CN113138875B - 一种故障检测方法、终端以及计算机存储介质 - Google Patents

一种故障检测方法、终端以及计算机存储介质 Download PDF

Info

Publication number
CN113138875B
CN113138875B CN202110434674.2A CN202110434674A CN113138875B CN 113138875 B CN113138875 B CN 113138875B CN 202110434674 A CN202110434674 A CN 202110434674A CN 113138875 B CN113138875 B CN 113138875B
Authority
CN
China
Prior art keywords
data
equipment
devices
model
clustering
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.)
Active
Application number
CN202110434674.2A
Other languages
English (en)
Other versions
CN113138875A (zh
Inventor
尹继圣
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.)
Shenzhen Ganzhen Intelligent Co ltd
Original Assignee
Shenzhen Ganzhen Intelligent 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 Shenzhen Ganzhen Intelligent Co ltd filed Critical Shenzhen Ganzhen Intelligent Co ltd
Priority to CN202110434674.2A priority Critical patent/CN113138875B/zh
Publication of CN113138875A publication Critical patent/CN113138875A/zh
Application granted granted Critical
Publication of CN113138875B publication Critical patent/CN113138875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明实施例提出了一种故障检测方法、终端以及计算机存储介质，该方法包括：获取多个设备的状态数据；对所述状态数据进行处理，得到训练数据；基于所述训练数据以及非监督学习算法得到设备故障预测模型；当获取到待预测设备的最新数据时，将所述最新数据导入所述设备故障预测模型进行预测；当预测结果确定所述待预测设备为危险设备时，对所述待预测设备进行标记。根据若干设备状态指标来对设备进行聚类，并获得非监督模型。得到非监督模型后，在新的设备数据集中运用模型，通过模型可以根据设备状态指标定位高危设备，解决了现有技术中的问题。

