CN110781914A - 一种设备故障的监控处理方法、装置、设备和存储介质 - Google Patents
一种设备故障的监控处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110781914A CN110781914A CN201910863323.6A CN201910863323A CN110781914A CN 110781914 A CN110781914 A CN 110781914A CN 201910863323 A CN201910863323 A CN 201910863323A CN 110781914 A CN110781914 A CN 110781914A
- Authority
- CN
- China
- Prior art keywords
- information
- characteristic
- feature
- equipment
- fault
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000003672 processing method Methods 0.000 title abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 113
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000007689 inspection Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
本发明公开了一种设备监控的故障处理方法、装置、设备和存储介质,所述方法在目标设备发生故障时,通过获取目标设备的特征信息。所述特征信息包括目标设备的设备类型、空间位置、重要程度和环境数据。根据分类模型,对所述特征信息进行分类以获取所述特征信息的类型,通过所述特征信息的类型确定所述特征信息的影响等级,基于所述影响等级,计算所述目标设备的分值,判断目标设备故障的程度,并根据所述分值选择故障处理策略进行处理。所述方法使得不同类型的设备都能够由系统服务器来进行维护,实现了现有设备实时跨设备联动综合处理故障设备及日常巡检。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种设备故障的监控处理方法、装置、设备和存储介质。
背景技术
随着信息化网络管理技术的发展,应用在楼宇系统内的电子器件进一步增多,种类和功能也各有不同,例如摄像头、传感器、能源设备、照明设备等,这些电子设备都需要进行日常维护,并在发生故障时及时采取相应的策略排除故障,以使得它们能够在正常状态下进行工作。
在现有技术中,对各种电子器件运行的维护往往只针对单一类型的设备。例如对监控系统的运维一般只涉及摄像头,当前现有的视频监控智能运维管理系统,基于企业服务总线的配电网智能运维中心,二次设备智能运维系统中的风险识别与预警方法。所述视频监控智能运维管理系统发现其中有摄像头出现故障时,及时启动其他的摄像头,确保监控的连贯性。而对于传感器、能源设备、照明设备等其他不同类型的设备,则通过对应的运维系统进行维护,成本较高且维护程序复杂,不能利用现有设备实时跨设备联动综合处理故障设备及日常巡检。
发明内容
为了解决设备故障管理只针对单一类型设备的问题,得到实时跨设备联动综合处理故障设备的技术效果,本发明提供了一种设备故障的监控处理方法、装置、设备和存储介质。
一方面,本发明提供了一种设备故障的监控处理方法,所述方法包括:
当基于目标设备的状态信息确定出所述目标设备为异常状态时,获取所述目标设备的特征信息,所述特征信息包括表征目标设备属性和目标设备所在环境的信息;
将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型;
根据所述每个特征信息的特征类型,确定每个所述特征信息的影响等级,所述影响等级用于表征目标设备的故障对所述目标设备所在系统的影响程度;
基于每个所述特征信息的影响等级,确定故障处理策略;
基于所述故障处理策略,对所述目标设备进行故障处理。
另一方面提供了一种设备故障的监控处理装置,所述装置包括:特征信息获得模块、特征类型获得模块、影响等级确定模块、处理策略确定模块和故障处理执行模块;
所述特征信息获得模块包括当基于目标设备的状态信息确定出所述目标设备为异常状态时,获取所述目标设备的特征信息,所述特征信息包括表征目标设备属性和目标设备所在环境的信息;
所述特征类型获得模块用于将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型;
所述影响等级确定模块用于根据所述每个特征信息的特征类型,确定每个所述特征信息的影响等级,所述影响等级用于表征目标设备的故障对所述目标设备所在系统的影响程度;
所述处理策略确定模块用于基于每个所述特征信息的影响等级,确定故障处理策略;
所述故障处理执行模块用于基于所述故障处理策略,对所述目标设备进行故障处理。
另一方面提供了一种设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现所述的一种设备故障的监控处理方法。
另一方面提供了一种计算机可读存储介质,所述存储介质包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现所述的一种设备故障的监控处理方法。
本发明提供的一种设备故障的监控处理方法、装置、设备和存储介质,本发明实施例提出了一种设备故障的监控处理方法,所述方法在目标设备发生故障时,通过获取目标设备的特征信息,所述特征信息包括目标设备的设备类型、空间位置、重要程度和环境数据。根据分类模型,对所述特征信息进行分类以获取所述特征信息的类型,通过所述特征信息的类型确定所述特征信息的影响等级,基于所述影响等级,计算所述目标设备的分值,判断目标设备故障的程度,并根据所述分值选择故障处理策略进行处理。所述方法通过将设备类型、空间位置、重要程度和环境数据设置为分类条件,使用分类模型确定发生故障的设备类型,使得不同类型的设备都能够由系统服务器来进行维护,实现了现有设备实时跨设备联动综合处理故障设备及日常巡检。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种设备故障的监控处理方法的应用场景示意图;
图2为本发明实施例提供的一种设备故障的监控处理方法的流程图;
图3为本发明实施例提供的一种设备故障的监控处理方法中基于K-近邻算法,确定故障处理策略的方法的流程图;
图4为本发明实施例提供的一种设备故障的监控处理方法中根据每个特征信息的影响等级,确定故障处理策略的方法的流程图;
图5为本发明实施例提供的一种设备故障的监控处理方法中在检查目标设备的故障之前的方法的流程图;
图6为本发明实施例提供的一种设备故障的监控处理方法中基于神经网络算法,确定故障处理策略的方法的流程图;
图7为本发明实施例提供的一种设备故障的监控处理方法中构成神经网络单元的结构示意图;
图8为本发明实施例提供的一种设备故障的监控处理方法中基于决策树算法,确定故障处理策略的方法的流程图;
图9为本发明实施例提供的一种设备故障的监控处理方法中基于朴素贝叶斯概率模型,确定故障处理策略的方法的流程图;
图10为本发明实施例提供的一种设备故障的监控处理方法应用于设备故障处理场景时故障处理系统的结构图;
图11为本发明实施例提供的一种设备故障的监控处理装置的结构示意图;
图12为本发明实施例提供的一种用于实现本发明实施例所提供的方法的设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。显然,所描述的实施例仅仅是本发明的一部分实施例,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在没有做出创造性劳动的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。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。而且,术语“第一”、“第二”等适用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
请参见图1,其显示了本发明实施例提供的一种设备故障的监控处理方法的应用场景示意图,所述应用场景包括目标设备110和服务器120,所述目标设备发送状态信息到服务器中,服务器根据所述状态信息,判断目标设备是否处于异常状态,当目标设备处在异常状态时,服务器判断所述目标设备故障,并获取目标设备的特征信息,将所述特征信息输入到分类模型中进行分类,输出所述每个特征信息的特征类型,基于所述特征类型获取影响等级,通过所述影响等级确定故障处理策略。基于所述故障处理策略,对所述目标设备的故障的进行处理。
在本发明实施例中,所述目标设备包括但不限于摄像头、传感器、照明设备、开关设备、能源设备、人脸识别设备等。
在本发明实施例中,所述分类模型可以通过机器学习的方式进行构建,对输入的特征信息进行分类并判断影响等级,根据所述影响等级选择预设的故障处理策略。所述机器学习是一门多学科交叉专业,涵盖概率论知识,统计学知识,近似理论知识和复杂算法知识,使用计算机作为工具并致力于真实实时的模拟人类学习方式,并将现有内容进行知识结构划分来有效提高学习效率,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
请参见图2,其显示了一种设备故障的监控处理方法,可应用于服务器侧,所述方法包括:
S210.当基于目标设备的状态信息确定出所述目标设备为异常状态时,获取所述目标设备的特征信息,所述特征信息包括表征目标设备属性和目标设备所在环境的信息;
具体地,所述目标设备周期性地向服务器上报状态信息,当服务器没有接收到状态信息时,判断所述目标设备为异常状态,发送检查指令到目标设备中,确认所述目标设备是否发生故障。若所述目标设备回复故障中或者没有回复,则服务器标注所述目标设备为故障状态,针对所述目标设备的故障,确定故障处理策略。
S220.将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型;
S230.根据所述每个特征信息的特征类型,确定每个所述特征信息的影响等级,所述影响等级用于表征目标设备的故障对所述目标设备所在系统的影响程度;
进一步地,请参见图3,所述将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型包括:
S310.计算每个所述特征信息与预存储的特征样本信息之间的距离;
S320.根据所述距离的大小,由小到大对每个所述特征信息对应的特征样本信息进行排序;
S330.将排序靠前预设数量个特征样本信息作为对应的每个所述特征信息的目标特征样本信息;
S340.根据所述目标特征样本信息的特征类型,确定对应的所述特征信息的特征类型。
具体地,所述特征信息包括设备类型、空间位置、重要程度和环境数据。其中,设备类型用于确定目标设备的类型,例如发生故障的目标设备为摄像头,则表示目标设备的设备类型为摄像头。空间位置用于确定目标设备所在的位置,例如发生故障的目标设备是在二楼走廊上正对着电梯的摄像头时,所述目标设备的空间位置为二楼走廊上正对着电梯的位置。重要程度用于确定目标设备所在的空间位置是否为重要位置,例如财务室门口的摄像头,相对的重要程度就要比走廊上的摄像头要重要。环境数据则是用于确定目标设备周围的环境信息的,所述环境信息可以是周边的其他设备,也可以是周边是否有巡视人员或者巡视机器人等。
