CN113592019A - 基于多模型融合的故障检测方法、装置、设备及介质 - Google Patents
基于多模型融合的故障检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113592019A CN113592019A CN202110913906.2A CN202110913906A CN113592019A CN 113592019 A CN113592019 A CN 113592019A CN 202110913906 A CN202110913906 A CN 202110913906A CN 113592019 A CN113592019 A CN 113592019A
- Authority
- CN
- China
- Prior art keywords
- data set
- fusion
- model
- value
- standard
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 249
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 29
- 238000007477 logistic regression Methods 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000007787 long-term memory Effects 0.000 description 6
- 230000006403 short-term memory Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及智能决策技术,揭露了一种基于多模型融合的故障检测方法,包括:对原始系统数据集进行格式标准化,得到初始系统数据集,提取初始系统数据集的时域特征和频域特征,汇总得到系统特征数据集,利用系统特征数据集分别对多个子模型进行训练、测试,得到多个子模型输出的故障预测值,计算故障预测值和真实数据集之间的损失值,根据损失值调整融合公式中的参数并输出标准融合模型,将待检测系统的监控数据输入至标准融合模型,得到标准融合值,当标准融合值大于或者等于异常阈值,确定待检测系统存在检测故障。本发明还提出一种基于多模型融合的故障检测装置、电子设备以及计算机可读存储介质。本发明可以解决进行故障检测的效率不高的问题。
Description
技术领域
本发明涉及智能决策技术领域,尤其涉及一种基于多模型融合的故障检测方法、装置、设备及介质。
背景技术
目前运维已经进入了智能运维时代,故障自动检测技术是智能运维系统中的一项核心功能。现有技术中,故障自动检测技术基本都是基于规则方案,根据业务专家的经验来设定阈值报警,然而这种方案的通用性非常差,而且容易产生大量的误报和漏报,耗费大量人力设定阈值,存在故障识别效率不高问题,同时,这种方案需要用户在每条曲线上单独去配置相应的规则,这也会耗费运维部门巨大的时间和人力,进一步降低监测效率,因此,现有技术中的故障检测技术存在故障检测的效率不高的问题。
发明内容
本发明提供一种基于多模型融合的故障检测方法、装置及计算机可读存储介质,其主要目的在于解决进行故障检测的效率不高的问题。
为实现上述目的,本发明提供的一种基于多模型融合的故障检测方法,包括:
获取原始系统数据集,对所述原始系统数据集进行格式标准化处理,得到初始系统数据集;
提取所述初始系统数据集的时域特征和频域特征,并将所述时域特征和所述频域特征汇总,得到系统特征数据集;
将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述测试特征数据集中包含多组系统特征值;
利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型;
利用训练好的多个子模型构建的融合模型,所述融合模型包括融合公式;
将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,计算所述故障预测值和预设的真实数据集之间的损失值,根据所述损失值调整所述融合公式中的参数并输出标准融合模型;
获取待检测系统的监控数据,将所述监控数据输入至所述标准融合模型,得到标准融合值;
判断所述标准融合值与预设异常阈值之间的大小,当所述标准融合值大于或者等于所述预设异常阈值时,确定所述待检测系统存在检测故障。
可选地,所述提取所述初始系统数据集的时域特征和频域特征,包括:
利用多尺度滑动窗口提取所述初始系统数据集中的数据,得到截取数据集;
根据预设的时域特征计算公式计算所述截取数据集对应的时域特征;
利用傅里叶函数将所述时域特征转换为频域特征。
可选地,所述预先获取的多个子模型包括逻辑回归模型、随机森林模型、双向长短期记忆网络和深层神经网络模型之中的至少三个。
可选地,所述将所述监控数据输入至所述标准融合模型中,得到标准融合值,包括:
将所述监控数据分别输入至所述标准融合模型包含的多个子模型中,得到标准得分集;
利用所述标准融合模型中的融合公式对所述标准得分数据集进行融合处理,得到标准融合值。
可选地,所述利用多尺度滑动窗口提取所述初始系统数据集中的数据,得到截取数据集,包括:
获取多个不同大小的滑动窗口;
利用多个不同大小的滑动窗口以等距步长在所述初始系统数据集上滑动,得到截取数据集。
可选地,所述利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型,包括:
利用预先获取的多个子模型对所述训练特征数据集进行得分预测处理,得到预测得分集;
分别计算多个子模型对应的预测得分集和预设的真实得分集之间的损失值,得到多个损失值;
分别判断多个子模型对应的所述损失值与预设损失阈值的大小;
若所述子模型对应的损失值大于或者等于所述预设损失阈值,调整所述损失值对应的子模型的模型参数并返回至执行得分预测处理;
若所述子模型对应的所述损失值小于所述预设损失阈值,将所述损失值对应的子模型输出为训练好的子模型。
可选地,所述对所述原始系统数据集进行格式标准化处理,得到初始系统数据集,包括:
识别所述原始系统数据集中原始系统数据的数据格式;
将所述数据格式转换为预设格式,得到初始系统数据集。
为了解决上述问题,本发明还提供一种基于多模型融合的故障检测装置,所述装置包括:
