CN111078457A - 一种基于大数据的存储故障分析方法与装置 - Google Patents

一种基于大数据的存储故障分析方法与装置 Download PDF

Info

Publication number
CN111078457A
CN111078457A CN201911385858.3A CN201911385858A CN111078457A CN 111078457 A CN111078457 A CN 111078457A CN 201911385858 A CN201911385858 A CN 201911385858A CN 111078457 A CN111078457 A CN 111078457A
Authority
CN
China
Prior art keywords
fault
analysis
data
model
data set
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.)
Withdrawn
Application number
CN201911385858.3A
Other languages
English (en)
Inventor
宋成磊
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology 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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN201911385858.3A priority Critical patent/CN111078457A/zh
Publication of CN111078457A publication Critical patent/CN111078457A/zh
Withdrawn legal-status Critical Current

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
    • G06F11/0706—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 the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0727—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 the processing taking place on a specific hardware platform or in a specific software environment in a storage system, e.g. in a DASD or network based storage system
    • 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
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0775—Content or structure details of the error report, e.g. specific table structure, specific error fields
    • 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
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种基于大数据的存储故障分析方法与装置，方法包括：基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用数据集训练故障模型；响应于发生新的存储故障而采集存储故障信息并使用故障模型为新的存储故障生成初步分析；基于存储故障信息并参考初步分析执行人工分析以生成分析报告，并将分析报告反馈到故障模型以进一步训练故障模型。本发明能够提高存储故障分析时效性、提高分析效率。

