CN113672743B - 故障判别方法、装置、电子设备、存储介质及产品 - Google Patents
故障判别方法、装置、电子设备、存储介质及产品 Download PDFInfo
- Publication number
- CN113672743B CN113672743B CN202110961610.8A CN202110961610A CN113672743B CN 113672743 B CN113672743 B CN 113672743B CN 202110961610 A CN202110961610 A CN 202110961610A CN 113672743 B CN113672743 B CN 113672743B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- knowledge graph
- similarity
- fault knowledge
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000012850 discrimination method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 7
- 230000035772 mutation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
Abstract
本发明提供一种故障判别方法、装置、电子设备、存储介质及产品,所述方法包括:获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案。本发明通过预设的故障知识图谱能够实现故障的精准定位,查找到故障的解决方案,查看故障的影响范围和传播特性,提高工作效率,提升用户体验。
Description
技术领域
本发明涉及故障处理技术领域,尤其涉及故障判别方法、装置、电子设备、存储介质及产品。
背景技术
随着人工智能的不断应用,设备生产过程中故障数据的处理也越来越智能化。
现有技术中,例如汽车和轨道车辆的生产过程中,需要实时监测各个生产步骤中的数据来判断产品是否合格,若存在异常检测则确定生产过程中存在故障,并通过关系型数据库来存储故障数据,这种方式不能清晰表示故障的影响范围和传播特性,同时无法根据当前故障数据快速从历史故障数据中得到当前故障的解决方案,故障定位的准确性较低,导致用户体验差。
发明内容
本发明提供一种故障判别方法、装置、电子设备、存储介质及产品,用以解决现有技术中由于不能对故障进行打标处理而无法实现故障的精准定位和解决方案的快速获取,也无法查看故障的影响范围和传播特性的技术问题,实现提高故障定位的准确性、故障的可视化和提升用户体验的目的。
第一方面,本发明提供一种故障判别方法,包括:
获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;
根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;
根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;
当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案;
其中,所述第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,所述实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,所述系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱。
进一步,根据本发明提供的一种故障判别方法,所述方法还包括:
当所述相似度值小于预设阈值时,根据所述故障数据信息生成第二故障知识图谱。
进一步,根据本发明提供的一种故障判别方法,所述获取待处理文本数据之前,包括:
获取多条告警数据;
根据所述多条告警数据得到多条时序数据,将所述多条时序数据输入地震模型中,得到多条故障数据;
根据所述多条故障数据以及所述多条故障数据对应的多个实体,得到多个实体故障知识图谱;
根据配置管理数据库中的业务系统和多个实体之间的对应关系,得到多个系统故障知识图谱;
根据预设的合并逻辑将所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱。
进一步,根据本发明提供的一种故障判别方法,所述根据预设的合并逻辑将所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱,包括:
当所述多个系统故障知识图谱在配置管理数据库中存在调用关系,且故障起始时间在预设时间范围内时,对所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱。
进一步,根据本发明提供的一种故障判别方法,所述根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值,包括:
根据所述故障数据信息与第一故障知识图谱中的故障数据分别计算业务系统相似度、实体相似度、实体类型相似度和故障标签相似度;
根据所述业务系统相似度、实体相似度、实体类型相似度和故障标签相似度得到相似度值。
进一步,根据本发明提供的一种故障判别方法,在所述获取待处理文本数据之前,所述方法还包括:
将所述第一故障知识图谱可视化展示,对所述第一故障知识图谱进行故障标记、编辑操作。
第二方面,本发明提供一种故障判别装置,包括:
获取模块,获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;
检测模块,用于根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;
计算模块,用于根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;
确认模块,当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案;
其中,所述第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,所述实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,所述系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱。
第三方面,本发明还提供一种电子设备,包括:
处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上任一项中所述故障判别方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上所述故障判别方法的步骤。
第五方面,本发明还提供一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上任一项所述故障判别方法的步骤。
本发明提供一种故障判别方法、装置、电子设备、存储介质及产品,所述方法包括:获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案。本发明通过预设的故障知识图谱能够实现故障的精准定位,查找到故障对应的解决方案,查看故障的影响范围和传播特性,提高工作效率,提升用户体验。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的一种故障判别方法的流程示意图;
图2是本发明提供的一种实体故障知识图谱的结构示意图;
图3是本发明提供的一种主机故障知识图谱的结构示意图;
图4是本发明提供的一种系统故障知识图谱的结果示意图;
图5是本发明提供的一种故障判别装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作出创造性劳动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。
图1为本发明提供的故障判别方法的流程示意图,如图1所示,本发明提供的故障判别方法,包括以下步骤:
步骤101:获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;
步骤102:根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;
步骤103:根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;
步骤104:当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案;
其中,所述第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,所述实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,所述系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱。
具体地,时序数据是指时间序列数据,时间序列数据是根据同一指标按时间顺序记录的数据列。其中,知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
在步骤101中,待处理文本数据为生产过程中实时采集得到的告警数据,其中,告警数据是在生产过程中根据实时采集的指标数据得到的,如在汽车零件生产过程中,采用指标采集系统实时采集各个实体的指标数据,同时根据指标数据产生告警数据。需要说明的是,指标采集系统的采集方式可以是静态阈值采集,也可以是人工智能检测采集,具体可以根据实际需要进行设定,在此不作具体限定。
在步骤102中,在接收到告警数据之后,根据得到的告警数据按照每分钟的统计时间间隔统计每个实体上每分钟发生的告警数据信息,将统计得到告警数据信息进行存储,得到时序数据;然后将得到的时序数据输入预先获取的地震模型中进行异常检测,得到故障数据信息,其中,故障数据信息包括业务系统故障的开始时间、结束时间、异常实体、告警类型特征等信息。需要说明的是,地震模型是一种根据输入的数据进行异常检测的模型,本实施例中采用现有技术中训练得到的地震模型,在本实施例中,根据配置管理数据库(Configuration Management Database,简称CMDB)中各个实体所属业务系统的关系数据,形成一定的汇聚逻辑输入地震模型中,其中,汇聚逻辑具体如根据发生异常的实体个数汇聚异常实体个数维度数据、根据发生异常的指标或者业务汇聚告警项维度数据、根据发生异常的时间范围汇聚业务系统异常时间维度数据和根据异常突变程度汇聚业务系统每分钟异常程度数据等信息。
在步骤103中,根据得到的故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,得到相似度值。其中,相似度值的计算用于判断业务系统故障的节点是否相同,具体的计算方法可见下述具体实施例。需要说明的是,第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱。
在步骤104中,当步骤103中计算得到的相似度值大于或等于预设阈值时,可以根据第一故障图谱中的故障信息得到待处理文本数据中的故障解决方案。如预设阈值为0.8,计算得到的相似度值为0.9,那么就可以根据第一故障知识图谱中查找到本次故障的解决方案。需要说明的是,预设阈值的设定可以根据经验值进行设定,也可以根据智能计算得到,在此不作具体限定。
本发明实施例中,通过根据获取的待处理文本数据得到时序数据,将时序数据输入地震模型中进行异常检测判断,得到故障数据信息,将故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,得到相似度值,然后将相似度值与预设阈值进行比较,当相似度值大于或等于预设阈值时从第一故障知识图谱中确定出本次故障的解决方案。本发明通过预设的故障知识图谱能够实现故障的精准定位,查找到故障对应的解决方案,查看故障的影响范围和传播特性,提高工作效率,提升用户体验。
在本发明的一个实施例中,所述方法还包括:
当所述相似度值小于预设阈值时,根据所述故障数据信息生成第二故障知识图谱。
在本发明实施例中,当相似度值小于预设阈值时,根据得到的故障数据信息生成第二故障知识图谱,也就是说,在第一故障知识图谱中不存在本次故障信息,本次出现的故障为新的故障,需要为本次出现的故障构建新的故障知识图谱。本发明实施例中,通过相似度判断的方式能够不断扩充故障知识图谱,使数据更完整。
在本发明的另一个实施例中,所述获取待处理文本数据之前,包括:
获取多条告警数据;
根据所述多条告警数据得到多条时序数据,将所述多条时序数据输入地震模型中,得到多条故障数据;
根据所述多条故障数据以及所述多条故障数据对应的多个实体,得到多个实体故障知识图谱;
根据配置管理数据库中的业务系统和多个实体之间的对应关系,得到多个系统故障知识图谱;
根据预设的合并逻辑将所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱。
具体地,合并逻辑是指按照一定的逻辑关系进行合并处理的方式。
在本发明实施例中,指标采集系统采集各个实体的指标数据,根据指标数据生成告警数据,并进行存储;而且还需要业务探测系统实时监控每个系统的业务状态,实时发送业务相关告警数据。其中,从告警数据中可以得到每个告警数据对应的告警类型、实体ID以及实体类型等信息。按照设定的时间将采集得到的告警数据进行存储,形成时序数据,将得到的多条时序数据输入地震模型中进行异常检测的判断,得到多条故障数据。其中,异常检测的方法可以是3sing,独立森林,KNN算法、标准差等算法,在此不作具体限定。需要说明的是,本实施例中将用于生产故障知识图谱的分析系统统称为智能运维系统,用于接收实时的指标数据,生成告警数据。其中,告警数据的内容如下表1-表2所示,但并不局限于以下三种告警数据。
表1告警数据内容
表2告警数据内容
在本发明实施例中,在获取到多条故障数据之后,根据多条故障数据以及多条故障数据对应的多个实体,得到多个实体故障知识图谱。其中,实体故障知识图谱包括以下信息:实体名称、实体类型、故障标题、故障指标、故障标签、故障状态、IP地址、异常突变程度等信息,其中,实体类型可以通过告警数据信息中得到,也可以通过关联CMDB进行查询;故障标题是指故障期间异常突出程度最为严重的业务告警标题;异常突出程度是通过标准差算法计算每分钟的指标数据标准差超过预设标准差的倍数,将超过的倍数作为异常突变程度值;故障指标是指故障起始时间内异常最为严重的指标,通常将异常突变程度值最大的指标作为实体故障指标;故障标签是故障时间范围内所有的故障类型。需要说明的是,本实施例中按照实体ID将所有故障数据信息汇聚到该实体上。
举例说明,如得到一个实体为某个实例,另一个实体为kafka=0的一个应用,通过发送的告警数据得到各个实体的类型、IP地址等信息,然后按照每分钟对采集到告警数据进行存储得到时序数据,将时序数据输入地震模型中进行故障判定,得到故障数据信息,从实例的故障数据信息中得到该实例中存在内存不足、页面404和业务故障等故障信息,而从应用实体的故障数据信息中得到内存不足、进程不唯一等故障信息,根据上述信息得到如图2所示的实体故障知识图谱。
在本发明实施例中,根据CMDB配置的业务关系,可以将所有实体分为4大类,分别为软件、主机、业务系统和网络设备,其中,软件包括实例、数据库、组件、中间件等;主机包括物理机、虚拟机、机柜等;网络设备包括交换机、防护墙、负载均衡、路由器等;业务系统包括集群、应用、模块等虚拟的实例组概念。实体之间的对应关系包括部署关系、使用关系、调用关系和运行关系。本实施例中将所有的实例、中间件、软件、数据库等实体根据所属IP地址汇聚到主机上,如果上述得到实体故障知识图谱中没有找到对应的主机,可以创建一个填充节点主机,将同一个IP地址的实体绑定在主机上,得到如图3所示的主机故障知识图谱,采用上述的合并方式同样可以得到网络设备知识图谱,然后根据CMDB业务系统和主机网络设备的关系,将得到的主机故障知识图谱和网络设备知识图谱进行合并,得到如图4所示的系统故障知识图谱。
在本发明实施例中,所述多个系统故障知识图谱根据预设的合并逻辑进行合并,主要是根据CMDB中的对应关系进行合并,并依次对所有系统故障知识图谱按照预设的合并逻辑进行合并,直到所有系统故障知识图谱都被合并到不同分组中,得到第一故障知识图谱。其中,第一故障知识图谱的故障标题为故障期间异常突变程度最为严重的业务系统所对应的故障标题;第一故障知识图谱的故障指标为故障起始时间最早且异常突变程度最为严重的业务系统的故障指标;且在合并过程中多个系统故障知识图谱之间的关系应该为CMDB中配置的调用关系。需要说明的是,本实施例中,第一故障知识图谱的故障标题也可以用出度为0的业务系统的故障节点标题表示,第一故障知识图谱的故障指标也可以用入度为0的业务系统节点指标表示,其中,出度为0是指业务系统的节点只有输入没有输出,入度为0是指业务系统的节点只有输出没有输入。具体可以根据实际需要进行设定,在此不作具体限定。
本发明实施例中,在获取待处理文本之前,将多条告警数据按照一定的方式进行存储得到时序数据,将时序数据输入地震模型中得到故障数据,然后根据故障数据以及对应的多个实体,得到多个实体故障知识图谱,根据配置管理数据库中的业务系统和多个实体之间的对应关系,得到多个系统故障知识图谱;根据预设的合并逻辑将所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱。通过第一故障知识图谱的构建,可以实现当前故障的精准定位,查找到当前故障对应的解决方案,查看故障的影响范围和传播特性。
在本发明的另一个实施例中,所述根据预设的合并逻辑将所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱,包括:
当所述多个系统故障知识图谱在配置管理数据库中存在调用关系,且故障起始时间在预设时间范围内时,对所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱。
在本发明实施例中,多个业务系统故障知识图谱根据CMDB中的关系进行合并,所述多个系统故障知识图谱预设的合并逻辑为当两个应用系统在CMDB中存在调用关系(调用关系可以是手动整理,也可以是通过调用链数据生成),且两个应用系统的故障起始时间满足一定的时间范围,则认为故障在两个业务系统之间进行了传播,将两个系统故障知识图谱进行合并,依次对所有系统故障知识图谱按照上述合并逻辑进行合并,直到所有系统故障知识图谱都被合并到不同分组中,得到第一故障知识图谱。可以为后续故障的精准定位,查找解决方案提供数据支持。
在本发明的另一个实施例中,所述根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值,包括:
根据所述故障数据信息与第一故障知识图谱中的故障数据分别计算业务系统相似度、实体相似度、实体类型相似度和故障标签相似度;
根据所述业务系统相似度、实体相似度、实体类型相似度和故障标签相似度得到相似度值。
具体地,相似度值是指用来表示两个故障是否为相同故障的数值。
在本发明实施例中,通过计算两个故障数据信息之间的相似度来获取故障的解决方案或用户进行标注,用于判定是否生成新的故障知识图谱。具体通过计算业务系统相似度、实体相似度、实体类型相似度和故障标签相似度来得到相似度值。
举例说明,通过计算两个故障数据信息中包含的业务系统节点是否相同,可以得出业务系统的相似度。
例如:故障A包含a1,a2,a3,3个业务系统;
故障B包含a1,a2,b1,b2,4个业务系统;
A,B两个故障中总共包含5个业务系统,其中有2个业务系统相同,那么业务系统相似度=2/5;
通过计算两个故障数据信息中包含的所有实体节点是否相同,可以得出实体的相似度。
例如:故障A包含a1,a2,a3,3个实体
故障B包含a1,a2,2个实体
A,B两个故障中总共包含3个实体,其中有2个实体相同,那么实体相似度=2/3;
通过计算两个故障数据信息中包含的所有实体类型是否相同,可以得出实体类相似度。
例如:故障A包含虚拟机,mysql,nginx,3个实体类型
故障B包含虚拟机,1个实体类型
A,B两个故障中总共包含3种实体类型,其中A,B故障中都包含虚拟机,那么实体类型相似度=1/3;
通过计算两个故障数据信息中故障标签是否相同,可以得到故障标签相似度。
例如:故障A总共包含10种故障
故障B总共包含10种故障
那么故障标签相似度为100%;
相似度值=业务系统相似度*实体相似度*实体类型相似度*故障标签相似度=2/5*2/3*1/3*1=0.09。
本发明实施例中,通过上述方式计算得到相似度值,根据相似度值与预设阈值的关系,可以进行故障类别的判定,实现故障的精准定位,获取故障的解决方案。
在本发明的另一个实施例中,在所述获取待处理文本数据之前,所述方法还包括:
将所述第一故障知识图谱可视化展示,对所述第一故障知识图谱进行故障标记、编辑操作。
具体地,可视化(Visualization)是利用计算机图形学和图像处理技术,将数据转换成图形或图像在屏幕上显示出来,再进行交互处理的理论、方法和技术。
在本发明实施例中,将第一故障知识图谱可视化展示,用户可以通过可操作界面查看第一故障知识图谱,同时可以根据第一故障知识图谱展示的组件、主机、业务系统以及故障标签组等信息进行编辑,如可以删除业务系统关系的连接方式,解除故障在业务系统中创建的传播关系,也可以在第一故障知识图谱编辑实体与业务系统之间的关系,标记当前故障与该实体是否有关,还可以对当前故障进行有效或无效标记,并更新标记后的故障知识图谱。
本发明实施例中,通过将第一故障知识图谱的可视化处理,能够实现动态地更新故障知识图谱,保证故障检测时的准确性。
图5为本发明提供的一种故障判别装置,如图5所示,本发明提供的故障判别装置,包括:
获取模块501,用于获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;
检测模块502,用于根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;
计算模块503,用于根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;
确认模块504,用于当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案;
其中,所述第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,所述实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,所述系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱。
本发明提供的故障判别装置,通过预设的故障知识图谱能够实现故障的精准定位,查找到故障的解决方案,查看故障的影响范围和传播特性,提高工作效率,提升用户体验。
进一步地,所述装置还包括生成模块,所述生成模块用于:
当所述相似度值小于预设阈值时,根据所述故障数据信息生成第二故障知识图谱。
进一步地,所述装置还包括合并模块,所述合并模块用于:
获取多条告警数据;
根据所述多条告警数据得到多条时序数据,将所述多条时序数据输入地震模型中,得到多条故障数据;
根据所述多条故障数据以及所述多条故障数据对应的多个实体,得到多个实体故障知识图谱;
根据配置管理数据库中的业务系统和多个实体之间的对应关系,得到多个系统故障知识图谱;
根据预设的合并逻辑将所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱。
进一步地,所述合并模块还用于:
当所述多个系统故障知识图谱在配置管理数据库中存在调用关系,且故障起始时间在预设时间范围内时,对所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱。
进一步地,所述计算模块还用于:
根据所述故障数据信息与第一故障知识图谱中的故障数据分别计算业务系统相似度、实体相似度、实体类型相似度和故障标签相似度;
根据所述业务系统相似度、实体相似度、实体类型相似度和故障标签相似度得到相似度值。
进一步地,所述装置还包括可视化与编辑模块,所述可视化与编辑模块用于:
将所述第一故障知识图谱可视化展示,对所述第一故障知识图谱进行故障标记、编辑操作。
由于本发明实施例所述装置与上述实施例所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
图6为本发明实施例提供的电子设备实体结构示意图,如图6所示,本发明提供一种电子设备,包括:处理器(processor)601、存储器(memory)602和总线603;
其中,处理器601、存储器602通过总线603完成相互间的通信;
处理器601用于调用存储器602中的程序指令,以执行上述各方法实施例中所提供的方法,例如包括:获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案;其中,所述第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,所述实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,所述系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案;其中,所述第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,所述实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,所述系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱。
本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,该方法包括:获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案;其中,所述第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,所述实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,所述系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (9)
1.一种故障判别方法,其特征在于,包括:
获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;
根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;
根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;
当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案;
其中,所述第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,所述实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,所述系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱;
其中,所述根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值,包括:
根据所述故障数据信息与第一故障知识图谱中的故障数据分别计算业务系统相似度、实体相似度、实体类型相似度和故障标签相似度;
根据所述业务系统相似度、实体相似度、实体类型相似度和故障标签相似度得到相似度值。
2.根据权利要求1所述的故障判别方法,其特征在于,所述方法还包括:
当所述相似度值小于预设阈值时,根据所述故障数据信息生成第二故障知识图谱。
3.根据权利要求1所述的故障判别方法,其特征在于,所述获取待处理文本数据之前,包括:
获取多条告警数据;
根据所述多条告警数据得到多条时序数据,将所述多条时序数据输入地震模型中,得到多条故障数据;
根据所述多条故障数据以及所述多条故障数据对应的多个实体,得到多个实体故障知识图谱;
根据配置管理数据库中的业务系统和多个实体之间的对应关系,得到多个系统故障知识图谱;
根据预设的合并逻辑将所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱。
4.根据权利要求3所述的故障判别方法,其特征在于,所述根据预设的合并逻辑将所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱,包括:
当所述多个系统故障知识图谱在配置管理数据库中存在调用关系,且故障起始时间在预设时间范围内时,对所述多个系统故障知识图谱进行合并处理,得到第一故障知识图谱。
5.根据权利要求1所述的故障判别方法,其特征在于,在所述获取待处理文本数据之前,所述方法还包括:
将所述第一故障知识图谱可视化展示,对所述第一故障知识图谱进行故障标记、编辑操作。
6.一种故障判别装置,其特征在于,包括:
获取模块,获取待处理文本数据;其中,所述待处理文本数据为生产过程中实时采集得到的告警数据;
检测模块,用于根据所述待处理文本数据提取时序数据,将所述时序数据输入地震模型进行异常检测,获取故障数据信息;
计算模块,用于根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值;
确认模块,当所述相似度值大于或等于预设阈值时,根据所述第一故障知识图谱确认故障解决方案;
其中,所述第一故障知识图谱是由实体故障知识图谱和系统故障知识图谱构成的;其中,所述实体故障知识图谱是指根据故障数据信息以及故障对应的实体类型构建的知识图谱,所述系统故障知识图谱是由多个实体故障知识图谱按照一定逻辑构成的知识图谱;
所述计算模块,用于根据所述故障数据信息与第一故障知识图谱中的故障数据进行相似度的计算,获取相似度值,包括:
根据所述故障数据信息与第一故障知识图谱中的故障数据分别计算业务系统相似度、实体相似度、实体类型相似度和故障标签相似度;
根据所述业务系统相似度、实体相似度、实体类型相似度和故障标签相似度得到相似度值。
7.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5中任一项所述故障判别方法的步骤。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5中任一项所述故障判别方法的步骤。
9.一种计算机程序产品,包括计算机程序,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5任一项所述故障判别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110961610.8A CN113672743B (zh) | 2021-08-20 | 2021-08-20 | 故障判别方法、装置、电子设备、存储介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110961610.8A CN113672743B (zh) | 2021-08-20 | 2021-08-20 | 故障判别方法、装置、电子设备、存储介质及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113672743A CN113672743A (zh) | 2021-11-19 |
CN113672743B true CN113672743B (zh) | 2024-04-02 |
Family
ID=78544571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110961610.8A Active CN113672743B (zh) | 2021-08-20 | 2021-08-20 | 故障判别方法、装置、电子设备、存储介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113672743B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114526930B (zh) * | 2022-03-09 | 2024-03-26 | 河南职业技术学院 | 一种智能网联汽车故障检测方法及系统 |
CN114443443B (zh) * | 2022-04-11 | 2022-08-02 | 北京优特捷信息技术有限公司 | 一种故障自愈方法、装置、设备及存储介质 |
CN115146084B (zh) * | 2022-07-14 | 2023-11-24 | 贵州电网有限责任公司 | 从非结构化数据获取设备故障及维修数据的方法及装置 |
CN116702073B (zh) * | 2023-05-18 | 2024-03-15 | 德联易控科技(北京)有限公司 | 一种故障事件的提示方法、装置、电子设备及存储介质 |
CN117389230A (zh) * | 2023-11-16 | 2024-01-12 | 广州中健中医药科技有限公司 | 抗高血压中药提取液生产控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020660A (zh) * | 2017-12-06 | 2019-07-16 | 埃森哲环球解决方案有限公司 | 使用人工智能(ai)技术的非结构化过程的完整性评估 |
CN112148887A (zh) * | 2020-09-16 | 2020-12-29 | 珠海格力电器股份有限公司 | 设备故障诊断方法、装置、存储介质和电子设备 |
CN112596495A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及系统 |
CN113032238A (zh) * | 2021-05-25 | 2021-06-25 | 南昌惠联网络技术有限公司 | 基于应用知识图谱的实时根因分析方法 |
-
2021
- 2021-08-20 CN CN202110961610.8A patent/CN113672743B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020660A (zh) * | 2017-12-06 | 2019-07-16 | 埃森哲环球解决方案有限公司 | 使用人工智能(ai)技术的非结构化过程的完整性评估 |
CN112148887A (zh) * | 2020-09-16 | 2020-12-29 | 珠海格力电器股份有限公司 | 设备故障诊断方法、装置、存储介质和电子设备 |
CN112596495A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及系统 |
CN113032238A (zh) * | 2021-05-25 | 2021-06-25 | 南昌惠联网络技术有限公司 | 基于应用知识图谱的实时根因分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113672743A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113672743B (zh) | 故障判别方法、装置、电子设备、存储介质及产品 | |
CN103513983B (zh) | 用于预测性警报阈值确定工具的方法和系统 | |
CN109213747B (zh) | 一种数据管理方法及装置 | |
CN112148772A (zh) | 告警根因识别方法、装置、设备和存储介质 | |
CN111726248A (zh) | 一种告警根因定位方法及装置 | |
CN111435366A (zh) | 设备故障诊断方法、装置和电子设备 | |
CN110221145A (zh) | 电力设备故障诊断方法、装置及终端设备 | |
US11231980B1 (en) | Method, device and system for fault detection | |
CN111539493A (zh) | 一种告警预测方法、装置、电子设备及存储介质 | |
CN112328425A (zh) | 一种基于机器学习的异常检测方法和系统 | |
KR20230030542A (ko) | 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법 | |
CN111209472A (zh) | 一种铁路事故故障关联和事故故障原因分析方法及系统 | |
CN113505265A (zh) | 数据的查询方法、装置及电子设备、存储介质、程序产品 | |
CN107330076B (zh) | 一种网络舆情信息展示系统及方法 | |
CN111767193A (zh) | 一种服务器数据异常检测方法、装置、存储介质及设备 | |
CN115809302A (zh) | 元数据处理方法、装置、设备及存储介质 | |
CN114625556A (zh) | 系统异常处理方法、装置、设备、存储介质和产品 | |
CN112486841A (zh) | 埋点采集数据校验的方法及装置 | |
CN111159411B (zh) | 一种融合知识图谱的文本立场分析方法、系统及存储介质 | |
JP6515048B2 (ja) | インシデント管理システム | |
CN115828145A (zh) | 一种电子设备的在线监测方法、系统及介质 | |
CN113157741B (zh) | 基于维度转换的业务状态可视化方法、装置和电子设备 | |
CN115576834A (zh) | 支撑故障还原的软件测试复用方法、系统、终端及介质 | |
CN115495587A (zh) | 一种基于知识图谱的告警分析方法及装置 | |
CN114840519A (zh) | 一种数据打标签的方法、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |