夏日，白雪

（安徽財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院，安徽 蚌埠233000）

Clementine作為一個(gè)數(shù)據(jù)挖掘軟件，給運(yùn)營(yíng)商創(chuàng)造了很好的數(shù)據(jù)處理應(yīng)用平臺(tái)，在此平臺(tái)下，運(yùn)營(yíng)商可以有效使用一些商業(yè)技術(shù)準(zhǔn)確、快捷地建立預(yù)測(cè)模型，并將此預(yù)測(cè)模型應(yīng)用于商業(yè)領(lǐng)域。現(xiàn)代化工業(yè)系統(tǒng)結(jié)構(gòu)復(fù)雜、集成度高，對(duì)設(shè)備的安全性、可靠性提出了更高要求。隨著計(jì)算機(jī)的迅猛發(fā)展和信息化的深入，計(jì)算機(jī)在運(yùn)行過程中將產(chǎn)生大量數(shù)據(jù)，而這些數(shù)據(jù)為基于數(shù)據(jù)的狀態(tài)監(jiān)測(cè)提供了良好平臺(tái)。計(jì)算機(jī)已經(jīng)成為人們交際、辦公和學(xué)習(xí)不可缺少的日用工具，因而計(jì)算機(jī)的狀態(tài)監(jiān)測(cè)和故障預(yù)測(cè)變得越來越重要，可提高企業(yè)的工作效率和經(jīng)濟(jì)效益，也可以減少網(wǎng)絡(luò)因故障而造成的經(jīng)濟(jì)損失。

近年來，一些學(xué)者對(duì)計(jì)算機(jī)狀態(tài)監(jiān)測(cè)作了相關(guān)研究。張國(guó)斌等［1］介紹了一個(gè)計(jì)算機(jī)狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)的組成及其功能。該數(shù)據(jù)由機(jī)組數(shù)據(jù)采集器、數(shù)據(jù)分析處理工作站、通信網(wǎng)絡(luò)及故障診斷中心等4大部分組成。曹源［2］基于隱馬爾科夫模型（Hidden Markov Model，HMM）提出了狀態(tài)監(jiān)測(cè)和故障診斷的原理與基本流程。通過觀測(cè)數(shù)據(jù)的提取與降維、正常態(tài)模型訓(xùn)練與改進(jìn)、故障態(tài)模型訓(xùn)練等一系列措施，實(shí)現(xiàn)了兩模冗余安全計(jì)算機(jī)的狀態(tài)監(jiān)測(cè)，對(duì)正常態(tài)與時(shí)鐘偏離1%～10%等7種不同條件進(jìn)行監(jiān)測(cè)，認(rèn)為監(jiān)測(cè)方法能夠有效實(shí)現(xiàn)安全計(jì)算機(jī)健康狀態(tài)的檢測(cè)，為鐵道信號(hào)安全計(jì)算機(jī)監(jiān)測(cè)技術(shù)提供理論支撐。孫海善等［3］用Delphi語(yǔ)言訪問電腦主板的LPC（Low Pin Count）超級(jí)IO接口，獲取基于W83627主板計(jì)算機(jī)的環(huán)境參數(shù)，通過計(jì)算顯示計(jì)算機(jī)各路工作電壓、CPU溫度和風(fēng)扇轉(zhuǎn)速、主板溫度，以及系統(tǒng)風(fēng)扇轉(zhuǎn)速等數(shù)據(jù)，實(shí)現(xiàn)計(jì)算機(jī)狀態(tài)的監(jiān)測(cè)。但目前還缺乏神經(jīng)網(wǎng)絡(luò)模型與C5.0模型的性能對(duì)比研究。為此，筆者基于Clementine軟件和計(jì)算機(jī)運(yùn)行數(shù)據(jù)對(duì)比了神經(jīng)網(wǎng)絡(luò)模型與C5.0模型的性能。這些數(shù)據(jù)包括正常狀態(tài)對(duì)應(yīng)的數(shù)據(jù)和故障狀態(tài)對(duì)應(yīng)的數(shù)據(jù)，將這些數(shù)據(jù)分為2組，一組數(shù)據(jù)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)和規(guī)則集，另一組數(shù)據(jù)用于測(cè)試經(jīng)過訓(xùn)練的模型，由此檢測(cè)模型的可行性。

1 神經(jīng)網(wǎng)絡(luò)

1.1 神經(jīng)網(wǎng)絡(luò)的概念

神經(jīng)網(wǎng)絡(luò)（Neural Networks）起源于人們對(duì)生物神經(jīng)元的研究，可以分為生物神經(jīng)網(wǎng)絡(luò)（Biological Neural Networks）和人工神經(jīng)網(wǎng)絡(luò)（Artificial NeuralNetworks，簡(jiǎn)寫為ANNs）［4］。神經(jīng)網(wǎng)絡(luò)是模擬人類實(shí)際的神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)在系統(tǒng)識(shí)別、模式識(shí)別和智能控制等領(lǐng)域有著廣泛的應(yīng)用前景，特別在智能控制中，隨著智慧城市滲透到人們生活的各個(gè)方面，因而智能控制的應(yīng)用特別廣泛。

1.2 神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)

神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡(jiǎn)單，便于計(jì)算機(jī)實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)以分布式表示信息，任何規(guī)則都可以變換成數(shù)的形式，從而便于知識(shí)的組織與管理，具有很強(qiáng)的魯棒性、記憶能力、非線性映射能力以及強(qiáng)大的自學(xué)習(xí)能力，在一定程度上模擬專家憑直覺解決不確定性問題的過程，如模糊因果關(guān)系等，因此有很大的應(yīng)用市場(chǎng)。

1.3 神經(jīng)網(wǎng)絡(luò)應(yīng)用于計(jì)算機(jī)狀態(tài)監(jiān)測(cè)的可行性

近年來神經(jīng)網(wǎng)絡(luò)的研究發(fā)展迅速，人工神經(jīng)網(wǎng)絡(luò)以其諸多的優(yōu)點(diǎn)越來越多地運(yùn)用于設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷中?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷問題可以看成模式識(shí)別，通過對(duì)一系列的數(shù)據(jù)進(jìn)行測(cè)量來完成。

人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于設(shè)備的狀態(tài)監(jiān)測(cè)和故障診斷有3個(gè)理由［5］：訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能夠存儲(chǔ)有關(guān)過程的知識(shí)，能直接從定量、歷史的故障信息中學(xué)習(xí)；人工神經(jīng)網(wǎng)絡(luò)具有濾除噪音及在有噪聲情況下得出正確結(jié)論的能力，可以訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)來識(shí)別故障信息，使其能在噪聲環(huán)境中進(jìn)行有效工作；人工神經(jīng)網(wǎng)絡(luò)具有分辨故障原因及故障類型的能力。

2 建立模型

應(yīng)用SPSS公司的商業(yè)智能分析軟件Clementine來分別構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和C5.0決策樹模型。

2.1 商業(yè)理解

現(xiàn)代化的工業(yè)結(jié)構(gòu)復(fù)雜、集成度高，因而對(duì)設(shè)備的安全性和可靠性也提出了更高要求，隨著計(jì)算機(jī)檢測(cè)技術(shù)的進(jìn)步，計(jì)算機(jī)在運(yùn)行過程將產(chǎn)生大量數(shù)據(jù)，通過這些數(shù)據(jù)來建立模型，為基于數(shù)據(jù)的計(jì)算機(jī)狀態(tài)監(jiān)測(cè)提供良好的平臺(tái)，由此監(jiān)測(cè)計(jì)算機(jī)的狀態(tài)，從而減少因計(jì)算機(jī)運(yùn)行狀況不良所導(dǎo)致的損失。因此對(duì)計(jì)算機(jī)的狀態(tài)信息進(jìn)行檢測(cè)以及識(shí)別和預(yù)測(cè)故障顯得越來越重要。計(jì)算機(jī)正常運(yùn)行狀態(tài)會(huì)產(chǎn)生大量信息數(shù)據(jù)，可以運(yùn)用SPSS公司的商業(yè)智能軟件Clementine對(duì)數(shù)據(jù)進(jìn)行選擇、清理和重構(gòu)，對(duì)計(jì)算機(jī)所產(chǎn)生的時(shí)間序列數(shù)據(jù)進(jìn)行訓(xùn)練，生成相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型節(jié)點(diǎn)和C5.0規(guī)則集模型節(jié)點(diǎn)。再利用數(shù)據(jù)來檢測(cè)這個(gè)模型，若是模型檢測(cè)成功，則可以運(yùn)用該模型監(jiān)測(cè)未來的計(jì)算機(jī)的狀態(tài)，從而避免或減少計(jì)算機(jī)所產(chǎn)生的故障。

2.2 檢查數(shù)據(jù)

檢查數(shù)據(jù)用于確定哪些屬性可能與相關(guān)狀態(tài)的預(yù)測(cè)或識(shí)別有關(guān)。筆者采集了2組數(shù)據(jù)，這些數(shù)據(jù)是在計(jì)算機(jī)運(yùn)行過程中所產(chǎn)生的正常記錄數(shù)據(jù)和故障記錄數(shù)據(jù)，一組數(shù)據(jù)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)和規(guī)則集，一組數(shù)據(jù)用于測(cè)試經(jīng)過訓(xùn)練的模型，由此檢測(cè)模型的可行性。這些記錄包括時(shí)間、功率、溫度、壓力、正常工作時(shí)間、狀態(tài)、結(jié)果（數(shù)據(jù)結(jié)果為0時(shí)是計(jì)算機(jī)正常的運(yùn)行記錄，數(shù)據(jù)結(jié)果為101 202 303時(shí)為非正常的運(yùn)行記錄）。第一部分就是在Clementine軟件中從Var.File節(jié)點(diǎn)讀取數(shù)據(jù)文件，并運(yùn)用Selete節(jié)點(diǎn)將輸出的結(jié)果設(shè)為101 202 303，并在每一種錯(cuò)誤結(jié)果下應(yīng)用Plot節(jié)點(diǎn)表示出時(shí)間與功率、時(shí)間與溫度的二維關(guān)系。通過對(duì)數(shù)據(jù)的分析可知，溫度和功率是影響結(jié)果的主要因素，利用溫度和功率下面的流可繪制與單獨(dú)圖形中的3個(gè)不同錯(cuò)誤代碼相關(guān)聯(lián)的時(shí)間序列，下面是不同錯(cuò)誤代碼的溫度和功率的曲線圖，如圖1所示。

圖1清楚地顯示202錯(cuò)誤與101錯(cuò)誤和303錯(cuò)誤區(qū)分開來的特性曲線。202錯(cuò)誤顯示了隨著時(shí)間的推移溫度不斷上升且功率發(fā)生波動(dòng)。而其他2個(gè)錯(cuò)誤則未顯示，但是用于區(qū)分101和303錯(cuò)誤的特性曲線卻不是很清晰，這2個(gè)錯(cuò)誤都顯示了平滑的溫度曲線和功率的下降，但303錯(cuò)誤的功率下降顯得更加急劇一些。從而可以得出溫度和功率的變化和變化率以及波動(dòng)存在和波動(dòng)程度，都與預(yù)測(cè)和區(qū)別故障有關(guān)。因此應(yīng)將這些屬性添加到數(shù)據(jù)，然后再應(yīng)用于學(xué)習(xí)系統(tǒng)。

2.3 數(shù)據(jù)準(zhǔn)備

1）選擇數(shù)據(jù)。數(shù)據(jù)是通過虛擬構(gòu)建的時(shí)間序列數(shù)據(jù)，影響計(jì)算機(jī)狀態(tài)監(jiān)測(cè)的變量有時(shí)間、功率、溫度、壓力（0表示正常，1表示瞬時(shí)壓力報(bào)警）、正常工作時(shí)間（上次運(yùn)行時(shí)間）、狀態(tài)（其中0表示正常情況，發(fā)生錯(cuò)誤時(shí)代碼為101、202和303）、結(jié)果。然后將這些數(shù)據(jù)導(dǎo)入到具有強(qiáng)大數(shù)據(jù)統(tǒng)計(jì)分析的SPSS數(shù)據(jù)文件1中，作為數(shù)據(jù)挖掘的數(shù)據(jù)源。

圖1 Clementine不同錯(cuò)誤代碼的溫度和功率的曲線圖

2）數(shù)據(jù)重構(gòu)。在流中使用大量的導(dǎo)出節(jié)點(diǎn)，生成新的變量溫度瞬時(shí)變化率、功率瞬時(shí)變化率、功率變化情況的標(biāo)志（如果上一個(gè)記錄和本記錄中功率按相反的方向變化即功率的峰值或波谷值，則此值為真）、功率的狀態(tài)（起始為穩(wěn)定，當(dāng)檢測(cè)到2個(gè)連續(xù)的功率波動(dòng)時(shí)，切換為波動(dòng)狀態(tài)。僅當(dāng)5個(gè)時(shí)間區(qū)間內(nèi)沒有出現(xiàn)功率波動(dòng)或重置時(shí)間時(shí)，切換為穩(wěn)定狀態(tài)。）、最近5個(gè)時(shí)間區(qū)的溫度瞬時(shí)變化率的平均值、最近5個(gè)時(shí)間區(qū)的功率瞬時(shí)變化率的平均值等。并丟棄每個(gè)時(shí)間序列的第一個(gè)記錄，以避免在功率和溫度的邊界處出現(xiàn)大的或者不正確的跳躍。且過濾掉字段，只保留正常工作時(shí)間、狀態(tài)、結(jié)果、壓力報(bào)警、功率的狀態(tài)、最近5個(gè)時(shí)間區(qū)的溫度瞬時(shí)變化率的平均值、最近5個(gè)時(shí)間區(qū)的功率瞬時(shí)變化率的平均值等字段。

3）格式化數(shù)據(jù)。數(shù)據(jù)轉(zhuǎn)換是應(yīng)用簡(jiǎn)單的數(shù)學(xué)公式或?qū)W習(xí)曲線變換度量方法，將數(shù)據(jù)轉(zhuǎn)換到統(tǒng)一的度量范圍內(nèi)，達(dá)到數(shù)據(jù)分析的目的。筆者運(yùn)用神經(jīng)網(wǎng)絡(luò)和C5.0算法來構(gòu)建模型，因此數(shù)據(jù)處理應(yīng)該適應(yīng)這2種算法的數(shù)據(jù)類型。數(shù)據(jù)準(zhǔn)備的過程如圖2所示。

2.4 學(xué)習(xí)

對(duì)數(shù)據(jù)文件1中的數(shù)據(jù)進(jìn)行C5.0規(guī)則和神經(jīng)網(wǎng)絡(luò)訓(xùn)練。所謂神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是指通過一定的算法調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)（主要是調(diào)節(jié)權(quán)值），使網(wǎng)絡(luò)的輸出與預(yù)期值相符，這樣的過程就是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。訓(xùn)練網(wǎng)絡(luò)需要一段時(shí)間，但可以早些中斷訓(xùn)練以保存生產(chǎn)合理結(jié)果的網(wǎng)絡(luò)，學(xué)習(xí)完成后則生成2個(gè)節(jié)點(diǎn)，一個(gè)節(jié)點(diǎn)表示神經(jīng)網(wǎng)絡(luò)，另一個(gè)節(jié)點(diǎn)表示規(guī)則，如圖3所示。

圖2 數(shù)據(jù)準(zhǔn)備

圖3 模型

2.5 測(cè)試

使用獨(dú)立測(cè)試數(shù)據(jù)測(cè)試經(jīng)過訓(xùn)練的系統(tǒng)。將數(shù)據(jù)文件1生成的模型節(jié)點(diǎn)添加到現(xiàn)有的流后，插入類型節(jié)點(diǎn)并將其連接到生成的神經(jīng)網(wǎng)絡(luò)，再將網(wǎng)絡(luò)連接到生成的規(guī)則，然后將規(guī)則連接到一個(gè)新的分析節(jié)點(diǎn)，最后編輯原始源節(jié)點(diǎn)讀取數(shù)據(jù)文件2文件，如圖4所示。

執(zhí)行上面的分析節(jié)點(diǎn)將生成可反映經(jīng)過訓(xùn)練的網(wǎng)絡(luò)和規(guī)則的準(zhǔn)確性的圖標(biāo)，如圖5所示。神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與實(shí)際的結(jié)果相比較正確率是99.64%，而C5.0算法的預(yù)測(cè)結(jié)果與實(shí)際的結(jié)果相比較正確率為99.68%，因而神經(jīng)網(wǎng)絡(luò)算法和C5.0算法的預(yù)測(cè)結(jié)果的準(zhǔn)確度都比較高。神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與C5.0決策樹的預(yù)測(cè)結(jié)果相比較，兩者一致性為99.81%，總體與實(shí)際結(jié)果的一致性為99.78%，所以C5.0算法預(yù)測(cè)結(jié)果的準(zhǔn)確性要比神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的準(zhǔn)確性高。

3 狀態(tài)監(jiān)測(cè)的結(jié)果分析

從C5.0規(guī)則集模型中可知，主要影響計(jì)算機(jī)狀態(tài)監(jiān)測(cè)的變量有溫度變化率平均值、功率變化率平均值、功率變化狀態(tài)3個(gè)變量：當(dāng)功率瞬時(shí)變化率的平均值大于－0.2，功率的波動(dòng)狀態(tài)為穩(wěn)定狀態(tài)且溫度瞬時(shí)變化率的平均值不大于0時(shí)，計(jì)算機(jī)的狀態(tài)為正常情況；當(dāng)功率瞬時(shí)變化率的平均值不大于－0.2，功率的波動(dòng)狀態(tài)為穩(wěn)定狀態(tài)且溫度瞬時(shí)變化率的平均值不大于0時(shí)，計(jì)算機(jī)的狀態(tài)為101錯(cuò)誤；當(dāng)功率的波動(dòng)狀態(tài)為不穩(wěn)定狀態(tài)時(shí)，計(jì)算機(jī)的狀態(tài)為202錯(cuò)誤；當(dāng)功率瞬時(shí)變化率的平均值不大于－0.2且正常工作時(shí)間大于284時(shí)，計(jì)算機(jī)的狀態(tài)為303錯(cuò)誤。

圖4 測(cè)試

圖5 測(cè)試結(jié)果

4 結(jié)語(yǔ)

采用神經(jīng)網(wǎng)絡(luò)算法和C5.O算法分別建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)模型和C5.0規(guī)則集節(jié)點(diǎn)模型來檢測(cè)計(jì)算機(jī)狀態(tài)及識(shí)別和預(yù)測(cè)計(jì)算機(jī)的故障，具體而言是識(shí)別和預(yù)測(cè)哪些變量的變化能夠引起計(jì)算機(jī)的哪些錯(cuò)誤狀態(tài)。測(cè)試結(jié)果表明了神經(jīng)網(wǎng)絡(luò)算法和C5.0算法預(yù)測(cè)結(jié)果的準(zhǔn)確性、易用性和優(yōu)越性。C5.0算法與神經(jīng)網(wǎng)絡(luò)算法相比，其結(jié)果更容易解釋，且可以自動(dòng)刪除無(wú)意義的輸入字段，其主要是根據(jù)結(jié)構(gòu)變量值對(duì)數(shù)據(jù)按輸入進(jìn)行細(xì)分，具有決策樹和規(guī)則集2種結(jié)果形式。通過以上模型的建立，得到了一個(gè)效率較高的識(shí)別和預(yù)測(cè)故障的規(guī)則，可以幫助計(jì)算機(jī)的使用者提高使用效率，避免因故障而造成的精神和經(jīng)濟(jì)等方面的損失。

［1］張國(guó)斌，王平.計(jì)算機(jī)狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng) ［J］.機(jī)械與電子，1996（5）：6～8.

［2］曹源，馬連川，李旺.鐵道信號(hào)系統(tǒng)安全計(jì)算機(jī)狀態(tài)監(jiān)測(cè)方法 ［J］.交通運(yùn)輸工程學(xué)報(bào)，2013，13（3）：13～19.

［3］孫海善，黃曉燕.Delphi實(shí)現(xiàn)基于W83627的計(jì)算機(jī)狀態(tài)監(jiān)測(cè) ［J］.電腦編程技巧與維護(hù)，2014（13）：89～92.

［4］Jiawei Han，Kamber M.數(shù)據(jù)挖掘概念與技術(shù) ［M］.范明，孟曉峰，譯.北京：機(jī)械工業(yè)出版社，2008：189～195.

［5］霍志紅，張志學(xué)，郭江，等.基于神經(jīng)網(wǎng)絡(luò)的故障診斷研究 ［J］.工業(yè)控制計(jì)算機(jī)，2001，14（10）：19～21.