一种基于状态信息的通信设备维修决策数据的获取方法

1.本发明涉及通信技术领域，更具体地，涉及一种基于状态信息的通信设备维修决策数据的获取方法。


背景技术：

2.目前，国内外移动互联网技术的发展势头依然迅猛，近十年来，移动网络已经从3g发展到4g，再到如今的5g移动网络。移动网络的发展主要体现在传输速率、延迟以及稳定性三个方面，这三个方面的提升都离不开通信设备使用更高功率和更高频率来产生信道的技术。
3.但是，高频信道会带来通信设备广播范围的下降，5g移动网络也因此需要更多的通信设备进行网络覆盖来达到原有的4g移动网络的覆盖范围。通信设备数量的激增意味着通信设备产生故障的几率也随之增加，而在故障发生后再去响应的传统维修方式可能会造成直接经济损失的增加。


技术实现要素：

4.针对以上提到的现有技术中面临的技术问题，本发明提出了一种基于状态信息的通信设备维修决策数据的获取方法，用以防止或者尽可能地减少因通信设备故障才进行响应式维修而导致的直接经济损失。
5.为实现上述目的，本发明提供了一种基于状态信息的通信设备维修决策数据的获取方法，包括步骤：
6.获取通信设备的状态信息数据并对其依次进行维修决策数据标定操作、清洗操作和归一化操作，将经过归一化操作后的数据按照预设比例划分为训练数据集和测试数据集；
7.基于输入的所述训练数据集完成预设次数的迭代训练以获取维修决策数据深度神经网络模型；
8.基于输入的所述测试数据集对所述维修决策数据深度神经网络模型进行泛化性能测试以获取经过验证的维修决策数据深度神经网络模型；
9.利用所述经过验证的维修决策数据深度神经网络模型获取所述通信设备维修决策数据，并基于所述通信设备维修决策数据对所述通信设备实施维修动作。
10.进一步地，所述获取通信设备的状态信息数据并对其依次进行维修决策数据标定操作、清洗操作和归一化操作，将经过归一化操作后的数据按照预设比例划分为训练数据集和测试数据集具体包括：
11.根据通信设备的型号，获取通信设备在运行的内部状态、运行的外部状态和运行的往期状态三个方面的状态信息数据；
12.根据维修决策经验数据或者维修记录数据对获取的每条状态信息数据进行维修决策数据的标定；
13.对标定后的数据进行去除错误数据和填补空缺数据的清洗操作，之后再进行归一化操作；
14.将经过归一化操作后的数据按照预设比例划分为训练数据集和测试数据集。
15.进一步地，所述基于输入的所述训练数据集完成预设次数的迭代训练以获取维修决策数据深度神经网络模型具体包括：
16.确定深度神经网络模型的层数，设定每层神经元的数量和激活函数；
17.设定包括学习率、优化器和损失函数的深度神经网络模型参数，再对深度神经网络模型进行编译；
18.设定深度神经网络模型学习的迭代次数，将所述训练数据集输入深度神经网络模型进行训练，完成预设次数的迭代，获取维修决策数据深度神经网络模型。
19.进一步地，所述运行的内部状态包括主控板的负载率、基带板的带宽、基带板的信噪比、基带板的误码率、电源模块的功率和风扇的转速中的一种或多种；
20.所述运行的外部状态包括运行环境的湿度、运行环境的温度、运行环境的浮沉率、运行环境的通信设备密度中的一种或多种；
21.所述运行的往期状态包括通信设备的设计年限、故障率、运行年限、维护次数、维修次数和故障次数中的一种或多种。
22.进一步地，所述根据维修决策经验数据或者维修记录数据对获取的每条状态信息数据进行维修决策数据的标定具体包括：
23.依次收集预设时间间隔内的三个方面的状态信息数据的各方面数据项的平均值，确保收集的运行的内部状态和运行的外部状态的信息数据在时刻上能够匹配，最后将三个方面的状态信息数据进行组合，形成待标定状态信息数据集；
24.根据已有的维修决策经验数据或者已有的维修记录数据对待标定状态信息数据集中的每条数据进行维修决策数据的标定。
25.进一步地，所述对标定后的数据进行去除错误数据和填补空缺数据的清洗操作具体包括：
26.根据经验去除超出正常范围的数据，然后使用平均法，将实践中具有关联的前后多条数据取均值进行填补。
27.进一步地，所述归一化操作具体包括：
28.将已经是百分比的数据项直接转换成0到1之间；已经是百分比的数据项包括主控板的负载率、基带板的误码率、运行环境的湿度、运行环境的浮沉率和故障率中的一种或多种；
29.将有额定范围的数据项使用下列公式进行归一化：
[0030][0031]
其中，value
current
是数据项当前值，value
额max
是额定范围的最大值，value
额min
是额定范围的最小值，result是归一化后的结果；有额定范围的数据项包括电源模块的功率和风扇的转速中的一种或多种。
[0032]
进一步地，所述归一化操作具体还包括：
[0033]
将没有额定范围的数据项使用下列公式进行归一化：
[0034][0035]
其中，value
min
是没有额定范围的数据项中所有数据中的最小值，value
correction_min
是该数据项最小值的修正值，value
max
是该数据项所有数据中的最大值，value
correction_max
是该数据项最大值的修正值；
[0036]
没有额定范围的数据项包括基带板的带宽、基带板的信噪比、运行环境的温度、运行环境的通信设备密度、维护次数、维修次数和故障次数中的一种或多种。
[0037]
进一步地，所述归一化操作具体还包括：
[0038]
将运行年限除以设计年限做合并的归一化处理以获取当前通信设备的寿命率。
[0039]
进一步地，所述基于输入的所述测试数据集对所述维修决策数据深度神经网络模型进行泛化性能测试以获取经过验证的维修决策数据深度神经网络模型具体包括：
[0040]
利用tensorflow框架的keras高级api函数中的evaluate函数，输入所述测试数据集，获取维修决策数据深度神经网络模型在测试数据集下的损失值和准确率的性能评估参数，以此来获取模型的泛化性能，判断模型是否符合需求的性能指标，经此测试过程来获取经过验证的维修决策数据深度神经网络模型。
[0041]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0042]
本方法基于通信设备的状态信息数据进行训练和测试以获取经过验证的维修决策数据深度神经网络模型，基于该模型可获取通信设备维修决策数据，基于该通信设备维修决策数据可快速、准确和稳定地进行通信设备的维修决策，并可提前对通信设备实施维修动作，从而能够防止或者尽可能地减少因通信设备故障才进行响应式维修而导致的直接经济损失。
附图说明
[0043]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1为本发明实施例提供的一种基于状态信息的通信设备维修决策数据的获取方法的流程示意图；
[0045]
图2为本发明实施例提供的经过验证的深度神经网络模型的结构示意图；
[0046]
图2中的英文释义：input(输入层)、dense(全连接层)、kernel(内核)、bias(偏差)、activation(激活)、bias-constraint(偏差约束)、kernel-constraint(内核约束)和units(隐藏神经元的个数)。
具体实施方式
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要
彼此之间未构成冲突就可以相互组合。
[0048]
本技术的说明书、权利要求书或附图中的术语“包括”或“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备并没有限定于已列出的步骤或单元，而是可选地还可以包括没有列出的步骤或单元，或可选地还可以包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
[0049]
本发明通过设定通信设备维修决策相关的状态信息维度，收集大量数据，并标定维修决策结果数据，再进行数据清洗和归一化等操作，使用深度神经网络框架构建模型，送入相关数据集进行训练和测试，获取经过验证的深度神经网络模型并基于该模型获取通信设备维修决策数据，基于通信设备维修决策数据对通信设备实施维修动作，从而能够更快速、准确和稳定地获取和实施维修决策。
[0050]
对于通信设备维修决策数据的获取流程参见图1，以下通过型号为华为bbu5900的5g基站通信设备获取通信设备维修决策数据为实施例，对本发明的流程进行一个具体地阐述。一种基于状态信息的通信设备维修决策数据的获取方法，主要包括s1-s4的步骤：
[0051]
s1、获取通信设备的状态信息数据并对其依次进行维修决策数据标定操作、清洗操作和归一化操作，将经过归一化操作后的数据按照预设比例划分为训练数据集和测试数据集。更具体地，包括s11-s14的步骤。
[0052]
s11、根据通信设备的具体型号，获取通信设备在运行的内部状态、运行的外部状态和运行的往期状态三个方面的状态信息数据。
[0053]
实施例具体的实施过程说明如下：
[0054]
华为bbu5900由主控板、基带板、电源模块和风扇四个部分构成。
[0055]
运行的内部状态包括但不限于主控板的负载率、基带板的带宽、基带板的信噪比、基带板的误码率、电源模块的功率和风扇的转速。
[0056]
运行的外部状态包括但不限于运行环境的湿度、运行环境的温度、运行环境的浮沉率和运行环境的通信设备密度。
[0057]
运行的往期状态包括但不限于当前通信设备(华为bbu5900型号的5g基站通信设备)的设计年限、故障率、运行年限、维护次数、维修次数和故障次数。
[0058]
s12、对获取的每条数据，根据之前的维修决策经验或者已有的维修记录，进行维修决策数据的标定。
[0059]
实施例具体的实施过程说明如下：
[0060]
上述状态信息数据所确定的维度包含三个方面，其中运行的往期状态变化间隔时间很长，而运行的外部状态和运行的内部状态都是变化间隔时间很短，可以指定12个小时为间隔，收集该间隔内的各数据项的平均值，且需要保证运行的内部状态和外部状态收集的信息在时刻上能够匹配，最后将三个方面的状态信息进行组合，形成数据集。
[0061]
针对数据集内的每条数据，需要进行维修决策数据的标定，该标定可以是人为根据经验进行标定，也可以使用过去的维修决策数据进行标定。
[0062]
s13、对数据进行去除错误数据和填补空缺数据等清洗操作，之后再进行归一化操作，将所有项数据变为0到1之间。
[0063]
实施例具体的实施过程说明如下：
[0064]
去除数据集中的错误数据，需要根据经验判断数据集中的每项数据是否处于正常
范围，如果出现超出正常范围的数据，那么选择将该条数据去除。填补空缺数据则使用平均法，将实践上具有关联的前后多条数据对应项取均值进行填补。
[0065]
清洗后进行归一化操作，对于已经是百分比的数据项，可以直接转换成0到1之间，数据项中的主控板的负载率、基带板的误码率、运行环境的湿度、运行环境的浮沉率和华为bbu5900型号设备的故障率等可以使用此方法进行归一化。
[0066]
对于有额定范围的数据项，数据项中的电源模块的功率和风扇的转速等，可以使用下列公式进行归一化：
[0067][0068]
其中，value
current
是数据项当前值，value
额max
是额定范围的最大值，value
额min
是额定范围的最小值，result是归一化后的结果。
[0069]
对于没有额定范围的数据项，数据项的基带板的带宽、基带板的信噪比、运行环境的温度、运行环境的通信设备密度、当前设备的维护次数、当前设备维修次数和当前设备故障次数。首先需要从该数据项的所有数据中找出其中的最大值和最小值，还需要根据经验判断最大值和最小值是否合理，是需要进行修正再进行归一化，整个公式如下：
[0070][0071]
其中，value
min
是没有额定范围的数据项中所有数据中的最小值，value
correction_min
是该数据项最小值的修正值，value
max
是该数据项所有数据中的最大值，value
correction_max
是该数据项最大值的修正值，其余符号与前一个公示中对应符号的含义相同。
[0072]
对于运行年限和设计年限两个数据项，使用运行年限除以设计年限合并成一个归一化后的数据项——当前设备的寿命率。
[0073]
对于维修决策结果数据项，需要将所有可能的结果变成单独的正整数，形成一个多分类分体。
[0074]
s14、将数据按照一定比例划分为训练数据集和测试数据集。
[0075]
实施例具体的实施过程说明如下：
[0076]
经过上述操作后获取的数据集还需要再进行划分，用于提升深度神经网络模型训练的可靠性，本实施例优选的划分参数为0.8，即数据集中的80％的数据集作为训练集，20％的数据集作为测试集。
[0077]
s2、基于输入的所述训练数据集完成预设次数的迭代训练以获取维修决策数据深度神经网络模型。更具体地，包括s21-s23的步骤。
[0078]
本实施例通过tensorflow框架的keras高级api对深度神经网络模型进行构建并使用上述训练数据集进行训练。
[0079]
s21、确定深度神经网络模型的层数，设定每层神经元的数量和激活函数。
[0080]
实施例具体的实施过程说明如下：
[0081]
上述收集获取的数据集有记录时间、主控板的负载率、基带板的带宽、基带板的信噪比、基带板的误码率、电源模块的功率、风扇的转速、运行环境的湿度、运行环境的温度、运行环境的浮沉率、运行环境的通信设备密度、华为bbu5900型号通信设备的故障率、寿命
率、维护次数、维修次数和故障次数共16项数据。每条数据会形成16维的特征向量，作为深度神经网络模型的输入，因此深度神经网络模型的输入层需要16个神经元来处理各维度数据的输入，每个维度信息的数据都会经过如下等式的变化。
[0082]
y＝w*x+b
[0083]
其中，y是输出的数据，x是该维度信息的数据，w是系数，b是偏移量。在经过输入层变化后，数据会进入隐藏层，需要保证输入层的输出数据维度与隐藏层的输入数据维度匹配上，这部分操作keras的输入层函数input都已经在底层完成了，唯一需要操作的就是确定每层的具体操作类型、神经元数量和激活函数。
[0084]
在经过了输入层之后，数据会进入隐藏层，隐藏层中可能不止一层，本实施例的隐藏层包含三层全连接操作层(dense层)操作，即keras的api函数中的dense函数。每一个全连接层从前至后分别由512、128、32个神经元组成，之所以由前至后神经元个数依次减少，是因为隐藏层首先需要将输入层输入的特征进行扩展，之后逐步降维，综合特征，以增强深度神经网络模型的学习能力。
[0085]
确定神经元个数后，需要决定激活函数，激活函数的选择会极大影响深度神经网络模型训练过程中的梯度下降结果，进而影响深度神经网络模型的整体效果。目前keras的激活函数包括softmax、sigmoid和tanh等，考虑到最后的输出结果实际上是一种多分类问题——维修或者不维修，且所有输入数据都已经经过了归一化处理，因此这里选择多分类问题常用的激活函数softmax。
[0086]
s22、设定学习率、优化器和损失函数等深度神经网络模型参数，再对模型进行编译。
[0087]
实施例具体的实施过程说明如下：
[0088]
整个深度神经网络模型实际上是一个多分类问题，使用softmax作为激活函数，对于该激活函数，一般会选择分类交叉熵作为其损失函数(categorical_crossentropy)。优化器使用自适应优化器adam，学习率使用优化器默认的学习率，训练过程中adam优化器会根据当前的学习情况，自动调整学习率，更快地进行梯度下降以找到最优解。
[0089]
最后使用keras的api函数中的compile函数，将深度神经网络模型编译，编译后得到的深度神经网络模型参见图2。
[0090]
s23、设定深度神经网络模型学习的迭代次数，将训练数据集送入深度神经网络模型进行训练，完成迭代次数。
[0091]
实施例具体的实施过程说明如下：
[0092]
利用keras的api函数中的fit函数，确定训练深度神经网络模型的迭代次数，将训练集送入模型中进行训练，在完成指定迭代次数后，就能够获取用于维修决策的深度神经网络模型。该模型以通信设备的状态信息数据作为输入，维修决策结果数据作为输出。
[0093]
s3、基于输入的所述测试数据集对所述维修决策数据深度神经网络模型进行泛化性能测试以获取经过验证的维修决策数据深度神经网络模型。更具体地，利用keras的api函数中的evaluate函数，将数据集中的测试集输入，可以获取模型在测试集下的损失值和准确率等性能评估参数，以此来获取模型的泛化性能，判断模型是否符合需求的性能指标，至此，深度神经网络模型的构建就完成了。
[0094]
s4、利用经过验证的维修决策数据深度神经网络模型获取通信设备维修决策数
据，并基于通信设备维修决策数据对所述通信设备实施维修动作，即基于通信设备维修决策数据对通信设备实施维修或者不实施维修。
[0095]
需要说明的是，附图中的流程图或框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。还要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0096]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别的，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，所有这些组合和/或结合均落入本公开的范围。
[0097]
尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。