CN113282000A - 数据中心的故障诊断方法、装置及动环监控系统 - Google Patents
数据中心的故障诊断方法、装置及动环监控系统 Download PDFInfo
- Publication number
- CN113282000A CN113282000A CN202110481160.2A CN202110481160A CN113282000A CN 113282000 A CN113282000 A CN 113282000A CN 202110481160 A CN202110481160 A CN 202110481160A CN 113282000 A CN113282000 A CN 113282000A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- fault diagnosis
- data
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 160
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 132
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims description 16
- 208000024891 symptom Diseases 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 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
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明适用于机房管理技术领域，提供了一种数据中心的故障诊断方法、装置及动环监控系统，该方法包括：采用专家经验系统对数据中心运行数据组进行故障诊断，得到运行数据组对应的故障诊断数据；将运行数据组和对应的故障诊断数据作为训练样本训练神经网络模型；若神经网络模型满足目标预设条件，则确定神经网络模型训练完成；采用专家经验系统和第一神经网络模型对后续运行数据组进行故障诊断，或仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。本申请通过专家经验系统对神经网络模型进行训练，不仅能够提高数据中心的故障诊断效率，还能够在神经网络模型训练完成后通过双路诊断系统提高数据中心的故障诊断准确性。
Description
技术领域
本发明属于机房管理技术领域，尤其涉及一种数据中心的故障诊断方法、装置及动环监控系统。
背景技术
数据中心机房是当前信息化社会的智能中枢，其重要性不言而喻。
目前，现有技术中通常采用动环监控系统对数据中心进行故障监测，但是，现有技术中动环监控系统在检测到故障数据时，通常是将故障数据通知运维人员，然后通过运维人员根据故障数据进行故障诱因排查，有时甚至需要到现场进行勘察和确认，该方法不仅效率低下，而且需要耗费大量人力物力。
发明内容
有鉴于此，本发明实施例提供了一种数据中心的故障诊断方法、装置及动环监控系统，以解决现有技术中数据中心故障诊断效率低下的问题。
本发明实施例的第一方面提供了一种数据中心的故障诊断方法，包括：
获取数据中心中被监控设备的运行数据组；所述运行数据组包括至少一个运行数据；
采用专家经验系统对所述运行数据组进行故障诊断，得到所述运行数据组对应的故障诊断数据；
将所述运行数据组和对应的故障诊断数据作为训练样本训练所述神经网络模型；若所述神经网络模型满足目标预设条件，则确定所述神经网络模型训练完成，并将训练完成的神经网络模型作为第一神经网络模型；
采用所述专家经验系统和所述第一神经网络模型对后续运行数据组进行故障诊断，或仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。
本发明实施例的第二方面提供了一种数据中心的故障诊断装置，包括：
数据获取模块，用于获取数据中心中被监控设备的运行数据组；所述运行数据组包括至少一个运行数据；
专家经验诊断模块，用于采用专家经验系统对所述运行数据组进行故障诊断，得到所述运行数据组对应的故障诊断数据；
模型训练模块，用于将所述运行数据组和对应的故障诊断数据作为训练样本训练所述神经网络模型；若所述神经网络模型满足目标预设条件，则确定所述神经网络模型训练完成，并将训练完成的神经网络模型作为第一神经网络模型；
故障诊断模块，用于采用所述专家经验系统和所述第一神经网络模型对后续运行数据组进行故障诊断，或仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。
