基于改進免疫算法的工業(yè)通信網(wǎng)絡(luò)控制器故障位置檢測

程 松，俞 浩，錢建平

（國網(wǎng)泰州供電公司信息通信分公司，泰州 225300）

通過分析當前工業(yè)通信網(wǎng)絡(luò)運行工作狀態(tài)可知，現(xiàn)有的網(wǎng)絡(luò)安全技術(shù)滿足不了當前的社會需求[1]。在日常工作中，故障事件頻繁發(fā)生，給人們生產(chǎn)、生活造成了不可估計的損失，所以減少工業(yè)通信網(wǎng)絡(luò)控制器故障事件發(fā)生，是保障網(wǎng)絡(luò)使用安全的必要手段[2]。通信網(wǎng)絡(luò)控制器故障診斷中，故障位置檢測是故障診斷的核心，也是最難的部分，因此研究工業(yè)通信網(wǎng)絡(luò)控制器故障位置檢測方法具有重要意義。

當前該領(lǐng)域出現(xiàn)多種故障節(jié)點位置檢測技術(shù)：文獻[3]采用ReLU、Softplus 激活函數(shù)改進原始激活函數(shù)，通過小波神經(jīng)網(wǎng)絡(luò)模型結(jié)合免疫算法，完成告警信息的加權(quán)處理，根據(jù)加權(quán)數(shù)值情況判斷故障位置；文獻[4]利用BP 神經(jīng)網(wǎng)絡(luò)建立故障位置檢測模型通過免疫算法求解，以此實現(xiàn)各通信網(wǎng)絡(luò)故障位置檢測。這2 種方法都能保證檢測結(jié)果精度，但計算過程較為復雜，且故障信息傳播過程難以確定，主要因為工業(yè)通信網(wǎng)絡(luò)控制器之間的故障告警關(guān)系很復雜，以免疫算法為主的故障位置檢測很容易陷入局部最優(yōu)，導致故障位置檢測難度增加。

為了確保工業(yè)通信網(wǎng)絡(luò)控制器故障位置檢測效率和準確率，本文采用改進免疫算法完成工業(yè)通信網(wǎng)絡(luò)控制器故障位置檢測。

1 工業(yè)通信網(wǎng)絡(luò)控制器故障位置檢測

1.1 控制器故障關(guān)聯(lián)函數(shù)設(shè)計

工業(yè)通信網(wǎng)絡(luò)控制器故障告警數(shù)據(jù)中給出合理的故障源的解釋，是故障位置檢測必要環(huán)節(jié)，故障關(guān)聯(lián)函數(shù)根據(jù)故障告警關(guān)系二分圖進行故障位置問題表述[5]，故障告警關(guān)系如圖1 所示。

圖1 故障告警關(guān)系示意圖Fig.1 Schematic diagram of fault alarm relationship

假設(shè)工業(yè)通信網(wǎng)絡(luò)控制器故障告警關(guān)系二分圖用BG=｛B，G，LF（B，W）｝表述，其中B=｛b1，b2，…，bn｝表示故障集合，b1，b2，…，bn為故障源；G=｛g1，g2，…，gn｝表示告警事件集合，g1，g2，…，gn為告警數(shù)據(jù)；LF表示故障、告警之間的關(guān)系邊集合。

因故障源bi引發(fā)的故障告警集合為

告警gi引發(fā)的故障源數(shù)據(jù)集合為

關(guān)系邊L 主要有無權(quán)值與有權(quán)值2 種情況。當其為無權(quán)值時，故障傳播數(shù)學模型期望使用最少的故障源來描述目前的工業(yè)通信網(wǎng)絡(luò)控制器故障情況；當其為有權(quán)值時，各條邊表示故障源引發(fā)故障告警的經(jīng)驗概率。

為此，文中選用無權(quán)值的故障關(guān)聯(lián)函數(shù)，故已知告警集合G，尋找故障源數(shù)據(jù)的子集B0?B，并保證|B0|值最小，同時符合約束條件，即B0與其對應(yīng)的告警集合和G 等同，以此完成故障關(guān)聯(lián)函數(shù)構(gòu)建，故障關(guān)聯(lián)函數(shù)如下所示：

式中：Z（t）表示故障相似度度量函數(shù)。

1.2 控制器故障數(shù)據(jù)特征提取

故障關(guān)聯(lián)函數(shù)輸出數(shù)據(jù)的高頻部分分解是數(shù)據(jù)特征提取關(guān)鍵部分[6-7]。本文采用小波包方法完成控制器故障數(shù)據(jù)特征提取。

假設(shè)ψ（t）為基礎(chǔ)小波，ψ（π）表示ψ（t）的傅里葉變換，ρ 表示圓頻率。若ψ（t）∈l2（R），同時滿足小波約束條件，即：

根據(jù)小波基本原理形成的二進離散小波的表達式為

根據(jù)式（4）可知，小波簇｛ψa（t）|j，a∈Z｝是組成l2（R）的正交基，則x（t）∈l2（R）的正交小波分解結(jié)果為

當j=n 時，根據(jù)小波原理得出ψ（t）的小波變換結(jié)果，即ψ（t）=un（t）與ψ（t）=un-1（t）：

設(shè)un為正交度尺度函數(shù)un（t）的小波包，則un（t）＝ψ（t）。h 與g 分別表示2 個不同的分解系數(shù)，則g（a）=（-1）ah（1-a），表明這2 個系數(shù)均符合正交關(guān)系。由此將其分解中的正交小波分解擴展到小波包分解中，則故障數(shù)據(jù)的小波包描述為

小波包分解過程中，若分解層數(shù)越多，表明分解結(jié)果精度越高。將故障關(guān)聯(lián)函數(shù)的輸出數(shù)據(jù)分解成2n層后，各層得到特征均為部分數(shù)據(jù)，也就是該數(shù)據(jù)分解到各正交頻帶上，各頻帶總能量與初始能量相等。

利用小波包分解方法對故障數(shù)據(jù)做分解處理可以獲得每個頻段上的能量，即：對初始采樣集合通過n 層小波包分解，獲得第1-n 層總共2n個頻段的小波包分解集合｛d1，d2，…，d2n｝；求解每一個頻段上小波包分解系數(shù)集合的能量。用En，j表示第各頻段的能量，則其計算公式如下：

每一個子頻帶的能量元素En，j作為該數(shù)據(jù)重建的特征矢量，則有｛E1，E2，…，E2n｝。結(jié)合其對能量集合進行歸一化處理，使得集合的和為單位1，處理后的集合即控制器故障數(shù)據(jù)特征提取結(jié)果，具體用Ti表示，即：

通過式（10）、式（11）得出特征矢量集合｛Ti|i=1，2，…，2n｝，以此完成故障數(shù)據(jù)特征提取。

1.3 基于改進免疫算法的故障位置檢測

傳統(tǒng)的單一搜索算法易丟失部分數(shù)據(jù)特征，本文引入粒子群算法對其進行改進，完善后免疫記憶能力增強，抗體種類增多，并確保數(shù)據(jù)不被丟失，以此保證故障位置檢測的精準度。

粒子群算法是通過分析鳥群覓食后，得出一種仿生物進化尋優(yōu)算法，該算法的關(guān)鍵是速度和位置更新[8-9]，即：

式中：χ 表示慣性權(quán)重值；k 表示迭代次數(shù)；i′表示粒子；α1與α2分別表示自我學習與社會學習因子；μ1與μ2是0～1 之間任一實數(shù)值；與分別表示粒子i ′迭代時的速度與位置與分別表示粒子i′迭代時個體與群體的最優(yōu)位置。速度過快或者過慢，都會影響局部尋優(yōu)的結(jié)果，需要將其控制在［vmin，vmax］范圍內(nèi)。

慣性權(quán)重χ 通過下述公式計算得出：

式中：χ′與χ″分別表示尋優(yōu)開始與停止時的慣性權(quán)重大小：Tmax表示最大迭代次數(shù)。

在網(wǎng)絡(luò)控制器故障位置檢測過程中，其迭代過程均為二進制，則速度壓縮至［0，1］區(qū)間內(nèi)，使用sigmoid 函數(shù)完成變換，計算過程為

免疫算法經(jīng)過種群的選取、交叉、變異等環(huán)節(jié)增加物種類型，進而在迭代時以一定概率跳出局部的最優(yōu)解。在故障位置檢測時，當抗體種群具有一定規(guī)模時，免疫算法就能跳出局部最優(yōu)，并隨著迭代次數(shù)的增多，使其收斂至全局最優(yōu)[10]。粒子群算法的各粒子反復迭代后，各粒子的特征大致相同，進而降低種群種類，若陷入局部最優(yōu)時，無法跳出。

基于此，本文融合這2 種方法的特征，對免疫算法進行改進，實現(xiàn)過程如下：

（1）在初始化種群后，將原始種群分成2 個子種群，即粒子群尋優(yōu)的子種群與免疫方法尋優(yōu)的子種群。

（2）首次尋優(yōu)迭代完成后，把粒子群獲得全局最優(yōu)粒子和免疫算法記憶庫中的抗體對比與交流，假設(shè)粒子群得出適應(yīng)度數(shù)值大于記憶庫中的抗體，就需要對記憶庫進行更新。

（3）結(jié)合更新后的結(jié)果，確定粒子群的位置與速度，與此同時生成新的抗體。

基于改進免疫算法的工業(yè)通信網(wǎng)絡(luò)控制器故障位置檢測詳細流程如下：

（1）參數(shù)設(shè)定。n′表示尋優(yōu)迭代最大次數(shù)，N′表示抗體群的規(guī)模，N″表示記憶細胞數(shù)量，L′表示抗體長度，Pc與Pm分別表示交叉與變異的概率。

（2）初始化。N′+N″表示原始抗體群，把N′種群分成2 個相同種群，即N1與N2。

（3）評估抗體N1+N″與N2。根據(jù)粒子群算法得出新抗體群N2，并尋找N2中全局與個體的最優(yōu)抗體，即

（4）對記憶細胞進行更新處理。選取和抗原親和度最高的N″個抗體與原記憶細胞中的抗體比較，若親和度大于原細胞中的抗體，則更新記憶細胞中的抗體，親和度計算公式為

式中：S 表示抗體；Fv表示適應(yīng)度函數(shù)。根據(jù)式（15）得出記憶細胞中各抗體的適應(yīng)度數(shù)值，并對比分析和抗體群N2中的全局最優(yōu)抗體與個體最優(yōu)，若與大于記憶庫中抗體，則更新記憶庫。

（5）不斷更新子群體N1+N″。從N1+N″中提取期望值繁殖率最高的N1個抗體作為父代群體，并對其進行選擇、交叉與變異操作，生成新的抗體群N1與記憶細胞中的抗體，建立新的抗體群N1+N″。

（6）更新N2子種群。提取記憶庫中適應(yīng)度最佳的抗體，把其當作全局最優(yōu)抗體，以此更新粒子群的位置與速度更新。

（7）判定是否符合最大迭代次數(shù)n′，若是，則終止循環(huán)，輸出最優(yōu)抗體；反之，返回步驟（4），直到滿足最大迭代次數(shù)n′為止。

2 實驗過程與結(jié)果分析

2.1 實驗設(shè)置

實驗訓練樣本總數(shù)分別為300、600、1200、2400，任意抽取20%的樣本作為測試集用于實驗，將小波神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)作為本文方法的對比方法。實驗設(shè)定相關(guān)參數(shù)如表1 所示。

表1 實驗相關(guān)參數(shù)Tab.1 Experimental related parameters

2.2 實驗對比分析

2.2.1 故障位置檢測結(jié)果

工業(yè)通信網(wǎng)絡(luò)控制器分布如圖2 所示。

圖2 工業(yè)通信網(wǎng)絡(luò)控制器分布Fig.2 Distribution of industrial communication network controllers

3 種方法的控制器故障位置檢測結(jié)果如圖3 所示。

圖3 故障位置檢測結(jié)果Fig.3 Fault location detection results

圖3 中正方形框表示不同方法檢測出的故障位置。分析圖3 中的結(jié)果可知，小波神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)不能夠檢測出全部的故障位置，而改進免疫算法通過告警關(guān)系二分圖建立故障關(guān)聯(lián)函數(shù)，并制定告警邊約束條件，能夠精準找出實際的故障源，分析出故障所在的位置，以此得出的故障位置檢出率較高。

2.2.2 故障位置誤檢率

3 種方法的工業(yè)通信網(wǎng)絡(luò)控制器故障位置誤檢率比較結(jié)果如圖4 所示。

圖4 故障位置誤檢率對比示意圖Fig.4 Comparison diagram of fault location error detection rate

分析圖4 可知，小波神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)算法誤檢率變化曲線遠高于改進免疫算法，原因是所提本文方法通過粒子群算法改進免疫算法，有效提升種群類型，增強免疫記憶能力，使其故障位置檢測誤檢率下降。

2.2.3 故障位置檢測耗時

3 種方法的故障位置檢測耗時變化情況如圖5所示。從圖5 能夠看出，改進免疫算法耗時最短，因其采用小波包方式能夠全面提取故障數(shù)據(jù)特征，為故障位置檢測節(jié)省大量時間；而小波神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)的控制器故障位置檢測環(huán)節(jié)較多，需要消耗大量時間，進而證實本文方法的故障位置效率高，實際應(yīng)用效果好。

圖5 故障位置檢測耗時情況Fig.5 Time consumption of fault location detection

3 結(jié)語

標準單一挖掘算法在工業(yè)通信網(wǎng)絡(luò)控制器故障位置檢測過程中尋找最優(yōu)解速度較慢，極難找出全局最優(yōu)解，以此本文通過粒子群算法改善遺傳免疫算法的性能，從而通過增加種群種類，增強該算法的全局尋優(yōu)能力，進而提升工業(yè)通信網(wǎng)絡(luò)控制器故障位置檢測的精度。通過實驗證明，所提方法在故障位置檢測效果、誤檢率與檢測耗時方面均具有一定的優(yōu)勢，驗證了該方法的有效性。