基于K-近邻算法(K-NearestNeighbor,KNN),对所述目标设备的特征信息进行分类。获取目标设备发送的设备类型、空间位置、重要程度、环境数据四个特征信息后,获取每个特征信息与预存储的特征样本信息之间的距离,所述距离表征了特征信息与特征样本信息之间的相似程度。所述距离的计算公式可以为:
其中,实例x表示为下面的特征向量:a1(x)、a2(x)、...、an(x),ar(x)表示实例x的第r个属性值。那么两个实例xi和xj间的距离定义为d(xi,xj)。所述距离还可以通过其他函数进行计算,例如切比雪夫距离函数、曼哈顿距离函数、明考斯基距离函数等。
根据计算得到的距离,由小到大地对所述特征样本信息进行排序,选择前k个距离最近的特征样本信息,所述k为预设值。根据前k个距离最近的特征样本信息,可以得到特征信息的类别,基于所述特征信息的类别,能够获得特征信息的影响等级。
S240.基于每个所述特征信息的影响等级,确定故障处理策略;
S250.基于所述故障处理策略,对所述目标设备进行故障处理。
进一步地,根据每个特征信息的影响等级,确定故障处理策略,具体地,请参见图4,所述方法包括:
S410.获取每个所述特征信息的影响等级对应的分值;
S420.对每个所述分值进行相加,计算故障分值;
S430.根据所述故障分值,获取对应的故障处理策略;
S440.基于预设权重值,确定所述故障处理策略。
具体地,基于K-近邻算法,对目标设备的每个特征信息进行分类,根据所述特征信息的类别,获取特征信息的影响等级。根据每个特征信息的影响等级,可以确定该组特征信息的分值,找出相应的故障处理策略,再与权重进行评估,得分最高的即为本次故障的故障处理策略。
在获得故障处理策略之后,可以人工定期对所述方法确定的故障处理策略进行检测,检测自动响应策略的准确率、查全率、特异度、调整相应策略属性,重新进行半监督式机器学习。并通过使用日常采集数据特征样本,训练故障处理策略的确定。此外,还可以人工评估训练样本的影响等级,根据实际日常处理结果人工调整每组故障处理策略的权重值,以此反复训练完善。
进一步地,请参见图5,在检查目标设备的故障之前,建立近邻分类模型时,所述方法包括:
S510.采集特征样本信息,所述特征样本信息为描述目标设备和目标设备所在环境的样本信息;
S520.基于预设的特征类型对所述特征样本信息进行分类,得到每一特征类型对应的特征样本信息集;
S530.设置所述每一特征类型对应的特征样本信息集的影响等级。
具体地,所述K-近邻算法为消极学习算法,简单地把训练样本存储起来,直到需要分类新的实例时才分析其与所存储样例的关系,据此确定新实例的目标函数值。所述K-近邻算法假定所有的实例对应于N维欧式空间中的点。通过计算一个点与其他所有点之间的距离,取出与该点最近的K个点,然后统计这K个点里面所属分类比例最大的,则这个点属于该分类。
在建立K-近邻模型时,采集特征样本信息并进行分类存储,同时对每一类特征样本信息设置影响等级,当有新的特征信息输入时,判断所述特征信息与存储的特征样本信息的关系,从而获取所述特征信息的类别。
本实施例进行特征信息的分类时采用的是K-近邻算法,在进行分类计算时简单有效,同时本实施例采取的设备故障的监控处理方法使得不同类型的设备都能够由的系统服务器来进行维护,本发明所述的方法使用现有设备实时跨设备联动综合处理故障设备及日常巡检。
可替换地,请参见图6,所述将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型包括:
S610.将所述目标设备的每个特征信息输入到神经网络的卷积层中进行卷积计算;
S620.根据卷积计算的结果,获得每个特征信息的特征类型。
具体地,基于人工神经网络(Artificial Neural Network,ANN)算法,对目标设备的每个特征信息进行分类,根据所述特征信息的类别,获取特征信息的影响等级。请参见图7,所述神经网络的单元包括连接权值、求和单元和非线性的激活函数,所述连接权值为正值或者负值,所述正值表示激活,负值表示抑制,在本实施例中,所述连接表示输入信息的类型,即设备类型、空间位置、重要程度和环境数据四种类型。所述求和单元用于求各个输入信号的加权和。对所述神经网络输入特征信息后,所述特征信息对应的连接上的正值被激活,其余连接上显示为被抑制的负值,通过非线性激活函数获得最终的输出结果,可以判断所述特征信息的类型。
根据所述特征信息的类别,获取特征信息的影响等级。根据每个特征信息的影响等级,可以确定该组特征信息的分值,找出相应的故障处理策略,再与权重进行评估,得分最高的即为本次故障的故障处理策略。
本实施例进行特征信息的分类时采用的是人工神经网络算法,在进行分类计算时具有较多的局部最优解,分类准确率高,可以进行并行处理,机器学习的能力较强。
可替换地,请参见图8,所述将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型包括:
S810.将所述目标设备的每个特征信息与预设的特征样本信息进行比对;
S820.根据所述比对结果,获取与所述特征信息匹配的特征样本信息;
S830.根据所述特征样本信息,获取每个特征信息的特征类型。
具体地,基于决策树(Decision Tree)算法,对目标设备的每个特征信息进行分类,根据所述特征信息的类别,获取特征信息的影响等级。
所述决策树方法具有预设的特征样本信息,将所述特征信息与所述特征样本信息进行比对,可以判断出特征信息属于哪种特征样本信息,根据所述与特征信息相匹配的特征样本信息,对所述特征信息进行分类,获取所述特征信息的特征类型。
根据所述特征信息的类别,获取特征信息的影响等级。根据每个特征信息的影响等级,可以确定该组特征信息的分值,找出相应的故障处理策略,再与权重进行评估,得分最高的即为本次故障的故障处理策略。