Description

一种故障检测方法、终端以及计算机存储介质
技术领域
本发明涉及故障检测技术领域，特别涉及一种故障检测方法、终端以及计算机存储介质。
背景技术
智能电子设备可能会在使用过程中出现各种各样的故障，比如软件方面的代码bug、硬件方面的元件损坏、环境引起的网络故障等。故障诊断需要专家来进行，但排查之前往往需要复现问题，这需要花费很多时间，为此，希望通过一些指标的预测，可以帮专家排除一些故障原因。且也希望在设备出现故障之前能获得一些预警，这样就能提前采取一些措施。
但是设备故障预测是很困难的，因为智能电子设备设计比较复杂，而可能出现的故障类型又多种多样。定位问题往往需要上传日志来获取出故障前的信息，但是这涉及繁重的人力工作，出现问题后需要想办法复现问题，这往往是非常困难的，尤其是硬件和资源不足相关的问题。而在用户家里出现问题的设备，则更难以复现问题。
现有的设备故障预测的方法，除了使用硬性指标进行检测外，大多使用监督学习方法来对训练集数据进行训练，获得模型后再对新的数据进行预测。具体的，1.通过设置硬性指标检测，比如当cpu温度超过90度时视作危险状态，并开始降频；2.通过监督学习获得模型后进行预测；
如果使用硬性指标来预测高危设备，则涉及到很多规则的设计，但因素很多的时候就难以人为去建立合适的规则了。
至于现有的监督学习技术预测设备故障，虽然算法很成熟，但是无法应对很多难以收集监督数据的场景，首先想得到有标记的数据就需要建立一个系统，由专家定位问题并给出详细的设备指标数据，然后慢慢增加这个系统的数据，这个过程需要持续很久；此外因为本方案的智能电子设备运行的环境是在用户家中，实验室环境的数据不一定能反应用户家中的情况(尤其是环境导致的故障).这都给监督学习方法的使用带来困难。
发明内容
有鉴于此，本发明提出了涉及一种故障检测方法、终端以及计算机存储介质。根据若干设备状态指标来对设备进行聚类，并获得非监督模型。得到非监督模型后，在新的设备数据集中运用模型，通过模型可以根据设备状态指标定位高危设备，解决了现有技术中的问题。
具体的，本发明提出了以下具体的实施例：
本发明实施例提出了一种故障检测方法，包括：
获取多个设备的状态数据；
对所述状态数据进行处理，得到训练数据；
基于所述训练数据以及非监督学习算法得到设备故障预测模型；
当获取到待预测设备的最新数据时，将所述最新数据导入所述设备故障预测模型进行预测；
当预测结果确定所述待预测设备为危险设备时，对所述待预测设备进行标记。
在一个具体的实施例中，所述设备和/或所述待预测设备为：家庭环境下的安卓设备。
在一个具体的实施例中，所述“获取多个设备的状态数据”，包括：
通过kafka和大数据系统持续收集多个设备的状态信息。
在一个具体的实施例中，所述“获取多个设备的状态数据”，包括：
获取多个设备在预设时间段内所有上报的状态数据；其中，预设时间段对应当前之前的预设时间。
在一个具体的实施例中，不同所述设备的所述状态信息通过不同的标识进行标记；同一所述设备下不同时间的所述状态信息通过产生的时间戳进行标记；
所述状态数据包括以下一个或多个指标：所述设备的所述状态信息cpu温度、cpu使用率、ram占用率、storage占用率、网速、流量、分辨率、wifi信号强度、蓝牙信号强度、活跃度、是否处在待机状态。
在一个具体的实施例中，所述处理包括以下一个或多个的任意组合：数据整理、数据清洗。
在一个具体的实施例中，不同所述设备的状态数据分散在不同的表中，所述数据整理为将分散在不同表中的状态数据汇总到一个总表中；
所述数据清洗是通过spark或hive来进行的。
在一个具体的实施例中，所述训练数据中包括多个与故障相关的feature；所述feature是通过kmeans聚类算法及Silhouette Coefficient和Calinski-Harabasz Index性能评估方法进行选择得到的。
得到聚类所需要的feature后，利用局域密度方法进行聚类并设定阈值，从而获得非监督学习模型；将所述非监督学习模型用于新产生的数据并识别得到存在故障的危险设备，对所得到的危险设备进行标记。
本发明实施例还提出了一种终端，包括处理器，所述处理器用于执行上述的方法。
本发明实施例还提出了计算机存储介质，所述计算机存储介质中存储有用于执行上述的方法的程序。
以此，本发明实施例提出了一种故障检测方法、终端以及计算机存储介质，该方法包括：获取多个设备的状态数据；对所述状态数据进行处理，得到训练数据；基于所述训练数据以及非监督学习算法得到设备故障预测模型；当获取到待预测设备的最新数据时，将所述最新数据导入所述设备故障预测模型进行预测；当预测结果确定所述待预测设备为危险设备时，对所述待预测设备进行标记。根据若干设备状态指标来对设备进行聚类，并获得非监督模型。得到非监督模型后，在新的设备数据集中运用模型，通过模型可以根据设备状态指标定位高危设备，解决了现有技术中的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提出的一种故障检测方法的流程示意图；
图2为本发明实施例提出的一种故障检测方法的示意图；
图3为本发明实施例提出的一种故障检测方法中费监督学习的示意图。
具体实施方式
在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本公开的各种实施例中被清楚地限定。
实施例1
本发明实施例1公开了一种故障检测方法，如图1或2所示，包括以下步骤：
步骤101、获取多个设备的状态数据；
步骤102、对所述状态数据进行处理，得到训练数据；
步骤103、基于所述训练数据以及非监督学习算法得到设备故障预测模型；
步骤104、当获取到待预测设备的最新数据时，将所述最新数据导入所述设备故障预测模型进行预测；
步骤105、当预测结果确定所述待预测设备为危险设备时，对所述待预测设备进行标记。
具体的，所述设备和/或所述待预测设备为：家庭环境下的安卓设备。
在一个具体的实施例中，步骤101中的所述“获取多个设备的状态数据”，包括：
通过kafka和大数据系统持续收集多个设备的状态信息。
具体的，kafka和大数据系统来收集安装在用户家里的安卓设备的状态信息，收集和入库的操作是随着时间持续进行的，新数据会源源不断涌入。每一条数据是由某一个设备上报的，包含若干个指标，将这些信息存储在多个表中。由于任何一台设备的数据都是源源不断产生的，用时间戳将一台设备上报的数据进行区分，用sn号区分不同的设备，用不同的字段(cpu Usage等)区分设备上报的具体指标。
在一个具体的实施例中，所述“获取多个设备的状态数据”，包括：
获取多个设备在预设时间段内所有上报的状态数据；其中，预设时间段对应当前之前的预设时间。
因为建立模型使用的是历史数据，但新数据又在源源不断产生，所以模型需要根据一个时间窗口来更新。此外，每一台设备都在源源不断创造数据，而设备状态信息又是随时波动的，比如CPU温度就是一个非常不稳定的参量，随着使用强度而剧烈变化。本方案的做法是把每个设备每次上报的数据都当作一个独立的条目，例如可以将计算过去3天内的所有上报数据(实际每台设备每十分钟上报一次数据)，这样本方案获得了足够的训练数据集。以后随着时间推移，会持续这个过程，每次将时间窗口推移，只计算过去三天的历史上报数据。
在一个具体的实施例中，不同所述设备的所述状态信息通过不同的标识进行标记；同一所述设备下不同时间的所述状态信息通过产生的时间戳进行标记；
所述状态数据包括以下一个或多个指标：所述设备的所述状态信息cpu温度、cpu使用率、ram占用率、storage占用率、网速、流量、分辨率、wifi信号强度、蓝牙信号强度、活跃度、是否处在待机状态。
为了预测设备的故障情况，需要找到与设备产生故障相关的指标，因此主要关心的是设备的状态信息，根据之前对设备的了解，基本的统计维度包括：
cpu温度、cpu使用率、ram占用率、storage占用率、网速、流量、分辨率、wifi信号强度、蓝牙信号强度、活跃度、是否处在待机状态等。
除了设备的状态信息，一些设备的metadata也是需要关注的，比如设备的硬件型号、ram的总容量等。不同型号的设备使用完全不同的feature空间。
在一个具体的实施例中，如图3所示，所述处理包括以下一个或多个的任意组合：数据整理、数据清洗。
不同所述设备的状态数据分散在不同的表中，所述数据整理为将分散在不同表中的状态数据汇总到一个总表中；
所述数据清洗是通过spark或hive来进行的。
所述训练数据中包括多个与故障相关的feature；所述feature是通过kmeans聚类算法及Silhouette Coefficient和Calinski-Harabasz Index性能评估方法进行选择得到的。
最初收集来的数据多且杂乱，需要整理后才能使用。
首先将需要的分散在不同表中的数据进行join，然后单独放到一个表中。
收集来的数据有一些是不合理的数值，比如包含null值的指标项目、超出实际取值范围的指标项目。所以除了汇总数据条目，还会对数据进行初步清洗。由于数据量很大，直接使用单机的程序去执行任务会比较慢，所以这一步会使用spark或hive进行操作，以得到较少量的数据，经过精简后的数据可以跑在单机上，而不需要专门开发依赖集群的程序算法。
因为本方案最终是根据异类来确定高危设备的，所以所选的feature一定要能足够贴切地反映设备的出错情况。也就是说，feature与故障之间存在强关联性。
最初尽可能选择多一些的feature，之后根据非监督学习的性能来增删。本方案通过kmeans聚类算法及Silhouette Coefficient和Calinski-Harabasz Index两种性能评估方法来选择合适feature；
在本方案的聚类算法中，每个设备在feature形成的空间中为一个点，成千上万个设备点在多维空间中会形成一个分布，聚类算法的目的是将这些点分为几个明显的聚集区域。聚集在一起的点，表明彼此之间是相似的，可以由中心点来代表；两个点的距离表示它们的相似度，距离越大相似度越小。如果点集具有良好聚类特性，则表明这些点可以被分为几个不相交的簇，有了这样的分类，本方案就能检测异类点。相反如果聚类效果很差，则说明点集大多比较分散，这样也就不容易找到异类点了。
本方案的目标是：
1.对所有设备的历史数据进行聚类，尽可能获得清晰聚类效果，这样就能高效筛选异类点(outlier)
2.对单设备的历史数据进行聚类分析，尽可能得到好的聚类效果。
所以本方案会对所有设备的所有信息进行聚类和性能分析，同时对单设备的七天历史数据进行聚类分析。实际算法中，本方案使用GridSearch方法，结合SilhouetteCoefficient和Calinski-Harabasz Index两种性能检测方法，从而选择出合适的聚类数目；本方案通过调整不同的feature列表，查看聚类的效果是否有改善。
本方案使用基于局域密度的算法来对设备聚类，并假设当前数据集中存在若干比例(比如本方案希望是千分之一)的异类(outlier)设备，这是一个人工设定的阈值。这样本方案就会得到一个带有阈值的模型，由于新产生的数据和之前的数据是相似的，所以应用模型的时候也就有大约有千分之一的设备会被本方案当作异类。
将这个模型运用在当天产生的数据集上，本方案就会找到异类(novelty)设备，并标记这些设备、上传日志，供后续专家的回溯分析使用。
实施例2
本发明实施例2还公开了了一种终端，包括处理器，所述处理器用于执行实施例1中所述的方法。
具体的，本发明实施例2还公开有其他相关的特征，具体的相关的特征请参见实施例1中的记载，在此不再进行赘述。
实施例3
本发明实施例3还公开了计算机存储介质，所述计算机存储介质中存储有用于执行实施例1中所述的方法的程序。
具体的，本发明实施例3还公开有其他相关的特征，具体的相关的特征请参见实施例1中的记载，在此不再进行赘述。
以此，本发明实施例提出了一种故障检测方法、终端以及计算机存储介质，该方法包括：获取多个设备的状态数据；对所述状态数据进行处理，得到训练数据；基于所述训练数据以及非监督学习算法得到设备故障预测模型；当获取到待预测设备的最新数据时，将所述最新数据导入所述设备故障预测模型进行预测；当预测结果确定所述待预测设备为危险设备时，对所述待预测设备进行标记。根据若干设备状态指标来对设备进行聚类，并获得非监督模型。得到非监督模型后，在新的设备数据集中运用模型，通过模型可以根据设备状态指标定位高危设备，解决了现有技术中的问题。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (9)

1.一种故障检测方法，其特征在于，包括：
持续获取处于家庭环境下的多个设备的状态数据，所述状态数据包括以下一个或多个指标：cpu温度、cpu使用率、ram占用率、storage占用率、网速、流量、分辨率、wifi信号强度、蓝牙信号强度、活跃度、是否处在待机状态；
对所述状态数据进行处理，得到训练数据，所述训练数据中包括多个与故障相关的feature；
基于所述训练数据以及非监督学习算法得到设备故障预测模型；得到feature后，利用局域密度方法进行聚类并设定阈值，从而获得非监督学习模型，所述非监督学习模型用于新产生的数据并识别得到存在故障的危险设备，对所得到的危险设备进行标记；
当获取到待预测设备的最新数据时，将所述最新数据导入所述设备故障预测模型进行预测；
设备之前的数据构成历史数据；对所有设备的历史数据统一进行聚类，同时对每个设备的历史数据分别进行聚类分析，并通过调整不同的feature列表，查看聚类的效果是否有改善；其中，使用基于局域密度的算法来对设备聚类，并假设当前数据集中存在预设阈值比例的异类(outlier)设备；得到一个带有阈值比例的模型，由于新产生的数据和之前的数据是相似的，所以应用模型的时候也就有预设阈值比例的设备会被当作异类；将该模型运用在当天产生的数据集上，就会找到异类设备，通过标记这些异类设备并上传日志，供后续的回溯分析使；根据异类设备分析危险设备；
当预测结果确定所述待预测设备为危险设备时，对所述待预测设备进行标记。
2.如权利要求1所述的方法，其特征在于，通过kafka和大数据系统持续收集多个设备的状态信息。
3.如权利要求1所述的方法，其特征在于，获取多个设备在预设时间段内所有上报的状态数据；其中，预设时间段对应当前之前的预设时间。
4.如权利要求1所述的方法，其特征在于，不同所述设备的状态信息通过不同的标识进行标记；同一所述设备下不同时间的所述状态信息通过产生的时间戳进行标记。
5.如权利要求1所述的方法，其特征在于，所述处理包括以下一个或多个的任意组合：数据整理、数据清洗。
6.如权利要求5所述的方法，其特征在于，不同所述设备的状态数据分散在不同的表中，所述数据整理为将分散在不同表中的状态数据汇总到一个总表中；
所述数据清洗是通过spark或hive来进行的。
7.如权利要求1所述的方法，其特征在于，所述feature是通过kmeans聚类算法及Silhouette Coefficient和Calinski-Harabasz Index性能评估方法进行选择得到的。
8.一种终端，其特征在于，包括处理器，所述处理器用于执行权利要求1-7任一项所述的方法。
9.计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行权利要求1-7任一项所述的方法的程序。
CN202110434674.2A 2021-04-22 2021-04-22 一种故障检测方法、终端以及计算机存储介质 Active CN113138875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110434674.2A CN113138875B (zh) 2021-04-22 2021-04-22 一种故障检测方法、终端以及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110434674.2A CN113138875B (zh) 2021-04-22 2021-04-22 一种故障检测方法、终端以及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113138875A CN113138875A (zh) 2021-07-20
CN113138875B true CN113138875B (zh) 2022-12-06

