基于神經網絡技術的臺站ups觀測系統

趙宇

(國家廣播電視總局2021臺,黑龍江 齊齊哈爾161000)

1 概述

在無線廣播發射臺站中，ups是供電系統中重要的基礎設備，是保證播音任務的重要一環，因此，對ups設備的監測維護就十分必要。而限于算法局限性，傳統計算機的觀測過程缺乏人類行為特征，此外，設備故障的預測也是傳統算法無法實現的功能，而神經網絡技術在近年已被廣泛應用于各領域的預測研究（如天氣、地震等領域的預測）[1]。

本文基于分布式節點結構實現了與不同ups設備的通信，借助神經網絡技術，組成一個能進行供電性能估算、預測故障風險的統一設備觀測平臺[2]。

2 分布式環境搭建

硬件部分：兩臺服務器分別運行神經網絡節點、數據庫，多臺計算機運行不同的程序節點、主界面節點。計算機之間通過網絡連接，此外還需要串口服務器將ups設備由串口通訊轉換為網絡通訊。

軟件部分：python3、pyqt5、vb.net、sql。

3 主界面節點開發

主界面承擔數據顯示與節點管理兩大功能，按如下方式開發：ups數據、神經網絡觀測結果都由其它節點寫入到數據庫表中，主界面不斷讀取；同時，其它節點程序每秒上傳自身cpu占用、ip地址、一個隨機數，神經網絡節點還將向表中匯報線程池排隊情況、計算請求數，主界面使用隨機數是否持續變化監視節點是否在線，當表中有報警消息時使用微軟語音引擎發起語音合成報警。

4 ups通訊節點開發

獲取ups設備數據使用serialport控件，一般各廠商ups設備都是ascii通信，每一個型號的ups開發為一個單獨程序，每秒將數據、自身狀態寫入數據庫，同時，節點可發起神經網絡請求，請求的sql記錄格式為：“目的+網絡模型文件名+時間id+數據”，目的分為“訓練”、“使用”，神經網絡節點計算完畢后將標注記錄為“完成”。

5 神經網絡節點開發

導入numpy庫為np，導入Pyqt5庫，構建初步可視化窗體，然后進行神經網絡的開發。

5.1 創建前饋神經網絡

圖1 系統主界面

initnet()是對于權重和偏置的初始化，偏置為高斯分布，均值0，標準差1，權重均值0，標準差1/√n，net是列表類型，填寫網絡各層神經元數，co用于交叉熵的使用。

5.2 隨機梯度下降算法實現

隨機梯度下降算法公式：

等號左邊表示重力滑落模擬過程中權重和偏置的最小值，C為二次代價函數，η為學習速率[3]。Python隨機梯度下降應用上述公式的核心代碼為：

5.3 反向傳播算法的實現

反向傳播是網絡的學習過程，在進行前向傳播后，反饋權重的核心代碼為：

5.4 交叉熵算法的實現

神經網絡中，通常會因較大誤差的權重和偏置導致學習速度的下降，而將交叉熵作為神經網絡的代價函數，能有效解決這個問題[4]。公式為：

其中a是網絡總輸出，y是對應訓練輸入x的輸出，n為訓練數，相應python中應用上述公式的核心代碼為：

np.sum(np.nan_to_num(-y*np.log(a)-(1-y)*np.log(1-a)))

5.5 規范化算法的實現

規范化主要是在代價函數后添加規范化因子：

在程序中，梯度下降的核心處在接收到用戶請求后，變為：

程序的其它傳參處也會被加入規范化參數。

5.6 神經網絡節點的使用

神經網絡的訓練：ups節點發出請求后，數據庫就新填入請求數據，第一項數據注明為“訓練”，第二項注明使用的模型文件，第三項寫明的是請求的唯一性時間，后面跟隨訓練數據。神經網絡節點主線程掃描數據表發現請求后，根據模型文件名加載相應的文件，讀取數據進行訓練，完畢返回根據唯一時間插入的標注為“完成”的數據記錄到相應的節點的表中，相應ups節點在讀取到“完成”、唯一時間的記錄后，獲知該次請求已被計算完成。

神經網絡的使用：ups節點寫入請求數據庫記錄，并把第一項“訓練”改為“計算”，神經網絡節點讀取數據庫后加載對應網絡模型進行計算，計算完畢將結果返回數據庫。第一種模型是根據ups供電期間的數據樣本訓練的網絡模型，用來進行即時的供電性能估算，第二種模型由正常運行期間的樣本和故障期間的樣本訓練而來，用于及時發現設備可能出現的問題風險。

6 結論

通過使用神經網絡的學習型觀測技術，能極大的提高計算機監測系統對數據的識別、分析能力，目前使用神經網絡技術進行具體設備觀測的系統并不多見，該系統的開發至應用都有較多的創新點。