视频质量故障诊断与定位技术研究

刘超

【摘要】 随着视频会议系统覆盖范围的不断扩大，传统的人工故障排查的方法不仅耗费了大量的时间与人力，而且还无法保证实时性和可靠性。为了解决这一问题，现提出有效的视频故障诊断方法。通过这些方法能够自动诊断出视频故障从而减少运维人员的劳动量，同时可以对故障原因进行分析，给出合理的维修建议。本文综合概述了4种基于知问题。故障检测方法有多种，目前常用的方法有：基于知识的检测方法，如基于事例的推理、模糊逻辑、基于模型的方法等，基于信号处理的检测方法，如相关分析等和基于解析模型的检测方法，如故障树的方法等。视频故障检测技术的主流技术是基于知识的方法。本文以基于知识的方法对视频质量检测技术做概要叙述，介绍几种常见的故障定位技术。

【关键字】 视频 故障诊断 定位

视频质量是视频会议系统核心，画面质量下降会对视频会议保障工作造成严重影响，对视频的质量进行诊断与检测，快速发现并定位故障是系统亟待解决的问题。故障检测方法有多种，目前常用的方法有：基于知识的检测方法，如基于事例的推理、模糊逻辑、基于模型的方法等，基于信号处理的检测方法，如相关分析等和基于解析模型的检测方法，如故障树的方法等。视频故障检测技术的主流技术是基于知识的方法。本文以基于知识的方法对视频质量检测技术做概要叙述。下面介绍几种常见的故障定位技术。

一、视频故障诊断的方法

解决故障诊断问题的方法多种多样，它们的理论基础大致相同，均来自人工智能、信号处理、图论、模式识别、信息论等计算机科学领域。根据知识组织方式和和推理机制的不同，可将目前常用的故障诊断方法大致分为：基于规则推理的诊断方法、基于案例推理的诊断方法、基于模型的诊断方法、基于人工神经网络的诊断方法、基于模糊模糊逻辑的诊断方法等等。

1.1 基于规则推理的诊断方法

基于规则的推理（Rule-Based Reasoning， RBR），在此方法中，规则是由相关领域专家的知识与经验表示出来的，一般形式是：if<前提>then<结论>。其中，任何能与数据匹配的模型放在前提部分，满足前提时可以得出的结论放在结论部分。基于规则的推理系统一般由一个工作内存、一个知识库和一个推理机（即推理引擎）组成。这三部分分别描绘了系统的数据层、知识层和控制层。模型如下图1所示：

工作内存中包含了收集到的视频数据的各种数据信息。工作内存通过分析这些信息识别出诊断对象是否发生故障。

从人类领域专家那里得到的专家知识被放在知识库中，包括两部分内容：①关于诊断对象出现问题时定义的专家知识；②当某一特定问题发生时所要执行的动作。知识库中的专家知识是基于规则的，就是所有知识都采用“if -then”或者“condition -action”两个形式来表示。推理机与知识库协同工作，将知识库中的规则与诊断对象进行比较，从而确定该规则能否被使用。当条件满足时，才会输出规则的后项。一种十分少见却最简单的情况是一条规则就可以判断出诊断对象的故障。多数时候推理机需要将得到的结论作为条件在知识库中进行多次的推理，才能得出最终的故障结论。

基于规则推理的方法存在以下的缺陷：1）规则必须精确匹配。如果当前的诊断对象状态与规则的条件不匹配，那么系统将退出整个推理过程。2）对每个对象的诊断需要多个规则，随着诊断对象的数量增加，相应的规则数量也会呈指数级增长，对存储规则的数据库的容量需求也将越来越大。3）规则不易维护。由于知识是特定于诊断对象配置，无论何时，诊断对象的相关配置变更都需要开发或改变新规则。

1.2 基于案例推理的诊断方法

基于案例推理（Case-Based Reasoning， CBR）的故障定位方法和上述方法有较大的区别。基于事例的推理根据以往求解类似问题的经验知识进行推理，从而获得当前问题求解结果。一个有效的事例表示要包括三部分内容：事例发生的原因或背景；事例的特点或过程；事例的解决方法与结果。其思想来源于现实生活，一些事件在现实中总是重复发生，处理类似的事件的方法也可以用这个方法，根据这一思想，将过去故障诊断的成功案例存入案例库。每当遇到新故障时，我们可以寻找类似的案例在案例库中，利用类比推理方法得到近似的解，再对答案加以适当修改，使之完全适合新问题。此方法的体系结构如下图2所示：

从上图可以看出，CBR故障定位系统由五个部分组成，其中包括一个案例库和四个功能模块。首先输入模块接收视频诊断对象故障的描述。

然后检索模块寻找与之匹配的案例在案例库中，如果有完全匹配的案例，那么要找的答案就是该案例的故障源；如果找不到完全匹配的例子，检索模块就会在案例库中找一个最相似的案例。

然后由修正模块根据故障间的差异对该案例的解作适当的修改就可满足当前问题的要求，其结果是得到一个完整的解。一旦找到故障源，一个新的案例就会被处理模块加入到案例库中，供以后故障定位时使用。检索模块会提供多种匹配方式来对案例进行匹配。

基于案例推理的故障定位推理方法有自学习能力，在刚开始运行此方法的时候，几乎找不到匹配案例，随着运行次数的增加，案例库中存储的案例逐渐增多，相匹配的情况会越来越多。

如此可知，对于视频故障诊断可以将二者结合起来，利用规则推理诊断方法对知识库进行预学习，在进行诊断的时候采用案例推理诊断方法保障系统的健壮性。

1.3 基于模型的诊断方法

与前面所述两种方法不同，基于模型的推理方法（Model-based ways），在建立的系统模型中包含领域专家的专业知识，更多地利用系统的结构、行为与功能等知识是基于模型的诊断方法的特点[2]。相对于基于规则的推理方法，这种诊断方式能够处理未知的情况，系统存在的潜在故障也有可能被检测到。

系统模型建立是基于模型的诊断方法的核心，系统模型中的诊断对象相关信息和告警触发条件的获得和更新是难点。基于模型的故障定位方法由于所建立的模型不同，建立其上的方法也不尽相同，如今应用较广的有基于密码本关联模型的故障诊断方法。

基于密码本关联模型（Codebook Correlation Model）的故障定位方法[3]：由故障源引发的事件集被它视作标志故障源的“密码”，对捕获到的一系列故障事件进行“解码”就是定位故障源的整个进程。此方法不需要专家知识来将故障源和故障事件联系起来，只需要进行比较操作，运算的复杂度较低，所以在速度上有一定的优势。

1.4 基于模糊逻辑的诊断方法

在基于模糊逻辑的故障定位方法中，其知识表示采用模糊产生式规则。模糊产生式规则是将传统产生式规则“if<条件>then<结论（或动作）>”进行模糊化。引入模糊的概念更好地模拟人类的思维与决策过程，计算机的计算结果不再是简单的从0或1中二选其一，而是选择在区间[0，1]之间的一个值。

模糊逻辑最重要的是建立模糊隶属度，确定隶属度的方法有许多。计算机在进行模糊逻辑时，首先从用户接口接收证据及其相应的模糊词，然后根据隶属度表确定每个条件模糊词的隶属度，进而进行推理得到结论。

由于一般的基于模糊逻辑的诊断方法采用了与基于规则的诊断方法类似的 结构，因此它也具有基于规则的诊断方法的一些的缺陷：

1）在推理时诊断时长和知识库内搜索量有关。一般情况下，知识库大，诊断时耗长。

2）模糊系统也存在维护的问题。

3）模糊系统也不具备学习能力，容易发生漏诊或误诊。

4）用隶属函数表示模糊语言变量，两者之间的转换是一个难题。

二、结论与展望

几种主要的故障定位方法[4]的优缺点对比如下表1所示：

视频会议系统存在其固有的特点，对视频进行诊断的评价指标数量有限，相对于网络故障诊断，视频诊断的规模要远远小于网络故障诊断，因此可以采用基于规则与案例推理的视频诊断方法比较合适。并且对视频质量的评价可以只分为合格或者不合格，也可以对其进行打分制即在合格与不合格之间划分更多的档次。基于模糊逻辑的故障诊断方法可以对视频质量进行更细致的诊断。

未来视频诊断的研究方向，对视频的质量要求越来越高，对视频进行评价的评价指标也会越来越多，高速，高效，高可靠，智能的视频诊断方法是未来要重点研究的方向。

参 考 文 献

[1]张泽林，赵洋. 基于关联规则的软件多故障定位技术[J]. 现代电子技术，2015，12：39-43.

[2]李明. 基于模型验证的故障定位方法研究[D].华中师范大学，2010.

[3]王连波. 模糊推理在网络故障诊断中的应用研究[D].电子科技大学，2007.

[4]吴明强，李界红.故障诊断专家系统综合智能推理技术研究[J]. 计算机测量与控制，2004，12（10）：932-934.