数据处理模块,用于获取原始系统数据集,对所述原始系统数据集进行格式标准化处理,得到初始系统数据集,提取所述初始系统数据集的时域特征和频域特征,并将所述时域特征和所述频域特征汇总,得到系统特征数据集;
子模型训练模块,用于将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述测试特征数据集中包含多组系统特征值,利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型;
融合模型训练模块,用于利用训练好的多个子模型构建的融合模型,所述融合模型包括融合公式,将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,计算所述故障预测值和预设的真实数据集之间的损失值,根据所述损失值调整所述融合公式中的参数并输出标准融合模型;
故障检测模块,用于获取待检测系统的监控数据,将所述监控数据输入至所述标准融合模型,得到标准融合值,判断所述标准融合值与预设异常阈值之间的大小,当所述标准融合值大于或者等于所述预设异常阈值时,确定所述待检测系统存在检测故障。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于多模型融合的故障检测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于多模型融合的故障检测方法。
本发明通过对原始系统数据集进行格式标准化处理,得到初始系统数据集,保证了获取原始系统数据集中数据格式的一致性,提取出所述初始系统数据集的时域特征和频域特征,并汇总得到系统特征数据集,从时域角度和频域角度提取数据特征,使得系统特征数据集包含的特征数据更加丰富和全面,对预先获取的多个子模型进行训练、融合,并利用测试特征数据集对融合后的融合模型进行测试,输出标准融合模型,将待检测系统的监控数据输入至所述标准融合模型,得到标准融合值,所述标准融合值是所述标准融合模型中多个子模型从不同的角度进行预测并融合所得,因此得到的标准融合值更加准确,其中,利用所述标准融合模型中的融合公式进行融合处理可以将各个子模型处理得到的标准得分集映射至特定的小区间上,去除数据的单位限制,将其转化为无量纲的纯数值,便于与预设异常阈值进行比较,当所述标准融合值大于或者等于所述预设异常阈值时,判断所述待检测系统存在检测故障,利用标准融合值来判定系统是否出现故障,更加简单便捷,提高了故障检测的效率。因此本发明提出的基于多模型融合的故障检测方法、装置、电子设备及计算机可读存储介质,可以解决进行故障检测的效率不高的问题。
附图说明
图1为本发明一实施例提供的基于多模型融合的故障检测方法的流程示意图;
图2为本发明一实施例提供的基于多模型融合的故障检测装置的功能模块图;
图3为本发明一实施例提供的实现所述基于多模型融合的故障检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于多模型融合的故障检测方法。所述基于多模型融合的故障检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于多模型融合的故障检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于多模型融合的故障检测方法的流程示意图。在本实施例中,所述基于多模型融合的故障检测方法包括:
S1、获取原始系统数据集,对所述原始系统数据集进行格式标准化处理,得到初始系统数据集。
本发明实施例中,所述原始系统数据可以为一个或多个系统的历史数据。
例如,原始系统数据包括来自银行系统各大业务系统和监控系统中的数据源,其中,所述数据源包括银行系统中重要的应用服务数据和业务指标数据。
本实施例中,由于相同或不同的数据源中的数据格式可能存在不一致,因此对原始数据集进行格式标准化处理,保证数据在格式上的统一。
具体地,所述对所述原始系统数据集进行格式标准化处理,得到初始系统数据集,包括:
识别所述原始系统数据集中原始系统数据的数据格式;
将所述数据格式转换为预设格式,得到初始系统数据集。
详细地,所述数据格式(data format)是描述数据保存在文件或记录中的规则,可以是字符形式的文本格式,或者是二进制数据形式的压缩格式。不同的数据格式具有不同的优点和缺点。
例如,字符形式的文本格式占用的存贮空间多但透明度高,二进制数形式的压缩格式占用的存贮空间少但缺少透明度。
在本发明实施例中,所述预设格式为字符形式的文本格式。
S2、提取所述初始系统数据集的时域特征和频域特征,并将所述时域特征和所述频域特征汇总,得到系统特征数据集。
本发明实施例中,通过提取所述初始系统数据集中的时域特征和频域特征,分别从时域角度和频域角度去分析所述初始系统数据集,所述时域特征包括但不限于均差、方差和余弦相似度,所述频域特征包括但不限于重心频率和均方根频率。
具体地,本发明实施例中,所述提取所述初始系统数据集的时域特征和频域特征,包括:
利用多尺度滑动窗口提取所述初始系统数据集中的数据,得到截取数据集;
根据预设的时域特征计算公式计算所述截取数据集对应的时域特征;
利用傅里叶函数将所述时域特征转换为频域特征。
本实施例中,利用多尺度滑动窗口对所述初始数据集中的数据进行截取,所述多尺度滑动窗口可以调节自身的尺度大小,利用不同的尺度大小的多尺度滑动窗口对所述初始系统数据集中的数据进行截取,可以得到多个不同尺度的截取数据集。
进一步地,根据预设的时域特征计算公式计算所述截取数据集对应的时域特征,由于所述时域特征包括但不限于均差、方差和余弦相似度等,而计算均差、方差和余弦相似度等的公式和方法不同,因此根据需要计算的时域特征选择对应的公式进行计算。
所述傅立叶函数可以将时域上的特征转换到频域上,故利用所述傅立叶函数将所述时域特征转换为频域特征。
进一步地,所述利用多尺度滑动窗口提取所述初始系统数据集中的数据,得到截取数据集,包括:
获取多个不同大小的滑动窗口;
利用多个不同大小的滑动窗口以等距步长在所述初始系统数据集上滑动,得到截取数据集。
详细地,所述滑动窗口具有多个尺寸,可以选择不同的尺寸大小的滑动窗口,所述等距步长是指利用所述滑动窗口在初始系统数据集上移动的距离,由于选择的滑动窗口尺寸不同,故步长应该是等距离的,利用多个不同大小的滑动窗口以等距步长在所述初始系统数据集上滑动,得到截取数据集。