本实施例进行特征信息的分类时采用的是决策树算法,在进行分类计算时操作较为简单,容易执行。
可替换地,请参见图9,所述将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型包括:
S910.计算所述目标设备的每个特征信息与预设的特征类型之间的条件概率;
S920.根据所述条件概率,确定每个特征信息的特征类型。
具体地,基于朴素贝叶斯模型(Naive Bayesian Model,NBM),对目标设备的每个特征信息进行分类,根据所述特征信息的类别,获取特征信息的影响等级。
对所述特征样本信息中每一类的特征样本信息的类别计算概率,并对每个特征属性计算所有划分的条件概率,建立朴素贝叶斯模型。输入所述特征信息到所述朴素贝叶斯模型中,在每个特征类别下计算所述特征信息的条件概率,选择所述条件概率的最大值所在的特征类别,作为特征信息的特征类别。
据所述特征信息的类别,获取特征信息的影响等级。根据每个特征信息的影响等级,可以确定该组特征信息的分值,找出相应的故障处理策略,再与权重进行评估,得分最高的即为本次故障的故障处理策略。
本实施例进行特征信息的分类时采用的是朴素贝叶斯模型,在进行分类计算时对于缺失数据并不敏感,能够在数据缺失的情况下较为完整地完成分类计算。
在一个具体的示例中,所述故障处理策略可以在某个目标设备不能运行时,启动周边同类设备替代发生故障的目标设备,或者当目标设备位于巡视人员的巡视路线上时,向周边的巡视人员发出警告,提醒巡视人员上前查看排除故障,或者可以引导自动巡视机器人查看发生故障的目标设备等。根据所述影响等级计算的分值,可以选择不同的故障处理策略。
在一个具体的示例中,所述设备故障的监控处理方法能够应用于整合控制接入的楼宇智能设备中控平台系统,请参见图10,通过服务器操作系统,整合了建筑内安防监控设备、照明设备、大屏显示设备、能源设备、智能开关设备、传感器采集设备、环境信息采集设备等一系列智能设备动态实时监控数据,获取各种设备的性能数据、空间数据和配置数据。将所述数据传输到物联服务和中控平台上,并在大数据中心利用这些数据进行半监督式机器学习训练,训练各种设备故障处理的策略,当相应设备发生故障,根据设备的安全登记,实时响应策略,故障恢复后,可以进行人工评估策略得分,纳入机器学习模型。
所述方法基于多平台在云端进行调度,整合建筑内智能设备,打通各子系统视频,信令通道,各子系统将采集数据定时上报中控平台同时定时上报自身健康状态,中控平台在上报周期内未得到相应设备的上报信息,将视该设备处于异常中,则发送检查指令,确认设备是否故障,如果未得到回复或回复故障中,则中控平台标记该设备为故障,生成所述故障处理策略。
本发明实施例提出了一种设备故障的监控处理方法,所述方法在目标设备发生故障时,通过获取目标设备的特征信息,根据分类模型,对所述特征信息进行分类以获取所述特征信息的类型,通过所述特征信息的类型确定所述特征信息的影响等级,基于所述影响等级,计算所述目标设备的分值,判断目标设备故障的程度,并根据所述分值选择故障处理策略进行处理。进一步地,所述方法的有益效果包括:
(1)通过将设备类型、空间位置、重要程度和环境数据设置为分类条件,使用分类模型确定发生故障的设备类型,使得不同类型的设备都能够由系统服务器来进行维护,实现了现有设备实时跨设备联动综合处理故障设备及日常巡检;
(2)采用机器学习的方式,能够通过日后不间断依赖采集的数据进行深度学习来完成日常故障处理及巡检,具有维持并提高系统的准确度;
(3)通过多平台在云端进行调度的模式,可以整合建筑内的智能设备,使得所述智能设备得到整体化的维护。
本发明实施例还提供了一种设备故障的监控处理装置,请参见图11,所述装置包括:特征信息获得模块1110、特征类型获得模块1120、影响等级确定模块1130、处理策略确定模块1140和故障处理执行模块1150;
所述特征信息获得模块1110包括当基于目标设备的状态信息确定出所述目标设备为异常状态时,获取所述目标设备的特征信息,所述特征信息包括表征目标设备属性和目标设备所在环境的信息;
所述特征类型获得模块1120用于将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型;
所述影响等级确定模块1130用于根据所述每个特征信息的特征类型,确定每个所述特征信息的影响等级,所述影响等级用于表征目标设备的故障对所述目标设备所在系统的影响程度;
所述处理策略确定模块1140用于基于每个所述特征信息的影响等级,确定故障处理策略;
所述故障处理执行模块1150用于基于所述故障处理策略,对所述目标设备进行故障处理。
进一步地,所述处理策略确定模块可以基于K-近邻算法(K-NearestNeighbor,KNN)对目标设备的每个特征信息进行分类,根据所述特征信息的类别,获取特征信息的影响等级,确定故障处理策略。
所述处理策略确定模块包括距离计算单元、距离排序单元、目标样本选择单元和特征类型确定单元;
所述距离计算单元包括计算每个所述特征信息与预存储的特征样本信息之间的距离;
所述距离排序单元包括根据所述距离的大小,由小到大对每个所述特征信息对应的特征样本信息进行排序;
所述目标样本选择单元包括将排序靠前预设数量个特征样本信息作为对应的每个所述特征信息的目标特征样本信息;
所述特征类型确定单元包括根据所述目标特征样本信息的特征类型,确定对应的所述特征信息的特征类型。
在一个具体的实施例中,所述处理策略确定模块可以基于人工神经网络(Artificial Neural Network,ANN)算法,对目标设备的每个特征信息进行分类,根据所述特征信息的类别,获取特征信息的影响等级,确定故障处理策略。
在一个具体的实施例中,所述处理策略确定模块可以基于决策树算法,对目标设备的每个特征信息进行分类,根据所述特征信息的类别,获取特征信息的影响等级,确定故障处理策略。
