* [X]《基于隱馬爾科夫模型的故障診斷和預(yù)報(bào)綜述》
* [X]《An Alarm Correlation Algorithm for Network Management Based on Root Cause Analysis 2011》
* [X]《SOFM網(wǎng)絡(luò)》
* [X]《A Survey of Fault Detection, Isolation, and Reconfiguration Methods 2010》
《基于隱馬爾科夫模型的故障診斷和預(yù)報(bào)綜述》
1.介紹了基于HMM算法在故障診斷與故障預(yù)報(bào)領(lǐng)域的應(yīng)用成果才顿。
2.將數(shù)據(jù)驅(qū)動(dòng)的故障診斷與預(yù)報(bào)方法分成三類：基于隨機(jī)模型烦感、基于統(tǒng)計(jì)方法、基于人工智能與機(jī)器學(xué)習(xí)方法。HMM模型屬于第一種典型方法之一愉适。
3.HMM運(yùn)用到設(shè)備故障診斷中是，利用對退化過程建模癣漆，可以進(jìn)行退化狀態(tài)的識(shí)別维咸。
4.HMM的故障診斷存在的問題：
（1）故障預(yù)報(bào)需要全壽命數(shù)據(jù)，故障數(shù)據(jù)的成本大惠爽，多個(gè)傳感器帶來數(shù)據(jù)冗余
（2）計(jì)算量大癌蓖，計(jì)算有效性問題
（3）缺乏有效的模型參數(shù)估計(jì)/重估計(jì)，在龐大和復(fù)雜的系統(tǒng)中婚肆，穩(wěn)定性和可靠性需要應(yīng)用實(shí)時(shí)數(shù)據(jù)進(jìn)行系統(tǒng)的故障在線診斷和預(yù)報(bào)租副，因而尋找有效的在線參數(shù)估計(jì)方法是目前研究的重點(diǎn)和熱點(diǎn)。
《An Alarm Correlation Algorithm for Network Management Based on Root Cause Analysis 2011》
基于網(wǎng)絡(luò)管理根本原因分析的告警關(guān)聯(lián)算法
摘要：告警關(guān)聯(lián)性是網(wǎng)絡(luò)管理系統(tǒng)提供電信網(wǎng)絡(luò)不尋常的操作行為的檢測较性、隔離和關(guān)聯(lián)的必要功能用僧。然而，現(xiàn)有的告警關(guān)聯(lián)方法仍依賴于人工處理和取決于網(wǎng)絡(luò)運(yùn)營者所掌握的知識(shí)赞咙。由于電信網(wǎng)產(chǎn)生許多被稱為告警洪流的警報(bào)责循，導(dǎo)致網(wǎng)絡(luò)運(yùn)營者很難在短時(shí)間內(nèi)檢測出問題的根源。因此攀操，我們提出一種能夠在短時(shí)間內(nèi)分離和關(guān)聯(lián)根源問題的告警關(guān)聯(lián)算法院仿。另外，這個(gè)算法在告警分析的有效性和確認(rèn)根源問題的準(zhǔn)確性效果不錯(cuò)速和。
關(guān)鍵詞： Network Management, Alarm Floods, Alarm Correlation, Root Cause Analysis
1.告警關(guān)聯(lián)的目的是減少減少一部分告警歹垫，從告警信息中確認(rèn)根源警報(bào)。目前的告警關(guān)聯(lián)方法可分為： Rule-Based approach基于規(guī)則判斷方法颠放、 Codebook-Based approach基于碼本判斷方法排惨、 Case-Based approach基于實(shí)例判斷方法和 Mining-Based approach基于數(shù)據(jù)挖掘方法四種。本文指出這四種方法各自的缺陷碰凶，從而作者提出基于TCP/IP模型的告警關(guān)聯(lián)算法暮芭，可以在因特網(wǎng)上任何類型的環(huán)境和拓?fù)浣Y(jié)構(gòu)運(yùn)行。
2.基于TCP/IP模型的告警關(guān)聯(lián)算法中痒留，告警是根據(jù)每一個(gè)TCP/IP協(xié)議層的一個(gè)標(biāo)識(shí)符進(jìn)行分類（如TCP和UDP的端口數(shù)目谴麦，IP地址，協(xié)議類型等等）伸头，然后不基于經(jīng)驗(yàn)知識(shí)前提下匾效，根據(jù)告警信息的原因和之間的影響關(guān)系確認(rèn)根源告警。原因和影響關(guān)系就是當(dāng)告警A發(fā)生恤磷，另一個(gè)告警B很可能會(huì)出現(xiàn)面哼。算法的主要思想是在每一層出現(xiàn)的錯(cuò)誤可以被這個(gè)標(biāo)識(shí)符區(qū)分野宜，這個(gè)標(biāo)識(shí)符是找到上層和下層TCP/IP層之間原因和影響關(guān)系。大體上魔策，下層的問題會(huì)影響上一層問題和相鄰的節(jié)點(diǎn)匈子。換句話說，底層的告警會(huì)比上一層的告警更頻繁地出現(xiàn)為根源告警闯袒。
3.（1）Rule-Based approach：規(guī)則集基于人們的經(jīng)驗(yàn)虎敦，因而需要較多的專業(yè)知識(shí)。
（2）Codebook-Based approach：用一個(gè)矩陣來代表問題和癥狀之間的關(guān)系（用0和1表示是否有關(guān)聯(lián)）政敢，碼本的關(guān)聯(lián)性用來檢測一個(gè)根源問題其徙，就速度和準(zhǔn)確性而言來判斷網(wǎng)絡(luò)的問題很有效。但是喷户，要求專業(yè)的知識(shí)來構(gòu)建電報(bào)密碼本唾那，而且，當(dāng)網(wǎng)絡(luò)中有變化就要求重構(gòu)密碼本褪尝，這個(gè)需要消耗時(shí)間成本闹获。
（3） Case-Based approach：根據(jù)過去的案例經(jīng)驗(yàn)來解決已經(jīng)出現(xiàn)過的問題，但是無法在短時(shí)間內(nèi)解決未知的案例河哑。因此需要經(jīng)驗(yàn)知識(shí)來構(gòu)造解決辦法數(shù)據(jù)庫避诽，同樣也是耗時(shí)的過程。
（4） Mining-Based approach：頻繁事件集可以被擊中挖掘算法檢測灾馒，再收集的告警信息中確認(rèn)一個(gè)根源告警很有用茎用。但是很多已經(jīng)提出過的算法在短時(shí)間呃逆對分析頻繁事件集是不合適的因?yàn)樘幚磉\(yùn)算時(shí)間很長遣总。
4.在一個(gè)節(jié)點(diǎn)里的兩個(gè)相鄰協(xié)議層睬罗，高層是服務(wù)使用者，低一層是服務(wù)供應(yīng)者旭斥。將有相同特質(zhì)和關(guān)聯(lián)關(guān)系的告警進(jìn)行聚類容达，如圖14，形成根源告警生成器垂券，從而推算出根源告警花盐。
《A Survey of Fault Detection, Isolation, and Reconfiguration Methods 2010》
故障檢測、隔離和重構(gòu)方法的研究
摘要：本文呈現(xiàn)了過去基于FDIR方法的不同模型菇爪，F(xiàn)DIR問題分為錯(cuò)誤檢測和隔離(FDI)步驟算芯，還有控制器重構(gòu)步驟。對于FDI凳宙，我們討論了不同基于模型的方法來生成殘差熙揍，可以健全滴考慮噪聲，未知干擾和模型的不確定性氏涩；而且還有各種統(tǒng)計(jì)技術(shù)的測試殘差的突然變化(或錯(cuò)誤)届囚，然后討論各種實(shí)現(xiàn)重構(gòu)控制策略的技術(shù)來應(yīng)對各種故障有梆。
關(guān)鍵詞：分析冗余 故障檢測 故障隔離 故障重構(gòu)
1.要確保這樣的系統(tǒng)能夠滿足飛機(jī)嚴(yán)格安全的操作要求，一個(gè)高級(jí)冗余設(shè)計(jì)加上一個(gè)健壯的故障診斷方案是必須的意系。
硬件的冗余和分析的冗余其實(shí)是用來寬容硬件和軟件故障
3.對于故障隔離泥耀，產(chǎn)生的殘差不只是
《An overview on fault diagnosis and nature-inspired optimal control of industrial process applications 2015》
《SOFM 網(wǎng)絡(luò)及其在 MATLAB 中的實(shí)現(xiàn)》
摘要： 自組織映射網(wǎng)絡(luò)的原理、算法及其在 Matlab 中實(shí)現(xiàn)蛔添， SOFM 的現(xiàn)存問題和未來研究趨勢作了分析和展望
- 自組織特征映射網(wǎng)絡(luò)（SOFM）:是自組織網(wǎng)絡(luò)中的一種痰催，所謂的自組織過程是指學(xué)習(xí)的結(jié)果總是使聚類區(qū)內(nèi)各神經(jīng)元的權(quán)重向量保持向輸入向量逼近的趨勢， 從而使具有相近特性的輸入向量聚集在一起迎瞧。這種結(jié)構(gòu)的網(wǎng)絡(luò)能夠從輸入信息中找出規(guī)律以及關(guān)系陨囊，并且根據(jù)這些規(guī)律來相應(yīng)地調(diào)整網(wǎng)絡(luò)，使得以后的輸出與之相適應(yīng)夹攒。
- SOFM 結(jié)構(gòu)：SOFM 神經(jīng)網(wǎng)絡(luò)是一個(gè)兩層網(wǎng)絡(luò)蜘醋，即由輸入層和競爭層組成，輸入層接收樣本咏尝，競爭層對樣本進(jìn)行分類压语，這兩層的神經(jīng)元進(jìn)行完全相互連接，競爭層的神經(jīng)元按二維形式排列成一個(gè)節(jié)點(diǎn)矩陣编检，一般輸入層節(jié)點(diǎn)數(shù)等于能夠代表分類問題模式的維數(shù)胎食，輸出節(jié)點(diǎn)數(shù)根據(jù)具體問題來決定。
- MATLAB 中 SOFM 網(wǎng)絡(luò)的實(shí)現(xiàn):MATLAB 的 NN Toolbox 提供了豐富的函數(shù)建立神經(jīng)網(wǎng)絡(luò)允懂，主要包括神經(jīng)網(wǎng)絡(luò)函數(shù)厕怜、權(quán)值函數(shù)、網(wǎng)絡(luò)的輸入函數(shù)蕾总、傳遞函數(shù)粥航、初始化函數(shù)、性能函數(shù)生百、學(xué)習(xí)函數(shù)递雀、自適應(yīng)函數(shù)、以及訓(xùn)練函數(shù)等蚀浆。
