0 引言

    現(xiàn)代社會對信息系統(tǒng)設備的高可靠性,、易測試性的要求越來越高，“實時,、動態(tài),、快速、精確”已成為當今信息系統(tǒng)的新主題,。系統(tǒng)健康管理技術日益發(fā)展,，已成為提高系統(tǒng)高可用性的關鍵技術之一^[1]，其基本思想是對系統(tǒng)的關鍵部件狀態(tài)進行實時監(jiān)測，并基于系統(tǒng)的健康管理知識庫,，進行實時的自主保障診斷,、預測與健康管理，從而提高系統(tǒng)的高可用性,。

    在規(guī)則知識自動挖掘獲取方面,，從數(shù)據(jù)中挖掘提取規(guī)則知識的技術在很多領域取得了成功應用，如：賀林曉利用關聯(lián)規(guī)則挖掘方法提取變電設備故障診斷規(guī)則^[2],；黃常海等人對船舶事故的因果關系數(shù)據(jù)進行分析挖掘,，提取預測和控制船舶事故的關聯(lián)規(guī)則^[3]。

    電源系統(tǒng)是信息系統(tǒng)的關鍵部件之一,，可以通過對電源系統(tǒng)電流的實時監(jiān)測與數(shù)據(jù)挖掘分析,，在線實時預測預警系統(tǒng)設備的運行狀態(tài)，并根據(jù)不同運行狀態(tài)對其進行狀態(tài)診斷與保障維護,，從而提高系統(tǒng)的高可用性,。

    本文以提高信息系統(tǒng)的高可用性、易測試性為目的,，采用健康管理的技術理念,，通過對一類系統(tǒng)的電源系統(tǒng)架構改造，增加了電流實時狀態(tài)監(jiān)測與診斷知識學習功能,，通過對系統(tǒng)設備啟動運行中的電流監(jiān)測,，實現(xiàn)了對運行狀態(tài)的在線自診斷，從而給系統(tǒng)的維護檢修提供輔助決策支持功能,。

1 基于電流狀態(tài)監(jiān)測分析的自我狀態(tài)監(jiān)測診斷方法

    本文設計的自我監(jiān)控診斷系統(tǒng)架構如圖1所示,。其基本思想如下：對系統(tǒng)運行過程中的關鍵狀態(tài)數(shù)據(jù)進行實時在線監(jiān)測記錄，保存到歷史數(shù)據(jù)庫中,，并通過模式識別,、數(shù)據(jù)挖掘等方法，挖掘提取出數(shù)據(jù)中潛在的規(guī)則知識,；然后在系統(tǒng)實際運行中,，根據(jù)關鍵狀態(tài)數(shù)據(jù)的實時監(jiān)測值，通過規(guī)則匹配及時診斷發(fā)現(xiàn)系統(tǒng)設備的異常運行狀態(tài),，進行預警并提出相應的系統(tǒng)保障預案,，以便及時對系統(tǒng)進行維護保障，從而提高系統(tǒng)的可用性,。

    供電系統(tǒng)是系統(tǒng)的關鍵部件之一,，系統(tǒng)設備的不同工作負荷狀態(tài)往往對應著一定的電流序列值。圖2反映了一個服務器設備在運行大型程序,、運行普通程序,、系統(tǒng)空閑時的電流變化的動態(tài)狀態(tài)(采樣頻率為10 Hz),。系統(tǒng)空閑時，電流穩(wěn)定在一個較小范圍內,；當運行程序特別是在其運行大型程序或處于CPU占用率較高時,，電流會出現(xiàn)明顯上升并至一定峰值高度?？梢酝ㄟ^對計算機設備電流變化的特征判定計算機的當前基本工作狀態(tài),。本文即采用對系統(tǒng)設備運行中電流狀態(tài)的監(jiān)測與診斷分析的方法來進行系統(tǒng)自我監(jiān)測診斷。

1.1 電源部件的改進

    一些老舊系統(tǒng)的供電系統(tǒng)一般不具備電流狀態(tài)在線監(jiān)測分析功能,，為了對系統(tǒng)電流進行實時狀態(tài)診斷分析,，本文對現(xiàn)有某系統(tǒng)的電源系統(tǒng)架構進行改進，增加了電源參數(shù)監(jiān)控模塊來實時采樣記錄工作設備的電流數(shù)據(jù),，對記錄的歷史數(shù)據(jù)通過數(shù)據(jù)聚類分類算法提取系統(tǒng)設備各種運行模式時的電流序列模式知識庫,，實現(xiàn)基于知識庫的系統(tǒng)設備實時監(jiān)控自我保障預警分析。

    在系統(tǒng)架構中,，電源是通過多個分線器與不同的工作設備連接來提供,，原分線器不具備監(jiān)控各工作設備電流狀態(tài)的功能。為了采集記錄分析各工作設備的工作電流,，本設計增加了一個智能電源記錄分析模塊,，如圖3所示，它可以實時采集記錄各工作設備的工作電流值的歷史數(shù)據(jù),。

    智能分線器按照10 Hz的采樣頻率對工作設備的電流進行采樣記錄,，并傳輸給診斷分析儀對數(shù)據(jù)進行處理。由診斷分析模塊從歷史數(shù)據(jù)中挖掘系統(tǒng)設備工作模式的特征知識庫,，并基于實時采樣的電流序列,，通過知識庫診斷分析系統(tǒng)設備的運行狀態(tài)。

1.2 系統(tǒng)設備工作模式特征知識庫構建

    從圖2可以看出,，設備的每種工作模式對應著一定的電流特征模式,，這里采用下列電流特征模型M_t來描述系統(tǒng)的不同工作狀態(tài)的模式模型：

    對系統(tǒng)正常運行中的歷史數(shù)據(jù)進行模式學習，建立模式知識庫,，當實際運行時的模式與模式庫中的正常模式匹配度較低時，則預警設備維護人員,，并記錄相應的異常模式,，以輔助設備維護人員及時進行設備維護保障。

    為了獲得較高的歸納能力,，這里采用模糊數(shù)學的模糊值方法來描述電流的狀態(tài),、窗口的大小。其中,，IS表示電流模糊取值為小,，IM表示電流模糊取值中,，IL表示電流模糊取值為大，IT表示電流模糊取值為特大,；WS表示窗口大小取值為小,，WM表示窗口大小取值為中，WL表示窗口大小取值為大,。相應的隸屬度函數(shù)曲線如圖4所示,。

    采用這種模型，對于圖2表示的某服務器工作模式曲線,，可以建立如下的系統(tǒng)正常工作模式知識庫：

    學習獲得系統(tǒng)工作模式的算法流程如下：

    輸入：電流序列數(shù)值i_k,；

    輸出：系統(tǒng)工作模式知識S。

    begin

    (1)計算電流模式窗口W_t：

    ①當|i_k-i_k-1|較小時,，則將k-1時刻作為W_t的開始時刻,；

    ②當|i_k-i_k-1|較大，且在模式窗口狀態(tài)時,，將k時刻作為窗口W_t的結束時刻,；

    ③按照W的模糊隸屬度函數(shù)，計算得出W_t的離散值

    (2)統(tǒng)計W_t窗口內系統(tǒng)的電流值：

    ①去掉W_t窗口的電流狀態(tài)值中的最大,、最小值,，然后求其平均值i_wt；

    ②根據(jù)電流模糊隸屬度函數(shù)求i_wt的模糊值

    (3)計算模式M_t=的支持度C_t：

    ①累計M_t的模式數(shù),；

    ②C_t=M_t的模式數(shù)/總模式數(shù),。

    (4)由支持度大于閾值的模式組成系統(tǒng)的模式知識庫S；

    end

1.3 系統(tǒng)工作模式在線自診斷分析

    從系統(tǒng)設備的正常運行狀態(tài)下的電流歷史狀態(tài)數(shù)據(jù)中,，學習建立了系統(tǒng)的正常模式知識庫后,，就可以根據(jù)電流序列的狀態(tài)模式與知識庫中的模式進行匹配，不能匹配的模式則為異常模式,，或者人工分析判斷為正常時作為正常模式加入模式庫,。

    工作模式自診斷分析算法流程如下：

    輸入：電流狀態(tài)值i_k，模式知識庫S,；

    輸出：系統(tǒng)工作狀態(tài),。

    begin

    (1)計算電流模式窗口W_t的模糊值

    (2)統(tǒng)計W_t窗口內系統(tǒng)的電流值模糊狀態(tài)值

    (3)計算系統(tǒng)工作模式知識庫中是否含有模式沒可匹配的模式時，則預警系統(tǒng)存在異常工作狀態(tài),；

    end

2 試驗分析

    利用上述方法,，本設計對某系統(tǒng)的無線通信設備6個月的正常運行中歷史記錄電流數(shù)據(jù)進行了學習，建立了系統(tǒng)正常無故障工作狀態(tài)下的工作模式知識庫,。對系統(tǒng)中正常運行的無線發(fā)射設備以頻率10 Hz進行電流采樣,，通常情況下，在其進行對外話音或數(shù)據(jù)通信時可以發(fā)現(xiàn)明顯的電流變化,，且每次發(fā)射的電流變化過程基本一致,。在無線發(fā)射設備靜默或待機狀態(tài),，電流相對平穩(wěn)，當出現(xiàn)話音通信或定期的數(shù)據(jù)通信時,，其電流出現(xiàn)明顯的躍升,，該電流變化特征可作為該無線發(fā)射設備工作狀態(tài)判定的依據(jù)，工作模式知識數(shù)據(jù)如圖5所示,。

    在一次無線網絡互聯(lián)過程中發(fā)現(xiàn)數(shù)據(jù)通信中斷,。一般情況下需要排查整個通信鏈路中參與通信的終端設備、網絡交換設備,、路由設備,、安防設備以及無線通信設備。在增加了電流數(shù)據(jù)采樣后,，系統(tǒng)發(fā)現(xiàn)該無線通信設備電流數(shù)據(jù)長時間保持在靜默待機狀態(tài),，與以往運行路由協(xié)議進行周期數(shù)據(jù)發(fā)射模式明顯不同。

    根據(jù)系統(tǒng)正常無故障狀態(tài)下工作模式知識庫：S={(IS,，WM,，0.32)，(IS,，WT,，0.28)，(IM,，WM,，0.10)，(IM,，WT,，0.13)，(IL,，WM,，0.17)}，對系統(tǒng)運行中工作狀態(tài)進行實時在線自診斷分析,，并檢測出該無線通信設備工作異常狀態(tài)模式(IL,，WS)，進一步對該異常進行機理分析后,，診斷為一電子器件老化故障,。

3 結論

    本文基于系統(tǒng)健康管理的思想，以提高系統(tǒng)的自我診斷保障功能為目標,，通過對原有電源系統(tǒng)的改造,，增加了運行電流狀態(tài)實時監(jiān)測記錄功能,，可以監(jiān)測系統(tǒng)設備運行中的電流模式特征,；建立了電流模式的特征模型,，并通過歷史數(shù)據(jù)學習獲得正常模式知識庫，根據(jù)實時運行中的電流模式特征和知識庫自我監(jiān)測診斷,，發(fā)現(xiàn)異常運行狀態(tài),，從而可以及時針對相應的異常按照相應異常預案進行維護保障，以提高系統(tǒng)維護的實時性,，有利于提高系統(tǒng)的高可用性,。

參考文獻

[1] 胡蔦慶，胡雷,，陳凌,，等.裝備健康管理的現(xiàn)狀、未來與挑戰(zhàn)[J].國防科技,，2015,，36(1)：10-15.

[2] 賀林曉.基于粗糙集的關聯(lián)規(guī)則挖掘在變電設備故障診斷中的應用[D].北京：華北電力大學，2015.

[3] 黃常海,，高德毅,，胡甚平，等.基于Apriori算法的船舶交通事故關聯(lián)規(guī)則分析[J].上海海事大學學報,，2014,，35(3)：18-22.

作者信息:

楊曉軍，錢  成

（中國電子科技集團第二十八研究所,，江蘇 南京210007）