一种基于数字孪生的无线基站运维方法

技术领域

本发明涉及大数据计算技术领域，特别是一种基于数字孪生的无线基站运维方法。

背景技术

随着建模、物联网、大数据及人工智能技术日趋成熟，数字孪生技术将助力打造智能无线基站的数字孪生体。通过全息模拟、动态监控、实时诊断、精准预测反映物理实体无线基站在现实环境中的状态，进而推进无线基站全要素数字化和虚拟化、全状态实时化和可视化、无线基站运行管理协同化和智能化，实现物理无线基站与数字无线基站协同交互，平行运转，并根据已建立的机器学习算法，指导全域无线基站进行集群化管理与自主决策，从而解决无线基站运维检修浪费人力、财力问题，以及无线基站状态评估指标有效性差、评估结果不准确的问题，由预防性运维转向预测性运维，有效减少了不必要的现场作业，提高了无线基站状态评估、故障诊断的精确率和安全管控水平，实现了无线基站管理智能化和精益化。

传统的无线基站运维模式下，当无线基站发生故障时，要经过“发现故障——致电运维人员——运维人员到场维修”一系列流程才能处理完毕。运维人员不能主动发现故障并及时解决，导致故障无线基站区域网络瘫痪，造成重大损失。解决这一问题的方法在于将依赖客户呼入的“被动式服务”转变为运维人员主动根据无线基站健康状况提供“主动式服务”。数字孪生提供物理实体的实时虚拟化映射，将采集的运行监测数据、无线基站全寿命周期数据及环境数据等实时输入数字孪生模型，使数字孪生的环境模型与实际无线基站工作环境的变化保持一致，通过数字孪生在无线基站出现状况前提早进行预测，以便在预定停机时间内更换磨损部件，避免意外停机。通过数字孪生，可实现复杂无线基站的故障诊断。

发明内容

本发明目的在于提供一种基于数字孪生的无线基站运维方法，旨在解决无线基站运维检修浪费人力、财力问题，以及无线基站状态评估指标有效性差、评估结果不准确的问题，由预防性运维转向预测性运维，有效减少了不必要的现场作业，提高了无线基站状态评估、故障诊断的精确率和安全管控水平，实现了无线基站管理智能化和精益化。

一种基于数字孪生的无线基站运维方法，包括如下步骤：

通过采集传感器、数据库、网络数据，进行数据清洗、数据转换、数据融合，构建一个数据资源体系，数据资源体系实现数据的分类、存储、管理和共享；整合多个子模型形成数字孪生模型，存储和管理数字孪生模型的相关数据和资源；根据预先设定的规则，对输入的数据进行预处理，管理和控制业务流程的执行，包括任务分配、状态跟踪等，实时监控数据，发现异常情况并生成预警信息，将任务派发给相应的人员，对数据进行深入分析。

S101 数据汇聚整合：采集无线基站设备全寿命周期数据、运行监测数据、环境数据及虚拟数据；

数据汇聚整合从MES、物联网关平台、业务系统等不同数据源的数据集成到一个统一的数据集合中，包括API、库表、物联网关三种采集方式，其中库表采集是基于阿里开源的DataX进行采集，异常值检测是基于孤立森林算法进行异常值检测；

孤立森林算法异常值检测为孤立森林假设用一个随机超平面来切割数据空间,每切一次便生成两个子空间，接着继续用一个随机超平面来切割每个子空间，循环下去，直到每个子空间里面只有一个数据点为止，那些密集度很高的点需要被切很多次才能让子空间中只有一个数据点，被认为是正常点，但是那些密集度很低的点的子空间则很快就被切割成只有一个数据点，被认为是离群的异常点，从而用以区分时序数据中的正常值与异常值；

S102 数字孪生建模：构建几何模型和物理模型；

S103 构建决策分析模型：通过物理数据、虚拟数据、算法数据、知识数据、融合数据等构建决策分析模型；

S104 智能分析决策：基于S103中构建决策分析的模型和实时接入的数据，研判预测无线基站设备运行的状态及故障维修方式，状态分为正常、故障、超负荷、超闲；

S105 自动优化、预警派单：如果S104中研判预测无线基站设备运行的状态为故障、超负荷、超闲情况，无线基站运维系统会通过远程自动优化，如果通过远程自动优化无法解决，无线基站运维系统会向运维人员自动发起预警派单，运维人员进行现场维护；

S106 3D可视化展示：将研判预测基站设备运行的状态，用不同的颜色标记在3D模型上。

本发明的有益效果为：

1、一种基于数字孪生的无线基站运维方法，通过采集传感器、数据库、网络等数据，进行数据清洗、数据转换、数据融合，构建一个组织内部的数据资源体系，实现数据的分类、存储、管理和共享；通过精确地模拟无线基站的实际情况，提高网络性能和优化资源利用，整合多个子模型，形成一个完整的、统一的数字孪生模型，存储和管理数字孪生模型的相关数据和资源；根据预先设定的规则，对输入的数据进行处理和决策，管理和控制业务流程的执行，包括任务分配、状态跟踪等，实时监控数据，发现异常情况并生成预警信息，将任务派发给相应的人员，同时利用统计学、机器学习等方法，对数据进行深入分析，发现潜在的规律和趋势。

2、基于精细化数字建模及一体化数字建模技术构建无线基站的数字孪生模型。

精细化数字建模是通过采集传感器、数据库、网络等数据，进行数据清洗、数据转换、数据融合，实现对无线基站的各个部位的设备构建数字模型。

一体化数字建模是将传感器、数据库、网络等数据进行整合和建模，实现多源数据的统一处理和融合，从而构建一个集成的数字模型。具体包括：

（1）数据整合和融合：将来自不同数据源的信息进行整合，并且确保数据格式、坐标系统等的一致性。

（2）数据处理和预处理：对数据进行质量评估、噪声去除、异常值检测等处理等，基于孤立森林算法进行异常值检测，以提高数据的准确性和可靠性。

（3）建模算法和模型：基于FMECA分析对无线基站进行危害性矩阵分析得到重要设备的故障模式、故障原因、故障影响等，并通过采取补偿措施来消除故障及降低故障影响。

风险优先数法通过计算无线设备每个故障模式的RPN值并对其进行排序，进而确定故障模式对设备的危害性大小，从而有针对的选择危害性大的故障模式进行优先处理。

风险优先数计算公式为

RPN = ESR×OPR×DDR

其中ESR表示故障模式对系统或设备影响的严重程度，OPR表示故障模式在规定时间内发生的可能性，其评判标准如表DDR表示故障模式能被检测识别的难易程度。

（4）模型集成和交互：将各个模型的建模结果进行集成，并提供用户友好的交互界面和可视化展示方式。

3、将采集的运行监测数据、无线基站全寿命周期数据及环境数据输入模型，能够使物理实体无线基站实时状态信息精准映射到数字孪生模型上，实现无线基站状态可视化，运维人员可通过访问操作数字孪生模型，实现无线基站现场及远程友好互动。

4、应用机器学习、人工智能算法，使感知数据在模型中不断迭代和验证，进而驱动无线基站实现自主状态管理、缺陷诊断、故障预警及全生命周期管理。

5、基于已有典型无线基站精细化数字孪生模型，对同类型、同地区、同场景下的无线基站构建一体化数字孪生模型，并根据已建立的机器学习算法，指导全域无线基站进行集群化管理与自主决策。

由于本系统采用数字孪生、机器学习、物联网、大数据等技术，本发明与现有运维系统相比，具有以下优点：解决无线基站运维检修浪费人力、财力问题，以及无线基站状态评估指标有效性差、评估结果不准确的问题，由预防性运维转向预测性运维，有效减少了不必要的现场作业，提高了无线基站状态评估、故障诊断的精确率和安全管控水平，实现了无线基站管理智能化和精益化。

附图说明

图1是本发明一种基于数字孪生的无线基站运维方法的流程图；

图2是本发明无线基站设备数字孪生技术架构图。

具体实施方式

本发明结合附图进一步细化说明如下：

S101 数据汇聚整合：采集无线基站设备全寿命周期数据、运行监测数据、环境数据及虚拟数据。

“数据汇聚整合”是指从MES、物联网关平台、业务系统等不同数据源的数据集成到一个统一的数据集合中。该实例中主要包括API、库表、物联网关三种采集方式，其中库表采集是基于阿里开源的DataX进行采集，异常值检测是基于孤立森林算法进行异常值检测。

“孤立森林算法异常值检测”是指孤立森林假设用一个随机超平面来切割数据空间,每切一次便可以生成两个子空间。接着继续用一个随机超平面来切割每个子空间，循环下去，直到每个子空间里面只有一个数据点为止。那些密集度很高的点需要被切很多次才能让子空间中只有一个数据点，被认为是正常点，但是那些密集度很低的点的子空间则很快就被切割成只有一个数据点，被认为是离群的异常点，从而用以区分时序数据中的正常值与异常值。

S102 数字孪生建模：构建几何模型和物理模型。

S103 构建决策分析模型：通过物理数据、虚拟数据、算法数据、知识数据、融合数据等构建决策分析模型。

S1031 使用层次分析法计算主观权重

从可靠性、经济性、维修性三个方面对无线基站设备维修方式的选择进行分析。

（1）建立无线基站设备维修方式决策层次结构，第一层为性能指标层，分别包括可靠性、经济性、维修性三个指标，用{u1,u2,u3}表示，第二层为评价指标层，分别为对人和环境的影响(u11)、对系统功能的影响(u12)、运行过程中的重要程度(u13)、维修费用(u21)、检测费用(u22)、停机损失(u23)、维修停机时间(u31)、维修的难易程度(u32)、备件的供应程度(u33)。

（2）按照标度法构造判断矩阵，标度法规则如下表所示（备注：ri与rj存在倒数关系，即ri=1/rj）。

需要分别按照性能指标层和评价指标层构造判断矩阵。例如性能指标层对于目标层的判断矩阵如下所示。

表中P12代表在可靠性的决定因素上对人和环境的影响比对系统功能的影响明显重要，前者占的比例更大。

同理可以得到评价指标层对于目标层的判断矩阵有三个。

（3）按照判断矩阵计算相对权重

以性能指标层判断矩阵为例，判断矩阵P0为：

计算判断矩阵P0每一行元素的乘积Mi，利用公式

对计算结果进行一致性检验，其中n＝3，通过查询表获取RI标准值，代入公式

从而得到CR＜0.1。表明判断矩阵P0满足一致性检验，因此，性能指标的权重向量可表示为W0=（0.637，0.105，0.258）。同理，对评价指标层的判断矩阵采用以上方法，可以求出相应的。λmax、CI、CR和特征向量W。

其中平均随机一致性指标RI标准值表如下图所示

通过上述方法计算，可以得到性能指标层中的三个指标相对于目标层的权重向量W0，评价指标层相对于性能指标层的权重向量W1，W2，W3，依次代入公式计算求得相应的权重W1＝（0.218,0.691,0.091）、W2＝（0.095,0.250,0.655）、W3＝（0.615,0.268,0.117）。

然后利用公式

S1032 熵权法计算客观权重

根据专家给出的偏好程度打分，最终构造性能指标层判断矩阵：

以打分后得到的一组数据为例：

R12表示在考虑对人和环境的影响因素上，采用事后维修方式比较不适合，采用定期维修方式和视情维修方式一般合适。

可得模糊判断矩阵：

将评价矩阵作标准化处理，使用公式

计算得到h，其中m=3，n=9，例。求得的权重即为客观权重。

组合赋权法融合了主观赋权法和客观赋权法，分别计算出主观权重和客观权重，然后根据实际情况对权重进行分析，最后得到主、客观组合权重系数。记层次分析法求得各个指标的主观权重为ｗi，熵权法求得各个指标的客观权重为ｈi，根据以下公式确定组合权重Ｗi．由层次分析法和熵权法计算得到的权重代入公式：

得到目标权重Wi。

S1033 按照灰色关联分析法确定模糊判断矩阵和维修方式决策

对应的评语集分别为P1事后维修，P2定期维修，P3视情维修，评语集和各评价指标间的关系为P={非常适合，比较适合，一般适合，比较不适合，不适合}，参照表中给出的评定要求，把评价人员给出的模糊评语转换为相对应的数值。建立维修方式相对于评价指标的模糊评判矩阵

由上表可得，评价人员对三种维修方案各评价指标给出的模糊判断矩阵R如下图。

将层次分析法和熵权法流程计算得到的组合权重W和模糊判断矩阵R带入到公式。根据模糊判断矩阵R确定其最优的参考序列R0为

然后求与参考序列的差序列、最大差、最小差。

得到下表：

然后求最值

＝max(6,4,6)=6。

计算关联系数根据公式（ρ＝0.5）

计算得到关联系数，例如ζ1=(0+0.5×6)/(6+0.5×6)=0.3，同理可得其它值：

第四步，结合权重及ｒ值代入公式，

即组合权值法得到的权重W分别与ζｉ相乘累加得到最终的ｒ１，ｒ２，ｒ３,然后根据他们的大小比较得到最大的为最优的维修方法。

S104 智能分析决策：基于S103中构建决策分析的模型和实时接入的数据，研判预测无线基站设备运行的状态（正常、故障、超负荷、超闲）及故障维修方式。

S105 自动优化、预警派单：如果S104中研判预测无线基站设备运行的状态为故障、超负荷、超闲等情况，无线基站运维系统会通过远程自动优化，如果通过远程自动优化无法解决，无线基站运维系统会向运维人员自动发起预警派单，运维人员进行现场维护。

S106 3D可视化展示：将研判预测基站设备运行的状态（正常、故障、超负荷、超闲），用不同的颜色标记在3D模型上。

名词解释：

FMECA（Failure Mode, Effects and Criticality Analysis，简称FMECA) 是在工程实践中总结出来的，以故障模式为基础，以故障影响或后果为目标的分析技术。它通过逐一分析各组成部分的不同故障对系统工作的影响，全面识别设计中的薄弱环节和关键项目，并为评价和改进系统设计的可靠性提供基本信息。