具体地,所述时域特征包括但不限于均值、方差和余弦相似度,根据所要计算的对应的时域特征选择对应的公式进行计算。
进一步地,所述利用傅里叶函数将所述时域特征转换为频域特征,包括:
利用下述公式将所述时域特征转换为频域特征:
其中,f(x,y)表示时域特征,F(u,v)表示频域特征,M、N表示时域特征中的参数,j为傅里叶变换函数中的固定参数。
本实施例中,分别提取出所述初始系统数据集中的时域特征和频域特征,从时域分析和频域分析的角度去训练一个或多个模型组合成的故障检测系统,能够在覆盖真实故障事件的基础上,减少误报率,同时提高运维人员的工作效率。
S3、将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述测试特征数据集中包含多组系统特征值。
本发明实施例中,按照预设的比例将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述预设的比例可以为7:3,则将所述系统特征数据集按照7:3的比例划分为训练特征数据集和测试特征数据集。从而可以尽可能的利用更多的数据进行训练,使初次训练更加精确,所述测试特征数据集中包含多组系统特征值,利用所述测试特征数据集进行测试,进一步对训练得到的模型进行优化,提高训练的得到的模型的准确性。
其中,所述训练特征数据集是用于模型拟合的数据样本,所述测试特征数据集用来评估模最终模型的泛化能力。
S4、利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型。
本发明实施例中,所述预先获取的多个子模型包括逻辑回归模型、随机森林模型、双向长短期记忆网络和深层神经网络模型之中的至少三个。
具体地,所述利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型,包括:
利用预先获取的多个子模型对所述训练特征数据集进行得分预测处理,得到预测得分集;
分别计算多个子模型对应的预测得分集和预设的真实得分集之间的损失值,得到多个损失值;
分别判断多个子模型对应的所述损失值与预设损失阈值的大小;
若所述子模型对应的损失值大于或者等于所述预设损失阈值,调整所述损失值对应的子模型的模型参数并返回至执行得分预测处理;
若所述子模型对应的所述损失值小于所述预设损失阈值,将所述损失值对应的子模型输出为训练好的子模型。
其中,所述模型参数可以为模型权重或者模型梯度。
S5、利用训练好的多个子模型构建的融合模型,所述融合模型包括融合公式。
本发明实施例中,所述融合模型由多个子模型共享同一个嵌入层,并将融合公式作为输出层,例如,令所述逻辑回归模型、所述随机森林模型、所述双向长短期记忆网络和所述深层神经网络模型共享所述嵌入层,所述嵌入层是作为所述融合模型的第一层,所述逻辑回归模型、所述随机森林模型、所述双向长短期记忆网络和所述深层神经网络模型并列接在所述嵌入层后面。
其中,所述逻辑回归模型属于广义的线性模型,可以用于数据挖掘,疾病自动诊断,经济预测等领域。所述随机森林模型是指的是利用多棵树对样本进行训练并预测的一种分类器。所述双向长短期记忆网络是是一种时间递归神经网络,所述深层神经网络模型机器学习领域中的一种技术,是深度学习的基础。
详细地,所述融合模型中的融合公式可以计算多个子模型融合在一起的融合值。例如,在本发明实施例中,设定获取到四个子模型,则所述融合公式为:
其中,ψ为融合值,α1、α2、α3、α4分别为四个子模型对应的预设权重,p1、p2、p3、p4分别为四个子模型对应的得分。
S6、将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,计算所述故障预测值和预设的真实数据集之间的损失值,根据所述损失值调整所述融合公式中的参数并输出标准融合模型。
本发明实施例中,将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,其中,所述每组系统特征值对应的故障预测值是由子模型进行预测所得。
具体地,根据预设的损失函数计算所述故障预测值和预设的真实数据集之间的损失值,若计算出的损失值大于或者等于预设的损失阈值时,对所述融合模型中融合公式中的参数进行调整,执行将所述测试特征数据集输入至调整了融合公式中的参数后的故障检测模型中,直至所述损失值小于所述损失阈值时,输出对应的融合模型为标准融合模型。
其中,所述预设的损失函数可以为交叉熵损失函数、感知损失函数、指数损失函数等,本发明实施例中,所述预设的损失函数为交叉熵损失函数。
进一步地,所述根据预设的损失函数计算所述故障预测值和预设的真实数据集之间的损失值,包括:
利用如下公式根据预设的损失函数计算所述故障预测值和预设的真实数据集之间的损失值:
其中,C为所述损失值,y为所述真实数据集,a为所述故障预测值,n为数据总量。
S7、获取待检测系统的监控数据,将所述监控数据输入至所述标准融合模型,得到标准融合值。
本发明实施例中,所述待检测系统的监控数据为需要进行检测是否出现故障的业务监控数据。
具体地,将所述待检测系统的监控数据输入至所述标准融合模型,得到标准融合值,所述标准融合模型是已经训练好能够输出准确的融合值的模型。
本实施例中,标准融合模型输出的标准融合值用于标识存在故障的分数。
进一步地,所述将所述监控数据输入至所述标准融合模型中,得到标准融合值,包括:
将所述监控数据分别输入至所述标准融合模型包含的多个子模型中,得到标准得分集;
利用所述标准融合模型中的融合公式对所述标准得分数据集进行融合处理,得到标准融合值。
具体地,所述利用所述标准融合模型中的融合公式对所述标准得分数据集进行融合处理,得到标准融合值,包括:
利用如下公式对所述标准得分数据集进行融合处理,得到标准融合值:
其中,P为标准融合值,plogit为所述逻辑回归模型对应的得分,prf为所述随机森林模型对应的得分,plstm为所述双向长短期记忆网络对应的得分,pdnn为所述深层神经网络对应的得分,αlogit、αrf、αlstm和αdnn分别表示逻辑回归模型、随机森林模型、双向长短期记忆网络和深层神经网络模型对应的预设权重。
详细地,对所述标准得分数据集进行融合处理,得到标准融合值,所述融合处理可以将各个子模型处理得到的标准得分集映射至特定的小区间上,去除数据的单位限制,将其转化为无量纲的纯数值,便于不同单位或量级的指标能够进行比较和加权。