Description

一种基于大数据的存储故障分析方法与装置
技术领域
本发明涉及机器学习领域，更具体地，特别是指一种基于大数据的存储故障分析方法与装置。
背景技术
存储设备在测试和实际运行中可能会出现故障、错误等非正常状况，此时需要研发人员登录设备，查看界定问题。但研发人员很难立即投入，而且不同的人负责不同模块。首先需要先界定问题可能发生模块，分析实时性延后；如果设备一直在读写工作，出现故障的信息也有可能丢失，给故障分析造成困难，发生故障收集的内存信息，记录信息不完全或被冲刷；故障分析首先从现象入手，经常会从一个模块转入另一模块，一个问题处理经过多人分析才找到最终问题的发生位置；很多故障虽然现象不完全一样，但引起的原因可能是同一个，需要研发人员重复工作。
针对现有技术中存储故障分析的时效性差和效率低的问题，目前尚无有效的解决方案。
发明内容
有鉴于此，本发明实施例的目的在于提出一种基于大数据的存储故障分析方法与装置，能够提高存储故障分析时效性、提高分析效率。
基于上述目的，本发明实施例的第一方面提供了一种基于大数据的存储故障分析方法，包括执行以下步骤：
基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用数据集训练故障模型；
响应于发生新的存储故障而采集存储故障信息并使用故障模型为新的存储故障生成初步分析；
基于存储故障信息并参考初步分析执行人工分析以生成分析报告，并将分析报告反馈到故障模型以进一步训练故障模型。
在一些实施方式中，基于存储故障历史数据和相应的历史分析报告构建数据集包括：
获取存储故障历史数据，并对存储故障历史数据和历史分析报告进行特征提取和归一化处理生成训练样本，并基于训练样本的集合构建数据集。
在一些实施方式中，构建故障模型包括：基于深度卷积神经网络构建使用存储故障历史数据的训练样本作为输入、使用历史分析报告的训练样本作为输出的输入-输出映射模型。
在一些实施方式中，采集存储故障信息包括：采集发生存储故障的设备中各模块之间的交互信息、和设备的流程接口的数据信息。
在一些实施方式中，将分析报告反馈到故障模型以进一步训练故障模型包括：
将分析报告和相应的存储故障信息加入数据集并使用数据集重新训练故障模型，其中数据集中的所有训练样本均具有相同的训练权重。
本发明实施例的第二方面提供了一种基于大数据的存储故障分析装置，包括：
构建模块，配置用于基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用数据集训练故障模型；
分析模块，配置用于响应于发生新的存储故障而采集存储故障信息并使用故障模型为新的存储故障生成初步分析；
反馈模块，配置用于基于存储故障信息并参考初步分析执行人工分析以生成分析报告，并将分析报告反馈到故障模型以进一步训练故障模型。
在一些实施方式中，构建模块基于存储故障历史数据和相应的历史分析报告构建数据集包括：
获取存储故障历史数据，并对存储故障历史数据和历史分析报告进行特征提取和归一化处理生成训练样本，并基于训练样本的集合构建数据集。
在一些实施方式中，构建模块构建故障模型包括：基于深度卷积神经网络构建使用存储故障历史数据的训练样本作为输入、使用历史分析报告的训练样本作为输出的输入-输出映射模型；
分析模块采集存储故障信息包括：采集发生存储故障的设备中各模块之间的交互信息、和设备的流程接口的数据信息。
在一些实施方式中，反馈模块将分析报告反馈到故障模型以进一步训练故障模型包括：将分析报告和相应的存储故障信息加入数据集并使用数据集重新训练故障模型，其中数据集中的所有训练样本均具有相同的训练权重。
本发明实施例的第三方面提供了一种计算机，包括：
处理器；和
存储器，存储有处理器可运行的程序代码，程序代码在被处理器运行时，执行如上述的存储故障分析方法。
本发明具有以下有益技术效果：本发明实施例提供的基于大数据的存储故障分析方法与装置，通过基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用数据集训练故障模型；响应于发生新的存储故障而采集存储故障信息并使用故障模型为新的存储故障生成初步分析；基于存储故障信息并参考初步分析执行人工分析以生成分析报告，并将分析报告反馈到故障模型以进一步训练故障模型的技术方案，能够提高存储故障分析时效性、提高分析效率。
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为本发明提供的基于大数据的存储故障分析方法的流程示意图。
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明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
基于上述目的，本发明实施例的第一个方面，提出了一种能够提高存储故障分析时效性、提高分析效率的存储故障分析方法的一个实施例。图1示出的是本发明提供的基于大数据的存储故障分析方法的流程示意图。
所述基于大数据的存储故障分析方法，如图1所示，包括执行以下步骤：
步骤S101：基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用数据集训练故障模型；
步骤S103：响应于发生新的存储故障而采集存储故障信息并使用故障模型为新的存储故障生成初步分析；
步骤S105：基于存储故障信息并参考初步分析执行人工分析以生成分析报告，并将分析报告反馈到故障模型以进一步训练故障模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。所述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
在一些实施方式中，基于存储故障历史数据和相应的历史分析报告构建数据集包括：获取存储故障历史数据，并对存储故障历史数据和历史分析报告进行特征提取和归一化处理生成训练样本，并基于训练样本的集合构建数据集。
在一些实施方式中，构建故障模型包括基于深度卷积神经网络构建使用存储故障历史数据的训练样本作为输入、使用历史分析报告的训练样本作为输出的输入-输出映射模型。
在一些实施方式中，采集存储故障信息包括采集发生存储故障的设备中各模块之间的交互信息、和设备的流程接口的数据信息。
在一些实施方式中，将分析报告反馈到故障模型以进一步训练故障模型包括：将分析报告和相应的存储故障信息加入数据集并使用数据集重新训练故障模型，其中数据集中的所有训练样本均具有相同的训练权重。
根据本发明实施例公开的方法还可以被实现为由CPU(中央处理器)执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时，执行本发明实施例公开的方法中限定的上述功能。上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
本发明首先建立故障分析库。故障分析案例把关键点和重要元数据信息按预定格式输入，故障分析库，逐渐形成故障大数据。根据先验经验把故障分析的输入输出流过程和功能模块分层，当故障发生时程序根据故障库学习信息，把故障相关的数据，尤其是模块之间交互和流程接口数据信息实时抓取，避免关键信息丢失，并生成故障发生的初始报告。随着故障数据的增加，基于大数据进行学习，故障报告逐渐提高准确性，为研发人员分析问题提供参考，同时研发人员的故障分析过程再输入故障库，分析算法进行修正，提高故障自动分析的报告的准确性。
具体来说，本发明首先建立故障分析库和故障分层模型，然后使用故障分析算法学习，并将故障发生时记录相关位置实时信息保存，基于其自动分析故障，生成故障预测报告。研发人员根据故障发生实时记录信息、参考故障预测报告分析故障，并将故障分析结果输入故障分析库，校正自动分析结果。
