CN110351120A - 一种通信设备故障判断方法及系统 - Google Patents
一种通信设备故障判断方法及系统 Download PDFInfo
- Publication number
- CN110351120A CN110351120A CN201910493105.8A CN201910493105A CN110351120A CN 110351120 A CN110351120 A CN 110351120A CN 201910493105 A CN201910493105 A CN 201910493105A CN 110351120 A CN110351120 A CN 110351120A
- Authority
- CN
- China
- Prior art keywords
- probability
- failure mode
- characteristic information
- result
- failure
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种通信设备故障判断方法及系统,该方法包括:获取每种故障种类发生的次数,得到各种故障种类发生的占比,作为第一概率;获取各种故障种类下每个故障特征信息的每种结果出现的次数,得到各种故障种类下每个故障特征信息的每种结果出现次数的占比,作为第二概率。在发生故障时,获取每个故障特征信息下采集到的实际结果,将所有实际结果对应的第二概率以及一种故障种类对应的第一概率相乘,得到采集到各个实际结果的条件下对应故障种类的第三概率。将各个故障种类的第三概率作为分子,所有第三概率之和为分母,得到各个故障种类的第四概率。本发明能够更加准确、高效地向检核人员提供故障种类量化优的排查先层级,辅助故障种类排查。
Description
技术领域
本发明涉及通信网络故障检测领域,具体涉及一种通信设备故障判断方法及系统。
背景技术
针对通信网络及其相关设备出现故障需要检测故障原因,传统的软件故障判断方式主要是直接将人工进行业务逻辑分析的过程IT化。根据逻辑决策树的路径,逐个采集设备故障特征数据,达成通过沿着决策树判断故障类别的目的。这种通过决策树进行逻辑判断的方式,在故障特征数据与故障类别数量很少、点到点的布尔关系明确时,效率较高,但这种方式有两大方面的局限。
第一方面,从将业务逻辑分析进行IT化的层面上看,通信设备故障通常具有以下属性:①故障特征数据与故障类别之间是多对多的复杂关系;②部分故障特征数据不是布尔值,③部分故障特征数据与故障类别之间是概率关联关系(并非必现特征)。针对上述属性,若遍历所有的故障特征数据分支,则开发、维护工作量很大,若放弃低概率的分支,则故障类别定位的颗粒度降低;非必现故障特征难以转化为决策树的条件;非布尔型故障特征数据难以转化为决策树的条件。进一步的,业务领域、环境区域、设备等差异造成的建模不一致给统一的IT化造成困难。或者业务逻辑发生变化时,系统维护开发量大,对于不同的网络、设备,必须重新设计逻辑树,不具备可移植性,因此照搬人工的故障分析方式难以实现IT化。
第二方面,从方法层面上看,将人工判断故障的方法直接转移到软件实现的思路有以下缺陷:
人工方法受限于设备状态数据获取的成本,倾向于先检查获取成本低或计算成本低的数据;同时人作为检查的主体,其容易形成习惯以及主观判断,偏向于先排查(经验中的)共性问题。但对软件来说,这并不是最高效的做法,没有利用到软件采集和处理故障特征数据的时间成本低且能并行处理的效率优势。因此传统的判断方法,难以避免或纠正人工经验的各种主观性缺陷。
进一步的,传统规则对故障的分析通常是基于静态模型,不能随着收集的设备故障案例数据的变化等动态因素实时地调整分析方法和策略,准确实现分析模型的环境适应。软件不会自行优化分析模型。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种通信设备故障判断方法及系统,能够根据故障种类与故障特征信息的结果种类在发生次数上的客观关系,更加准确向检核人员提供可能发生的故障种类及其相对概率,从而辅助检核人员提高故障种类排查的效率。
为达到以上目的,第一方面,本发明实施例提供一种通信设备故障判断方法,其包括:
获取每种故障种类发生的次数,得到各种故障种类发生的占比,作为第一概率;获取各种故障种类下每个故障特征信息的每种结果出现的次数,得到各种故障种类下每个故障特征信息的每种结果出现次数的占比,作为第二概率。所述每一种故障特征信息在一次故障下仅采集到一种结果,所述故障特征信息包含一种以上的结果;
在发生故障时,获取每个故障特征信息下采集到的实际结果,将所有所述实际结果对应的第二概率以及一种故障种类对应的第一概率相乘,得到采集到各个所述实际结果的条件下对应故障种类的第三概率
将各个故障种类的第三概率作为分子,所有第三概率之和为分母,得到各个故障种类的第四概率,并按照第四概率的大小排序并输出。
作为一个优选的实施方案,所述获取发生每种故障种类的次数以及获取各种故障种类下每种故障特征信息的每种结果出现的次数,包括以下具体步骤:
预估各种故障种类下每种故障特征信息的每种结果出现次数的占比以及各种故障种类发生的占比,设定初始样本总数量;
根据所述各种故障种类下每种故障特征信息的每种结果出现次数的占比以及各种故障种类发生的占比以及初始样本总数量,计算每种故障种类的次数以及各种故障种类下每种故障特征信息的每种结果出现的次数。
作为一个优选的实施方案,所述获取发生每种故障种类的次数以及获取各种故障种类下每种故障特征信息的每种结果出现的次数,具体为:从历史数据库中进行统计,获取每种故障种类的次数以及各种故障种类下每种故障特征信息的每种结果出现的次数。
作为一个优选的实施方案,所述得到各个故障种类的第四概率,并按照第四概率的大小排序并输出后,还进行以下步骤:
将本次故障种类以及故障特征信息种类添加至所述发生每种故障种类的次数以及所述各种故障种类下每种故障特征信息的每种结果出现的次数;
重新计算第一概率、第二概率。
作为一个优选的实施方案,所述故障特征信息包括故障种类时采集到关于故障种类的事件的状态信息。
作为一个优选的实施方案,所述状态信息包括布尔型结果或非布尔型结果。
作为一个优选的实施方案,所述各种故障种类下每种故障特征信息的每种结果出现的次数以矩阵形式表示,并计算得到矩阵形式的第二概率。
作为一个优选的实施方案,所述第三概率Q的计算公式为:
其中,hj为第j种故障种类,ei为采集到的第i种故障特征信息对应的一种结果,P(hj)为第j种故障种类的第一概率,P(ei|hj)为第j种故障种类下第i种故障特征信息种类的第二概率,Q(hj|e1,e2,…en)为第j种故障种类的第三概率。
作为一个优选的实施方案,所述第四概率P的计算公式为:
其中,hj为第j种故障种类,hx为第x种故障种类,ei为采集到的第i种故障特征信息对应的一种结果,Q(hj|e1,e2,…en)为第j种故障种类的第三概率,Q(hx|e1,e2,…en)为第x种故障种类的第三概率,P(hj|e1,e2,…en)为第j种故障种类的第四概率,
第二方面,一种通信设备故障判断系统,其包括:
统计模块,用于获取发生每种故障种类的次数,得到各种故障种类发生的占比,并作为第一概率;获取各种故障种类下每种故障特征信息的每种结果出现的次数,并得到各种故障种类下每种故障特征信息的每种结果出现次数的占比,并作为第二概率,所述每一种故障特征信息在一次故障下仅采集到一种结果,所述故障特征信息包含一种以上的结果;
统计模块,用于获取发生每种故障种类的次数,得到各种故障种类发生的占比,并作为第一概率;获取各种故障种类下每种故障特征信息的每种结果出现的次数,并得到各种故障种类下每种故障特征信息的每种结果出现次数的占比,并作为第二概率,所述每一种故障特征信息在一次故障下仅采集到一种结果,所述故障特征信息包含一种以上的结果;
计算模块,用于在发生故障时,获取每个故障特征信息下采集到的实际结果,将所有所述实际结果对应的第二概率以及一种故障种类对应的第一概率相乘,得到采集到各个所述实际结果的条件下对应故障种类的第三概率;
输出模块,用于将各个故障种类的第三概率作为分子,所有第三概率之和为分母,得到各个故障种类的第四概率,并按照第四概率的大小排序并输出;
反馈模块,用于将本次故障种类以及故障特征信息种类添加至所述发生每种故障种类的次数以及所述各种故障种类下每种故障特征信息的每种结果出现的次数,重新计算第一概率、第二概率。
与现有技术相比,本发明的优点在于:
本发明针对故障特征信息与故障种类可能存在多对多的对应关系;部分故障种类所关联的故障特征信息可能并不是必然发生而是概率关联发生;直接进行样品取样,建立起因与结果关联关系,即故障种类与故障特征信息概率关联关系,省去了从故障特征信息通过因果逻辑一步一步推到故障种类的繁琐流程、资源消耗,充分利用了软件采集和处理故障种类特征数据的时间成本低且能并行处理的效率优势,将故障种类的发生概率量化并进行排序,更加直接与高效。。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对实施例对应的附图作一简单地介绍。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为本发明一种通信设备故障种类判断方法实施例的步骤示意图;
图2为本发明一种通信设备故障种类判断方法另一实施例的步骤示意图;
图3为本发明一种通信设备故障判断系统实施例的结构示意图。
图中:1-统计模块,2-计算模块,3-输出模块,4-反馈模块。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
本发明实施例提供一种通信设备故障判断方法及系统,其通过直接建立故障种类与故障特征信息的直接关系,能够省去繁琐的推导过程直接推导出采集到的关联信息下,其可能发生的故障种类的概率。
为达到上述技术效果,本申请的总体思路如下:
获取每种故障种类发生的次数,得到各种故障种类发生的占比,作为第一概率;获取各种故障种类下每个故障特征信息的每种结果出现的次数,得到各种故障种类下每个故障特征信息的每种结果出现次数的占比,作为第二概率。所述每一种故障特征信息在一次故障下仅采集到一种结果,所述故障特征信息包含一种以上的结果;
在发生故障时,获取每个故障特征信息下采集到的实际结果,将所有所述实际结果对应的第二概率以及一种故障种类对应的第一概率相乘,得到采集到各个所述实际结果的条件下对应故障种类的第三概率
将各个故障种类的第三概率作为分子,所有第三概率之和为分母,得到各个故障种类的第四概率,并按照第四概率的大小排序并输出。
综上所述,本发明统计各个故障种类发生的占比,统计单个故障特征信息被采集到时,故障种类发生种类以及次数。当故障种类发生后,可以通过采集到的各个故障特征信息,计算故障种类发生的概率,排除不可能发生的故障种类。传统的通信设备故障排除手段通过开发和维护逻辑决策树完成故障的确认,但是对于部分采集到的信息,其是概率性发生,并不遵循非此即彼的逻辑判断的,传统的通信设备故障排除手段则无法针对这些信息建立逻辑决策树,并分析故障。本发明针对所有可以采集到的故障特征信息进行计算,得到可能出现故障的概率,应用范围广。同时,这种直接起因-结果关联关系的建立,不再受限于具体网络层次、设备类型因素的影响。同时,在采集到的故障特征信息有限或者部分缺失的情况下,仍能够正常工作,输出故障种类的相对发生概率,只是分析精度相对降低。本发明节省了通过逻辑流程进行步骤检查的人力物力,更加高效、迅速以及容错能力强。进一步的,传统的通信设备故障排除手段开发、维护的逻辑决策树是相对静态的。本发明建立的故障特征信息-故障种类关联关系,能够随着故障排除的进行,对每次故障排除的案例数据进行记录,直接驱动“先验概率矩阵”的优化,从而有利于进行“机器学习”,自动提升分析模型的精度。
需要说明的是,本申请中故障特征信息代表的是通信设备故障种类发生时,各种信息接收装置、模块、传感器所能够接受到的各种信息,其每一种信息,可能会对应不同的结果,如“是否存在线路问题”这一信息可以对应“是”与“否”两种结果,如“消息延迟程度”信息对应“高”、“中”、“低”三种结果,其每一结果对应一个延迟时间的范围。但是每一种故障特征信息,在一次故障发生时候所采集的信息的结果,仅为一种,如“是否存在线路问题”,在一次故障中仅为“是”或者仅为“否”。
为了更好的理解上述技术方案,下面结合具体实施方式进行详细的说明。
实施例一
参见图1所示,本发明实施例提供一种通信设备故障种类判断方法,其包括:
S1:获取每种故障种类发生的次数,得到各种故障种类发生的占比,作为第一概率;获取各种故障种类下每个故障特征信息的每种结果出现的次数,得到各种故障种类下每个故障特征信息的每种结果出现次数的占比,作为第二概率。所述每一种故障特征信息在一次故障下仅采集到一种结果,所述故障特征信息包含一种以上的结果。
本发明首先确认故障种类的各个种类以及对应的次数,这样可以确定当通信设备发生故障时,各个故障种类所占有的比例,即其发生概率。在故障发生时候,各个故障特征信息种类的各个结果的次数,从而得到每一种故障发生时,采集到各个故障特征信息种类下的一种结果的次数,并进一步得到其占比。通过上述占比,确定第一概率以及第二概率,从而进一步确认故障特征信息与故障种类的对应关系,方便后续步骤根据该对应关系进行分析。
需要说明的是,本发明所叙述的故障特征信息下的结果,为与故障种类息息相关的,且能够被采集到的信息,是某种故障种类发生后引起的结果,只要是故障种类发生后,能够采集到的信息即可。
具体来说,故障特征信息包括故障种类时采集到关于故障种类的事件的状态信息。进一步的,事件的状态可以是布尔型结果或非布尔型结果。
传统的通信设备故障种类判断,由于其根据逻辑决策树进行判断,其需要采集的信息是需要能够明确判断结果类型的信息,才能够进行分支选择,而在通信设备领域中,部分故障特征信息对应的多种故障种类发生的可能,只在概率上有所差别,此时,通过现有的逻辑决策树是无法就该故障特征信息进行判断的。而本发明为针对故障种类概率、故障特征信息的结果概率的统计、计算,其能够方便有效地处理概率性的故障特征信息。
进一步的,由于通信设备领域故障分析涉及的故障特征信息很多,判断逻辑十分复杂。因此使用传统的逻辑决策树进行判断,其开发、维护成本较高。尤其对于非布尔型数据的处理,在一项故障特征数据上的决策分支较多,则成本问题更明显。而本发明直接将故障种类和故障特征信息进行联系,实现了计算关系扁平化-计算简便、迅速,耗费计算资源少,且开发、维护成本较低。
更进一步的,在针对逻辑决策树进行维护时,如判断准则发生变化需要对逻辑决策树进行变更时候,需要大面积设置全面检查是否受到影响。本发明其针对故障特征信息进行概率统计计算判断,建立扁平化关系,针对该关系,计算简便、逻辑简单,在需要修改时,能够迅速效率的进行修改,耗费计算资源少,人力资源少。
同时,逻辑决策树在根据信息进行判断时候,如果故障特征信息收集不全,则会对应该故障特征信息的逻辑分支位置进入判断停滞,无法进行下一步判断。而本发明在出现部分故障特征信息缺失时,仍然能够根据其他可获得的故障特征信息进行判断,预测各个故障种类的结果,只是判断准确性相对有所降低,但已经最大化利用了已知的故障特征信息结果。
S2:在发生故障时,获取每个故障特征信息下采集到的实际结果,将所有所述实际结果对应的第二概率以及一种故障种类的第一概率相乘,得到采集到各个所述实际结果的前提下对应故障种类的第三概率。
本发明进一步计算了其他故障种类的第三概率从而通过相对值比较获得每种故障种类的第四概率,即采集到各个所述实际结果的前提下每种故障种类的相对发生概率。
S3:将各个故障种类的第三概率作为分子,所有第三概率之和为分母,得到各个故障种类的第四概率,并按照第四概率的大小排序并输出。
作为一个可选的实施方案,各种故障种类下每种故障特征信息的每种结果出现的次数以矩阵形式表示,并计算得到矩阵形式的第二概率。
举例来说,故障种类有H1、H2两种,可以识别的变量有E1、E2两种,P(H)为故障种类发生概率,可得如下表
表1
P(H) | E<sub>1</sub> | E<sub>2</sub> | |
H<sub>1</sub> | |||
H<sub>2</sub> |
而对于这些变量,其可能不是布尔型变量,需要转化为多个区间,例如特征变量“ping设备”,其结果可分为“ping通”、“ping通但有丢包”、“完全ping不通”。为了统一处理形式,便于IT化,这些变量的每一个状态,均可作为一种故障特征信息对应的结果。即,对于布尔型特征变量,可以视为仅有2个区间条件的故障特征信息对应的两种结果,记做2个区间条件(Y、N)之和完整覆盖了此特征变量可能的取值范围,得到表2,而非布尔型可以依照结果种类、预设数值范围等等方式进行多区间设定。
表2
根据已有的故障种类样本数据,统计出每种故障种类Hj出现的数量C(Hj),以及每种故障种类Hj条件下每个故障特征信息结果Ei出现的数量C(Ei│Hj),并填入表2,得到表3:
表3
根据表3:故障种类Hj的样本数量C(Hj)除以样本总数,可得故障种类Hj出现的概率P(Hj)。C(Ei│Hj)除以C(Hj)可得到每种故障种类Hj条件下每个故障特征信息Ei不同种类结果出现的概率P(Ei│Hj)。
进一步举例来说,通过已有的经验建立的初始先验概率矩阵,得到表4:
表4
设定样本总数为2000次,则可得表5:
根据表4和表5,使用本发明的判断方法,可以得出第三概率、第四概率表6:
表6
作为一个优选的实施方案,所述故障特征信息包括故障种类时采集到关于故障种类的事件的状态信息,进一步的,所述状态信息包括布尔型结果或非布尔型结果。
举例来说,厂商设备维护过程中LTE业务不通,因此需要进行如下故障分析:能够采集到的故障特征信息有:E1-性能丢包,E2-ping通,E3-告警,E4-收光率,E5-倒换失败。其中E2-ping通对应3个可能的结果:不通、通以及时通时断,其为非布尔型结果。
可能的故障种类有:H1-端口关闭,H2-板卡故障,H3-参数配置错误,H4-光路性能劣化。
根据本发明中故障特征信息与故障种类的关联关系建立方式,统计历史数据库中对应的故障种类、故障特征信息的各种结果发生的次数,建立下表表7:
表7
根据本发明中计算第一概率、第二概率、第三概率以及第四概率的方法,可以计算得出各种故障特征信息结果的不同组合条件下的故障分类相对概率计算举例(仅举例3组,每组实例中都有故障特征信息缺失):
表8
表8中相对比值为第三概率的计算结果,相对概率为第四概率的计算结果。从表8可以看出,其对应采集的故障特征信息的布尔型或者非布尔型结果后,不同故障种类发生概率都是可以进行计算的。
作为一个优选的实施方案,得到各个故障种类的第四概率,并按照第四概率的大小排序并输出后,还进行以下步骤:
A1:将本次故障种类以及故障特征信息种类添加至所述发生每种故障种类的次数以及所述各种故障种类下每种故障特征信息的每种结果出现的次数;
A2:重新计算第一概率、第二概率。
在完成对故障种类的判断检查后,能够得出故障种类的种类,并进行检测。若将本次评估结果,即故障种类、采集到的故障特征信息添加到原判断数据中,则能够优化先验数据库,进一步增加判断的准确程度,这就使得故障分析模型能够自行学习完善。
本发明在完成了故障种类的判断,并得到结果后,能够进一步根据实际的结果进行学习,使得后续的判断越来越准确。传统分析技术在完成逻辑决策树的建立与维护后,除非人为调整,否则很难自行调整,逻辑决策树很难自行学习、优化。
基于同一发明构思,本申请提供实施例二,其具体实施方式如下。
实施例二
在实施例一的基础上,本发明还提供一个实施例,其第三概率Q的计算公式为:
其中,hj为第j种故障种类,ei为采集到的第i种故障特征信息对应的一种结果,P(hj)为第j种故障种类的第一概率,P(ei|hj)为第j种故障种类下第i种故障特征信息种类的第二概率,Q(hj|e1,e2,…en)为第j种故障种类的第三概率。
以及第四概率P的计算公式为:
其中,hj为第j种故障种类,hx为第x种故障种类,ei为采集到的第i种故障特征信息对应的一种结果,Q(hj|e1,e2,…en)为第j种故障种类的第三概率,Q(hx|e1,e2,…en)为第x种故障种类的第三概率,P(hj|e1,e2,…en)为第j种故障种类的第四概率。
设样本数据集合D={e1,e2,…en,h}是离散随机变量的有限集,其中(e1,e2,…en,h)是特征变量,分类变量H的取值范围为{h1,h2,…,hm},e_i是属性E_i的取值。样本数据集合D是经验数据库。样本=(e1,e2,...en)属于分类hj的概率可以由贝叶斯定理计算得到:
其中,为正则化因子,hj为第j种故障种类,ei为采集到的第i种故障特征信息对应的一种结果,P(hj)为第j种故障种类的先验概率,即第一概率,P(ei|hj)为第j种故障种类下第i种故障特征信息种类的先验概率,即第二概率。P(hj|e1,e2,...,en)是(e1,e2,...,en)特征变量条件下分类hj的后验概率。
假设各故障种类特征变量之间是完全相互独立的,则上述公式可以转化为:
其中P(ei|hj)是第j种故障种类hj下,故障特征变量ei的第二概率。
在给定(e1,e2,...en)特征变量的条件下,根据上述,可以求得故障种类hj的后验概率与全部故障种类后验概率之和的比值为:
可得到:
其中为正则化因子
定义故障种类hj后验概率(即P(hj|e1,e2,...en))的相对比值,即第三概率Q为:
可得故障种类hi的相对后验概率,即第四概率为:
优选的,如图2所示,在获取发生每种故障种类的次数以及获取各种故障种类下每种故障特征信息的每种结果出现的次数,还包括以下具体步骤:
B1:预估各种故障种类下每种故障特征信息的每种结果出现次数的占比以及各种故障种类发生的占比,设定初始样本数量;
B2:根据所述各种故障种类下每种故障特征信息的每种结果出现次数的占比以及各种故障种类发生的占比以及初始样本数量,计算每种故障种类的次数以及各种故障种类下每种故障特征信息的每种结果出现的次数。
当需要快速建立评估模型时,可以直接通过专家经验对故障种类、故障特征信息的结果进行预估作为先验数据,并在实践中将真实案例数据不断加入到先验数据,评估模型将越来越符合实际情况。而这种根据专家经验预设初步的先验数据,能够省去前期的先验数据积累的部分时间、人力物力,使得评估模型能够更加迅速的建立,进一步的,该评估模型能够随着实践的进行越来越准确。
另一方面,如果历史故障案例数据库中有足够的数据作为先验数据时,可以从历史故障案例数据库中进行统计,获取每种故障种类的次数以及各种故障种类下每种故障特征信息的每种结果出现的次数。直接计算得到第一概率和第二概率。
基于同一发明构思,本申请提供实施例三。
实施例三
如图3所示,本发明第三实施例提供一种通信设备故障判断系统,其包括:
统计模块,用于获取发生每种故障种类的次数,得到各种故障种类发生的占比,并作为第一概率;获取各种故障种类下每种故障特征信息的每种结果出现的次数,并得到各种故障种类下每种故障特征信息的每种结果出现次数的占比,并作为第二概率,所述每一种故障特征信息在一次故障下仅采集到一种结果,所述故障特征信息包含一种以上的结果;
计算模块,用于在发生故障时,获取每个故障特征信息下采集到的实际结果,将所有所述实际结果对应的第二概率以及一种故障种类对应的第一概率相乘,得到采集到各个所述实际结果的条件下对应故障种类的第三概率;
输出模块,用于将各个故障种类的第三概率作为分子,所有第三概率之和为分母,得到各个故障种类的第四概率,并按照第四概率的大小排序并输出;
通过上述模块,能够快速建立故障种类与采集到信息的关系,并直接通过这一关系进行故障种类判断。不再需要根据多层次的逻辑关系层层判断,更加高效、节约时间以及计算资源。
进一步的,其还包括:
反馈模块,用于将本次故障种类以及故障特征信息结果添加至所述发生每种故障种类的次数以及所述各种故障种类下每种故障特征信息的每种结果出现的次数,重新计算第一概率、第二概率。
前述方法实施例中的各种变化方式和具体实例同样适用于本实施例的系统,通过前述方法的详细描述,本领域技术人员可以清楚的知道本实施例中系统的实施方法,所以为了说明书的简洁,在此不再详述。
总体来说,本发明实施例提供的一种通信设备故障判断方法及系统,通过直接建立故障种类与故障特征信息的关联关系,能够省去繁琐的推导过程直接推导出采集到的关联信息下,其可能发生的故障种类的概率。因此,开发一种计算模型,能够分析出设备故障特征数据与故障种类的复杂模糊关系的规律,容易IT化,适合于机器学习,且其合理性和正确性均可用理论模型或仿真试验来证明,将具有显著的实用价值。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种通信设备故障种类判断方法,其特征在于,其包括:
获取每种故障种类发生的次数,得到各种故障种类发生的占比,作为第一概率;获取各种故障种类下每个故障特征信息的每种结果出现的次数,得到各种故障种类下每个故障特征信息的每种结果出现次数的占比,作为第二概率,所述每一种故障特征信息在一次故障下仅采集到一种结果,所述故障特征信息包含一种以上的结果;
在发生故障时,获取每个故障特征信息下采集到的实际结果,将所有所述实际结果对应的第二概率以及一种故障种类对应的第一概率相乘,得到采集到各个所述实际结果的条件下对应故障种类的第三概率;
将各个故障种类的第三概率作为分子,所有第三概率之和为分母,得到各个故障种类的第四概率,并按照第四概率的大小排序并输出。
2.如权利要求1所述的方法,其特征在于,所述获取发生每种故障种类的次数以及获取各种故障种类下每种故障特征信息的每种结果出现的次数,包括以下具体步骤:
预估各种故障种类下每种故障特征信息的每种结果出现次数的占比以及各种故障种类发生的占比,设定初始样本总数量;
根据所述各种故障种类下每种故障特征信息的每种结果出现次数的占比以及各种故障种类发生的占比以及初始样本总数量,计算每种故障种类的次数以及各种故障种类下每种故障特征信息的每种结果出现的次数。
3.如权利要求1所述的方法,其特征在于,所述获取发生每种故障种类的次数以及获取各种故障种类下每种故障特征信息的每种结果出现的次数,具体为:从历史数据库中进行统计,获取每种故障种类的次数以及各种故障种类下每种故障特征信息的每种结果出现的次数。
4.如权利要求1所述的方法,其特征在于,所述得到各个故障种类的第四概率,并按照第四概率的大小排序并输出后,还进行以下步骤:
将本次故障种类以及故障特征信息种类添加至所述发生每种故障种类的次数以及所述各种故障种类下每种故障特征信息的每种结果出现的次数;
重新计算第一概率、第二概率。
5.如权利要求1所述的方法,其特征在于:所述故障特征信息包括故障种类时采集到关于故障种类的事件的状态信息。
6.如权利要求5所述的方法,其特征在于:所述状态信息包括布尔型结果或非布尔型结果。
7.如权利要求1所述的方法,其特征在于:所述各种故障种类下每种故障特征信息的每种结果出现的次数以矩阵形式表示,并计算得到矩阵形式的第二概率。
8.如权利要求1所述的方法,其特征在于:所述第三概率Q的计算公式为:
其中,hj为第j种故障种类,ei为采集到的第i种故障特征信息对应的一种结果,P(hj)为第j种故障种类的第一概率,P(ei|hj)为第j种故障种类下第i种故障特征信息种类的第二概率,Q(hj|e1,e2,…en)为第j种故障种类的第三概率。
9.如权利要求1所述的方法,其特征在于:所述第四概率P的计算公式为:
其中,hj为第j种故障种类,hx为第x种故障种类,ei为采集到的第i种故障特征信息对应的一种结果,Q(hj|e1,e2,…en)为第j种故障种类的第三概率,Q(hx|e1,e2,…en)为第x种故障种类的第三概率,P(hj|e1,e2,…en)为第j种故障种类的第四概率。
10.一种通信设备故障判断系统,其特征在于,其包括:
统计模块,用于获取发生每种故障种类的次数,得到各种故障种类发生的占比,并作为第一概率;获取各种故障种类下每种故障特征信息的每种结果出现的次数,并得到各种故障种类下每种故障特征信息的每种结果出现次数的占比,并作为第二概率,所述每一种故障特征信息在一次故障下仅采集到一种结果,所述故障特征信息包含一种以上的结果;
计算模块,用于在发生故障时,获取每个故障特征信息下采集到的实际结果,将所有所述实际结果对应的第二概率以及一种故障种类对应的第一概率相乘,得到采集到各个所述实际结果的条件下对应故障种类的第三概率;
输出模块,用于将各个故障种类的第三概率作为分子,所有第三概率之和为分母,得到各个故障种类的第四概率,并按照第四概率的大小排序并输出;
反馈模块,用于将本次故障种类以及故障特征信息种类添加至所述发生每种故障种类的次数以及所述各种故障种类下每种故障特征信息的每种结果出现的次数,重新计算第一概率、第二概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493105.8A CN110351120B (zh) | 2019-06-06 | 2019-06-06 | 一种通信设备故障判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493105.8A CN110351120B (zh) | 2019-06-06 | 2019-06-06 | 一种通信设备故障判断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110351120A true CN110351120A (zh) | 2019-10-18 |
CN110351120B CN110351120B (zh) | 2022-07-29 |
Family
ID=68181632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910493105.8A Active CN110351120B (zh) | 2019-06-06 | 2019-06-06 | 一种通信设备故障判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110351120B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102255764A (zh) * | 2011-09-02 | 2011-11-23 | 广东省电力调度中心 | 传输网故障诊断方法及装置 |
CN103398843A (zh) * | 2013-07-01 | 2013-11-20 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN104134010A (zh) * | 2014-08-12 | 2014-11-05 | 哈尔滨工业大学 | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 |
CN104268381A (zh) * | 2014-09-16 | 2015-01-07 | 哈尔滨工业大学 | 一种基于AdaBoost算法的卫星故障诊断方法 |
US20160116375A1 (en) * | 2014-10-24 | 2016-04-28 | Fuji Xerox Co., Ltd. | Failure prediction apparatus and failure prediction system |
JP2016167194A (ja) * | 2015-03-10 | 2016-09-15 | 三菱電機ビルテクノサービス株式会社 | 設備点検順位設定装置及びプログラム |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN106941423A (zh) * | 2017-04-13 | 2017-07-11 | 腾讯科技(深圳)有限公司 | 故障原因定位方法及装置 |
CN108074045A (zh) * | 2018-01-30 | 2018-05-25 | 上海交通大学 | 风电机组整机脆弱性分析与故障排序方法及电子终端 |
EP3336636A1 (en) * | 2016-12-19 | 2018-06-20 | Palantir Technologies Inc. | Machine fault modelling |
CN109376877A (zh) * | 2018-10-11 | 2019-02-22 | 华自科技股份有限公司 | 设备运维预警方法、装置、计算机设备和存储介质 |
-
2019
- 2019-06-06 CN CN201910493105.8A patent/CN110351120B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102255764A (zh) * | 2011-09-02 | 2011-11-23 | 广东省电力调度中心 | 传输网故障诊断方法及装置 |
CN103398843A (zh) * | 2013-07-01 | 2013-11-20 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN104134010A (zh) * | 2014-08-12 | 2014-11-05 | 哈尔滨工业大学 | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 |
CN104268381A (zh) * | 2014-09-16 | 2015-01-07 | 哈尔滨工业大学 | 一种基于AdaBoost算法的卫星故障诊断方法 |
US20160116375A1 (en) * | 2014-10-24 | 2016-04-28 | Fuji Xerox Co., Ltd. | Failure prediction apparatus and failure prediction system |
JP2016167194A (ja) * | 2015-03-10 | 2016-09-15 | 三菱電機ビルテクノサービス株式会社 | 設備点検順位設定装置及びプログラム |
EP3336636A1 (en) * | 2016-12-19 | 2018-06-20 | Palantir Technologies Inc. | Machine fault modelling |
CN106813921A (zh) * | 2016-12-24 | 2017-06-09 | 广东石油化工学院 | 一种旋转机械复合故障诊断方法 |
CN106941423A (zh) * | 2017-04-13 | 2017-07-11 | 腾讯科技(深圳)有限公司 | 故障原因定位方法及装置 |
CN108074045A (zh) * | 2018-01-30 | 2018-05-25 | 上海交通大学 | 风电机组整机脆弱性分析与故障排序方法及电子终端 |
CN109376877A (zh) * | 2018-10-11 | 2019-02-22 | 华自科技股份有限公司 | 设备运维预警方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
周悦等: "基于信息增益率的WNB水下机器人故障分类", 《计算机测量与控制》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110351120B (zh) | 2022-07-29 |
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 | |
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN107967485A (zh) | 用电计量设备故障分析方法及装置 | |
CN110174883B (zh) | 一种系统健康状态评估方法及装置 | |
CN107430715A (zh) | 建筑物自动化中的级联识别 | |
CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
CN103095494A (zh) | 一种电力通信网风险评估方法 | |
CN105871879B (zh) | 网元异常行为自动检测方法及装置 | |
CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
CN104583789A (zh) | 测试单元控制器的决策和执行树的创建和调度 | |
CN104052612A (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN110555477A (zh) | 一种市政设施故障预测方法及装置 | |
Lazarova-Molnar et al. | Data-driven fault tree modeling for reliability assessment of cyber-physical systems | |
CN109783260A (zh) | 智能it全流程运维方法、装置、设备及可读存储介质 | |
CN110262919A (zh) | 异常数据分析方法、装置、设备与计算机可读存储介质 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN104364664A (zh) | 用于创建、定义和执行spc规则决策树的算法和结构 | |
CN115359307A (zh) | 一种基于大数据的接触网验损缺陷数据管理方法及系统 | |
CN117519951A (zh) | 基于消息中台的实时数据处理方法及系统 | |
WO2020259391A1 (zh) | 一种数据库脚本性能测试的方法及装置 | |
CN112817842B (zh) | 不完美排错srgm决策方法、系统、介质、设备及应用 | |
CN111553581A (zh) | 一种基于熵值的装备维修性评价模型 | |
Pradeep et al. | Optimal Predictive Maintenance Technique for Manufacturing Semiconductors using Machine Learning | |
CN110351120A (zh) | 一种通信设备故障判断方法及系统 | |
CN109889258B (zh) | 一种光网络故障校验方法和设备 |
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 |