CN107133118B - 一种故障诊断模型训练方法、故障诊断方法及相关装置 - Google Patents

一种故障诊断模型训练方法、故障诊断方法及相关装置 Download PDF

Info

Publication number
CN107133118B
CN107133118B CN201610109367.6A CN201610109367A CN107133118B CN 107133118 B CN107133118 B CN 107133118B CN 201610109367 A CN201610109367 A CN 201610109367A CN 107133118 B CN107133118 B CN 107133118B
Authority
CN
China
Prior art keywords
fault
historical
work orders
diagnosis
matrix
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.)
Active
Application number
CN201610109367.6A
Other languages
English (en)
Other versions
CN107133118A (zh
Inventor
张建锋
何诚
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201610109367.6A priority Critical patent/CN107133118B/zh
Publication of CN107133118A publication Critical patent/CN107133118A/zh
Application granted granted Critical
Publication of CN107133118B publication Critical patent/CN107133118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种故障诊断模型训练方法、故障诊断方法及相关装置，包括：获取N个历史故障工单，基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果，确定所述故障诊断专家系统的故障诊断准确度；若所述故障诊断准确度小于第一阈值且大于或等于第二阈值，则基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，所述第一阈值大于所述第二阈值。采用本发明实施例，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。

Description

一种故障诊断模型训练方法、故障诊断方法及相关装置
技术领域
本发明涉及网络功能虚拟化技术领域，尤其涉及一种故障诊断模型训练方法、故障诊断方法及相关装置。
背景技术
当前通信网络已融入了人们生活的各个方面。当用户出现网络通信故障时，由于涉及到终端、服务提供商、通信网络等多个层面，故障诊断难度较高。通常，用户倾向于向网络运营商求助或者投诉。当前，面对大量的用户网络故障投诉，一位资深的网络工程师每天能处理的投诉量约20单。有大量的投诉问题无法得到快速有效的解决，极大地影响了用户的体验。自动化的诊断工具是解决上述问题的一个重要方法，用于实现自动化的故障诊断主要有基于机器学习的黑箱故障诊断方法，该方法通过收集历史故障的数据记录，结合网络工程师的人工诊断结果，用监督学习的方法，得到一个故障诊断模型，通过该故障诊断模型对新出现的网络故障进行诊断。基于机器学习的黑箱故障诊断方案对样本故障工单有两个要求：样本故障工单的数量需要较多，样本故障工单的诊断结果准确度需要较高。
本技术方案的发明人在研究过程中发现，一方面，由网络工程师提供准确度较高的人工诊断结果需要很高的人力成本，这增加了故障诊断模型的训练成本，另一方面，训练预存的故障诊断模型所需的样本故障工单的缺失使得训练后的故障诊断模型不够稳定，从而故障诊断模型的故障诊断准确度不高。因此，如何利用少量具有较高准确度的人工诊断结果的样本故障工单和全量的具有系统诊断结果的样本故障工单，建立准确、稳定的故障诊断模型是本领域亟待解决的一个问题。
发明内容
本申请提供一种故障诊断模型训练方法、故障诊断方法及相关装置，基于具有人工诊断结果的历史故障工单和具有系统诊断结果的历史故障工单训练预存的故障诊断模型，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
第一方面，本申请的实施例提供一种故障诊断模型训练方法，包括：
计算机设备获取N个历史故障工单，其中，所述历史故障工单包括故障特征数据、系统诊断结果，所述系统诊断结果是基于预存的故障诊断专家系统处理所述故障特征数据而得到的，所述N个历史故障工单中的M个历史故障工单包括人工诊断结果，所述M为小于或等于N的正整数，所述N为正整数；
所述计算机设备基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果，确定所述故障诊断专家系统的故障诊断准确度；
若所述故障诊断准确度小于第一阈值且大于或等于第二阈值，则所述计算机设备基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，所述第一阈值大于所述第二阈值。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
结合第一方面，在一些可能的实现方式中，所述故障特征数据是处理所述历史故障工单的故障详单数据而得到的，所述故障详单数据包括与所述历史故障工单中的故障的发生时间关联的预设时段内的网络测量数据。
结合第一方面，在一些可能的实现方式中，所述故障诊断模型包括逻辑回归故障诊断模型或支持向量机故障诊断模型。
结合第一方面，在一些可能的实现方式中，所述故障诊断专家系统包括基于通信业务知识构建的故障树，用于进行快速的网络问题故障诊断。其中，故障树分析(FaultTree Analysis，简称FTA)又称事故树分析，是安全系统工程中最重要的分析方法。故障树分析从一个可能的事故开始，自上而下、一层层的寻找顶事件的直接原因和间接原因事件，直到基本原因事件，并用逻辑图把这些事件之间的逻辑关系表达出来。
结合第一方面，在一些可能的实现方式中，所述方法还包括：
若所述故障诊断准确度大于或等于第一阈值，则所述计算机设备基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据，训练所述故障诊断模型；
若所述故障诊断准确度小于第二阈值，则所述计算机设备基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据，训练所述故障诊断模型。
可见，本发明实施例中，当故障诊断准确度大于或等于第一阈值时，说明故障诊断专家系统的系统诊断结果的准确度已经能够满足用户需求，此种情况下直接利用所有历史故障工单的系统诊断结果和故障特征数据来训练故障诊断模型就可以满足准确度需求；当故障诊断准确度小于第二阈值时，说明故障诊断专家系统的系统诊断结果的准确度过低，即系统诊断结果中包含大量的噪声，如引入该系统诊断结果训练故障诊断模型，会降低故障诊断模型的稳定性，因此，此种情况下直接使用包括人工诊断结果的历史故障工单来训练故障诊断模型。可见，本发明实施例提供的故障诊断模型训练方法可以根据故障诊断专家系统的故障诊断准确度动态的调整故障诊断模型的训练策略，从而将故障诊断模型的故障诊断准确度维持在较高区间，即有利于提升故障诊断模型的稳定性和准确度。
结合第一方面，在一些可能的实现方式中，所述基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，包括：
所述计算机设备将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
所述计算机设备编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
所述计算机设备合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
所述计算机设备基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
所述计算机设备通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
所述计算机设备合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
所述计算机设备基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，根据准确度较高的人工诊断结果求解未包括人工诊断结果的历史故障工单的预测人工诊断结果，并基于原有的人工诊断结果和预测人工诊断结果来训练故障诊断模型，可见，训练故障诊断模型所采用的人工诊断结果的数量为全部历史故障工单的数量，且预测人工诊断结果的故障诊断准确度高于系统诊断结果，故而，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
结合第一方面，在一些可能的实现方式中，所述计算机设备在训练预存的故障诊断模型之后，还可以执行以下操作：
所述计算机设备通过训练后的所述故障诊断模型处理当前故障的故障特征数据，以生成并输出所述当前故障的故障诊断结果。
第二方面，本申请的实施例提供一种故障诊断方法，包括：
计算机设备获取当前故障的故障特征数据；
所述计算机设备通过训练后的故障诊断模型处理所述故障特征数据，以生成并输出所述当前故障的故障诊断结果；
其中，所述故障诊断模型包括第一故障诊断模型，所述第一故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第一阈值且大于或等于第二阈值时，基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的，所述M个历史故障工单是所述N个历史故障工单中包括人工诊断结果的故障工单，所述系统诊断结果是基于所述故障诊断专家系统处理所述故障特征数据而得到的，所述第一阈值大于所述第二阈值，所述M为小于或等于N的正整数，所述N为正整数。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，并基于该训练后的故障诊断模型诊断当前故障，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
结合第二方面，在一些可能的实现方式中，所述故障诊断专家系统包括基于通信业务知识构建的故障树，用于进行快速的网络问题故障诊断。其中，故障树分析FTA又称事故树分析，是安全系统工程中最重要的分析方法。故障树分析从一个可能的事故开始，自上而下、一层层的寻找顶事件的直接原因和间接原因事件，直到基本原因事件，并用逻辑图把这些事件之间的逻辑关系表达出来。
结合第二方面，在一些可能的实现方式中，所述故障诊断模型还包括第二故障诊断模型或第三故障诊断模型；
其中，所述第二故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度大于或等于第一阈值时，基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的；所述第三故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第二阈值时，基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的。
可见，本发明实施例中，当故障诊断准确度大于或等于第一阈值时，说明故障诊断专家系统的系统诊断结果的准确度已经能够满足用户需求，此种情况下直接利用所有历史故障工单的系统诊断结果和故障特征数据来训练故障诊断模型就可以满足准确度需求；当故障诊断准确度小于第二阈值时，说明故障诊断专家系统的系统诊断结果的准确度过低，即系统诊断结果中包含大量的噪声，如引入该系统诊断结果训练故障诊断模型，会降低故障诊断模型的稳定性，因此，此种情况下直接使用包括人工诊断结果的历史故障工单来训练故障诊断模型。可见，本发明实施例提供的故障诊断模型训练方法可以根据故障诊断专家系统的故障诊断准确度动态的调整故障诊断模型的训练策略，从而将故障诊断模型的故障诊断准确度维持在较高区间，并基于该训练后的故障诊断模型诊断当前故障，即有利于提升故障诊断模型的稳定性和准确度。
结合第二方面，在一些可能的实现方式中，所述基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型的具体实现方式包括：
所述计算机设备将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
所述计算机设备编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
所述计算机设备合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
所述计算机设备基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
所述计算机设备通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
所述计算机设备合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
所述计算机设备基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，根据准确度较高的人工诊断结果求解未包括人工诊断结果的历史故障工单的预测人工诊断结果，并基于原有的人工诊断结果和预测人工诊断结果来训练故障诊断模型，可见，训练故障诊断模型所采用的人工诊断结果的数量为全部历史故障工单的数量，且预测人工诊断结果的故障诊断准确度高于系统诊断结果，故而，基于该训练后的故障诊断模型诊断当前故障，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
结合第二方面，在一些可能的实现方式中，所述获取当前故障的故障特征数据，包括：
所述计算机设备获取当前故障的发生时间；
所述计算机设备提取与所述当前故障的发生时间关联的预设时段内的网络测量数据；
所述计算机设备处理所述网络测量数据，以得到所述当前故障的故障特征数据。
第三方面，本申请的实施例提供一种故障诊断模型训练装置，所述装置包括功能单元，所述功能单元用于执行本发明实施例第一方面任一方法中所描述的部分或全部步骤。
第四方面，本申请的实施例提供一种故障诊断装置，所述装置包括功能单元，所述功能单元用于执行本发明实施例第二方面任一方法中所描述的部分或全部步骤。
第五方面，本申请的实施例提供一种计算机设备，包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面至第二方面任意方法中所描述的部分或全部步骤。
第六方面，本申请的实施例提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有用于计算机设备执行的程序代码，该程序代码具体包括执行指令，所述执行指令用于执行本发明实施例第一方面至第二方面任一方法中所描述的部分或全部步骤。
附图说明
为了更清楚地说明本发明实施例的技术方案，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，下面描述中的附图是本发明的一些实施例，对于本领域低精度技术人员来讲，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是发明实施例公开的一种计算机设备的结构示意图；
图2是发明实施例公开的一种故障诊断模型训练方法的流程示意图；
图3是本发明方法实施例公开的另一种故障诊断模型训练方法的流程示意图；
图4是本发明方法实施例公开的一种故障诊断方法的流程示意图；
图5是本发明方法实施例公开的另一种故障诊断方法的流程示意图；
图6是本发明装置实施例公开的一种故障诊断模型训练装置的功能单元组成框图；
图7是本发明装置实施例公开的一种故障诊断装置的功能单元组成框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域低精度技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为更好的理解本发明技术方案，下面先对本发明实施例提供的故障诊断模型训练方法、故障诊断方法所适用的计算机设备进行简要描述。如图1所示，图1是本发明实施例提供的一种计算机设备的结构示意图。所述计算机设备包括至少一个处理器101，通信总线102，存储器103以及至少一个通信接口104。其中，处理器101可以是一个通用中央处理器(CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本发明方案程序执行的集成电路。通信总线102可包括一通路，在上述组件之间传送信息。通信接口104可以是使用收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(Wireless Local AreaNetworks，WLAN)等。存储器103可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
所述计算机设备还可以包括输出设备105和输入设备106。输出设备105和处理器101通信，可以以多种方式来显示信息，输入设备106和处理器101通信，可以以多种方式接受用户或其他网络设备的输入。
具体实现中，上述计算机设备例如可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备或具有如图1中类似结构的设备，本发明实施例不限定计算机设备的类型。
上述计算机设备中的处理器101能够耦合所述至少一个存储器103，所述存储器103中预存有程序代码，所述程序代码具体包括获取模块、确定模块、第一训练模块，所述存储器103还进一步存储有内核模块，所述内核模块包括操作系统(如WINDOWSTM，ANDROIDTM，IOSTM等)。
所述计算机设备的处理器101调用所述程序代码以执行本发明实施例所公开的故障诊断模型训练方法，具体包括以下步骤：
所述计算机设备的处理器101运行存储器103中的获取模块，以获取N个历史故障工单，其中，所述历史故障工单包括故障特征数据、系统诊断结果，所述系统诊断结果是基于预存的故障诊断专家系统处理所述故障特征数据而得到的，所述N个历史故障工单中的M个历史故障工单包括人工诊断结果，所述M为小于或等于N的正整数，所述N为正整数；
所述计算机设备的处理器101运行存储器103中的确定模块，以基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果，确定所述故障诊断专家系统的故障诊断准确度；
若所述故障诊断准确度小于第一阈值且大于或等于第二阈值，则所述计算机设备的处理器101运行存储器103中的第一训练模块，以基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，所述第一阈值大于所述第二阈值。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
可选的，所述故障特征数据是处理所述历史故障工单的故障详单数据而得到的，所述故障详单数据包括与所述历史故障工单中的故障的发生时间关联的预设时段内的网络测量数据。其中，所述故障特征数据例如可以是上行丢包率等指标数值；
可选的，所述故障诊断模型包括逻辑回归故障诊断模型或支持向量机故障诊断模型。
可选的，所述故障诊断专家系统包括基于通信业务知识构建的故障树，用于进行快速的网络问题故障诊断。其中，故障树分析(Fault Tree Analysis，简称FTA)又称事故树分析，是安全系统工程中最重要的分析方法。故障树分析从一个可能的事故开始，自上而下、一层层的寻找顶事件的直接原因和间接原因事件，直到基本原因事件，并用逻辑图把这些事件之间的逻辑关系表达出来。
可选的，若所述故障诊断准确度大于或等于第一阈值，则所述处理器101还用于：
基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据，训练所述故障诊断模型；
若所述故障诊断准确度小于第二阈值，则所述处理器101还用于：
基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据，训练所述故障诊断模型。
可见，本发明实施例中，当故障诊断准确度大于或等于第一阈值时，说明故障诊断专家系统的系统诊断结果的准确度已经能够满足用户需求，此种情况下直接利用所有历史故障工单的系统诊断结果和故障特征数据来训练故障诊断模型就可以满足准确度需求；当故障诊断准确度小于第二阈值时，说明故障诊断专家系统的系统诊断结果的准确度过低，即系统诊断结果中包含大量的噪声，如引入该系统诊断结果训练故障诊断模型，会降低故障诊断模型的稳定性，因此，此种情况下直接使用包括人工诊断结果的历史故障工单来训练故障诊断模型。可见，本发明实施例提供的故障诊断模型训练方法可以根据故障诊断专家系统的故障诊断准确度动态的调整故障诊断模型的训练策略，从而将故障诊断模型的故障诊断准确度维持在较高区间，即有利于提升故障诊断模型的稳定性和准确度。
可选的，所述处理器101基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型的具体实现方式为：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
其中，所述参考故障诊断模型包括逻辑回归故障诊断模型或支持向量机故障诊断模型。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，根据准确度较高的人工诊断结果求解未包括人工诊断结果的历史故障工单的预测人工诊断结果，并基于原有的人工诊断结果和预测人工诊断结果来训练故障诊断模型，可见，训练故障诊断模型所采用的人工诊断结果的数量为全部历史故障工单的数量，且预测人工诊断结果的故障诊断准确度高于系统诊断结果，故而，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
可选的，所述处理器训练预存的故障诊断模型之后，所述处理器还用于：通过训练后的所述故障诊断模型处理当前故障的故障特征数据，以生成并输出所述当前故障的故障诊断结果。
上述计算机设备的存储器103中的程序代码还可以包括：诊断模块；所述计算机设备的处理器101调用所述程序代码以执行本发明实施例所公开的故障诊断方法，具体包括以下步骤：
所述计算机设备的处理器101运行存储器103中的获取模块，以获取当前故障的故障特征数据；
所述计算机设备的处理器101运行存储器103中的诊断模块，以通过训练后的故障诊断模型处理所述故障特征数据，以生成并输出所述当前故障的故障诊断结果；
其中，所述故障诊断模型包括第一故障诊断模型，所述第一故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第一阈值且大于或等于第二阈值时，基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的，所述M个历史故障工单是所述N个历史故障工单中包括人工诊断结果的故障工单，所述系统诊断结果是基于所述故障诊断专家系统处理所述故障特征数据而得到的，所述第一阈值大于所述第二阈值，所述M为小于或等于N的正整数，所述N为正整数。
其中，所述故障诊断专家系统的故障诊断准确度是基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果而确定的。
举例来说，M的值为5，即5个历史故障工单包括人工诊断结果，且该5个历史故障工单中有4个历史故障工单中的系统诊断结果与对应的人工诊断结果相匹配，从而计算机设备能够确定故障诊断专家系统的故障诊断准确度为：0.8(4/5＝0.8)。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，并基于该训练后的故障诊断模型诊断当前故障，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
可选的，所述故障诊断专家系统包括基于通信业务知识构建的故障树，用于进行快速的网络问题故障诊断。其中，故障树分析(Fault Tree Analysis，简称FTA)又称事故树分析，是安全系统工程中最重要的分析方法。故障树分析从一个可能的事故开始，自上而下、一层层的寻找顶事件的直接原因和间接原因事件，直到基本原因事件，并用逻辑图把这些事件之间的逻辑关系表达出来。
可选的，所述故障诊断模型还包括第二故障诊断模型或第三故障诊断模型；
其中，所述第二故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度大于或等于第一阈值时，基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的；
其中，所述第三故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第二阈值时，基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的。
可见，本发明实施例中，当故障诊断准确度大于或等于第一阈值时，说明故障诊断专家系统的系统诊断结果的准确度已经能够满足用户需求，此种情况下直接利用所有历史故障工单的系统诊断结果和故障特征数据来训练故障诊断模型就可以满足准确度需求；当故障诊断准确度小于第二阈值时，说明故障诊断专家系统的系统诊断结果的准确度过低，即系统诊断结果中包含大量的噪声，如引入该系统诊断结果训练故障诊断模型，会降低故障诊断模型的稳定性，因此，此种情况下直接使用包括人工诊断结果的历史故障工单来训练故障诊断模型。可见，本发明实施例提供的故障诊断模型训练方法可以根据故障诊断专家系统的故障诊断准确度动态的调整故障诊断模型的训练策略，从而将故障诊断模型的故障诊断准确度维持在较高区间，并基于该训练后的故障诊断模型诊断当前故障，即有利于提升故障诊断模型的稳定性和准确度。
可选的，所述处理器101基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型的具体实现方式包括：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，根据准确度较高的人工诊断结果求解未包括人工诊断结果的历史故障工单的预测人工诊断结果，并基于原有的人工诊断结果和预测人工诊断结果来训练故障诊断模型，可见，训练故障诊断模型所采用的人工诊断结果的数量为全部历史故障工单的数量，且预测人工诊断结果的故障诊断准确度高于系统诊断结果，故而，基于该训练后的故障诊断模型诊断当前故障，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
可选的，所述处理器101获取当前故障的故障特征数据的具体实现方式为：
获取当前故障的发生时间；
提取与所述当前故障的发生时间关联的预设时段内的网络测量数据；
处理所述网络测量数据，以得到所述当前故障的故障特征数据。
与上述技术方案一致的，请参阅图2，图2是本发明方法实施例公开的一种故障诊断模型训练方法的流程示意图。需要注意的是，虽然本方法实施例能够基于图1所示的计算机设备实现，但上述示例计算机设备不构成对本发明方法实施例公开的物体检测方法的唯一限定。
如图2所示，所述故障诊断模型训练方法包括以下步骤：
S201，计算机设备获取N个历史故障工单，其中，所述历史故障工单包括故障特征数据、系统诊断结果，所述系统诊断结果是基于预存的故障诊断专家系统处理所述故障特征数据而得到的，所述N个历史故障工单中的M个历史故障工单包括人工诊断结果，所述M为小于或等于N的正整数，所述N为正整数；
其中，所述故障特征数据是处理所述历史故障工单的故障详单数据而得到的，所述故障详单数据包括与所述历史故障工单中的故障的发生时间关联的预设时段内的网络测量数据。
举例来说，所述故障特征数据可以是上行丢包率等指标数值；
其中，所述故障诊断专家系统包括基于通信业务知识构建的故障树，用于进行快速的网络问题故障诊断。其中，故障树分析(Fault Tree Analysis，简称FTA)又称事故树分析，是安全系统工程中最重要的分析方法。故障树分析从一个可能的事故开始，自上而下、一层层的寻找顶事件的直接原因和间接原因事件，直到基本原因事件，并用逻辑图把这些事件之间的逻辑关系表达出来。
S202，所述计算机设备基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果，确定所述故障诊断专家系统的故障诊断准确度；
其中，所述M个历史故障工单中既包括故障诊断专家系统输出的系统诊断结果，又包括由网络工程师等技术人员针对历史故障工单所输入的人工诊断结果，一般认为输入的人工诊断结果即为故障的标准诊断结果，故而，可以利用作为标准诊断结果的人工诊断结果，来确定系统诊断结果的准确度；
举例来说，M的值为5，即5个历史故障工单包括人工诊断结果，且该5个历史故障工单中有4个历史故障工单中的系统诊断结果与对应的人工诊断结果相匹配，从而计算机设备能够确定故障诊断专家系统的故障诊断准确度为：0.8(4/5＝0.8)。
S203，若所述故障诊断准确度小于第一阈值且大于或等于第二阈值，则所述计算机设备基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，所述第一阈值大于所述第二阈值。
其中，所述第一阈值和所述第二阈值为经验值，所述第一阈值对应较高的故障诊断准确度标准，如0.95，所述第二阈值对应较低的故障诊断准确度标准，如0.60。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
可选的，本发明实施例中，若所述故障诊断准确度大于或等于第一阈值，则所述计算机设备基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据，训练所述故障诊断模型；
若所述故障诊断准确度小于第二阈值，则所述计算机设备基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据，训练所述故障诊断模型。
可见，本发明实施例中，当故障诊断准确度大于或等于第一阈值时，说明故障诊断专家系统的系统诊断结果的准确度已经能够满足用户需求，此种情况下直接利用所有历史故障工单的系统诊断结果和故障特征数据来训练故障诊断模型就可以满足准确度需求；当故障诊断准确度小于第二阈值时，说明故障诊断专家系统的系统诊断结果的准确度过低，即系统诊断结果中包含大量的噪声，如引入该系统诊断结果训练故障诊断模型，会降低故障诊断模型的稳定性，因此，此种情况下直接使用包括人工诊断结果的历史故障工单来训练故障诊断模型。可见，本发明实施例提供的故障诊断模型训练方法可以根据故障诊断专家系统的故障诊断准确度动态的调整故障诊断模型的训练策略，从而将故障诊断模型的故障诊断准确度维持在较高区间，即有利于提升故障诊断模型的稳定性和准确度。
可选的，本发明实施例中，所述计算机设备基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型的具体实现方式为：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，根据准确度较高的人工诊断结果求解未包括人工诊断结果的历史故障工单的预测人工诊断结果，并基于原有的人工诊断结果和预测人工诊断结果来训练故障诊断模型，可见，训练故障诊断模型所采用的人工诊断结果的数量为全部历史故障工单的数量，且预测人工诊断结果的故障诊断准确度高于系统诊断结果，故而，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
可选的，本发明实施例中，所述训练预存的故障诊断模型之后，所述计算机设备还用于执行以下操作：
通过训练后的所述故障诊断模型处理当前故障的故障特征数据，以生成并输出所述当前故障的故障诊断结果。
请参阅图3，图3是本发明方法实施例公开的另一种故障诊断模型训练方法的流程示意图。需要注意的是，虽然本方法实施例能够基于图1所示的计算机设备实现，但上述示例计算机设备不构成对本发明方法实施例公开的物体检测方法的唯一限定。
如图3所示，所述故障诊断模型训练方法包括以下步骤：
S301，计算机设备获取N个历史故障工单，其中，所述历史故障工单包括故障特征数据、系统诊断结果，所述系统诊断结果是基于预存的故障诊断专家系统处理所述故障特征数据而得到的，所述N个历史故障工单中的M个历史故障工单包括人工诊断结果，所述M为小于或等于N的正整数，所述N为正整数；
其中，所述故障特征数据是处理所述历史故障工单的故障详单数据而得到的，所述故障详单数据包括与所述历史故障工单中的故障的发生时间关联的预设时段内的网络测量数据。举例来说，所述故障特征数据可以是上行丢包率等指标数值；
其中，所述故障诊断专家系统包括基于通信业务知识构建的故障树，用于进行快速的网络问题故障诊断。其中，故障树分析(Fault Tree Analysis，简称FTA)又称事故树分析，是安全系统工程中最重要的分析方法。故障树分析从一个可能的事故开始，自上而下、一层层的寻找顶事件的直接原因和间接原因事件，直到基本原因事件，并用逻辑图把这些事件之间的逻辑关系表达出来。
S302，所述计算机设备基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果，确定所述故障诊断专家系统的故障诊断准确度；
其中，所述M个历史故障工单中既包括故障诊断专家系统输出的系统诊断结果，又包括由网络工程师等技术人员针对历史故障工单所输入的人工诊断结果，一般认为输入的人工诊断结果即为故障的标准诊断结果，故而，可以利用作为标准诊断结果的人工诊断结果，来确定系统诊断结果的准确度；
举例来说，M的值为5，即5个历史故障工单包括人工诊断结果，且该5个历史故障工单中有4个历史故障工单中的系统诊断结果与对应的人工诊断结果相匹配，从而计算机设备能够确定故障诊断专家系统的故障诊断准确度为：0.8(4/5＝0.8)。
S303，若所述故障诊断准确度小于第一阈值且大于或等于第二阈值，则所述计算机设备基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，所述第一阈值大于所述第二阈值。
其中，所述第一阈值和所述第二阈值为经验值，所述第一阈值对应较高的故障诊断准确度标准，如0.95，所述第二阈值对应较低的故障诊断准确度标准，如0.60。
S304，所述计算机设备通过训练后的所述故障诊断模型处理当前故障的故障特征数据，以生成并输出所述当前故障的故障诊断结果。
本发明实施例中，所述计算机设备在通过训练后的所述故障诊断模型处理当前故障的故障特征数据之前，通过以下步骤获取当前故障的故障特征数据：
所述计算机设备获取当前故障的发生时间；
所述计算机设备提取与所述当前故障的发生时间关联的预设时段内的网络测量数据；
所述计算机设备处理所述网络测量数据，以得到所述当前故障的故障特征数据。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
可选的，本发明实施例中，若所述故障诊断准确度大于或等于第一阈值，则所述计算机设备基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据，训练所述故障诊断模型；
若所述故障诊断准确度小于第二阈值，则所述计算机设备基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据，训练所述故障诊断模型。
可见，本发明实施例中，当故障诊断准确度大于或等于第一阈值时，说明故障诊断专家系统的系统诊断结果的准确度已经能够满足用户需求，此种情况下直接利用所有历史故障工单的系统诊断结果和故障特征数据来训练故障诊断模型就可以满足准确度需求；当故障诊断准确度小于第二阈值时，说明故障诊断专家系统的系统诊断结果的准确度过低，即系统诊断结果中包含大量的噪声，如引入该系统诊断结果训练故障诊断模型，会降低故障诊断模型的稳定性，因此，此种情况下直接使用包括人工诊断结果的历史故障工单来训练故障诊断模型。可见，本发明实施例提供的故障诊断模型训练方法可以根据故障诊断专家系统的故障诊断准确度动态的调整故障诊断模型的训练策略，从而将故障诊断模型的故障诊断准确度维持在较高区间，即有利于提升故障诊断模型的稳定性和准确度。
可选的，本发明实施例中，所述计算机设备基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型的具体实现方式为：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，根据准确度较高的人工诊断结果求解未包括人工诊断结果的历史故障工单的预测人工诊断结果，并基于原有的人工诊断结果和预测人工诊断结果来训练故障诊断模型，可见，训练故障诊断模型所采用的人工诊断结果的数量为全部历史故障工单的数量，且预测人工诊断结果的故障诊断准确度高于系统诊断结果，故而，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
请参阅图4，图4是本发明方法实施例公开的一种故障诊断方法的流程示意图。需要注意的是，虽然本方法实施例能够基于图1所示的计算机设备实现，但上述示例计算机设备不构成对本发明方法实施例公开的物体检测方法的唯一限定。
如图4所示，所述故障诊断方法包括以下步骤：
S401，计算机设备获取当前故障的故障特征数据；
本发明实施例中，所述计算机设备获取当前故障的故障特征数据的具体实现方式为：
所述计算机设备获取当前故障的发生时间；
所述计算机设备提取与所述当前故障的发生时间关联的预设时段内的网络测量数据；
所述计算机设备处理所述网络测量数据，以得到所述当前故障的故障特征数据。
S402，所述计算机设备通过训练后的故障诊断模型处理所述故障特征数据，以生成并输出所述当前故障的故障诊断结果；
其中，所述故障诊断模型包括第一故障诊断模型，所述第一故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第一阈值且大于或等于第二阈值时，基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的，所述M个历史故障工单是所述N个历史故障工单中包括人工诊断结果的故障工单，所述系统诊断结果是基于所述故障诊断专家系统处理所述故障特征数据而得到的，所述第一阈值大于所述第二阈值，所述M为小于或等于N的正整数，所述N为正整数。
其中，所述故障诊断专家系统的故障诊断准确度是基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果而确定的。
举例来说，M的值为5，即5个历史故障工单包括人工诊断结果，且该5个历史故障工单中有4个历史故障工单中的系统诊断结果与对应的人工诊断结果相匹配，从而计算机设备能够确定故障诊断专家系统的故障诊断准确度为：0.8(4/5＝0.8)。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，并基于该训练后的故障诊断模型诊断当前故障，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
可选的，本发明实施例中，所述故障诊断模型还包括第二故障诊断模型或第三故障诊断模型；
其中，所述第二故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度大于或等于第一阈值时，基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的；
其中，所述第三故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第二阈值时，基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的。
可见，本发明实施例中，当故障诊断准确度大于或等于第一阈值时，说明故障诊断专家系统的系统诊断结果的准确度已经能够满足用户需求，此种情况下直接利用所有历史故障工单的系统诊断结果和故障特征数据来训练故障诊断模型就可以满足准确度需求；当故障诊断准确度小于第二阈值时，说明故障诊断专家系统的系统诊断结果的准确度过低，即系统诊断结果中包含大量的噪声，如引入该系统诊断结果训练故障诊断模型，会降低故障诊断模型的稳定性，因此，此种情况下直接使用包括人工诊断结果的历史故障工单来训练故障诊断模型。可见，本发明实施例提供的故障诊断模型训练方法可以根据故障诊断专家系统的故障诊断准确度动态的调整故障诊断模型的训练策略，从而将故障诊断模型的故障诊断准确度维持在较高区间，并基于该训练后的故障诊断模型诊断当前故障，即有利于提升故障诊断模型的稳定性和准确度。
可选的，本发明实施例中，所述计算机设备基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型的具体实现方式为：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，根据准确度较高的人工诊断结果求解未包括人工诊断结果的历史故障工单的预测人工诊断结果，并基于原有的人工诊断结果和预测人工诊断结果来训练故障诊断模型，可见，训练故障诊断模型所采用的人工诊断结果的数量为全部历史故障工单的数量，且预测人工诊断结果的故障诊断准确度高于系统诊断结果，故而，基于该训练后的故障诊断模型诊断当前故障，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
请参阅图5，图5是本发明方法实施例公开的另一种故障诊断方法的流程示意图。需要注意的是，虽然本方法实施例能够基于图1所示的计算机设备实现，但上述示例计算机设备不构成对本发明方法实施例公开的物体检测方法的唯一限定。
如图5所示，所述故障诊断方法包括以下步骤：
S501，计算机设备获取当前故障的发生时间；
S502，所述计算机设备提取与所述当前故障的发生时间关联的预设时段内的网络测量数据；
S503，所述计算机设备处理所述网络测量数据，以得到所述当前故障的故障特征数据；
其中，所述故障特征数据包括分析所述网络测量数据而得到的若干项指标数据，举例来说，所述指标数据例如可以是上行丢包率。
S504，所述计算机设备通过训练后的故障诊断模型处理所述故障特征数据，以生成并输出所述当前故障的故障诊断结果；
其中，所述故障诊断模型包括第一故障诊断模型，所述第一故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第一阈值且大于或等于第二阈值时，基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的，所述M个历史故障工单是所述N个历史故障工单中包括人工诊断结果的故障工单，所述系统诊断结果是基于所述故障诊断专家系统处理所述故障特征数据而得到的，所述第一阈值大于所述第二阈值，所述M为小于或等于N的正整数，所述N为正整数。
其中，所述故障诊断专家系统的故障诊断准确度是基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果而确定的。
举例来说，M的值为5，即5个历史故障工单包括人工诊断结果，且该5个历史故障工单中有4个历史故障工单中的系统诊断结果与对应的人工诊断结果相匹配，从而计算机设备能够确定故障诊断专家系统的故障诊断准确度为：0.8(4/5＝0.8)。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，并基于该训练后的故障诊断模型诊断当前故障，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
可选的，本发明实施例中，所述故障诊断模型还包括第二故障诊断模型或第三故障诊断模型；
其中，所述第二故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度大于或等于第一阈值时，基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的；
其中，所述第三故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第二阈值时，基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的。
可见，本发明实施例中，当故障诊断准确度大于或等于第一阈值时，说明故障诊断专家系统的系统诊断结果的准确度已经能够满足用户需求，此种情况下直接利用所有历史故障工单的系统诊断结果和故障特征数据来训练故障诊断模型就可以满足准确度需求；当故障诊断准确度小于第二阈值时，说明故障诊断专家系统的系统诊断结果的准确度过低，即系统诊断结果中包含大量的噪声，如引入该系统诊断结果训练故障诊断模型，会降低故障诊断模型的稳定性，因此，此种情况下直接使用包括人工诊断结果的历史故障工单来训练故障诊断模型。可见，本发明实施例提供的故障诊断模型训练方法可以根据故障诊断专家系统的故障诊断准确度动态的调整故障诊断模型的训练策略，从而将故障诊断模型的故障诊断准确度维持在较高区间，并基于该训练后的故障诊断模型诊断当前故障，即有利于提升故障诊断模型的稳定性和准确度。
可选的，本发明实施例中，所述计算机设备基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型的具体实现方式为：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
可见，本发明实施例中，通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，根据准确度较高的人工诊断结果求解未包括人工诊断结果的历史故障工单的预测人工诊断结果，并基于原有的人工诊断结果和预测人工诊断结果来训练故障诊断模型，可见，训练故障诊断模型所采用的人工诊断结果的数量为全部历史故障工单的数量，且预测人工诊断结果的故障诊断准确度高于系统诊断结果，故而，基于该训练后的故障诊断模型诊断当前故障，有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
上述计算机设备中执行的部分或全部步骤，具体可以由所述计算机设备通过执行上述存储器中的程序代码来实现。例如，所述步骤S201、步骤S301、步骤S401和步骤S501、步骤S502以及步骤S503可以由计算机设备执行图1所示的获取模块来实现；所述步骤S202和步骤S302可以由计算机设备执行图1所示的确定模块来实现；所述步骤S203和步骤S303可以由计算机设备执行图1所示的第一训练模块来实现；所述步骤S402和步骤S504可以由计算机设备执行图1所示的诊断模块来实现。
下面为本发明装置实施例，请参阅图6，图6是本发明装置实施例公开的一种故障诊断模型训练装置的功能单元组成框图。如图6所示，所述故障诊断模型训练装置包括获取单元601、确定单元602以及第一训练单元603，其中：
所述获取单元601，用于获取N个历史故障工单，其中，所述历史故障工单包括故障特征数据、系统诊断结果，所述系统诊断结果是基于预存的故障诊断专家系统处理所述故障特征数据而得到的，所述N个历史故障工单中的M个历史故障工单包括人工诊断结果，所述M为小于或等于N的正整数，所述N为正整数；
所述确定单元602，用于基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果，确定所述故障诊断专家系统的故障诊断准确度；
所述第一训练单元603，用于若所述故障诊断准确度小于第一阈值且大于或等于第二阈值，则基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，所述第一阈值大于所述第二阈值。
可选的，所述装置还包括：
第二训练单元，用于若所述故障诊断准确度大于或等于第一阈值，则基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据，训练所述故障诊断模型；
第三训练单元，用于若所述故障诊断准确度小于第二阈值，则基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据，训练所述故障诊断模型。
可选的，所述第一训练单元603具体用于：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
可选的，所述装置还包括：
诊断单元，用于在所述训练单元训练预存的故障诊断模型之后，通过训练后的所述故障诊断模型处理当前故障的故障特征数据，以生成并输出所述当前故障的故障诊断结果。
需要注意的是，本发明功能单元装置实施例所描述的故障诊断模型训练装置是以功能单元的形式呈现。这里所使用的术语“单元”应当理解为尽可能最宽的含义，用于实现各个“单元”所描述功能的对象例如可以是集成电路ASIC，单个电路，用于执行一个或多个软件或固件程序的处理器(共享的、专用的或芯片组)和存储器，组合逻辑电路，和/或提供实现上述功能的其他合适的组件。
举例来说，本领域技术员人可以知晓该故障诊断模型训练装置的硬件载体的组成形式具体可以是图1所示的计算机设备。
其中，所述获取单元601的功能可以由所述计算机设备中的处理器101和存储器103来实现，具体是通过处理器101运行存储器103中的获取模块，以获取N个历史故障工单；
所述确定单元602的功能可以由所述计算机设备中的处理器101和存储器103来实现，具体是通过处理器101运行存储器103中的确定模块，以基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果，确定所述故障诊断专家系统的故障诊断准确度；
所述第一训练单元603的功能可以由所述计算机设备中的处理器101和存储器103来实现，具体是通过处理器101运行存储器103中的第一训练模块，以基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型；
可以看出，本发明实施例中，计算机设备通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
请参阅图7，图7是本发明装置实施例公开的一种故障诊断装置的功能单元组成框图。如图7所示，所述故障诊断模型训练装置包括获取单元701、诊断单元702，其中：
所述获取单元701，用于获取当前故障的故障特征数据；
所述诊断单元702，用于通过训练后的故障诊断模型处理所述故障特征数据，以生成并输出所述当前故障的故障诊断结果；
其中，所述故障诊断模型包括第一故障诊断模型，所述第一故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第一阈值且大于或等于第二阈值时，基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的，所述M个历史故障工单是所述N个历史故障工单中包括人工诊断结果的故障工单，所述系统诊断结果是基于所述故障诊断专家系统处理所述故障特征数据而得到的，所述第一阈值大于所述第二阈值，所述M为小于或等于N的正整数，所述N为正整数。
可选的，所述故障诊断模型还包括第二故障诊断模型或第三故障诊断模型；
其中，所述第二故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度大于或等于第一阈值时，基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的；所述第三故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第二阈值时，基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的。
可选的，所述基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型的具体实现方式包括：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
可选的，所述获取单元701具体用于：
获取当前故障的发生时间；
提取与所述当前故障的发生时间关联的预设时段内的网络测量数据；
处理所述网络测量数据，以得到所述当前故障的故障特征数据。
需要注意的是，本发明功能单元装置实施例所描述的故障诊断装置是以功能单元的形式呈现。这里所使用的术语“单元”应当理解为尽可能最宽的含义，用于实现各个“单元”所描述功能的对象例如可以是集成电路ASIC，单个电路，用于执行一个或多个软件或固件程序的处理器(共享的、专用的或芯片组)和存储器，组合逻辑电路，和/或提供实现上述功能的其他合适的组件。
举例来说，本领域技术员人可以知晓该故障诊断模型训练装置的硬件载体的组成形式具体可以是图1所示的计算机设备。
其中，所述获取单元701的功能可以由所述计算机设备中的处理器101和存储器103来实现，具体是通过处理器101运行存储器103中的获取模块，以获取当前故障的故障特征数据；
所述诊断单元702的功能可以由所述计算机设备中的处理器101和存储器103来实现，具体是通过处理器101运行存储器103中的诊断模块，以通过训练后的故障诊断模型处理所述故障特征数据，以生成并输出所述当前故障的故障诊断结果；
可以看出，本发明实施例中，计算机设备通过准确度较高的人工诊断结果来计算预存的故障诊断专家系统所输出的系统诊断结果的故障诊断准确度，并在该故障诊断准确度小于第一阈值且大于或等于第二阈值的情况下，综合考虑历史故障工单的系统诊断结果和人工诊断结果来训练预存的故障诊断模型，相对于利用数量较少的包括人工诊断结果的历史故障工单的训练方案、以及相对于利用全部数量的包括准确度相对较低的系统诊断结果的历史故障工单的训练方案，在最大化利用全部数量的历史故障工单的同时、引入准确度较高的人工诊断结果来训练故障诊断模型，并基于该训练后的故障诊断模型诊断当前故障，从而有利于提升故障诊断模型的故障诊断准确度，降低故障诊断模型的训练成本。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种故障诊断模型训练方法、故障诊断方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上上述，本说明书内容不应理解为对本发明的限制。

Claims (18)

1.一种故障诊断模型训练方法，其特征在于，包括：
获取N个历史故障工单，其中，所述历史故障工单包括故障特征数据和系统诊断结果，所述系统诊断结果是基于预存的故障诊断专家系统处理所述故障特征数据而得到的，所述N个历史故障工单中的M个历史故障工单包括人工诊断结果，所述M为小于或等于N的正整数，所述N为正整数；
基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果，确定所述故障诊断专家系统的故障诊断准确度；
若所述故障诊断准确度小于第一阈值且大于或等于第二阈值，则基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，所述第一阈值大于所述第二阈值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述故障诊断准确度大于或等于第一阈值，则基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据，训练所述故障诊断模型；
若所述故障诊断准确度小于第二阈值，则基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据，训练所述故障诊断模型。
3.根据权利要求1或2任一项所述的方法，其特征在于，所述基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，包括：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
4.根据权利要求1-2任一项所述的方法，其特征在于，所述训练预存的故障诊断模型之后，所述方法还包括：
通过训练后的所述故障诊断模型处理当前故障的故障特征数据，以生成并输出所述当前故障的故障诊断结果。
5.根据权利要求3所述的方法，其特征在于，所述训练预存的故障诊断模型之后，所述方法还包括：
通过训练后的所述故障诊断模型处理当前故障的故障特征数据，以生成并输出所述当前故障的故障诊断结果。
6.一种故障诊断方法，其特征在于，包括：
获取当前故障的故障特征数据；
通过训练后的故障诊断模型处理所述故障特征数据，以生成并输出所述当前故障的故障诊断结果；
其中，所述故障诊断模型包括第一故障诊断模型，所述第一故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第一阈值且大于或等于第二阈值时，基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的，所述M个历史故障工单是所述N个历史故障工单中包括人工诊断结果的故障工单，所述系统诊断结果是基于所述故障诊断专家系统处理所述故障特征数据而得到的，所述第一阈值大于所述第二阈值，所述M为小于或等于N的正整数，所述N为正整数。
7.根据权利要求6所述的方法，其特征在于，
所述故障诊断模型还包括第二故障诊断模型或第三故障诊断模型；
其中，所述第二故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度大于或等于第一阈值时，基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的；所述第三故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第二阈值时，基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的。
8.根据权利要求7或6任一项所述的方法，其特征在于，所述基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型的具体实现方式包括：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
9.根据权利要求6-7任一项所述的方法，其特征在于，所述获取当前故障的故障特征数据，包括：
获取当前故障的发生时间；
提取与所述当前故障的发生时间关联的预设时段内的网络测量数据；
处理所述网络测量数据，以得到所述当前故障的故障特征数据。
10.根据权利要求8所述的方法，其特征在于，所述获取当前故障的故障特征数据，包括：
获取当前故障的发生时间；
提取与所述当前故障的发生时间关联的预设时段内的网络测量数据；
处理所述网络测量数据，以得到所述当前故障的故障特征数据。
11.一种故障诊断模型训练装置，其特征在于，包括：
获取单元，用于获取N个历史故障工单，其中，所述历史故障工单包括故障特征数据和系统诊断结果，所述系统诊断结果是基于预存的故障诊断专家系统处理所述故障特征数据而得到的，所述N个历史故障工单中的M个历史故障工单包括人工诊断结果，所述M为小于或等于N的正整数，所述N为正整数；
确定单元，用于基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的系统诊断结果，确定所述故障诊断专家系统的故障诊断准确度；
第一训练单元，用于若所述故障诊断准确度小于第一阈值且大于或等于第二阈值，则基于所述N个历史故障工单的系统诊断结果、所述M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据，训练预存的故障诊断模型，所述第一阈值大于所述第二阈值。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
第二训练单元，用于若所述故障诊断准确度大于或等于第一阈值，则基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据，训练所述故障诊断模型；
第三训练单元，用于若所述故障诊断准确度小于第二阈值，则基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据，训练所述故障诊断模型。
13.根据权利要求12或11任一项所述的装置，其特征在于，所述第一训练单元具体用于：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
14.一种故障诊断装置，其特征在于，包括：
获取单元，用于获取当前故障的故障特征数据；
诊断单元，用于通过训练后的故障诊断模型处理所述故障特征数据，以生成并输出所述当前故障的故障诊断结果；
其中，所述故障诊断模型包括第一故障诊断模型，所述第一故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第一阈值且大于或等于第二阈值时，基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的，所述M个历史故障工单是所述N个历史故障工单中包括人工诊断结果的故障工单，所述系统诊断结果是基于所述故障诊断专家系统处理所述故障特征数据而得到的，所述第一阈值大于所述第二阈值，所述M为小于或等于N的正整数，所述N为正整数。
15.根据权利要求14所述的装置，其特征在于，
所述故障诊断模型还包括第二故障诊断模型或第三故障诊断模型；
其中，所述第二故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度大于或等于第一阈值时，基于所述N个历史故障工单的系统诊断结果和所述N个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的；所述第三故障诊断模型是在判断出预存的故障诊断专家系统的故障诊断准确度小于第二阈值时，基于所述M个历史故障工单的人工诊断结果和所述M个历史故障工单的故障特征数据训练预存的故障诊断模型而得到的。
16.根据权利要求14或15任一项所述的装置，其特征在于，所述基于N个历史故障工单的系统诊断结果、M个历史故障工单的人工诊断结果以及所述N个历史故障工单的故障特征数据训练预存的故障诊断模型的具体实现方式包括：
将包括所述N个历史故障工单的故障特征数据的特征矩阵示意为第一特征矩阵X，将包括所述M个历史故障工单的故障特征数据的特征矩阵示意为第二特征矩阵X1，将包括所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单的故障特征数据的特征矩阵示意为第三特征矩阵X2；
编码所述N个历史故障工单的系统诊断结果以生成编码矩阵Y1，编码所述M个历史故障工单的人工诊断结果以生成编码矩阵Y2，将所述N个历史故障工单中除所述M个历史故障工单之外的N-M个历史故障工单对应的预测人工诊断结果的编码矩阵示意为编码矩阵Y3，将所述编码矩阵Y1中与所述M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y4，将所述编码矩阵Y1中与所述N-M个历史故障工单对应的行向量所组成的矩阵示意为编码矩阵Y5；
合并所述第二特征矩阵X1和所述编码矩阵Y4为第四特征矩阵XAUG，合并所述第三特征矩阵X2和所述编码矩阵Y5为第五特征矩阵XAUG2；
基于所述第四特征矩阵XAUG和所述编码矩阵Y2，训练参考故障诊断模型；
通过训练后的所述参考故障诊断模型处理所述第五特征矩阵XAUG2，以得到所述编码矩阵Y3；
合并所述编码矩阵Y2和所述编码矩阵Y3为样本人工诊断结果编码矩阵；
基于所述样本人工诊断结果编码矩阵和所述第一特征矩阵X，训练预存的故障诊断模型。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被硬件执行时能够实现权利要求1至5任意一项所述的方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被硬件执行时能够实现权利要求6至10任意一项所述的方法。
CN201610109367.6A 2016-02-26 2016-02-26 一种故障诊断模型训练方法、故障诊断方法及相关装置 Active CN107133118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610109367.6A CN107133118B (zh) 2016-02-26 2016-02-26 一种故障诊断模型训练方法、故障诊断方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610109367.6A CN107133118B (zh) 2016-02-26 2016-02-26 一种故障诊断模型训练方法、故障诊断方法及相关装置

Publications (2)

Publication Number Publication Date
CN107133118A CN107133118A (zh) 2017-09-05
CN107133118B true CN107133118B (zh) 2020-07-14

Family

ID=59721365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610109367.6A Active CN107133118B (zh) 2016-02-26 2016-02-26 一种故障诊断模型训练方法、故障诊断方法及相关装置

Country Status (1)

Country Link
CN (1) CN107133118B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862468A (zh) * 2017-11-23 2018-03-30 深圳市智物联网络有限公司 设备风险识别模型建立的方法及装置
CN107966648B (zh) * 2017-11-27 2019-10-01 中国航空综合技术研究所 一种基于相关性矩阵的嵌入式故障诊断方法
CN108563945B (zh) * 2018-03-26 2020-07-07 烽火通信科技股份有限公司 一种异构冗余实现方法及实现系统
CN110657072A (zh) * 2018-06-29 2020-01-07 中车株洲电力机车研究所有限公司 一种基于结构化知识库的风电故障检修方法及系统
CN109522388A (zh) * 2018-11-02 2019-03-26 中国联合网络通信集团有限公司 一种智能派单规则的创建方法及装置
CN111221247A (zh) * 2018-11-23 2020-06-02 西门子股份公司 用于故障诊断的方法及系统、模型的训练方法以及介质
CN111240874B (zh) * 2020-01-03 2022-01-14 联想(北京)有限公司 一种数据处理方法及电子设备
CN111310825A (zh) * 2020-02-14 2020-06-19 逸驾智能科技有限公司 用于分析汽车故障的方法和装置
CN111325262A (zh) * 2020-02-14 2020-06-23 逸驾智能科技有限公司 用于分析汽车故障的方法和装置
CN111325257A (zh) * 2020-02-14 2020-06-23 逸驾智能科技有限公司 用于分析汽车故障的方法和装置
CN111507682A (zh) * 2020-04-03 2020-08-07 北京市天元网络技术股份有限公司 工单处理方法及装置
CN117610667B (zh) * 2024-01-17 2024-04-26 湖南傲思软件股份有限公司 基于开源大模型的故障处置专家系统、方法和计算机设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101753382B (zh) * 2010-01-25 2013-07-24 浪潮通信信息系统有限公司 一种自适应网络故障监控定位安全模型的构建方法
CN102262690B (zh) * 2011-06-07 2013-10-30 中国石油大学(北京) 一种混合故障预警模型的建模方法及建模系统
CN103927259B (zh) * 2014-04-18 2016-08-24 北京航空航天大学 一种基于测试性建模数据的故障检测与隔离综合方法

Also Published As

Publication number Publication date
CN107133118A (zh) 2017-09-05

Similar Documents

Publication Publication Date Title
CN107133118B (zh) 一种故障诊断模型训练方法、故障诊断方法及相关装置
EP3525096A1 (en) Resource load balancing control method and cluster scheduler
CN106294120B (zh) 测试代码的方法、设备和计算机程序产品
CN109918205B (zh) 一种边缘设备调度方法、系统、装置及计算机存储介质
CN109302719B (zh) 一种lte小区容量预测分析方法及装置
CN110689084B (zh) 一种异常用户识别方法及装置
JP2014527214A5 (zh)
CN106991095B (zh) 机器异常的处理方法、学习速率的调整方法及装置
CN111666187B (zh) 用于检测异常响应时间的方法和装置
CN109685805B (zh) 一种图像分割方法及装置
WO2021139335A1 (zh) 物理机销售数据预测方法、装置、计算机设备及存储介质
CN113378835A (zh) 标注模型训练、样本标注方法及相关装置
CN112506581A (zh) 渲染小程序的方法、装置、电子设备和可读存储介质
CN111860568B (zh) 数据样本的均衡分布方法、装置及存储介质
CN107623664B (zh) 一种密码输入方法及装置
JP6058571B2 (ja) 必要要員数算出装置、必要要員数算出方法及びプログラム
CN110602207A (zh) 基于离网预测推送信息的方法、装置、服务器和存储介质
US9501321B1 (en) Weighted service requests throttling
EP2950213B1 (en) Method, apparatus, and system for migrating virtual machine
US10356010B2 (en) Control device
CN117009221A (zh) 产品测试的处理方法、装置、设备、存储介质及程序产品
CN110866043A (zh) 数据预处理方法及装置、存储介质、终端
CN113762421B (zh) 分类模型的训练方法、流量分析方法、装置及设备
CN107229487B (zh) 代码处理方法及装置
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置

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
GR01 Patent grant
GR01 Patent grant