基于人工智能的网络故障诊断相关问题研究(二)

学术论文 2016-09-08 17:22:46
  3.2 专家系统在网络故障诊断 
  这个诊断系统是模仿人类专家解决问题的方法过程的一种程序系统,此系统运用已有的相关理论和解决方法对故障原因进行分析和决策,这个系统的模拟功能非常的强大,是针对有规律规则但是牵扯原因多涉及范围广的复杂问题而设计出来的,将已有的人类知识、概念、模式、方案综合归纳出规律规则,给人力检测提供经验启发参考。这种强调规则性的专家系统对于知识选取,知识呈现的功能很强大,且结果显示非常直观,因为规则型强所以形式高度统一,对于检修人员来说比较容易理解。 
  但是鉴于我们网络系统故障的原因和征兆之间的关系非常复杂却随机性强,仅仅通过专家系统很难完成故障定位、原因分析的目标。专家系统强调归纳出规则,也导致知识只能是建立在数据库基础上,其灵活性很弱,因为系统故障随意性强,就会导致归纳出的规则之间发生冲突,造成规则组合爆炸,无法得出准确的结果。目前有一种设置了自然语言接口的网络故障诊断系统,主要采用了专家系统的设计原理和模型,将专家系统归纳出的规则与概念图进行组合,延伸出了生产型的规则知识表(即EPR技术),将网络上有关故障表述的语言转成了一幅幅概念图,利用专家系统的推理分析制定出一些规则,并将这些推理结果和推理规则转换成自然语言输出,直观的让检修人员看到分析报告和结果。此种方法一定程度上能帮助检修人员对故障进行预判。   3.3 基于神经网络故障诊断法 
  故障诊断模式识别是神经网络故障诊断的核心诊断方法,人工神经网络能够模拟出人类大脑组织结构,并建立一个类似人类大脑认知的过程,对故障进行分类处理。运行原理是将故障征兆通过神经网络输入到系统中,使用识别模式来将故障进行分类最终出具诊断结果。这种诊断系统可以通过对故障诊断实例数据收集,并对其进行一定的学习和训练,将分布于神经网络当中的那些表示连接权值数据经过计算翻译后表达故障诊断,最后将故障诊断的结果输出。 
  这种诊断方法适应性强,且能自动进行记忆联想,能将故障数据分类处理。这与以上2种诊断系统相比,其学习能力强,能自主收集资料,能很好地对知识数据库数据进行更新维护。但是其不足之处也很明显,那就是有学习能力但是学习速度还是较慢,需要长时间训练,且解释能力不如专家诊断系统。这些技术水平的原因也导致神经网络故障诊断系统目前没有推广使用。 
  3.4 多智能体技术在网络系统故障诊断中的应用 
  经过国外的广泛实践应用结果发现,仅仅依靠模糊逻辑、专家系统或神经网络等单一方法只能对一些简单的网络故障进行诊断,无法满足大型网络系统的故障诊断要求,所以单一的方法是满足不了人们对于解决复杂故障的需求。那么就出现了采用多种诊断系统共同合作的新诊断技术――多智能体技术。多智能体技术是人工智能领域内的新宠,站在了技术的最前端,且备受关注。由多种诊断方法的系统组合而成,利用不同的系统的特性将复杂的网络故障因素分解成单一、独立的小因素。各个子系统共同运作。目前多智能体系统的研究不断深入,对于如何协调各子系统有了一点的研究成果,其特性是自主性强,协调性强,组成形式为分布式,有一定的组织能力和学习能力,能将复杂的问题自主的分解成小问题,分发到子系统进行分析。 
  4 结束语 
  对于如何对网络系统进行精准定位找出故障原因,出具诊断结果,提出修护方案,仍然是我们业内人士要重点研究的,我们要因地制宜,针对不对的实际情况来进行研究,需要满足我们的用户需求,制定合适的诊断的方案,引进先进的诊断技术,力求能够快速、精准的判定故障原因,人工智能在网络故障诊断中已经大放光彩,我们要抓住技术的潮流走向,融合多种智能诊断方法,对各种智能诊断系统进行深入的分析和了解。通过引进并其学习现代数据挖掘技术,从而改进目前我国的智能诊断系统的推理能力和知识获取。让网络故障诊断能更快速、更精准。将网络故障导致人们生活、学习、工作的损失降到最低。
二维码.jpg
上一篇基于自适应陷波器的电动机转子断.. 下一篇基于人工智能的网络故障诊断相关..