基于GA-BP的移動通信設備故障診斷

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

2、節(jié)省設備故障診斷時間。Matlab仿真結(jié)果表明：本文的BP，GA-BP和POS-BP神經(jīng)網(wǎng)絡算法模型都能夠?qū)崿F(xiàn)設備故障類別的預測，且所設計的GA-BP算法模型相比BP或POS-BP神經(jīng)網(wǎng)絡算法模型對通信設備的故障診斷來講有更好的適應性，具有較高的工程應用價值。關鍵詞：故障診斷，神經(jīng)網(wǎng)絡，遺傳算法，粒子群算法中圖分類號： 文獻標識碼： 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引言移動基站內(nèi)通信設備發(fā)生故障的原因很多而且比較復雜，傳統(tǒng)的預防維護和故障檢修通常都是由代維公司的維護人員憑直覺或多年從業(yè)經(jīng)驗來

7、確定設備故障，存在很多人為主觀因素，容易出現(xiàn)判斷不準或反復試測，耗時耗力的情況。而故障診斷可以為設備提供故障模式和故障原因的分析，為維護管理人員安排維修活動提供重要依據(jù)。通信設備的故障發(fā)生有隨機性強，影響因子繁多并且復雜，狀態(tài)波形多為非線性曲線的特點。而BP神經(jīng)網(wǎng)絡本身具有很強的非線性映射能力，特別適合用來研究設備故障診斷問題1。所以本文采用BP神經(jīng)網(wǎng)絡算法以及遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡算法（用GA-BP表示）和粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡算法（用POS-BP表示）分別來建立設備故障診斷模型，科學智能高效的預測設備故障類型，提高基站維護人員處理通信設備故障的檢測質(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)絡診斷模型，預測設備故障類型。本文基站通信設備故障診斷的方式為：1）將故障狀態(tài)參數(shù)（比如設備環(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，振動振幅等）作為網(wǎng)絡輸入，故障原因（光端機光板壞、接頭盒凍了、閃斷、駐波比告警、載頻板故障、饋線故障等等）對應輸出；2）選取多組包含各類型故障的原始數(shù)據(jù)作為訓練樣本訓練網(wǎng)絡，用以確定網(wǎng)絡結(jié)構；3）利用訓練好的網(wǎng)絡，預測給定的一組參數(shù)對應的故障類型，實現(xiàn)故障征兆集到故障集間的非線性映射2,3。其結(jié)構圖如下：圖 1神經(jīng)網(wǎng)絡故障診斷系統(tǒng)結(jié)構 1.1 BP網(wǎng)絡結(jié)構人工神經(jīng)網(wǎng)絡（A

9、ctificial Neural Networks，ANNs）也稱神經(jīng)網(wǎng)絡（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)學模型。BP（Back Propagation）神經(jīng)網(wǎng)絡作為最常見的NNs之一，被廣泛用在分類，評估和預測上4。BP網(wǎng)絡拓撲結(jié)構如圖2所示： 圖2 BP神經(jīng)網(wǎng)絡拓撲結(jié)構上圖中，Xn為網(wǎng)絡的輸入，有N個神經(jīng)元； Yq表示網(wǎng)絡輸出，有Q個神經(jīng)元；中間為隱含層，有M個神經(jīng)元。e表示網(wǎng)絡實際輸出值Yq與期望值Yp之間的誤差。Wij表示輸入層和隱含層的權值，Wjk表示隱含層與輸出層的權值，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的初始隨機值和激勵函數(shù)（本文取Sigmoid函數(shù)）來計算，得到Y(jié)q；BP神經(jīng)網(wǎng)絡的誤差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)點數(shù)對BP神經(jīng)網(wǎng)絡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)點數(shù)，指輸入層節(jié)點數(shù)，。梯度修正法（從網(wǎng)絡預測誤差的負梯度方向來修正網(wǎng)絡）是BP神經(jīng)網(wǎng)絡最常用的權值閾值學習算法。但這種方式未將網(wǎng)絡以前經(jīng)驗的積累考慮在內(nèi)，所以學習過程收斂較慢。本文采用附加動量法來彌補梯度修正

11、法的不足，其權值學習公式如下：上式中，分別為，時刻的權值，為動量學習率。BP神經(jīng)網(wǎng)絡算法的預測模型有兩個缺點：1)訓練前，網(wǎng)絡連接權重的隨機初始賦值容易使算法收斂速度變慢，并且容易使網(wǎng)絡陷入局部最優(yōu)；2）BP神經(jīng)網(wǎng)絡由于其隱含層的不確定性，導致網(wǎng)絡結(jié)構規(guī)模難以確定，訓練容易發(fā)生“過擬合”和學習能力不足的現(xiàn)象。而遺傳算法有良好的全局優(yōu)化性能,很強的宏觀搜索能力，能夠很好的彌補BP神經(jīng)網(wǎng)絡的缺陷，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)絡算法預測模型中。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)處理種群中的個體，保留適配值高的個體進行遺傳操作（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)絡體現(xiàn)在兩個地方：1）遺傳編