S8、判断所述标准融合值与预设异常阈值之间的大小,当所述标准融合值大于或者等于所述预设异常阈值时,确定所述待检测系统存在检测故障。
进一步的,当所述标准融合值小于所述预设异常阈值时,确定所述待检测系统不存在检测故障。
优选的,所述预设异常阈值可以为0.5。
本发明通过对原始系统数据集进行格式标准化处理,得到初始系统数据集,保证了获取原始系统数据集中数据格式的一致性,提取出所述初始系统数据集的时域特征和频域特征,并汇总得到系统特征数据集,从时域角度和频域角度提取数据特征,使得系统特征数据集包含的特征数据更加丰富和全面,对预先获取的多个子模型进行训练、融合,并利用测试特征数据集对融合后的融合模型进行测试,输出标准融合模型,将待检测系统的监控数据输入至所述标准融合模型,得到标准融合值,所述标准融合值是所述标准融合模型中多个子模型从不同的角度进行预测并融合所得,因此得到的标准融合值更加准确,其中,利用所述标准融合模型中的融合公式进行融合处理可以将各个子模型处理得到的标准得分集映射至特定的小区间上,去除数据的单位限制,将其转化为无量纲的纯数值,便于与预设异常阈值进行比较,当所述标准融合值大于或者等于所述预设异常阈值时,判断所述待检测系统存在检测故障,利用标准融合值来判定系统是否出现故障,更加简单便捷,提高了故障检测的效率。因此本发明提出的基于多模型融合的故障检测方法可以解决进行故障检测的效率较低的问题。
如图2所示,是本发明一实施例提供的基于多模型融合的故障检测装置的功能模块图。
本发明所述基于多模型融合的故障检测装置100可以安装于电子设备中。根据实现的功能,所述基于多模型融合的故障检测装置100可以包括数据处理模块101、子模型训练模块102、融合模型训练模块103及故障检测模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据处理模块101,用于获取原始系统数据集,对所述原始系统数据集进行格式标准化处理,得到初始系统数据集,提取所述初始系统数据集的时域特征和频域特征,并将所述时域特征和所述频域特征汇总,得到系统特征数据集;
所述子模型训练模块102,用于将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述测试特征数据集中包含多组系统特征值,利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型;
所述融合模型训练模块103,用于利用训练好的多个子模型构建的融合模型,所述融合模型包括融合公式,将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,计算所述故障预测值和预设的真实数据集之间的损失值,根据所述损失值调整所述融合公式中的参数并输出标准融合模型;
所述故障检测模块104,用于获取待检测系统的监控数据,将所述监控数据输入至所述标准融合模型,得到标准融合值,判断所述标准融合值与预设异常阈值之间的大小,当所述标准融合值大于或者等于所述预设异常阈值时,确定所述待检测系统存在检测故障。
详细地,所述基于多模型融合的故障检测装置100各模块的具体实施方式如下:
步骤一、获取原始系统数据集,对所述原始系统数据集进行格式标准化处理,得到初始系统数据集。
本发明实施例中,所述原始系统数据可以为一个或多个系统的历史数据。
例如,原始系统数据包括来自银行系统各大业务系统和监控系统中的数据源,其中,所述数据源包括银行系统中重要的应用服务数据和业务指标数据。
本实施例中,由于相同或不同的数据源中的数据格式可能存在不一致,因此对原始数据集进行格式标准化处理,保证数据在格式上的统一。
具体地,所述对所述原始系统数据集进行格式标准化处理,得到初始系统数据集,包括:
识别所述原始系统数据集中原始系统数据的数据格式;
将所述数据格式转换为预设格式,得到初始系统数据集。
详细地,所述数据格式(data format)是描述数据保存在文件或记录中的规则,可以是字符形式的文本格式,或者是二进制数据形式的压缩格式。不同的数据格式具有不同的优点和缺点。
例如,字符形式的文本格式占用的存贮空间多但透明度高,二进制数形式的压缩格式占用的存贮空间少但缺少透明度。
在本发明实施例中,所述预设格式为字符形式的文本格式。
步骤二、提取所述初始系统数据集的时域特征和频域特征,并将所述时域特征和所述频域特征汇总,得到系统特征数据集。
本发明实施例中,通过提取所述初始系统数据集中的时域特征和频域特征,分别从时域角度和频域角度去分析所述初始系统数据集,所述时域特征包括但不限于均差、方差和余弦相似度,所述频域特征包括但不限于重心频率和均方根频率。
具体地,本发明实施例中,所述提取所述初始系统数据集的时域特征和频域特征,包括:
利用多尺度滑动窗口提取所述初始系统数据集中的数据,得到截取数据集;
根据预设的时域特征计算公式计算所述截取数据集对应的时域特征;
利用傅里叶函数将所述时域特征转换为频域特征。
本实施例中,利用多尺度滑动窗口对所述初始数据集中的数据进行截取,所述多尺度滑动窗口可以调节自身的尺度大小,利用不同的尺度大小的多尺度滑动窗口对所述初始系统数据集中的数据进行截取,可以得到多个不同尺度的截取数据集。
进一步地,根据预设的时域特征计算公式计算所述截取数据集对应的时域特征,由于所述时域特征包括但不限于均差、方差和余弦相似度等,而计算均差、方差和余弦相似度等的公式和方法不同,因此根据需要计算的时域特征选择对应的公式进行计算。
所述傅立叶函数可以将时域上的特征转换到频域上,故利用所述傅立叶函数将所述时域特征转换为频域特征。
进一步地,所述利用多尺度滑动窗口提取所述初始系统数据集中的数据,得到截取数据集,包括:
获取多个不同大小的滑动窗口;
利用多个不同大小的滑动窗口以等距步长在所述初始系统数据集上滑动,得到截取数据集。
详细地,所述滑动窗口具有多个尺寸,可以选择不同的尺寸大小的滑动窗口,所述等距步长是指利用所述滑动窗口在初始系统数据集上移动的距离,由于选择的滑动窗口尺寸不同,故步长应该是等距离的,利用多个不同大小的滑动窗口以等距步长在所述初始系统数据集上滑动,得到截取数据集。
具体地,所述时域特征包括但不限于均值、方差和余弦相似度,根据所要计算的对应的时域特征选择对应的公式进行计算。
进一步地,所述利用傅里叶函数将所述时域特征转换为频域特征,包括:
利用下述公式将所述时域特征转换为频域特征:
其中,f(x,y)表示时域特征,F(u,v)表示频域特征,M、N表示时域特征中的参数,j为傅里叶变换函数中的固定参数。
本实施例中,分别提取出所述初始系统数据集中的时域特征和频域特征,从时域分析和频域分析的角度去训练一个或多个模型组合成的故障检测系统,能够在覆盖真实故障事件的基础上,减少误报率,同时提高运维人员的工作效率。
步骤三、将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述测试特征数据集中包含多组系统特征值。
本发明实施例中,按照预设的比例将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述预设的比例可以为7:3,则将所述系统特征数据集按照7:3的比例划分为训练特征数据集和测试特征数据集。从而可以尽可能的利用更多的数据进行训练,使初次训练更加精确,所述测试特征数据集中包含多组系统特征值,利用所述测试特征数据集进行测试,进一步对训练得到的模型进行优化,提高训练的得到的模型的准确性。
其中,所述训练特征数据集是用于模型拟合的数据样本,所述测试特征数据集用来评估模最终模型的泛化能力。
步骤四、利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型。
本发明实施例中,所述预先获取的多个子模型包括逻辑回归模型、随机森林模型、双向长短期记忆网络和深层神经网络模型之中的至少三个。
具体地,所述利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型,包括:
利用预先获取的多个子模型对所述训练特征数据集进行得分预测处理,得到预测得分集;
分别计算多个子模型对应的预测得分集和预设的真实得分集之间的损失值,得到多个损失值;
分别判断多个子模型对应的所述损失值与预设损失阈值的大小;
若所述子模型对应的损失值大于或者等于所述预设损失阈值,调整所述损失值对应的子模型的模型参数并返回至执行得分预测处理;
若所述子模型对应的所述损失值小于所述预设损失阈值,将所述损失值对应的子模型输出为训练好的子模型。
其中,所述模型参数可以为模型权重或者模型梯度。
步骤五、利用训练好的多个子模型构建的融合模型,所述融合模型包括融合公式。
本发明实施例中,所述融合模型由多个子模型共享同一个嵌入层,并将融合公式作为输出层,例如,令所述逻辑回归模型、所述随机森林模型、所述双向长短期记忆网络和所述深层神经网络模型共享所述嵌入层,所述嵌入层是作为所述融合模型的第一层,所述逻辑回归模型、所述随机森林模型、所述双向长短期记忆网络和所述深层神经网络模型并列接在所述嵌入层后面。
其中,所述逻辑回归模型属于广义的线性模型,可以用于数据挖掘,疾病自动诊断,经济预测等领域。所述随机森林模型是指的是利用多棵树对样本进行训练并预测的一种分类器。所述双向长短期记忆网络是是一种时间递归神经网络,所述深层神经网络模型机器学习领域中的一种技术,是深度学习的基础。
详细地,所述融合模型中的融合公式可以计算多个子模型融合在一起的融合值。例如,在本发明实施例中,设定获取到四个子模型,则所述融合公式为:
其中,ψ为融合值,α1、α2、α3、α4分别为四个子模型对应的预设权重,p1、p2、p3、p4分别为四个子模型对应的得分。
步骤六、将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,计算所述故障预测值和预设的真实数据集之间的损失值,根据所述损失值调整所述融合公式中的参数并输出标准融合模型。
本发明实施例中,将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,其中,所述每组系统特征值对应的故障预测值是由子模型进行预测所得。
具体地,根据预设的损失函数计算所述故障预测值和预设的真实数据集之间的损失值,若计算出的损失值大于或者等于预设的损失阈值时,对所述融合模型中融合公式中的参数进行调整,执行将所述测试特征数据集输入至调整了融合公式中的参数后的故障检测模型中,直至所述损失值小于所述损失阈值时,输出对应的融合模型为标准融合模型。
其中,所述预设的损失函数可以为交叉熵损失函数、感知损失函数、指数损失函数等,本发明实施例中,所述预设的损失函数为交叉熵损失函数。
进一步地,所述根据预设的损失函数计算所述故障预测值和预设的真实数据集之间的损失值,包括:
利用如下公式根据预设的损失函数计算所述故障预测值和预设的真实数据集之间的损失值:
其中,C为所述损失值,y为所述真实数据集,a为所述故障预测值,n为数据总量。
步骤七、获取待检测系统的监控数据,将所述监控数据输入至所述标准融合模型,得到标准融合值。
本发明实施例中,所述待检测系统的监控数据为需要进行检测是否出现故障的业务监控数据。
具体地,将所述待检测系统的监控数据输入至所述标准融合模型,得到标准融合值,所述标准融合模型是已经训练好能够输出准确的融合值的模型。
本实施例中,标准融合模型输出的标准融合值用于标识存在故障的分数。
进一步地,所述将所述监控数据输入至所述标准融合模型中,得到标准融合值,包括:
将所述监控数据分别输入至所述标准融合模型包含的多个子模型中,得到标准得分集;
利用所述标准融合模型中的融合公式对所述标准得分数据集进行融合处理,得到标准融合值。
具体地,所述利用所述标准融合模型中的融合公式对所述标准得分数据集进行融合处理,得到标准融合值,包括:
利用如下公式对所述标准得分数据集进行融合处理,得到标准融合值:
其中,P为标准融合值,plogit为所述逻辑回归模型对应的得分,prf为所述随机森林模型对应的得分,plstm为所述双向长短期记忆网络对应的得分,pdnn为所述深层神经网络对应的得分,αlogit、αrf、αlstm和αdnn分别表示逻辑回归模型、随机森林模型、双向长短期记忆网络和深层神经网络模型对应的预设权重。
详细地,对所述标准得分数据集进行融合处理,得到标准融合值,所述融合处理可以将各个子模型处理得到的标准得分集映射至特定的小区间上,去除数据的单位限制,将其转化为无量纲的纯数值,便于不同单位或量级的指标能够进行比较和加权。
步骤八、判断所述标准融合值与预设异常阈值之间的大小,当所述标准融合值大于或者等于所述预设异常阈值时,确定所述待检测系统存在检测故障。
进一步的,当所述标准融合值小于所述预设异常阈值时,确定所述待检测系统不存在检测故障。
优选的,所述预设异常阈值可以为0.5。
本发明通过对原始系统数据集进行格式标准化处理,得到初始系统数据集,保证了获取原始系统数据集中数据格式的一致性,提取出所述初始系统数据集的时域特征和频域特征,并汇总得到系统特征数据集,从时域角度和频域角度提取数据特征,使得系统特征数据集包含的特征数据更加丰富和全面,对预先获取的多个子模型进行训练、融合,并利用测试特征数据集对融合后的融合模型进行测试,输出标准融合模型,将待检测系统的监控数据输入至所述标准融合模型,得到标准融合值,所述标准融合值是所述标准融合模型中多个子模型从不同的角度进行预测并融合所得,因此得到的标准融合值更加准确,其中,利用所述标准融合模型中的融合公式进行融合处理可以将各个子模型处理得到的标准得分集映射至特定的小区间上,去除数据的单位限制,将其转化为无量纲的纯数值,便于与预设异常阈值进行比较,当所述标准融合值大于或者等于所述预设异常阈值时,判断所述待检测系统存在检测故障,利用标准融合值来判定系统是否出现故障,更加简单便捷,提高了故障检测的效率。因此本发明提出的基于多模型融合的故障检测装置可以解决进行故障检测的效率较低的问题。
如图3所示,是本发明一实施例提供的实现基于多模型融合的故障检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于多模型融合的故障检测程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、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11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于多模型融合的故障检测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于多模型融合的故障检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于多模型融合的故障检测程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取原始系统数据集,对所述原始系统数据集进行格式标准化处理,得到初始系统数据集;
提取所述初始系统数据集的时域特征和频域特征,并将所述时域特征和所述频域特征汇总,得到系统特征数据集;
将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述测试特征数据集中包含多组系统特征值;
利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型;
利用训练好的多个子模型构建的融合模型,所述融合模型包括融合公式;
将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,计算所述故障预测值和预设的真实数据集之间的损失值,根据所述损失值调整所述融合公式中的参数并输出标准融合模型;
获取待检测系统的监控数据,将所述监控数据输入至所述标准融合模型,得到标准融合值;
判断所述标准融合值与预设异常阈值之间的大小,当所述标准融合值大于或者等于所述预设异常阈值时,确定所述待检测系统存在检测故障。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取原始系统数据集,对所述原始系统数据集进行格式标准化处理,得到初始系统数据集;
提取所述初始系统数据集的时域特征和频域特征,并将所述时域特征和所述频域特征汇总,得到系统特征数据集;
将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述测试特征数据集中包含多组系统特征值;
利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型;
利用训练好的多个子模型构建的融合模型,所述融合模型包括融合公式;
将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,计算所述故障预测值和预设的真实数据集之间的损失值,根据所述损失值调整所述融合公式中的参数并输出标准融合模型;
获取待检测系统的监控数据,将所述监控数据输入至所述标准融合模型,得到标准融合值;
判断所述标准融合值与预设异常阈值之间的大小,当所述标准融合值大于或者等于所述预设异常阈值时,确定所述待检测系统存在检测故障。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,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划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于多模型融合的故障检测方法,其特征在于,所述方法包括:
获取原始系统数据集,对所述原始系统数据集进行格式标准化处理,得到初始系统数据集;
提取所述初始系统数据集的时域特征和频域特征,并将所述时域特征和所述频域特征汇总,得到系统特征数据集;
将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述测试特征数据集中包含多组系统特征值;
利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型;
利用训练好的多个子模型构建的融合模型,所述融合模型包括融合公式;
将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,计算所述故障预测值和预设的真实数据集之间的损失值,根据所述损失值调整所述融合公式中的参数并输出标准融合模型;
获取待检测系统的监控数据,将所述监控数据输入至所述标准融合模型,得到标准融合值;
判断所述标准融合值与预设异常阈值之间的大小,当所述标准融合值大于或者等于所述预设异常阈值时,确定所述待检测系统存在检测故障。
2.如权利要求1所述的基于多模型融合的故障检测方法,其特征在于,所述提取所述初始系统数据集的时域特征和频域特征,包括:
利用多尺度滑动窗口提取所述初始系统数据集中的数据,得到截取数据集;
根据预设的时域特征计算公式计算所述截取数据集对应的时域特征;
利用傅里叶函数将所述时域特征转换为频域特征。
3.如权利要求1所述的基于多模型融合的故障检测方法,其特征在于,所述预先获取的多个子模型包括逻辑回归模型、随机森林模型、双向长短期记忆网络和深层神经网络模型之中的至少三个。
4.如权利要求3所述的基于多模型融合的故障检测方法,其特征在于,所述将所述监控数据输入至所述标准融合模型中,得到标准融合值,包括:
将所述监控数据分别输入至所述标准融合模型包含的多个子模型中,得到标准得分集;
利用所述标准融合模型中的融合公式对所述标准得分数据集进行融合处理,得到标准融合值。
5.如权利要求2所述的基于多模型融合的故障检测方法,其特征在于,所述利用多尺度滑动窗口提取所述初始系统数据集中的数据,得到截取数据集,包括:
获取多个不同大小的滑动窗口;
利用多个不同大小的滑动窗口以等距步长在所述初始系统数据集上滑动,得到截取数据集。
6.如权利要求1所述的基于多模型融合的故障检测方法,其特征在于,所述利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型,包括:
利用预先获取的多个子模型对所述训练特征数据集进行得分预测处理,得到预测得分集;
分别计算多个子模型对应的预测得分集和预设的真实得分集之间的损失值,得到多个损失值;
分别判断多个子模型对应的所述损失值与预设损失阈值的大小;
若所述子模型对应的损失值大于或者等于所述预设损失阈值,调整所述损失值对应的子模型的模型参数并返回至执行得分预测处理;
若所述子模型对应的所述损失值小于所述预设损失阈值,将所述损失值对应的子模型输出为训练好的子模型。
7.如权利要求1至6中任一项所述的基于多模型融合的故障检测方法,其特征在于,所述对所述原始系统数据集进行格式标准化处理,得到初始系统数据集,包括:
识别所述原始系统数据集中原始系统数据的数据格式;
将所述数据格式转换为预设格式,得到初始系统数据集。
8.一种基于多模型融合的故障检测装置,其特征在于,所述装置包括:
数据处理模块,用于获取原始系统数据集,对所述原始系统数据集进行格式标准化处理,得到初始系统数据集,提取所述初始系统数据集的时域特征和频域特征,并将所述时域特征和所述频域特征汇总,得到系统特征数据集;
子模型训练模块,用于将所述系统特征数据集划分为训练特征数据集和测试特征数据集,所述测试特征数据集中包含多组系统特征值,利用所述训练特征数据集分别对预先获取的多个子模型进行训练,得到训练好的多个子模型;
融合模型训练模块,用于利用训练好的多个子模型构建的融合模型,所述融合模型包括融合公式,将所述测试特征数据集依次输入至所述融合模型中的多个子模型中,得到所述多个子模型输出的每组系统特征值对应的故障预测值,计算所述故障预测值和预设的真实数据集之间的损失值,根据所述损失值调整所述融合公式中的参数并输出标准融合模型;
故障检测模块,用于获取待检测系统的监控数据,将所述监控数据输入至所述标准融合模型,得到标准融合值,判断所述标准融合值与预设异常阈值之间的大小,当所述标准融合值大于或者等于所述预设异常阈值时,确定所述待检测系统存在检测故障。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于多模型融合的故障检测方法。
10.一种计算机可读存储介质,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如权利要求1至7中任意一项所述的基于多模型融合的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913906.2A CN113592019B (zh) | 2021-08-10 | 2021-08-10 | 基于多模型融合的故障检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913906.2A CN113592019B (zh) | 2021-08-10 | 2021-08-10 | 基于多模型融合的故障检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592019A true CN113592019A (zh) | 2021-11-02 |
CN113592019B CN113592019B (zh) | 2023-09-15 |
Family
ID=78256924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110913906.2A Active CN113592019B (zh) | 2021-08-10 | 2021-08-10 | 基于多模型融合的故障检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592019B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935443A (zh) * | 2021-12-20 | 2022-01-14 | 广东电网有限责任公司广州供电局 | 异构设备多域联合故障预测方法、装置、终端及存储介质 |
CN114399066A (zh) * | 2022-01-15 | 2022-04-26 | 中国矿业大学(北京) | 基于弱监督学习的机械设备预知性维护系统和维护方法 |
CN115412455A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
CN115437869A (zh) * | 2022-11-08 | 2022-12-06 | 腾讯科技(深圳)有限公司 | 降频点检测方法、装置、设备及存储介质 |
CN116245513A (zh) * | 2023-05-11 | 2023-06-09 | 深圳市联合信息技术有限公司 | 基于规则库的自动化运维系统及其方法 |
CN117804550A (zh) * | 2024-02-27 | 2024-04-02 | 广东省旭晟半导体股份有限公司 | 一种光源集成式封装器的检测方法和装置 |
WO2024073935A1 (zh) * | 2022-10-08 | 2024-04-11 | 深圳先进技术研究院 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191733A (zh) * | 2020-01-02 | 2020-05-22 | 平安科技(深圳)有限公司 | 多数据来源的数据融合方法、装置、电子设备及存储介质 |
CN112148577A (zh) * | 2020-10-09 | 2020-12-29 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
CN112214369A (zh) * | 2020-10-23 | 2021-01-12 | 华中科技大学 | 基于模型融合的硬盘故障预测模型建立方法及其应用 |
CN113095173A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
-
2021
- 2021-08-10 CN CN202110913906.2A patent/CN113592019B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191733A (zh) * | 2020-01-02 | 2020-05-22 | 平安科技(深圳)有限公司 | 多数据来源的数据融合方法、装置、电子设备及存储介质 |
WO2021135474A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技(深圳)有限公司 | 多数据来源的数据融合方法、装置、电子设备及存储介质 |
CN112148577A (zh) * | 2020-10-09 | 2020-12-29 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
CN112214369A (zh) * | 2020-10-23 | 2021-01-12 | 华中科技大学 | 基于模型融合的硬盘故障预测模型建立方法及其应用 |
CN113095173A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935443A (zh) * | 2021-12-20 | 2022-01-14 | 广东电网有限责任公司广州供电局 | 异构设备多域联合故障预测方法、装置、终端及存储介质 |
CN113935443B (zh) * | 2021-12-20 | 2022-04-22 | 广东电网有限责任公司广州供电局 | 异构设备多域联合故障预测方法、装置、终端及存储介质 |
CN114399066A (zh) * | 2022-01-15 | 2022-04-26 | 中国矿业大学(北京) | 基于弱监督学习的机械设备预知性维护系统和维护方法 |
CN115412455A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
CN115412455B (zh) * | 2022-07-28 | 2023-12-19 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
WO2024073935A1 (zh) * | 2022-10-08 | 2024-04-11 | 深圳先进技术研究院 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
CN115437869A (zh) * | 2022-11-08 | 2022-12-06 | 腾讯科技(深圳)有限公司 | 降频点检测方法、装置、设备及存储介质 |
CN116245513A (zh) * | 2023-05-11 | 2023-06-09 | 深圳市联合信息技术有限公司 | 基于规则库的自动化运维系统及其方法 |
CN116245513B (zh) * | 2023-05-11 | 2023-07-07 | 深圳市联合信息技术有限公司 | 基于规则库的自动化运维系统及其方法 |
CN117804550A (zh) * | 2024-02-27 | 2024-04-02 | 广东省旭晟半导体股份有限公司 | 一种光源集成式封装器的检测方法和装置 |
CN117804550B (zh) * | 2024-02-27 | 2024-05-24 | 广东省旭晟半导体股份有限公司 | 一种光源集成式封装器的检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113592019B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112463530A (zh) | 微服务系统的异常检测方法、装置、电子设备及存储介质 | |
CN113626607A (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
CN112380454A (zh) | 培训课程推荐方法、装置、设备及介质 | |
CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN115237724A (zh) | 基于人工智能的数据监控方法、装置、设备及存储介质 | |
CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
CN113139743A (zh) | 污水排放指标分析方法、装置、电子设备及存储介质 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN113658002A (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN113822379B (zh) | 工艺制程异常分析方法、装置、电子设备及存储介质 | |
CN114662095A (zh) | 基于操作数据的安全监测方法、装置、设备及存储介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113688924B (zh) | 异常订单检测方法、装置、设备及介质 | |
CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 | |
CN111414398B (zh) | 数据分析模型确定方法、装置及存储介质 | |
CN113792127B (zh) | 基于大数据的法规识别方法、装置、电子设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |