第15卷第5期 智能系统学报 Vol.15 No.5 2020年9月 CAAI Transactions on Intelligent Systems Sep.2020 D0:10.11992tis.201906031 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20191012.1608.004html 移动通信网络的中性集故障诊断方法研究 张婷，齐小刚2 (1.西安电子科技大学数学与统计学院，陕西西安710071；2.西安电子科技大学宁波信息技术研究院，浙江 宁波，315200) 摘要：随着故障诊断技术从面向网络设备逐渐向面向用户、面向业务的转变，故障识别能力和故障处理能力 的不断提高，快速、准确地检测重大故障并及时收集重大故障信息，对缩短故障时长、提高工作效率、提升网铬 服务水平都具有重大意义。基于中性集故障诊断方法，本文提出一种故障特征权重和阶段数据权重的计算方 法，并将此方法应用于移动通信网络的话音业务的故障诊断过程中。根据收集到的数据的统计分析结果，判断 移动通信网络中未知故障样本的故障类型。通过举例分析，验证了本文所提出的故障特征权重和阶段数据权 重设计方法的优越性。 关键词：故障诊断：中性集：不确定性：移动通信网络；话音业务；特征权重：阶段数据权重：故障类型 中图分类号：TP277文献标志码：A文章编号：1673-4785(2020)05-0864-06 中文引用格式：张婷，齐小刚.移动通信网络的中性集故障诊断方法研究J机.智能系统学报，2020,15(5)：864-869. 英文引用格式：ZHANG Ting,QI Xiaogang.Research on neutral set fault diagnosis method for mobile communication networks, CAAI transactions on intelligent systems,2020,15(5):864-869. Research on neutral set fault diagnosis method for mobile communication networks ZHANG Ting',QI Xiaogang' (1.School of Mathematics and Statistics,Xidian University,Xi'an 710071,China;2.Xidian-Ningbo Information Technology Insti- tute,Ningbo 315200,China) Abstract:With the change in network fault diagnosis technology-from equipment-oriented to user-oriented and busi- ness-oriented,with continuous improvement of fault identification ability and fault handling ability-rapid and accurate detection of major faults and timely collection of major fault information are of great significance to shortening the fault time,improving work efficiency,and raising the network service level.Based on the neutral set fault diagnosis method, this paper proposes a method for calculating the fault feature weight and phase data weight.Then,the method is applied for the fault diagnosis of voice service in mobile communication networks.The fault magnitude of unknown fault samples in mobile communication networks is judged according to the statistical analysis result of the collected data. The superiority of the proposed design method for fault feature weight and stage data weight is verified through the ana- lysis of an example. Keywords:fault diagnosis;neutral set;uncertainty;mobile communication network;voice service;feature weight; phase data weight;fault type 21世纪，随着经济的快速发展，移动通信网 类也开始出现在移动通信领域中。移动通信网络 络也开始得到了持续的发展，越来越多的业务种 的一项最大功能就是信息传输，如果传输线路产 收稿日期：2019-06-18.网络出版日期：2019-10-14. 生故障，就会影响网络运行质量。因此，故障诊断 基金项目：国家自然科学基金项目(61572435,61877067)：教育 部-中国移动联合基金项目(MCM20170103):西安市 技术作为网络管理的核心逐渐成为研究的热点"。 科技创新项目(201805029YD7CG13-6):宁波市自然 科学基金项目(2016A610035:2017A610119). 对通信网络进行故障诊断的目的是识别和修 通信作者：张婷.E-mail:1819798371@qq.com 复通信系统中的故障，已广泛应用于各种通信网
DOI: 10.11992/tis.201906031 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20191012.1608.004.html 移动通信网络的中性集故障诊断方法研究 张婷1 ，齐小刚1,2 （1. 西安电子科技大学 数学与统计学院，陕西 西安 710071; 2. 西安电子科技大学 宁波信息技术研究院，浙江 宁波，315200） 摘 要：随着故障诊断技术从面向网络设备逐渐向面向用户、面向业务的转变，故障识别能力和故障处理能力 的不断提高，快速、准确地检测重大故障并及时收集重大故障信息，对缩短故障时长、提高工作效率、提升网络 服务水平都具有重大意义。基于中性集故障诊断方法，本文提出一种故障特征权重和阶段数据权重的计算方 法，并将此方法应用于移动通信网络的话音业务的故障诊断过程中。根据收集到的数据的统计分析结果，判断 移动通信网络中未知故障样本的故障类型。通过举例分析，验证了本文所提出的故障特征权重和阶段数据权 重设计方法的优越性。 关键词：故障诊断；中性集；不确定性；移动通信网络；话音业务；特征权重；阶段数据权重；故障类型 中图分类号：TP277 文献标志码：A 文章编号：1673−4785(2020)05−0864−06 中文引用格式：张婷, 齐小刚. 移动通信网络的中性集故障诊断方法研究 [J]. 智能系统学报, 2020, 15(5): 864–869. 英文引用格式：ZHANG Ting, QI Xiaogang. Research on neutral set fault diagnosis method for mobile communication networks[J]. CAAI transactions on intelligent systems, 2020, 15(5): 864–869. Research on neutral set fault diagnosis method for mobile communication networks ZHANG Ting1 ，QI Xiaogang1,2 (1. School of Mathematics and Statistics, Xidian University, Xi’an 710071, China; 2. Xidian-Ningbo Information Technology Institute, Ningbo 315200, China) Abstract: With the change in network fault diagnosis technology—from equipment-oriented to user-oriented and business-oriented, with continuous improvement of fault identification ability and fault handling ability—rapid and accurate detection of major faults and timely collection of major fault information are of great significance to shortening the fault time, improving work efficiency, and raising the network service level. Based on the neutral set fault diagnosis method, this paper proposes a method for calculating the fault feature weight and phase data weight. Then, the method is applied for the fault diagnosis of voice service in mobile communication networks. The fault magnitude of unknown fault samples in mobile communication networks is judged according to the statistical analysis result of the collected data. The superiority of the proposed design method for fault feature weight and stage data weight is verified through the analysis of an example. Keywords: fault diagnosis; neutral set; uncertainty; mobile communication network; voice service; feature weight; phase data weight; fault type 21 世纪，随着经济的快速发展，移动通信网 络也开始得到了持续的发展，越来越多的业务种 类也开始出现在移动通信领域中。移动通信网络 的一项最大功能就是信息传输，如果传输线路产 生故障，就会影响网络运行质量。因此，故障诊断 技术作为网络管理的核心逐渐成为研究的热点[1]。 对通信网络进行故障诊断的目的是识别和修 复通信系统中的故障，已广泛应用于各种通信网 收稿日期：2019−06−18. 网络出版日期：2019−10−14. 基金项目：国家自然科学基金项目 (61572435，61877067)；教育 部−中国移动联合基金项目 (MCM20170103)；西安市 科技创新项目 (201805029YD7CG13-6)；宁波市自然 科学基金项目 ( 2016A610035；2017A610119). 通信作者：张婷. E-mail：1819798371@qq.com. 第 15 卷第 5 期 智 能 系 统 学 报 Vol.15 No.5 2020 年 9 月 CAAI Transactions on Intelligent Systems Sep. 2020
第5期 张婷，等：移动通信网络的中性集故障诊断方法研究 ·865· 络中，在设备正常运行过程中对预防事故起着重 判断、故障定位及故障恢复等。故障检测是指与 要作用2-。Tan等对现有的两种多层线性故障 系统建立连接后，周期性地向下位机发送检测信 检测方法进行了论述，并提出了一种新的基于原 号，通过接收的响应数据帧，判断系统是否产生 始贡献概念的多层线性故障检测方法，用于多层 故障。故障类型判断是系统在检测出故障之后， 线性特征提取算法下的故障诊断和识别，为故障 通过分析原因，判断出系统故障的类型。故障定 诊断提供了一个通用的框架。Zhou等介绍了 位是在前两部分的基础上，细化故障种类，诊断 一种动态分布式故障定位模型D2FL,采用两跳邻 出系统具体故障部位和故障原因，为故障恢复做 居认证协议，该模型只需十几KB的缓存即可独 准备。故障恢复是整个故障诊断过程中最后也是 立于包传输速率，远小于动态故障定位所需的缓 最重要的一个环节，需要根据故障原因，采取不 存。张成等考虑了故障传播模型，提出了一种 同的措施，对系统故障进行恢复。 基于增量贝叶斯疑似度的启发式故障定位算法， 本文主要是根据故障数据的统计结果，对 将算法的复杂度降低为多项式级别。Chen等 移动通信网络中未知故障样本的故障类型进行 采用一种创新的机器学习算法，将特征提取集成 判断。 到学习过程中，提出了一种故障分类与定位相结 1.2故障分类 合的集成框架。在故障诊断领域已有很多研究成 移动通信网络故障按严重程度可以分为3个 果，然而这些方法大多数不能针对多种类型的故 类型：一级重大故障(E)、二级重大故障(E2)、一 障进行诊断。 般网络故障(E)。 已有的多数研究中，均是针对网络中的故障 通信网络根据故障原因可以分为业务故障和 位置进行判断，然而在确定故障位置之前对故障 设备故障。业务故障包括5种故障：话音业务、 类型进行判断不仅有利于快速地定位故障，而且 有助于为网络提供可靠的修复策略。Jiang等o 数据业务、互联互通业务、MS业务、集团客户业 务。设备故障包括10种故障：传输网、承载网、 提出了一种将经典变量分析(CVA)和费雪判别 无线接入网、交换网、语音增值平台、数据网、网 分析(FDA)方法相结合的故障诊断方案(CVA 管网、电源、TD网、LTE网。 FDA),该方法首先采用CVA对数据进行预处理， 1.3故障业务特征 再利用FDA对故障进行分类。然而，该方案是按 本文主要针对话音业务故障进行研究，话音 置信度来对故障进行分类，判断结果可能是某个 数据点的统计值落在两个不同的故障事件的阈值 业务数据的采集主要基于4个业务特征： B1:在本地网话音业务中，与本地用户话音通 内。为了准确判断某个故障分别对每种故障类型 的支持程度，基于中性集的概念l,Jiang等 信中断持续时长： 提出一种基于多阶段故障模板数据的中性集故障 B2:在省际长途话音业务中，与省际的单向或 诊断方法，对未知故障样本的故障类型进行识 双向长途呼叫中断持续时长； 别，然而，此方法中未具体定义5个阶段数据权重 B:在省际漫游话音业务中，与3个以上省的 与未知故障样本的故障特征权重计算方法，在其 省际漫游不畅，业务影响持续时长； 应用中是假设阶段数据权重与故障特征权重分别 B:在国际长途话音业务中，至所有国际方 相同。Xu等9提出的方法仅适用于5个阶段数 向DD、P电话业务质量下降持续时长。 据的最大和最小平均值，很难处理具有不确定性 2中性集故障诊断方法 的多阶段故障数据。在此基础上，本文分别提出 了故障特征权重和阶段数据权重的计算方法，并 2.1SNWA算子 根据收集的故障模板数据，对移动通信网络中话 Smarandache介绍了中性集的概念l6,是对 音业务的故障类型进行判断。 Zadeh提出的经典FS(模糊集合)I)、Atanassov提 移动通信网络故障定义及分类 出的F(直观模糊集)I8以及Turksen提出的IV IFS(区间值直观模糊集)进行的扩展。 1.1故障诊断定义 Peng等2o1提出了一种简化的中性集信息聚 网络故障可以定义为网络不能在用户期望的 合算子，如基于简化中性集概念的SNWA(简化中 时间范围内将信息按用户要求完整、正确地在网 性加权平均)算子，其定义如下： 络中传输的状态或事件。 定义假设：=(s,h,),i=1,2,…,n是一个中 故障诊断主要任务有：故障检测、故障类型 性集集合，则
络中，在设备正常运行过程中对预防事故起着重 要作用[2-3]。Tan 等 [4] 对现有的两种多层线性故障 检测方法进行了论述，并提出了一种新的基于原 始贡献概念的多层线性故障检测方法，用于多层 线性特征提取算法下的故障诊断和识别，为故障 诊断提供了一个通用的框架。Zhou 等 [5] 介绍了 一种动态分布式故障定位模型 D2FL，采用两跳邻 居认证协议，该模型只需十几 KB 的缓存即可独 立于包传输速率，远小于动态故障定位所需的缓 存。张成等[6] 考虑了故障传播模型，提出了一种 基于增量贝叶斯疑似度的启发式故障定位算法， 将算法的复杂度降低为多项式级别。Chen 等 [7] 采用一种创新的机器学习算法，将特征提取集成 到学习过程中，提出了一种故障分类与定位相结 合的集成框架。在故障诊断领域已有很多研究成 果，然而这些方法大多数不能针对多种类型的故 障进行诊断[8-9]。 已有的多数研究中，均是针对网络中的故障 位置进行判断，然而在确定故障位置之前对故障 类型进行判断不仅有利于快速地定位故障，而且 有助于为网络提供可靠的修复策略。Jiang 等 [10] 提出了一种将经典变量分析 (CVA) 和费雪判别 分析 (FDA) 方法相结合的故障诊断方案 (CVAFDA)，该方法首先采用 CVA 对数据进行预处理， 再利用 FDA 对故障进行分类。然而，该方案是按 置信度来对故障进行分类，判断结果可能是某个 数据点的统计值落在两个不同的故障事件的阈值 内。为了准确判断某个故障分别对每种故障类型 的支持程度，基于中性集的概念[11-13] ，Jiang 等 [14] 提出一种基于多阶段故障模板数据的中性集故障 诊断方法，对未知故障样本的故障类型进行识 别，然而，此方法中未具体定义 5 个阶段数据权重 与未知故障样本的故障特征权重计算方法，在其 应用中是假设阶段数据权重与故障特征权重分别 相同。Xu 等 [15] 提出的方法仅适用于 5 个阶段数 据的最大和最小平均值，很难处理具有不确定性 的多阶段故障数据。在此基础上，本文分别提出 了故障特征权重和阶段数据权重的计算方法，并 根据收集的故障模板数据，对移动通信网络中话 音业务的故障类型进行判断。 1 移动通信网络故障定义及分类 1.1 故障诊断定义 网络故障可以定义为网络不能在用户期望的 时间范围内将信息按用户要求完整、正确地在网 络中传输的状态或事件。 故障诊断主要任务有：故障检测、故障类型 判断、故障定位及故障恢复等。故障检测是指与 系统建立连接后，周期性地向下位机发送检测信 号，通过接收的响应数据帧，判断系统是否产生 故障。故障类型判断是系统在检测出故障之后， 通过分析原因，判断出系统故障的类型。故障定 位是在前两部分的基础上，细化故障种类，诊断 出系统具体故障部位和故障原因，为故障恢复做 准备。故障恢复是整个故障诊断过程中最后也是 最重要的一个环节，需要根据故障原因，采取不 同的措施，对系统故障进行恢复。 本文主要是根据故障数据的统计结果，对 移动通信网络中未知故障样本的故障类型进行 判断。 1.2 故障分类 E1 E2 E3 移动通信网络故障按严重程度可以分为 3 个 类型：一级重大故障 ( )、二级重大故障 ( )、一 般网络故障 ( )。 通信网络根据故障原因可以分为业务故障和 设备故障。业务故障包括 5 种故障：话音业务、 数据业务、互联互通业务、IMS 业务、集团客户业 务。设备故障包括 10 种故障：传输网、承载网、 无线接入网、交换网、语音增值平台、数据网、网 管网、电源、TD 网、LTE 网。 1.3 故障业务特征 本文主要针对话音业务故障进行研究，话音 业务数据的采集主要基于 4 个业务特征： B1：在本地网话音业务中，与本地用户话音通 信中断持续时长； B2：在省际长途话音业务中，与省际的单向或 双向长途呼叫中断持续时长； B3：在省际漫游话音业务中，与 3 个以上省的 省际漫游不畅，业务影响持续时长； B4：在国际长途话音业务中，至所有国际方 向 IDD、IP 电话业务质量下降持续时长。 2 中性集故障诊断方法 2.1 SNWA 算子 Smarandache 介绍了中性集的概念[16] ，是对 Zadeh 提出的经典 FS(模糊集合) [17] 、Atanassov 提 出的 IFS(直观模糊集) [18] 以及 Turksen 提出的 IVIFS(区间值直观模糊集) [19] 进行的扩展。 Peng 等 [20] 提出了一种简化的中性集信息聚 合算子，如基于简化中性集概念的 SNWA(简化中 性加权平均) 算子，其定义如下: xi = (si ,hi ,t 定义 假设 i),i = 1,2,··· ,n 是一个中 性集集合，则 第 5 期 张婷，等：移动通信网络的中性集故障诊断方法研究 ·865·
·866· 智能系统学报 第15卷 SNWA(1,2,…,xa)=w1x+W2x+…+wan= 特征B:下基于故障类型E:的中性集做如下处理。 1-a-.,. x=SNWA(x)= i=12,…,n w1x+w2x后+w3x+w4x+ws 式中：w=(w,w2,…,wn)是x(i=1,2…,m)的权重 4)将每种故障类型的所有特征聚合生成简化 向量，w:∈[0,1]。 的中性集。 2.2故障诊断算法 根据故障特征的权重向量为WB={ws1,w2, 基于中性集故障诊断算法，本文提出了新的 w,wah,通过SNWA算子来分别融合各个故障类 故障特征权重向量和阶段数据权重向量的计算方 型的4个故障特征中性集。例如，基于故障类型 E:的故障特征中性集可以做如下聚合处理： 法，并对移动通信网络中的话音业务故障类型进 x=SNWA(x11,X12,X13,x14)= 行判断，具体步骤如下。 WBIX11+W2X12+W83X13+WB4X14 1)分别收集各特征下各故障类型的多阶段数据。 5)确定未知故障样本的故障类型。 移动通信网络故障类型向量为E={E,E2,E3l, 考虑到未知故障样本和故障类型的模糊性， 未知故障样本的特征向量为B={B1,B2,B,B},产 采用去模糊化方法来直观反映故障诊断结果，并 生一个故障类型未知的故障样本(M)。在每个特 可以减少诊断过程中的计算量。计算公式为 征下，分别收集每个故障类型的5个阶段数据。 分别选择5个时间段，在每个阶段通过在时间间 Cth 隔(T内连续采集，得到每个特征下每个故障类 式中C:表示从未知故障样本数据中提取的信息对 型的各阶段数据。 每种故障类型的支持程度。因此，所有故障类型 2)根据每个特征下的每个故障类型的多阶段 的排列顺序可以根据它们的支持度降序来确定。 数据，为一个未知的故障样本生成简化的中性集。 2.3阶段数据权重定义 分别对收集到的各阶段数据建立一个正态分 在通信网络的实际运行过程中，故障的发 布模型，通过计算其均值()和方差（σ2）得出其 生、故障诊断及故障的修复通常是同步进行的， 分布模型，表示为N(4,σ2)。分别对每个特征下各 系统的某一部分发生故障的同时，另一部分可能 个故障类型的5个阶段数据，生成5个正态分布 正处于修复状态。考虑到通信网络的故障发生与 模型。 故障修复的同步性，在不同时间段所收集的数据 正态分布函数表示数据的分布概率密度。简 所包含的信息量不同，应对不同阶段的数据设置 化中性集的隶属度定义为未知故障样本(M)与故 不同大小的权重。 障类型(E)分布交点垂直坐标最大值与未知故障 采用统计方法对阶段数据的权重进行定义， 样本(M)峰值的比值。 5个阶段数据距离故障样本数据的收集时间分别 为1、2、4、8、16min。在这5个阶段，分别从通信 yM 网络中收集同样数量的故障数据。在故障样本数 式中：y.为未知故障样本(M)与故障类型(E)分 据收集时刻，分别统计这5个阶段的故障数据中 布交点纵坐标最大值；yM为样本M的分布峰值。 未成功修复的故障数量（即仍然处于故障状态的 本文中假设非隶属度和隶属度相互依赖。不 数据量)，分别计算这5个阶段未成功修复的故障 确定性隶属度指的是所收集到的信息的不确定性 在总的故障数据中所占的比例，将其比例作为该 程度，不确定性隶属度和非隶属度定义分别为 阶段数据的权重。 t=1-s 阶段向量表示为S={51,2,53,54,s5h,假设分别 1 从每个阶段收集的故障数据个数均为m。到故障 样本收集时刻，5个阶段收集的m个故障中分别 由隶属度、非隶属度以及不确定性隶属度共 有m(i=1,2,3,4,5)个数据仍然处于故障状态，则 同构成了简化的中性集x=(s,h,)。 阶段s:的权重表示为 3)对每个特征下的各个故障类型进行聚合 mi W= 并生成简化的中性集。 根据阶段数据权重向量Ws={w1,w2,w8a,w4, m k=1 ws,利用SNWA算子分别对每个特征下各个故 式中：wa为阶段s:的权重；m,为在故障样本数据 障类型的中性集的5个阶段进行融合。例如，将 收集时刻，阶段3：所收集的故障数据中未修复的
SNWA(x1, x2,··· , xn) = w1 x1 +w2 x2 +···+wn xn = ⟨ 1− ∏n i=1 (1− si) wi , ∏n i=1 (hi) wi , ∏n i=1 (ti) wi ⟩ i = 1,2,··· ,n w = (w1,w2,··· ,wn) xi(i = 1,2,··· ,n) wi ∈ [0,1] 式中： 是 的权重 向量， 。 2.2 故障诊断算法 基于中性集故障诊断算法，本文提出了新的 故障特征权重向量和阶段数据权重向量的计算方 法，并对移动通信网络中的话音业务故障类型进 行判断，具体步骤如下。 1) 分别收集各特征下各故障类型的多阶段数据。 E = {E1,E2,E3} B = {B1,B2,B3,B4} M 移动通信网络故障类型向量为 ， 未知故障样本的特征向量为 ，产 生一个故障类型未知的故障样本 ( )。在每个特 征下，分别收集每个故障类型的 5 个阶段数据。 分别选择 5 个时间段，在每个阶段通过在时间间 隔 (T) 内连续采集，得到每个特征下每个故障类 型的各阶段数据。 2) 根据每个特征下的每个故障类型的多阶段 数据，为一个未知的故障样本生成简化的中性集。 µ σ 2 N(µ,σ2 ) 分别对收集到的各阶段数据建立一个正态分 布模型，通过计算其均值 ( ) 和方差 ( ) 得出其 分布模型，表示为 。分别对每个特征下各 个故障类型的 5 个阶段数据，生成 5 个正态分布 模型。 M Ei M 正态分布函数表示数据的分布概率密度。简 化中性集的隶属度定义为未知故障样本 ( ) 与故 障类型 ( ) 分布交点垂直坐标最大值与未知故障 样本 ( ) 峰值的比值。 s = yc yM yc M Ei yM M 式中： 为未知故障样本 ( ) 与故障类型 ( ) 分 布交点纵坐标最大值； 为样本 的分布峰值。 本文中假设非隶属度和隶属度相互依赖。不 确定性隶属度指的是所收集到的信息的不确定性 程度，不确定性隶属度和非隶属度定义分别为 t = 1− s h = slb( 1 s ) +tlb( 1 t ) x = (s,h,t) 由隶属度、非隶属度以及不确定性隶属度共 同构成了简化的中性集 。 3) 对每个特征下的各个故障类型进行聚合， 并生成简化的中性集。 WS = {ws1,ws2,ws3,ws4, ws5} 根据阶段数据权重向量 ，利用 SNWA 算子分别对每个特征下各个故 障类型的中性集的 5 个阶段进行融合。例如，将 特征 Bi 下基于故障类型 Ei 的中性集做如下处理。 xii = SNWA(x 1 ii, x 2 ii, x 3 ii, x 4 ii, x 5 ii) = ws1 x 1 ii +ws2 x 2 ii +ws3 x 3 ii +ws4 x 4 ii +ws5 x 5 ii 4) 将每种故障类型的所有特征聚合生成简化 的中性集。 WB = {wB1,wB2, wB3,wB4} Ei 根据故障特征的权重向量为 ，通过 SNWA 算子来分别融合各个故障类 型的 4 个故障特征中性集。例如，基于故障类型 的故障特征中性集可以做如下聚合处理： xi = SNWA(x11, x12, x13, x14) = wB1 x11 +wB2 x12 +wB3 x13 +wB4 x14 5) 确定未知故障样本的故障类型。 考虑到未知故障样本和故障类型的模糊性， 采用去模糊化方法来直观反映故障诊断结果，并 可以减少诊断过程中的计算量。计算公式为 Ci = si +hi si si +ti 式中 Ci 表示从未知故障样本数据中提取的信息对 每种故障类型的支持程度。因此，所有故障类型 的排列顺序可以根据它们的支持度降序来确定。 2.3 阶段数据权重定义 在通信网络的实际运行过程中，故障的发 生、故障诊断及故障的修复通常是同步进行的， 系统的某一部分发生故障的同时，另一部分可能 正处于修复状态。考虑到通信网络的故障发生与 故障修复的同步性，在不同时间段所收集的数据 所包含的信息量不同，应对不同阶段的数据设置 不同大小的权重。 采用统计方法对阶段数据的权重进行定义， 5 个阶段数据距离故障样本数据的收集时间分别 为 1、2、4、8、16 min。在这 5 个阶段，分别从通信 网络中收集同样数量的故障数据。在故障样本数 据收集时刻，分别统计这 5 个阶段的故障数据中 未成功修复的故障数量 (即仍然处于故障状态的 数据量)，分别计算这 5 个阶段未成功修复的故障 在总的故障数据中所占的比例，将其比例作为该 阶段数据的权重。 S = {s1,s2,s3,s4,s5} m m mi(i = 1,2,3,4,5) si 阶段向量表示为 ，假设分别 从每个阶段收集的故障数据个数均为 。到故障 样本收集时刻，5 个阶段收集的 个故障中分别 有 个数据仍然处于故障状态，则 阶段 的权重表示为 wsi = mi ∑5 k=1 mk wsi si mi si 式中： 为阶段 的权重； 为在故障样本数据 收集时刻，阶段 所收集的故障数据中未修复的 ·866· 智 能 系 统 学 报 第 15 卷
第5期 张婷，等：移动通信网络的中性集故障诊断方法研究 ·867· 故障数量。阶段数据权重向量表示为Ws={w1,w2, 0.1,0.05}。 W3,Wst,Wsslo 对于每个阶段S,i=1,2,3,4,5的数据，在10s 2.4故障特征权重定义 的时间间隔内连续收集30个观测值。基于本文 在移动通信网络中，不同的业务特征由于受 提出的特征权重向量与阶段数据权重向量定义方 到其采集环境的影响，数据采集的准确率也不 法，采用中性集故障诊断算法来判断故障类型， 同。例如，在国际长途话音业务中，受到天气、环 并将诊断结果与Jiang等w所采用的权重向量设 境、气候等的影响，采集到的数据比本地网话音 计方法下的诊断结果进行对比。 业务中所收集的数据误差更大。 故障诊断的对比结果如表1中所示，正确性 在本文中，根据历史故障事件中每种业务所 表示诊断结果与样本的实际故障类型一致与否， 采集的数据准确率来定义其业务特征权重。根据 “正确”表明诊断结果与实际相符，“错误”则表示 前一次故障事件的故障数据，针对每种特征的业 诊断结果与实际不符合。从计算结果可以看出， 务分别采集相同个数的数据，然后分别计算每种 在本文中所定义的故障特征权重向量与阶段权重 业务特征中采集的正确数据量与4种业务特征正 向量计算方式下，故障诊断准确率为90%。而在 确数据量之和的比值，称为各个业务特征采集数 Jiang等提出的方法下的故障诊断准确率仅为 据的准确率，将准确率作为该业务特征的权重。 30%。当未知故障样本对某一故障类型E:的支持 权重计算公式为 度最大时，表示该未知故障样本的诊断类型为E:。 WBi= 表1本文的方法与Jiang等4的方法下10个未知故障 样本的诊断结果对比 Table 1 Comparison of the diagnosis results of 10 un- 式中：w为业务特征B,的权重；：为针对业务特 known fault samples under the method of this pa- 征B:所采集的数据中正确的数据量。设故障特 per and the method of Jiang etal 征权重向量为Wa={w1,w2,w3,W4}。 未知故障样本 故障类型 模型 诊断结果正确性 2.5故障诊断准确率 E1 E2 E3 本文的方法123 E 正确 故障诊断准确率为未知样本的故障诊断结果 中与实际故障类型相符合的样本个数与总的样本 Jiang的方法 123 E 正确 本文的方法2 13 E 正确 个数的比值，表达式为 M R=片×100% Jiang的方法 2 31 Es 错误 本文的方法312 E2 正确 M 式中：R为故障诊断准确率；n,为诊断结果与实际 Jiang的方法4 132 E 错误 故障类型相符合的样本个数：N为未知故障样本 本文的方法123 E 正确 M 总个数。 Jiang的方法 3 12 E 错误 故障诊断的准确率能直观反映故障诊断模型 本文的方法132 E1 正确 Ms 的性能。R越大，表示模型越优越。 Jiang的方法 132 E 正确 本文的方法3 21 E3 正确 3仿真实验与结果分析 Jiang的方法l4 312 E2 错误 本文的方法 本文以某城市移动通信网络为例，验证本文 132 E 正确 M 提出的特征权重向量与阶段数据权重向量的计算 Jiang的方法 132 E 正确 E2 正确 方法的优越性。分别产生10个未知故障样本： 本文的方法213 M,i=1,2,…,10,每个故障样本确定了有4个故障 Jiang的方法 123 错误 本文的方法321 E3 错误 特征：B1、B2、B3、B4,分别收集各故障特征下关于 M Jiangf的方法 312 错误 各个故障样本的数据。根据大量统计数据，受到 本文的方法321 E3 正确 气候和人为因素的影响，该地区4种话音业务的 Mio 3 数据采集准确率分别为0.4、0.3、0.2、0.1。因此， Jiang的方法 12 E 错误 定义话音业务特征权重向量为ws={0.4,0.3,0.2,0.1o 在仿真实验中，Jiang等的诊断方法下，错 根据该地区的历史故障事件中的故障数据统计结 误诊断结果的产生主要源于其所采用的阶段权重 果，计算出阶段数据权重向量为ws={0.4,0.3,0.15, 向量与特征权重向量的计算未考虑模型的应用背
WS = {ws1,ws2, ws3,ws4,ws5} 故障数量。阶段数据权重向量表示为 。 2.4 故障特征权重定义 在移动通信网络中，不同的业务特征由于受 到其采集环境的影响，数据采集的准确率也不 同。例如，在国际长途话音业务中，受到天气、环 境、气候等的影响，采集到的数据比本地网话音 业务中所收集的数据误差更大。 在本文中，根据历史故障事件中每种业务所 采集的数据准确率来定义其业务特征权重。根据 前一次故障事件的故障数据，针对每种特征的业 务分别采集相同个数的数据，然后分别计算每种 业务特征中采集的正确数据量与 4 种业务特征正 确数据量之和的比值，称为各个业务特征采集数 据的准确率，将准确率作为该业务特征的权重。 权重计算公式为 wBi = ri ∑4 k=1 rk wBi Bi ri Bi WB = {wB1,wB2,wB3,wB4} 式中： 为业务特征 的权重； 为针对业务特 征 所采集的数据中正确的数据量。设故障特 征权重向量为 。 2.5 故障诊断准确率 故障诊断准确率为未知样本的故障诊断结果 中与实际故障类型相符合的样本个数与总的样本 个数的比值，表达式为 R = nr N ×100% R nr N 式中： 为故障诊断准确率； 为诊断结果与实际 故障类型相符合的样本个数； 为未知故障样本 总个数。 R 故障诊断的准确率能直观反映故障诊断模型 的性能。 越大，表示模型越优越。 3 仿真实验与结果分析 Mi ,i = 1,2,··· ,10 B1 B2 B3 B4 wB = {0.4,0.3,0.2,0.1} wS = {0.4,0.3,0.15, 本文以某城市移动通信网络为例，验证本文 提出的特征权重向量与阶段数据权重向量的计算 方法的优越性。分别产生 10 个未知故障样本： ，每个故障样本确定了有 4 个故障 特征： 、 、 、 ，分别收集各故障特征下关于 各个故障样本的数据。根据大量统计数据，受到 气候和人为因素的影响，该地区 4 种话音业务的 数据采集准确率分别为 0.4、0.3、0.2、0.1。因此， 定义话音业务特征权重向量为 。 根据该地区的历史故障事件中的故障数据统计结 果，计算出阶段数据权重向量为 0.1,0.05}。 S i 对于每个阶段 ,i = 1,2,3,4,5 的数据，在 10 s 的时间间隔内连续收集 30 个观测值。基于本文 提出的特征权重向量与阶段数据权重向量定义方 法，采用中性集故障诊断算法来判断故障类型， 并将诊断结果与 Jiang 等 [14] 所采用的权重向量设 计方法下的诊断结果进行对比。 Ei Ei 故障诊断的对比结果如表 1 中所示，正确性 表示诊断结果与样本的实际故障类型一致与否， “正确”表明诊断结果与实际相符，“错误”则表示 诊断结果与实际不符合。从计算结果可以看出， 在本文中所定义的故障特征权重向量与阶段权重 向量计算方式下，故障诊断准确率为 90%。而在 Jiang 等 [14] 提出的方法下的故障诊断准确率仅为 30%。当未知故障样本对某一故障类型 的支持 度最大时，表示该未知故障样本的诊断类型为 。 表 1 本文的方法与 Jiang 等 [14] 的方法下 10 个未知故障 样本的诊断结果对比 Table 1 Comparison of the diagnosis results of 10 unknown fault samples under the method of this paper and the method of Jiang etal 未知故障样本 模型 故障类型 诊断结果 正确性 E1 E2 E3 M1 本文的方法 1 2 3 E1 正确 Jiang的方法[14] 1 2 3 E1 正确 M2 本文的方法 2 1 3 E2 正确 Jiang的方法[14] 2 3 1 E3 错误 M3 本文的方法 3 1 2 E2 正确 Jiang的方法[14] 1 3 2 E1 错误 M4 本文的方法 1 2 3 E1 正确 Jiang的方法[14] 3 1 2 E2 错误 M5 本文的方法 1 3 2 E1 正确 Jiang的方法[14] 1 3 2 E1 正确 M6 本文的方法 3 2 1 E3 正确 Jiang的方法[14] 3 1 2 E2 错误 M7 本文的方法 1 3 2 E1 正确 Jiang的方法[14] 1 3 2 E1 正确 M8 本文的方法 2 1 3 E2 正确 Jiang的方法[14] 1 2 3 E1 错误 M9 本文的方法 3 2 1 E3 错误 Jiang的方法[14] 3 1 2 E2 错误 M10 本文的方法 3 2 1 E3 正确 Jiang的方法[14] 3 1 2 E2 错误 在仿真实验中，Jiang 等 [14] 的诊断方法下，错 误诊断结果的产生主要源于其所采用的阶段权重 向量与特征权重向量的计算未考虑模型的应用背 第 5 期 张婷，等：移动通信网络的中性集故障诊断方法研究 ·867·