本发明实施例的第三方面提供了一种动环监控系统，包括存储器、处理器以及存储在所述存储器中并可在所述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如上所述数据中心的故障诊断方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本实施例首先采用专家经验系统对数据中心运行数据组进行故障诊断，得到运行数据组对应的故障诊断数据；将运行数据组和对应的故障诊断数据作为训练样本训练神经网络模型；若神经网络模型满足目标预设条件，则确定神经网络模型训练完成，并将训练完成的神经网络模型作为第一神经网络模型；采用专家经验系统和第一神经网络模型对后续运行数据组进行故障诊断，或仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。本申请通过专家经验系统对神经网络模型进行训练，不仅能够提高数据中心的故障诊断效率，还能够在神经网络模型训练完成后通过双路诊断系统提高数据中心的故障诊断准确性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的数据中心的故障诊断方法的流程示意图；
图2是本发明实施例提供的数据中心的故障诊断装置的结构示意图；
图3是本发明实施例提供的动环监控系统的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
在一个实施例中，本实施例的执行主体为动环监控系统，且动环监控系统与数据中心的中央控制器通信连接。
如图1所示，图1示出了一种数据中心的故障诊断方法的实现流程，其过程详述如下：
S101：获取数据中心中被监控设备的运行数据组；所述运行数据组包括至少一个运行数据。
本实施例的执行主体可以为动环监控系统，也可以为其他终端设备。以下以动环监控系统为执行主体对本实施例提供的方法进行详述。
在本实施例中，动环监控系统可以通过智能巡检机器人获取数据中心中被监控设备的运行数据，也可以通过采集器获取被监控设备的运行数据。运行数据组的运行数据可以包括但不限于数据中心中各个设备监测点的温度、湿度和IT负载情况。一个运行数据组中的运行数据具有关联性，例如，可以为同一被监控设备的多种运行数据，也可以为同一类故障类型相关的多种数据。
S102：采用专家经验系统对所述运行数据组进行故障诊断，得到所述运行数据组对应的故障诊断数据。
在本实施例中，可以采用专家经验系统实时获取数据中心当前时刻的运行数据组，故障诊断数据包括故障症状、故障诱因和故障解决方案。专家经验系统的故障诊断库中存储有各个运行数据的阈值范围、故障症状、故障诱因和故障解决方案的对应关系，采用专家经验系统中该对应关系能够高效准确的确定运行数据组对应的故障诊断数据。
S103：将所述运行数据组和对应的故障诊断数据作为训练样本训练所述神经网络模型；若所述神经网络模型满足目标预设条件，则确定所述神经网络模型训练完成，并将训练完成的神经网络模型作为第一神经网络模型。
在本实施例中，神经网络模型可以为深度学习神经网络模型。
具体地，本实施例首先采用专家经验系统对运行数据组进行分析，确定故障诊断数据，然后将运行数据组和对应的诊断结果作为在线训练样本导入到神经网络学习数据库中，从而在通过专家经验系统进行故障诊断的同时实现神经网络模型的在线学习。
S104：采用所述专家经验系统和所述第一神经网络模型对后续运行数据组进行故障诊断，或仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。
在本实施例中，在神经网络模型完成训练后，则可以将第一神经网络模型投入故障诊断流程中，并在后续再获取到故障数据时，通过神经网络模型和专家经验系统的双路诊断系统进行故障诊断，从而进一步提高智能巡检故障收敛精度。
在采用双路诊断系统进行故障诊断时，其具体过程为：
根据第一神经网络模型确定第一运行数据组对应的故障诊断数据，并将该故障诊断数据作为第一故障诊断数据；所述第一运行数据组为后续运行数据组中的任一运行数据组；根据专家经验系统确定第一运行数据组对应的故障诊断数据，并将该故障诊断数据作为第二故障诊断数据；若第一故障诊断数据与第二故障诊断数据一致，则输出第一故障诊断数据作为第一运行数据组对应的诊断结果；若第一故障诊断数据与第二故障诊断数据不一致，则输出第二故障诊断数据作为所述第一运行数据组对应的诊断结果。
在本实施例中，还可以在神经网络完成训练后，仅采用第一神经网络模型进行后续运行数据组的故障诊断。
从上述实施例可知，本实施例首先采用专家经验系统对数据中心运行数据组进行故障诊断，得到运行数据组对应的故障诊断数据；将运行数据组和对应的故障诊断数据作为训练样本训练神经网络模型；若神经网络模型满足目标预设条件，则确定神经网络模型训练完成，并将训练完成的神经网络模型作为第一神经网络模型；采用专家经验系统和第一神经网络模型对后续运行数据组进行故障诊断，或仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。本申请通过专家经验系统对神经网络模型进行训练，不仅能够提高数据中心的故障诊断效率，还能够在神经网络模型训练完成后通过双路诊断系统提高数据中心的故障诊断准确性。
在一个实施例中，图1中的S103的具体实现流程包括：
若所述神经网络模型的置信度大于第一预设阈值且所述神经网络模型的累计评分满足第一预设条件，则判定所述神经网络模型训练完成。
在一个实施例中，所述方法还包括：
S201：累计所述神经网络模型对已识别的各运行数据组的奖惩分，得到所述神经网络模型的累计评分；所述奖惩分包括奖励分和惩罚分；
S202：所述奖励分为在同一运行数据组对应的第一故障诊断数据与第二故障诊断数据一致时得到的评分；所述第一故障诊断数据为所述专家经验系统识别的第一运行数据组对应的故障诊断数据，所述第二故障诊断数据为所述神经网络模型识别的所述第一运行数据组对应的故障诊断数据；所述第一运行数据组为任一运行数据组。
在一个实施例中，所述第一预设条件包括：所述神经网络模型在当前时刻的累计评分大于预设评分阈值，且以当前时刻为起点，在所述起点后连续预设次获得所述神经网络模型的奖励分。
在本实施例中，若神经网络模型的置信度大于第一预设阈值，则可以停止采用专家经验系统对神经网络模型进行训练，而是采用无故障诊断数据标签的测试样本对神经网络模型进行测试，得到神经网络模型对测试样本的第一故障诊断数据。同时采用专家经验系统对测试样本进行验证，得到第二故障诊断数据，基于第二故障诊断数据验证第一故障诊断数据是否正确，若正确则加分奖励，若错误，则减分惩罚，累计得到第一神经网络模型的累计评分。
当神经网络模型的累计评分达到第一预设条件，则判定神经网络模型训练完成。
在一个实施例中，本实施例提供的数据中心的故障诊断方法还包括：
将所述第一神经网络模型发送至第三方动环监控系统，以使所述第三方动环监控系统采用所述第一神经网络模型进行故障诊断。
在本实施例中，当在动环监控系统中训练得到第一神经网络模型后，可以将第一神经网络模型发送至其他多个动环监控系统中，从而提高所有动环监控系统的故障诊断效率。
在一个实施例中，在采用所述专家经验系统和所述第一神经网络模型对后续运行数据组进行故障诊断之后，本实施例提供的方法还包括：
在所述专家经验系统内部存储的故障诊断库更新时，采用更新后的专家经验系统对所述第一神经网络模型进行再训练。
在本实施例中，运维人员可以基于实际数据中心设备的运行情况更新专家经验系统内部的故障诊断库，当故障诊断库更新时则可以再次启动更新后的专家经验系统对实时的运行数据组进行识别，并采用更新后的专家经验系统对第一神经网络模型进行训练。且在再次训练起始时刻对第一神经网络模型的累计评分清零，在第一神经网络模型再次满足置信度大于第一预设阈值和累计评分满足第一预设条件的要求时，重新启用第一神将网络模型。
在一个实施例中，S104包括：
移除所述专家经验系统，仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。
在本实施例中，为了提高动环监控系统的运行速度，本实施例在对第一神经网络模型训练完成时，可以直接移除专家经验系统，从而提高系统的故障诊断效率。
在一个实施例中，所述故障诊断数据包括故障症状、故障诱因和故障解决方案；本实施例提供的数据中心的故障诊断方法还包括：
根据故障解决方案生成控制指令；
将所述控制指令发送至所述数据中心的中央控制器，所述控制指令用于指示所述中央控制器控制对应的执行机构工作，以消除所述故障诊断数据对应的监测点的故障。
在本实施例中，动环监控系统保存有故障解决方案与控制指令的对应关系。
示例性的，若运行数据组对应的故障诊断数据为温度过高，动环监控系统则发送该诊断结果对应的控制指令至中央控制器，中央控制器根据该控制指令控制温度过高的监测点对应的空调单元增大输出冷量，从而实现数据中心故障的自动修复。
进一步地，在执行机构对发生故障的监测点采取维护动作后，动环监控系统若在后续的数据监测过程中确定该监测点的数据已恢复正常，则发送已修复信息至目标终端，以使目标终端将该监测点对应的故障提示信息标记为已修复。若在之后的预设时间内再次获取到预设次数的该故障点的故障数据，动环监控系统则生成该故障数据对应的重度故障提示信息，并将重度故障提示信息发送至用户终端，以提醒运维人员该故障无法自动修改，使运维人员通过人工排查方式解决该监测点的问题，并在人工解决发生故障的监测点问题后将该故障数据及对应的人工排查诊断结果保存至专家经验系统，从而实现专家经验系统故障诊断库的更新。
具体地，预设时间的长短可以基于故障数据对应监测点的重要等级确定，重要等级越高，预设时间越短。
从上述实施例可知，本实施例采用深度机器学习进行数据中心故障预警和故障诊断分析，使得数据中心故障诊断高度智能化，具备故障快速响应，同时还能够使数据中心运维人员人力成本大大减小，并且本实施例提供的方法可以采用双路诊断系统，能够在确保快速工程应用的同时进行神经网络学习训练工作，具有工程适应能力强的特点。
在一个实施例中，如图2所示，图2示出了本实施例提供的数据中心的故障诊断装置100的结构，其包括：
数据获取模块110，用于获取数据中心中被监控设备的运行数据组；所述运行数据组包括至少一个运行数据；
专家经验诊断模块120，用于采用专家经验系统对所述运行数据组进行故障诊断，得到所述运行数据组对应的故障诊断数据；
