预处理后的数据；
利用卷积神经网络对所述预处理后的数据进行局部特征提取，并构建所述局部特征的特征向量；
将所述特征向量输入到预先训练好的长短时记忆网络中，利用所述长短时记忆网络对所述特征向量中的时序数据进行处理，得到所述时序数据中的长期依赖关系，基于所述长期依赖关系对通信网络故障进行预测，以确定所述通信网络故障的类别。
2.根据权利要求1所述的方法，其特征在于，所述对工业控制***网络通信中的网络通信日志数据进行采集，并对所述工业控制***的外部数据进行采集，包括：
对所述工业控制***的网络通信日志及传感器采集的数据进行实时监测和记录，从网络通信过程中采集所述网络通信日志数据，并从所述传感器中采集所述外部数据，其中，所述外部数据中包含工业设备的外部环境数据。
3.根据权利要求1所述的方法，其特征在于，所述对所述网络通信日志数据及所述外部数据进行预处理，得到预处理后的数据，包括：
对所述网络通信日志数据及所述外部数据进行清洗，去除所述网络通信日志数据及所述外部数据中的冗余信息；
对清洗后的网络通信日志数据及外部数据按照预定的格式进行解析，以提取出关键字段，将所述关键字段存储为结构化数据；
对所述结构化数据进行标准化处理，得到所述预处理后的数据，其中，所述标准化处理包括格式转换、统一单位和归一化处理。
4.根据权利要求1所述的方法，其特征在于，所述利用卷积神经网络对所述预处理后的数据进行局部特征提取，并构建所述局部特征的特征向量，包括：
将所述预处理后的数据构造为符合卷积神经网络处理要求的矩阵形式，输入矩阵中包含多个特征值，每个特征值代表预处理后的数据中的一个参数；
利用卷积层中的多个卷积核的卷积运算处理所述输入矩阵，并通过激活函数增加非线性，提取出数据的局部特征；
利用池化层对所述卷积层输出的特征图进行下采样，以提取关键特征；
利用全连接层将所述局部特征和所述关键特征整合为一维向量，并利用反向传播算法调整权重和偏置，以优化所述特征向量。
5.根据权利要求1所述的方法，其特征在于，在所述将所述特征向量输入到预先训练好的长短时记忆网络中之前，所述方法还包括：
将所述卷积神经网络输出的特征向量划分为训练集和验证集，其中，利用所述训练集对所述长短时记忆网络的参数进行训练，利用所述验证集对所述长短时记忆网络的超参数进行调优。
6.根据权利要求5所述的方法，其特征在于，所述利用所述长短时记忆网络对所述特征向量中的时序数据进行处理，得到所述时序数据中的长期依赖关系，基于所述长期依赖关系对通信网络故障进行预测，包括：
利用所述长短时记忆网络的遗忘门、输入门和输出门，对所述特征向量中的时序数据进行处理，其中，所述遗忘门、输入门和输出门用于根据当前输入和先前的网络状态来更新网络的内部状态；
所述长短时记忆网络通过门控制捕捉所述时序数据中的长期依赖关系，并学习和记忆所述时序数据中的时序模式；
根据所述特征向量中的长期依赖关系，利用所述长短时记忆网络对故障模式和类别进行分析，输出不同故障类别的概率分布；
根据所述不同故障类别的概率分布，确定最终的通信网络故障类别，以便对所述通信网络故障进行预测。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将准确率和召回率作为评估指标，利用对比实验的方式对由所述卷积神经网络及所述长短时记忆网络组成的组合模型进行评估，以验证所述组合模型的模型性能。
8.一种工业控制***的通信网络故障预测装置，其特征在于，包括：
采集模块，被配置为对工业控制***网络通信中的网络通信日志数据进行采集，并对所述工业控制***的外部数据进行采集；
预处理模块，被配置为对所述网络通信日志数据及所述外部数据进行预处理，得到预处理后的数据；
特征提取模块，被配置为利用卷积神经网络对所述预处理后的数据进行局部特征提取，并构建所述局部特征的特征向量；
预测模块，被配置为将所述特征向量输入到预先训练好的长短时记忆网络中，利用所述长短时记忆网络对所述特征向量中的时序数据进行处理，得到所述时序数据中的长期依赖关系，基于所述长期依赖关系对通信网络故障进行预测，以确定所述通信网络故障的类别。
9.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410164159.0A CN118041762A (zh) | 2024-02-05 | 2024-02-05 | 工业控制***的通信网络故障预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410164159.0A CN118041762A (zh) | 2024-02-05 | 2024-02-05 | 工业控制***的通信网络故障预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118041762A true CN118041762A (zh) | 2024-05-14 |
Family
ID=90988828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410164159.0A Pending CN118041762A (zh) | 2024-02-05 | 2024-02-05 | 工业控制***的通信网络故障预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118041762A (zh) |
-
2024
- 2024-02-05 CN CN202410164159.0A patent/CN118041762A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Serradilla et al. | Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects | |
| JP7223839B2 (ja) | 異常検出および／または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
| Zhai et al. | Enabling predictive maintenance integrated production scheduling by operation-specific health prognostics with generative deep learning | |
| CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及*** | |
| EP3139313B1 (en) | Anomaly detection system and method | |
| Gao et al. | A neural network-based joint prognostic model for data fusion and remaining useful life prediction | |
| Zhao et al. | Probabilistic remaining useful life prediction based on deep convolutional neural network | |
| CN114118225A (zh) | 发电机剩余寿命预测方法、***、电子设备和存储介质 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| CN115221942A (zh) | 一种基于时序融合和神经网络的设备缺陷预测方法及*** | |
| CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及*** | |
| Zhu et al. | RGCNU: recurrent graph convolutional network with uncertainty estimation for remaining useful life prediction | |
| Chen et al. | Reliability analysis using deep learning | |
| Giurgiu et al. | Explainable failure predictions with rnn classifiers based on time series data | |
| CN118041762A (zh) | 工业控制***的通信网络故障预测方法及装置 | |
| CN110874601A (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
| KR20220138250A (ko) | 고농도 미세먼지 상황의 발생을 추론하기 위한 방법 및 전자 장치 | |
| Giannoulidis et al. | A context-aware unsupervised predictive maintenance solution for fleet management | |
| Wen et al. | An unsupervised subdomain adversarial network for remaining useful life estimation under various conditions | |
| Karagiorgou et al. | On making factories smarter through actionable predictions based on time-series data | |
| Kopuru | A machine learning framework for prediction of diagnostic trouble codes in automobiles | |
| Mun et al. | Ensemble learning for fault condition prediction and health status monitoring in military ground vehicles | |
| Sharma et al. | Mechanical element’s remaining useful life prediction using a hybrid approach of CNN and LSTM | |
| Forest et al. | Interpretable Prognostics with Concept Bottleneck Models | |
| CN117725360A (zh) | 一种基于无监督机器学习的温度变送器故障检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |