李召召，王立德，楊岳毅，申 萍

(北京交通大學 電氣工程學院，北京 100044)

列車通信網(wǎng)絡是列車的中樞神經(jīng)系統(tǒng)，列車所有的控制和監(jiān)測信息都要經(jīng)由列車通信網(wǎng)絡進行傳輸，因此其健康狀態(tài)關乎著列車的安全穩(wěn)定運行[1]。作為總線式網(wǎng)絡，多功能車輛總線(Multifunction Vehicle Bus，MVB)是列車網(wǎng)絡化控制系統(tǒng)的車輛級組成部分,其對實時性有嚴格的要求，任何網(wǎng)絡故障導致的丟包、時延都會對列車的安全穩(wěn)定運行造成不利影響[2]。MVB網(wǎng)絡故障涉及網(wǎng)絡設備、網(wǎng)絡線纜、連接器及周圍電磁環(huán)境在內的多種因素，往往難以排查和定位，其中間歇性連接故障尤為突出。間歇性連接(Intermittent Connection，IC)是指網(wǎng)絡設備與網(wǎng)絡線纜之間由于不可靠連接導致的暫態(tài)性斷路故障。在總線式的工業(yè)控制網(wǎng)絡中，IC故障頻繁發(fā)生。IC故障發(fā)生后將打斷傳輸經(jīng)過故障點的數(shù)據(jù)幀，進而導致該數(shù)據(jù)幀在解碼失敗后被丟棄，網(wǎng)絡丟包率、時延增加，嚴重時還將影響控制系統(tǒng)的正常運行。列車運行時的振動環(huán)境、不當?shù)木S護、松動退化的連接器插針等都可能導致IC故障的發(fā)生。當列車停止運行進行故障排查或日常維護時，由于失去了振動條件，網(wǎng)絡線纜和網(wǎng)絡設備恢復連接，IC故障往往不能復現(xiàn)。因此這種只有在列車運行時才會出現(xiàn)的偶發(fā)性，更增加了IC故障診斷和定位的難度。

傳統(tǒng)的網(wǎng)絡故障定位，通?；诰W(wǎng)絡管理協(xié)議監(jiān)視網(wǎng)絡故障狀態(tài)并建立故障事件，而后根據(jù)網(wǎng)絡拓撲或歷史數(shù)據(jù)建立依賴圖等網(wǎng)絡模型，對出現(xiàn)的故障事件進行推理定位[3]。文獻[4]根據(jù)網(wǎng)絡管理協(xié)議和網(wǎng)絡告警建立故障代碼簿，對數(shù)據(jù)通信網(wǎng)絡進行建模分析，實現(xiàn)了其網(wǎng)絡故障定位。但總線式的MVB網(wǎng)絡不同于以太網(wǎng)，其并不具備網(wǎng)絡管理協(xié)議，難以建立故障事件。文獻[5]通過MKLSVM方法實現(xiàn)了MVB端接故障的診斷，然而其特征量是基于完整的數(shù)據(jù)幀提取而來，該特征提取方法在被破壞的IC幀上不易實現(xiàn)。文獻[6-8]研究了同為總線式網(wǎng)絡的控制器局域網(wǎng)(Controller Area Network，CAN)的IC故障定位方法，其主要原理為：當IC故障發(fā)生后，IC幀被破壞從而使CAN節(jié)點解碼失?。蛔钕葯z測到IC幀的CAN節(jié)點將主動發(fā)送由6個顯性位組成的錯誤幀來告知其他網(wǎng)絡節(jié)點，CAN網(wǎng)絡兩端的兩個監(jiān)測裝置檢測到該錯誤幀后將其記錄為一次IC故障事件；最后通過上下文無關法等網(wǎng)絡建模方法推導出IC故障的位置。但在MVB中，網(wǎng)絡設備僅會將解碼失敗的數(shù)據(jù)幀丟棄，并無類似的錯誤幀機制來對其他網(wǎng)絡設備進行告警。因此，識別IC幀的來源設備成為MVB網(wǎng)絡IC故障定位的關鍵。

針對IC幀難以解碼、不易識別的問題，本文引入設備指紋的概念來區(qū)分不同網(wǎng)絡設備的IC幀。由于網(wǎng)絡設備及其電路元件的制造過程不可能完全一致，因此每個節(jié)點發(fā)出的數(shù)據(jù)幀波形均帶有像人的指紋一樣的獨有特征[9-11]。自編碼器通過神經(jīng)網(wǎng)絡重建輸入，并基于某些約束最小化重建損失，在網(wǎng)絡訓練過程中自動學習原始數(shù)據(jù)的特征表達[12-14]，可以起到特征提取的作用。盡管在發(fā)現(xiàn)IC幀波形后，再進一步解析鏈路層數(shù)據(jù)，借助網(wǎng)絡專家經(jīng)驗和端口配置情況也可推導出IC故障節(jié)點，但該方法舍棄了已有的IC幀波形，需要額外的鏈路數(shù)據(jù)、較高的網(wǎng)絡專業(yè)知識和網(wǎng)絡訪問權限，因此其應用受到更多的限制。本文首先基于MVB網(wǎng)絡物理波形數(shù)據(jù)，利用稀疏自編碼器提取網(wǎng)絡設備指紋特征，并在第二個隱藏層之后級聯(lián)人工神經(jīng)網(wǎng)絡，形成深度神經(jīng)網(wǎng)絡分類器以識別不同設備的IC幀；然后在確定IC故障中采集到的所有IC幀來源后，建立IC故障代碼；最后根據(jù)MVB網(wǎng)絡拓撲建立故障推理決策樹，進而確定IC故障點的位置。在實驗室環(huán)境下搭建了平臺，實驗結果表明，本文提出的方法能夠準確識別IC幀的源節(jié)點，定位IC故障。

1 IC故障定位原理

MVB網(wǎng)絡IC故障定位原理見圖1。在正常工況下，將具有高速A/D采樣功能的MVB數(shù)據(jù)采集分析裝置部署于網(wǎng)絡一端，采集網(wǎng)絡數(shù)據(jù)幀波形并提取網(wǎng)絡特征，形成訓練樣本，訓練分類器以識別不同網(wǎng)絡設備的數(shù)據(jù)幀波形。當IC故障發(fā)生后，通過該裝置對總線電平進行連續(xù)時間采樣，并按照一定規(guī)則提取其中的IC幀波形數(shù)據(jù)，再利用前述訓練得到的分類器識別這些IC幀的來源設備，并建立故障事件，從而推導故障位置。

圖1 MVB網(wǎng)絡IC故障定位原理

MVB編碼方式為非歸零的曼徹斯特編碼，下降沿為邏輯“1”，上升沿為邏輯“0”。MVB網(wǎng)絡編碼形式見圖2。

圖2 MVB網(wǎng)絡編碼形式

若故障點位于圖1中“×”的位置，IC故障發(fā)生時節(jié)點4和節(jié)點5之間將出現(xiàn)暫態(tài)性斷路，數(shù)據(jù)幀由節(jié)點4向右側的傳輸過程被打斷，總線電平信號恢復歸零狀態(tài)；而后網(wǎng)絡恢復連接，總線電平信號恢復。MVB網(wǎng)絡IC故障幀見圖3。該數(shù)據(jù)幀由于不能被節(jié)點5和節(jié)點6正確解碼而被丟棄，導致網(wǎng)絡丟包率和通信時延增加。

圖3 MVB網(wǎng)絡IC故障幀

2 IC幀識別

MVB網(wǎng)絡IC故障定位的首要任務是IC幀的識別。在MVB網(wǎng)絡中，即使相同廠家相同批次的網(wǎng)絡設備，也會由于制造工藝等限制，在發(fā)出的物理波形上有所區(qū)別。通過物理層波形的細微特征，可以對IC幀進行識別，確定哪一個設備發(fā)出的數(shù)據(jù)幀被IC故障打斷，從而將IC幀的識別轉換成一個模式識別問題。這種蘊藏在波形信號中的細微特征即為設備指紋(Device Fingerprint)[10]。通過稀疏自編碼器網(wǎng)絡的特征學習，從正常數(shù)據(jù)幀中提取每個設備的設備指紋信息，并訓練基于人工神經(jīng)網(wǎng)絡的設備指紋識別模型。在IC幀識別過程中，雖然IC幀遭受到破壞難以解碼，但通過稀疏自編碼器仍能夠提取其中攜帶的隱含特征信息，進而基于設備指紋識別模型對各IC幀的來源設備進行分類識別，建立IC故障代碼，定位IC故障。IC故障幀識別過程見圖4。

圖4 IC故障幀識別過程

2.1 波形數(shù)據(jù)采集和分割

MVB數(shù)據(jù)采集分析裝置的采樣數(shù)據(jù)為連續(xù)的總線電平信號，需要對其進行分割、標記，得到每個設備的單一幀波形，形成原始數(shù)據(jù)集。MVB數(shù)據(jù)幀分為正常幀和IC幀。正常幀數(shù)據(jù)用于訓練和測試設備指紋識別模型，故障定位中，基于該模型識別IC幀來源，建立IC故障代碼。

數(shù)據(jù)幀的分割模型見圖5。波形數(shù)據(jù)的分割規(guī)則為：從檢測到MVB數(shù)據(jù)幀的起始位開始，到連續(xù)20個歸零電平結束(考慮到電磁干擾、線路反射等因素，文中將該電平值放寬為0.3 V)，標記為一幀數(shù)據(jù)；對單一幀波形數(shù)據(jù)進行解碼，解碼正確則視為正常幀(見圖6(a))，解碼錯誤則視為IC幀(見圖6(b))。

圖5 數(shù)據(jù)幀分割模型

圖6 正常幀與IC幀的分割

MVB網(wǎng)絡波特率為1.5 Mbit/s，正常幀最短長度在34～38 bit之間，在MVB數(shù)據(jù)采集分析裝置100 Msa/s的采樣速率下，其波形數(shù)據(jù)長度約為2 500個采樣點。為了保持所有波形數(shù)據(jù)的維度一致，以便進行特征提取和模型訓練，對所有正常幀波形數(shù)據(jù)只取其前2 500個采樣點。分割得到的單一幀長度小于2 500個采樣點則用0補齊至2 500維。由此得到MVB網(wǎng)絡的正常幀數(shù)據(jù)集為D={(x1,y1),(x2,y2),…,(xm,ym)}，x∈R2 500。

2.2 特征學習和模型訓練

為提取MVB網(wǎng)絡物理波形中的設備指紋信息，以各設備的正常波形數(shù)據(jù)為訓練集，訓練堆棧式稀疏自編碼器網(wǎng)絡，并以其中隱藏層神經(jīng)元輸出作為提取的特征數(shù)據(jù)，級聯(lián)人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)分類器實現(xiàn)IC數(shù)據(jù)幀的識別。

稀疏自編碼器是一種利用全連接前饋神經(jīng)網(wǎng)絡進行表征學習的無監(jiān)督學習技術，其網(wǎng)絡分為編碼器和解碼器兩部分。編碼器將輸入在隱藏層進行稀疏映射，而解碼器則利用該隱藏層的輸出再還原出原始輸入。通過對中間隱藏層施加稀疏化約束條件，自編碼器的中間隱藏層往往能自動學習出輸入數(shù)據(jù)的內在特征，起到特征學習的作用。與其他神經(jīng)網(wǎng)絡級聯(lián)成深度神經(jīng)網(wǎng)絡后，可以同時實現(xiàn)特征學習和分類的功能。當稀疏自編碼器神經(jīng)元輸出接近1時激活該神經(jīng)元，接近0時則不激活。稀疏自編碼器見圖7，其中，深色為激活態(tài)神經(jīng)元，淺色為非激活態(tài)神經(jīng)元。在稀疏約束條件下，隱藏層神經(jīng)元在大部分時間內保持不激活狀態(tài)。

圖7 稀疏自編碼器

假設原始輸入為x=[x1,x2, …,xn]T∈Rn，n為輸入維度，編碼器通過映射函數(shù)f將x從輸入層投影到隱藏層，a=[a1,a2, …,ai]T=f(x)，i為隱藏層維度，則f(x)的函數(shù)可表示為

a=f(x)=u(Wex+be)

(1)

解碼器通過映射函數(shù)h將a從隱藏層投影到輸出層，h(a)的函數(shù)可表示為

(2)

式中：u為神經(jīng)元激活函數(shù)；We為編碼器內部各層間的權重矩陣；be為偏置向量；Wd為解碼器內部各層間的權重矩陣；bd為偏置向量。

自編碼器在網(wǎng)絡訓練過程中通過最小化重構誤差J，盡量輸出接近于輸入的近似值。

(3)

式中：hw,b(x)為稀疏自編碼器輸入層到輸出層之間的映射函數(shù)。

因此，對于數(shù)據(jù)集D={(x1,y1),(x2,y2),…,(xm,ym)}，整個自編碼器網(wǎng)絡的重構損失為

(4)

考慮到權重的正則化項，則整個網(wǎng)絡的損失函數(shù)為

(5)

式中：nl為自編碼器神經(jīng)網(wǎng)絡層數(shù)；sl為第l層激活的神經(jīng)元個數(shù)。

設定接近于0的稀疏參數(shù)ρ，對隱藏層神經(jīng)元進行稀疏性約束為

(6)

以KL散度表示ρjav和ρ的相對偏差，則該隱藏層稀疏化懲罰項為

(7)

結合式(5)可得稀疏自編碼器的目標函數(shù)為

(8)

式中：W、b為神經(jīng)元之間的連接權重、偏置；m為樣本數(shù)量；λ為正則化項系數(shù)；aj為某隱藏層第j個神經(jīng)元的輸出；ρjav為該隱藏層神經(jīng)元在整個數(shù)據(jù)集上的平均激勵輸出；s為隱藏層神經(jīng)元個數(shù)；β為稀疏懲罰項的權重參數(shù)。

訓練得到多層稀疏自編碼器網(wǎng)絡模型后，將其隱藏層對訓練數(shù)據(jù)的稀疏表示作為人工神經(jīng)網(wǎng)絡分類器的輸入，形成深度神經(jīng)網(wǎng)絡分類器模型(Sparse Autoencoder+ANN，SAEANN)。分類器采用全連接的三層人工神經(jīng)網(wǎng)絡，神經(jīng)元激活函數(shù)為sigmoid函數(shù)。

(9)

其損失函數(shù)定義為

(10)

式中：s1，s2，s3分別為ANN輸入層、中間隱藏層、輸出層神經(jīng)元個數(shù)；yki為第k個輸出神經(jīng)元在第i個樣本上的輸出值；θj,k(1)為ANN第一層第k個神經(jīng)元到隱藏層第j個神經(jīng)元之間的權重值；θj,k(2)為ANN隱藏層第k個神經(jīng)元到輸出層第j個神經(jīng)元之間的權重值；λ為ANN的權重懲罰系數(shù)。

多層稀疏自編碼器網(wǎng)絡和人工神經(jīng)網(wǎng)絡級聯(lián)構成深度神經(jīng)網(wǎng)絡，深度神經(jīng)網(wǎng)絡訓練過程見圖8。

圖8 深度神經(jīng)網(wǎng)絡訓練過程

Step1設定自編碼器網(wǎng)絡層數(shù)為5層，初始化輸入層神經(jīng)元個數(shù)為2 500，隱藏層1神經(jīng)元個數(shù)為200，隱藏層2神經(jīng)元個數(shù)為100，隱藏層3神經(jīng)元個數(shù)為200，輸出層神經(jīng)元個數(shù)為2 500；設定級聯(lián)人工神經(jīng)網(wǎng)絡層數(shù)為3層，ANN的輸入層即為自編碼器的隱藏層2；初始化中間隱藏層神經(jīng)元個數(shù)為10，輸出層神經(jīng)元個數(shù)為網(wǎng)絡節(jié)點數(shù)量；初始化各權值矩陣和各隱藏層偏置。

Step2定義所有神經(jīng)元激勵函數(shù)為sigmoid函數(shù)，并定義自編碼器網(wǎng)絡代價函數(shù)。

Step3輸入MVB網(wǎng)絡正常波形數(shù)據(jù)集，逐層訓練自編碼器網(wǎng)絡參數(shù)，以期在輸出層盡可能還原樣本。從編碼器輸入層到隱藏層1再到隱藏層2為樣本稀疏化表示和特征學習過程，從隱藏層2到隱藏層3再到輸出層為樣本還原過程。只有中間隱藏層學習到了最具有代表性的樣本特征后，輸出層才能盡可能近似的還原輸入樣本。

Step4利用自編碼器隱藏層2的神經(jīng)元輸出作為特征數(shù)據(jù)，訓練3層人工神經(jīng)網(wǎng)絡。

Step5網(wǎng)絡訓練完成后得到如圖9所示的深度神經(jīng)網(wǎng)絡，其中：第一層xi為輸入層神經(jīng)元，每個神經(jīng)元對應波形樣本中的一個采樣點；第二層神經(jīng)元hi1、第三層神經(jīng)元hj2為自編碼器網(wǎng)絡的編碼器部分；第四層神經(jīng)元hk3、第五層神經(jīng)元y為級聯(lián)的神經(jīng)網(wǎng)絡分類器部分；輸出y為對應的數(shù)據(jù)幀類別標記。最后輸入IC故障幀波形數(shù)據(jù)到深度網(wǎng)絡模型，識別其來源設備。

圖9 深度神經(jīng)網(wǎng)絡

3 故障事件和故障推理

不考慮端接，對于有N個節(jié)點的MVB網(wǎng)絡，加上數(shù)據(jù)采集裝置共N+1個節(jié)點，N條支路。定義檢測到第i個節(jié)點的IC幀大于規(guī)定閾值數(shù)量為故障事件Ei。根據(jù)車輛主機廠專家經(jīng)驗，MVB網(wǎng)絡的丟包率大于3%則認為網(wǎng)絡發(fā)生嚴重故障，據(jù)此定義故障事件為

(11)

式中：Tmacro為MVB設備周期輪詢表設定的宏周期；ni為單位宏周期內節(jié)點i發(fā)出的過程數(shù)據(jù)幀數(shù)量；Fi為判定閾值；Ci為單位時間(1 s)內檢測到的第i個節(jié)點的IC幀數(shù)量。IC故障告警被編碼為{E1,E2,…,En}。當單個設備單位時間內IC幀占比大于等于3%時，認為故障事件Ei發(fā)生并取值為1，否則為0。此閾值判定只考慮了占網(wǎng)絡通信絕大多數(shù)的過程數(shù)據(jù)。當IC幀數(shù)量達到過程數(shù)據(jù)丟包率3%時，實際整個網(wǎng)絡丟包率尚未超過3%，因此可以在IC故障對網(wǎng)絡性能產(chǎn)生明顯影響之前做出響應。

故障示例見圖10，其中E2～E6代表前述定義的IC故障事件，L1～L6代表包括MVB數(shù)據(jù)采集分析裝置在內的所有網(wǎng)絡支路。IC故障發(fā)生時，故障現(xiàn)象為：位于IC故障點左側的節(jié)點數(shù)據(jù)幀在短時間內被打斷，形成IC幀。按照其網(wǎng)絡拓撲建立IC故障推理決策樹。當MVB數(shù)據(jù)采集分析裝置采集到IC幀波形后，通過設備指紋識別模型識別這些IC幀來源，進而建立故障事件，并按照故障事件和推理決策樹定位故障支路，將IC故障范圍縮小至該支路兩端的連接器部分。

圖10 故障示例

4 實驗驗證

在實驗室環(huán)境下搭建了實驗平臺，共包括6個MVB設備(1主5從)和1個具備高速AD采樣的MVB數(shù)據(jù)采集分析裝置(最右側節(jié)點及其上位機)，以及一個故障注入裝置。故障注入板卡采用導通電阻極低的高速模擬開關串接進入MVB總線，可以實現(xiàn)μs級的隨機間歇性通斷。實驗中設定每次IC故障持續(xù)μs級的隨機時間長度，通過故障注入板上FPGA中的隨機數(shù)生成器控制IC故障的隨機發(fā)生。

MVB網(wǎng)絡的宏周期時間Tmacro配置為10 ms，每個宏周期各節(jié)點的端口配置情況和發(fā)出的數(shù)據(jù)幀數(shù)量見表1。其中節(jié)點4為主設備，其單位宏周期內幀數(shù)包括對所有端口的輪詢主幀和自身從幀，即n4=(7+8+9+4+8+7)+4=47。

表1 單位宏周期源端口配置和各設備數(shù)據(jù)幀數(shù)量

分別在正常工況和IC故障下，通過MVB數(shù)據(jù)采集分析裝置采集各設備數(shù)據(jù)幀波形，持續(xù)時間為1 s。故障注入板部署于L4支路，正常幀數(shù)據(jù)集見表2。隨機抽取正常幀的80%作為訓練集訓練深度神經(jīng)網(wǎng)絡，并利用剩余20%正常幀和全部IC幀測試分類精度，重復操作10次。單次識別精度和平均精度見圖11。自編碼器輸入層包含2 500個神經(jīng)元，隱藏層1包含200個神經(jīng)元，隱藏層2包含100個神經(jīng)元，隱藏層3、4與隱藏層1、2對稱，輸出層也為2 500個神經(jīng)元。自編碼器網(wǎng)絡稀疏參數(shù)ρ取值0.1，β取值為3，自編碼器正則化系數(shù)λ取值為0.01。ANN以自編碼器隱藏層2的輸出作為其輸入，中間隱藏層包含10個神經(jīng)元，輸出層包含6個神經(jīng)元(對應6個節(jié)點)，正則化系數(shù)取值均為λ=0.1。每次實驗中分別訓練了ANN和SVM模型與SAEANN進行對比。其中ANN輸入層包含2 500個神經(jīng)元，隱藏層包含10個神經(jīng)元，輸出層包含6個神經(jīng)元，正則化系數(shù)取值0.1。SVM則采用高斯核函數(shù)和網(wǎng)格參數(shù)尋優(yōu)方法。

表2 正常幀數(shù)據(jù)集

圖11 單幀識別精度和平均精度

由圖11可見：3種分類器均能精確識別正常幀，其中SAEANN和SVM識別精度均在99%以上；IC幀遭到破壞，包含的有效特征信息較正常幀減少，3種分類器識別精度均有所下降，但采用設備指紋的方法仍能夠識別大多數(shù)IC幀的來源設備；與ANN和SVM相比，采用稀疏自編碼器的深度神經(jīng)網(wǎng)絡學習到了MVB波形數(shù)據(jù)的隱含特征，對IC幀的識別精度為96.068 6%，明顯優(yōu)于SVM的92.559 4%和ANN的89.973 6%。因此SAEANN可以作為MVB網(wǎng)絡的設備指紋識別分類器，識別IC幀的來源設備，為進一步建立IC故障事件奠定基礎。

以10次實驗中的第1次為例，SAEANN對各設備IC幀的識別情況見表3。由表3可得IC故障事件告警代碼為{111100}，從推理決策樹可定位故障位置為L4支路，與實驗設定相符。

表3 單次實驗中IC幀統(tǒng)計及故障編碼

更換故障注入位置于L2支路后，SAEANN對IC幀的識別數(shù)量和IC故障事件見表4。由表4可得IC故障事件告警代碼為{110000}，從推理決策樹可定位故障位置為L2支路，與實驗設定相符，驗證了該方法的有效性。

表4 更換故障位置后IC幀統(tǒng)計及故障編碼

5 結論

(1)本文提出了一種基于設備指紋的MVB網(wǎng)絡IC故障識別和定位方法。采集網(wǎng)絡物理波形訓練了設備指紋識別分類器，以確定遭到破壞、不能解碼的IC幀來源設備。在IC故障發(fā)生后，通過本文模式識別的方法直接識別IC幀波形，在不需要鏈路數(shù)據(jù)、端口配置和MVB網(wǎng)絡專業(yè)知識的情況下即可實現(xiàn)故障定位。根據(jù)IC幀來源建立故障事件，并基于網(wǎng)絡拓撲建立故障推理決策樹，對IC故障進行定位。

(2)采用多層稀疏自編碼器，在其隱藏層的稀疏約束下自動進行了特征學習，提取出了各個MVB設備物理波形中的獨有隱含特征。

(3)通過自編碼器級聯(lián)ANN形成的深度神經(jīng)網(wǎng)絡，與傳統(tǒng)神經(jīng)網(wǎng)絡和支持向量機分類器相比，其對殘缺的IC幀識別精度更高，為進一步IC故障定位打下基礎。

(4)本文方法在其他總線式網(wǎng)絡的IC故障定位中也可適用。未來將重點探討本文方法對于短時電磁干擾等其他因素引起的間歇性網(wǎng)絡通信故障的適用性。