基于改进免疫算法的工业通信网络控制器故障位置检测

程 松，俞 浩，钱建平

（国网泰州供电公司信息通信分公司，泰州 225300）

通过分析当前工业通信网络运行工作状态可知，现有的网络安全技术满足不了当前的社会需求[1]。在日常工作中，故障事件频繁发生，给人们生产、生活造成了不可估计的损失，所以减少工业通信网络控制器故障事件发生，是保障网络使用安全的必要手段[2]。通信网络控制器故障诊断中，故障位置检测是故障诊断的核心，也是最难的部分，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。

当前该领域出现多种故障节点位置检测技术：文献[3]采用ReLU、Softplus 激活函数改进原始激活函数，通过小波神经网络模型结合免疫算法，完成告警信息的加权处理，根据加权数值情况判断故障位置；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，以此实现各通信网络故障位置检测。这2 种方法都能保证检测结果精度，但计算过程较为复杂，且故障信息传播过程难以确定，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，以免疫算法为主的故障位置检测很容易陷入局部最优，导致故障位置检测难度增加。

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，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。

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，是故障位置检测必要环节，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]，故障告警关系如图1 所示。

图1 故障告警关系示意图Fig.1 Schematic diagram of fault alarm relationship

假设工业通信网络控制器故障告警关系二分图用BG=｛B，G，LF（B，W）｝表述，其中B=｛b1，b2，…，bn｝表示故障集合，b1，b2，…，bn为故障源；G=｛g1，g2，…，gn｝表示告警事件集合，g1，g2，…，gn为告警数据；LF表示故障、告警之间的关系边集合。

因故障源bi引发的故障告警集合为

告警gi引发的故障源数据集合为

关系边L 主要有无权值与有权值2 种情况。当其为无权值时，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；当其为有权值时，各条边表示故障源引发故障告警的经验概率。

为此，文中选用无权值的故障关联函数，故已知告警集合G，寻找故障源数据的子集B0⊂B，并保证|B0|值最小，同时符合约束条件，即B0与其对应的告警集合和G 等同，以此完成故障关联函数构建，故障关联函数如下所示：

式中：Z（t）表示故障相似度度量函数。

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]。本文采用小波包方法完成控制器故障数据特征提取。

假设ψ（t）为基础小波，ψ（π）表示ψ（t）的傅里叶变换，ρ 表示圆频率。若ψ（t）∈l2（R），同时满足小波约束条件，即：

根据小波基本原理形成的二进离散小波的表达式为

根据式（4）可知，小波簇｛ψa（t）|j，a∈Z｝是组成l2（R）的正交基，则x（t）∈l2（R）的正交小波分解结果为

当j=n 时，根据小波原理得出ψ（t）的小波变换结果，即ψ（t）=un（t）与ψ（t）=un-1（t）：

设un为正交度尺度函数un（t）的小波包，则un（t）＝ψ（t）。h 与g 分别表示2 个不同的分解系数，则g（a）=（-1）ah（1-a），表明这2 个系数均符合正交关系。由此将其分解中的正交小波分解扩展到小波包分解中，则故障数据的小波包描述为

小波包分解过程中，若分解层数越多，表明分解结果精度越高。将故障关联函数的输出数据分解成2n层后，各层得到特征均为部分数据，也就是该数据分解到各正交频带上，各频带总能量与初始能量相等。

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，即：对初始采样集合通过n 层小波包分解，获得第1-n 层总共2n个频段的小波包分解集合｛d1，d2，…，d2n｝；求解每一个频段上小波包分解系数集合的能量。用En，j表示第各频段的能量，则其计算公式如下：

每一个子频带的能量元素En，j作为该数据重建的特征矢量，则有｛E1，E2，…，E2n｝。结合其对能量集合进行归一化处理，使得集合的和为单位1，处理后的集合即控制器故障数据特征提取结果，具体用Ti表示，即：

通过式（10）、式（11）得出特征矢量集合｛Ti|i=1，2，…，2n｝，以此完成故障数据特征提取。

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，本文引入粒子群算法对其进行改进，完善后免疫记忆能力增强，抗体种类增多，并确保数据不被丢失，以此保证故障位置检测的精准度。

粒子群算法是通过分析鸟群觅食后，得出一种仿生物进化寻优算法，该算法的关键是速度和位置更新[8-9]，即：

式中：χ 表示惯性权重值；k 表示迭代次数；i′表示粒子；α1与α2分别表示自我学习与社会学习因子；μ1与μ2是0～1 之间任一实数值；与分别表示粒子i ′迭代时的速度与位置与分别表示粒子i′迭代时个体与群体的最优位置。速度过快或者过慢，都会影响局部寻优的结果，需要将其控制在［vmin，vmax］范围内。