在一个具体的实施例中,所述处理策略确定模块可以基于朴素贝叶斯模型(NaiveBayesian Model,NBM),对目标设备的每个特征信息进行分类,根据所述特征信息的类别,获取特征信息的影响等级,确定故障处理策略。
上述实施例中提供的装置可执行本发明任意实施例所提供方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的一种设备故障的监控处理方法。
本实施例还提供了一种计算机可读存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令由处理器加载并执行本实施例上述的一种设备故障的监控处理方法。
本实施例还提供了一种设备,所述设备包括处理器和存储器,其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行本实施例上述的一种设备故障的监控处理方法。
所述设备可以为计算机终端、移动终端或服务器,所述设备还可以参与构成本发明实施例所提供的装置或系统。如图12所示,计算机终端12(或移动终端12或服务器12)可以包括一个或多个(图中采用1202a、1202b,……,1202n来示出)处理器1202(处理器1202可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1204、以及用于通信功能的传输装置1206。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图12所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端12还可包括比图12中所示更多或者更少的组件,或者具有与图12所示不同的配置。
应当注意到的是上述一个或多个处理器1202和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端12(或移动终端)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的确定)。
存储器1204可用于存储应用软件的软件程序以及模块,如本发明实施例中所述的方法对应的程序指令/数据存储装置,处理器1202通过运行存储在存储器1204内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种基于自注意力网络的时序行为捕捉框生成方法。存储器1204可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1204可进一步包括相对于处理器1202远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端12。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置1206用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端12的通信供应商提供的无线网络。在一个实例中,传输装置1206包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置1206可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端12(或计算机终端)的用户界面进行交互。
本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤和顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或中断产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本实施例中所示出的结构,仅仅是与本申请方案相关的部分结构,并不构成对本申请方案所应用于其上的设备的限定,具体的设备可以包括比示出的更多或更少的部件,或者组合某些部件,或者具有不同的部件的布置。应当理解到,本实施例中所揭露的方法、装置等,可以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,所述模块的划分仅仅为一种逻辑功能的划分,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,装置或单元模块的间接耦合或通信连接。
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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,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。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员还可以进一步意识到,结合本说明书所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但这种实现不应认为超出本发明的范围。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种设备故障的监控处理方法,其特征在于,所述方法包括:
当基于目标设备的状态信息确定出所述目标设备为异常状态时,获取所述目标设备的特征信息,所述特征信息包括表征目标设备属性和目标设备所在环境的信息;
将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型;
根据所述每个特征信息的特征类型,确定每个所述特征信息的影响等级,所述影响等级用于表征目标设备的故障对所述目标设备所在系统的影响程度;