模型训练模块130，用于将所述运行数据组和对应的故障诊断数据作为训练样本训练所述神经网络模型；若所述神经网络模型满足目标预设条件，则确定所述神经网络模型训练完成，并将训练完成的神经网络模型作为第一神经网络模型；
故障诊断模块140，用于采用所述专家经验系统和所述第一神经网络模型对后续运行数据组进行故障诊断，或仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。
在一个实施例中，模型训练模块130包括：
若所述神经网络模型的置信度大于第一预设阈值且所述神经网络模型的累计评分满足第一预设条件，则判定所述神经网络模型训练完成。
在一个实施例中，本实施例提供的数据中心的故障诊断装置还包括：
累计评分获取模块，用于累计所述神经网络模型对已识别的各运行数据组的奖惩分，得到所述神经网络模型的累计评分；所述奖惩分包括奖励分和惩罚分；
所述奖励分为在同一运行数据组对应的第一故障诊断数据与第二故障诊断数据一致时得到的评分；所述第一故障诊断数据为所述专家经验系统识别的第一运行数据组对应的故障诊断数据，所述第二故障诊断数据为所述神经网络模型识别的所述第一运行数据组对应的故障诊断数据；所述第一运行数据组为任一运行数据组。
在一个实施例中，所述第一预设条件包括：所述神经网络模型在当前时刻的累计评分大于预设评分阈值，且以当前时刻为起点，在所述起点后连续预设次获得所述神经网络模型的奖励分。
在一个实施例中，数据中心的故障诊断装置还包括：
模型发送模块，用于将所述第一神经网络模型发送至第三方动环监控系统，以使所述第三方动环监控系统采用所述第一神经网络模型进行故障诊断。
在一个实施例中，数据中心的故障诊断装置还包括：
再训练模块，用于在所述专家经验系统内部存储的故障诊断库更新时，采用更新后的专家经验系统对所述第一神经网络模型进行再训练。
在一个实施例中，故障诊断模块140包括：
独立诊断模块，用于移除所述专家经验系统，仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。
在一个实施例中，所述故障诊断数据包括故障症状、故障诱因和故障解决方案；数据中心的故障诊断装置还包括：
控制指令生成模块，用于根据故障解决方案生成控制指令；
故障消除模块，用于将所述控制指令发送至所述数据中心的中央控制器，所述控制指令用于指示所述中央控制器控制对应的执行机构工作，以消除所述故障诊断数据对应的监测点的故障。
图3是本发明一实施例提供的动环监控系统的示意图。如图3所示，该实施例的动环监控系统包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个数据中心的故障诊断方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块110至140的功能。
所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述动环监控系统中的执行过程。
所述动环监控系统可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述动环监控系统可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是动环监控系统的示例，并不构成对动环监控系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述动环监控系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述动环监控系统的内部存储单元，例如动环监控系统的硬盘或内存。所述存储器31也可以是所述动环监控系统的外部存储设备，例如所述动环监控系统上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述动环监控系统的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述动环监控系统所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中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、或者计算机软件和电子硬件的结合来实现。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，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/动环监控系统和方法，可以通过其它的方式实现。例如，以上所描述的装置/动环监控系统实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据中心的故障诊断方法，其特征在于，包括：
获取数据中心中被监控设备的运行数据组；所述运行数据组包括至少一个运行数据；
采用专家经验系统对所述运行数据组进行故障诊断，得到所述运行数据组对应的故障诊断数据；
将所述运行数据组和对应的故障诊断数据作为训练样本训练所述神经网络模型；若所述神经网络模型满足目标预设条件，则确定所述神经网络模型训练完成，并将训练完成的神经网络模型作为第一神经网络模型；
采用所述专家经验系统和所述第一神经网络模型对后续运行数据组进行故障诊断，或仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。
2.如权利要求1所述的数据中心的故障诊断方法，其特征在于，所述若所述神经网络模型满足目标预设条件，则确定所述神经网络模型训练完成，包括：
若所述神经网络模型的置信度大于第一预设阈值且所述神经网络模型的累计评分满足第一预设条件，则判定所述神经网络模型训练完成。
3.如权利要求2所述的数据中心的故障诊断方法，其特征在于，在所述若所述神经网络模型的置信度大于第一预设阈值且所述神经网络模型的累计评分满足第一预设条件之前，所述方法还包括：
累计所述神经网络模型对已识别的各运行数据组的奖惩分，得到所述神经网络模型的累计评分；所述奖惩分包括奖励分和惩罚分；
所述奖励分为在同一运行数据组对应的第一故障诊断数据与第二故障诊断数据一致时得到的评分；所述第一故障诊断数据为所述专家经验系统识别的第一运行数据组对应的故障诊断数据，所述第二故障诊断数据为所述神经网络模型识别的所述第一运行数据组对应的故障诊断数据；所述第一运行数据组为任一运行数据组。
4.如权利要求3所述的数据中心的故障诊断方法，其特征在于，所述第一预设条件包括：所述神经网络模型在当前时刻的累计评分大于预设评分阈值，且以当前时刻为起点，在所述起点后连续预设次获得所述神经网络模型的奖励分。
5.如权利要求1所述的数据中心的故障诊断方法，其特征在于，所述方法还包括：
将所述第一神经网络模型发送至第三方动环监控系统，以使所述第三方动环监控系统采用所述第一神经网络模型进行故障诊断。
6.如权利要求1所述的数据中心的故障诊断方法，其特征在于，在所述采用所述专家经验系统和所述第一神经网络模型对后续运行数据组进行故障诊断之后，所述方法还包括：
在所述专家经验系统内部存储的故障诊断库更新时，采用更新后的专家经验系统对所述第一神经网络模型进行再训练。
7.如权利要求1所述的数据中心的故障诊断方法，其特征在于，所述仅采用所述第一神经网络模型对后续运行数据组进行故障诊断，包括：
移除所述专家经验系统，仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。
8.如权利要求1至7任一项所述的数据中心的故障诊断方法，其特征在于，所述故障诊断数据包括故障症状、故障诱因和故障解决方案；所述方法还包括：
根据故障解决方案生成控制指令；
将所述控制指令发送至所述数据中心的中央控制器，所述控制指令用于指示所述中央控制器控制对应的执行机构工作，以消除所述故障诊断数据对应的监测点的故障。
9.一种数据中心的故障诊断装置，其特征在于，包括：
数据获取模块，用于获取数据中心中被监控设备的运行数据组；所述运行数据组包括至少一个运行数据；
专家经验诊断模块，用于采用专家经验系统对所述运行数据组进行故障诊断，得到所述运行数据组对应的故障诊断数据；
模型训练模块，用于将所述运行数据组和对应的故障诊断数据作为训练样本训练所述神经网络模型；若所述神经网络模型满足目标预设条件，则确定所述神经网络模型训练完成，并将训练完成的神经网络模型作为第一神经网络模型；
故障诊断模块，用于采用所述专家经验系统和所述第一神经网络模型对后续运行数据组进行故障诊断，或仅采用所述第一神经网络模型对后续运行数据组进行故障诊断。
10.一种动环监控系统，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110481160.2A CN113282000A (zh) | 2021-04-30 | 2021-04-30 | 数据中心的故障诊断方法、装置及动环监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110481160.2A CN113282000A (zh) | 2021-04-30 | 2021-04-30 | 数据中心的故障诊断方法、装置及动环监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113282000A true CN113282000A (zh) | 2021-08-20 |
Family
ID=77277856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110481160.2A Pending CN113282000A (zh) | 2021-04-30 | 2021-04-30 | 数据中心的故障诊断方法、装置及动环监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113282000A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037869A (zh) * | 2021-11-08 | 2022-02-11 | 江苏新亚高电压测试设备有限公司 | 一种应用于紫外成像仪的高压设备诊断预警方法及系统 |
| CN114089057A (zh) * | 2021-10-28 | 2022-02-25 | 科华数据股份有限公司 | 供电系统的故障诊断方法及终端 |
| CN114185275A (zh) * | 2021-12-06 | 2022-03-15 | 红云红河烟草(集团)有限责任公司 | 一种设备的故障诊断方法及装置 |
| WO2024087182A1 (zh) * | 2022-10-28 | 2024-05-02 | 西门子股份公司 | 电机的故障诊断方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050021294A1 (en) * | 2003-07-07 | 2005-01-27 | Trsar Dale A. | Distributed expert diagnostic service and system |
| US20050114743A1 (en) * | 2002-07-19 | 2005-05-26 | Moorhouse Timothy J. | Fault diagnosis system |
| US20090285107A1 (en) * | 2008-05-16 | 2009-11-19 | Hitachi, Ltd. | Method and Apparatus for Monitoring a Status of Nodes of a Communication Network |
| CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN107612614A (zh) * | 2017-10-09 | 2018-01-19 | 郑州云海信息技术有限公司 | 一种分布式集装箱数据中心动环监控环网及故障修复方法 |
| CN109309594A (zh) * | 2018-11-27 | 2019-02-05 | 中国联合网络通信集团有限公司 | 通信设备电源故障分析的方法、装置、设备及存储介质 |
| CN111667201A (zh) * | 2020-07-10 | 2020-09-15 | 南通市亿控自动化系统有限公司 | 一种工业互联网智能监控的信息处理方法和装置 |
| US10795364B1 (en) * | 2017-12-29 | 2020-10-06 | Apex Artificial Intelligence Industries, Inc. | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips |
| CN112378660A (zh) * | 2020-10-28 | 2021-02-19 | 西北工业大学 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
-
2021
- 2021-04-30 CN CN202110481160.2A patent/CN113282000A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050114743A1 (en) * | 2002-07-19 | 2005-05-26 | Moorhouse Timothy J. | Fault diagnosis system |
| US20050021294A1 (en) * | 2003-07-07 | 2005-01-27 | Trsar Dale A. | Distributed expert diagnostic service and system |
| US20090285107A1 (en) * | 2008-05-16 | 2009-11-19 | Hitachi, Ltd. | Method and Apparatus for Monitoring a Status of Nodes of a Communication Network |
| CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN107612614A (zh) * | 2017-10-09 | 2018-01-19 | 郑州云海信息技术有限公司 | 一种分布式集装箱数据中心动环监控环网及故障修复方法 |
| US10795364B1 (en) * | 2017-12-29 | 2020-10-06 | Apex Artificial Intelligence Industries, Inc. | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips |
| CN109309594A (zh) * | 2018-11-27 | 2019-02-05 | 中国联合网络通信集团有限公司 | 通信设备电源故障分析的方法、装置、设备及存储介质 |
| CN111667201A (zh) * | 2020-07-10 | 2020-09-15 | 南通市亿控自动化系统有限公司 | 一种工业互联网智能监控的信息处理方法和装置 |
| CN112378660A (zh) * | 2020-10-28 | 2021-02-19 | 西北工业大学 | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| 呙中？跷靶？陈健等: "起重机械金属结构振动与故障诊断的研究", 《起重运输机械》 * |
| 苏海峰等: "基于DSP的发动机故障诊断研究", 《微计算机信息》 * |
| 陈浩等: "一种面向深度学习的"云播大脑"智慧感知系统", 《影视制作》 * |
| 黄绍川等: "基于专家知识与BP神经网络的架空导地线状态评价研究", 《电子测量技术》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114089057A (zh) * | 2021-10-28 | 2022-02-25 | 科华数据股份有限公司 | 供电系统的故障诊断方法及终端 |
| CN114037869A (zh) * | 2021-11-08 | 2022-02-11 | 江苏新亚高电压测试设备有限公司 | 一种应用于紫外成像仪的高压设备诊断预警方法及系统 |
| CN114185275A (zh) * | 2021-12-06 | 2022-03-15 | 红云红河烟草(集团)有限责任公司 | 一种设备的故障诊断方法及装置 |
| WO2024087182A1 (zh) * | 2022-10-28 | 2024-05-02 | 西门子股份公司 | 电机的故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控系统 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| DE102019103825A1 (de) | Fehlerdiagnosevorrichtung und maschinelle lernvorrichtung | |
| CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
| CN110221145B (zh) | 电力设备故障诊断方法、装置及终端设备 | |
| CN102998996A (zh) | 一种飞机机载实时故障诊断方法 | |
| CN112929613B (zh) | 一种基于图像识别进行设备运维的巡检方法及系统 | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| CN112801434A (zh) | 性能指标健康度的监测方法、装置、设备和存储介质 | |
| CN110264055B (zh) | 部件危害性评估方法、装置、设备及计算机可读存储介质 | |
| CN114511026A (zh) | 一种故障诊断方法、装置、终端设备及存储介质 | |
| CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
| CN112729884B (zh) | 基于大数据的设备故障诊断方法及装置 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用系统 | |
| CN112712305B (zh) | 一种飞行器系统及其健康评估方法和装置 | |
| CN115314528A (zh) | 桥梁结构健康监测系统、方法和平台 | |
| CN114898174A (zh) | 基于不同识别模型的电缆故障识别系统 | |
| CN114021744A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
| CN113808727A (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
| CN110134108B (zh) | 一种代码缺陷测试方法和装置 | |
| CN117609799A (zh) | 一种储能站故障诊断方法、系统、设备及存储介质 | |
| CN109165108B (zh) | 软件可靠性加速测试的失效数据还原方法及测试方法 | |
| CN117709941A (zh) | 一种针对充电桩的运维方法、装置及电子设备 | |
| CN117932437A (zh) | 预测设备故障的方法、装置和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |
|
| RJ01 | Rejection of invention patent application after publication |