一种通信故障诊断方法及装置与流程

本发明涉及融合通信网络故障诊断的
技术领域：
，特别是指一种通信故障诊断方法及装置。
背景技术：
：通信系统具有结构复杂性和运行环境特殊性，因此通信系统的故障检测与定位，是非常复杂、困难的工作。通信故障随时都有发生的可能，通信系统故障信号中通常含有时变的成分，并且多个故障间存在耦合现象，致使通信系统的故障诊断难度加大。目前常见的通信系统诊断的主要方法有小波分析法、神经网络、比较法及一些优化算法等。基于这些方法所产生的诊断结果容易出现不一致的情况。因而，需要采用某种算法对通信系统故障诊断结果进行归纳综合，以便使结果一致。在数据融合中得到广泛应用的经典d-s证据理论作为处理不确定性信息融合的一种有效方法，然而在实际的日常通信信息融合系统中，由于环境或人为因素常常会使某些设备输出与实际情况相悖的信息，这些信息与其它设备输出的正确信息往往冲突较大。如何在证据高度冲突下实现多源信息的有效融合是一个迫切需要解决的问题。技术实现要素：本发明的目的在于提供一种通信故障诊断方法及装置，用以解决现有基于d-s证据理论的故障诊断方法，在证据冲突较高时，融合诊断结果不准确的问题。为了实现上述目的，本发明提供了一种通信故障诊断方法，包括：获取故障信息中所包含的至少两个故障现象，并获取每个所述故障现象所对应的可能故障原因；根据d-s证据理论的证据组合规则及所述可能故障原因，对所述故障现象进行融合处理，得出融合结果及冲突系数，所述融合结果包括每个可能故障原因成为真实故障原因的概率值，所述冲突系数用于表示所述融合结果与真实故障原因之间的冲突程度；根据所述可能故障原因，获取所述故障现象之间的差异信息；根据所述差异信息及所述冲突系数，对所述融合结果进行修正，并根据修正后的融合结果得出故障诊断结果。其中，所述根据d-s证据理论的证据组合规则及所述可能故障原因，对所述故障现象进行融合处理，得出融合结果及冲突系数，包括：根据预设概率分配规则，为每个所述故障现象所对应的每个可能故障原因分配一初始概率值；根据d-s证据理论的证据组合规则及每个可能故障原因的初始概率值，对所述故障现象进行融合处理，得出所述融合结果及所述冲突系数。其中，所述根据d-s证据理论的证据组合规则及每个可能故障原因的初始概率值，对所述故障现象进行融合处理，得出所述融合结果及所述冲突系数，包括：通过公式对所述故障现象进行融合处理，得出所述融合结果及所述冲突系数；其中，c∈2u，ai∈2u，bj∈2u，φ表示空集，u为所有可能故障原因的集合，并定义u为所述可能故障原因的一个识别框架，2u为u的所有子集构成的集合，2u→[0,1]，m为u上的基本概率赋值函数，其中包含有所述故障现象对应的所有可能故障原因所对应的概率值，m1，m2为所述识别框架根据预设概率分配规则分别为两个故障现象分配的基本概率赋值函数，m(c)表示所述融合结果，表示所述冲突系数，ai和bj表示两个所述故障现象分别对应的一组可能故障原因。其中，所述根据所述可能故障原因，获取所述故障现象之间的差异信息，包括：分别获取两个故障现象的基本概率赋值函数m1和m2；通过如下公式获取所述两个故障现象之间的差异信息：其中，dbpa表示所述两个故障现象之间的差异信息，表示一个2m×2m的矩阵，m为所有可能故障原因的总个数，矩阵中的元素为a和b表示两个所述故障现象分别对应的所有可能故障原因，且a与b之和为m。其中，所述根据所述差异信息及所述冲突系数，对所述融合结果进行修正，并根据修正后的融合结果得出故障诊断结果，包括：根据所述差异信息、所述冲突系数及如下公式，获取修正后冲突系数；表示所述冲突系数，dbpa(m1,m2)表示两个所述故障现象之间的差异信息，表示所述修正后冲突系数；若所述修正后冲突系数小于预设阈值，则将所述融合结果作为所述故障诊断结果，否则确定出所述融合结果不可信。本发明的实施例还提供了一种通信故障诊断装置，包括：第一获取模块，用于获取故障信息中所包含的至少两个故障现象，并获取每个所述故障现象所对应的可能故障原因；融合模块，用于根据d-s证据理论的证据组合规则及所述可能故障原因，对所述故障现象进行融合处理，得出融合结果及冲突系数，所述融合结果包括每个可能故障原因成为真实故障原因的概率值，所述冲突系数用于表示所述融合结果与真实故障原因之间的冲突程度；第二获取模块，用于根据所述可能故障原因，获取所述故障现象之间的差异信息；修正模块，用于根据所述差异信息及所述冲突系数，对所述融合结果进行修正，并根据修正后的融合结果得出故障诊断结果。其中，所述融合模块包括：分配子模块，用于根据预设概率分配规则，为每个所述故障现象所对应的每个可能故障原因分配一初始概率值；融合子模块，用于根据d-s证据理论的证据组合规则及每个可能故障原因的初始概率值，对所述故障现象进行融合处理，得出所述融合结果及所述冲突系数。其中，所述融合子模块具体用于通过公式对所述故障现象进行融合处理，得出所述融合结果及所述冲突系数；其中，c∈2u，ai∈2u，bj∈2u，φ表示空集，u为所有可能故障原因的集合，并定义u为所述可能故障原因的一个识别框架，2u为u的所有子集构成的集合，2u→[0,1]，m为u上的基本概率赋值函数，其中包含有所述故障现象对应的所有可能故障原因所对应的概率值，m1，m2为所述识别框架根据预设概率分配规则分别为两个故障现象分配的基本概率赋值函数，m(c)表示所述融合结果，表示所述冲突系数，ai和bj表示两个所述故障现象分别对应的一组可能故障原因。其中，所述第二获取模块包括：第一获取子模块，用于分别获取两个故障现象的基本概率赋值函数m1和m2；计算子模块，用于通过如下公式获取所述两个故障现象之间的差异信息：其中，dbpa表示所述两个故障现象之间的差异信息，表示一个2m×2m的矩阵，m为所有可能故障原因的总个数，矩阵中的元素为a和b表示两个所述故障现象分别对应的所有可能故障原因，且a与b之和为m。其中，所述修正模块包括：第二获取子模块，用于根据所述差异信息、所述冲突系数及如下公式，获取修正后冲突系数；表示所述冲突系数，dbpa(m1,m2)表示两个所述故障现象之间的差异信息，表示所述修正后冲突系数；修正子模块，用于若所述修正后冲突系数小于预设阈值，则将所述融合结果作为所述故障诊断结果，否则确定出所述融合结果不可信。本发明实施例具有以下有益效果：本发明实施例的通信故障诊断方法，获取故障信息中所包含的至少两个故障现象，并获取每个故障现象所对应的可能故障原因；根据d-s证据理论的证据组合规则及可能故障原因，对故障现象进行融合处理，得出融合结果及冲突系数；根据可能故障原因，获取故障现象之间的差异信息；根据差异信息及所述冲突系数，对所述融合结果进行修正，并根据修正后的融合结果得出故障诊断结果，有效解决了现有基于d-s证据理论的故障诊断方法，在证据冲突较高时，融合诊断结果不准确的问题。附图说明图1为现有技术中基于d-s证据理论的故障诊断流程图；图2为本发明实施例的通信故障诊断方法的工作流程图；图3为本发明实施例的通信故障诊断装置的结构框图。具体实施方式为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合具体实施例及附图进行详细描述。为使本领域技术人员能够更好地理解本发明实施例的通信故障诊断方法，首先对d-s证据理论做如下说明。d-s证据理论是命题和集合间的映射，主要是通过将命题的不确定性转为集合的不确定性进行处理。即主要是根据事件发生的结果(证据)，找出事件发生的主因(假设)。如图1所示，在通信系统中，故障症状是许多可能的故障产生的，每个故障症状下面的故障都有一定的发生概率，我们用信度函数来表示概率的大小。故障发生时利用d-s理论进行故障信息融合，得出症状分别属于某类故障的信度函数，再根据科学的判定准则确定通信系统故障的类型，最后将得出的故障判定结果实时发送给通信公司故障维护系统进行处理。设u是变量x的所有值的集合，同时，集合u中的各个元素互斥，则把u称为x的一个识别框架，用u的幂集合即2u构成命题集。当集合u中的元素数为n时，命题集所代表的空间大小是2n。定义1令u为识别框架θ，2u为u的所有子集构成的集合，如果集函数m：2u→[0,1]满足：m(φ)＝0则称m为u上的基本概率赋值函数，m(a)称为a的基本概率数，表示对a的精确信任。证据理论的一个基本策略是将证据集合划分为两个或多个不相关的部分，并利用它们分别对辨识框架独立进行判断，然后用dempster组合规则将它们组合起来。现有基于d-s证据理论的融合方法，通常用冲突系数k来度量各个证据之间的冲突程度，但是该方法在研究中发现，基于经典的d-s组合规则的冲突系数不能准确地表征各个证据之间的冲突程度，进而导致通信系统故障诊断结果的不准确。例1：设识别框架u＝{a,b,c},系统两个基本概率赋值函数如下：m1:m1(a)＝0.99，m1(b)＝0.01；m2:m2(b)＝0.01，m2(c)＝0.09；由系统的两个证据可以看出，m1和m2之间是高度冲突的。根据d-s组合规则对两个证据合成的结果为：k＝0.99，m(a)＝m(c)＝0，m(b)＝1尽管m1和m2对b的支持都不高，即命题b的信任度不高，但是最后的结果确却是命题b在组合后具有了最大的信任度，这显然是不正确的。在实际的日常通信信息融合系统中，由于环境或人为因素常常会使某些设备输出与实际情况相悖的信息，这些信息与其它设备输出的正确信息往往冲突较大。如何在证据高度冲突下实现多源信息的有效融合是一个迫切需要解决的问题。因此，本发明的实施例提供了一种通信故障诊断方法及装置，用以解决现有基于d-s证据理论的故障诊断方法，在证据冲突较高时，融合诊断结果不准确的问题。第一实施例：如图2所示，本发明实施例的通信故障诊断方法，包括：步骤21：获取故障信息中所包含的至少两个故障现象，并获取每个所述故障现象所对应的可能故障原因。在本发明的具体实施例中，在获取故障信息中的至少两个故障现象后，根据故障库中存储的故障原因数据，获取每个所述故障现象所对应的可能故障原因。步骤22：根据d-s证据理论的证据组合规则及所述可能故障原因，对故障现象进行融合处理，得出融合结果及冲突系数，融合结果包括每个可能故障原因成为真实故障原因的概率值，冲突系数用于表示融合结果与真实故障原因之间的冲突程度。这里，通过d-s证据理论的证据组合规则及所述可能故障原因，得出融合结果及冲突系数，但该冲突系数不能准确地表征各个证据(故障现象)之间的冲突程度，需要在该冲突系数的基础上得到能准备表征各个证据之间冲突程度的新的冲突系数，并对融合结果进行修正。由于各个证据之间的冲突程度越大，表明d-s融合之后的结果可信度越低；各个证据之间的冲突程度越小，表明d-s融合之后的结果可信度越高，所以通过对d-s融合结果进行合理改进，就能够可以有效降低“坏证据”对系统最终融合结果的影响，提高通信系统故障诊断的准确性。步骤23：根据所述可能故障原因，获取所述故障现象之间的差异信息。在证据理论框架下，导致各个证据之间高度冲突的主因包括：1、辨识框架不完整。比如，在通信系统中，对于潜在存在的故障不能完全被我技术人员所知，也就是系统的故障库不是特别的全面。假设故障库中有3个故障a、b、c，那么辨识框架只能是这3个基本事件的幂集，而实际的故障是d，在这样的情况下，系统的各个设备报告结果高度冲突，系统有可能得出错误的融合结果；2、系统设备自身的可靠性。比如设备在收到环境或者人为因素的干扰，使得设备的判断会产生于实际结果相悖的情况，这样更容易导致各个证据之间的高度冲突。综上所述，要精确地度量所有的证据冲突程度，所有证据间的差异性是不能被忽略的。在本发明的具体实施例中，通过距离函数获取所述故障现象之间的差异信息。步骤24：根据所述差异信息及所述冲突系数，对所述融合结果进行修正，并根据修正后的融合结果得出故障诊断结果。根据所述差异信息及所述冲突系数，对所述融合结果进行修正，并通过matlab软件仿真，输出结果表明通过对各个证据之间的差异性与相容性的综合考虑，采用改进的证据理论对通信系统故障诊断的各种初步结果按照算法进行融合决策，能够有效降低不良证据对诊断结果的影响，在一定程度上弥补了经典d-s理论的不足，提高了通信系统故障诊断的准确性。本发明实施例的通信故障诊断方法，获取故障信息中所包含的至少两个故障现象，并获取每个故障现象所对应的可能故障原因；根据d-s证据理论的证据组合规则及可能故障原因，对故障现象进行融合处理，得出融合结果及冲突系数；根据可能故障原因，获取故障现象之间的差异信息；根据差异信息及所述冲突系数，对所述融合结果进行修正，并根据修正后的融合结果得出故障诊断结果，有效解决了现有基于d-s证据理论的故障诊断方法，在证据冲突较高时，融合诊断结果不准确的问题。进一步地，所述根据d-s证据理论的证据组合规则及所述可能故障原因，对所述故障现象进行融合处理，得出融合结果及冲突系数，包括：根据预设概率分配规则，为每个所述故障现象所对应的每个可能故障原因分配一初始概率值。在本发明的具体实施例中，主要通过可能故障原因的一识别框架根据预设概率分配规则，为每个所述故障现象所对应的每个可能故障原因分配一初始概率值。根据d-s证据理论的证据组合规则及每个可能故障原因的初始概率值，对所述故障现象进行融合处理，得出所述融合结果及所述冲突系数。具体的，通过公式对所述故障现象进行融合处理，得出所述融合结果及所述冲突系数；其中，c∈2u，ai∈2u，bj∈2u，φ表示空集，u为所有可能故障原因的集合，并定义u为所述可能故障原因的一个识别框架，2u为u的所有子集构成的集合，2u→[0,1]，m为u上的基本概率赋值函数，其中包含有所述故障现象对应的所有可能故障原因所对应的概率值，m1，m2为所述识别框架根据预设概率分配规则分别为两个故障现象分配的基本概率赋值函数，m(c)表示所述融合结果，表示所述冲突系数，ai和bj表示两个所述故障现象分别对应的一组可能故障原因。进一步地，所述根据所述可能故障原因，获取所述故障现象之间的差异信息，包括：分别获取两个故障现象的基本概率赋值函数m1和m2；通过如下公式获取所述两个故障现象之间的差异信息：其中，dbpa表示所述两个故障现象之间的差异信息，表示一个2m×2m的矩阵，m为所有可能故障原因的总个数，矩阵中的元素为a和b表示两个所述故障现象分别对应的所有可能故障原因，且a与b之和为m。在本发明的具体实施例中，设θ为一个包含m个命题的标准辨识框架，m1和m2是辨识框架θ上的2个基本概率指派bpa，用ep来表示辨识框架θ上所有子集生成的空间。一个bpa表示是一个在ep上坐标系为m(ai)的向量m，并通过上述距离函数dbpa计算出m1和m2的距离，该距离函数可以合理的表示出证据间的差异性。进一步地，所述根据所述差异信息及所述冲突系数，对所述融合结果进行修正，并根据修正后的融合结果得出故障诊断结果，包括：根据所述差异信息、所述冲突系数及如下公式，获取修正后冲突系数；表示所述冲突系数，dbpa(m1,m2)表示两个所述故障现象之间的差异信息，表示所述修正后冲突系数；若所述修正后冲突系数小于预设阈值，则将所述融合结果作为所述故障诊断结果，否则确定出所述融合结果不可信。在本发明的具体实施例中，修正后冲突系数的大小取决于经典突系数k和证据距离dbpa两个参数的共同作用。只有经典冲突系数k和证据距离dbpa两个参量值都比较大时候，系统可以通过新的冲突系数来判定证据之间的冲突较大；同理，在经典冲突系数k和证据距离dbpa都是零的时候，表明所有证据之间没有冲突。例2：设识别框架u＝{a,b,c,d}系统两个基本概率赋值函数如下：m1{a,d}＝1m2{a,b,c}＝1证据之间的距离dbpa和冲突系数k根据公式计算结果如下：k12＝0；dbpa＝0.866修正后冲突系数为：修正后冲突系数说明，两个证据m1和m2之间存在冲突，与两个证据的直观结果一致。用这种方法分析例1可知，证据之间的距离dbpa和冲突系数k如下：k12＝0.9999；dbpa＝0.99新的冲突系数为：所求结果说明两个证据的冲突非常高，且与两个证据表征一致。若则说明证据之间是完全冲突。下面通过例3将对修正后冲突系数和经典冲突系数做一个全面的对比。例3：设识别框架u＝{a1,a2,a3,…,a20}系统两个基本概率指派如下：m1{a7}＝0.1m1{a}＝0.9m2{a1,a2,a3,a4,a5}＝1式中a按照{a1}，{a1,a2}，{a1,a2,a3}，…，{a1,a2,a3,…,a20}变换。表1给出了经典冲突系数k、证据距离dbpa和修正后冲突系数的变化：例如dbpakdk{a1}0.8540.4770.1{a1,a2}0.7420.4210.1{a1,…,a3}0.6090.3540.1{a1,…,a4}0.4360.2680.1{a1,…,a5}0.10.10.1{a1,…,a6}0.40.250.1{a1,…,a7}0.5290.3150.1{a1,…,a8}0.5990.3500.1{a1,…,a9}0.6480.3740.1{a1,…,a10}0.6850.3920.1{a1,…,a11}0.7140.4070.1{a1,…,a12}0.7370.4180.1{a1,…,a13}0.7560.4280.1{a1,…,a14}0.7710.4360.1{a1,…,a15}0.7850.4430.1{a1,…,a16}0.7970.4480.1{a1,…,a17}0.8070.4530.1{a1,…,a18}0.8160.4580.1{a1,…,a19}0.8230.4620.1{a1,…,a20}0.8300.4650.1表1结果分析：由表1可知，在子集a＝{a1,…,a5}时修正后冲突系数达到最小值，即各个证据之间的冲突是最小的。在本例中，证据m1和证据m2从经典的冲突考虑，他们之间基本上不存在冲突。新的冲突系数既考虑了证据之间的相容性又考虑了各个证据之间的差异性，能够将子集a变化时引起的冲突程度变化如实的反映出来，复合现实逻辑推导。修正后冲突系数取值范围与经典冲突系数取值范围一致为[0,1]，所表示的意义也一样，该数值越大，各个证据之间的冲突越大；相反，该数值越小，各个证据之间的冲突也越小。通常用冲突系数k来度量各个证据之间的冲突程度，但是该方法在研究中发现，基于经典的d-s组合规则的冲突系数不能准确地表征各个证据之间的冲突程度。本发明实施例在经典d-s理论基础上提出一种新的冲突系数表示的方法，利用该方法来表示冲突系数对冲突的有效度量，对融合结果进行修正。各个证据之间的冲突程度越大，表明d-s融合之后的结果可信度越低；各个证据之间的冲突程度越小，表明d-s融合之后的结果可信度越高，所以通过对d-s融合结果进行合理改进，就能够可以有效降低“坏证据”对系统最终融合结果的影响。通过对各个证据之间的差异性与相容性的综合考虑，采用改进的证据理论对通信系统故障诊断的各种初步结果按照算法进行融合决策，能够有效降低不良证据对诊断结果的影响，在一定程度上弥补了经典d-s理论的不足，提高了通信系统故障诊断的准确性。第二实施例：如图3所示，本发明的实施例还提供了一种通信故障诊断装置，包括：第一获取模块31，用于获取故障信息中所包含的至少两个故障现象，并获取每个所述故障现象所对应的可能故障原因；融合模块32，用于根据d-s证据理论的证据组合规则及所述可能故障原因，对所述故障现象进行融合处理，得出融合结果及冲突系数，所述融合结果包括每个可能故障原因成为真实故障原因的概率值，所述冲突系数用于表示所述融合结果与真实故障原因之间的冲突程度；第二获取模块33，用于根据所述可能故障原因，获取所述故障现象之间的差异信息；修正模块34，用于根据所述差异信息及所述冲突系数，对所述融合结果进行修正，并根据修正后的融合结果得出故障诊断结果。本发明实施例的通信故障诊断装置，所述融合模块32包括：分配子模块321，用于根据预设概率分配规则，为每个所述故障现象所对应的每个可能故障原因分配一初始概率值；融合子模块322，用于根据d-s证据理论的证据组合规则及每个可能故障原因的初始概率值，对所述故障现象进行融合处理，得出所述融合结果及所述冲突系数。本发明实施例的通信故障诊断装置，所述融合子模块322具体用于通过公式对所述故障现象进行融合处理，得出所述融合结果及所述冲突系数；其中，c∈2u，ai∈2u，bj∈2u，φ表示空集，u为所有可能故障原因的集合，并定义u为所述可能故障原因的一个识别框架，2u为u的所有子集构成的集合，2u→[0,1]，m为u上的基本概率赋值函数，其中包含有所述故障现象对应的所有可能故障原因所对应的概率值，m1，m2为所述识别框架根据预设概率分配规则分别为两个故障现象分配的基本概率赋值函数，m(c)表示所述融合结果，表示所述冲突系数，ai和bj表示两个所述故障现象分别对应的一组可能故障原因。本发明实施例的通信故障诊断装置，所述第二获取模块33包括：第一获取子模块331，用于分别获取两个故障现象的基本概率赋值函数m1和m2；计算子模块332，用于通过如下公式获取所述两个故障现象之间的差异信息：其中，dbpa表示所述两个故障现象之间的差异信息，表示一个2m×2m的矩阵，m为所有可能故障原因的总个数，矩阵中的元素为a和b表示两个所述故障现象分别对应的所有可能故障原因，且a与b之和为m。本发明实施例的通信故障诊断装置，所述修正模块34包括：第二获取子模块341，用于根据所述差异信息、所述冲突系数及如下公式，获取修正后冲突系数；表示所述冲突系数，dbpa(m1,m2)表示两个所述故障现象之间的差异信息，表示所述修正后冲突系数；修正子模块342，用于若所述修正后冲突系数小于预设阈值，则将所述融合结果作为所述故障诊断结果，否则确定出所述融合结果不可信。需要说明的是，该装置是与上述方法实施例对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。本发明实施例的通信故障诊断方法及装置，获取故障信息中所包含的至少两个故障现象，并获取每个故障现象所对应的可能故障原因；根据d-s证据理论的证据组合规则及可能故障原因，对故障现象进行融合处理，得出融合结果及冲突系数；根据可能故障原因，获取故障现象之间的差异信息；根据差异信息及所述冲突系数，对所述融合结果进行修正，并根据修正后的融合结果得出故障诊断结果，有效解决了现有基于d-s证据理论的故障诊断方法，在证据冲突较高时，融合诊断结果不准确的问题。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12