CN102789529A - 故障预测方法、装置、系统和设备 - Google Patents
故障预测方法、装置、系统和设备 Download PDFInfo
- Publication number
- CN102789529A CN102789529A CN2012102456522A CN201210245652A CN102789529A CN 102789529 A CN102789529 A CN 102789529A CN 2012102456522 A CN2012102456522 A CN 2012102456522A CN 201210245652 A CN201210245652 A CN 201210245652A CN 102789529 A CN102789529 A CN 102789529A
- Authority
- CN
- China
- Prior art keywords
- functional module
- healthy
- score value
- service data
- running status
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种故障预测方法、装置、系统和设备，属于设备管理领域。该方法应用于包括至少一个功能模块的系统，该方法包括：获取功能模块当前采样时间片的运行数据；根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；根据该健康分值，预测该功能模块的运行状态。本发明在功能模块的运行状态可能会发生异常时，及时提醒系统用户，避免功能模块的崩溃，确保了系统运行时的稳定性。
Description
技术领域
本发明涉及设备管理领域，特别涉及一种故障预测方法、装置、系统和设备。
背景技术
小型机系统按照功能来分可以分成若干个功能模块，在小型机作业时，各个功能模块硬件资源的健康状况影响着整个系统健康状况，在系统运行期间，小型机功能模块硬件资源的健康状态会呈现出健康、亚健康以及不健康状态。健康和不健康状态目前比较容易识别，但是对于亚健康状态，现有方法很难进行判定，往往会出现两个极端，把亚健康判定为不健康或者根本就置之不理。如果将亚健康判定为不健康，一旦停止小型机的作业，会影响正常的业务运行，而如果将亚健康状态置之不理，随着系统的运行，亚健康状态很有可能会恶化为不健康状态，从而导致小型机系统中功能模块崩溃，进而影响业务运行的稳定性以及性能。
发明内容
本发明实施例提供了一种故障预测方法、装置、系统和设备，达到了预测系统的健康状况的目的，从而确保小型机系统在运行时的稳定性。所述技术方案如下：
第一方面，一种故障预测方法，所述方法应用于包括至少一个功能模块的系统，所述方法包括：
获取功能模块当前采样时间片的运行数据；
根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；
根据所述健康分值，预测所述功能模块的运行状态。
在第一方面的第一种可能的实现方式中，获取功能模块当前采样时间片的运行数据，之前包括：
获取所述功能模块初始化阶段的运行数据；
根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图。
结合第一方面，在第一方面的第二种可能的实现方式中，根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图，之后包括：
根据所述系统中各个功能模块的健康趋势图，获取所述系统的健康趋势图。
相应地，根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，确定所述当前采样时间片的运行数据在所述健康趋势图上所处的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值，之后包括：
根据所述系统中各个功能模块的健康分值和所述系统的健康趋势图，获取所述系统的健康分值；
根据所述系统的健康分值，预测所述系统的运行状态。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，根据所述系统中各个功能模块的健康分值和所述系统的健康趋势图，获取所述系统的健康分值，包括：
根据所述系统中各个功能模块的健康分值、权重值和所述系统的业务场景权值，应用公式
获取所述系统当前运行状态的S值，确定所述系统的S值在所述系统的健康趋势图上所处的概率事件发生区，将所述S值所处的概率事件发生区对应的健康分值作为所述系统当前运行状态的健康分值，其中，Fi为第i个功能模块的健康分值，Qi为第i个功能模块的权重值，Ci为系统运行的业务场景权值。
结合第一方面的第二种可能的实现方式，在第一方面的第四种可能的实现方式中，根据所述系统的健康分值，预测所述系统的运行状态，包括：
当所述系统的健康分值低于第一预设阈值时，则所述系统的运行状态为不健康状态，当所述系统的健康分值高于第一预设阈值且低于第二预设阈值，则所述系统的运行状态为亚健康状态；当所述系统的健康分值高于第二预设阈值，则所述系统的运行状态为健康状态。
在第一方面的第五种可能的实现方式中，根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图，包括：
将所述初始化阶段的运行数据作为样本空间，获取所述样本空间的韦伯分布参数；
根据所述韦伯分布参数，得到所述功能模块的健康趋势图。
在第一方面的第六种可能的实现方式中，获取功能模块当前采样时间片的运行数据，包括：
当接收到采样指令时，在当前采样时间片内对耦合在所述功能模块的电路模块进行采样，得到所述功能模块的运行数据，将所述运行数据按照采样时间片、单元标号以及系统的负载区间进行存储。
在第一方面的第七种可能的实现方式中，获取功能模块当前采样时间片的运行数据，还包括：
从所述功能模块的存储介质中获取所述功能模块的模块信息，所述存储介质用于存储所述功能模块的模块信息。
在第一方面的第八种可能的实现方式中，根据所述健康分值，预测所述功能模块的运行状态，之后包括：
当确定所述功能模块的运行状态为误判时，根据修正因子
对所述功能模块的健康趋势图进行修正，其中，j为样本数，m为该采样时间片内的样本总数。
在第一方面的第九种可能的实现方式中，获取功能模块当前采样时间片的运行数据，之后包括：
当对所述功能模块的运行状态未发生误判时，将所述功能模块当前采样时间片的运行数据作为增量，填加到生成所述功能模块的健康趋势图的样本空间；
根据增量后的样本空间，更新所述功能模块的健康趋势图。
在第一方面的第十种可能的实现方式中，根据所述健康分值，预测所述功能模块的运行状态，包括：
当所述健康分值低于第一预设阈值时，则所述功能模块的运行状态为不健康状态，当所述健康分值高于第一预设阈值且低于第二预设阈值，则所述功能模块的运行状态为亚健康状态；当所述健康分值高于第二预设阈值，则所述功能模块的运行状态为健康状态。
第二方面，一种故障预测装置，所述装置应用于包括至少一个功能模块的系统，所述装置包括：
第一获取单元，用于获取功能模块当前采样时间片的运行数据；
第一比较单元，用于根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；
第一预测单元，用于根据所述健康分值，预测所述功能模块的运行状态。
在第二方面的第二种可能的实现方式中，所述装置还包括：
第二获取单元，用于获取所述功能模块初始化阶段的运行数据；
功能模块健康趋势图获取单元，用于根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图。
结合第二方面，在第二方面的第二种可能的实现方式中，所述装置还包括：