Family

ID=76813275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110434674.2A Active CN113138875B (zh) 2021-04-22 2021-04-22 一种故障检测方法、终端以及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113138875B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678004A (zh) * 2013-12-19 2014-03-26 南京大学 一种基于非监督特征学习的主机负载预测方法
US9516053B1 (en) * 2015-08-31 2016-12-06 Splunk Inc. Network security threat detection by user/user-entity behavioral analysis
CN108200005A (zh) * 2017-09-14 2018-06-22 国网浙江省电力公司宁波供电公司 基于非监督学习的电力二次系统网络流量异常检测方法
CN110348480A (zh) * 2019-06-05 2019-10-18 杭州立宸科技有限公司 一种非监督异常数据检测算法
CN110888788A (zh) * 2019-10-16 2020-03-17 平安科技（深圳）有限公司 异常检测方法、装置、计算机设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203519A (zh) * 2016-07-17 2016-12-07 合肥赑歌数据科技有限公司 基于分类聚类的故障预警算法
JP6568167B2 (ja) * 2017-08-25 2019-08-28 ファナック株式会社 異常検知装置及び機械学習装置
US11204847B2 (en) * 2018-12-21 2021-12-21 Microsoft Technology Licensing, Llc Machine learning model monitoring
CN112418065A (zh) * 2020-11-19 2021-02-26 上海至数企业发展有限公司 设备运行状态识别方法、装置、设备及存储介质
CN113157400B (zh) * 2021-05-17 2022-11-22 北京冲量在线科技有限公司 基于x86计算芯片的多方非监督学习联合建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678004A (zh) * 2013-12-19 2014-03-26 南京大学 一种基于非监督特征学习的主机负载预测方法
US9516053B1 (en) * 2015-08-31 2016-12-06 Splunk Inc. Network security threat detection by user/user-entity behavioral analysis
CN108200005A (zh) * 2017-09-14 2018-06-22 国网浙江省电力公司宁波供电公司 基于非监督学习的电力二次系统网络流量异常检测方法
CN110348480A (zh) * 2019-06-05 2019-10-18 杭州立宸科技有限公司 一种非监督异常数据检测算法
CN110888788A (zh) * 2019-10-16 2020-03-17 平安科技（深圳）有限公司 异常检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN113138875A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN108415789B (zh) 面向大规模混合异构存储系统的节点故障预测系统及方法
CN110659173B (zh) 一种运维系统及方法
CN112152830A (zh) 一种智能的故障根因分析方法及系统
CN111047082A (zh) 设备的预警方法及装置、存储介质和电子装置
CN111506478A (zh) 基于人工智能实现告警管理控制的方法
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN112769605B (zh) 一种异构多云的运维管理方法及混合云平台
CN109753591A (zh) 业务流程预测性监控方法
CN114267178B (zh) 一种车站的智能运营维护方法及装置
US20230034061A1 (en) Method for managing proper operation of base station and system applying the method
CN113778766B (zh) 基于多维特征的硬盘故障预测模型建立方法及其应用
CN112949874A (zh) 一种配电终端缺陷特征自诊断方法及系统
CN111176953A (zh) 一种异常检测及其模型训练方法、计算机设备和存储介质
CN117041029A (zh) 网络设备故障处理方法、装置、电子设备及存储介质
CN110580492A (zh) 一种基于小幅波动检测的轨道电路故障前兆发现方法
CN111756560A (zh) 一种数据处理方法、装置及存储介质
CN117041312A (zh) 基于物联网的企业级信息技术监控系统
CN117113135A (zh) 一种可对异常数据整理分类的碳排放异常监测分析系统
CN117792864A (zh) 一种告警处理方法、装置、存储介质及电子装置
CN114548493A (zh) 一种电能表电流过载预测方法与系统
CN113138875B (zh) 一种故障检测方法、终端以及计算机存储介质
CN110609761B (zh) 确定故障源的方法、装置、存储介质和电子设备
CN117632552A (zh) 一种实时预测存储节点故障装置
CN115686381B (zh) 存储集群运行状态的预测方法及装置
CN117200449A (zh) 一种基于多维算法分析的电网监测管理方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000 D401, productivity building, No. 5, Gaoxin middle 2nd Road, Science Park community, Yuehai street, Nanshan District, Shenzhen, Guangdong

Applicant after: Shenzhen ganzhen intelligent Co.,Ltd.

Address before: 518000 Room 501, building a, productivity building, No.5, Gaoxin middle 2nd Road, science and Technology Park, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: 8D TECHNOLOGY Ltd.

GR01 Patent grant
GR01 Patent grant