CN107943098A - 一种基于机器学习的智能运维机器人系统 - Google Patents

Abstract

本发明提供了一种基于机器学习的智能运维机器人系统，包括后台处理端、运维数据库以及若干运维机器人，所述故障学习策略包括当所述异常信号被输出到后台处理端时，根据所述后台处理端输入的处理结果生成一新的所述处理策略，并将新地所述处理策略存入所述运维数据库，并根据所述处理策略对应的故障参数通过一参数波动值生成一故障参数范围，根据所述处理策略对应的故障时间通过一时间波动值生成一故障时间范围，生成故障时间在所述故障时间范围内且故障参数在所述故障参数范围内的新的异常信号，关联所述新的异常信号和新的所述处理策略。

Description

一种基于机器学习的智能运维机器人系统

技术领域

本发明涉及智能运维机器人技术领域，具体是涉及一种基于机器学习的智能运维机器人系统。

背景技术

运维工程师(Operations)，负责维护并确保整个服务的高可用性，同时不断优化系统架构、提升部署效率、优化资源利用率提高整体的ROI.

运维工程师面对的最大挑战是大规模集群的管理问题，如何管理好几十万台服务器上的服务，同时保障服务的高可用性，是运维工程师面临的最大挑战。在软件产品的整个生命周期中运维工程师都需要适时地参与并发挥不同得作用，因此运维工程师的工作内容和方向非常多：

事件管理：目标是在服务出现异常时尽可能快速的恢复服务，从而保障服务的可用性；同时深入分析故障产生的原因，推动并修复服务存在的问题，同时设计并开发相关的预案以确保服务出现故障时可以高效的止损。在这方面主要工作内容有：

问题发现：设计并开发高效的监控平台和告警平台，使用机器学习、大数据分析等方法对系统中的大量监控数据进行汇总分析，以期在系统出现异常的时候可以快速的发现问题和判断故障的影响。

问题处理：设计并开发高效的问题处理平台和工具，在系统出现异常的时候可以快速/自动决策并触发相关止损预案，快速恢复服务。

问题跟踪：通过分析问题发生时系统的各种表现(日志、变更、监控)确定问题发生的根本原因，制定并开发预案工具。

变更管理：以可控的方式，尽可能高效的完成产品功能的迭代的变更工作。在这方面运主要工作内容有：

配置管理：通过配置管理平台(自研、开源)管理服务涉及到的多个模块、多个版本的关系以及配置的准确性。

发布管理：通过构建自动化的平台确保每一次版本变更可以安全可控地发布到生产环境。

容量管理：在服务运行维护阶段，为了确保服务架构部署的合理性同时掌握服务整体的冗余，需要不断评估系统的承载能力，并不断优化之。在这方面主要工作内容有：

容量评估：通过技术手段模拟实际的用户请求，测试整个系统所能承担的最大吞吐；通过建立容量评估模型分析压力测试过程中的数据以评估整个服务的容量。

容量优化：基于容量评估数据，判断系统的瓶颈并提供容量优化的解决方案。比如通过调整系统参数、优化服务部署架构等方法来高效的提升系统容量。

架构优化：为了支持产品的不断迭代，需要不断的进行架构优化调整。以确保整个产品能够在功能不断丰富和复杂的条件下，同时保持高可用性。

而市场上目前推出了一种运维机器人，可以代替运维工程师以解决系统运维的问题，但是这种运维机器人只能根据实际情况作出应对，不具有自主学习的能力，所以导致在配置运维机器人时所做的工作较为繁琐，造成了较大的设计成本，且无法适应实际的使用需求，根据实际使用的需求情况作出应对。

发明内容

针对现有技术中存在的上述问题，现旨在提供一种基于机器学习的智能运维机器人系统，以解决上述问题。

具体技术方案如下：一种基于机器学习的智能运维机器人系统，包括后台处理端、运维数据库以及若干运维机器人，所述运维机器人于一预设的被检设备区中配置有预设路线，所述运维机器人配置有检测模块，所述检测模块用于采集所述被检区域的环境参数，所述运维机器人沿预设路线移动并将获取的所述环境参数上传至后台处理端，所述后台终端连接所述运维数据库，所述运维数据库用于存储运维信息；

所述检测模块包括有热成像装置、摄像头、温度传感器以及湿度传感器，所述热成像装置用于采集所述被检区域的热成像信息，所述摄像头用于采集被检区域的图像信息，所述温度传感器用于采集被检区域的温度信息，所述湿度传感器用于采集被检区域的湿度信息，所述环境参数包括所述热成像信息、图像信息、温度信息以及湿度信息；

所述后台处理端配置有机器学习模块，所述机器学习模块配置有故障检测策略以及故障学习策略；

所述故障检测策略包括配置于所述运维数据库的触发参数，当所述环境参数与触发参数不匹配时，输出异常信号，所述异常信号包括信号故障时间以及故障参数，所述运维数据库对应异常信号关联有处理策略，当所述异常信号在所述运维数据库存在关联的处理策略时，执行所述处理策略，当所述异常信号的故障参数在所述运维数据库不存在关联的处理策略时，将所述异常信号输出到后台处理端；

所述故障学习策略包括当所述异常信号被输出到后台处理端时，根据所述后台处理端输入的处理结果生成一新的所述处理策略，并将新的所述处理策略存入所述运维数据库，并根据所述处理策略对应的故障参数通过一参数波动值生成一故障参数范围，根据所述处理策略对应的故障时间通过一时间波动值生成一故障时间范围，生成故障时间在所述故障时间范围内且故障参数在所述故障参数范围内的新的异常信号，关联所述新的异常信号和新的所述处理策略。

进一步地：所述故障检测策略包括热成像检测子策略，所述热成像检测子策略包括通过热成像算法捕获所述热成像信息中的热特征图区，并根据所述热特征图区的图形以及所述热特征图区所对应的热成像位姿生成热成像特征信息，所述触发参数包括热成像比对信息，每一所述热成像比对信息均存在一关联的热成像位姿，所述热成像特征信息根据所述热成像位姿调取对应的热成像比对信息，所述热成像比对信息包括热特征裕量以及基准热特征图区，当所述热特征图区和基准热特征图区的热特征差值绝对值大于所述热特征裕量时，判断对应的所述环境参数和所述触发参数不匹配；

所述故障参数包括所述热成像特征信息以及所述热特征差值。

进一步地：所述故障检测策略包括图像成像子策略，所述图像检测子策略包括通过图像捕捉算法捕获所述图像成像信息中的图像特征图区，并根据所述图像特征图区的图形以及所述图像特征图区对应的图像成像位姿生成图像特征信息，所述触发参数包括图像比对信息，每一所述图像比对信息均存在一关联的图像成像位姿，所述图像特征信息根据所述图像成像位姿调取对应的图像比对信息，所述图像比对信息包括图像特征裕量以及基准图像特征图区，当所述图像特征图区和基准图像特征图区的图像特征差值绝对值大于所述图像特征裕量时，判断对应的所述环境参数和触发参数不匹配；

所述故障参数包括图像特征信息以及图像特征差值。

进一步地：所述故障检测策略包括热像动态子策略，所述热像动态子策略包括分别通过热成像算法和图像捕捉算法捕获所述热成像信息中的热特征图区以及所述图像成像信息中的图像特征图区，所述热特征图区和图像特征图区具有相同的一热像位姿，根据所述热像位姿以及所述热像位姿对应的热特征图区和图像特征图区生成一热像特征信息，所述触发信息包括热像比对信息，每一所述热像比对信息均存在一关联的热像位置，所述热像特征信息根据所述热像位姿调取对应的热像比对信息，所述热像比对信息包括热像特征裕量、基准图像特征图区以及基准热特征图区，根据加权算法求取所述热特征图区和基准热特征图区的热特征差值绝对值和所述图像特征图区和基准图像特征图区的图像特征差值绝对值之和以获得一热像差值，若所述热像差值大于所述热像特征裕量，判断对应的所述环境参数和所述触发参数不匹配。

进一步地：所述故障检测策略包括一温度检测子策略，所述温度检测子策略包括实时获取所述温度信息，所述温度信息包括温度值以及与该温度值对应的温度检测位置，所述触发信息包括温度比对信息，所述温度比对信息包括基准温度值以及温度裕量，每一所述温度比对信息包括有均存在一关联的温度检测位置，所述温度信息根据所述温度检测位置调取对应的温度比对信息，当所述温度值与所述基准温度值的差值绝对值大于所述温度裕量时，判断对应的环形参数和触发参数不匹配。

进一步地：所述故障检测策略包括一温度检测子策略，所述温度检测子策略包括实时获取所述温度信息，所述温度信息包括温度值以及与该温度值对应的温度检测时间，所述触发信息包括温度比对信息，所述温度比对信息包括基准温度值以及温度裕量，每一所述温度比对信息包括有均存在一关联的温度检测时间，所述温度信息根据所述温度检测时间调取对应的温度比对信息，当所述温度值与所述基准温度值的差值绝对值大于所述温度裕量时，判断对应的环形参数和触发参数不匹配。

进一步地：所述故障检测策略包括一湿度检测子策略，所述湿度检测子策略包括实时获取所述湿度信息，所述湿度信息包括湿度值以及与该湿度值对应的湿度检测位置，所述触发信息包括湿度比对信息，所述湿度比对信息包括基准湿度值以及湿度裕量，每一所述湿度比对信息包括有均存在一关联的湿度检测位置，所述湿度信息根据所述湿度检测位置调取对应的湿度比对信息，当所述湿度值与所述基准湿度值的差值绝对值大于所述湿度裕量时，判断对应的环形参数和触发参数不匹配。

进一步地：所述故障检测策略包括一湿度检测子策略，所述湿度检测子策略包括实时获取所述湿度信息，所述湿度信息包括湿度值以及与该湿度值对应的湿度检测时间，所述触发信息包括湿度比对信息，所述湿度比对信息包括基准湿度值以及湿度裕量，每一所述湿度比对信息包括有均存在一关联的湿度检测时间，所述湿度信息根据所述湿度检测时间调取对应的湿度比对信息，当所述湿度值与所述基准湿度值的差值绝对值大于所述湿度裕量时，判断对应的环形参数和触发参数不匹配。

此外，本申请提供一种基于运维无人机的线网检测系统，具备所述的智能运维机器人系统，其区别特征在于：

该线网检测系统包括运维无人机、地面控制台，地面控制台进一步包括操纵控制器、操纵手柄和显示器，其中地面控制台和运维无人机之间采用无线连接，该无人机配置有智能运维机器人系统，当需要进行线路检查时，启动无人机开关，同时打开地面控制台开关；

对无人机和地面控制台进行无线通信之间的连接测试，当两者通信连接正常时，即可开始进行线路检查工作；

在控制台上预先规划好线路，并将该线路发送至无人机，以便无人机进行线路的检查，并可以将当前的信息图像传输至地面控制台，并在地面控制台进行储存相关的故障信息；

必要的时候，当遇到突发情况时，也可以通过控制台直接进行路线的修正或调整，或者这对某些地方重复检测，以便补充遗漏的故障信息。

其克服现有技术中由于利用行走控制模块实现线网的检查，这种行走方式，容易由于线路上方、下方或附近的障碍物的影响，导致该运维机器人无法有效工作，而采用无人机搭载该系统，可以利用无人机的飞行于检测线网的上方，从而克服检测物附近具备障碍物的问题，此外，可以适应更广泛的领域。

进一步地，将无人机检测的信息全部实时发送到地面控制台中，不在无人机中设置存储线路的检查信息的存储装置，可以减少无人的储存设备，从而减轻无人机的重量。

上述技术方案的积极效果是：

上述的基于机器学习的智能运维机器人系统，首先可以根据基础的运维知识构建运维数据库，实现一般突发情况的紧急处理，当情况无法处理时，根据实际产生的变量信息，存储后台管理人员解决突发情况的策略，并记录该策略同时根据该策略产生的参数配置误差范围，这样一来，就可以使得运维机器人根据行为产生较佳的效果，保证行为的可靠性。

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为本发明的一种基于机器学习的智能运维机器人系统的结构图；

附图中：1、后台处理端；2、运维数据库；3、运维机器人；31、热成像装置；32、摄像头；33、温度传感器；34、湿度传感器。

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所获得的所有其他实施例，都属于本发明保护的范围。为了可以更好地理解本发明，下面结合实施例和附图1对本发明作进一步说明：

一种基于机器学习的智能运维机器人3系统，包括后台处理端1、运维数据库2以及若干运维机器人3，所述运维机器人3于一预设的被检设备区中配置有预设路线，所述运维机器人3配置有检测模块，所述检测模块用于采集所述被检区域的环境参数，所述运维机器人3沿预设路线移动并将获取的所述环境参数上传至后台处理端1，所述后台终端连接所述运维数据库2，所述运维数据库2用于存储运维信息；首先该运维机器人3的使用与一般运维机器人3的应用相同，是通过在实地移动，以“巡逻”的方式实地获取检测环境参数以实现数据的获取，并配置若干处理方式，例如切断电源、报警、控制数据修复，重启设备等等，在此不做局限，通过机器人进行不间断的对环境参数的检测，实现设备的智能运维的作用，被广泛应用在计算机服务器、电力系统、大型公司的数据系统的硬件设备的监管。

所述检测模块包括有热成像装置31、摄像头32、温度传感器33以及湿度传感器34，所述热成像装置31用于采集所述被检区域的热成像信息，所述摄像头32用于采集被检区域的图像信息，所述温度传感器33用于采集被检区域的温度信息，所述湿度传感器34用于采集被检区域的湿度信息，所述环境参数包括所述热成像信息、图像信息、温度信息以及湿度信息；热成像装置31目的是为了采集热成像信息，通过热成像信息分析设备运行状况，而摄像头32的目的是为了采集图像信息，分析是否出现机械破损，电线损坏的现象，而温度传感器33用于采集环境的温度值或采集机箱表面、设备内部的温度值，不做局限，同样的，湿度传感器34用于采集环形湿度值或机箱表面、设备内部的湿度值，同样不做局限。

所述后台处理端1配置有机器学习模块，所述机器学习模块配置有故障检测策略以及故障学习策略；机器学习模块是本发明较为重要的一个关键模块，由于运维工作时，根据实际情况不同、参数不同，可能的故障类型存在多种多样，所以通过单一的构建运维数据库2是不足以满足运维机器人3日常的多样的故障解决需求的，所以通过设置机器学习模块对故障检测和故障学习的内容形成自学习系统，保证系统的作业和运行的完整，使得整个系统能够在不断的学习过程中扩充知识库，完善运维体系。具体通过以下的方式实现：

所述故障检测策略包括配置于所述运维数据库2的触发参数，当所述环境参数与触发参数不匹配时，输出异常信号，所述异常信号包括信号故障时间以及故障参数，所述运维数据库2对应异常信号关联有处理策略，当所述异常信号在所述运维数据库2存在关联的处理策略时，执行所述处理策略，当所述异常信号的故障参数在所述运维数据库2不存在关联的处理策略时，将所述异常信号输出到后台处理端1；首先是故障检测策略，故障检测策略起到故障检测的效果，目的是为了实现故障的检测，而故障检测的逻辑有二：1、当环境参数与触发参数不匹配时，执行关联的处理策略；2、当环境参数与触发参数不匹配时，反馈到后台处理端1，等待后台工作人员进行处理。例如就机房温度而言，例如温度在20-30摄氏度之间均为理想温度，也就是触发参数对应的温度，例如当温度过高时，例如为35摄氏度，运维数据库2预设的处理策略是将机房电源进行切断，对数据内容进行备份，而相当于故障检测的逻辑1，而如果运维数据库2中不存在相应的处理策略，那么根据后台工作人员的处理方式进行处理，这样设置的区别在于，原有的方式如果要实现自动处理，就需要进行“一刀切”的方式，对温度而言，例如理想温度是23-26摄氏度，但是超过这个温度范围可能不需要直接掉电，仅仅需要接入备用的处理器或服务器以解决问题，但是出于数据内容考虑，势必有存在考虑不周的情况，不可能将每一种情况都考虑在内，所以设计的裕量势必要增加，以避免安全隐患，也就是说，本方案可以减小处理策略针对的处理范围，提高精确度，而其它无法处理的情况通过后台进行处理，而根据后台处理的结果就可以进行存储和学习，具体学习的策略如下：

所述故障学习策略包括当所述异常信号被输出到后台处理端1时，根据所述后台处理端1输入的处理结果生成一新的所述处理策略，并将新的所述处理策略存入所述运维数据库2，并根据所述处理策略对应的故障参数通过一参数波动值生成一故障参数范围，根据所述处理策略对应的故障时间通过一时间波动值生成一故障时间范围，生成故障时间在所述故障时间范围内且故障参数在所述故障参数范围内的新的异常信号，关联所述新的异常信号和新的所述处理策略。而同样针对温度而言，例如当温度为27度时，后台人员输入的处理结果是接入一个备用的处理器辅助处理，所以就根据这个处理结果生成一个新的处理策略，而这个新的处理策略就是接入一个备用的处理器，而后台就会根据这个新的处理策略生成一个故障参数范围，故障参数范围的产生有两种方式，1、对应每一类型的参数设置一个对应的参数变量，通过参数变量自动生成一个参数范围，例如上述情况设置的温度变量为0.5摄氏度，而根据这个值就会生成一个温度值为26.5-27.5的温度参数范围，当温度为26.5-27.5摄氏度之间的时候，都会执行上述的接入备用处理器的策略，实现自动处理的效果；2、预设的故障参数范围由后台管理人员输入，例如当后台管理人员输入温度值为27.0-27.6为温度参数范围，就根据这个温度参数范围实现控制，需要说明的是，虽然仅仅通过检测温度、湿度、热成像、图像等参数，但是不局限于这些参数，还可以是单一设备的传输速率，吞吐量等因素，在此不做局限，而且可以通过参数之间的组合配置对应的处理策略，例如温度为27度，湿度为40%时，执行某一处理策略，所以本发明就对单一变量进行列举，使用者需要根据实际情况进行多变量的组合，目的在于将多变量与处理策略进行关联。故障时间范围的设置，为本发明的其中一个设计亮点，由于输入的故障的参数，而故障的参数势必包括故障时间，而一般的运维参数故障情况和时间相关，例如晚间监管人员较少，而对网络使用也存在峰谷现象，所以设置对应的故障时间范围就可以实现智能调节，可以将故障时间范围理解为一个时间参数的变量，这个变量独立进行调节，例如在晚上8-12点时，不允许人员进出，那么在这个时间段检测到人员就会触发处理策略，例如报警，或允许人员在晚上9.30-10.00进行清理，那么在这个时间段检测到进入这也不会触发报警，都可以通过这个故障时间范围进行设置。

以下就预对不同的变量实现的故障检测策略进行详细说明：

对于热成像系统而言，所述故障检测策略包括热成像检测子策略，所述热成像检测子策略包括通过热成像算法捕获所述热成像信息中的热特征图区，热成像系统通过热成像装置31获取热成像图形，而通过具体的热成像算法不中图形中的特征图区，例如对于机房而言，捕捉温度超过阈值的热成像的特征图区的位置，具体算法在现有技术中已有应用，在此不做赘述，并根据所述热特征图区的图形以及所述热特征图区所对应的热成像位姿生成热成像特征信息，首先热成像的位姿信息是已知量，由于热成像装置31在运维机器人3上运动，运维机器人3的运动位置、热成像装置31在运维机器人3上的位置，热成像装置31的成像角度均为已知量，所以就可以获得热特征图区的位姿信息，这样一来就可以调取正常情况下热成像装置31获取的热成像比对信息，所述触发参数包括热成像比对信息，每一所述热成像比对信息均存在一关联的热成像位姿，热成像比对信息的生成是通过运维机器人3在装置正常情况下进行采集获得的，所以两者对比就可以判断是否有异常情况，所述热成像特征信息根据所述热成像位姿调取对应的热成像比对信息，所述热成像比对信息包括热特征裕量以及基准热特征图区，而热特征裕量的设置，是为了防止误差对比对结果产生影响，当所述热特征图区和基准热特征图区的热特征差值绝对值大于所述热特征裕量时，判断对应的所述环境参数和所述触发参数不匹配；所述故障参数包括所述热成像特征信息以及所述热特征差值。

所述故障检测策略包括图像成像子策略，所述图像检测子策略包括通过图像捕捉算法捕获所述图像成像信息中的图像特征图区，并根据所述图像特征图区的图形以及所述图像特征图区对应的图像成像位姿生成图像特征信息，图像系统通过图像装置获取图像图形，而通过具体的图像算法不中图形中的特征图区，例如对于机房而言，捕捉具有特征的图像信息，具体算法在现有技术中已有应用，在此不做赘述，并根据所述图像特征图区的图形以及所述图像特征图区所对应的图像位姿生成图像特征信息，首先图像的位姿信息是已知量，由于图像装置在运维机器人3上运动，运维机器人3的运动位置、图像装置在运维机器人3上的位置，图像装置的成像角度均为已知量，所以就可以获得图像特征图区的位姿信息，这样一来就可以调取正常情况下图像装置获取的图像比对信息，所述触发参数包括图像比对信息，每一所述图像比对信息均存在一关联的图像成像位姿，所述图像特征信息根据所述图像成像位姿调取对应的图像比对信息，所述图像比对信息包括图像特征裕量以及基准图像特征图区，当所述图像特征图区和基准图像特征图区的图像特征差值绝对值大于所述图像特征裕量时，而图像特征裕量的设置，是为了防止误差对比对结果产生影响，判断对应的所述环境参数和触发参数不匹配；所述故障参数包括图像特征信息以及图像特征差值。

所述故障检测策略包括热像动态子策略，所述热像动态子策略包括分别通过热成像算法和图像捕捉算法捕获所述热成像信息中的热特征图区以及所述图像成像信息中的图像特征图区，所述热特征图区和图像特征图区具有相同的一热像位姿，根据所述热像位姿以及所述热像位姿对应的热特征图区和图像特征图区生成一热像特征信息，所述触发信息包括热像比对信息，每一所述热像比对信息均存在一关联的热像位置，所述热像特征信息根据所述热像位姿调取对应的热像比对信息，所述热像比对信息包括热像特征裕量、基准图像特征图区以及基准热特征图区，根据加权算法求取所述热特征图区和基准热特征图区的热特征差值绝对值和所述图像特征图区和基准图像特征图区的图像特征差值绝对值之和以获得一热像差值，若所述热像差值大于所述热像特征裕量，判断对应的所述环境参数和所述触发参数不匹配。热像动态子策略是上述两个策略的结合，通过两个不同类型的环境参数，对同一位置的设备进行监测，执行不同的处理策略，保证可靠性，可以预先为每个差值配置权重以实现加权算法，例如热成像策略的权重大于图像处理策略的权重。

运维数据库2可以根据差值不同针对该对应特征位姿的图像对应的设备进行控制，以实现故障处理，

所述故障检测策略包括一温度检测子策略，所述温度检测子策略包括实时获取所述温度信息，所述温度信息包括温度值以及与该温度值对应的温度检测位置，所述触发信息包括温度比对信息，所述温度比对信息包括基准温度值以及温度裕量，每一所述温度比对信息包括有均存在一关联的温度检测位置，所述温度信息根据所述温度检测位置调取对应的温度比对信息，当所述温度值与所述基准温度值的差值绝对值大于所述温度裕量时，判断对应的环形参数和触发参数不匹配。温度检测子策略则逻辑较为简单，通过温度检测进行实现，而温度检测是通过检测环境温度信息判断异常情况，所以不再赘述，需要说明的是，通过温度裕量的设置可以根据不同位置的温度不同执行对应的处理策略，更加全面可靠。

所述故障检测策略包括一温度检测子策略，所述温度检测子策略包括实时获取所述温度信息，所述温度信息包括温度值以及与该温度值对应的温度检测时间，所述触发信息包括温度比对信息，所述温度比对信息包括基准温度值以及温度裕量，每一所述温度比对信息包括有均存在一关联的温度检测时间，所述温度信息根据所述温度检测时间调取对应的温度比对信息，当所述温度值与所述基准温度值的差值绝对值大于所述温度裕量时，判断对应的环形参数和触发参数不匹配。而与上述的检测策略相同，该方案是通过对不同时间内的温度进行检测，比较正常状态下该时间的温度和检测的温度的差值，从而进行判断。

所述故障检测策略包括一湿度检测子策略，所述湿度检测子策略包括实时获取所述湿度信息，所述湿度信息包括湿度值以及与该湿度值对应的湿度检测位置，所述触发信息包括湿度比对信息，所述湿度比对信息包括基准湿度值以及湿度裕量，每一所述湿度比对信息包括有均存在一关联的湿度检测位置，所述湿度信息根据所述湿度检测位置调取对应的湿度比对信息，当所述湿度值与所述基准湿度值的差值绝对值大于所述湿度裕量时，判断对应的环形参数和触发参数不匹配。湿度检测与温度检测的逻辑相同，在此不做赘述。

所述故障检测策略包括一湿度检测子策略，所述湿度检测子策略包括实时获取所述湿度信息，所述湿度信息包括湿度值以及与该湿度值对应的湿度检测时间，所述触发信息包括湿度比对信息，所述湿度比对信息包括基准湿度值以及湿度裕量，每一所述湿度比对信息包括有均存在一关联的湿度检测时间，所述湿度信息根据所述湿度检测时间调取对应的湿度比对信息，当所述湿度值与所述基准湿度值的差值绝对值大于所述湿度裕量时，判断对应的环形参数和触发参数不匹配。湿度检测与温度检测的逻辑相同，在此不做赘述。

此外，本申请提供一种基于运维无人机的线网检测系统，具备所述的智能运维机器人系统，其区别特征在于：

该线网检测系统包括运维无人机、地面控制台，地面控制台进一步包括操纵控制器、操纵手柄和显示器，其中地面控制台和运维无人机之间采用无线连接，该无人机配置有智能运维机器人系统，当需要进行线路检查时，启动无人机开关，同时打开地面控制台开关；

对无人机和地面控制台进行无线通信之间的连接测试，当两者通信连接正常时，即可开始进行线路检查工作；

在控制台上规划好线路，并将该线路发送至无人机，以便无人机进行线路的检查，并可以将当前的信息图像传输至地面控制台，并在地面控制台进行储存相关的故障信息；

必要的时候，当遇到突发情况时，也可以通过控制台直接进行路线的修正或调整，或者这对某些地方重复检测，以便补充遗漏的故障信息。

其克服现有技术中由于利用行走控制模块实现线网的检查，这种行走方式，容易由于线路上方、下方或附近的障碍物的影响，导致该运维机器人无法有效工作，而采用无人机搭载该系统，可以利用无人机的飞行于检测线网的上方，从而克服检测物附近具备障碍物的问题，此外，可以适应更广泛的领域。

进一步地，将无人机检测的信息全部实时发送到地面控制台中，不在无人机中设置存储线路的检查信息的存储装置，可以减少无人的储存设备，从而减轻无人机的重量。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种基于机器学习的智能运维机器人系统，其特征在于：包括后台处理端、运维数据库以及若干运维机器人，所述运维机器人于一预设的被检设备区中配置有预设路线，所述运维机器人配置有检测模块，所述检测模块用于采集所述被检区域的环境参数，所述运维机器人沿预设路线移动并将获取的所述环境参数上传至后台处理端，所述后台终端连接所述运维数据库，所述运维数据库用于存储运维信息；

所述检测模块包括有热成像装置、摄像头、温度传感器以及湿度传感器，所述热成像装置用于采集所述被检区域的热成像信息，所述摄像头用于采集被检区域的图像信息，所述温度传感器用于采集被检区域的温度信息，所述湿度传感器用于采集被检区域的湿度信息，所述环境参数包括所述热成像信息、图像信息、温度信息以及湿度信息；

所述后台处理端配置有机器学习模块，所述机器学习模块配置有故障检测策略以及故障学习策略；

所述故障检测策略包括配置于所述运维数据库的触发参数，当所述环境参数与触发参数不匹配时，输出异常信号，所述异常信号包括信号故障时间以及故障参数，所述运维数据库对应异常信号关联有处理策略，当所述异常信号在所述运维数据库存在关联的处理策略时，执行所述处理策略，当所述异常信号的故障参数在所述运维数据库不存在关联的处理策略时，将所述异常信号输出到后台处理端；

所述故障学习策略包括当所述异常信号被输出到后台处理端时，根据所述后台处理端输入的处理结果生成一新的所述处理策略，并将新地所述处理策略存入所述运维数据库，并根据所述处理策略对应的故障参数通过一参数波动值生成一故障参数范围，根据所述处理策略对应的故障时间通过一时间波动值生成一故障时间范围，生成故障时间在所述故障时间范围内且故障参数在所述故障参数范围内的新的异常信号，关联所述新的异常信号和新的所述处理策略。

2.如权利要求1所述的一种基于机器学习的智能运维机器人系统，其特征在于：所述故障检测策略包括热成像检测子策略，所述热成像检测子策略包括通过热成像算法捕获所述热成像信息中的热特征图区，并根据所述热特征图区的图形以及所述热特征图区所对应的热成像位姿生成热成像特征信息，所述触发参数包括热成像比对信息，每一所述热成像比对信息均存在一关联的热成像位姿，所述热成像特征信息根据所述热成像位姿调取对应的热成像比对信息，所述热成像比对信息包括热特征裕量以及基准热特征图区，当所述热特征图区和基准热特征图区的热特征差值绝对值大于所述热特征裕量时，判断对应的所述环境参数和所述触发参数不匹配；

所述故障参数包括所述热成像特征信息以及所述热特征差值。

3.如权利要求1所述的一种基于机器学习的智能运维机器人系统，其特征在于：所述故障检测策略包括图像成像子策略，所述图像检测子策略包括通过图像捕捉算法捕获所述图像成像信息中的图像特征图区，并根据所述图像特征图区的图形以及所述图像特征图区对应的图像成像位姿生成图像特征信息，所述触发参数包括图像比对信息，每一所述图像比对信息均存在一关联的图像成像位姿，所述图像特征信息根据所述图像成像位姿调取对应的图像比对信息，所述图像比对信息包括图像特征裕量以及基准图像特征图区，当所述图像特征图区和基准图像特征图区的图像特征差值绝对值大于所述特征图像特征裕量时，判断对应的所述环境参数和触发参数不匹配；

所述故障参数包括图像特征信息以及图像特征差值。

4.如权利要求1所述的一种基于机器学习的智能运维机器人系统，其特征在于：所述故障检测策略包括热像动态子策略，所述热像动态子策略包括分别通过热成像算法和图像捕捉算法捕获所述热成像信息中的热特征图区以及所述图像成像信息中的图像特征图区，所述热特征图区和图像特征图区具有相同的一热像位姿，根据所述热像位姿以及所述热像位姿对应的热特征图区和图像特征图区生成一热像特征信息，所述触发信息包括热像比对信息，每一所述热像比对信息均存在一关联的热像位置，所述热像特征信息根据所述热像位姿调取对应的热像比对信息，所述热像比对信息包括热像特征裕量、基准图像特征图区以及基准热特征图区，根据加权算法求取所述热特征图区和基准热特征图区的热特征差值绝对值和所述图像特征图区和基准图像特征图区的图像特征差值绝对值之和以获得一热像差值，若所述热像差值大于所述热像特征裕量，判断对应的所述环境参数和所述触发参数不匹配。

5.如权利要求1所述的一种基于机器学习的智能运维机器人系统，其特征在于：所述故障检测策略包括一温度检测子策略，所述温度检测子策略包括实时获取所述温度信息，所述温度信息包括温度值以及与该温度值对应的温度检测位置，所述触发信息包括温度比对信息，所述温度比对信息包括基准温度值以及温度裕量，每一所述温度比对信息包括有均存在一关联的温度检测位置，所述温度信息根据所述温度检测位置调取对应的温度比对信息，当所述温度值与所述基准温度值的差值绝对值大于所述温度裕量时，判断对应的环形参数和触发参数不匹配。

6.如权利要求1所述的一种基于机器学习的智能运维机器人系统，其特征在于：所述故障检测策略包括一温度检测子策略，所述温度检测子策略包括实时获取所述温度信息，所述温度信息包括温度值以及与该温度值对应的温度检测时间，所述触发信息包括温度比对信息，所述温度比对信息包括基准温度值以及温度裕量，每一所述温度比对信息包括有均存在一关联的温度检测时间，所述温度信息根据所述温度检测时间调取对应的温度比对信息，当所述温度值与所述基准温度值的差值绝对值大于所述温度裕量时，判断对应的环形参数和触发参数不匹配。

7.如权利要求1所述的一种基于机器学习的智能运维机器人系统，其特征在于：所述故障检测策略包括一湿度检测子策略，所述湿度检测子策略包括实时获取所述湿度信息，所述湿度信息包括湿度值以及与该湿度值对应的湿度检测位置，所述触发信息包括湿度比对信息，所述湿度比对信息包括基准湿度值以及湿度裕量，每一所述湿度比对信息包括有均存在一关联的湿度检测位置，所述湿度信息根据所述湿度检测位置调取对应的湿度比对信息，当所述湿度值与所述基准湿度值的差值绝对值大于所述湿度裕量时，判断对应的环形参数和触发参数不匹配。

8.如权利要求1所述的一种基于机器学习的智能运维机器人系统，其特征在于：所述故障检测策略包括一湿度检测子策略，所述湿度检测子策略包括实时获取所述湿度信息，所述湿度信息包括湿度值以及与该湿度值对应的湿度检测时间，所述触发信息包括湿度比对信息，所述湿度比对信息包括基准湿度值以及湿度裕量，每一所述湿度比对信息包括有均存在一关联的湿度检测时间，所述湿度信息根据所述湿度检测时间调取对应的湿度比对信息，当所述湿度值与所述基准湿度值的差值绝对值大于所述湿度裕量时，判断对应的环形参数和触发参数不匹配。

9.一种基于运维无人机的线网检测系统，具备如权利要求1-8所述的智能运维机器人系统，其区别特征在于：

该线网检测系统包括运维无人机、地面控制台，地面控制台进一步包括操纵控制器、操纵手柄和显示器，其中地面控制台和运维无人机之间采用无线连接，该无人机配置有智能运维机器人系统，当需要进行线路检查时，启动无人机开关，同时打开地面控制台开关；

对无人机和地面控制台进行无线通信之间的连接测试，当两者通信连接正常时，即可开始进行线路检查工作；

在控制台上预先规划好线路，并将该线路发送至无人机，以便无人机进行线路的检查，并可以将当前的信息图像传输至地面控制台，并在地面控制台进行储存相关的故障信息；

当遇到突发情况时，通过控制台直接进行路线的修正或调整，或者这对机身进行重复检测，以便补充遗漏的故障信息。

10.如权利要求9所述的基于运维无人机的线网检测系统，其区别特征在于：

将无人机检测的信息全部实时发送到地面控制台中，在无人机中不设置存储线路的检查信息的存储装置。