13、碼的個體表示BP網(wǎng)絡的初始權值和閾值，2）將BP神經(jīng)網(wǎng)絡的預測誤差e作為遺傳算法中個體的適應度值，來篩選最優(yōu)個體，并將其賦值給BP7。適應度函數(shù)的計算公式為： ， ，是系數(shù)，表示BP神經(jīng)網(wǎng)絡輸出節(jié)點數(shù)，指網(wǎng)絡第個節(jié)點的期望輸出，指相應的預測輸出。圖4 POSBP算法流程圖與遺傳算法類似，粒子群算法優(yōu)化BP：每個粒子代表神經(jīng)網(wǎng)絡的權值和閾值，通過粒子尋優(yōu)找到網(wǎng)絡最佳的初始權值和閾值并賦值給BP神經(jīng)網(wǎng)絡。其適應度函數(shù)同上文。1.2.1遺傳算子1）編碼本文研究的設備故障類型診斷模型有8個輸入量，5個輸出量，設置隱含層為16個節(jié)點，則共有16*（8+5）=203個權值， 16+5=21個閾值，采用實數(shù)

14、編碼，設置遺傳算法個體編碼長度為203+21=224。2）選擇本文采用輪盤賭法進行個體選擇，選擇概率的計算公式為：， ，公式中，為系數(shù)，為種群個數(shù)，指個體的適應度值。3） 交叉和變異為保證遺傳算法種群的多樣性和收斂性，采用自適應交叉變異算子。在個體適應度小于平均適應度時，使用較大的交叉概率，以加快個體更新，增加種群多樣性；反之，采用較小的交叉概率，來保障適應度高的個體在群體中的比例，提高算法的收斂速度8。交叉概率Pc的計算公式為：，同理，自適應變異概率的計算公式為：，一般，指需要交叉的個體適應度值，指需要變異的個體適應度值，指現(xiàn)在種群里的適應度最大值，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的粒子，然后通過迭代尋找最優(yōu)解，通過適應度評價個體品質(zhì)。迭代過程中粒子追隨當前找到的最優(yōu)個體極值和最優(yōu)全局極值來展開搜索。粒子自我更新的公式為：。w為慣性權重；vi指當前粒子的移動速度，vi-1指上一代粒子的速度；c1,c2是粒子的學習因子，常取c1=c2=2；。慣性權重的計算公式為：，imax為迭代次數(shù)的最大值，it指當前的迭代次數(shù)。wmax為慣性權重的最大值，通常取0.9，wmin為慣性權重的最小值，通常取0.4，w很小時有利于發(fā)揮POS算法的局部搜索能力。當粒子最大速度很小時，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，常取w=0.8。2 實驗2.1實驗數(shù)據(jù)和

16、參數(shù)設置將向量作為輸入?yún)?shù)，代表基站通信傳輸設備一個檢測點的儀表測試值或設備狀態(tài)參數(shù)。本文選取設備環(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)絡輸出為5種設備故障類型，分別表示為00001（光端機光板壞），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傳輸設備一個月內(nèi)的2106條故障數(shù)據(jù)進行BP算法建模。選擇前1600條數(shù)據(jù)用來訓練網(wǎng)絡，506條數(shù)據(jù)用來驗證網(wǎng)絡。網(wǎng)絡輸入節(jié)點為8個，輸出節(jié)點為5個，通過測試和比較，設置網(wǎng)絡隱含層節(jié)點數(shù)為16，即網(wǎng)絡結(jié)構為8-16-5。 設

17、置遺傳算法優(yōu)化代數(shù)為10，種群大小100，自適應交叉變異率。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，慣性權重wmax=0.9，wmin=0.4。三種算法的訓練迭代次數(shù)均為1000，學習率0.1，訓練目標誤差0.00004。2.2實驗結(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的預測效果要明顯優(yōu)于單獨的BP算法或POS-BP算法；POS-BP對于中間位的預測效果比較差。1.01.52.02.53.03.54.04.55.0-0.4-0.20.00.20.40.60.81.01.2時間/s輸出神經(jīng)網(wǎng)絡預測 GA-BP預測輸出期望輸出圖6 GA-BP故障診斷結(jié)果試驗過程中，GA-BP對閃斷的預測效果可以達到上圖6 所示，準確率接近100%。123456789103032343638404244464850

19、最優(yōu)個體適應度進化代數(shù)適應度圖7 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡進化曲線123456789101130323436384042個體適應度進化代數(shù)適應度 圖8 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡進化曲線3 結(jié)論本文分別采用BP、GA-BP、POS-BP神經(jīng)網(wǎng)絡算法建立通信設備故障診斷模型來預測設備故障類型。通過Matlab仿真得到對比曲線，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)基站設備故障類型的診斷；GA-BP的預測效果表明，本文遺傳算法能夠有效的提高BP神經(jīng)網(wǎng)絡模型對通信設備故障的診斷精度。本文的研究對代維公司管理層及時制定合理的維護、調(diào)度方案來保障通信網(wǎng)絡正常運行具有一定的實際意義，且建模思想可以推廣到農(nóng)業(yè)，機械，醫(yī)療，電力等設備管控對業(yè)務影響重大的其他領域。參考文獻1丁立偉,聶婷,李停. 基于BP網(wǎng)絡和專家系統(tǒng)的鋁電解槽分層故障診斷J. 計算機測量與控制,2014,11:3476-3479.2侯曉凱. 基于神經(jīng)網(wǎng)絡的多狀態(tài)網(wǎng)絡設備故障預測的研究D.山東大學,2014.3Jie Xu,Keiji Yamada,