基于改进免疫算法的工业通信网络控制器故障位置检测.pdf

粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶圆园23,38穴10雪基于改进免疫算法的工业通信网络控制器故障位置检测DOI院10.19557/ki.1001-9944.2023.10.016程松袁俞浩袁钱建平渊国网泰州供电公司信息通信分公司袁泰州 225300冤摘要院以单一智能挖掘算法为主的控制器故障位置检测很容易陷入局部最优袁导致检测难度增加袁为此该文提出基于改进免疫算法的工业通信网络控制器故障位置检测方法遥 设计工业通信网络控制器故障告警关系二分图与关系边约束袁建立控制器故障关联函数遥 采用小波包提取故障关联函数输出的高频数据特征袁将其作为免疫系统的原始种群遥 通过改进免疫算法得出最优抗体袁最优抗体所在位置即为故障位置袁得到故障位置检测结果遥 实验结果表明袁该方法可以有效缩短控制器故障位置检测耗时以及误检率袁提升检测效果遥关键词院工业通信网络曰控制器故障曰位置检测曰改进免疫算法曰故障关联函数曰小波包曰粒子群算法中图分类号院TP393文献标识码院A文章编号院员园园员鄄怨怨源源渊圆园23冤10鄄园园72鄄园5Fault Location Detection of Industrial Communication Network Controller Basedon Improved Immune AlgorithmCHENG Song袁YU Hao袁QIAN Jianping渊State Grid Taizhou Power Supply Company Information and Communication Branch袁Taizhou 225300袁China冤Abstract院The detection of controller fault location袁which is mainly based on a single intelligent mining algorithm袁isprone to local optima and increases the difficulty of detection.To address this issue袁a method for detecting the con鄄troller fault location in industrial communication networks based on an improved immune algorithm is proposed.Themethod involves designing a bipartite graph of the alarm relationship and relation edge constraints for the controllerfault in the industrial communication network袁and establishing the controller fault correlation function.The high鄄fre鄄quency data features outputted by the fault correlation function are extracted using wavelet packet decomposition andused as the original population of the immune system.By comparing and communicating the results obtained fromboth particle swarm optimization algorithm and immune algorithm袁the optimal antibody is identified袁and its positionrepresents the fault location袁thus obtaining the fault location detection result.Experimental results demonstrate thatthis method can effectively reduce the detection time and false alarm rate in controller fault location detection袁andimprove the detection performance.Key words院industrial communication network曰controller failure曰position detection曰improved immune algorithm曰faultpropagation model曰wavelet packet曰particle swarm optimization收稿日期院2023-05-06曰修订日期院2023-08-22作者简介院程松渊1989要冤袁男袁硕士袁工程师袁研究方向为电力通信系统运维和检修曰俞浩渊1977要冤袁男袁大专袁工程师袁研究方向为传输系统运维尧通信电源系统运维遥通过分析当前工业通信网络运行工作状态可知袁现有的网络安全技术满足不了当前的社会需求1遥在日常工作中袁故障事件频繁发生袁给人们生产尧生活造成了不可估计的损失袁所以减少工业通信网络检测技术与数据处理72圆园23,38穴10雪控制器故障事件发生袁是保障网络使用安全的必要手段2遥 通信网络控制器故障诊断中袁故障位置检测是故障诊断的核心袁也是最难的部分袁因此研究工业通信网络控制器故障位置检测方法具有重要意义遥当前该领域出现多种故障节点位置检测技术院文献3采用 ReLU尧Softplus 激活函数改进原始激活函数袁通过小波神经网络模型结合免疫算法袁完成告警信息的加权处理袁根据加权数值情况判断故障位置曰文献4利用 BP 神经网络建立故障位置检测模型通过免疫算法求解袁以此实现各通信网络故障位置检测遥 这 2 种方法都能保证检测结果精度袁但计算过程较为复杂袁且故障信息传播过程难以确定袁主要因为工业通信网络控制器之间的故障告警关系很复杂袁以免疫算法为主的故障位置检测很容易陷入局部最优袁导致故障位置检测难度增加遥为了确保工业通信网络控制器故障位置检测效率和准确率袁本文采用改进免疫算法完成工业通信网络控制器故障位置检测遥1工业通信网络控制器故障位置检测1.1控制器故障关联函数设计工业通信网络控制器故障告警数据中给出合理的故障源的解释袁 是故障位置检测必要环节袁故障关联函数根据故障告警关系二分图进行故障位置问题表述5袁故障告警关系如图 1 所示遥假设工业通信网络控制器故障告警关系二分图用 BG=喳B袁G袁LF渊B袁W冤札表述袁其中 B=喳b1袁b2袁噎袁bn札表示故障集合袁b1袁b2袁噎袁bn为故障源曰G=喳g1袁g2袁噎袁gn札表示告警事件集合袁g1袁g2袁噎袁gn为告警数据曰LF表示故障尧告警之间的关系边集合遥因故障源 bi引发的故障告警集合为A渊bi冤越喳gi1袁gi2袁噎袁gikl渊bi袁gik冤沂LF札渊1冤告警 gi引发的故障源数据集合为A渊gi冤越喳bi1袁bi2袁噎袁bikl渊bik袁gi冤沂LF札渊2冤关系边 L 主要有无权值与有权值 2 种情况遥 当其为无权值时袁故障传播数学模型期望使用最少的故障源来描述目前的工业通信网络控制器故障情况曰当其为有权值时袁各条边表示故障源引发故障告警的经验概率遥为此袁文中选用无权值的故障关联函数袁故已知告警集合 G袁寻找故障源数据的子集 B0奂B袁并保证襔B0襔值最小袁同时符合约束条件袁即 B0与其对应的告警集合和 G 等同袁以此完成故障关联函数构建袁故障关联函数如下所示院F渊t冤=B0Z渊t冤渊A渊bi冤+A渊gi冤冤渊3冤式中院Z渊t冤表示故障相似度度量函数遥1.2控制器故障数据特征提取故障关联函数输出数据的高频部分分解是数据特征提取关键部分6-7遥 本文采用小波包方法完成控制器故障数据特征提取遥假设 鬃渊t冤为基础小波袁鬃渊仔冤表示 鬃渊t冤的傅里叶变换袁籽 表示圆频率遥 若 鬃渊t冤沂l2渊R冤袁同时满足小波约束条件袁即院c鬃=肄-肄乙鬃渊仔冤2籽约+肄渊4冤根据小波基本原理形成的二进离散小波的表达式为鬃a渊t冤=2j/2鬃渊2jt-a冤c鬃袁渊j袁a沂Z冤渊5冤根据式渊4冤可知袁小波簇喳鬃a渊t冤襔 j袁a沂Z札是组成 l2渊R冤的正交基袁则 x渊t冤沂l2渊R冤的正交小波分解结果为x渊t冤=灶j越员移a沂Z移daj鬃a渊t冤+a沂Z移can鬃a渊t冤 f渊t冤渊6冤式中院n 表示数据分解层数曰daj表示小波系数曰can表示第 n 层的尺度系数遥当 j=n 时袁根据小波原理得出 鬃渊t冤的小波变换结果袁即 鬃渊t冤=un渊t冤与 鬃渊t冤=un-1渊t冤院un渊t冤=2姨a沂Z移h渊a冤un渊2t-a冤渊7冤图 1故障告警关系示意图Fig.1Schematic diagram of fault alarm relationship故障源集合b1b2b3bn告警集合g1g2g3gn检测技术与数据处理73粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶圆园23,38穴10雪un-1渊t冤=2姨a沂Z移g渊a冤un渊2t-a冤渊8冤设 un为正交度尺度函数 un渊t冤的小波包袁则un渊t冤越鬃渊t冤遥 h 与 g 分别表示 2 个不同的分解系数袁则 g渊a冤=渊-1冤ah渊1-a冤袁表明这 2 个系数均符合正交关系遥 由此将其分解中的正交小波分解扩展到小波包分解中袁则故障数据的小波包描述为fjn渊t冤越a沂Z移d1jnx渊t冤un-1渊t冤渊9冤式中院d1jn表示小波包分解系数遥小波包分解过程中袁若分解层数越多袁表明分解结果精度越高遥 将故障关联函数的输出数据分解成 2n层后袁各层得到特征均为部分数据袁也就是该数据分解到各正交频带上袁各频带总能量与初始能量相等遥利用小波包分解方法对故障数据做分解处理可以获得每个频段上的能量袁即院对初始采样集合通过 n 层小波包分解袁获得第 1-n 层总共 2n个频段的小波包分解集合喳d1袁d2袁噎袁d2n札曰求解每一个频段上小波包分解系数集合的能量遥 用 En袁j表示第 dan袁 j各频段的能量袁则其计算公式如下院En袁j=ma越员移dan袁 j2fjn渊t冤渊10冤每一个子频带的能量元素 En袁j作为该数据重建的特征矢量袁则有喳E1袁E2袁噎袁E2n札遥 结合其对能量集合进行归一化处理袁使得集合的和为单位 1袁处理后的集合即控制器故障数据特征提取结果袁 具体用 Ti表示袁即院Ti=En袁jEi2ni越员移Ei渊11冤通过式渊10冤尧式渊11冤得出特征矢量集合喳Ti襔i=1袁2袁噎袁2n札袁以此完成故障数据特征提取遥1.3基于改进免疫算法的故障位置检测传统的单一搜索算法易丢失部分数据特征袁本文引入粒子群算法对其进行改进袁完善后免疫记忆能力增强袁抗体种类增多袁并确保数据不被丢失袁以此保证故障位置检测的精准度遥粒子群算法是通过分析鸟群觅食后袁得出一种仿生物进化寻优算法袁该算法的关键是速度和位置更新8-9袁即院vi忆k+1越 字vi忆k+琢1滋1pvk-vi忆k忆蓸蔀+琢2滋2gvk-vi忆k忆蓸蔀渊12冤式中院 字 表示惯性权重值曰k 表示迭代次数曰i忆表示粒子曰琢1与 琢2分别表示自我学习与社会学习因子曰滋1与滋2是 0耀1 之间任一实数值曰vi忆k与 vi忆k忆分别表示粒子 i忆迭代时的速度与位置曰pvk与 gvk分别表示粒子i忆迭代时个体与群体的最优位置遥 速度过快或者过慢袁都会影响局部寻优的结果袁需要将其控制在咱vmin袁vmax暂范围内遥惯性权重 字 通过下述公式计算得出院字=渊 字忆-字义冤kTmax蓸蔀2渊13冤式中院 字忆与 字义分别表示寻优开始与停止时的惯性权重大小院Tmax表示最大迭代次数遥在网络控制器故障位置检测过程中袁其迭代过程均为二进制袁则速度压缩至咱0袁1暂区间内袁使用sigmoid 