CN114896096A - 基于图像识别算法的数据中心设备故障预测系统及方法 - Google Patents

基于图像识别算法的数据中心设备故障预测系统及方法 Download PDF

Info

Publication number
CN114896096A
CN114896096A CN202210639245.3A CN202210639245A CN114896096A CN 114896096 A CN114896096 A CN 114896096A CN 202210639245 A CN202210639245 A CN 202210639245A CN 114896096 A CN114896096 A CN 114896096A
Authority
CN
China
Prior art keywords
fault
equipment
data
connection
fault prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210639245.3A
Other languages
English (en)
Inventor
耿虎
昂少强
于刚
张媛
常先久
张彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wansn Technology Co ltd
Original Assignee
Wansn Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wansn Technology Co ltd filed Critical Wansn Technology Co ltd
Priority to CN202210639245.3A priority Critical patent/CN114896096A/zh
Publication of CN114896096A publication Critical patent/CN114896096A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了基于图像识别算法的数据中心设备故障预测系统及方法，涉及计算机技术领域，解决了现有技术在进行设备故障预测中，需要持续获取设备状态数据，且无法对故障位置进行准确定位，导致设备故障预测效率低，且故障定位不及时的技术问题；本发明根据经验数据确定重点设备，获取重点设备的连接标签；根据连接标签采集标准设备的状态数据，将状态数据和故障预测库相结合确定故障预测标签，不仅能够提高故障预测效率，而且可以对故障位置进行准确定位；本发明基于知识图谱构建故障预测库，将故障历史数据中的标准设备以及对应的不同状态数据作为实体，故障类型作为实体，故障概率作为关联关系进而建立故障知识图谱，能够提高故障预测的准确性。

Description

基于图像识别算法的数据中心设备故障预测系统及方法
技术领域
本发明属于计算机领域，涉及基于图像识别算法的数据中心设备故障预测技术，具体是基于图像识别算法的数据中心设备故障预测系统及方法。
背景技术
随着信息技术的迅速发展，数据中心的规模和复杂度逐渐增大，设备种类、数量越来越多，设备故障影响数据中心的稳定运行，因此对数据中心中设备故障的预测非常重要。
现有技术(公开号为CN110377445A的发明专利)公开了一种故障预测方法和装置，通过将故障相关的状态数据和故障分布模型确定故障预测结果，实现对数据中心设备的故障预测。现有技术在进行设备故障预测中，需要持续获取设备状态数据，且无法对故障位置进行准确定位，导致设备故障预测效率低，且故障定位不及时；因此，亟须一种基于图像识别算法的数据中心设备故障预测系统及方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于图像识别算法的数据中心设备故障预测系统及方法，用于解决现有技术在进行设备故障预测中，需要持续获取设备状态数据，且无法对故障位置进行准确定位，导致设备故障预测效率低，且故障定位不及时的技术问题。
本发明根据经验数据确定重点设备，获取重点设备的连接标签；根据连接标签采集标准设备的状态数据，将状态数据和故障预测库相结合确定故障预测标签，不仅能够提高故障预测效率，而且可以对故障位置进行准确定位。
为实现上述目的，本发明的第一方面提供了基于图像识别算法的数据中心设备故障预测系统，包括数据分析模块，以及与之相连接的若干边缘分析模块，且若干所述边缘分析模块与数据中心对应的若干设备单元相关联；
若干边缘分析模块：从所述数据分析模块获取故障预测库；对重点设备进行连接测试获取连接状态，结合设备图像获取连接标签；以及
根据所述连接标签采集对应所述设备单元中标准设备的状态数据，将所述状态数据与所述故障预测库结合确定对应的故障预测标签；
数据分析模块：将所述数据中心划分成若干所述设备单元，并对若干所述设备单元中的所述标准设备进行分析，确定所述重点设备；以及
根据所述设备单元以及所述标准设备之间的连接关系建立故障可视模型；结合所述连接标签和所述故障预测标签对所述故障可视模型进行渲染。
优选的，所述数据分析模块与若干所述边缘分析模块通信和/或连接；
若干所述边缘分析模块与若干所述设备单元一一对应关联，且所述边缘分析模块负责关联的所述设备单元中的数据采集。
优选的，所述数据分析模块对所述数据中心进行划分，并确定所述数据中心中的所述重点设备，包括：
按照功能和设备连接关系将所述数据中心划分成若干所述设备单元；
根据工作人员经验或者历史故障数据对所述设备单元中的所述标准设备进行筛选，获取所述重点设备。
优选的，所述边缘分析模块获取所述重点设备对应的所述连接标签，包括：
获取关联的所述设备单元中的所述重点设备；
按照测试规则对所述重点设备进行测试，获取所述连接状态；
采集所述重点设备对应的设备图像，结合图像识别技术识别所述设备图像，获取连接信号状态；
当所述连接状态和所述连接信号状态均正常时，则将所述连接标签设置为0；否则，将所述连接标签设置为1。
优选的，所述数据分析模块根据故障历史数据建立所述故障预测库，包括：
获取所述故障历史数据；其中，所述故障历史数据包括状态数据、故障类型以及二者之间对应的故障概率；
对所述故障历史数据进行分析，建立故障知识图谱；将所述故障知识图谱标记为故障预测库。
优选的，所述边缘分析模块采集所述标准设备的所述状态数据，结合所述故障预测库获取所述故障预测标签，包括：
定时或者实时采集所述标准设备的所述状态数据；其中，所述状态数据包括性能数据、运行数据和日志数据；
根据所述状态数据在所述故障预测库中进行检索，获取故障信息；其中，所述故障信息包括故障类型以及对应故障概率；
根据所述故障信息生成所述故障预测标签。
优选的，所述数据分析模块建立并渲染所述故障可视模型，包括：
梳理所述标准设备之间的连接关系，结合若干所述设备单元建立所述故障可视模型；
通过所述连接标签和所述故障预测标签对所述故障可视模型中的所述标准设备进行渲染，根据渲染结果进行预警。
本发明的第二方面提供了基于图像识别算法的数据中心设备故障预测方法，包括：
数据分析模块根据故障历史数据建立更新故障预测库，并根据标准设备之间的连接关系建立故障可视模型；
若干边缘分析模块获取重点设备的连接标签；根据所述连接标签采集所述标准设备的状态数据，结合所述故障预测库确定对应的故障预测标签；
数据分析模块结合所述连接标签和所述故障预测标签对所述故障可视模型进行渲染。
与现有技术相比，本发明的有益效果是：
1、本发明根据经验数据确定重点设备，获取重点设备的连接标签；根据连接标签采集标准设备的状态数据，将状态数据和故障预测库相结合确定故障预测标签，不仅能够提高故障预测效率，而且可以对故障位置进行准确定位。
2、本发明基于知识图谱构建故障预测库，将故障历史数据中的标准设备以及对应的不同状态数据作为实体，故障类型也作为实体，故障概率作为关联关系进而建立故障知识图谱，能够提高故障预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要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。
图1为本发明的工作步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
现有技术(公开号为CN110377445A的发明专利)公开了一种故障预测方法和装置，通过将故障相关的状态数据和故障分布模型确定故障预测结果，实现对数据中心设备的故障预测。现有技术在进行设备故障预测中，需要持续获取设备状态数据，且无法对故障位置进行准确定位，导致设备故障预测效率低，且故障定位不及时。
数据中心中某一标准设备故障时，可能并不会影响数据中心的正常运行，但是当故障的标准设备所占比例变多时，则会对数据中心的运行产生影响，因此本申请的故障预测是以数据中心为预测对象。
本发明根据经验数据确定重点设备，获取重点设备的连接标签；根据连接标签采集标准设备的状态数据，将状态数据和故障预测库相结合确定故障预测标签，不仅能够提高故障预测效率，而且可以对故障位置进行准确定位。
请参阅图1，本申请第一方面实施例提供了基于图像识别算法的数据中心设备故障预测系统，包括数据分析模块，以及与之相连接的若干边缘分析模块，且若干边缘分析模块与数据中心对应的若干设备单元相关联；
若干边缘分析模块：从数据分析模块获取故障预测库；对重点设备进行连接测试获取连接状态，结合设备图像获取连接标签；以及根据连接标签采集对应设备单元中标准设备的状态数据，将状态数据与故障预测库结合确定对应的故障预测标签；
数据分析模块：将数据中心划分成若干设备单元，并对若干设备单元中的标准设备进行分析，确定重点设备；以及根据设备单元以及标准设备之间的连接关系建立故障可视模型；结合连接标签和故障预测标签对故障可视模型进行渲染。
本申请中的数据分析模块相当于中央服务器，也可以是云服务器、云平台等云端服务器，主要作用是进行统筹分配，进行大规模数据处理；边缘分析模块也是服务器，只不过边缘服务器仅负责关联设备单元中的数据处理。
本申请中的数据分析模块与若干边缘分析模块通信和/或连接；若干边缘分析模块与若干设备单元一一对应关联，且边缘分析模块负责关联的设备单元中的数据采集。
数据分析模块与若干个边缘分析模块构成整个系统架构，边缘分析模块的数量根据设备单元的数量确定，即一个设备单元关联配置一个边缘分析模块。需要说明的是，如果边缘分析模块的数据处理能力足够，也可以多个设备单元共用一个边缘分析模块。
本申请中的数据分析模块对数据中心进行划分，并确定数据中心中的重点设备，包括：
按照功能和设备连接关系将数据中心划分成若干设备单元；根据工作人员经验或者历史故障数据对设备单元中的标准设备进行筛选，获取重点设备。
将数据中心划分成若干设备单元实质是为了更好地对复杂的数据中心进行分析，因此设备单元中包括若干个标准设备，以及若干标准设备之间的连接关系；标准设备为数据中心负责数据处理交互的设备，如传输线路、服务器等。
在获取到设备单元之后则需要根据工作人员经验来确定重点设备，如工作人员凭借经验判定某一标准设备故障率高，则该标准设备即可被标记为重点设备。
或者根据历史故障数据(故障频率或者维修成本)来确定重点设备，如标准设备的故障频率非常高时，则将该标准设备标记为重点设备。
本申请中的边缘分析模块获取重点设备对应的连接标签，包括：
获取关联的设备单元中的重点设备；按照测试规则对重点设备进行测试，获取连接状态；采集重点设备对应的设备图像，结合图像识别技术识别设备图像，获取连接信号状态；当连接状态和连接信号状态均正常时，则将连接标签设置为0；否则，将连接标签设置为1。
确定重点设备之后，对重点设备进行硬件测试，即按照测试规则对重点设备的连接状态进行测试。当连接状态异常时，则发出连接异常警告，当连接状态正常时，则通过重点设备对应的设备图像进行验证，当验证通过时则将连接标签设置为0，表示重点设备连接状态正常。当所有重点设备的连接状态正常时，则判定数据中心的硬件正常。
可以理解的是，如果无法获取重点设备对应的设备图像时，则取消对连接状态的验证，依据测试结果设置连接标签。
测试规则预先设定，基于脉冲法、信号时间差等设定，如通过某一重点设备发送测试脉冲，根据脉冲往返时间差来判断连接状态是否正常。通过图像识别技术识别设备图像的信号指示是否正常，有无损坏等，结合连接状态即可设置连接标签。
本申请中的，数据分析模块根据故障历史数据建立故障预测库，包括：
获取故障历史数据；对故障历史数据进行分析，建立故障知识图谱；将故障知识图谱标记为故障预测库。
故障历史数据包括状态数据、故障类型以及二者之间对应的故障概率。状态数据包括标准设备的性能数据、运行数据、日志数据等。状态数据与故障类型之间的故障概率实质该状态数据有多大几率对应该故障类型。
对故障历史数据进行分析提取，获取实体以及实体之间的关联关系，如实体为标准设备和故障类型，二者之间的故障概率则为管理关系。考虑到标准设备的不同状态数据可能对应不同的故障类型，因此在以标准设备为实体时，应该对其不同状态数据进行整合，如将标准识别以及对应的不同状态数据作为一个实体，不同状态数据对应的故障类型也作为实体，状态数据和故障类型之间的故障概率仍然作为关联关系。
在一个优选的实施例中，边缘分析模块采集标准设备的状态数据，结合故障预测库获取故障预测标签，包括：
定时或者实时采集标准设备的状态数据；根据状态数据在故障预测库中进行检索，获取故障信息；根据故障信息生成故障预测标签。
采集到标准设备的状态数据之后，通过状态数据在故障预测库中检索获取对应的故障类型以及故障概率，根据故障类型和故障概率生成故障预测标签，即可完成数据中心的软件故障预测。
在一个可选的实施例中，数据分析模块建立并渲染故障可视模型，包括：
梳理标准设备之间的连接关系，结合若干设备单元建立故障可视模型；通过连接标签和故障预测标签对故障可视模型中的标准设备进行渲染，根据渲染结果进行预警。
根据连接标签和故障预测标签渲染故障可视模型，能够将数据中心中硬件和软件状态进行可视化展示，也便于工作人员对故障进行及时维护处理。
本申请第二方面实施例提供了基于图像识别算法的数据中心设备故障预测方法，包括：
数据分析模块根据故障历史数据建立更新故障预测库，并根据标准设备之间的连接关系建立故障可视模型；
若干边缘分析模块获取重点设备的连接标签；根据连接标签采集标准设备的状态数据，结合故障预测库确定对应的故障预测标签；
数据分析模块结合连接标签和故障预测标签对故障可视模型进行渲染。
本发明的工作原理：
数据分析模块根据故障历史数据建立更新故障预测库，并根据标准设备之间的连接关系建立故障可视模型。
若干边缘分析模块获取重点设备的连接标签；根据连接标签采集标准设备的状态数据，结合故障预测库确定对应的故障预测标签。
数据分析模块结合连接标签和故障预测标签对故障可视模型进行渲染。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.基于图像识别算法的数据中心设备故障预测系统，包括数据分析模块，以及与之相连接的若干边缘分析模块，且若干所述边缘分析模块与数据中心对应的若干设备单元相关联，其特征在于：
若干边缘分析模块：从所述数据分析模块获取故障预测库；对重点设备进行连接测试获取连接状态，结合设备图像获取连接标签；以及
根据所述连接标签采集对应所述设备单元中标准设备的状态数据，将所述状态数据与所述故障预测库结合确定对应的故障预测标签；
数据分析模块：将所述数据中心划分成若干所述设备单元，并对若干所述设备单元中的所述标准设备进行分析，确定所述重点设备；以及
根据所述设备单元以及所述标准设备之间的连接关系建立故障可视模型；结合所述连接标签和所述故障预测标签对所述故障可视模型进行渲染。
2.根据权利要求1所述的基于图像识别算法的数据中心设备故障预测系统，其特征在于，所述数据分析模块与若干所述边缘分析模块通信和/或连接；
若干所述边缘分析模块与若干所述设备单元一一对应关联，且所述边缘分析模块负责关联所述设备单元中的数据采集。
3.根据权利要求1所述的基于图像识别算法的数据中心设备故障预测系统，其特征在于，所述数据分析模块对所述数据中心进行划分，并确定所述数据中心中的所述重点设备，包括：
按照功能和设备连接关系将所述数据中心划分成若干所述设备单元；
根据工作人员经验或者历史故障数据对所述设备单元中的所述标准设备进行筛选，获取所述重点设备。
4.根据权利要求3所述的基于图像识别算法的数据中心设备故障预测系统，其特征在于，所述边缘分析模块获取所述重点设备对应的所述连接标签，包括：
获取关联的所述设备单元中的所述重点设备；
按照测试规则对所述重点设备进行测试，获取所述连接状态；
采集所述重点设备对应的设备图像，结合图像识别技术识别所述设备图像，获取连接信号状态；
当所述连接状态和所述连接信号状态均正常时，则将所述连接标签设置为0；否则，将所述连接标签设置为1。
5.根据权利要求1所述的基于图像识别算法的数据中心设备故障预测系统，其特征在于，所述数据分析模块根据故障历史数据建立所述故障预测库，包括：
获取所述故障历史数据；其中，所述故障历史数据包括状态数据、故障类型以及二者之间对应的故障概率；
对所述故障历史数据进行分析，建立故障知识图谱；将所述故障知识图谱标记为故障预测库。
6.根据权利要求5所述的基于图像识别算法的数据中心设备故障预测系统，其特征在于，所述边缘分析模块采集所述标准设备的所述状态数据，结合所述故障预测库获取所述故障预测标签，包括：
定时或者实时采集所述标准设备的所述状态数据；其中，所述状态数据包括性能数据、运行数据和日志数据；
根据所述状态数据在所述故障预测库中进行检索，获取故障信息；其中，所述故障信息包括故障类型以及对应故障概率；
根据所述故障信息生成所述故障预测标签。
7.根据权利要求6所述的基于图像识别算法的数据中心设备故障预测系统，其特征在于，所述数据分析模块建立并渲染所述故障可视模型，包括：
梳理所述标准设备之间的连接关系，结合若干所述设备单元建立所述故障可视模型；
通过所述连接标签和所述故障预测标签对所述故障可视模型中的所述标准设备进行渲染，根据渲染结果进行预警。
8.基于图像识别算法的数据中心设备故障预测方法，基于权利要求1至7任意一项所述的基于图像识别算法的数据中心设备故障预测系统运行，其特征在于，包括：
数据分析模块根据故障历史数据建立更新故障预测库，并根据标准设备之间的连接关系建立故障可视模型；
若干边缘分析模块获取重点设备的连接标签；根据所述连接标签采集所述标准设备的状态数据，结合所述故障预测库确定对应的故障预测标签；
数据分析模块结合所述连接标签和所述故障预测标签对所述故障可视模型进行渲染。
CN202210639245.3A 2022-06-07 2022-06-07 基于图像识别算法的数据中心设备故障预测系统及方法 Pending CN114896096A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210639245.3A CN114896096A (zh) 2022-06-07 2022-06-07 基于图像识别算法的数据中心设备故障预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210639245.3A CN114896096A (zh) 2022-06-07 2022-06-07 基于图像识别算法的数据中心设备故障预测系统及方法

Publications (1)

Publication Number Publication Date
CN114896096A true CN114896096A (zh) 2022-08-12

Family

ID=82727724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210639245.3A Pending CN114896096A (zh) 2022-06-07 2022-06-07 基于图像识别算法的数据中心设备故障预测系统及方法

Country Status (1)

Country Link
CN (1) CN114896096A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116684823A (zh) * 2023-04-26 2023-09-01 国网浙江省电力有限公司嘉兴供电公司 基于设备健康码的关联设备定位和故障确定方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116684823A (zh) * 2023-04-26 2023-09-01 国网浙江省电力有限公司嘉兴供电公司 基于设备健康码的关联设备定位和故障确定方法及系统
CN116684823B (zh) * 2023-04-26 2024-02-09 国网浙江省电力有限公司嘉兴供电公司 基于设备健康码的关联设备定位和故障确定方法及系统

Similar Documents

Publication Publication Date Title
CN111209131B (zh) 一种基于机器学习确定异构系统的故障的方法和系统
KR101856543B1 (ko) 인공지능 기반의 장애 예측 시스템
CN109240126B (zh) 一种具有模拟操作功能的分布式应用服务监测系统及方法
CN107657390A (zh) 一种特种设备安全隐患管控大数据监测系统及监测方法
CN111400189A (zh) 代码覆盖率监测方法、装置、电子设备及存储介质
CN116185757B (zh) 机房能耗智能监测系统
CN108665237B (zh) 一种基于业务系统建立自动巡检模型和定位异常的方法
CN114255784A (zh) 一种基于声纹识别的变电站设备故障诊断方法及相关装置
CN116010456A (zh) 设备的处理方法、服务器和轨道交通系统
CN114896096A (zh) 基于图像识别算法的数据中心设备故障预测系统及方法
CN112269673A (zh) 一种数据中心智能运维管理系统及方法
CN112035550A (zh) 一种故障定位方法及装置
CN113468022B (zh) 一种对产品集中监控的自动化运维方法
CN115037603A (zh) 用电信息采集设备的诊断评估方法、装置及系统
CN113641667B (zh) 一种分布式大数据采集平台的数据异常监控系统及方法
CN117114420B (zh) 一种基于图像识别的工贸安全事故风险管控系统和方法
CN117150418B (zh) 基于状态特征故障树的变压器运检周期制定方法和系统
CN117220917A (zh) 一种基于云计算的网络实时监控方法
CN115509854A (zh) 一种巡检处理方法、巡检服务器及系统
CN114066181A (zh) 一种热工设备智能状态评估系统
CN107765123A (zh) 检测规则更新方法及用电安全监测系统
CN113807690A (zh) 区域电网调控系统运行状态在线评估预警方法及系统
CN113447764A (zh) 应用于电网的智慧监测及故障管控方法
CN116582410B (zh) 一种基于itsm系统的智能运维服务方法及装置
CN113037550B (zh) 一种服务故障监控方法、系统及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination