一种基于主动学习自组织蜂窝网络的故障诊断方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110968075A(43)申请公布日2020.04.07(21)申请号201911280120.0(22)申请日2019.12.13(71)申请人南京航空航天大学地址210016江苏省南京市秦淮区御道街29号(72)发明人朱琨陈猛王然易畅言王俊华(74)专利代理机构北京高沃律师事务所11569代理人杨媛媛(51)Int.Cl.G05B23/02(2006.01)权利要求书3页说明书9页附图6页(54)发明名称一种基于主动学习自组织蜂窝网络的故障诊断方法及系统(57)摘要本发明提供一种基于主动学习自组织蜂窝网络的故障诊断方法及系统，所述方法包括：构建系统仿真平台；利用所述系统仿真平台仿真网络故障，获得多个关键性能指标KPI数据；从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集，将剩余的所述KPI数据作为测试集；根据所述训练集确定学习引擎；利用所述测试集中各KPI数据进行验证，获得输出学习引擎，以使后续将所述待测KPI数据输入所述学习引擎中进行故障诊断。本发明减少了故障预测所需的带有故障原因的KPI数据的数量，而且还提高了故障预测的准确性。CN110968075ACN110968075A权利要求书1/3页1.一种基于主动学习自组织蜂窝网络的故障诊断方法，其特征在于，所述方法包括：步骤S1：构建系统仿真平台；步骤S2：利用所述系统仿真平台仿真网络故障，获得多个关键性能指标KPI数据；步骤S3：从多个所述KPI数据中选取第一设定数量的所述KPI数据作为训练集，将剩余的所述KPI数据作为测试集；步骤S4：根据所述训练集确定学习引擎；步骤S5：将所述测试集中各KPI数据分别输入所述学习引擎中，确定精确度；步骤S6：判断所述精确度是否小于设定值；如果所述精确度大于或等于设定值，则输出学习引擎；如果所述精确度小于设定值，则返回“步骤S4”；步骤S7：获取待测KPI数据；步骤S8：将所述待测KPI数据输入所述学习引擎中进行故障诊断。2.根据权利要求1所述的基于主动学习自组织蜂窝网络的故障诊断方法，其特征在于，构建系统仿真平台，具体包括：步骤S11：确定抛物形天线在水平方向上的增益模型；步骤S12：确定所述抛物形天线在垂直方向上的增益模型；步骤S13：根据所述抛物形天线在水平方向上的增益模型和在垂直方向上的增益模型确定抛物形天线模型；步骤S14：基于所述抛物形天线模型和网络仿真器搭建所述系统仿真平台。3.根据权利要求1所述的基于主动学习自组织蜂窝网络的故障诊断方法，其特征在于，根据所述训练集确定学习引擎，具体包括：步骤S41：根据所述训练集确定待标注故障原因的KPI数据，所述故障原因为所述网络故障中任意一种；步骤S42：对待标注故障原因的KPI数据进行标注；步骤S43：将已标注故障原因的KPI数据加入所述训练集；步骤S44：利用所述训练集中带有故障原因的各KPI数据进行训练，获得学习引擎。4.根据权利要求3所述的基于主动学习自组织蜂窝网络的故障诊断方法，其特征在于，所述根据所述训练集确定待标注故障原因的KPI数据，具体包括：步骤S411：将所述训练集中第二设定数量所述KPI数据对应的故障原因进行剔除；步骤S412：将所述训练集中带有故障原因的各所述KPI数据分别输入分类回归树进行训练，分类回归树模型；步骤S413：将所述训练集中无故障原因的各所述KPI数据分别输入分类回归树模型，确定各所述KPI数据对应不同故障原因的概率；步骤S414：将各所述KPI数据对应不同故障原因的概率带入不确定度公式确定待标注故障原因的KPI数据。5.根据权利要求4所述的基于主动学习自组织蜂窝网络的故障诊断方法，其特征在于，所述不确定度公式为最大熵公式、最小置信度公式和最小间距公式中任意一种。6.根据权利要求2所述的基于主动学习自组织蜂窝网络的故障诊断方法，其特征在于，确定抛物形天线在水平方向上的增益模型，具体公式为：2CN110968075A权利要求书2/3页其中，为用户设备与基站天线在水平平面的夹角；为基站天线的方位角；为水平方向上3dB的波束宽度；Am为辐射的水平方向的最大衰减；为抛物形天线在水平方向上的增益模型。7.根据权利要求2所述的基于主动学习自组织蜂窝网络的故障诊断方法，其特征在于，确定所述抛物形天线在垂直方向上的增益模型，具体公式为：其中，θ为用户设备和基站天线之间在垂直平面的夹角；θetilt为基站天线的电子下倾角；θ3dB为垂直方向上的3dB的波束宽度；SLAv为辐射的垂直方向的最大衰减；AV(θ)为抛物形天线在垂直方向上的增益模型。8.根据权利要求2所述的基于主动学习自组织蜂窝网络的故障诊断方法，其特征在于，根据所述抛物形天线在水平方向上的增益模型和在垂直