惯性权重χ 通过下述公式计算得出：

式中：χ′与χ″分别表示寻优开始与停止时的惯性权重大小：Tmax表示最大迭代次数。

在网络控制器故障位置检测过程中，其迭代过程均为二进制，则速度压缩至［0，1］区间内，使用sigmoid 函数完成变换，计算过程为

免疫算法经过种群的选取、交叉、变异等环节增加物种类型，进而在迭代时以一定概率跳出局部的最优解。在故障位置检测时，当抗体种群具有一定规模时，免疫算法就能跳出局部最优，并随着迭代次数的增多，使其收敛至全局最优[10]。粒子群算法的各粒子反复迭代后，各粒子的特征大致相同，进而降低种群种类，若陷入局部最优时，无法跳出。

基于此，本文融合这2 种方法的特征，对免疫算法进行改进，实现过程如下：

（1）在初始化种群后，将原始种群分成2 个子种群，即粒子群寻优的子种群与免疫方法寻优的子种群。

（2）首次寻优迭代完成后，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，假设粒子群得出适应度数值大于记忆库中的抗体，就需要对记忆库进行更新。

（3）结合更新后的结果，确定粒子群的位置与速度，与此同时生成新的抗体。

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：

（1）参数设定。n′表示寻优迭代最大次数，N′表示抗体群的规模，N″表示记忆细胞数量，L′表示抗体长度，Pc与Pm分别表示交叉与变异的概率。

（2）初始化。N′+N″表示原始抗体群，把N′种群分成2 个相同种群，即N1与N2。

（3）评估抗体N1+N″与N2。根据粒子群算法得出新抗体群N2，并寻找N2中全局与个体的最优抗体，即

（4）对记忆细胞进行更新处理。选取和抗原亲和度最高的N″个抗体与原记忆细胞中的抗体比较，若亲和度大于原细胞中的抗体，则更新记忆细胞中的抗体，亲和度计算公式为

式中：S 表示抗体；Fv表示适应度函数。根据式（15）得出记忆细胞中各抗体的适应度数值，并对比分析和抗体群N2中的全局最优抗体与个体最优，若与大于记忆库中抗体，则更新记忆库。

（5）不断更新子群体N1+N″。从N1+N″中提取期望值繁殖率最高的N1个抗体作为父代群体，并对其进行选择、交叉与变异操作，生成新的抗体群N1与记忆细胞中的抗体，建立新的抗体群N1+N″。

（6）更新N2子种群。提取记忆库中适应度最佳的抗体，把其当作全局最优抗体，以此更新粒子群的位置与速度更新。

（7）判定是否符合最大迭代次数n′，若是，则终止循环，输出最优抗体；反之，返回步骤（4），直到满足最大迭代次数n′为止。

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、600、1200、2400，任意抽取20%的样本作为测试集用于实验，将小波神经网络与BP 神经网络作为本文方法的对比方法。实验设定相关参数如表1 所示。

表1 实验相关参数Tab.1 Experimental related parameters

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。

图2 工业通信网络控制器分布Fig.2 Distribution of industrial communication network controllers

3 种方法的控制器故障位置检测结果如图3 所示。

图3 故障位置检测结果Fig.3 Fault location detection results

图3 中正方形框表示不同方法检测出的故障位置。分析图3 中的结果可知，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，而改进免疫算法通过告警关系二分图建立故障关联函数，并制定告警边约束条件，能够精准找出实际的故障源，分析出故障所在的位置，以此得出的故障位置检出率较高。

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。

图4 故障位置误检率对比示意图Fig.4 Comparison diagram of fault location error detection rate

分析图4 可知，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，原因是所提本文方法通过粒子群算法改进免疫算法，有效提升种群类型，增强免疫记忆能力，使其故障位置检测误检率下降。

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。从图5 能够看出，改进免疫算法耗时最短，因其采用小波包方式能够全面提取故障数据特征，为故障位置检测节省大量时间；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，需要消耗大量时间，进而证实本文方法的故障位置效率高，实际应用效果好。

图5 故障位置检测耗时情况Fig.5 Time consumption of fault location detection

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，极难找出全局最优解，以此本文通过粒子群算法改善遗传免疫算法的性能，从而通过增加种群种类，增强该算法的全局寻优能力，进而提升工业通信网络控制器故障位置检测的精度。通过实验证明，所提方法在故障位置检测效果、误检率与检测耗时方面均具有一定的优势，验证了该方法的有效性。