从上述实施例可以看出，本发明实施例提供的基于大数据的存储故障分析方法，通过基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用数据集训练故障模型；响应于发生新的存储故障而采集存储故障信息并使用故障模型为新的存储故障生成初步分析；基于存储故障信息并参考初步分析执行人工分析生成分析报告，并反馈到故障模型以进一步训练故障模型的技术方案，能够提高存储故障分析时效性、提高分析效率。
需要特别指出的是，上述基于大数据的存储故障分析方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于基于大数据的存储故障分析方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在所述实施例之上。
基于上述目的，本发明实施例的第二个方面，提出了一种能够提高存储故障分析时效性、提高分析效率的存储故障分析装置的一个实施例。基于大数据的存储故障分析装置包括：
构建模块，配置用于基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用数据集训练故障模型；
分析模块，配置用于响应于发生新的存储故障而采集存储故障信息并使用故障模型为新的存储故障生成初步分析；
反馈模块，配置用于基于存储故障信息并参考初步分析执行人工分析以生成分析报告，并将分析报告反馈到故障模型以进一步训练故障模型。
在一些实施方式中，构建模块基于存储故障历史数据和相应的历史分析报告构建数据集包括：获取存储故障历史数据，并对存储故障历史数据和历史分析报告进行特征提取和归一化处理生成训练样本，并基于训练样本的集合构建数据集。
在一些实施方式中，构建模块构建故障模型包括基于深度卷积神经网络构建使用存储故障历史数据的训练样本作为输入、使用历史分析报告的训练样本作为输出的输入-输出映射模型；分析模块采集存储故障信息包括采集发生存储故障的设备中各模块之间的交互信息、和设备的流程接口的数据信息。
在一些实施方式中，反馈模块将分析报告反馈到故障模型以进一步训练故障模型包括：将分析报告和相应的存储故障信息加入数据集并使用数据集重新训练故障模型，其中数据集中的所有训练样本均具有相同的训练权重。
基于上述目的，本发明实施例的第三个方面，提出了一种能够提高存储故障分析时效性、提高分析效率的计算机的一个实施例。计算机包括：
处理器；和
存储器，存储有处理器可运行的程序代码，程序代码在被处理器运行时，执行上述的存储故障分析方法。
从上述实施例可以看出，本发明实施例提供的基于大数据的存储故障分析装置和计算机，通过基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用数据集训练故障模型；响应于发生新的存储故障而采集存储故障信息并使用故障模型为新的存储故障生成初步分析；基于存储故障信息并参考初步分析执行人工分析以生成分析报告，并将分析报告反馈到故障模型以进一步训练故障模型的技术方案，能够提高存储故障分析时效性、提高分析效率。
需要特别指出的是，上述基于大数据的存储故障分析装置和计算机的实施例采用了所述基于大数据的存储故障分析方法的实施例来具体说明各模块的工作过程，本领域技术人员能够很容易想到，将这些模块应用到所述基于大数据的存储故障分析方法的其他实施例中。当然，由于所述基于大数据的存储故障分析方法实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于所述基于大数据的存储故障分析装置和计算机也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在所述实施例之上。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种基于大数据的存储故障分析方法，其特征在于，包括执行以下步骤：
基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用所述数据集训练所述故障模型；
响应于发生新的存储故障而采集存储故障信息并使用所述故障模型为所述新的存储故障生成初步分析；
基于所述存储故障信息并参考所述初步分析执行人工分析以生成分析报告，并将所述分析报告反馈到所述故障模型以进一步训练所述故障模型。
2.根据权利要求1所述的方法，其特征在于，基于存储故障历史数据和相应的历史分析报告构建数据集包括：
获取所述存储故障历史数据，并对所述存储故障历史数据和所述历史分析报告进行特征提取和归一化处理生成训练样本，并基于所述训练样本的集合构建所述数据集。
3.根据权利要求1所述的方法，其特征在于，构建所述故障模型包括：基于深度卷积神经网络构建使用所述存储故障历史数据的训练样本作为输入、使用所述历史分析报告的训练样本作为输出的输入-输出映射模型。
4.根据权利要求1所述的方法，其特征在于，采集所述存储故障信息：包括采集发生存储故障的设备中各模块之间的交互信息、和设备的流程接口的数据信息。
5.根据权利要求1所述的方法，其特征在于，将所述分析报告反馈到所述故障模型以进一步训练所述故障模型包括：
将所述分析报告和相应的所述存储故障信息加入所述数据集并使用所述数据集重新训练所述故障模型，其中所述数据集中的所有训练样本均具有相同的训练权重。
6.一种基于大数据的存储故障分析装置，其特征在于，包括：
构建模块，配置用于基于存储故障历史数据和相应的历史分析报告构建数据集，并构建故障模型以使用所述数据集训练所述故障模型；
分析模块，配置用于响应于发生新的存储故障而采集存储故障信息并使用所述故障模型为所述新的存储故障生成初步分析；
反馈模块，配置用于基于所述存储故障信息并参考所述初步分析执行人工分析以生成分析报告，并将所述分析报告反馈到所述故障模型以进一步训练所述故障模型。
7.根据权利要求6所述的装置，其特征在于，所述构建模块基于存储故障历史数据和相应的历史分析报告构建数据集包括：
获取所述存储故障历史数据，并对所述存储故障历史数据和所述历史分析报告进行特征提取和归一化处理生成训练样本，并基于所述训练样本的集合构建所述数据集。
8.根据权利要求6所述的装置，其特征在于，所述构建模块构建所述故障模型包括：基于深度卷积神经网络构建使用所述存储故障历史数据的训练样本作为输入、使用所述历史分析报告的训练样本作为输出的输入-输出映射模型；
所述分析模块采集所述存储故障信息包括：采集发生存储故障的设备中各模块之间的交互信息、和设备的流程接口的数据信息。
9.根据权利要求6所述的装置，其特征在于，所述反馈模块将所述分析报告反馈到所述故障模型以进一步训练所述故障模型包括：
将所述分析报告和相应的所述存储故障信息加入所述数据集并使用所述数据集重新训练所述故障模型，其中所述数据集中的所有训练样本均具有相同的训练权重。
10.一种计算机，其特征在于，包括：
处理器；和
存储器，存储有所述处理器可运行的程序代码，所述程序代码在被所述处理器运行时，执行如权利要求1-5中任意一项所述的存储故障分析方法。
CN201911385858.3A 2019-12-29 2019-12-29 一种基于大数据的存储故障分析方法与装置 Withdrawn CN111078457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911385858.3A CN111078457A (zh) 2019-12-29 2019-12-29 一种基于大数据的存储故障分析方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911385858.3A CN111078457A (zh) 2019-12-29 2019-12-29 一种基于大数据的存储故障分析方法与装置

Publications (1)

Publication Number Publication Date
CN111078457A true CN111078457A (zh) 2020-04-28

Family

ID=70319175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911385858.3A Withdrawn CN111078457A (zh) 2019-12-29 2019-12-29 一种基于大数据的存储故障分析方法与装置

Country Status (1)

Country Link
CN (1) CN111078457A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112511655A (zh) * 2021-02-04 2021-03-16 国能信控互联技术有限公司 一种融合物联网技术的智慧安全用电监控系统
CN112988918A (zh) * 2021-04-06 2021-06-18 中车青岛四方机车车辆股份有限公司 一种轴承故障字典构建方法、分析方法及系统
CN113625099A (zh) * 2021-06-22 2021-11-09 国网辽宁省电力有限公司大连供电公司 配电网故障区段分层定位方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112511655A (zh) * 2021-02-04 2021-03-16 国能信控互联技术有限公司 一种融合物联网技术的智慧安全用电监控系统
CN112988918A (zh) * 2021-04-06 2021-06-18 中车青岛四方机车车辆股份有限公司 一种轴承故障字典构建方法、分析方法及系统
CN112988918B (zh) * 2021-04-06 2022-10-21 中车青岛四方机车车辆股份有限公司 一种轴承故障字典构建方法、分析方法及系统
CN113625099A (zh) * 2021-06-22 2021-11-09 国网辽宁省电力有限公司大连供电公司 配电网故障区段分层定位方法
CN113625099B (zh) * 2021-06-22 2024-04-12 国网辽宁省电力有限公司大连供电公司 配电网故障区段分层定位方法

Similar Documents

Publication Publication Date Title
CN109501834B (zh) 一种道岔转辙机故障预测方法及装置
CN112395170A (zh) 智能故障分析方法、装置、设备及存储介质
CN111078457A (zh) 一种基于大数据的存储故障分析方法与装置
CN111027615B (zh) 基于机器学习的中间件故障预警方法和系统
CN110175085B (zh) 一种利用图分析的Hadoop系统异常原因诊断方法及装置
CN116739829B (zh) 一种基于大数据的电力数据分析方法、系统及介质
CN112506750A (zh) 一种用于海量日志分析预警的大数据处理系统
CN114418146A (zh) 基于规则引擎的机电设备故障诊断方法、系统及终端
CN117331730A (zh) 故障诊断方法、装置、电子设备及存储介质
US11887465B2 (en) Methods, systems, and computer programs for alarm handling
CN114238474A (zh) 基于排水系统的数据处理方法、装置、设备及存储介质
CN117591594A (zh) 一种站控层监控信息表规范化审查及比对校验方法及工具
CN117909864A (zh) 一种电力故障预测系统及方法
US20230376758A1 (en) Multi-modality root cause localization engine
CN111190944A (zh) 一种数据挖掘方法和系统
CN107688619A (zh) 一种日志数据处理方法及装置
CN111522705A (zh) 一种工业大数据智能运维解决方法
CN114465875A (zh) 故障处理方法及装置
CN114610590A (zh) 作业运行时长确定方法、装置、设备及存储介质
CN113591909A (zh) 电力系统的异常检测方法、异常检测装置以及存储介质
CN114245895A (zh) 为至少两个日志文件生成一致表示的方法
CN118094352A (zh) 设备的故障类型的确定方法、装置、存储介质及电子设备
CN115905372B (zh) 一种用于核电配电柜的抗震结构分析方法及系统
WO2023100242A1 (ja) 障害情報推定装置、障害情報推定方法、および障害情報推定プログラム
US20220414424A1 (en) Command generation apparatus, command generation method and program

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200428