·868· 智能系统学报 第15卷 景。在多数实际应用环境中，5个数据阶段所包 权重向量更适用于移动通信网络的故障诊断，且 含的信息量不同。且Jiang等的方法未考虑外 诊断的准确率更高。 界环境的干扰及收集数据所使用的技术和设备的 实用性对所收集数据造成的误差。 4结束语 本文对Jiang等的诊断方法进行了改进。 在已有的基于多阶段数据的中性集故障诊断 设计了阶段权重向量与特征权重向量的计算方 方法基础上，考虑了收集到的数据的准确率及其 式。诊断结果中的误诊现象主要是由于故障样本 所包含的信息量，本文设计了一种故障特征权重 对两个故障类型的支持度较接近。由于本文的模 和阶段权重的计算方法，并将此方法应用于移动 型是基于统计方法对历史故障数据的分析来确定 通信网络中的话音业务故障诊断中。该方法的重 权重向量，由于统计方法本身所具有的概率特性 点是权重向量的设计和简化中性集的生成，目标 和不确定性，当某个样本对两种故障类型的支持 是降低故障类型信息和未知故障样本信息的不确 度接近时，会导致误诊。 定性。最后，本文通过仿真实验验证了本文提出 表2中显示了在本文的诊断方法下，故障样 的故障特征权重及阶段权重的设计方法的优越 本M,分别对3种故障类型的支持度，M,的实际 性。将权重向量的设计方法应用于中性集故障诊 故障类型为E2。从表中可以看出，故障样本M 断方法中，很好地处理了故障诊断中采集到的信 对E2和E的支持度很接近，此误诊是由历史统 息的不确定性，而且为多故障类型及其特征之间 计数据的概率特性和不确定性所导致的。 的复杂对应关系提供了一种方法。此外，本文中 表2未知故障样本山，对3种故障类型的支持度排序 所采用的故障诊断算法需要处理的数据量较大， Table 2 Unknown fault sample M's support ranking 然而在实际的网络故障诊断过程中，可以将部分 for the three types of fault 特征维进行合并。未来研究的目标是寻找一种有 故障类型 支持度 排序 效的方法来对故障特征进行降维处理，以减少需 E 0.0196 3 要处理的数据量，降低运算的复杂度。 E 0.4011 2 参考文献： E3 0.4155 1 [1]周畅.计算机网络中的故障定位研究[.软件工程， 从表1的对比中可以看出，本文提出的故障 2016.19(12):1-4. 特征权重向量与阶段权重向量设计方法的优越 ZHOU Chang.A study on the fault localization techno- 性，它考虑了针对不同故障特征所采集的数据的 logy in the computer network[J].Software engineering, 准确率，同时考虑了不同阶段所采集的数据所包 2016,19(12):1-4. 含的信息量的不同。 [2]GLOWACZ A.GLOWACZ Z.Diagnosis of stator faults Jiang的方法中在阶段权重向量与业务特 of the single-phase induction motor using acoustic 征权重向量的定义中，是分别假设5个阶段的数 signals[J].Applied acoustics,2017,117:20-27. 据权重均为0.2，且业务特征权重为平均分配，未 [3]GAI Jingbo,HU Yifan.Research on fault diagnosis based 考虑模型在不同应用场景下的适用性。在移动通 on singular value decomposition and fuzzy neural 信网络中，由于故障告警数据的突发性和时效 network[J].Shock and vibration,2018:8218657. 性，部分故障会在发生后的一段时间内自动修复 [4]TAN Ruomu,CAO Yi.Multi-layer contribution propaga- 或人工修复。距离故障样本收集时间间隔越长的 tion analysis for fault diagnosis[J].International journal of 故障数据，其在故障样本收集时刻已经被修复的 automation and computing,2019,16(1):40-51. 可能性越大，其所包含的信息量越少，权重也就 [5]ZHOU Fanfu,QI Zhengwei,YAO Jianguo,et al.D2FL: design and implementation of distributed dynamic fault 越小。此外，基于移动通信网络的特性，其极易 localization[J].IEEE transactions on dependable and se- 受到外界自然环境、人为因素等的影响而降低收 cure computing,2018,15(3):378-392. 集数据的准确率。本文通过对历史故障数据的分 [6]张成，廖建新，朱晓民.一种基于增量贝叶斯疑似度的事 析，根据不同业务特征下所收集数据的准确率来 件驱动故障定位算法J.电子与信息学报，2009,31(6) 确定特征权重向量，准确率越高，其所对应的业 1501-1504 务特征的权重越大。因此，基于已有的历史故障 ZHANG Cheng,LIAO Jianxin,ZHU Xiaomin.An event- 数据，采用统计学方法计算阶段权重向量和特征 driven fault localization algorithm based on incremental
景。在多数实际应用环境中，5 个数据阶段所包 含的信息量不同。且 Jiang 等 [14] 的方法未考虑外 界环境的干扰及收集数据所使用的技术和设备的 实用性对所收集数据造成的误差。 本文对 Jiang 等 [14] 的诊断方法进行了改进， 设计了阶段权重向量与特征权重向量的计算方 式。诊断结果中的误诊现象主要是由于故障样本 对两个故障类型的支持度较接近。由于本文的模 型是基于统计方法对历史故障数据的分析来确定 权重向量，由于统计方法本身所具有的概率特性 和不确定性，当某个样本对两种故障类型的支持 度接近时，会导致误诊。 M9 M9 E2 M9 E2 E3 表 2 中显示了在本文的诊断方法下，故障样 本 分别对 3 种故障类型的支持度， 的实际 故障类型为 。从表中可以看出，故障样本 对 和 的支持度很接近，此误诊是由历史统 计数据的概率特性和不确定性所导致的。 表 2 未知故障样本 M9 对 3 种故障类型的支持度排序 Table 2 Unknown fault sample M9 ’s support ranking for the three types of fault 故障类型 支持度 排序 E1 0.0196 3 E2 0.4011 2 E3 0.4155 1 从表 1 的对比中可以看出，本文提出的故障 特征权重向量与阶段权重向量设计方法的优越 性，它考虑了针对不同故障特征所采集的数据的 准确率，同时考虑了不同阶段所采集的数据所包 含的信息量的不同。 Jiang 的方法[14] 中在阶段权重向量与业务特 征权重向量的定义中，是分别假设 5 个阶段的数 据权重均为 0.2，且业务特征权重为平均分配，未 考虑模型在不同应用场景下的适用性。在移动通 信网络中，由于故障告警数据的突发性和时效 性，部分故障会在发生后的一段时间内自动修复 或人工修复。