系统健康趋势图获取单元，用于根据所述系统中各个功能模块的健康趋势图，获取所述系统的健康趋势图；
第二比较单元，用于根据所述系统中各个功能模块的健康分值和所述系统的健康趋势图，获取所述系统的健康分值；
第二预测单元，用于根据所述系统的健康分值，预测所述系统的运行状态。
结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，所述第二比较单元具体用于根据所述系统中各个功能模块的健康分值、权重值和所述系统的业务场景权值，应用公式
获取所述系统当前运行状态的S值，确定所述系统的S值在所述系统的健康趋势图上所处的概率事件发生区，将所述S值所处的概率事件发生区对应的健康分值作为所述系统当前运行状态的健康分值，其中，Fi为第i个功能模块的健康分值，Qi为第i个功能模块的权重值，Ci为系统运行的业务场景权值。
结合第二方面的第二种可能的实现方式，在第二方面的第四种可能的实现方式中，所述第二预测单元具体用于当所述系统的健康分值低于第一预设阈值时，则所述系统的运行状态为不健康状态，当所述系统的健康分值高于第一预设阈值且低于第二预设阈值，则所述系统的运行状态为亚健康状态；当所述系统的健康分值高于第二预设阈值，则所述系统的运行状态为健康状态。
在第二方面的第五种可能的实现方式中，所述第一获取单元具体用于将所述初始化阶段的运行数据作为样本空间，获取所述样本空间的韦伯分布参数；根据所述韦伯分布参数，得到所述功能模块的健康趋势图。
在第二方面的第六种可能的实现方式中，所述第一获取单元具体用于当接收到采样指令时，在当前采样时间片内对耦合在所述功能模块的电路模块进行采样，得到所述功能模块的运行数据，将所述运行数据按照采样时间片、单元标号以及系统的负载区间进行存储。
在第二方面的第七种可能的实现方式中，所述第一获取单元还用于从所述功能模块的存储介质中获取所述功能模块的模块信息，所述存储介质用于存储所述功能模块的模块信息。
在第二方面的第八种可能的实现方式中，所述装置还包括：
修正单元，用于当确定所述功能模块的运行状态为误判时，根据修正因子
对所述功能模块的健康趋势图进行修正，其中，j为样本数，m为该采样时间片内的样本总数。
在第二方面的第九种可能的实现方式中，所述装置还包括：
更新单元，用于当对所述功能模块的运行状态未发生误判时，将所述功能模块当前采样时间片的运行数据作为增量，填加到生成所述功能模块的健康趋势图的样本空间；根据增量后的样本空间，更新所述功能模块的健康趋势图。
在第二方面的第十种可能的实现方式中，所述第一预测单元具体用于当所述健康分值低于第一预设阈值时，则所述功能模块的运行状态为不健康状态，当所述健康分值高于第一预设阈值且低于第二预设阈值，则所述功能模块的运行状态为亚健康状态；当所述健康分值高于第二预设阈值，则所述功能模块的运行状态为健康状态。
第三方面，一种故障预测系统，所述系统包括至少一个功能模块，所述系统还包括上述权任一项所述的故障预测装置。
第四方面，一种故障预测设备，包括存储器，用于存储功能模块的运行数据；
处理器，与所述存储器耦合，所述处理器被配置为用于执行如上述任一所述的故障预测方法。
本发明实施例提供了一种故障预测方法、装置和系统，通过获取功能模块当前采样时间片的运行数据；根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；根据该健康分值，预测该功能模块的运行状态。采用本发明的技术方案，通过根据功能模块当前的运行数据与该功能模块的健康趋势图相比较，根据健康趋势图中所提供的经验值确定该功能模块当前的健康分值，通过健康分值获知该功能模块的运行状态，以便实时的预测功能模块的健康状况，在功能模块的运行状态可能会发生异常时，及时提醒系统用户，避免功能模块的崩溃，确保了系统运行时的稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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1a是本发明实施例提供的一种故障预测方法的流程图；
图1b是本发明实施例提供的一种电源模块的耦合方式示意图；
图2是本发明实施例提供的一种故障预测设备的结构示意图；
图3是本实施例提供的一种故障预测方法的流程图；
图4是本发明实施例提供的一种故障预测装置的结构示意图；
图5是本发明实施例提供的一种故障预测系统的结构示意图；
图6是本发明实施例提供的一种故障预测装置的结构示意图；
图7是本发明实施例提供的一种故障预测装置的结构示意图；
图8是本发明实施例提供的一种故障预测装置的结构示意图；
图9为本发明实施例提供的一种故障预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
图1a是本发明实施例提供的一种故障预测方法的流程图。该方法的执行主体为一种故障预测装置，该方法应用于包括至少一个功能模块的系统，参见图1a，本实施例的故障预测方法，具体可以包括如下步骤：
101、获取功能模块当前采样时间片的运行数据；
本实施例中的功能模块是指系统中按照功能划分成的单元，如电源模块、处理器模块和控制单元等等，一个系统可以包括至少一个功能模块，本发明实施例仅以其中任一个功能模块为例对故障预测方法进行介绍，而对于系统中的其他功能模块来说，其故障预测方法与本实施例提供的同理。
采样时间片是指采样的时间窗口，该时间窗口的具体大小由技术人员进行设置，在该时间窗口内的采样频率由技术人员进行设置或调整。
所述运行数据可以为电压值、电流值、转速或数据流量等等，该运行数据需是能够体现该功能模块运行状态的数据，不同的功能模块对应的运行数据可以不同，如对于电源模块来说，其运行数据为电源模块的电压值，对于处理器模块来说，其运行数据为产生MCA（MachineCheck Architecture，机器错误检查机制）事件的次数。
102、根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；
该功能模块的健康趋势图是对该功能模块运行状态的描述，以采样时间片—负载空间为横坐标，运行状态为纵坐标。
该功能模块的健康趋势图包括根据概率空间分成的多个概率事件发生区，各个区分别定义了相应的分值：1）概率事件高发区：优选地，该区域占据健康趋势图空间的80%以上的空间，该区分值为5分；2）概率事件中发区：优选地，该区域占据空间为：60%~80%的空间，该区分值为3分；3）概率事件低发区：优选地，该区域占据健康趋势图空间为<60%以下的空间，该区分值为2分；需要说明的是，上述各个概率事件发生区所占据的空间比例仅为本发明提供的一个优选范围，在实际系统中，该空间比例可由技术人员进行设置或调整。
这样，功能模块当前运行的运行数据落入所述健康趋势图上哪个概率事件发生区，则该概率事件发生区所对应的健康分值即确定为该功能模块当前运行状态的健康分值。
103、根据所述健康分值，预测所述功能模块的运行状态。
该功能模块的健康分值可作为对功能模块当前健康状态的预测标准，具体地，当健康分值低于第一预设阈值时，则认为该功能模块的运行状态为不健康状态，当健康分值高于第一预设阈值且低于第二预设阈值，则认为该功能模块的运行状态为亚健康状态；当健康分值高于第二预设阈值，则认为该功能模块的运行状态为健康状态。该第一、第二预设阈值可由技术人员根据对系统的运行要求设置，本实施例对其具体数值不做限定。
进一步的，将功能模块的健康分值通过用户接口提供给用户，使得用户能够通过该用户接口观察到对该功能模块的运行状态的预测结果并根据预测结果下达处理命令，更进一步的，当功能模块处于不健康或亚健康状态时，还可以通过用户接口给出处理建议并能通过人工干预或者自主干预的方式下发应对策略。
在具体应用中，当发现功能模块的健康分值已经处于亚健康状态或者将要故障的趋势上时，故障预测装置对该功能模块进行锁定分析。具体地，该锁定分析为：从用于存储运行数据的存储模块中读出该功能模块在符合该应用场景下的健康状态下的运行数据（即采样时间片-负载空间样本），与当前预测所依据的运行数据再次进行比对，获取其差值，将该差值亦设定为3种情况：差值x<10%、差值10%<x<30%、差值x>30%；当比对的差值为大于30%的情况时，判定该单元处于失效趋势，向用户发出告警，并查看该功能模块是否有冗余备份功能，如若有冗余备份功能，向管理服务器发送命令，启动该功能模块的冗余备份，并在web界面告知已经启用该单元的冗余部分，并提示管理员进行检修。
本发明实施例提供了一种故障预测方法，通过获取功能模块当前采样时间片的运行数据；根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；根据该健康分值，预测该功能模块的运行状态。采用本发明的技术方案，通过根据功能模块当前的运行数据与该功能模块的健康趋势图相比较，根据健康趋势图中所提供的经验值确定该功能模块当前的健康分值，通过健康分值获知该功能模块的运行状态，以便实时的预测功能模块的健康状况，在功能模块的运行状态可能会发生异常时，及时提醒系统用户，避免功能模块的崩溃，确保了系统运行时的稳定性。
可选地，在图1a所示实施例的基础上，步骤101“获取功能模块当前采样时间片的运行数据”之前包括下述步骤（1）和（2）：
（1）获取功能模块初始化阶段的运行数据；
在本实施例中，功能模块的初始化阶段是指该系统投入使用的初期的运行过程，该初始化阶段可以是该系统初次上电时的运行过程，还可以是该系统的前N次运行过程，N为大于或等于1的整数，N为预设的运行次数，由技术人员进行设置或调整。对于一个包括至少一个功能模块的系统来说，通过对前N次运行过程的运行数据进行采样，并根据该N次运行过程的运行数据、采样时间片和所述系统的负载空间，获取所述功能模块初始化阶段的运行数据。
对于不同的功能模块来说，电路模块以及耦合方式可根据该功能模块的具体功能而变化，如，对于电源模块来说，可采取直接耦合的方式，参见图1b所示，在电源模块的输出端加入一个电路模块（精密电阻）进行耦合，在电路模块的两端分别通过线路接入到A/D转换模块，从而读出了电路模块两端的电压值，而该电压值即是电源模块的运行数据。在本实施例中仅以电源模块的耦合方式为例进行说明，对于其他功能模块来说，根据其具体功能的不同，耦合方式可以为线路直连（如增加耦合器件）或非线路直连的方式。
需要说明的是，在获取到功能模块的运行数据后，将该运行数据打上单元标号以及时间戳并将其依照TCP/IP协议形成网络数据包，发送至系统的存储单元。
（2）根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图。
本实施例所述的健康趋势图是根据初始化阶段的运行数据得到的，而功能模块的健康趋势图随着功能模块的运行以及定期的采样而随时更新，以便根据系统的实际运行对系统以及系统内各个功能模块的运行状态进行预测。
可选地，在图1a所示实施例的基础上，上述步骤（2）“根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图”，之后包括：根据所述系统中各个功能模块的健康趋势图，获取所述系统的健康趋势图。
具体地，对于包含两个或两个以上具有不同功能的功能模块的系统来说，当各个功能模块根据所述初始化阶段的运行数据，获取各个功能模块的健康趋势图后，根据各个功能模块的健康趋势图以及各个健康趋势图上的与采样时间片—负载空间相应的健康分值，应用
其中，Fi为第i个功能模块的健康分值，Qi为第i个功能模块的权重值，Ci为系统运行的业务场景权值，得到系统在各个采样时间片—负载空间上的S值，对系统在各个采样时间片—负载空间上的S值使用最小二乘法，计算系统的S值得韦伯分布参数ks和λs，从而使用该韦伯分布参数拟合出曲线图，该曲线图即为系统的健康趋势图。
相应地，上述步骤102“根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，确定所述当前采样时间片的运行数据在所述健康趋势图上所处的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值“，之后包括下述步骤（3）和（4）：
（3）根据所述系统中各个功能模块的健康分值和所述系统的健康趋势图，获取所述系统的健康分值；
在该步骤（3）中，根据所述系统中各个功能模块的健康分值、权重值和所述系统的业务场景权值，应用公式
获取所述系统当前运行状态的S值，确定所述系统的S值在所述系统的健康趋势图上所处的概率事件发生区，将所述S值所处的概率事件发生区对应的健康分值作为所述系统当前运行状态的健康分值，其中，Fi为第i个功能模块的健康分值，Qi为第i个功能模块的权重值，Ci为系统运行的业务场景权值。
其中，该系统的健康趋势图包括根据概率空间分成的多个概率事件发生区，各个区分别定义了相应的分值：1）概率事件高发区：优选地，该区域占据健康趋势图空间的80%以上的空间，该区分值为5分；2）概率事件中发区：优选地，该区域占据空间为：60%~80%的空间，该区分值为3分；3）概率事件低发区：优选地，该区域占据健康趋势图空间为<60%以下的空间，该区分值为2分；需要说明的是，上述各个概率事件发生区所占据的空间比例仅为本发明提供的一个优选范围，在实际系统中，该空间比例可由技术人员进行设置或调整。
（4）根据所述系统的健康分值，预测所述系统的运行状态。
该步骤（4）和步骤103同理，在此不再赘述。
该系统的健康分值可作为对系统当前健康状态的预测标准，具体地，当健康分值低于第一预设阈值时，则认为该系统的运行状态为不健康状态，当健康分值高于第一预设阈值且低于第二预设阈值，则认为该系统的运行状态为亚健康状态；当健康分值高于第二预设阈值，则认为该系统的运行状态为健康状态。该第一、第二预设阈值可由技术人员根据对系统的运行要求设置，本实施例对其具体数值不做限定。
在本实施例中，在系统投入使用的初期，也即是系统初始化阶段，根据采样时间片—负载空间获取（即采样）各个功能模块的运行数据，根据各个功能模块的运行数据获取各个功能模块的健康趋势图，当获取到各个功能模块的健康趋势图时，根据各个功能模块的健康趋势图以及健康趋势图上的健康分值、各个功能模块的权重值以及系统运行的业务场景权值获取系统的S值，该S值是对采样时间片—负载空间对应的系统运行状态的描述值，再根据与获取功能模块的健康趋势图相同的方法获取系统的健康趋势图，而当获取到各个功能模块当前采样时间片的运行数据时，根据各个功能模块当前采样时间片的运行数据和各个功能模块的健康趋势图，获取各个功能模块当前运行状态的健康分值，再根据各个功能模块当前运行状态的健康分值以及
得到该系统当前运行状态的S值，根据得到的当前运行状态的S值和系统的健康趋势图，确定所述当前运行状态的S值在所述系统的健康趋势图上所处的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述系统当前运行状态的健康分值，并根据系统当前运行状态的健康分值，预测系统的运行状态，以便对用户进行警示等处理。
采用本发明的技术方案，通过根据各个功能模块当前运行的健康分值，获取系统当前的S值，并根据S值与该系统的健康趋势图相比较，根据系统的健康趋势图中所提供的经验值确定该系统当前的健康分值，通过健康分值预测该系统的运行状态，以便实时的预测系统的健康状况，在功能模块和/或的运行状态可能会发生异常时，及时提醒系统用户，避免功能模块和/或的崩溃，确保了系统运行时的稳定性。
可选地，在图1a所示实施例的基础上，上述步骤101“获取功能模块当前采样时间片的运行数据”之前包括的步骤（2）“根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图”，具体包括：将所述初始化阶段的运行数据作为样本空间，获取所述样本空间的韦伯分布参数；根据所述韦伯分布参数，得到所述功能模块的健康趋势图。
为了能够通过曲线图的形式显示该功能模块在各个采样时间片—负载区间的运行状态，将初始化阶段的运行数据作为样本空间，该样本空间应足够大，以使得能根据该初始化阶段的运行数据，获取该功能模块的健康趋势图。每个运行数据对应采样时间片和负载空间，系统的负载空间是指该功能模块所属系统当前的负载量与系统的负载能力的比值，如，负载空间可以表示为百分比的形式。该负载空间可通过现有技术获得，在此不再赘述。
具体地，对初始化阶段的运行数据、采样时间片和负载空间使用最小二乘法，计算运行数据的韦伯分布参数k和λ，其中，k为形状参数，λ为幅度参数。一旦得到了韦伯分布参数，使用韦伯分布（公式（1））拟合出曲线图，该曲线图即为该功能模块的健康趋势图。
进一步地，根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图；该初始化阶段的健康趋势图与初始化阶段的健康趋势图相同，而随着后续系统的运行和采样，根据后续采样到的运行数据和初始化阶段的健康趋势图进行比较，以判定在该健康趋势图中，采样到的运行数据落在该健康趋势图的哪个概率事件发生区，从而得到该次采样阶段下的该单元的健康分值。
该步骤（2）是根据功能模块的初始化阶段，获取该功能模块的健康趋势图的过程。需要说明的是，根据系统中的各个单元的健康趋势图，获取系统的健康趋势图的过程与该获取功能模块的健康趋势图的过程同理，在此不再赘述。
可选地，在图1a所示实施例的基础上，步骤101“获取功能模块当前采样时间片的运行数据”，具体包括：当接收到采样指令时，在当前采样时间片内对耦合在所述功能模块的电路模块进行采样，得到所述功能模块的运行数据，将所述运行数据按照采样时间片、单元标号以及系统的负载区间进行存储。
在这里仅以功能模块通过耦合电路模块进行采样为例进行说明，对故障进行的预测以及对运行数据的采样可以是由人工触发的，也可以是周期性的，当接收到采样指令时，则开始对功能模块进行采样。在本实施例中，该步骤101为初始化阶段之后的判定采样过程，对于获取到的运行数据，可保存在系统的存储单元中，存储单元是整个系统的数据存放与组织中心，它接收数据并根据采样的规则对数据进行组织：按照采样时间片和单元标号以及当前系统的负载区间进行存储。各个功能模块的运行数据均可以存储在该存储单元中，因此需要对运行数据用其所属单元的单元标号进行标记，以便区分。
进一步可选地，在图1a所示实施例的基础上，步骤101“获取功能模块当前采样时间片的运行数据”，还包括：从所述功能模块的存储介质中获取所述功能模块的模块信息，所述存储介质用于存储所述功能模块的模块信息。功能模块本身可以自带一个用于存储功能模块的模块信息的存储介质，该存储介质为该功能模块的工作提供诸如工作方式的数据，如内存单元具有用于存放内存参数的SPD存储介质，该模块信息的获取具体可以为：通过I2C总线或者其它与该存储介质接口相对应的数据线获取存储介质中存储的模块信息。同样的，对于功能模块来说，获取到的模块信息按照单元标号存储在硬件信息存储单元。
可选地，在图1a所示实施例的基础上，步骤103“根据所述健康分值，预测所述功能模块的运行状态”之后包括：当确定所述功能模块的运行状态为误判时，根据修正因子
对所述功能模块的健康趋势图进行修正，其中，j为样本数，m为该采样时间片内的样本总数。
在该实施例中，可以通过用户接口接收用户对该功能模块运行状态的反馈，即用户根据功能模块的实际运行状态以及通过该故障预测方法预测的运行状态进行对比，获知该预测得到的运行状态与实际的是否相符，如果相符，则说明预测结果正确，未发生误判，如果不相符，则说明预测结果为误判，需要对健康趋势图进行修正，因此，引入了修正因子
其中，其中，i为样本数，m为该采样时间片内的样本总数。具体地，本实施例所述的修正为将计算得到的修正因子与相乘，以改变健康趋势图的曲线。
需要说明的是，kj和λj均是指样本空间原有样本以及新增的j个样本的韦伯分布参数。为了使该故障预测能够具备智能处理的能力，提供了一个修正因子，用该修正因子来实现学习的功能，由于系统具有学习功能，系统运行的时间越长，系统预警的正确性功能和有效性功能就会越精准和更有效。
可选地，在图1a所示实施例的基础上，步骤101“获取功能模块当前采样时间片的运行数据”，之后包括步骤（5）和（6）：
（5）当对所述功能模块的运行状态未发生误判时，将所述功能模块当前采样时间片的运行数据作为增量，填加到生成所述功能模块的健康趋势图的样本空间；
健康趋势图是动态更新的，动态更新的方法是每次采样和预测后，如果没有发生误判，则说明这次预测是有效的，所以这次采样的运行数据就会加入到之前的样本空间中，以便更新健康趋势图，使得健康趋势图更符合系统当前的实际运行。
（6）根据增量后的样本空间，更新所述功能模块的健康趋势图。
其中，更新所述功能模块的健康趋势图即是根据增量后的样本空间生成新的健康趋势图。具体地，每次采样后，当未发生误判时，根据增量后的样本空间中的运行数据，获取增量后的k和λ，根据增量后的k和λ拟合曲线图，将该曲线图作为功能模块本次采样后的健康趋势图。
进一步地可选地，在图1a所示实施例的基础上，上述步骤（6）之后，还包括：根据更新后的各个功能模块的健康趋势图，更新所述系统的健康趋势图。该具体更新过程与上述根据各个功能模块的健康趋势图，获取所述系统的健康趋势图的过程同理，在此不再赘述。
需要说明的是，对于功能模块和系统来说，除了第一次初始化阶段采样外，后续的每次采样到的运行数据是与上一次更新过了的健康趋势图进行比较，也即是对于功能模块和系统来说，第N次采样后的预测都是与第N-1次采样预测后更新过的健康趋势图进行比较。由于是实际的应用环境下的数据记录和更新，为故障特征的研究提供了可靠的数据来源，从而为故障特征的研究并为增强RAS特性的设计与验证提供有价值的参考。
上述所有可选技术方案可以采用可以结合的方式任意结合构成本发明实施例的可选实施例，在此不再一一举例说明。
本发明实施例提供了一种故障预测方法，通过获取功能模块当前采样时间片的运行数据；根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；根据该健康分值，预测该功能模块的运行状态。采用本发明的技术方案，通过根据功能模块当前的运行数据与该功能模块的健康趋势图相比较，根据健康趋势图中所提供的经验值确定该功能模块当前的健康分值，并根据健康分值获知该系统的运行状态，以便实时的预测系统的健康状况，在功能模块的运行状态可能会发生异常时，及时提醒系统用户，避免功能模块的崩溃，确保了系统运行时的稳定性。
参见图2，本发明实施例还提供了一种故障预测设备，该设备包括存储器，用于存储功能模块的运行数据；处理器，与所述存储器耦合，所述处理器被配置为用于执行如上述实施例提供的故障预测方法。
该技术方案可以适用于包括容错计算机、小型机、机架式服务器在内的任何处于业务运行的分布式计算机系统以及非计算机调度系统中（如铁路、航空航天指挥系统），还可用于在小型机系统设计验证阶段的RAS特性的验证中，可以实现故障注入的模拟，还可用于应用业务与小型机系统的亲和性分析以提升系统性能的设计中，本实施例不做具体限定。
图3是本实施例提供的一种故障预测方法的流程图。该实施例结合上述图1a所示实施例，对该故障预测方法进行了详细的描述，参见图3，该故障预测方法具体包括以下步骤：
301、获取所述功能模块初始化阶段的运行数据；
302、根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图；
303、根据所述系统中各个功能模块的健康趋势图，获取所述系统的健康趋势图；
304、获取功能模块当前采样时间片的运行数据；
305、根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值，执行步骤306和307；
306、根据所述健康分值，预测所述功能模块的运行状态；
307、根据所述系统中各个功能模块的健康分值和所述系统的健康趋势图，获取所述系统的健康分值，执行步骤308；
308、根据所述系统的健康分值，预测所述系统的运行状态，执行步骤312；
309、接收用户对功能模块运行状态的反馈；
310、当对所述功能模块的运行状态未发生误判时，将所述功能模块当前采样时间片的运行数据作为增量，填加到生成所述功能模块的健康趋势图的样本空间；根据增量后的样本空间，更新所述功能模块的健康趋势图；
311、当确定所述功能模块的运行状态为误判时，根据修正因子对所述功能模块的健康趋势图进行修正；
312、接收用户对系统运行状态的反馈；
313、当对所述系统的运行状态未发生误判时，根据更新后的所述功能模块的健康趋势图，获取所述系统的更新后的健康趋势图；
314、当确定所述功能模块的运行状态为误判时，根据修正因子对所述功能模块的健康趋势图进行修正，并根据修正后的健康趋势图对系统的健康趋势图进行修正。
图4是本发明实施例提供的一种故障预测装置的结构示意图。所述装置应用于包括至少一个功能模块的系统，参见图4，所述装置包括：
第一获取单元10，用于获取功能模块当前采样时间片的运行数据；第一获取单元10和第一比较单元20连接，第一比较单元20，用于根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；第一比较单元20和第一预测单元30连接，第一预测单元30，用于根据所述健康分值，预测所述功能模块的运行状态。
图5是本发明实施例提供的一种故障预测装置的结构示意图。所述装置应用于包括至少一个功能模块的系统，该图5所示装置在图4所示装置的基础上，还包括：
第二获取单元40，用于获取所述功能模块初始化阶段的运行数据；该第二获取单元40和功能模块健康趋势图获取单元41连接，功能模块健康趋势图获取单元41，用于根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图。
进一步可选地，图6是本发明实施例提供的一种故障预测装置的结构示意图。所述装置应用于包括至少一个功能模块的系统，该图6所示装置在图5所示装置的基础上，还包括：
系统健康趋势图获取单元50，用于根据所述系统中各个功能模块的健康趋势图，获取所述系统的健康趋势图；
第二比较单元51，用于根据所述系统中各个功能模块的健康分值和所述系统的健康趋势图，获取所述系统的健康分值；
第二预测单元52，用于根据所述系统的健康分值，预测所述系统的运行状态。
再进一步可选地，所述第二比较单元51具体用于根据所述系统中各个功能模块的健康分值、权重值和所述系统的业务场景权值，应用公式
获取所述系统当前运行状态的S值，确定所述系统的S值在所述系统的健康趋势图上所处的概率事件发生区，将所述S值所处的概率事件发生区对应的健康分值作为所述系统当前运行状态的健康分值，其中，Fi为第i个功能模块的健康分值，Qi为第i个功能模块的权重值，Ci为系统运行的业务场景权值。
可选地，所述第二预测单元52具体用于当所述系统的健康分值低于第一预设阈值时，则所述系统的运行状态为不健康状态，当所述系统的健康分值高于第一预设阈值且低于第二预设阈值，则所述系统的运行状态为亚健康状态；当所述系统的健康分值高于第二预设阈值，则所述系统的运行状态为健康状态。
可选地，所述第一获取单元10具体用于将所述初始化阶段的运行数据作为样本空间，获取所述样本空间的韦伯分布参数；根据所述韦伯分布参数，得到所述功能模块的健康趋势图。
可选地，所述第一获取单元10具体用于当接收到采样指令时，在当前采样时间片内对耦合在所述功能模块的电路模块进行采样，得到所述功能模块的运行数据，将所述运行数据按照采样时间片、单元标号以及系统的负载区间进行存储。
可选地，所述第一获取单元10还用于从所述功能模块的存储介质中获取所述功能模块的模块信息，所述存储介质用于存储所述功能模块的模块信息。
可选地，图7是本发明实施例提供的一种故障预测装置的结构示意图。所述装置应用于包括至少一个功能模块的系统，该图7所示装置在图4所示装置的基础上，还包括：
修正单元60，用于当确定所述功能模块的运行状态为误判时，根据修正因子对所述功能模块的健康趋势图进行修正，其中，j为样本数，m为该采样时间片内的样本总数。
可选地，可选地，图8是本发明实施例提供的一种故障预测装置的结构示意图。所述装置应用于包括至少一个功能模块的系统，该图8所示装置在图6所示装置的基础上，还包括：
更新单元70，用于当对所述功能模块的运行状态未发生误判时，将所述功能模块当前采样时间片的运行数据作为增量，填加到生成所述功能模块的健康趋势图的样本空间；根据增量后的样本空间，更新所述功能模块的健康趋势图。
可选地，所述第一预测单元30具体用于当所述健康分值低于第一预设阈值时，则所述功能模块的运行状态为不健康状态，当所述健康分值高于第一预设阈值且低于第二预设阈值，则所述功能模块的运行状态为亚健康状态；当所述健康分值高于第二预设阈值，则所述功能模块的运行状态为健康状态。
图9为本发明实施例提供的一种故障预测系统的结构示意图。参见图9，所述系统包括至少一个功能模块，所述系统还包括上述任一项所述的故障预测装置，该至少一个功能模块和故障预测装置连接。
需要说明的是：上述实施例提供的故障预测装置在故障预测时，仅以上述各单元的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的单元完成，即将设备的内部结构划分成不同的单元，以完成以上描述的全部或者部分功能。另外，上述实施例提供的故障预测装置与故障预测实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (24)
1.一种故障预测方法，其特征在于，所述方法应用于包括至少一个功能模块的系统，所述方法包括：
获取功能模块当前采样时间片的运行数据；
根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；
根据所述健康分值，预测所述功能模块的运行状态。
2.根据权利要求1所述的方法，其特征在于，获取功能模块当前采样时间片的运行数据，之前包括：
获取所述功能模块初始化阶段的运行数据；
根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图。
3.根据权利要求2所述的方法，其特征在于，根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图，之后包括：
根据所述系统中各个功能模块的健康趋势图，获取所述系统的健康趋势图；
相应地，根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，确定所述当前采样时间片的运行数据在所述健康趋势图上所处的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值，之后包括：
根据所述系统中各个功能模块的健康分值和所述系统的健康趋势图，获取所述系统的健康分值；
根据所述系统的健康分值，预测所述系统的运行状态。
4.根据权利要求3所述的方法，其特征在于，根据所述系统中各个功能模块的健康分值和所述系统的健康趋势图，获取所述系统的健康分值，包括：
根据所述系统中各个功能模块的健康分值、权重值和所述系统的业务场景权值，应用公式
获取所述系统当前运行状态的S值，确定所述系统的S值在所述系统的健康趋势图上所处的概率事件发生区，将所述S值所处的概率事件发生区对应的健康分值作为所述系统当前运行状态的健康分值，其中，Fi为第i个功能模块的健康分值，Qi为第i个功能模块的权重值，Ci为系统运行的业务场景权值。
5.根据权利要求3或4所述的方法，其特征在于，根据所述系统的健康分值，预测所述系统的运行状态，包括：
当所述系统的健康分值低于第一预设阈值时，则所述系统的运行状态为不健康状态，当所述系统的健康分值高于第一预设阈值且低于第二预设阈值，则所述系统的运行状态为亚健康状态；当所述系统的健康分值高于第二预设阈值，则所述系统的运行状态为健康状态。
6.根据权利要求2-5任一项所述的方法，其特征在于，根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图，包括：
将所述初始化阶段的运行数据作为样本空间，获取所述样本空间的韦伯分布参数；
根据所述韦伯分布参数，得到所述功能模块的健康趋势图。
7.根据权利要求1所述的方法，其特征在于，获取功能模块当前采样时间片的运行数据，包括：
当接收到采样指令时，在当前采样时间片内对耦合在所述功能模块的电路模块进行采样，得到所述功能模块的运行数据，将所述运行数据按照采样时间片、单元标号以及系统的负载区间进行存储。
8.根据权利要求1所述的方法，其特征在于，获取功能模块当前采样时间片的运行数据，还包括：
从所述功能模块的存储介质中获取所述功能模块的模块信息，所述存储介质用于存储所述功能模块的模块信息。
9.根据权利要求1-8任一项所述的方法，其特征在于，根据所述健康分值，预测所述功能模块的运行状态，之后包括：
当确定所述功能模块的运行状态为误判时，根据修正因子
对所述功能模块的健康趋势图进行修正，其中，j为样本数，m为该采样时间片内的样本总数。
10.根据权利要求1-8任一项所述的方法，其特征在于，获取功能模块当前采样时间片的运行数据，之后包括：
当对所述功能模块的运行状态未发生误判时，将所述功能模块当前采样时间片的运行数据作为增量，填加到生成所述功能模块的健康趋势图的样本空间；
根据增量后的样本空间，更新所述功能模块的健康趋势图。
11.根据权利要求1-10任一项所述的方法，其特征在于，根据所述健康分值，预测所述功能模块的运行状态，包括：
当所述健康分值低于第一预设阈值时，则所述功能模块的运行状态为不健康状态，当所述健康分值高于第一预设阈值且低于第二预设阈值，则所述功能模块的运行状态为亚健康状态；当所述健康分值高于第二预设阈值，则所述功能模块的运行状态为健康状态。
12.一种故障预测装置，其特征在于，所述装置应用于包括至少一个功能模块的系统，所述装置包括：
第一获取单元，用于获取功能模块当前采样时间片的运行数据；
第一比较单元，用于根据所述当前采样时间片的运行数据和所述功能模块的健康趋势图，得到所述当前采样时间片的运行数据在所述健康趋势图上所处的位置，并根据所述运行数据在所述健康趋势图上所处的位置所在的概率事件发生区，将所述概率事件发生区对应的健康分值作为所述功能模块当前运行状态的健康分值；
第一预测单元，用于根据所述健康分值，预测所述功能模块的运行状态。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于获取所述功能模块初始化阶段的运行数据；
功能模块健康趋势图获取单元，用于根据所述初始化阶段的运行数据，获取所述功能模块的健康趋势图。
14.根据权利要求13所述的装置，其特征在于，所述装置还包括：
系统健康趋势图获取单元，用于根据所述系统中各个功能模块的健康趋势图，获取所述系统的健康趋势图；
第二比较单元，用于根据所述系统中各个功能模块的健康分值和所述系统的健康趋势图，获取所述系统的健康分值；
第二预测单元，用于根据所述系统的健康分值，预测所述系统的运行状态。
15.根据权利要求14所述的装置，其特征在于，所述第二比较单元具体用于根据所述系统中各个功能模块的健康分值、权重值和所述系统的业务场景权值，应用公式
获取所述系统当前运行状态的S值，确定所述系统的S值在所述系统的健康趋势图上所处的概率事件发生区，将所述S值所处的概率事件发生区对应的健康分值作为所述系统当前运行状态的健康分值，其中，Fi为第i个功能模块的健康分值，Qi为第i个功能模块的权重值，Ci为系统运行的业务场景权值。
16.根据权利要求14或15所述的装置，其特征在于，所述第二预测单元具体用于当所述系统的健康分值低于第一预设阈值时，则所述系统的运行状态为不健康状态，当所述系统的健康分值高于第一预设阈值且低于第二预设阈值，则所述系统的运行状态为亚健康状态；当所述系统的健康分值高于第二预设阈值，则所述系统的运行状态为健康状态。
17.根据权利要求13-16任一项所述的装置，其特征在于，所述第一获取单元具体用于将所述初始化阶段的运行数据作为样本空间，获取所述样本空间的韦伯分布参数；根据所述韦伯分布参数，得到所述功能模块的健康趋势图。
18.根据权利要求12所述的装置，其特征在于，所述第一获取单元具体用于当接收到采样指令时，在当前采样时间片内对耦合在所述功能模块的电路模块进行采样，得到所述功能模块的运行数据，将所述运行数据按照采样时间片、单元标号以及系统的负载区间进行存储。
19.根据权利要求12所述的装置，其特征在于，所述第一获取单元还用于从所述功能模块的存储介质中获取所述功能模块的模块信息，所述存储介质用于存储所述功能模块的模块信息。
20.根据权利要求12-19任一项所述的装置，其特征在于，所述装置还包括：
修正单元，用于当确定所述功能模块的运行状态为误判时，根据修正因子
对所述功能模块的健康趋势图进行修正，其中，j为样本数，m为该采样时间片内的样本总数。
21.根据权利要求12-19任一项所述的装置，其特征在于，所述装置还包括：
更新单元，用于当对所述功能模块的运行状态未发生误判时，将所述功能模块当前采样时间片的运行数据作为增量，填加到生成所述功能模块的健康趋势图的样本空间；根据增量后的样本空间，更新所述功能模块的健康趋势图。
22.根据权利要求12-21任一项所述的装置，其特征在于，所述第一预测单元具体用于当所述健康分值低于第一预设阈值时，则所述功能模块的运行状态为不健康状态，当所述健康分值高于第一预设阈值且低于第二预设阈值，则所述功能模块的运行状态为亚健康状态；当所述健康分值高于第二预设阈值，则所述功能模块的运行状态为健康状态。
23.一种故障预测系统，其特征在于，所述系统包括至少一个功能模块，所述系统还包括上述权利要求12-22任一项所述的故障预测装置。
24.一种故障预测设备，其特征在于，包括存储器，用于存储功能模块的运行数据；
处理器，与所述存储器耦合，所述处理器被配置为用于执行如权利要求1至10任一所述的故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210245652.2A CN102789529B (zh) | 2012-07-16 | 2012-07-16 | 故障预测方法、装置、系统和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210245652.2A CN102789529B (zh) | 2012-07-16 | 2012-07-16 | 故障预测方法、装置、系统和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102789529A true CN102789529A (zh) | 2012-11-21 |
| CN102789529B CN102789529B (zh) | 2015-05-06 |
Family
ID=47154932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210245652.2A Expired - Fee Related CN102789529B (zh) | 2012-07-16 | 2012-07-16 | 故障预测方法、装置、系统和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102789529B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104639368A (zh) * | 2015-01-13 | 2015-05-20 | 中国联合网络通信集团有限公司 | 通信网络设备的故障处理方法及装置 |
| CN106814603A (zh) * | 2016-12-23 | 2017-06-09 | 北京航天测控技术有限公司 | 一种基于非实时操作系统的双机冗余容错系统 |
| CN106844141A (zh) * | 2016-12-23 | 2017-06-13 | 北京航天测控技术有限公司 | 一种基于wmi的故障检测分析及状态预测方法 |
| CN107665553A (zh) * | 2017-09-29 | 2018-02-06 | 深圳怡化电脑股份有限公司 | 参数获取方法及其装置、参数预置方法及其装置 |
| CN108667514A (zh) * | 2018-05-18 | 2018-10-16 | 国家电网公司信息通信分公司 | 光传输设备在线失效预测方法和装置 |
| CN109559583A (zh) * | 2017-09-27 | 2019-04-02 | 华为技术有限公司 | 故障模拟方法及其装置 |
| CN110440138A (zh) * | 2019-06-27 | 2019-11-12 | 国家电网有限公司 | 一种测压管路的排气检测方法及装置 |
| CN111272225A (zh) * | 2020-03-04 | 2020-06-12 | 四川瑞霆电力科技有限公司 | 一种开关柜综合状态监测系统 |
| CN111309562A (zh) * | 2020-02-27 | 2020-06-19 | 上海上大鼎正软件股份有限公司 | 服务器故障的预测方法、装置、设备和存储介质 |
| CN112689600A (zh) * | 2018-09-27 | 2021-04-20 | 利乐拉瓦尔集团及财务有限公司 | 在包装机中进行故障预测的方法 |
| CN115824130A (zh) * | 2022-12-02 | 2023-03-21 | 华东交通大学 | 一种高速列车车轮踏面廓形评估及镟修预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1584530A (zh) * | 2004-05-28 | 2005-02-23 | 于战果 | 一种内燃机不解体测量系统及检测方法 |
| CN101807047A (zh) * | 2010-03-19 | 2010-08-18 | 北京航空航天大学 | 基于模糊奇偶方程及ar模型的非线性系统故障预测方法 |
| CN101858826A (zh) * | 2009-04-09 | 2010-10-13 | 通用电气公司 | 用于监测涡轮发动机的健康的系统和方法 |
| CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
| CN102081622A (zh) * | 2009-11-30 | 2011-06-01 | 中国移动通信集团贵州有限公司 | 评估系统健康度的方法及系统健康度评估装置 |
| WO2011075233A1 (en) * | 2009-12-19 | 2011-06-23 | Nuovo Pignone S.P.A. | Method and system for diagnosing compressors |
| CN102226428A (zh) * | 2011-04-29 | 2011-10-26 | 哈尔滨工程大学 | 燃气轮机健康状态预测方法 |
| CN102508771A (zh) * | 2011-10-12 | 2012-06-20 | 山东中创软件商用中间件股份有限公司 | 一种软件运行状态评价方法 |
-
2012
- 2012-07-16 CN CN201210245652.2A patent/CN102789529B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1584530A (zh) * | 2004-05-28 | 2005-02-23 | 于战果 | 一种内燃机不解体测量系统及检测方法 |
| CN101858826A (zh) * | 2009-04-09 | 2010-10-13 | 通用电气公司 | 用于监测涡轮发动机的健康的系统和方法 |
| CN102081622A (zh) * | 2009-11-30 | 2011-06-01 | 中国移动通信集团贵州有限公司 | 评估系统健康度的方法及系统健康度评估装置 |
| WO2011075233A1 (en) * | 2009-12-19 | 2011-06-23 | Nuovo Pignone S.P.A. | Method and system for diagnosing compressors |
| CN101807047A (zh) * | 2010-03-19 | 2010-08-18 | 北京航空航天大学 | 基于模糊奇偶方程及ar模型的非线性系统故障预测方法 |
| CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
| CN102226428A (zh) * | 2011-04-29 | 2011-10-26 | 哈尔滨工程大学 | 燃气轮机健康状态预测方法 |
| CN102508771A (zh) * | 2011-10-12 | 2012-06-20 | 山东中创软件商用中间件股份有限公司 | 一种软件运行状态评价方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104639368A (zh) * | 2015-01-13 | 2015-05-20 | 中国联合网络通信集团有限公司 | 通信网络设备的故障处理方法及装置 |
| CN106814603A (zh) * | 2016-12-23 | 2017-06-09 | 北京航天测控技术有限公司 | 一种基于非实时操作系统的双机冗余容错系统 |
| CN106844141A (zh) * | 2016-12-23 | 2017-06-13 | 北京航天测控技术有限公司 | 一种基于wmi的故障检测分析及状态预测方法 |
| CN109559583A (zh) * | 2017-09-27 | 2019-04-02 | 华为技术有限公司 | 故障模拟方法及其装置 |
| CN107665553A (zh) * | 2017-09-29 | 2018-02-06 | 深圳怡化电脑股份有限公司 | 参数获取方法及其装置、参数预置方法及其装置 |
| CN108667514A (zh) * | 2018-05-18 | 2018-10-16 | 国家电网公司信息通信分公司 | 光传输设备在线失效预测方法和装置 |
| CN112689600A (zh) * | 2018-09-27 | 2021-04-20 | 利乐拉瓦尔集团及财务有限公司 | 在包装机中进行故障预测的方法 |
| CN112689600B (zh) * | 2018-09-27 | 2022-06-21 | 利乐拉瓦尔集团及财务有限公司 | 在包装机中进行故障预测的方法 |
| CN110440138A (zh) * | 2019-06-27 | 2019-11-12 | 国家电网有限公司 | 一种测压管路的排气检测方法及装置 |
| CN111309562A (zh) * | 2020-02-27 | 2020-06-19 | 上海上大鼎正软件股份有限公司 | 服务器故障的预测方法、装置、设备和存储介质 |
| CN111272225A (zh) * | 2020-03-04 | 2020-06-12 | 四川瑞霆电力科技有限公司 | 一种开关柜综合状态监测系统 |
| CN115824130A (zh) * | 2022-12-02 | 2023-03-21 | 华东交通大学 | 一种高速列车车轮踏面廓形评估及镟修预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102789529B (zh) | 2015-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102789529A (zh) | 故障预测方法、装置、系统和设备 | |
| Catterson et al. | Practical applications of multi‐agent systems in electric power systems | |
| CN102047683B (zh) | 用于电信系统中的集中管理网络单元的动态故障分析 | |
| CN104142663A (zh) | 云平台中的工业设备和系统证明 | |
| KR20210041724A (ko) | 전기차 충전기의 고장 예측 장치 및 방법 | |
| CN102571937A (zh) | 用于远程管理计算机网络的系统及方法 | |
| US8892950B2 (en) | Failure diagnosis method and apparatus using resource relationship map | |
| Cooray et al. | RESISTing reliability degradation through proactive reconfiguration | |
| Bernardi et al. | Security modelling and formal verification of survivability properties: Application to cyber–physical systems | |
| Schmerl et al. | Challenges in composing and decomposing assurances for self-adaptive systems | |
| Kröger | Achieving resilience of large-scale engineered infrastructure systems | |
| CN113015942A (zh) | 数据分析的方法、装置和系统 | |
| CN114077742A (zh) | 软件漏洞智能挖掘方法和装置 | |
| KR101919668B1 (ko) | 배전지능화 시스템용 보안패치의 시험 평가 장치 및 그 방법 | |
| Hussein et al. | Context-aware adaptive software systems: A system-context relationships oriented survey | |
| Du Plessis | Development of a supervisory system for maintaining the performance of remote energy management systems | |
| Hänsel et al. | Towards collective online and offline testing for dynamic software product line systems | |
| Cámara et al. | Robustness evaluation of the rainbow framework for self-adaptation | |
| Verba et al. | The energy revolution: cyber physical advances and opportunities for smart local energy systems | |
| Ma et al. | Conceptually understanding uncertainty in self-healing cyber-physical systems | |
| Campean et al. | Towards a resilience assurance model for robotic autonomous systems | |
| Pfannemüller et al. | REACT-ION: A model-based runtime environment for situation-aware adaptations | |
| Yüksel et al. | Quantitative modelling and analysis of a Chinese smart grid: a stochastic model checking case study | |
| KR101651063B1 (ko) | 스마트 기기를 이용한 위치인식 기반의 원격 모니터링 장치 및 방법 | |
| CN112182073A (zh) | 电力量测数据展示方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xiaowenchang Inventor before: Fu Dehuang |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20170512 Address after: 414000 Zhongke Industrial Park, Yueyang Road, Yueyang economic and Technological Development Zone, Hunan Patentee after: HUNAN HECHUANG MAGNETIC TECHNOLOGY CO.,LTD. Address before: 510640 Guangdong City, Tianhe District Province, No. five, road, public education building, unit 371-1, unit 2401 Patentee before: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd. Effective date of registration: 20170509 Address after: 510640 Guangdong City, Tianhe District Province, No. five, road, public education building, unit 371-1, unit 2401 Patentee after: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Patentee before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150506 Termination date: 20170716 |