CN110532122B

CN110532122B - 故障分析方法及系统、电子设备、存储介质

Info

Publication number: CN110532122B
Application number: CN201910789760.8A
Authority: CN
Inventors: 蒿李阳
Original assignee: Neusoft Medical Systems Co Ltd
Current assignee: Neusoft Medical Systems Co Ltd
Priority date: 2019-08-26
Filing date: 2019-08-26
Publication date: 2023-05-30
Anticipated expiration: 2039-08-26
Also published as: CN110532122A

Abstract

本发明公开了故障分析方法及系统、电子设备、存储介质。其中，方法包括：获取设备反馈的历史错误码数据；历史错误码数据包括多个错误码和错误码的反馈时间点；对错误码进行组合，形成错误码组，并统计每类错误码组的第一数量；根据第一数量从多类错误码组中选择特征码组；根据特征码组对设备进行故障分析。通过对大量设备的历史错误码数据中错误码的组合分析，获得能客观、准确反映设备运行特征的特征码组，人为干扰噪音小，以此作为设备故障分析的基础，对设备当前反馈的错误码进行跟踪分析，不仅能提高设备故障诊断的准确度，还能实现对设备的故障进行预测、对设备运行的可靠性进行分析。

Description

故障分析方法及系统、电子设备、存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种故障分析方法及系统、电子设备、存储介质。

背景技术

为了及时了解设备工作的故障情况，会对设备执行动作或部件出现的异常情况设计对应的错误码。以大型医疗设备为例，因其结构和工作原理比较复杂，加之设备在实施医疗职能时会不定期处于高压高热高速的状态下，因此，对于大型医疗设备整个生命周期中的每个动作或每个部件出现的异常情况都会设计对应的错误码。通过大型医疗设备反馈的某一错误码，对其进行故障诊断。

现有技术中，对于设备的故障分析较常采用的有基于等级过滤的故障定位模型、基于深度数据清洗的可靠性分析模型、基于神经网络的机器学习故障预测模型等。无论采用哪种模型对设备进行故障诊断，一般均通过对一个个信息码单独分析，且需要在数据应用层面上人为设计一些规则来满足从错误码到故障的探测需求。然而，事实上，大部分的错误码出现的数量和时间与真正的设备故障并不对应，有些异常会多次反馈错误码，有些异常仅反馈一次错误码；设计错误码时，错误码与设备实际故障属于多对多关系，也即一个故障可能引发出多个异常现象(反馈多个错误码)，一个异常现象(反馈一个信息码)也对应着多种可能的故障。可见，现有技术中的这种对一个个信息码单独分析，人为设计各种规则的故障诊断方式，具有人为干扰，难以实现设备的准确故障诊断，更不能实现设备故障的预测、设备运行可靠性的分析。

发明内容

本发明提供一种故障分析方法及系统、电子设备、存储介质，以解决现有技术中通过对一个个信息码单独分析，人为设计各种规则的故障诊断方式，难以对设备进行准确的故障定位，更不能实现设备故障的预测的缺陷。

根据本发明实施例的第一方面，提供了一种故障分析方法，包括：

获取设备反馈的历史错误码数据；

所述历史错误码数据包括多个错误码和所述错误码的反馈时间点；

对所述错误码进行组合，形成错误码组，并统计每类错误码组的第一数量；

每组错误码组包括至少两个错误码，所述至少两个错误码按所述反馈时间点的先后顺序排列；

根据所述第一数量从多类错误码组中选择特征码组；

根据所述特征码组对所述设备进行故障分析。

较佳地，对所述错误码进行组合的步骤，具体包括：

从所述历史错误码数据中选择一个错误码作为中心码，获取所述中心码的反馈时间点之前预设分析时间段内的所有其他错误码；

从所述所有其他错误码中选取一个或多个错误码与所述中心码组合，形成错误码组。

较佳地，对所述错误码进行组合，形成错误码组的步骤之后，还包括：

判断所述错误码组中相邻的两个错误码的反馈时间点的时间间隔是否小于容差时长；

在判断为是时，按照预设规则调整所述错误码组中的错误码的排列顺序；

在判断为否时，执行统计每类错误码组的第一数量的步骤。

较佳地，根据所述第一数量从所述错误码组中选择特征码组的步骤，具体包括：

判断是否存在所述第一数量大于数量阈值的错误码组；

若判断为是，则将所述第一数量大于数量阈值的错误码组选择为特征码组；

将所述特征码组替代所述历史错误码数据中的中心码，然后重复执行对所述错误码进行组合的步骤。

计算每组错误码组中相邻两个错误码的反馈时间点的时间间隔；

从同类错误码组中选择一个错误码组作为中心错误码组；

根据所述时间间隔计算所述中心错误码组与所述同类错误码组中其他错误码组的相似度；

统计与所述中心错误码组的相似度大于相似度阈值的其他错误码组的第二数量；

根据所述第二数量从所述错误码组中选择特征码组。

根据本发明实施例的第二方面，提供了一种故障分析系统，所述故障分析系统包括：

数据获取模块，用于获取设备反馈的历史错误码数据；

组合模块，用于对所述错误码进行组合，形成错误码组，并统计每类错误码组的第一数量；

选择模块，用于根据所述第一数量从多类错误码组中选择特征码组；

分析模块，用于根据所述特征码组对所述设备进行故障分析。

较佳地，所述组合模块具体包括：

选择单元，用于从所述历史错误码数据中选择一个错误码作为中心码，获取所述中心码的反馈时间点之前预设分析时间段内的所有其他错误码；

组合单元，用于从所述所有其他错误码中选取一个或多个错误码与所述中心码组合，形成错误码组。

较佳地，所述组合模块还包括：第一判断单元、调整单元和统计单元；

所述第一判断单元用于判断所述错误码组中相邻的两个错误码的反馈时间点的时间间隔是否小于容差时长；并在判断为是时，调用所述调整单元；在判断为否时，调用所述统计单元；

所述调整单元用于按照预设规则调整所述错误码组中的错误码的排列顺序；

所述统计单元用于统计每类错误码组的第一数量。

较佳地，所述选择模块具体包括：第二判断单元和替代单元；

所述第二判断单元用于判断是否存在所述第一数量大于数量阈值的错误码组，并在判断为是时，调用所述替代单元；

所述替代单元用于将所述第一数量大于数量阈值的错误码组选择为特征码组，并将所述特征码组替代所述历史错误码数据中的中心码，然后调用所述选择单元。

较佳地，所述组合模块还包括：计算单元；

所述计算单元用于计算每组错误码组中相邻两个错误码的反馈时间点的时间间隔；

所述选择单元还用于从同类错误码组中选择一个错误码组作为中心错误码组；

所述计算单元还用于根据所述时间间隔计算所述中心错误码组与所述同类错误码组中其他错误码组的相似度；

所述选择模块还用于统计与所述中心错误码组的相似度大于相似度阈值的其他错误码组的第二数量，并根据所述第二数量从所述错误码组中选择特征码组。

根据本发明实施例的第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的故障分析方法。

根据本发明实施例的第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项所述的故障分析方法的步骤。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明实施例中，通过对大量设备的历史错误码数据中错误码的组合分析，获得能客观、准确反映设备运行特征的特征码组，人为干扰噪音小，以此作为设备故障分析的基础，对设备当前反馈的错误码进行跟踪分析，不仅能提高设备故障诊断的准确度，还能实现对设备的故障进行预测、对设备运行的可靠性进行分析，也可为相关开发设计人员对设备质量改良提供了更准确的参考信息。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本发明实施例1示出的故障分析方法的流程图。

图2是图1中采用短时间片模式的步骤102的具体流程图。

图3是图1中采用长时间片模式的步骤102的具体流程图。

图4是本发明实施例2示出的故障分析方法的流程图。

图5是本发明实施例3示出的故障分析系统的模块示意图。

图6是图5中采用短时间片模式的组合模块的模块示意图。

图7是图5中采用长时间片模式的组合模块的模块示意图。

图8是本发明实施例4示出的故障分析系统的组合模块的模块示意图。

图9是本发明实施例5示出的电子设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

在介绍本发明实施例之前，首先说明一下前提条件，要探测的设备故障一定是有“前兆”的，并且这种“前兆”在众多的设备反馈的历史信息码集合(包括设备正常工作的信息码和设备出现异常时的错误码)中一定是有“痕迹”的，这些“痕迹”是有“运行特征”的。

经实际工程中多台样本设备的历史信息码集数据分析可以发现，在历史信息码集中很多故障前兆现象的规律会表现为如下几种运行特征：

1.一组相对固定的异常信息码(错误码)；

2.这组错误码中伴随着与故障不相关的信息码；

3.这组错误码中错误码的反馈时间点出现的先后顺序不固定；

4.这组错误码彼此的间隔时间上，有时会很随机，有时确很相似；

5.这组错误码中反馈时间间隔较长的两个错误码是有固定出现先后顺序的，但反馈时间间隔较短的两个错误码的顺序可能随机，这是因为网络、电气特性或软件并发等情况造成的码记录时间顺序未必严格符合物理产生的顺序。

因此，在海量纷繁复杂的历史信息码集中一定包含了很多这种“运行特征”。现有基于个体异常信息码进行故障探测的路线已经难以再有较大突破，应该将在历史码集中挖掘与故障直接相关的运行特征表象作为一个单独的任务，设计科学合理的方法来达成理想的挖掘目标，用可以表征运行特征的多个错误码组合来取代单个错误码进行故障的探测。其通用性自然可以覆盖到上述提到的已有应用，并且还可扩展出更多大数据研究方面的应用，如设备故障隐患的预测、设备运行可靠性的计算。

再来分析一下历史信息码集中错误码的数据结构，其中，除了错误码本身的属性信息外，每条错误码都会包含编码本身和产生的时间点(反馈时间点)这两项基本信息。因此，在源数据中，上述运行特征的表现形式则应该是这两项信息的某种有规律组合，有些情况下，其中的一些错误码每次出现的间隔时间序列都很相似。因此，可借助某些高频出现的错误码组合，或某些高频出现的时间间隔较为相近的错误码组合表征设备运行特征，错误码组出现的频率可用于表示运行特征与故障的相关性强度。以此为基础，在特征码组挖掘和特征码组与故障的相关性两个方面进行系统的自我学习。最终可利用出现频率高且与故障相关性强的错误码组合，实现较为精确的设备故障诊断、故障预测以及可靠性分析。

实施例1

本实施例提供一种故障分析方法，包括对设备的运行可靠性的分析、对设备的故障预测以及对设备的故障诊断，其通过收集设备(并不局限于硬件设备，还包括运行在硬件设备上的系统)的历史错误码数据，并通过对每个设备的错误码进行客观地挖掘分析，得到多组由至少两个错误码组成的、有规律的特征码组，该特征码组携带更多的设备运行状态信息，更能表现设备的运行特征，借助该特征码组对设备的运行状态进行分析，能实现对设备的故障进行预测，能提高故障诊断的准确性。

需要说明的是，在对错误码进行挖掘分析的时候，需将这些历史错误码按设备归属隔离开，也即每台设备形成一个独立的历史错误码数据集，单独实施挖掘算法。之后，再合并所有设备的挖掘结果，得到最终的用于表征设备运行特征的错误码组集合。当然，此处的所有设备指的是型号相同，错误码设计相同的一类设备。

以下通过对一台大型医疗设备的故障分析过程进行说明，以便于理解本实施例的故障分析方法。

如图1所示，本实施例的故障分析方法包括以下步骤：

步骤101、获取医疗设备反馈的历史错误码数据。

其中，历史错误码数据包括多个错误码以及每个错误码的反馈时间点，其是运行特征挖掘的数据基础。多个错误码按反馈时间点的先后顺序排列，以便于后续运行特征挖掘能依次有序处理。这里的历史错误码数据从各医疗职能部门所有大型医疗设备获取。这些历史错误码数据将按设备归属隔离开，每个设备形成一个独立的历史错误码数据集，对每台设备的数据集单独实施运行特征挖掘。

步骤102、对历史错误码数据中的错误码进行组合，形成错误码组，并统计每类错误码组的第一数量。

其中，每组错误码组包括至少两个错误码，错误码组中的至少两个错误码按反馈时间点的先后顺序排列，可以是正序排列，也可以是倒序排列。

步骤102中，错误码的组合过程，也即从历史错误码数据中依次取出一个错误码作为中心码，获取当前选择的中心码的反馈时间点之前预设分析时间段内的所有其他错误码；从所有其他错误码中选取一个或多个错误码与该中心码组合，形成错误码组；重复上述步骤，直至遍历历史错误码数据中的所有错误码。

本实施例中，根据预设分析时间段的设置长短，错误码的组合可采用两种模式：短时间片模式和长时间片模式。用户可根据实际需求自行选择其中一种模式，或同时选择两种模式。

短时间片模式，用于挖掘设备执行瞬时动作产生的表征运行特征的错误码组，一般预设分析时间段的时长较短，例如10分钟、5分钟等；挖掘结果多用于对短时间内设备执行动作引发的错误码进行分析，以进行设备的故障分析。

长时间片模式，用于挖掘设备长时间运行产生的表征运行特征的错误码组，一般预设分析时间段的时长较长，例如1小时、1天、2天等；挖掘结果多用于对设备长时间执行任务引发的错误码进行分析，以进行设备的故障分析。

需要说明的是，预设分析时间段可以是人为指定的时长；也可以通过设置时间段的起终时间点实现，例如，起始时间点为设备开始执行某一动作(如扫描、建像、设备预热、空校等的)，终止时间点为该动作执行完毕或设备开始执行其他目标动作。

以下分别对两种模式的错误码的组合过程作进一步说明。

(1)短时间片模式

该模式下，依次扫描历史错误码数据中的每个错误码，获取该错误码与其反馈时间点前预设分析时间段内的错误码的组合情况，对每一类出现过的错误码组进行第一数量统计。

具体的，如图2所示，采用短时间片模式组合错误码组的步骤包括：

步骤102-1、从历史错误码数据中依次取出一个错误码作为中心码，获取该中心码的反馈时间点之前预设分析时间段内的所有其他错误码。

参见表1，将表1中序号为15，反馈时间点为2018年01月01日16:50:00，编码为E6的错误码选择为中心码，若预设分析时间段设为5分钟，那么16:50:00之前5分钟内的所有其他错误码即为：E2、E3、E5、E3、E6、E1。

表1

/>

步骤102-2、列出中心码与步骤102-1中获取的所有其他错误码的组合，形成错误码组。

其中，错误码组中错误码的第一数量可以是2个，可以是3个或更多，若步骤102-1中其他错误码的第一数量为n个，那么步骤102-2中就有n！种组合。还是以表1示出的错误码为例，组合形成错误码组的结果参见表2。

表2

错误码组	第一数量统计
		E6，E2	1
E6，E3	2
		E6，E5	1
E6，E6	1
		E6，E1	1
E6，E2，E3	2
		E6，E2，E5	1
E6，E2，E6	1
		E6，E2，E1	1
E6，E3，E5	1
		E6，E3，E3	1
E6，E3，E6	2
		……	……
E2，E3，E5，E3，E6，E1	1

为了便于后续计算、辨识，本实施例中对每组错误码组设置标识。由于每种组合中的错误码从反馈时间上有着先后关系，对于错误码组的标识，可将错误码组中的错误码编码按照反馈时间点的先后顺序编排连接成字符串，作为错误码组的标识，以错误码组中包括错误码E6，E2，E1为例，该错误码组的标识为E6E2E1；也可以借助表1中的错误码序号，按照错误码反馈时间点的先后顺序将对应的序号连接成字符串，作为该错误码组的标识，还是以错误码组中包括错误码E6，E2，E1为例，该错误码标识则为15149；当然，用户根据需求也可以自定义错误组标识，例如，将表2中包括E6，E2的错误码组标识为G1，将包括E6，E6的错误码组标识为G2，将包括E6，E5的错误码组标识为G3，以此类推。

步骤102-3、遍历历史错误码数据中的所有错误码，并统计每类错误码组的第一数量。

步骤102-3中，统计错误码组的第一数量可以但不限于采用每组合得到一组错误码组，对应的错误码组的计数就+1的方式。

需要说明的是，错误码组第一数量的统计方式，不限于采用先统计每个预设分析时间段内的不同类的错误码组的第一数量，再将多个预设分析时间段的错误码组的第一数量合并的方式；也可以先列出不同时间段内所有错误码组，然后统一统计错误码组的方式。

(2)长时间片模式

长时间片模式较上述短时间片模式的相似之处在于：都是从历史错误码数据中逐个扫描按反馈时间顺序排列的错误码作为中心码；都是基于将错误码组合成错误码组，通过统计同类错误码组第一数量来发掘特征码组。

长时间片模式较上述短时间片模式的不同之处在于：因预设分析时间段较长，考虑到错误码在产生和记录的时候可能会受到网络、电子电气特性或软件并发等情况影响而造成错误码的反馈时间顺序未必严格符合物理产生的顺序，或一个动作同一时刻引发的一系列错误码形成随机顺序，因此该模式中需加入一个容差时长，错误码组中反馈时间间隔在该容差时长内的错误码的排列顺序将被忽略。

具体的，如图3所示，采用长时间片模式组合错误码组的步骤包括：

步骤102-1’、从历史错误码数据中依次取出一个错误码作为中心码，获取以该中心码的反馈时间点之前预设分析时间段内的所有其他错误码。

步骤102-2’、列出中心码与步骤102-1’获取的所有其他错误码的组合，形成错误码组。

其中，步骤102-1’、步骤102-2’中的错误码组合方式与步骤102-1、102-2中的错误码组合方式类似，此处不再赘诉。

步骤102-3’、判断错误码组中相邻的两个错误码的反馈时间点的时间间隔是否小于容差时长。

步骤102-3’中若判断为是，说明该错误码组中的错误码组的反馈时间点可能被随机记录，该码组中的错误码的反馈时间点的顺序应该被忽略，则执行步骤102-4’；若判断为否，则执行步骤102-5’。

步骤102-4’、按照预设规则调整错误码组中各个错误码的排列顺序。

其中，按照预设规则调整错误码组中各个错误码的排列顺序，是为了统一顺序组合，便于特征码组的深度挖掘，可以但不限于按照错误码组中错误码的编码调整错误码的排列顺序。以表2中包括E6、E2、E3的错误码组为例，按照反馈时间点的原排列顺序依次为E6E2E3，若容差时长设为2分钟，该错误码组中相邻错误码的反馈时间间隔分别为9秒、1分20秒，均在2分钟内，则需对该错误码组中的错误码编码的排列顺序进行调整，若预设规则为将错误码编码由小到大的顺序调整，调整结果也即将E6E2E3调整为E2E3E6，进行数据统计时，该错误码组的第一数量与E2E3E6类错误码组的第一数量进行合并；若容差时长设为1分钟，此时只有E6E2的时间间隔在1分钟内，若预设规则还是为将错误码编码由小到大的顺序调整，则排列顺序调整结果为E2E6E3，进行数据统计时，该错误码组的第一数量与E2E6E3类错误码组的第一数量进行合并。需要说明的是，预设规则不限于本实施例的按照编码顺序调整，但是对于不同的错误码组的排列顺序的调整规则需统一。

步骤102-5’、遍历历史错误码数据中的所有错误码，并统计每类错误码组的第一数量。

需要说明的是，若需要根据大型医疗设备实际情况来进行定制化的故障分析时，步骤102-3、步骤102-5’无需遍历所有错误码，只需选取设备执行部分特定动作反馈的错误码作为中心码，如选取只在扫描中才会出现的错误码作为中心码，以此提高故障分析的效率，减小计算量，其在特定应用场景中会发挥较为显著的作用。

步骤103、根据第一数量从多类错误码组中选择特征码组。

步骤103具体可包括：将第一数量占比大于占比阈值的确定为特征码组；或将统计第一数量大于数量阈值的确定为特征码组。获得的特征码组后，可将特征码组保存至特征数据库，以供对设备故障分析时使用。

本实施例中，占比阈值和数量阈值可根据实际需求自行设置，例如将占比阈值设置为20％或30％，将数量阈值设置为7或12。

步骤104、根据特征码组对设备进行故障分析。

步骤104也即利用特征码组对设备当前反馈的错误码进行匹配分析，进行设备的故障诊断、故障预测以及可靠性分析。

本实施例中，步骤101～步骤103是对历史错误码数据进行的一次特征码组挖掘，根据实际需求，可对错误码进行递归深度挖掘。具体实现过程如下：

将步骤103获取的特征码组标识代入回历史错误码数据中，也即用特征码组代替该特征码组中的中心码的位置，形成了混有特征码组的错误码集。然后对混有特征码组的错误码集重复执行步骤102和103。递归次数(重复上述过程的次数)，可根据实际需求自行设定；也可设置递归停止条件，例如，直至没有符合步骤103中数量要求的特征码组被挖掘出来，才停止递归，完成特征码组的最终深度挖掘。从而，步骤104可根据经过深度挖掘得到的特征码组对设备进行故障分析。

本实施例中，对多台大型医疗设备进行特征码组挖掘后，可合并多台大型医疗设备的挖掘结果。通过对大量设备的历史错误码数据中错误码的组合分析，则各特征码组的权重会因数据的丰富而变得更为客观化，人为干扰噪音小，将每组特征码组的计数数量由大到小排序，一些可能出现的设备运行特征也就会因计数数量的突出而浮出水面。该特征码组能真实反映设备的运行特征，以此作为设备故障分析的基础，对设备当前反馈的错误码进行跟踪分析，不仅能提高设备故障诊断的准确度，还能实现对设备的故障进行预测、对设备运行的可靠性进行分析，也可为相关开发设计人员对设备质量改良提供了更准确的参考信息。

本实施例中，可设置自学习机制：每当设备反馈错误码，即可将该错误码放入历史错误码数据中，实时或定时(例如当新的错误码积攒到一定数量)进行设备的运行特征挖掘，根据挖掘结果更新特征数据库，实现对实际数据的持续学习。还可设置特征标签化学习：在收到具体的故障、报修或需产生维护工单的动作时，对此前一定时间内(这段时间根据实际情况指定，也可以是长时间段模式中列举出的时间模式)设备反馈的符合特征数据库中的特征码组进行对应种类故障或报修的标签标识，并进行同类标签归并的权值计数，经过往复学习，则建立了特征码组的现象维度与故障/报修等实体动作维度的关联性资源，且随着数据增涨，关联性会逐渐客观化，继而实现了通过特征在海量历史码中进行具体故障的探测。

实施例2

实施例2与实施例1基本相同，不同之处在于，实施例1的故障分析方法步骤102中针对预设分析时间段内错误码出现频率维度挖掘特征码组，本实施例中针对相邻两错误码的反馈时间间隔维度挖掘特征码组，以挖掘错误码在反馈时间间隔的规律相关性。

如图4所示，步骤102具体包括：

步骤102-1”、从历史错误码数据中取出一个错误码作为中心码，获取该中心码的反馈时间点之前预设分析时间段内的所有其他错误码。

步骤102-2”、列出中心码与步骤102-1”中获取的所有其他错误码的组合，形成错误码组。

步骤102-3”、计算每组错误码组中相邻两个错误码的反馈时间点的时间间隔。

以表1中的数据为例，步骤102-2”中获得包括E6，E2，E3的错误码组有4组，4组错误码组的时间间隔的计算结果参见表3。

表3

E6，E2，E3的时间间隔(秒)
	[9,80]
[9,218]
	[9,1071]
[9,1086]

表3中，向量[9,80]表示第一组E6E2E3错误码组E6与E2的反馈时间的时间间隔为9秒，E2与E3的反馈时间的时间间隔为80秒；向量[9,218]表示第二组E6E2E3错误码组E6与E2的反馈时间的时间间隔为9秒，E2与E3的反馈时间的时间间隔为218秒。

步骤102-4”、从同类错误码组中选择一个错误码组作为中心错误码组，根据时间间隔计算该中心错误码组与同类错误码组中其他错误码组的相似度。

本实施例中，可以但不限于采用皮尔逊相关系数(Pearson CorrelationCoefficient)来计算错误码组之间的相关性，即相似度。若两个错误码组中相邻错误码的时间间隔用向量表示为A[X₁,X₂,…X_i…,X_n]，B[Y₁,Y₂,…Y_i…Y_n]，相似度的计算公式如下：

其中，r表示相似度；X_i、Y_i表示两组错误码组的时间间隔；

表示X_i的平均值向量；

表示Y_i的平均值向量。

本实施例中，也可以采用非监督的聚类挖掘算法DBSCAN进行错误码组的相似度计算。具体实现方式此处不再赘诉。

步骤102-5”、遍历每类错误码组中的所有错误码组作为中心码，并统计同类错误码组中与中心错误码组的相似度大于相似度阈值的其他错误码组的第二数量。

表3中，若选取时间间隔向量为[9,80]的错误码组作为中心错误码组，其他错误码组也即表3中除了时间间隔向量为[9,80]的错误码组以外的其他3组错误码组。步骤102-4”也即依次计算时间间隔向量为[9,80]的错误码组与其他3组错误码组的相似度，其他3组错误码组中若有2组与中心错误码组的相似度大于相似度阈值，则步骤102-5”统计得到该中心错误码组的第二数量为2。

本实施例的步骤103中，可进一步根据步骤102-5”统计获得的第二数量从错误码组中选择特征码组。具体的，可先计算第二数量所占总数量百分比，以表征每类错误码组中每组错误码组的置信度。置信度高说明该组错误码的时间间隔向量的规律强，用该组错误码组进行故障诊断的准确度较高；相应地，置信度低说明该组错误码的时间间隔向量的规律弱，用该组错误码组进行故障诊断的准确度较低。

需要说明的是，本实施例的针对时间间隔维度挖掘特征码组，可单独适用，也可与实施例1中的针对出现频率维度的特征挖掘相结合。若两个维度相结合进行特征码组的挖掘，则利用实施例1的基于频率维度挖掘出特征码组后，可对该特征码组作进一步地基于时间间隔维度的特征挖掘，以找出各特征码组的反馈时间间隔的规律相关性。

需要注意的是，进行时间间隔挖掘的数据基础是，与特征码组对应的未进行数量归并的错误码组，例如，若实施例1中步骤103获取的特征码组为E3E5E7、E9E2E6、E3E5，对其进行时间间隔挖掘的数据基础为步骤102-2(或步骤102-2’)获得的错误码组，参见表4。

表4

实施例3

本实施例提供一种故障分析系统，如图5所示，该故障分析系统包括：数据获取模块1、组合模块2、选择模块3和分析模块4。

数据获取模块1用于获取设备反馈的历史错误码数据。其中，历史错误码数据包括多个错误码以及每个错误码的反馈时间点，其是运行特征挖掘的数据基础。多个错误码按反馈时间点的先后顺序排列，以便于后续运行特征挖掘能依次有序处理。以设备为医疗设备为例，这里的历史错误码数据从各医疗职能部门所有大型医疗设备获取。这些历史错误码数据将按设备归属隔离开，每个设备形成一个独立的历史错误码数据集，对每台设备的数据集单独实施运行特征挖掘。

组合模块2用于对错误码进行组合，形成错误码组，并统计每类错误码组的第一数量。

本实施例中，根据预设分析时间段的设置长短，组合模块2组合错误码可采用两种模式：短时间片模式和长时间片模式。用户可根据实际需求自行选择其中一种模式，或同时选择两种模式。

以下分别对两种模式下，组合模块的结构作进一步说明。

(1)短时间片模式

该模式下，如图6所示，组合模块2包括：选择单元21、组合单元22、调用单元23和统计单元24。

选择单元21用于从历史错误码数据中依次选择一个错误码作为中心码，并获取中心码的反馈时间点之前预设分析时间段内的所有其他错误码。

组合单元22用于从所有其他错误码中选取一个或多个错误码与中心码组合，形成错误码组。

为了便于后续计算、辨识，本实施例中对每组错误码组设置标识。由于每种组合中的错误码从反馈时间上有着先后关系，对于错误码组的标识，可将错误码组中的错误码的编码按照反馈时间点的先后顺序编排连接成字符串，作为错误码组的标识，以错误码组中包括错误码E6，E2，E1为例，该错误码组的标识为E6E2E1；也可以借助表1中的错误码序号，按照错误码反馈时间点的先后顺序将对应的序号连接成字符串，作为该错误码组的标识，还是以错误码组中包括错误码E6，E2，E1为例，该错误码标识则为15149；当然，用户根据需求也可以自定义错误组标识，例如，将表2中包括E6，E2的错误码组标识为G1，将包括E6，E6的错误码组标识为G2，将包括E6，E5的错误码组标识为G3，以此类推。

调用单元23用于重复调用选择单元21，以遍历历史错误码数据中的所有错误码。

需要说明的是，若需要根据设备实际情况来进行定制化的故障分析时，则调用单元23无需通过调用选择单元21遍历所有错误码，只需选取设备执行部分特定动作反馈的错误码作为中心码，如选取只在扫描中才会出现的错误码作为中心码，以此提高故障分析的效率，减小计算量，其在特定应用场景中会发挥较为显著的作用。

统计单元24用于统计每类错误码组的第一数量。其中，统计错误码组的第一数量可以但不限于采用每组合得到一组错误码组，对应的错误码组的计数就+1的方式。当然，错误码组第一数量的统计方式，不限于采用先统计每个预设分析时间段内的不同类的错误码组的第一数量，再将多个预设分析时间段的错误码组的第一数量合并的方式；也可以先列出不同时间段内所有错误码组，然后统一统计错误码组的方式。

(2)长时间片模式

该模式，因预设分析时间段较长，考虑到错误码在产生和记录的时候可能会受到网络、电子电气特性或软件并发等情况影响而造成错误码的反馈时间顺序未必严格符合物理产生的顺序，或一个动作同一时刻引发的一系列错误码形成随机顺序，因此该模式中需加入一个容差时长，错误码组中反馈时间间隔在该容差时长内的错误码的排列顺序将被忽略。

如图7所示，组合模块2包括：选择单元21、组合单元22、调用单元23、统计单元24、第一判断单元25和调整单元26。

第一判断单元25用于判断错误码组中相邻的两个错误码的反馈时间点的时间间隔是否小于容差时长；并在判断为是时，调用调整单元26；在判断为否时，调用统计单元24。

调整单元26用于按照预设规则调整错误码组中的错误码的排列顺序。其中，按照预设规则调整错误码组中各个错误码的排列顺序，例如，按照错误码组中错误码的编码调整错误码的排列顺序。以表2中包括E6、E2、E3的错误码组为例，按照反馈时间点的原排列顺序依次为E6E2E3，若容差时长设为2分钟，该错误码组中相邻错误码的反馈时间间隔分别为9秒、1分20秒，均在2分钟内，则需对该错误码组中的错误码的排列顺序进行调整，若预设规则为将错误码编码由小到大的顺序调整，调整结果也即将E6E2E3调整为E2E3E6，统计单元进行数据统计时，该错误码组的第一数量与E2E3E6类错误码组的第一数量进行合并。

统计单元24用于统计每类错误码组的第一数量。

选择模块3用于根据第一数量从多类错误码组中选择特征码组。具体的，可计算第一数量与总数量的占比，将第一数量占比大于占比阈值的确定为特征码组；或将统计第一数量大于数量阈值的确定为特征码组。获得的特征码组后，可将特征码组保存至特征数据库，以供对设备故障分析时使用。

分析模块4用于根据特征码组对设备进行故障分析。具体的，分析模块4利用特征码组对设备当前反馈的错误码进行匹配分析，进行设备的故障诊断、故障预测以及可靠性分析。

本实施例中，从选择单元21选择中心码直至统计单元24统计每类错误码组的第一数量，属于组合模块2对历史错误码数据进行的一次特征码组挖掘，根据实际需求，可对错误码进行递归深度挖掘。

具体的，选择模块具体包括：第二判断单元和替代单元。

统计单元24统计每类错误码组的第一数量后，第二判断单元用于判断是否存在第一数量大于数量阈值的错误码组，并在判断为是，说明还可进行二次挖掘，则调用替代单元。

替代单元则将第一数量大于数量阈值的错误码组选择为特征码组，并将特征码组替代历史错误码数据中的中心码，然后重复调用替代单元。重复执行上述步骤，以进行N次递归挖掘。其中，N的大小可根据实际需求自行设定；也可设置递归停止条件，例如，直至第一数量小于等于数量阈值，停止递归，完成特征码组的最终深度挖掘。从而，分析模块4根据经过深度挖掘得到的特征码组对设备进行故障分析。

实施例4

实施例4与实施例3基本相同，不同之处在于，实施例3的故障分析系统针对预设分析时间段内错误码出现频率维度挖掘特征码组，本实施例中针对相邻两错误码的反馈时间间隔维度挖掘特征码组，以挖掘错误码在反馈时间间隔的规律相关性。

如图8所示，本实施例的组合模块包括：选择单元21、组合单元22、调用单元23、统计单元24和计算单元27。

计算单元27用于计算每组错误码组中相邻两个错误码的反馈时间点的时间间隔。

选择单元21还用于从同类错误码组中选择一个错误码组作为中心错误码组。

计算单元27还用于根据时间间隔计算中心错误码组与同类错误码组中其他错误码组的相似度。具体的，可以但不限于采用皮尔逊相关系数或非监督的聚类挖掘算法DBSCAN进行错误码组的相似度计算。

本实施例的选择模块还用于统计与中心错误码组的相似度大于相似度阈值的其他错误码组的第二数量，并根据第二数量从错误码组中选择特征码组。

需要说明的是，本实施例的针对时间间隔维度挖掘特征码组，可单独适用，也可与针对出现频率维度的特征挖掘相结合。若两个维度相结合进行特征码组的挖掘，则可先基于频率维度挖掘特征码组后，进一步地基于时间间隔维度挖掘特征挖掘。

实施例5

图9为本发明实施例提供的一种电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备90的框图。图9显示的电子设备90仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，电子设备90可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备90的组件可以包括但不限于：上述至少一个处理器91、上述至少一个存储器92、连接不同系统组件(包括存储器92和处理器91)的总线93。

总线93包括数据总线、地址总线和控制总线。

存储器92可以包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。

存储器92还可以包括具有一组(至少一个)程序模块924的程序工具925(或实用工具)，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1或2所提供的故障分析方法。

电子设备90也可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，模型生成的电子设备90还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器96通过总线93与模型生成的电子设备90的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的电子设备90使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

实施例6

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1或2所提供的故障分析方法的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1或2所述的故障分析方法中的步骤。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims

1.一种故障分析方法，其特征在于，所述故障分析方法包括：

获取设备反馈的历史错误码数据；所述历史错误码数据包括多个错误码和所述错误码的反馈时间点；

对所述错误码进行组合，形成错误码组，并统计每类错误码组的第一数量；每组错误码组包括至少两个错误码，所述至少两个错误码按所述反馈时间点的先后顺序排列；

根据所述第一数量从多类错误码组中选择特征码组；

根据所述特征码组对所述设备进行故障分析；

所述根据所述第一数量从所述错误码组中选择特征码组，具体包括：

将所述第一数量大于数量阈值的错误码组选择为特征码组；

所述对所述错误码进行组合，具体包括：

2.如权利要求1所述的故障分析方法，其特征在于，对所述错误码进行组合，形成错误码组的步骤之后，还包括：

在判断为否时，执行统计每类错误码组的第一数量的步骤。

3.如权利要求1所述的故障分析方法，其特征在于，根据所述第一数量从所述错误码组中选择特征码组的步骤，具体包括：

判断是否存在所述第一数量大于数量阈值的错误码组；

在判断为是时，将所述第一数量大于数量阈值的错误码组选择为特征码组；

4.如权利要求1所述的故障分析方法，其特征在于，对所述错误码进行组合，形成错误码组的步骤之后，还包括：

从同类错误码组中选择一个错误码组作为中心错误码组；

根据所述第二数量从所述错误码组中选择特征码组。

5.一种故障分析系统，其特征在于，所述故障分析系统包括：

数据获取模块，用于获取设备反馈的历史错误码数据；

分析模块，用于根据所述特征码组对所述设备进行故障分析；

将所述第一数量大于数量阈值的错误码组选择为特征码组；

所述组合模块具体包括：

6.如权利要求5所述的故障分析系统，其特征在于，所述组合模块还包括：第一判断单元、调整单元和统计单元；

所述统计单元用于统计每类错误码组的第一数量。

7.如权利要求5所述的故障分析系统，其特征在于，所述选择模块具体包括：第二判断单元和替代单元；

8.如权利要求5所述的故障分析系统，其特征在于，所述组合模块还包括：计算单元；

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的故障分析方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的故障分析方法的步骤。