距离故障样本收集时间间隔越长的 故障数据，其在故障样本收集时刻已经被修复的 可能性越大，其所包含的信息量越少，权重也就 越小。此外，基于移动通信网络的特性，其极易 受到外界自然环境、人为因素等的影响而降低收 集数据的准确率。本文通过对历史故障数据的分 析，根据不同业务特征下所收集数据的准确率来 确定特征权重向量，准确率越高，其所对应的业 务特征的权重越大。因此，基于已有的历史故障 数据，采用统计学方法计算阶段权重向量和特征 权重向量更适用于移动通信网络的故障诊断，且 诊断的准确率更高。 4 结束语 在已有的基于多阶段数据的中性集故障诊断 方法基础上，考虑了收集到的数据的准确率及其 所包含的信息量，本文设计了一种故障特征权重 和阶段权重的计算方法，并将此方法应用于移动 通信网络中的话音业务故障诊断中。该方法的重 点是权重向量的设计和简化中性集的生成，目标 是降低故障类型信息和未知故障样本信息的不确 定性。最后，本文通过仿真实验验证了本文提出 的故障特征权重及阶段权重的设计方法的优越 性。将权重向量的设计方法应用于中性集故障诊 断方法中，很好地处理了故障诊断中采集到的信 息的不确定性，而且为多故障类型及其特征之间 的复杂对应关系提供了一种方法。此外，本文中 所采用的故障诊断算法需要处理的数据量较大， 然而在实际的网络故障诊断过程中，可以将部分 特征维进行合并。未来研究的目标是寻找一种有 效的方法来对故障特征进行降维处理，以减少需 要处理的数据量，降低运算的复杂度。 参考文献： 周畅. 计算机网络中的故障定位研究 [J]. 软件工程, 2016, 19(12): 1–4. ZHOU Chang. A study on the fault localization technology in the computer network[J]. Software engineering, 2016, 19(12): 1–4. [1] GLOWACZ A, GLOWACZ Z. Diagnosis of stator faults of the single-phase induction motor using acoustic signals[J]. Applied acoustics, 2017, 117: 20–27. [2] GAI Jingbo, HU Yifan. Research on fault diagnosis based on singular value decomposition and fuzzy neural network[J]. Shock and vibration, 2018: 8218657. [3] TAN Ruomu, CAO Yi. Multi-layer contribution propagation analysis for fault diagnosis[J]. International journal of automation and computing, 2019, 16(1): 40–51. [4] ZHOU Fanfu, QI Zhengwei, YAO Jianguo, et al. D2FL: design and implementation of distributed dynamic fault localization[J]. IEEE transactions on dependable and secure computing, 2018, 15(3): 378–392. [5] 张成, 廖建新, 朱晓民. 一种基于增量贝叶斯疑似度的事 件驱动故障定位算法 [J]. 电子与信息学报, 2009, 31(6): 1501–1504. ZHANG Cheng, LIAO Jianxin, ZHU Xiaomin. An eventdriven fault localization algorithm based on incremental [6] ·868· 智 能 系 统 学 报 第 15 卷
第5期 张婷，等：移动通信网络的中性集故障诊断方法研究 ·869· bayesian suspected degree[J].Journal of electronics&in- gorithm of fault diagnosis considering sensor measure- formation technology,2009,31(6):1501-1504. ment uncertainty[.International journal on smart sens- [7]CHEN Y Q,FINK O,SANSAVINI G.Combined fault ing and intelligent systems,2013,6(1):171-190. location and classification for power transmission lines [16]SMARANDACHE F.A unifying field in logics:neutro- fault diagnosis with integrated feature extraction[J].IEEE sophic logic.Neutrosophy and neutrosophic logic[J]. transactions on industrial electronics,2018,65(1): Multiple-valued logic.2002.8(3):385-438 561-569. [17]ZADEH L A.Fuzzy sets[J].Information and control, [8]TAY F E H.SHEN Lixiang.Fault diagnosis based on 1965.8(3):338-353. rough set theory[J].Engineering applications of artificial [18]ATANASSOV K T.Intuitionistic fuzzy sets[J].Fuzzy intelligence,2003,16(1):39-43. sets and systems,1986,20(1):87-96. [9]BIAN Tian,ZHENG Haoyang,YIN Likang,et al.Failure [19]TURKSEN I B.Interval valued fuzzy sets based on nor- mode and effects analysis based on D numbers and TOP- mal forms[J].Fuzzy sets and systems,1986,20(2): SIS[J].Quality and reliability engineering international, 191-210. 2018,344):501-515. [20]PENG Juanjuan,WANG Jiangiang,WANG Jing,et al. [10]JIANG Benben,ZHU Xiaoxiang,HUANG Dexian,et al. Simplified neutrosophic sets and their applications in A combined canonical variate analysis and Fisher dis- multi-criteria group decision-making problems[J].Inter- criminant analysis(CVA-FDA)approach for fault dia- national journal of systems science,2016,47(10): gnosis[J].Computers chemical engineering,2015,77: 2342-2358. 1-9. [11]ALI M,SMARANDACHE F.Complex neutrosophic 作者简介： set[J].Neural computing and applications,2017,28(7): 张婷，硕士研究生，主要研究方向 1817-1834. 为信息通信网络的级联失效与故障诊 [12]ZHANG Xiaohong,BO Chunxi,SMARANDACHE F,et 断技术，故障诊断方法及其在通信网 al.New operations of totally dependent-neutrosophic sets 络中的应用，参与中国移动联合基金 项目。 and totally dependent-neutrosophic soft sets[J].Sym- metry,.2018,10(6):187 [13]ALI M,SMARANDACHE F,KHAN M.Study on the development of neutrosophic triplet ring and neutrosoph- 齐小刚，教授，博士生导师，主要 研究方向为系统建模与故障诊断，申 ic triplet field[J].Mathematics,2018,6(4):46. 请发明专利47项（授权19项），登记 [14]JIANG Wen,ZHONG Yu,DENG Xinyang.A neutro- 软件著作权4项。发表学术论文100余篇。 sophic set based fault diagnosis method based on multi- stage fault template data[J].Symmetry,2018,10(8):346. [15]XU Xiaobin,ZHOU Zhe,WEN Chenglin.Data fusion al-
bayesian suspected degree[J]. Journal of electronics & information technology, 2009, 31(6): 1501–1504. CHEN Y Q, FINK O, SANSAVINI G. Combined fault location and classification for power transmission lines fault diagnosis with integrated feature extraction[J]. IEEE transactions on industrial electronics, 2018, 65(1): 561–569. [7] TAY F E H, SHEN Lixiang. Fault diagnosis based on rough set theory[J]. Engineering applications of artificial intelligence, 2003, 16(1): 39–43. [8] BIAN Tian, ZHENG Haoyang, YIN Likang, et al. Failure mode and effects analysis based on D numbers and TOPSIS[J]. Quality and reliability engineering international, 2018, 34(4): 501–515. [9] JIANG Benben, ZHU Xiaoxiang, HUANG Dexian, et al. A combined canonical variate analysis and Fisher discriminant analysis (CVA–FDA) approach for fault diagnosis[J]. Computers & chemical engineering, 2015, 77: 1–9. [10] ALI M, SMARANDACHE F. Complex neutrosophic set[J]. Neural computing and applications, 2017, 28(7): 1817–1834. [11] ZHANG Xiaohong, BO Chunxi, SMARANDACHE F, et al. New operations of totally dependent-neutrosophic sets and totally dependent-neutrosophic soft sets[J]. Symmetry, 2018, 10(6): 187. [12] ALI M, SMARANDACHE F, KHAN M. Study on the development of neutrosophic triplet ring and neutrosophic triplet field[J]. Mathematics, 2018, 6(4): 46. [13] JIANG Wen, ZHONG Yu, DENG Xinyang. A neutrosophic set based fault diagnosis method based on multistage fault template data[J]. Symmetry, 2018, 10(8): 346. [14] [15] XU Xiaobin, ZHOU Zhe, WEN Chenglin. Data fusion algorithm of fault diagnosis considering sensor measurement uncertainty[J]. International journal on smart sensing and intelligent systems, 2013, 6(1): 171–190. SMARANDACHE F. A unifying field in logics: neutrosophic logic. Neutrosophy and neutrosophic logic[J]. Multiple-valued logic, 2002, 8(3): 385–438. [16] ZADEH L A. Fuzzy sets[J]. Information and control, 1965, 8(3): 338–353. [17] ATANASSOV K T. Intuitionistic fuzzy sets[J]. Fuzzy sets and systems, 1986, 20(1): 87–96. [18] TURKSEN I B. Interval valued fuzzy sets based on normal forms[J]. Fuzzy sets and systems, 1986, 20(2): 191–210. [19] PENG Juanjuan, WANG Jianqiang, WANG Jing, et al. Simplified neutrosophic sets and their applications in multi-criteria group decision-making problems[J]. International journal of systems science, 2016, 47(10): 2342–2358. [20] 作者简介： 张婷，硕士研究生，主要研究方向 为信息通信网络的级联失效与故障诊 断技术，故障诊断方法及其在通信网 络中的应用，参与中国移动联合基金 项目。 齐小刚，教授，博士生导师，主要 研究方向为系统建模与故障诊断，申 请发明专利 47 项 (授权 19 项)，登记 软件著作权 4 项。发表学术论文 100余篇。 第 5 期 张婷，等：移动通信网络的中性集故障诊断方法研究 ·869·