基于每个所述特征信息的影响等级,确定故障处理策略;
基于所述故障处理策略,对所述目标设备进行故障处理。
2.根据权利要求1所述的一种设备故障的监控处理方法,其特征在于,所述将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型包括:
计算每个所述特征信息与预存储的特征样本信息之间的距离;
根据所述距离的大小,由小到大对每个所述特征信息对应的特征样本信息进行排序;
将排序靠前预设数量个特征样本信息作为对应的每个所述特征信息的目标特征样本信息;
根据所述目标特征样本信息的特征类型,确定对应的所述特征信息的特征类型。
3.根据权利要求1所述的一种设备故障的监控处理方法,其特征在于,所述基于每个所述特征信息的影响等级,确定故障处理策略包括:
获取每个所述特征信息的影响等级对应的分值;
对每个所述分值进行相加,计算故障分值;
根据所述故障分值,获取对应的故障处理策略;
基于预设权重值,确定所述故障处理策略。
4.根据权利要求1所述的一种设备故障的监控处理方法,其特征在于,所述方法还包括:
采集特征样本信息,所述特征样本信息为描述目标设备和目标设备所在环境的样本信息;
基于预设的特征类型对所述特征样本信息进行分类,得到每一特征类型对应的特征样本信息集;
设置所述每一特征类型对应的特征样本信息集的影响等级。
5.根据权利要求1所述的一种设备故障的监控处理方法,其特征在于,所述将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型包括:
将所述目标设备的每个特征信息输入到神经网络的卷积层中进行卷积计算;
根据卷积计算的结果,获得每个特征信息的特征类型。
6.根据权利要求1所述的一种设备故障的监控处理方法,其特征在于,所述将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型包括:
将所述目标设备的每个特征信息与预设的特征样本信息进行比对;
根据所述比对结果,获取与所述特征信息匹配的特征样本信息;
根据所述特征信息匹配的特征样本信息,获取每个特征信息的特征类型。
7.根据权利要求1所述的一种设备故障的监控处理方法,其特征在于,所述将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型包括:
计算所述目标设备的每个特征信息与预设的特征类型之间的条件概率;
根据所述条件概率,确定每个特征信息的特征类型。
8.一种设备故障的监控处理装置,其特征在于,所述装置包括:特征信息获得模块、特征类型获得模块、影响等级确定模块、处理策略确定模块和故障处理执行模块;
所述特征信息获得模块包括当基于目标设备的状态信息确定出所述目标设备为异常状态时,获取所述目标设备的特征信息,所述特征信息包括表征目标设备属性和目标设备所在环境的信息;
所述特征类型获得模块用于将所述目标设备的每个特征信息输入到分类模型中进行分类处理,获得所述每个特征信息的特征类型;
所述影响等级确定模块用于根据所述每个特征信息的特征类型,确定每个所述特征信息的影响等级,所述影响等级用于表征目标设备的故障对所述目标设备所在系统的影响程度;
所述处理策略确定模块用于基于每个所述特征信息的影响等级,确定故障处理策略;
所述故障处理执行模块用于基于所述故障处理策略,对所述目标设备进行故障处理。
9.一种设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一项所述的一种设备故障的监控处理方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一项所述的一种设备故障的监控处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863323.6A CN110781914B (zh) | 2019-09-12 | 2019-09-12 | 一种设备故障的监控处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863323.6A CN110781914B (zh) | 2019-09-12 | 2019-09-12 | 一种设备故障的监控处理方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781914A true CN110781914A (zh) | 2020-02-11 |
CN110781914B CN110781914B (zh) | 2024-04-16 |
Family
ID=69384113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910863323.6A Active CN110781914B (zh) | 2019-09-12 | 2019-09-12 | 一种设备故障的监控处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781914B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382786A (zh) * | 2020-03-04 | 2020-07-07 | 中国工商银行股份有限公司 | 用于设备的故障处理方法和装置、计算机系统和存储介质 |
CN111950238A (zh) * | 2020-07-30 | 2020-11-17 | 禾多科技(北京)有限公司 | 自动驾驶故障评分表生成方法、装置、电子设备 |
CN112433928A (zh) * | 2020-12-03 | 2021-03-02 | 中国建设银行股份有限公司 | 一种存储设备的故障预测方法、装置、设备及存储介质 |