函数完成变换袁计算过程为si忆k+1=0.97vi忆k+1跃4字4+e-vi忆k+1蓸蔀-4-4臆vi忆k+1臆4-0.97vi忆k+1约-4扇墒设设设缮设设设渊14冤免疫算法经过种群的选取尧交叉尧变异等环节增加物种类型袁进而在迭代时以一定概率跳出局部的最优解遥 在故障位置检测时袁当抗体种群具有一定规模时袁免疫算法就能跳出局部最优袁并随着迭代次数的增多袁使其收敛至全局最优10遥粒子群算法的各粒子反复迭代后袁各粒子的特征大致相同袁进而降低种群种类袁若陷入局部最优时袁无法跳出遥基于此袁本文融合这 2 种方法的特征袁对免疫算法进行改进袁实现过程如下院渊1冤在初始化种群后袁将原始种群分成 2 个子种群袁即粒子群寻优的子种群与免疫方法寻优的子种群遥渊2冤首次寻优迭代完成后袁把粒子群获得全局最优粒子和免疫算法记忆库中的抗体对比与交流袁假设粒子群得出适应度数值大于记忆库中的抗体袁就需要对记忆库进行更新遥渊3冤结合更新后的结果袁确定粒子群的位置与检测技术与数据处理74圆园23,38穴10雪表 1实验相关参数Tab.1Experimental related parameters速度袁与此同时生成新的抗体遥基于改进免疫算法的工业通信网络控制器故障位置检测详细流程如下院渊1冤参数设定遥 n忆表示寻优迭代最大次数袁N忆表示抗体群的规模袁N义表示记忆细胞数量袁L忆表示抗体长度袁Pc与 Pm分别表示交叉与变异的概率遥渊2冤初始化遥 N忆+N义表示原始抗体群袁把 N忆种群分成 2 个相同种群袁即 N1与 N2遥渊3冤评估抗体 N1+N义与 N2遥 根据粒子群算法得出新抗体群 N2袁并寻找 N2中全局与个体的最优抗体袁即 pvk尧gvk遥渊4冤对记忆细胞进行更新处理遥 选取和抗原亲和度最高的 N义个抗体与原记忆细胞中的抗体比较袁若亲和度大于原细胞中的抗体袁则更新记忆细胞中的抗体袁亲和度计算公式为Avi=si忆k+1FvS渊15冤式中院S 表示抗体曰Fv表示适应度函数遥 根据式渊15冤得出记忆细胞中各抗体的适应度数值袁并对比分析和抗体群 N2中的全局最优抗体 pvk与个体最优 gvk袁若 pvk与 gvk大于记忆库中抗体袁则更新记忆库遥渊5冤不断更新子群体 N1+N义遥从 N1+N义中提取期望值繁殖率最高的 N1个抗体作为父代群体袁并对其进行选择尧交叉与变异操作袁生成新的抗体群 N1与记忆细胞中的抗体袁建立新的抗体群 N1+N义遥渊6冤更新 N2子种群遥 提取记忆库中适应度最佳的抗体袁把其当作全局最优抗体袁以此更新粒子群的位置与速度更新遥渊7冤判定是否符合最大迭代次数 n忆袁若是袁则终止循环袁输出最优抗体曰反之袁返回步骤渊4冤袁直到满足最大迭代次数 n忆为止遥2实验过程与结果分析2.1实验设置实 验 训 练 样 本 总 数 分 别 为 300尧600尧1200尧2400袁任意抽取 20%的样本作为测试集用于实验袁将小波神经网络与 BP 神经网络作为本文方法的对比方法遥 实验设定相关参数如表 1 所示遥2.2实验对比分析2.2.1故障位置检测结果工业通信网络控制器分布如图 2 所示遥3种方法的控制器故障位置检测结果如图 3所示遥图 3 中正方形框表示不同方法检测出的故障位置遥分析图 3 中的结果可知袁小波神经网络与 BP 神经网络不能够检测出全部的故障位置袁而改进免疫算法时间相关参数数值控制器总数量48故障元件数量11正常元件数量37实验数据采集总样本数量300袁600袁1200袁2400训练样本数量60袁120袁240袁480图 2工业通信网络控制器分布Fig.2Distribution of industrial communicationnetwork controllers1000800600400200100 200 300 400 500 600 700 800 900 x/渊km冤正常元件故障元件1000800600400200100 200 300 400 500 600 700 800 900 x/渊km冤正常元件故障元件渊a冤小波神经网络1000800600400200100 200 300 400 500 600 700 800 900 x/渊km冤正常元件故障元件渊b冤BP 神经网络检测技术与数据处理75粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶圆园23,38穴10雪图 3故障位置检测结果Fig.3Fault location detection results通过告警关系二分图建立故障关联函数袁并制定告警边约束条件袁能够精准找出实际的故障源袁分析出故障所在的位置袁以此得出的故障位置检出率较高遥2.2.2故障位置误检率3 种方法的工业通信网络控制器故障位置误检率比较结果如图 4 所示遥分析图 4 可知袁小波神经网络与 BP 神经网络算法误检率变化曲线远高于改进免疫算法袁原因是所提本文方法通过粒子群算法改进免疫算法袁有效提升种群类型袁增强免疫记忆能力袁使其故障位置检测误检率下降遥2.2.3故障位置检测耗时3 种方法的故障位置检测耗时变化情况如图 5所示遥 从图 5 能够看出袁改进免疫算法耗时最短袁因其采用小波包方式能够全面提取故障数据特征袁为故障位置检测节省大量时间曰而小波神经网络与 BP神经的控制器故障位置检测环节较多袁需要消耗大量时间袁 进而证实本文方法的故障位置效率高袁实际应用效果好遥3结语标准单一挖掘算法在工业通信网络控制器故障位置检测过程中寻找最优解速度较慢袁极难找出全局最优解袁以此本文通过粒子群算法改善遗传免疫算法的性能袁从而通过增加种群种类袁增强该算法的全局寻优能力袁进而提升工业通信网络控制器故障位置检测的精度遥 通过实验证明袁所提方法在故障位置检测效果尧误检率与检测耗时方面均具有一定的优势袁验证了该方法的有效性遥参考文献院1王盟.舰船无线通信网络故障节点自动定位方法J.舰船科学技术袁2020袁42渊20冤院94-96.2高小淋.物联网设备通讯故障检测技术与解决方案J.电脑知识与技术袁2021袁17渊9冤院210-212.3郭瑜袁童丽娜袁倪旭明.基于改进卷积神经网络的电力通信网故障诊断研究J.计算机测量与控制袁2022袁30渊2冤院24-30.4刘邦袁贺开放袁王亚坤袁等.基于 BP 神经网络的变电站光纤断点检测研究J.山东电力高等专科学校学报袁2021袁24渊4冤院1-4.5周俊宇袁唐鹤袁区允杰.基于电网故障告警的风险智能预判分析J.微型电脑应用袁2021袁37渊9冤院197-200.6杨挺袁侯昱丞袁赵黎媛袁等.基于时-频域混合特征的变电站通信网异常流量检测方法J.电力系统自动化袁2020袁44渊16冤院79-86.7齐添添袁陈尧袁何才厚袁等.损伤声发射信号小波包神经网络特征识别方法J.北京邮电大学学报袁2021袁44渊1冤院124-130.8余建树袁李朝霞袁龚雪娇袁等.基于并行粒子群算法的电力系统分区抗差状态估计J.电网技术袁2022袁46渊8冤院3139-3149.9宫宇袁张莲袁杨洪杰袁等.基于自适应遗传量子粒子群算法的配电网故障定位J.浙江电力袁2021袁40渊6冤院1-7.10 蔡华洵袁常雨芳袁向保林.基于改进免疫算法的配电网故障定位J.电子设计工程袁2020袁28渊7冤院1-5.姻1000800600400200100 200 300 400 500 600 700 800900 x/渊km冤正常元件故障元件渊c冤改进免疫算法1512963002468101214测试样本数量/个小波神经网络算法BP 神经网络算法改进免疫算法图 4故障位置误检率对比示意图Fig.4Comparison diagram of fault location errordetection rate图 5故障位置检测耗时情况Fig.5Time consumption of fault location detection1.51.20.90.60.30100200300400500600700800900测试样本数量/个小波神经网络算法BP 神经网络算法改进免疫算法检测技术与数据处理76