本發(fā)明涉及5g網(wǎng)絡(luò)設(shè)備，尤其涉及一種智能5g網(wǎng)絡(luò)設(shè)備異常檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著5g通信技術(shù)的快速發(fā)展，網(wǎng)絡(luò)設(shè)備異常檢測(cè)在保障網(wǎng)絡(luò)穩(wěn)定性和安全性方面顯得尤為重要，現(xiàn)有技術(shù)通常依賴傳統(tǒng)的數(shù)據(jù)采集與統(tǒng)計(jì)分析方法對(duì)5g網(wǎng)絡(luò)設(shè)備射頻模塊的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)，在數(shù)據(jù)預(yù)處理、異常數(shù)據(jù)剔除以及特征提取方面采用了常規(guī)的歸一化、時(shí)間窗口化和簡(jiǎn)單的統(tǒng)計(jì)量計(jì)算手段，然而，由于5g網(wǎng)絡(luò)環(huán)境的復(fù)雜性和多變性，現(xiàn)有方法在處理大規(guī)模、高維度、多時(shí)序特征數(shù)據(jù)時(shí)常常面臨諸多不足。

2、首先，現(xiàn)有技術(shù)在對(duì)采集的射頻數(shù)據(jù)進(jìn)行預(yù)處理時(shí)雖然能夠剔除部分異常數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行歸一化處理，但在時(shí)間窗口內(nèi)的數(shù)據(jù)特征提取過程中往往只能獲得簡(jiǎn)單的統(tǒng)計(jì)特征，如均值、標(biāo)準(zhǔn)差、偏度和峰度，單一的特征表達(dá)方式難以充分反映設(shè)備在不同運(yùn)行狀態(tài)下的復(fù)雜變化容易導(dǎo)致故障特征信息提取不全面，從而影響后續(xù)故障模式的準(zhǔn)確識(shí)別。

3、其次，在故障檢測(cè)過程中，多數(shù)技術(shù)采用傳統(tǒng)的聚類方法對(duì)提取的故障特征進(jìn)行分類，而這些方法在高維特征空間中容易受到數(shù)據(jù)冗余和噪聲的影響致使分類效果不穩(wěn)定，此外，由于現(xiàn)有方法在特征選擇方面缺乏全局優(yōu)化策略，無法充分利用結(jié)構(gòu)特征、動(dòng)態(tài)特征與環(huán)境特征之間的互補(bǔ)信息，導(dǎo)致故障模式數(shù)據(jù)庫在更新時(shí)存在一定的滯后性和不準(zhǔn)確性，從而難以滿足實(shí)時(shí)監(jiān)控和精確診斷的需求。

4、此外，傳統(tǒng)技術(shù)在特征篩選和聚類處理過程中缺乏對(duì)不同特征層次之間相關(guān)性和冗余性進(jìn)行有效約束的機(jī)制，這使得在對(duì)復(fù)雜故障模式進(jìn)行劃分時(shí)往往難以實(shí)現(xiàn)高區(qū)分度和代表性，進(jìn)而降低了異常檢測(cè)的準(zhǔn)確率和可靠性，綜上所述，現(xiàn)有技術(shù)在5g網(wǎng)絡(luò)設(shè)備異常檢測(cè)領(lǐng)域存在數(shù)據(jù)預(yù)處理、特征提取、特征選擇以及故障模式分類方面的明顯缺陷，亟需針對(duì)上述問題提出一種新的解決方案以實(shí)現(xiàn)對(duì)5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行狀態(tài)的高效、準(zhǔn)確監(jiān)控。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個(gè)目的在于提出一種智能5g網(wǎng)絡(luò)設(shè)備異常檢測(cè)方法及系統(tǒng)，本發(fā)明不僅確保了在長(zhǎng)時(shí)間運(yùn)行中能夠及時(shí)捕捉到設(shè)備運(yùn)行狀態(tài)的微小變化，同時(shí)也保證了故障診斷結(jié)果的穩(wěn)定性和可靠性，為運(yùn)營(yíng)商提供了更加實(shí)時(shí)、精準(zhǔn)的網(wǎng)絡(luò)異常檢測(cè)方案。

2、根據(jù)本發(fā)明實(shí)施例的一種智能5g網(wǎng)絡(luò)設(shè)備異常檢測(cè)方法，包括如下步驟：

3、s1.采集5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集，并對(duì)運(yùn)行數(shù)據(jù)集進(jìn)行預(yù)處理，形成預(yù)處理后的5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集；

4、s2.對(duì)預(yù)處理后的5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集進(jìn)行多維時(shí)序特征提取，生成故障特征數(shù)據(jù)，并構(gòu)建故障特征向量空間；

5、s3.基于離散鯨魚優(yōu)化算法對(duì)故障特征向量空間進(jìn)行全局搜索和參數(shù)優(yōu)化，選取具有代表性且區(qū)分度高于閾值的故障特征，形成優(yōu)化后的故障特征數(shù)據(jù)集；

6、s4.利用模糊c均值聚類算法對(duì)優(yōu)化后的故障特征數(shù)據(jù)集進(jìn)行聚類處理，通過計(jì)算各數(shù)據(jù)樣本的模糊隸屬度對(duì)故障模式進(jìn)行分類，生成故障模式分類結(jié)果；

7、s5.根據(jù)故障模式分類結(jié)果構(gòu)建和動(dòng)態(tài)更新故障模式數(shù)據(jù)庫，故障模式數(shù)據(jù)庫記錄并存儲(chǔ)不同故障模式的特征及分類信息。

8、可選的，所述s1包括以下步驟：

9、s11.采集5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集，所述5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集由多個(gè)射頻運(yùn)行信號(hào)組成：

10、；

11、其中，為第組數(shù)據(jù)的功率放大器輸出信號(hào)，為第組數(shù)據(jù)的低噪聲放大器增益，為第組數(shù)據(jù)的發(fā)射功率，為采樣數(shù)據(jù)總量；

12、s12.對(duì)5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集進(jìn)行異常數(shù)據(jù)檢測(cè)，剔除異常數(shù)據(jù)點(diǎn)，構(gòu)建無異常的射5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集；

13、s13.對(duì)無異常的射5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集進(jìn)行歸一化處理，使所有數(shù)據(jù)在相同數(shù)值范圍內(nèi)，得到歸一化后的5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集；

14、s14.對(duì)歸一化后的5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集進(jìn)行時(shí)間窗口化處理，構(gòu)建預(yù)處理后的5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集。

15、可選的，所述s2包括以下步驟：

16、s21.對(duì)預(yù)處理后的5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集進(jìn)行多維時(shí)序特征提取，計(jì)算每個(gè)時(shí)間窗口內(nèi)的統(tǒng)計(jì)特征，生成時(shí)序特征數(shù)據(jù)集，時(shí)序特征包括均值、標(biāo)準(zhǔn)差、偏度和峰度；

17、s22.對(duì)時(shí)序特征數(shù)據(jù)集進(jìn)行歸一化處理，對(duì)歸一化后的時(shí)序特征數(shù)據(jù)集進(jìn)行降維處理，構(gòu)建故障特征數(shù)據(jù)集；

18、s23.構(gòu)建故障特征向量空間：

19、；

20、其中，為故障特征向量空間，為故障特征的分布結(jié)構(gòu)。

21、可選的，所述s3包括以下步驟：

22、s31.構(gòu)建基于分層特征篩選的故障特征優(yōu)化搜索空間，依據(jù)故障特征向量空間確定分層優(yōu)化目標(biāo)將故障特征全集按照特征類別劃分為結(jié)構(gòu)特征子集、動(dòng)態(tài)特征子集和環(huán)境特征子集：

23、；

24、其中，表示基于5g網(wǎng)絡(luò)設(shè)備射頻模塊信號(hào)的靜態(tài)特征集合，表示隨時(shí)間變化的動(dòng)態(tài)特征，表示與外部環(huán)境因素相關(guān)的特征；

25、s32.采用改進(jìn)離散鯨魚優(yōu)化算法進(jìn)行多層特征子集搜索，在每個(gè)特征子集內(nèi)獨(dú)立進(jìn)行特征選擇，并利用跨層特征調(diào)整機(jī)制優(yōu)化最終特征選擇方案，初始化鯨魚種群，其中每個(gè)鯨魚個(gè)體采用三層二進(jìn)制向量表示特征選擇方案：

26、；

27、其中，為結(jié)構(gòu)特征子集、為動(dòng)態(tài)特征子集，為環(huán)境特征子集，每個(gè)分量取值代表是否選擇相應(yīng)特征；

28、s33.定義分層適應(yīng)度函數(shù)，引入跨層特征相關(guān)性約束計(jì)算每個(gè)特征子集的適應(yīng)度值，并利用特征層級(jí)相關(guān)性優(yōu)化最終特征選擇方案，計(jì)算最終適應(yīng)度值；

29、s34.基于動(dòng)態(tài)hamming距離與自適應(yīng)梯度修正的離散搜索策略，在鯨魚優(yōu)化過程中對(duì)個(gè)體的特征選擇方案進(jìn)行優(yōu)化調(diào)整，定義分層搜索更新規(guī)則如下：

30、；

31、其中，為特征選擇方案，表示第t代優(yōu)化后的鯨魚個(gè)體，為第代優(yōu)化后的鯨魚個(gè)體，表示新一輪的特征選擇方案，為當(dāng)前搜索過程中最優(yōu)的特征選擇方案，為動(dòng)態(tài)更新概率，計(jì)算如下：

32、；

33、其中，為當(dāng)前鯨魚個(gè)體與最優(yōu)個(gè)體的hamming距離，為搜索均衡因子，為控制搜索梯度的參數(shù)；

34、s35.引入強(qiáng)化學(xué)習(xí)優(yōu)化鯨魚搜索策略，結(jié)合q學(xué)習(xí)調(diào)整搜索方向，優(yōu)化更新公式如下：

35、；

36、其中，表示在當(dāng)前狀態(tài)鯨魚個(gè)體在采取動(dòng)作后的q值，表示優(yōu)化后的鯨魚個(gè)體在采取動(dòng)作后的q值，衡量搜索決策的收益，表示在優(yōu)化后的鯨魚個(gè)體狀態(tài)下可選取的全部動(dòng)作中的最大q值，為獎(jiǎng)勵(lì)值，為學(xué)習(xí)率；

37、在鯨魚優(yōu)化過程中采用自適應(yīng)變異機(jī)制優(yōu)化全局搜索能力，基于跨層特征約束調(diào)整變異概率定義變異算子如下：

38、；

39、其中，表示變異后的特征選擇調(diào)整向量：

40、；

41、其中，為二進(jìn)制狀態(tài)變量，表示第t+1次迭代時(shí)特征的選擇狀態(tài)：

42、；

43、其中，表示第t次迭代時(shí)特征的選擇狀態(tài)，采用分層動(dòng)態(tài)調(diào)整策略，使得不同特征層的變異概率符合特征分布特點(diǎn)：

44、；

45、其中，為初始變異概率，代表特征層相關(guān)性約束，為優(yōu)化后鯨魚種群中所有個(gè)體的最大適應(yīng)度值；

46、s37.基于優(yōu)化后特征選擇方案，篩選時(shí)間窗口內(nèi)的最優(yōu)故障特征向量：

47、；

48、其中，表示優(yōu)化后的時(shí)間窗口內(nèi)的故障特征向量，僅包含經(jīng)過優(yōu)化篩選的特征，是原始故障特征全集中的某個(gè)特征，是s36變異后鯨魚個(gè)體的二進(jìn)制特征選擇狀態(tài)，若，則對(duì)應(yīng)的特征選擇方案被選入最終特征向量，最終優(yōu)化后的5g網(wǎng)絡(luò)設(shè)備射頻模塊故障特征數(shù)據(jù)集定義為：

49、；

50、其中，為總的時(shí)間窗口數(shù)。

51、可選的，所述s33包括以下步驟：

52、s331.基于特征選擇方案訓(xùn)練5g網(wǎng)絡(luò)設(shè)備射頻模塊故障分類模型，計(jì)算故障特征子集的分類準(zhǔn)確率；

53、s332.定義特征選擇方案內(nèi)部的冗余度，用于衡量特征子集內(nèi)部的冗余特性：

54、；

55、其中，表示特征選擇方案選取的特征子集，為特征子集的維數(shù)，為特征和之間的pearson相關(guān)系數(shù)：

56、；

57、其中，和分別表示第個(gè)樣本在特征和上的取值，和分別表示特征和在所有樣本上的均值；

58、s333.定義特征選擇方案的分布均衡性，用于評(píng)估選取的故障特征是否能夠均衡覆蓋不同故障類別：

59、；

60、其中，為故障類別總數(shù)，表示在類別中特征子集的均值，為所有類別中的均值；

61、s334.定義跨層特征的相關(guān)性約束，用于降低不同層特征之間的冗余性：

62、；

63、其中，分別表示特征選擇方案選取的結(jié)構(gòu)特征子集、動(dòng)態(tài)特征子集和環(huán)境特征子集，為特征和之間的pearson相關(guān)系數(shù)；

64、s335.基于計(jì)算得到的分類準(zhǔn)確率、特征冗余度、特征分布均衡性及跨層特征相關(guān)性，計(jì)算最終適應(yīng)度值：

65、；

66、其中，為超參數(shù)，分別控制分類準(zhǔn)確率、特征冗余度、特征均衡性和跨層特征相關(guān)性的影響權(quán)重。

67、可選的，所述s4包括以下步驟：

68、s41.基于優(yōu)化后的5g網(wǎng)絡(luò)設(shè)備射頻模塊故障特征數(shù)據(jù)集對(duì)每個(gè)時(shí)間窗口內(nèi)的故障特征向量進(jìn)行核映射，利用高斯核函數(shù)初始化故障模式聚類中心集合；

69、s42.對(duì)每個(gè)故障特征向量，采用改進(jìn)核模糊隸屬度函數(shù)計(jì)算其對(duì)每個(gè)聚類中心的自適應(yīng)模糊隸屬度：

70、；

71、其中，表示故障特征向量對(duì)聚類中心的模糊隸屬度，用于衡量5g網(wǎng)絡(luò)設(shè)備射頻模塊在時(shí)間窗口的運(yùn)行狀態(tài)與故障模式的相似程度，為動(dòng)態(tài)模糊指數(shù)，j為故障模式類別總數(shù)，表示針對(duì)5g網(wǎng)絡(luò)設(shè)備射頻模塊故障特征數(shù)據(jù)集聚類分析得到的最終故障類別數(shù)量；

72、s43.根據(jù)改進(jìn)核模糊隸屬度函數(shù)計(jì)算結(jié)果定義故障特征向量在時(shí)間窗口內(nèi)的分類決策函數(shù)，分類決策函數(shù)的分類決策依賴于最大隸屬度值和模糊隸屬度分布的可靠性指數(shù)：

73、；

74、其中，表示在所有故障模式下的平均隸屬度，表示分類可靠性指數(shù)，分類可靠性指數(shù)值越大說明在聚類空間中的分布越集中于某一故障模式，為預(yù)設(shè)的隸屬度閾值，用于確保僅當(dāng)某聚類中心的隸屬度高于閾值時(shí)才進(jìn)行分類，為預(yù)設(shè)的可靠性閾值，用于過濾掉隸屬度分布不明顯的模糊樣本，表示時(shí)間窗口內(nèi)最終確定的故障模式類別，若不滿足閾值條件則返回空集表示分類不確定；

75、s44.重復(fù)步驟s42至s43，并定義基于核誘導(dǎo)距離和模糊熵的聚類中心收斂準(zhǔn)則，通過預(yù)設(shè)的收斂容忍閾值，滿足條件時(shí)認(rèn)為聚類中心已穩(wěn)定，聚類過程終止，最終生成適用于5g網(wǎng)絡(luò)設(shè)備射頻模塊故障診斷的故障模式分類結(jié)果：

76、；

77、其中，表示第代時(shí)第個(gè)故障模式的聚類中心，表示第+1代時(shí)第個(gè)故障模式的聚類中心，為核誘導(dǎo)范數(shù)，其基于高斯核函數(shù)定義，表示聚類中心在連續(xù)兩代間的核空間距離變化總和，用于衡量聚類中心位置的穩(wěn)定性，為模糊熵，反映當(dāng)前聚類隸屬度分布的不確定性，數(shù)值越小表明聚類結(jié)果越確定，為模糊熵在收斂準(zhǔn)則中的權(quán)重因子，用以調(diào)節(jié)模糊熵對(duì)整體收斂性的貢獻(xiàn)，為聚類中心變化與模糊不確定性加權(quán)求和后的總變化量，為預(yù)設(shè)的收斂容忍閾值。

78、一種智能5g網(wǎng)絡(luò)設(shè)備異常檢測(cè)系統(tǒng)，用于執(zhí)行一種智能5g網(wǎng)絡(luò)設(shè)備異常檢測(cè)方法，包括如下模塊：

79、數(shù)據(jù)采集與預(yù)處理模塊，用于實(shí)時(shí)采集5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集，包括功率放大器輸出信號(hào)、低噪聲放大器增益和發(fā)射功率，并對(duì)5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集進(jìn)行異常數(shù)據(jù)檢測(cè)、歸一化和時(shí)間窗口化處理，生成預(yù)處理后的5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集；

80、故障特征提取模塊，用于從預(yù)處理后的5g網(wǎng)絡(luò)設(shè)備射頻模塊運(yùn)行數(shù)據(jù)集中提取多維時(shí)序統(tǒng)計(jì)特征，并通過特征降維方法生成故障特征數(shù)據(jù)集，構(gòu)建故障特征向量空間；

81、離散鯨魚優(yōu)化模塊，用于構(gòu)建分層特征篩選的故障特征優(yōu)化搜索空間，將故障特征全集劃分為結(jié)構(gòu)特征子集、動(dòng)態(tài)特征子集和環(huán)境特征子集，并通過離散鯨魚優(yōu)化算法對(duì)各層特征子集進(jìn)行全局搜索和特征選擇優(yōu)化，選取具有代表性且區(qū)分度高于閾值的故障特征，形成優(yōu)化后的故障特征數(shù)據(jù)集；

82、模糊c均值聚類模塊，用于對(duì)優(yōu)化后的故障特征數(shù)據(jù)集進(jìn)行高斯核空間映射，構(gòu)建初始故障模式聚類中心集合，并基于改進(jìn)核模糊隸屬度函數(shù)計(jì)算每個(gè)故障特征向量對(duì)各聚類中心的自適應(yīng)模糊隸屬度，依據(jù)模糊隸屬度與可靠性指數(shù)確定每個(gè)故障特征向量所屬的故障模式類別，生成故障模式分類結(jié)果；

83、動(dòng)態(tài)更新與決策模塊，用于基于核誘導(dǎo)距離和模糊熵定義聚類中心的收斂準(zhǔn)則，通過動(dòng)態(tài)調(diào)整聚類中心與隸屬度閾值，實(shí)時(shí)更新故障模式分類結(jié)果，直至聚類結(jié)果滿足收斂條件，輸出最終的5g網(wǎng)絡(luò)設(shè)備射頻模塊故障診斷決策。

84、本發(fā)明的有益效果是：

85、1、本發(fā)明通過構(gòu)建基于分層特征篩選的故障特征優(yōu)化搜索空間，將原始故障特征集合劃分為結(jié)構(gòu)特征、動(dòng)態(tài)特征和環(huán)境特征子集，并采用改進(jìn)的離散鯨魚優(yōu)化算法進(jìn)行全局搜索和特征選擇，在算法中引入跨層特征調(diào)整機(jī)制以及動(dòng)態(tài)hamming距離和自適應(yīng)梯度修正策略能夠在不同特征層之間有效降低冗余信息并優(yōu)化特征組合，不僅提高了故障特征的代表性和區(qū)分度，同時(shí)也顯著提升了后續(xù)聚類處理的準(zhǔn)確性，確保在復(fù)雜網(wǎng)絡(luò)環(huán)境下對(duì)異常情況的檢測(cè)更為精確。

86、2、本發(fā)明采用了改進(jìn)的核模糊隸屬度函數(shù)并結(jié)合高斯核映射方法對(duì)數(shù)據(jù)進(jìn)行核空間轉(zhuǎn)換，有效緩解了高維數(shù)據(jù)中聚類難以收斂和分類結(jié)果不穩(wěn)定的問題，通過動(dòng)態(tài)調(diào)整模糊隸屬度和可靠性指數(shù)，使得在檢測(cè)5g網(wǎng)絡(luò)設(shè)備射頻模塊異常狀態(tài)時(shí)，能夠更準(zhǔn)確地捕捉故障模式，避免因數(shù)據(jù)噪聲或特征分布不均引起的誤判，顯著提升了故障分類的魯棒性。

87、3、本發(fā)明引入基于核誘導(dǎo)距離和模糊熵的聚類中心收斂準(zhǔn)則構(gòu)建了一個(gè)動(dòng)態(tài)更新與決策模塊，可以實(shí)時(shí)監(jiān)控聚類中心的位置變化及隸屬度分布的不確定性，通過預(yù)設(shè)的收斂容忍閾值實(shí)現(xiàn)故障模式數(shù)據(jù)庫的動(dòng)態(tài)更新，不僅確保了在長(zhǎng)時(shí)間運(yùn)行中能夠及時(shí)捕捉到設(shè)備運(yùn)行狀態(tài)的微小變化，同時(shí)也保證了故障診斷結(jié)果的穩(wěn)定性和可靠性，為運(yùn)營(yíng)商提供了更加實(shí)時(shí)、精準(zhǔn)的網(wǎng)絡(luò)異常檢測(cè)方案。