基于非线性状态估计的多媒体设备故障预警研究①

宋海明

(集美大学教务处多媒体中心，福建 厦门 361021)

0 引 言

互联网与计算机之间的发展相辅相成，信息技术在两者依托下，发展势头非常迅猛。其中，多媒体设备已成为人们日常工作、学习、休闲娱乐不可或缺的工具之一。随着教育信息化的不断深入，多媒体设备应用在教学过程中越来越普遍，其所扮演的角色也越来越重要。但上课过程中多媒体设备故障，直接影响教师授课水平。所以需要对多媒体设备进行故障预警，提前将故障消除，实现多媒体设备的主动性维护管理。故障预警主要包括两方面：故障诊断和状态监测[1]。从R.B Dhumale等人研究成果可以看出，使用人工神经网络实现多媒体设备的故障监测和预警，此预警方法中存在较多故障参数，对多媒体设备中非趋势的相似度短期偏离状态较为敏感，易出现虚警情况[2]。基于此，非线性状态估计能够通过快速构建多媒体设备运行状态模型，对比实际值与预测值的差别，从而分析多媒体设备故障信息。

文中提出基于非线性状态估计的多媒体设备故障预警方法。引入非线性状态估计，结合马氏距离与等距抽样，构建记忆矩阵等，完成多媒体设备故障预警方法研究。实验结果表明：所提方法可有效对多媒体设备进行故障预警，且预警的准确度较高。

1 基于非线性状态估计的多媒体设备故障预警研究

非线性状态估计是通过对非线性参数进行建模后进行估计的方法。该方法以实时数据为依托，根据已知多媒体设备输入状态、输出状态估计设备内部未知状态。由于多媒体设备应用在教学中，其分布较为广泛，多分布于多栋教学楼之间不同教室，构成多媒体网络，其环境复杂，无法获得有效故障数据。因此，需要对采集到的训练样本数据进行预处理，采用小波变换挑选监测参数并去除其中噪声，将马氏距离与等距抽样相结合，建立高精度的多媒体设备的正常运行状态模型监测故障，利用双滑动窗口统计相似度，与警报阈值进行比较，实现多媒体设备的故障预警。技术路线如图1所示：

图1 故障预警技术路线

本方法研究过程中，数据预处理后得到的样本训练数据集可用于训练改进非线性状态估计模型，也可用于确定故障预警的阈值；过程记忆矩阵可以准确、全面覆盖多媒体设备的正常运行，通过建立的模型对观测向量进行预测并计算滑动窗口的故障预警阈值。

1.1 非线性状态估计的设备状态模型

监测数据的获取主要依靠多媒体设备中的传感器，针对不同多媒体设备，要从全部的监测数据中筛选易于获取且与设备故障相关的变量作为非线性状态估计模型变量。在筛选过程中，使用主成分分析法(PCA)，根据特征值、贡献率等指标进行计算，最终选取累计贡献率最高的8个参数作为模型参数[3-4]。利用小波变换筛选原始观测数据，变换公式为：

(1)

式中，小波变换拥有两个变量，α尺度与τ平移量，t为时间。小波变换方法能够完成信号时频分析变换，在分析频率同时，还能够定位异常信号的时间，在不同分解层中区分信号噪声，完成数据的去噪[5-6]。小波去噪实际上是对原始信号不断分解重构的过程，分解树如图2所示：

图2 小波去噪分解树

图中，S代表原始信号，D代表高频信号，异常噪声均包含在高频信号中，A代表低频信号，在后续的分解中，只对低频信号进行分解。在此过程中，获取可能含有噪声的高频信号，将含有噪声的信号段剔除，获取正常状态下设备历史运行工况[7]。需要从设备健康运行的数据中选取一部分，被选取的数据中要包含所有设备状态特征。

结合马氏距离与等距抽样记忆矩阵，利用马氏距离剔除干扰数据，并计算观测向量与总体样本的相似度。设过程记忆矩阵中观测向量到历史样本数据集合的马氏距离最大为dmax，当历史数据中观测向量大于最大值时，将此向量从矩阵中删除。采用该方法建立记忆矩阵，避免数据冗余[8]。

1.2 相似度序列

在建立非线性状态模型后，可通过模型的观测向量与预测向量之间的相异程度作为故障判断指标，反映设备异常状况[9]。相异程度采用欧氏距离进行获取，当欧氏距离越大，则相似程度越低。相似度函数为：

(2)

式中，X代表观测向量，Y为估计向量，wi′为观测向量中第i个变量的权重系数，ε为向量相异程度的阈值。当ψ(x,y)的值为1时，X与Y完全相似。利用滑动窗口统计法能够捕捉相似度特性的连续变化，选择合理滑动窗口宽度，消除多媒体设备运行中不确定因素和随机干扰[10]，降低误报警的几率。基于非线性状态估计模型的相似度序列为：

ψ(Xobs,Xest)=[ψ1,ψ2,…,ψN,…]

(3)

在相似度序列中，选择一个宽度为N的滑动窗口，如图3所示：

图3 滑动窗口统计法

相似度窗口内连续N个相似度序列，其平均值为：

(4)

为了避免因局部孤立异常点导致虚警，本文采用两个宽度不同的双滑动窗口进行统计。在多媒体设备正常运行时，设非线性估计状态模型的平均相似度最小值为EN，则多媒体设备的故障预警的阈值则为：

EY=kEN

(5)

式中，k为报警阈值系数，其取值根据设备的不同和相关人员的经验确定。k值是平衡灵敏度与可靠性的重要参数，取值过小则不能充分提前发出预警，取值过大会造成误报警，影响可靠性。

2 实 验

为了证明本文提出的基于非线性状态估计的多媒体设备故障预警具有一定可行性和有效性，进行仿真实验分析。在正常状态数据基础上连续增加偏差模拟故障数据，人为模拟多媒体设备发生故障时噪声信号。

2.1 实验准备

在MATLAB平台上，采用Windows10操作系统，内存为8G，硬盘为512G，利用NS2搭建多媒体网络，进行多媒体设备故障预警诊断仿真。网络参数设置为：链路容量45M/s ,延时7 ms，各个缓存节点的大小为128 Packets，每个数据包的容量为25 btye，搜索频度的增加系数为2，最大和最小声波频度分别0.8和0.2，迭代次数w=300次。在NS2中构建的多媒体网络仿真如图4所示：

图4 仿真多媒体网络图

实验数据库采用SQLSever2010数据库，包含多媒体设备故障采集样本数据，多媒体网络节点故障日志包含多个节点故障数据资源，选择其中部分数据作为实验数据。分别使用传统方法和本文方法进行实验，对比不同状态下的相似度曲线。

2.2 实验结果分析

多媒体设备故障预警阈值由多媒体设备模型在正常状态下平均相似度序列决定，通过计算可知，建立的多媒体模型最小的平均相似度为0.8035。根据研究经验，设置警报阈值系数k设定为0.8，获取故障预警阈值为：

EY=kEN=0.8×0.8035

(6)

实验中，取故障发生前5000组运行数据作为输入的观测向量，设置传统方法的滑动窗口宽度为40，本方法的两个滑动窗口的宽度分别为40、100。通过两种方法计算，得到相应估计向量序列，计算滑动窗口的相似度。两种方法的预警效果如图5所示：

图5 实验结果对比图

分析图5(a)可知，传统方法虽然能够有效捕捉到相似度下滑的趋势进行提前预警，但其报警时间持续较短，为非趋势的短期偏离，并不被认定为故障状态，此次报警为虚警，真正报警时间为第3791到第3792采样点之间；图5(b)中，本文采用双滑动窗口相似度统计预警，其相似度未超过阈值，最终在第4123个采样点发出了警报，验证了本文方法的有效性。

为了进一步验证所提方法的科学有效性，实验通过改变滑动窗口宽度，对比两种方法的有效性。将滑动窗口的宽度设置为20、40、60、80、100，将虚警次数进行统计，实验结果如表1所示：

表1 虚警结果对比(次)

分析表1中数据可以看出，随着滑动窗口宽度的增加，两种方法的虚警次数随之发生改变。其中，当滑动窗口宽度为40 时，传统方法虚警次数为4次，所提方法为1次；当滑动窗口宽度为100 时，传统方法虚警次数为6次，所提方法为0次。通过数据对比可以看出所提方法可有效进行预警。

3 结 语

多媒体设备在教学领域中占据重要位置，设备健康、稳定的运行能够保证教师教学正常教学。针对目前研究的多媒体故障预警方法中存在的不足之处，本文提出基于非线性状态估计的多媒体设备故障预警。通过构建非线性状态估计模型，计算相似度序列，在保证预警灵敏度的同时，提升了预警的准确性。仿真实验结果表明，设计的预警方法能够有效预警，提高故障预警的准确性。