基于半监督聚类的通信缺陷研判知识库构建及迭代技术

计算机与现代化 ›› 2023, Vol. 0 ›› Issue (02): 28-33.

基于半监督聚类的通信缺陷研判知识库构建及迭代技术

（1. 国网江苏省电力有限公司信息通信分公司，江苏南京 210024； 2. 南京南瑞信息通信科技有限公司，江苏南京 210012； 3. 北京邮电大学网络与交换国家重点实验室，北京100876）

出版日期:2023-04-10 发布日期:2023-04-10
作者简介:洪涛（1994—），男，安徽南陵人，工程师，硕士，研究方向：电力通信，人工智能，E-mail: 1101650439@qq.com；通信作者：朱鹏宇（1993—），男，江苏盐城人，工程师，硕士，研究方向：电力通信，人工智能，E-mail: pyzhu2016@163.com；郭波（1977—），男，江苏南京人，高级工程师，硕士，研究方向：电力通信，自动化，人工智能，E-mail: 13951983232@163.com；王敬宇（1978—），男，北京人，教授，博士，研究方向：通信网络，人工智能，E-mail: wangjingyu@ebupt.com。
基金资助:
国家重点研发计划专项资助（2020YFB1807801）；国家自然科学基金资助项目（62071067， 62001054）；国家电网公司科技项目（5700-202040367A-0-0-00）

Communication Fault Diagnosis Knowledge Base Construction and Iteration Based on Semi-supervised Clustering

（1. Information and Communication Branch of State Grid Jiangsu Electric Power Co.， Ltd.， Nanjing 210024， China；
2. Nanjing NARI Information and Communication Technology Co.， Ltd.， Nanjing 210012， China； 3. State Key Laboratory of Networking and Switching Technology， Beijing University of Posts and Telecommunications， Beijing 100876， China1）

Online:2023-04-10 Published:2023-04-10

摘要/Abstract

摘要： 电力通信网是电力系统不可缺少的重要组成部分，是电网调度自动化和生产管理现代化的基础，是确保电网安全、经济、稳定运行的重要技术手段。传统的通信缺陷研判工作依赖人工经验，难以满足日益庞大、复杂的通信网络安全生产需求。而基于规则引擎或神经网络等方法在生产环境应用中逐渐遇到瓶颈，样本较少难以训练，且作为黑盒较难在生产环境中独立使用。针对上述问题，本文提出基于改进马尔科夫聚类的告警聚类算法和基于序列相似性计算与OPTICS聚类的缺陷研判算法，以适应当前缺陷数据小样本场景，在上述算法结果基础上，利用少量的缺陷单标签构建缺陷研判知识库及其迭代学习机制，通过实际生产积累的数据进行验证，结果表明相关算法及其知识库在应对实际生产问题时效果良好。

关键词: 电力通信, 缺陷研判, 知识库, 半监督聚类

Abstract: Power communication network is an indispensable and important part of power system， it’s the basis of power grid dispatching automation and production management modernization， and an important technical means to ensure the safe， economic and stable operation of power grid. The diagnosis of communication faults still depends on manual experience， which is difficult to meet the safety production needs of increasingly large and complex communication network. Methods based on rule engine or neural network gradually encounter bottlenecks in the application of production environment. It is difficult to train due to less samples， or work independently in production environment as a black box. To solve the above problems， this paper proposes an alarm clustering algorithm based on improved Markov-clustering and a fault diagnosis algorithm based on sequence similarity and OPTICS clustering， adapt to the current small sample scenario of fault data. On the basis of the above algorithm results， the fault diagnosis knowledge base and its iterative learning mechanism are constructed by using a small number of labels. It is verified by the data accumulated in actual production. The results show that the relevant algorithms and knowledge base have a good effect in dealing with actual production problems.

Key words: power communication, fault diagnosis, knowledge base, semi-supervised clustering

洪涛, 朱鹏宇, 郭波, 王敬宇. 基于半监督聚类的通信缺陷研判知识库构建及迭代技术[J]. 计算机与现代化, 2023, 0(02): 28-33.

HONG Tao, ZHU Peng-yu, GUO Bo, WANG Jing-Yu. Communication Fault Diagnosis Knowledge Base Construction and Iteration Based on Semi-supervised Clustering[J]. Computer and Modernization, 2023, 0(02): 28-33.

参考文献［27］

［1］	GARDNER R D, HARLE D A. Methods and systems for alarm correlation［C］// Proceedings of GLOBECOM’96. 1996:136-140.
［2］	张学红，闫五四，李永春，等. 基于序列模式挖掘的网管告警系统［J］. 电信科学， 2006，22(11):29-32.
［3］	李妍妍. 基于序列模式挖掘的网络告警关联［D］. 北京:北京邮电大学， 2008.
［4］	HOU S Z， ZHANG X F. Alarms association rules based on sequential pattern mining algorithm［C］// 2008 5 th International Conference on Fuzzy Systems and Knowledge Discovery. 2008:556-560.
［5］	欧阳亚萌. 面向业务的移动通信网络告警数据关联分析［D］. 北京:北京邮电大学， 2015.
［6］	许劭庆，马彪，安海英. 基于数据挖掘的网管告警处理方法研究［J］. 软件工程， 2016，19(12):17-19.
［7］	吴小雄. 基于动态规划的序列情节告警挖掘［J］. 计算机与数字工程， 2018，46(1):127-128.
［8］	FRANK P M. Fault diagnosis in dynamic systems using analytical and knowledge-based redundancy：A survey and some new results［J］. Automatica (Journal of IFAC)， 1990，26(3):459-474.
［9］	CHIANG L H， RUSSELL E L， BRAATZ R D. Fault diagnosis in chemical processes using fisher discriminant analysis， discriminant partial least squares， and principal component analysis［J］. Chemometrics and Intelligent Laboratory Systems， 2000，50(2):243-252.
［10］	YIN S， STEVEN X D， NAIK A， et al. On PCA-based fault diagnosis techniques［C］// 2010 Conference on Control and Fault-Tolerant Systems (SysTol). 2010:179-184.
［11］	PATTIPATI K R， ALEXANDRIDIS M G. Application of heuristic search and information theory to sequential fault diagnosis［J］. IEEE Transactions on Systems， Man， and Cybernetics， 1990，20(4):872-887.
［12］	ZHANG Y， DING X， LIU Y， et al. An artificial neural network approach to transformer fault diagnosis［J］. IEEE Transactions on Power Delivery， 1996，11(4):1836-1841.
［13］	SORSA T， KOIVO H N， KOIVISTO H. Neural networks in process fault diagnosis［J］. IEEE Transactions on Systems， Man， and Cybernetics， 1991，21(4):815-825.
［14］	LI B， CHOW M Y， TIPSUWAN Y， et al. Neural-network-based motor rolling bearing fault diagnosis［J］. IEEE Transactions on Industrial Electronics， 2000，47(5):1060-1069.
［15］	VENKATASUBRAMANIAN V， CHAN K. A Neural network methodology for process fault detection［J］. AIChE Journal， 1989，35(12):1993-2002
［16］	XIAO F， ZHAO Y， WEN J， et al. Bayesian network based FDD strategy for variable air volume terminals［J］. Automation in Construction， 2014，41:106-118.
［17］	WEN L， LI X Y， GAO L， et al. A new convolutional neural network-based data-driven fault diagnosis method［J］. IEEE Transactions on Industrial Electronics， 2018，65(7):5990-5998.
［18］	MAZDZIARZ A. Alarm correlation in mobile telecommunications networks based on k-means cluster analysis method［J］. Journal of Telecommunications and Information Technology， 2018，2(2):95-102.
［19］	CHEN Z H， CEN J， XIONG J B. Rolling bearing fault diagnosis using time-frequency analysis and deep transfer convolutional neural network［J］. IEEE Access， 2020，8:150248-150261.
［20］	BIE F F， DU T F， LYU F X， et al. An integrated approach Based on Improved CEEMDAN and LSTM Deep Learning neural network for fault diagnosis of reciprocating pump［J］. IEEE Access， 2021，9:23301-23310.
［21］	DUAN N Q， WANG J T， ZHAO T S， et al. A novel adaptive fault diagnosis method for wind power gearbox［J］. IEEE Access， 2021，9:11226-11240.
［22］	TANG Z， BO L， LIU X F， et al. A semi-supervised transferable LSTM with feature evaluation for fault diagnosis of rotating machinery［J］. Applied Intelligence， 2022，52(2):1703-1717.
［23］	YAO Y T， WANG J Y， XIE M. Adaptive residual CNN-based fault detection and diagnosis system of small modular reactors［J］. Applied Soft Computing， 2022，114(C). DOI:10.1016/j.asoc.2021.108064.
［24］	SHANMUGASUNDARAM V， RAMAKRISHNAN B S. Significance of hierarchical and markov clustering in grouping aware data placement for data intensive applications having interest locality［J］. Scalable Computing， 2018，19(3):245-258.
［25］	吴季桦，朱鹏宇，吴子辰，等. 基于无监督聚类和频繁子图挖掘的电力通信网缺陷诊断与自动派单［J］. 电信科学， 2021，37(11):51-63.
［26］	ESTER M， KRIEGEL H， SANDER J， et al. A density-based algorithm for discovering clusters in large spatial databases with noise［C］// KDD'96: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. 1996:226-231.
［27］	ANKERST M， BREUNIG M M， KRIEGEL H， et al. OPTICS: Ordering points to identify the clustering structure［C］// SIGMOD '99: Proceedings of the 1999 ACM SIGMOD international conference on Management of data. 1999:49-60.

[1]	李诗月, 孟佳娜, 于玉海, 李雪莹, 许英傲. 基于知识增强的方面级情感分析方法[J]. 计算机与现代化, 2023, 0(10): 1-8.
[2]	王灿灿1，赵逢禹1，王勇2. 插件式智能麻醉系统[J]. 计算机与现代化, 2014, 0(7): 94-97+103.
[3]	刘兴林. 词汇知识获取及语义计算平台的构建[J]. 计算机与现代化, 2013, 1(3): 85-88.
[4]	王家宁;陆静;姚智勇;王炅. 微机电惯性开关智能设计系统[J]. 计算机与现代化, 2013, 1(11): 158-162.
[5]	韩光辉;曾诚. 基于LOM的知识模型与个性化学习控制[J]. 计算机与现代化, 2012, 1(201): 149-151,.
[6]	朱世顺;金倩倩;刘行;董珏. 基于知识库的Unix主机配置安全审计软件的设计与实现[J]. 计算机与现代化, 2011, 193(9): 137-139.
[7]	蔡晓云. 基于知识的在线考试系统题库设计[J]. 计算机与现代化, 2011, 1(8): 193-197.
[8]	郑雷雷;宋丽华;郭锐;任强;谭文婧;. 第三方IT服务知识库系统研究与实现[J]. 计算机与现代化, 2011, 1(6): 181-4.
[9]	汤林;陈建明;尚笑梅. 基于机器学习的服装款式知识库设计[J]. 计算机与现代化, 2011, 1(3): 9-11,1.
[10]	赵鹏;蔡开裕;朱培栋. 基于知识库的域间路由监测系统 [J]. 计算机与现代化, 2010, 1(12): 122-126.
[11]	刘兴林;陈建超;马千里. 基于互联网的词汇语义知识库构建框架研究[J]. 计算机与现代化, 2010, 1(10): 8-11.
[12]	汪振兴;刘臣宇李丽杨乃宗张素琴. 基于改进BP神经网络的某型装备故障诊断专家系统 264007[J]. 计算机与现代化, 2010, 1(02): 200-203.
[13]	杨玲贤. 基于Ontology的教学资源知识库构建[J]. 计算机与现代化, 2009, 1(11): 124-126.