CN112766891A (zh) * | 2021-01-11 | 2021-05-07 | 东方网力科技股份有限公司 | 基于城市信息化设备的信息采集方法、装置及设备 |
CN112990006A (zh) * | 2021-03-11 | 2021-06-18 | 南方电网电力科技股份有限公司 | 一种配电台区的巡检方法、智能巡检眼镜和系统 |
CN113516358A (zh) * | 2021-05-11 | 2021-10-19 | 中国华电科工集团有限公司 | 电站设备的故障处理方法、装置、电子设备以及存储介质 |
CN114187675A (zh) * | 2021-11-16 | 2022-03-15 | 中国电信集团系统集成有限责任公司 | 消防巡检方法及设备、介质和产品 |
CN115204536A (zh) * | 2022-09-16 | 2022-10-18 | 苏州智能交通信息科技股份有限公司 | 楼宇设备故障预测方法、装置、设备及存储介质 |
CN116484268A (zh) * | 2023-06-21 | 2023-07-25 | 西安黑石智能科技有限公司 | 基于机器学习的智能化工业设备故障诊断系统 |
WO2023246775A1 (zh) * | 2022-06-22 | 2023-12-28 | 中国第一汽车股份有限公司 | 电动汽车热管理系统故障处理方法、装置、介质以及设备 |
CN117499621A (zh) * | 2024-01-02 | 2024-02-02 | 中移(苏州)软件技术有限公司 | 视频采集设备的检测方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105245185A (zh) * | 2015-09-30 | 2016-01-13 | 南京南瑞集团公司 | 一种接入配电网的区域分布式光伏故障诊断系统及方法 |
CN107562034A (zh) * | 2017-07-14 | 2018-01-09 | 宝沃汽车(中国)有限公司 | 线上故障处理方法及处理系统 |
CN109088793A (zh) * | 2018-08-20 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测网络故障的方法和装置 |
CN109189640A (zh) * | 2018-08-24 | 2019-01-11 | 平安科技(深圳)有限公司 | 服务器的监控方法、装置、计算机设备及存储介质 |
CN109325603A (zh) * | 2018-09-11 | 2019-02-12 | 国网河北省电力有限公司沧州供电分公司 | 故障请求处理方法、装置及终端设备 |
CN109345658A (zh) * | 2018-10-29 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 车辆系统故障的修复方法、装置、设备、介质和车辆 |
CN109446049A (zh) * | 2018-11-01 | 2019-03-08 | 郑州云海信息技术有限公司 | 一种基于监督学习的服务器错误诊断方法和装置 |
CN109447288A (zh) * | 2018-11-02 | 2019-03-08 | 国网河北省电力有限公司雄安新区供电公司 | 多能源运维管理方法及终端设备 |
-
2019
- 2019-09-12 CN CN201910863323.6A patent/CN110781914B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105245185A (zh) * | 2015-09-30 | 2016-01-13 | 南京南瑞集团公司 | 一种接入配电网的区域分布式光伏故障诊断系统及方法 |
CN107562034A (zh) * | 2017-07-14 | 2018-01-09 | 宝沃汽车(中国)有限公司 | 线上故障处理方法及处理系统 |
CN109088793A (zh) * | 2018-08-20 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测网络故障的方法和装置 |
CN109189640A (zh) * | 2018-08-24 | 2019-01-11 | 平安科技(深圳)有限公司 | 服务器的监控方法、装置、计算机设备及存储介质 |
CN109325603A (zh) * | 2018-09-11 | 2019-02-12 | 国网河北省电力有限公司沧州供电分公司 | 故障请求处理方法、装置及终端设备 |
CN109345658A (zh) * | 2018-10-29 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 车辆系统故障的修复方法、装置、设备、介质和车辆 |
CN109446049A (zh) * | 2018-11-01 | 2019-03-08 | 郑州云海信息技术有限公司 | 一种基于监督学习的服务器错误诊断方法和装置 |
CN109447288A (zh) * | 2018-11-02 | 2019-03-08 | 国网河北省电力有限公司雄安新区供电公司 | 多能源运维管理方法及终端设备 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382786A (zh) * | 2020-03-04 | 2020-07-07 | 中国工商银行股份有限公司 | 用于设备的故障处理方法和装置、计算机系统和存储介质 |
CN111950238A (zh) * | 2020-07-30 | 2020-11-17 | 禾多科技(北京)有限公司 | 自动驾驶故障评分表生成方法、装置、电子设备 |
CN112433928A (zh) * | 2020-12-03 | 2021-03-02 | 中国建设银行股份有限公司 | 一种存储设备的故障预测方法、装置、设备及存储介质 |
CN112766891A (zh) * | 2021-01-11 | 2021-05-07 | 东方网力科技股份有限公司 | 基于城市信息化设备的信息采集方法、装置及设备 |
CN112990006A (zh) * | 2021-03-11 | 2021-06-18 | 南方电网电力科技股份有限公司 | 一种配电台区的巡检方法、智能巡检眼镜和系统 |
CN113516358A (zh) * | 2021-05-11 | 2021-10-19 | 中国华电科工集团有限公司 | 电站设备的故障处理方法、装置、电子设备以及存储介质 |
CN114187675A (zh) * | 2021-11-16 | 2022-03-15 | 中国电信集团系统集成有限责任公司 | 消防巡检方法及设备、介质和产品 |
CN114187675B (zh) * | 2021-11-16 | 2023-11-17 | 中电信数智科技有限公司 | 消防巡检方法及设备、介质和产品 |
WO2023246775A1 (zh) * | 2022-06-22 | 2023-12-28 | 中国第一汽车股份有限公司 | 电动汽车热管理系统故障处理方法、装置、介质以及设备 |
CN115204536A (zh) * | 2022-09-16 | 2022-10-18 | 苏州智能交通信息科技股份有限公司 | 楼宇设备故障预测方法、装置、设备及存储介质 |
CN116484268A (zh) * | 2023-06-21 | 2023-07-25 | 西安黑石智能科技有限公司 | 基于机器学习的智能化工业设备故障诊断系统 |
CN116484268B (zh) * | 2023-06-21 | 2023-09-05 | 西安黑石智能科技有限公司 | 基于机器学习的智能化工业设备故障诊断系统 |
CN117499621A (zh) * | 2024-01-02 | 2024-02-02 | 中移(苏州)软件技术有限公司 | 视频采集设备的检测方法、装置、设备及介质 |
CN117499621B (zh) * | 2024-01-02 | 2024-04-09 | 中移(苏州)软件技术有限公司 | 视频采集设备的检测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110781914B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781914B (zh) | 一种设备故障的监控处理方法、装置、设备和存储介质 | |
CN110097037B (zh) | 智能监测方法、装置、存储介质及电子设备 | |
US11176418B2 (en) | Model test methods and apparatuses | |
US9852019B2 (en) | System and method for abnormality detection | |
CN110287552B (zh) | 基于改进随机森林算法的电机轴承故障诊断方法及系统 | |
CN111008640A (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
CN109284735B (zh) | 鼠情监控方法、装置及存储介质 | |
CN109920192A (zh) | 火灾报警方法、系统及计算机可读存储介质 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN110942450A (zh) | 一种基于深度学习的多生产流水线实时缺陷检测方法 | |
CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN110929646A (zh) | 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法 | |
CN112684301A (zh) | 一种电网故障的检测方法和装置 | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN112199805B (zh) | 一种输电线路隐患识别模型评估方法及装置 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN110399926B (zh) | 一种路灯故障诊断方法及装置 | |
CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN116956702A (zh) | 一种用电安全预警方法、介质及系统 | |
CN115712825A (zh) | 一种基于工业互联网大数据的智能优化方法及系统 | |
CN115049875A (zh) | 一种基于深度学习的变电站中佩戴绝缘手套的检测方法 | |
CN114169623A (zh) | 一种电力设备故障分析方法、装置、电子设备及存储介质 | |
CN112734699A (zh) | 物品状态告警方法、装置、存储介质及电子装置 | |
CN117078620B (zh) | Pcb焊点缺陷检测方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021529 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |