机载网络化测试系统网络性能综合评价研究

　概述

当前，在民机试飞测试任务开展中基于以太网构建机载测试系统以完成各类测试数据传输，而测试网络化也是目前新型飞机机载测试系统设计的主要方向，在国内外的新型飞机试飞测试中得到广泛的应用。同时，为确保测试系统数据传输实时性、可靠性以及稳定性需要对测试系统进行网络性能评价以确保系统设计合理有效。

目前，针对网络化测试系统网络性能评价的关注重点局限于单一业务、单一网络性能指标的评价，例如针对网络实时性，仅仅对比网络时延、时延抖动等参数的对比评价；针对网络可靠性，只进行丢包率的对比说明，没有对整体网络业务需求和性能参数进行综合评价研究，不能反映网络的整体运行状况和综合网络性能。

因此，本文提出基于模糊神经网络算法的网络化测试系统网络性能综合评价模型，在评价对象需求分析的基础上，确定各性能指标的评价等级区间，以实现网络性能的综合评价。

1　机载网络化测试系统介绍

机载测试系统包括数据采集子系统、数据交换及管理子系统、数据记录子系统等方面，具有网络化采集、传输、记录和实时处理的功能，其中包括各类总线数据的采集、多路视频信号的采集记录、实时数据的处理等。

其通信链路可划分为：实时数据处理链路、数据记录链路、遥测参数传输链路和时序同步信息传输链路等。其中，实时数据处理链路对时延和丢包较为敏感，需要较低的传输时间延迟和无丢失的传输环境，保证实时数据的及时且可靠传递；数据记录链路需要较高的传输带宽，对端到端吞吐量较为敏感；而遥测参数传输和时序同步信息传输依赖于较高的时钟同步精度和可靠的传输链路。

因此，针对其业务类型和性能需求，本文提出将网络时延、丢包率和时间同步精度作为本综合评价模型的评价因子。

2　基于T-S模型的模糊神经网络算法的研究

基于T-S模型的模糊神经网络（Fuzzy Neural Nework，FNN）算法是1985年由国外学者Takagi和Sugeno提出，该算法结合模糊算法的精确性和神经网络算法的强适应性，在综合评价、故障诊断、工业控制以及需求预测方面得到广泛应用。

基于T-S模型的FNN综合评价算法的主体是模糊算法，评价体系的初始即通过样本数据进行模糊逻辑的建立，进而进行规则学，完成综合评价。

3　网络性能指标评价等级区间的研究

在进行网络性能综合评价之前，需要根据评价对象需求进行指标优劣等级区间的划分，因为测试过程不仅关注当前网络传输环境是否满足测试需求，是否能保证测试数据实时、可靠传输，确保测试结果可信，同时在网络系统构建、网络性能优化以及网络故障程度确认中需要能进行网络性能优劣的比对，因此本文将网络性能评价指标划分为5个区间，分别对应网络数据传输环境优、良好、可用、存在风险以及不可用5个评价等级。下文将基于本课题的研究对象机载网络化测试系统需求提出各性能指标的评价等级区间。

3.1　时间延迟评价等级区间

在机载测试过程中，采集器数据传输时间延迟显著影响着测试系统的实时性和准确性，同时对飞行实验中时间相关性分析的精度也有干扰。

其中，在开展飞机气动导数获取的飞行试验中，需要进行滚转角速率、偏航角等参数的测量从而完成横侧向导数的识别，识别过程需要各测量参数的时间协同性，受到时间延迟的影响，当时间延迟为10ms时，横侧向导数辨识误差较大，难以满足飞行试验需求，而当时间延迟为5ms时，其辨识精度提高很大，满足需求。

因此，结合上述机载测试需求和测试工程师有关网络数据传输的建议，提出网络时延的评价等级区间，见表1：

表1　时间延迟评价等级区间

3.2　网络丢包率评价等价区间

在网络化测试系统中，对于信息查询、非关键业务数据的丢失低于某一阈值，则对系统正常运作影响不大，而报警信息、指令信息等重要紧急数据的丢失可能导致测试事故，因此在一般网络化测试通信系统中，不允许数据丢失。

而且在A380基于IENA的飞行试验网络化测试架构设计报告中提到，为确保试飞的测试结果的可信性，需要保证数据从采集端到处理端的无丢失传输，即丢包率为0。

因此，本课题网络丢包率的评价等级区间见表2：

表2　网络丢包率评价等级区间

3.3　时钟同步精度评价等价区间

在机载测试系统运行中，采集器、网络交换机等设备之间的时钟同步是所有测试数据有效性、可用性以及实时性的最根本条件。

中国飞行试验研究院学者针对机载测试同步的需求提出当同步精度＜500ns时，各设备之间时钟同步，能够开展测试工作；而当同步精度＞500ns，则认为各设备之间尚未同步。

而学者田方正针对机载网络化测试系统对精确时钟同步的需求，提出系统网络中主从时钟的同步精度要求在1μs内。

本课题结合上述学者的研究和评价对象的实际需求，提出时钟同步精度评价等级区间，见表3：

表3　时钟同步精度评价等级区间

4　基于模糊神经网络模型的网络性能评价

在完成模糊神经网络评价模型构建和指标评价区间设定的基础上，即可开展多指标网络性能综合评价验证实验。

4.3　模糊神经网络模型的实现

模糊神经网络模型的实现主要包括：模糊神经网络初始化、模糊神经网络训练、模糊神经网络模型误差分析。

本课题应用Matlab工具通过进行神经网络系数、隶属度参数以及归一化操作完成模糊神经网络初始化。

4.3.1　模糊神经网络训练

将上述训练样本导入构建的模糊神经网络模型中，进行训练学习，重复500次进化学习不断提高评价精度，降低误差。

如图3所示，在本模糊神经网络模型中，经过500次循环训练后，整个样本平均误差下降到2%左右，获得较高的综合评价精度。

在先后完成基于T-S模型模糊神经网络算法的研究、网络性能指标评价等级区间划分以及基于Matlab工具的模糊神经网络模型的实现，即可针对实验室平台展开网络性能综合评价的研究。

4.4　机载网络化测试系统网络性能评价的使用

通过对基于T-S模糊神经网络模型的研究、构建与误差分析，已经能实现对网络性能进行综合评价，给出当前网络数据传输环境是否可用。

结合网络化测试系统网络性能指标测量结果，本文所提供的网络性能综合评价方法针对在机载测试系统设计、优化以及实际使用中均能实时给出综合性能评价指标从而实时监测系统运行健康状态，保证数据传输过程实时可靠。

5　结语

本文通过对基于T-S模糊神经网络模型的研究完成模型构建、训练样本生成以及误差分析，并通过对机载网络化测试系统的需求分析给出网络时延、网络丢包等网络性能指标的评价等级区间，将网络性能分成优、良好、可用、风险以及不可用5个状态，从而完成网络化测试系统网络性能综合评价模型构建。本文提出的网络化测试系统网络性能综合评价方法能对网络数据传输状态进行实时评价，能为网络化测试系统设计合理性测试、网络传输问题检测提供可靠的系统综合评估方法。统设计提供指导意见。

同时，本文仅给出了评价结果，而针对其中指标不符合内容尚未给出可用的优化意见，因此下一步有必要针对网络化测试系统中指标不符合项进行性能优化确保能发现问题的同时解决问题。

参考文献

[1]Tomohiro Takagi，Michio Sugeno．Fuzzy identification of systems and its applications to modeling and control[J]．Systems，Man and Cybernetics，IEEE Transactions on，1985，（1）.

[2]R. N. A. Prado，J. D. Melo，J. A. N. Oliveira，et al．FPGA based implementation of a Fuzzy Neural Network modular architecture for embedded systems[C]．Neural Networks （IJCNN），The 2012 International Joint Conference on，2012．

[3]Jinlan Gao，Qian Gao，Lili Bai．Application of fuzzy neural network optimized by MEA to transformer fault diagnosis[C]．Control Conference （CCC），2012．

[4]田方正，齐连普．机载数据采集器的时间延迟对飞行试验测试结果影响的研究[J]．测控技术，2008，（1）.

[5]田宝泉，吕鹏涛，贺敬．基于以太网和PCM的分布式机载测试系统时间延迟分析[J]．科学技术与工程，2013，（7）.

[6]邵向潮．智能变电站通信网络建模仿真与性能分析[D]．广州：华南理工大学，2014.

[7]张娟，吕鹏涛，王亮，等．网络化机载测试系统中网络性能测量研究[J]．计算机测量与控制，2013，（3）.

[8]田方正，王锦．机载网络化测试系统框架设计技术研究[J]．测控技术，2013，（4）.