CN113792154A - 故障关联关系的确定方法、装置、电子设备及存储介质 - Google Patents
故障关联关系的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113792154A CN113792154A CN202111004820.4A CN202111004820A CN113792154A CN 113792154 A CN113792154 A CN 113792154A CN 202111004820 A CN202111004820 A CN 202111004820A CN 113792154 A CN113792154 A CN 113792154A
- Authority
- CN
- China
- Prior art keywords
- fault
- target
- event
- events
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 28
- 230000001364 causal effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013024 troubleshooting Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了故障关联关系的确定方法、装置、电子设备及存储介质,涉及自然语言处理、知识图谱等人工智能技术领域。具体实现方案为:获取故障图谱,故障图谱中包括事件节点、属性节点,以及连接事件节点和对应属性节点的边;对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点;根据目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性;将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配;根据匹配的关系规则确定至少两个目标故障事件之间的关联关系。实现了对故障事件之间的关联关系的自动挖掘,减少了人力成本,且准确性高,可迁移性高。
Description
技术领域
本公开涉及计算机技术领域,特别涉及自然语言处理、知识图谱等人工智能技术领域,尤其涉及故障关联关系的确定方法、装置、电子设备及存储介质。
背景技术
目前,在各应用场景中,经常出现各种类型的故障事件。比如,服务器工作异常、电子产品出现显示界面黑屏、供电电路异常或者定位模块离线等等。不同的故障事件之间可能存在着关联关系。比如,以电子设备的“供电电路异常”和“定位模块离线”这两个故障事件为例,“供电电路异常”故障事件通常会导致“定位模块离线”故障事件的发生,即这两个故障事件之间存在因果关系。
相关技术,通常由各领域的业务人员根据经验人工确定故障事件之间的关联关系,这种方式不仅人力成本高、准确性差,且由于各领域的业务人员擅长的领域不同,因此可迁移性差,无法在各领域中互通。
发明内容
本公开提供了一种故障关联关系的确定方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种故障关联关系的确定方法,包括:获取故障图谱,其中,所述故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接所述事件节点和对应属性节点的边;对所述故障图谱中至少两个目标事件节点,从所述故障图谱中查询通过所述边连接的目标属性节点;根据各所述目标事件节点连接的所述目标属性节点,确定各所述目标事件节点所指示的目标故障事件的故障属性;将所述至少两个目标故障事件的所述故障属性,以及所述至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配;根据匹配的关系规则确定所述至少两个目标故障事件之间的关联关系。
根据本公开的另一方面,提供了一种故障关联关系的确定装置,包括:第一获取模块,用于获取故障图谱,其中,所述故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接所述事件节点和对应属性节点的边;查询模块,用于对所述故障图谱中至少两个目标事件节点,从所述故障图谱中查询通过所述边连接的目标属性节点;第一确定模块,用于根据各所述目标事件节点连接的所述目标属性节点,确定各所述目标事件节点所指示的目标故障事件的故障属性;匹配模块,用于将所述至少两个目标故障事件的所述故障属性,以及所述至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配;第二确定模块,用于根据匹配的关系规则确定所述至少两个目标故障事件之间的关联关系。
根据本公开的另一方面,提供了一种电子设备,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上所述的故障关联关系的确定方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上所述的故障关联关系的确定方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的故障关联关系的确定方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的故障关联关系的确定方法的流程示意图;
图2是根据本公开第一实施例的部分故障图谱的示例图;
图3是根据本公开第二实施例的故障关联关系的确定方法的流程示意图;
图4是根据本公开第三实施例的故障关联关系的确定方法的流程示意图;
图5是根据本公开第四实施例的故障关联关系的确定装置的结构示意图;
图6是根据本公开第五实施例的故障关联关系的确定装置的结构示意图;
图7是用来实现本公开实施例的故障关联关系的确定方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
相关技术,通常由各领域的业务人员根据经验人工确定故障事件之间的关联关系,这种方式不仅人力成本高、准确性差,且由于各领域的业务人员擅长的领域不同,因此可迁移性差,无法在各领域中互通。
本公开提出一种故障关联关系的确定方法,首先获取故障图谱,其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边,再对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点,根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性,进而将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,根据匹配的关系规则确定至少两个目标故障事件之间的关联关系。由此,实现了对故障事件之间的关联关系的自动挖掘,减少了人力成本,且准确性高,另外,故障事件之间的关联关系具有可解释性,可迁移性高。
下面参考附图描述本公开实施例的故障关联关系的确定方法、装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品。
首先结合图1,对本公开提供的故障关联关系的确定方法进行详细描述。
图1是根据本公开第一实施例的故障关联关系的确定方法的流程示意图。其中,需要说明的是,本实施例提供的故障关联关系的确定方法,执行主体为故障关联关系的确定装置,以下简称确定装置,该确定装置可以为电子设备,也可以被配置在电子设备中,以对故障事件之间的关联关系进行自动准确的挖掘。本公开实施例以确定装置被配置在电子设备中为例进行说明。
其中,电子设备,可以是任意能够进行数据处理的静止或者移动计算设备,例如笔记本电脑、智能手机、可穿戴设备等移动计算设备,或者台式计算机等静止的计算设备,或者服务器,或者其它类型的计算设备等,本公开对此不作限制。
如图1所示,故障关联关系的确定方法,可以包括以下步骤:
步骤101,获取故障图谱,其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边。
其中,故障属性,可以表示故障事件的属性信息,比如可以表示故障事件的故障原因、故障类型、故障现象、故障解决建议等信息。
在示例性实施例中,可以预先基于历史故障库中的多个故障工单,构建故障图谱,从而在进行故障关联关系的挖掘时,可以获取预先构建的故障图谱。其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边。需要说明的是,故障图谱中,相同的故障属性采用同一属性节点指示。
参考图2所示的部分故障图谱,在故障图谱中,可以包括指示故障事件1的事件节点201、指示故障事件2的事件节点202、指示故障事件3的事件节点203、指示故障现象1的属性节点204、指示故障原因1的属性节点205、指示故障原因2的属性节点206,以及连接各事件节点和对应属性节点的边,比如连接事件节点201和属性节点204的边,连接事件节点202和属性节点204的边等。
步骤102,对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点。
其中,目标事件节点,为待确定其关联关系的事件节点。
在示例性实施例中,由于故障图谱中各事件节点与对应的属性节点通过边连接,从而可以查询故障图谱中各事件节点与对应属性节点的连接关系,确定与故障图谱中至少两个目标事件节点通过边连接的目标属性节点。其中,与每个目标事件节点通过边连接的目标属性节点,可能为一个,也可能为多个。
步骤103,根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性。
在示例性实施例中,从故障图谱中查询到与至少两个目标事件节点通过边连接的目标属性节点后,即可将目标属性节点所指示的故障属性,确定为目标属性节点所指示的目标故障事件的故障属性。
继续参考图2,假设目标事件节点包括事件节点201和事件节点203,根据故障图谱中各事件节点与对应属性节点的连接关系,可以从故障图谱中查询到通过边与事件节点201连接的目标属性节点204以及目标属性节点205,通过边与事件节点203连接的目标属性节点204和目标属性节点205,由于目标属性节点204指示故障现象1,目标属性节点205指示故障原因1,从而可以确定目标事件节点201所指示的目标故障事件1的故障属性包括故障现象1和故障原因1,并确定目标事件节点203所指示的目标故障事件3的故障属性包括故障现象1和故障原因1。
步骤104,将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配。
其中,描述信息,可以描述故障事件的详细信息,比如故障事件的发生时间、故障事件的故障名称、故障事件的处理时间、故障事件的发生城市、故障事件的发生部门等信息。
在示例性实施例中,故障图谱中将描述信息作为事件节点的附属属性信息,从而可以通过查询故障图谱中至少两个目标事件节点的附属属性信息,获取至少两个目标事件节点的描述信息。
步骤105,根据匹配的关系规则确定至少两个目标故障事件之间的关联关系。
在示例性实施例中,可以预先定义关系规则,关系规则中包括至少两个故障事件之间为各类关联关系时,至少两个故障事件的故障属性以及对应事件节点的描述信息需要满足的条件,从而可以将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,以根据匹配的关系规则确定至少两个目标故障事件之间的关联关系。
举例来说,假设预先定义的关系规则中包括:在至少两个事件的故障现象及故障原因均相同时,该至少两个故障事件之间的关联关系为相似关系,继续参考图2,则在目标事件节点包括事件节点201和事件节点203时,由于目标故障事件1和目标故障事件3的故障属性均包括故障现象1和故障原因1,与相似关系对应的关系规则匹配,则可以确定目标故障事件1和目标故障事件3之间的关联关系为相似关系。
通过上述过程,实现了对故障事件之间的关联关系的自动挖掘,减少了人力成本,且由于基于预先构建的故障图谱中事件节点与对应属性节点的连接关系,确定至少两个目标故障事件的故障属性,进而根据至少两个目标故障事件的故障属性、至少两个目标事件节点的描述信息以及预先定义的关系规则确定故障事件之间的关联关系,相比根据经验通过人工确定故障事件之间的关联关系,本实施例的技术方案确定的故障事件之间的关联关系的准确性更高,且故障事件之间的关联关系具有可解释性,对于多个领域的故障事件,均可以采用本实施例提供的技术方案来确定故障事件之间的关联关系,因此本实施例的故障关联关系的确定方法的可迁移性高。
综上,本公开实施例提供的故障关联关系的确定方法,首先获取故障图谱,其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边,再对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点,根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性,进而将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,根据匹配的关系规则确定至少两个目标故障事件之间的关联关系。由此,实现了对故障事件之间的关联关系的自动挖掘,减少了人力成本,且准确性高,另外,故障事件之间的关联关系具有可解释性,可迁移性高。
通过上述分析可知,本公开实施例中,可以将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,以根据匹配的关系规则确定至少两个目标故障事件之间的关联关系,下面结合图3,对本公开提供的故障关联关系的确定方法中的预先定义的关系规则以及根据预先定义的关系规则确定至少两个目标故障事件之间的关联关系的过程进一步说明。
图3是根据本公开第二实施例的故障关联关系的确定方法的流程示意图。如图3所示,故障关联关系的确定方法,可以包括以下步骤:
步骤301,获取故障图谱,其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边。
步骤302,对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点。
步骤303,根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性,其中,故障属性包括以下至少一个维度:故障原因、故障现象和故障类型。
步骤304,将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,其中,描述信息包括故障发生时间。
在示例性实施例中,预先定义的关系规则,可以包括下列中的至少一个:
在至少两个故障事件的故障原因之间的重合度超过第一预设阈值时,至少两个故障事件之间的关联关系为共现关系;
在至少两个故障事件的故障类型之间的重合度超过第二预设阈值,且至少两个故障事件的故障发生时间的间隔超过预设时间阈值时,至少两个故障事件之间的关联关系为因果关系;
在至少两个故障事件的故障发生时间不同,且至少两个故障事件之间不为因果关系时,至少两个故障事件之间的关联关系为时序关系;
在至少两个故障事件的故障现象及故障原因均相同时,至少两个故障事件之间的关联关系为相似关系。
其中,第一预设阈值、第二预设阈值、预设时间阈值,可以根据需要设置,本公开对此不作限制。
可以理解的是,对于一个故障事件,可能具有多个故障原因,或者对应多个故障类型,在本公开实施例中,可以根据两个故障事件所具有的相同故障类型的数量,确定两个故障事件的故障类型之间的重合度,根据两个故障事件所具有的相同故障原因的数量,确定两个故障事件的故障原因之间的重合度。
举例来说,假设故障事件4的故障原因包括故障原因1、故障原因2、故障原因3和故障原因4,故障事件5的故障原因包括故障原因2、故障原因3、故障原因4和故障原因5,即故障事件4和故障事件5具有3个相同的故障原因,则可以确定故障事件4和故障事件5的故障原因之间的重合度为75%。
通过预先定义上述关系规则,关系规则中包括至少两个故障事件之间分别为共现关系、因果关系、时序关系和相似关系时,至少两个故障事件的故障属性以及对应事件节点的描述信息需要满足的条件,为后续基于预先定义的关系规则,准确确定至少两个目标故障事件之间的关联关系为共现关系、因果关系、时序关系或相似关系奠定了基础。
步骤305,将匹配的关系规则对应的关联关系,确定为至少两个目标故障事件之间的关联关系。
在示例性实施例中,可以确定至少两个目标故障事件的故障原因之间的重合度,并判断至少两个目标故障事件的故障原因之间的重合度是否超过第一预设阈值,在至少两个目标故障事件的故障原因之间的重合度超过第一预设阈值时,即与共现关系对应的关系规则匹配时,即可确定至少两个目标故障事件之间的关联关系为共现关系。
在示例性实施例中,可以确定至少两个目标故障事件的故障类型之间的重合度以及至少两个目标故障事件的故障发生时间的间隔,并判断至少两个目标故障事件的故障类型之间的重合度是否超过第二预设阈值,以及至少两个目标故障事件的故障发生时间的间隔是否超过预设时间阈值。在至少两个目标故障事件的故障类型之间的重合度超过第二预设阈值,且至少两个目标故障事件的故障发生时间的间隔超过预设时间阈值时,即与因果关系对应的关系规则匹配时,即可确定至少两个目标故障事件之间的关联关系为因果关系。
在示例性实施例中,可以确定至少两个目标故障事件的故障发生时间是否相同,并判断至少两个目标故障事件之间是否为因果关系,在至少两个目标故障事件的故障发生时间不同,且至少两个目标故障事件之间不为因果关系时,即与时序关系对应的关系规则匹配时,即可确定至少两个目标故障事件之间的关联关系为时序关系。
在示例性实施例中,可以判断至少两个目标故障事件的故障现象是否相同,以及至少两个目标故障事件的故障原因是否相同,在至少两个目标故障事件的故障现象相同,且至少两个目标故障事件的故障原因相同时,即与相似关系对应的关系规则匹配时,即可确定至少两个目标故障事件之间的关联关系为相似关系。
通过将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,将匹配的关系规则对应的关联关系,确定为至少两个目标故障事件之间的关联关系,实现了利用预先定义的关系规则,自动、准确地确定至少两个目标故障事件之间的关联关系。
在示例性实施例中,在确定至少两个目标故障事件之间的关联关系后,获取到待排查故障事件时,若待排查故障事件属于存在关联关系的至少两个目标故障事件中的一个,则可以对至少两个目标故障事件中的其余事件进行故障排查,由此,使得维修人员可以更便捷的获取到与待排查故障存在关联关系的其余事件,并快速对其余事件进行故障排查,提高了故障排查和故障处理的效率。
综上,本公开实施例提供的故障关联关系的确定方法,首先获取故障图谱,其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边,再对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点,根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性,其中,故障属性包括以下至少一个维度:故障原因、故障现象和故障类型,进而将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,其中,描述信息包括故障发生时间,将匹配的关系规则对应的关联关系,确定为至少两个目标故障事件之间的关联关系。由此,实现了对故障事件之间的关联关系的自动挖掘,减少了人力成本,且准确性高,另外,故障事件之间的关联关系具有可解释性,可迁移性高。
通过上述分析可知,本公开实施例中,可以预先构建知识图谱,进而基于知识图谱以及预先定义的关系规则,确定至少两个目标故障事件之间的关联关系,下面结合图4,对本公开提供的故障关联关系的确定方法中,生成故障图谱的过程进一步说明。
图4是根据本公开第三实施例的故障关联关系的确定方法的流程示意图。如图4所示,故障关联关系的确定方法,可以包括以下步骤:
步骤401,读取历史故障库中的多个故障工单。
其中,每个故障工单对应一个故障事件。
步骤402,从多个故障工单中提取对应故障事件的各维度的故障信息,其中,各维度的故障信息包括以下至少一个维度的信息:故障现象、故障原因、故障类型和故障发生时间。
在示例性实施例中,对于每个故障工单,可以从故障工单中提取对应故障事件的各维度的故障信息。
在示例性实施例中,针对故障事件的故障信息的每个维度,可以预先训练得到对应的故障提取模型,从而针对每个故障工单,可以将故障工单中的文本输入目标维度对应的故障提取模型,以提取对应故障事件的目标维度的故障信息。
比如,可以预先训练得到故障现象、故障原因、故障类型和故障发生时间这四个维度对应的四个故障提取模型,每个故障提取模型对应一个维度。从而针对每个故障工单,将故障工单中的文本输入故障现象维度对应的故障提取模型,可以提取对应故障事件的故障现象;将故障工单中的文本输入故障原因维度对应的故障提取模型,可以提取对应故障事件的故障原因;将故障工单中的文本输入故障类型维度对应的故障提取模型,可以提取对应故障事件的故障类型;将故障工单中的文本输入故障发生时间维度对应的故障提取模型,可以提取对应故障事件的故障发生时间。由此,可以准确提取到故障工单对应的故障事件的各维度的故障信息。
在示例性实施例中,以目标维度对应的故障提取模型为例,可以通过利用训练数据对预训练语义模型进行微调得到该故障提取模型。其中,训练数据包括样本故障工单,样本故障工单以目标维度的至少一个属性标签进行标注,比如,获取故障原因维度对应的故障提取模型时,对样本故障工单标注至少一个故障原因。
即,在将故障工单中的文本输入故障提取模型之前,还包括:
利用训练数据对预训练语义模型进行微调,以获取故障提取模型;其中,训练数据包括样本故障工单,样本故障工单以目标维度的至少一个属性标签进行标注。
其中,预训练语义模型,可以为自然语言处理领域的任意能够实现信息提取的语义模型,本公开对预训练语义模型的类型和结构不作限制。
在示例性实施例中,对预训练语义模型进行微调时,例如可以通过深度学习的方式,相比于其它机器学习方法,深度学习在大数据集上的表现更好。
利用训练数据对预训练语义模型进行微调时,可以将训练数据中的样本故障工单中的文本作为输入,输入预训练语义模型,获取样本故障工单对应的样本故障事件的目标维度的预测故障信息,并结合标注的该样本故障工单的目标维度的至少一个属性标签,得到该预测故障信息与至少一个属性标签之间的差异,以根据差异对预训练语义模型的模型参数进行调整,得到调整后的预训练语义模型。由此,通过利用训练数据中的多个样本故障工单,不断地调整预训练语义模型的模型参数对预训练语义模型进行迭代训练,直至预训练语义模型输出的预测故障信息的准确率满足预先设定的阈值,训练结束,得到目标维度对应的故障提取模型。
通过利用训练数据对预训练语义模型进行微调,来获取故障提取模型,使得只需利用少量训练数据对已有的预训练语义模型进行微调即可将已有的预训练语义模型应用于本公开实施例的场景,从而利用微调得到的故障提取模型提取故障事件的故障信息,减少了故障提取模型的训练成本。
步骤403,对多个故障工单对应的故障事件,分别建立指示故障事件的事件节点;其中,将故障事件的和故障发生时间,作为事件节点的描述信息。
步骤404,建立多个候选属性节点,其中,每个候选属性节点指示故障现象、故障原因,以及故障类型中的一个。
步骤405,将指示相同故障属性的候选属性节点合并,以得到多个属性节点。
步骤406,根据各故障事件和对应的故障信息,确定连接多个事件节点与多个属性节点的边。
步骤407,根据多个事件节点、多个属性节点,以及连接多个事件节点与对应属性节点的边,生成故障图谱。
在示例性实施例中,从多个故障工单中提取对应故障事件的各维度的故障信息后,即可对多个故障工单对应的故障事件,分别建立指示故障事件的事件节点,其中,将故障事件的和故障发生时间,作为事件节点的描述信息,并建立多个候选属性节点,其中,每个候选属性节点指示故障现象、故障原因,以及故障类型中的一个。由于对于不同的故障事件,可能存在相同的故障现象、故障原因或故障类型,本公开实施例中,需要将指示相同故障属性的候选属性节点合并,以得到多个属性节点。
进而,可以根据各故障事件和对应的故障信息,确定连接多个事件节点与多个属性节点的边,并根据多个事件节点、多个属性节点,以及连接多个事件节点与对应属性节点的边,生成故障图谱。
由此,实现了充分利用历史故障库中的历史故障工单,获取各故障事件的各维度的故障信息,并基于各故障事件和对应的故障信息,确定多个事件节点与多个属性节点的连接关系,进而构建故障图谱,为后续利用故障图谱准确确定至少两个目标故障事件之间的关联关系奠定了基础。
在示例性实施例中,生成故障图谱后,即可基于故障图谱,进行后续确定至少两个目标故障事件间的关联关系的步骤。
步骤408,获取故障图谱,其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边。
步骤409,对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点。
步骤410,根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性。
步骤411,将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配。
步骤412,根据匹配的关系规则确定至少两个目标故障事件之间的关联关系。
其中,上述步骤408-412的具体实现过程及原理,可以参考上述实施例的描述,此处不再赘述。
综上,通过获取故障图谱后,对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点,根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性,进而将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,根据匹配的关系规则确定至少两个目标故障事件之间的关联关系,实现了对故障事件之间的关联关系的自动挖掘,减少了人力成本,且准确性高,另外,故障事件之间的关联关系具有可解释性,可迁移性高。
下面结合图5,对本公开提供的故障关联关系的确定装置进行说明。
图5是根据本公开第四实施例的故障关联关系的确定装置的结构示意图。
如图5所示,本公开提供的故障关联关系的确定装置500,包括:第一获取模块501、查询模块502、第一确定模块503、匹配模块504以及第二确定模块505。
其中,第一获取模块501,用于获取故障图谱,其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边;
查询模块502,用于对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点;
第一确定模块503,用于根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性;
匹配模块504,用于将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配;
第二确定模块505,用于根据匹配的关系规则确定至少两个目标故障事件之间的关联关系。
需要说明的是,本实施例提供的故障关联关系的确定装置,可以执行前述实施例的故障关联关系的确定方法。其中,故障关联关系的确定装置可以为电子设备,也可以被配置在电子设备中,以对故障事件之间的关联关系进行自动准确的挖掘。
其中,电子设备,可以是任意能够进行数据处理的静止或者移动计算设备,例如笔记本电脑、智能手机、可穿戴设备等移动计算设备,或者台式计算机等静止的计算设备,或者服务器,或者其它类型的计算设备等,本公开对此不作限制。
需要说明的是,前述对于故障关联关系的确定方法的实施例的说明,也适用于本公开提供的故障关联关系的确定装置,此处不再赘述。
本公开实施例提供的故障关联关系的确定装置,首先获取故障图谱,其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边,再对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点,根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性,进而将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,根据匹配的关系规则确定至少两个目标故障事件之间的关联关系。由此,实现了对故障事件之间的关联关系的自动挖掘,减少了人力成本,且准确性高,另外,故障事件之间的关联关系具有可解释性,可迁移性高。
下面结合图6,对本公开提供的故障关联关系的确定装置进行说明。
图6是根据本公开第五实施例的故障关联关系的确定装置的结构示意图。
如图6所示,故障关联关系的确定装置600,具体可以包括:第一获取模块601、查询模块602、第一确定模块603、匹配模块604以及第二确定模块605。其中,图6中第一获取模块601、查询模块602、第一确定模块603、匹配模块604以及第二确定模块605与图5中第一获取模块501、查询模块502、第一确定模块503、匹配模块504以及第二确定模块505具有相同功能和结构。
在示例性实施例中,故障属性包括以下至少一个维度:故障原因、故障现象和故障类型,描述信息包括故障发生时间;
预先定义的关系规则,包括下列中的至少一个:
在至少两个故障事件的故障原因之间的重合度超过第一预设阈值时,至少两个故障事件之间的关联关系为共现关系;
在至少两个故障事件的故障类型之间的重合度超过第二预设阈值,且至少两个故障事件的故障发生时间的间隔超过预设时间阈值时,至少两个故障事件之间的关联关系为因果关系;
在至少两个故障事件的故障发生时间不同,且至少两个故障事件之间不为因果关系时,至少两个故障事件之间的关联关系为时序关系;
在至少两个故障事件的故障现象及故障原因均相同时,至少两个故障事件之间的关联关系为相似关系。
在示例性实施例中,故障关联关系的确定装置600,还包括:
读取模块606,用于读取历史故障库中的多个故障工单;
提取模块607,用于从多个故障工单中提取对应故障事件的各维度的故障信息,其中,各维度的故障信息包括以下至少一个维度的信息:故障现象、故障原因、故障类型和故障发生时间;
第一建立模块608,用于对多个故障工单对应的故障事件,分别建立指示故障事件的事件节点;其中,将故障事件的和故障发生时间,作为事件节点的描述信息;
第二建立模块609,用于建立多个候选属性节点,其中,每个候选属性节点指示故障现象、故障原因,以及故障类型中的一个;
合并模块610,用于将指示相同故障属性的候选属性节点合并,以得到多个属性节点;
第三确定模块611,用于根据各故障事件和对应的故障信息,确定连接多个事件节点与多个属性节点的边;
生成模块612,用于根据多个事件节点、多个属性节点,以及连接多个事件节点与对应属性节点的边,生成故障图谱。
在示例性实施例中,提取模块607,包括:
提取单元,用于针对每个故障工单,将故障工单中的文本输入故障提取模型,以提取对应故障事件的目标维度的故障信息,其中,故障提取模型对应目标维度。
在示例性实施例中,故障关联关系的确定装置600,还包括:
训练模块,用于利用训练数据对预训练语义模型进行微调,以获取故障提取模型;其中,训练数据包括样本故障工单,样本故障工单以目标维度的至少一个属性标签进行标注。
在示例性实施例中,第二确定模块605,包括:
确定单元,用于将匹配的关系规则对应的关联关系,确定为至少两个目标故障事件之间的关联关系。
在示例性实施例中,故障关联关系的确定装置600,还包括:
第二获取模块,用于获取待排查故障事件;
排查模块,用于在待排查故障事件属于存在关联关系的至少两个目标故障事件中的一个时,对至少两个目标故障事件中的其余事件进行故障排查。
需要说明的是,前述对于故障关联关系的确定方法的实施例的说明,也适用于本公开提供的故障关联关系的确定装置,此处不再赘述。
本公开实施例提供的故障关联关系的确定装置,首先获取故障图谱,其中,故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接事件节点和对应属性节点的边,再对故障图谱中至少两个目标事件节点,从故障图谱中查询通过边连接的目标属性节点,根据各目标事件节点连接的目标属性节点,确定各目标事件节点所指示的目标故障事件的故障属性,进而将至少两个目标故障事件的故障属性,以及至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配,根据匹配的关系规则确定至少两个目标故障事件之间的关联关系。由此,实现了对故障事件之间的关联关系的自动挖掘,减少了人力成本,且准确性高,另外,故障事件之间的关联关系具有可解释性,可迁移性高。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如故障关联关系的确定方法。例如,在一些实施例中,故障关联关系的确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的故障关联关系的确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行故障关联关系的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
本公开涉及计算机技术领域,特别涉及自然语言处理、知识图谱等人工智能技术领域。
需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本公开实施例的技术方案,实现了对故障事件之间的关联关系的自动挖掘,减少了人力成本,且准确性高,另外,故障事件之间的关联关系具有可解释性,可迁移性高。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种故障关联关系的确定方法,包括:
获取故障图谱,其中,所述故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接所述事件节点和对应属性节点的边;
对所述故障图谱中至少两个目标事件节点,从所述故障图谱中查询通过所述边连接的目标属性节点;
根据各所述目标事件节点连接的所述目标属性节点,确定各所述目标事件节点所指示的目标故障事件的故障属性;
将所述至少两个目标故障事件的所述故障属性,以及所述至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配;
根据匹配的关系规则确定所述至少两个目标故障事件之间的关联关系。
2.根据权利要求1所述的方法,其中,所述故障属性包括以下至少一个维度:故障原因、故障现象和故障类型,所述描述信息包括故障发生时间;
所述预先定义的关系规则,包括下列中的至少一个:
在至少两个故障事件的故障原因之间的重合度超过第一预设阈值时,所述至少两个故障事件之间的关联关系为共现关系;
在至少两个故障事件的故障类型之间的重合度超过第二预设阈值,且所述至少两个故障事件的故障发生时间的间隔超过预设时间阈值时,所述至少两个故障事件之间的关联关系为因果关系;
在至少两个故障事件的故障发生时间不同,且所述至少两个故障事件之间不为因果关系时,所述至少两个故障事件之间的关联关系为时序关系;
在至少两个故障事件的故障现象及故障原因均相同时,所述至少两个故障事件之间的关联关系为相似关系。
3.根据权利要求1所述的方法,其中,所述获取故障图谱之前,还包括:
读取历史故障库中的多个故障工单;
从多个所述故障工单中提取对应故障事件的各维度的故障信息,其中,所述各维度的故障信息包括以下至少一个维度的信息:故障现象、故障原因、故障类型和故障发生时间;
对多个所述故障工单对应的故障事件,分别建立指示所述故障事件的事件节点;其中,将所述故障事件的和所述故障发生时间,作为所述事件节点的描述信息;
建立多个候选属性节点,其中,每个所述候选属性节点指示所述故障现象、所述故障原因,以及所述故障类型中的一个;
将指示相同故障属性的候选属性节点合并,以得到多个属性节点;
根据各所述故障事件和对应的所述故障信息,确定连接多个所述事件节点与多个所述属性节点的边;
根据多个所述事件节点、多个所述属性节点,以及连接多个所述事件节点与对应属性节点的边,生成所述故障图谱。
4.根据权利要求3所述的方法,其中,所述从多个所述故障工单中提取对应故障事件的各维度的故障信息,包括:
针对每个所述故障工单,将所述故障工单中的文本输入故障提取模型,以提取对应故障事件的目标维度的故障信息,其中,所述故障提取模型对应所述目标维度。
5.根据权利要求4所述的方法,其中,在所述将所述故障工单中的文本输入故障提取模型之前,还包括:
利用训练数据对预训练语义模型进行微调,以获取所述故障提取模型;其中,所述训练数据包括样本故障工单,所述样本故障工单以所述目标维度的至少一个属性标签进行标注。
6.根据权利要求1-5任一项所述的方法,其中,所述根据匹配的关系规则确定所述至少两个目标故障事件之间的关联关系,包括:
将所述匹配的关系规则对应的关联关系,确定为所述至少两个目标故障事件之间的关联关系。
7.根据权利要求1-5任一项所述的方法,其中,所述根据匹配的关系规则确定所述至少两个目标故障事件之间的关联关系之后,还包括:
获取待排查故障事件;
若所述待排查故障事件属于存在所述关联关系的所述至少两个目标故障事件中的一个,则对所述至少两个目标故障事件中的其余事件进行故障排查。
8.一种故障关联关系的确定装置,包括:
第一获取模块,用于获取故障图谱,其中,所述故障图谱中包括用于指示故障事件的事件节点、用于指示故障属性的属性节点,以及连接所述事件节点和对应属性节点的边;
查询模块,用于对所述故障图谱中至少两个目标事件节点,从所述故障图谱中查询通过所述边连接的目标属性节点;
第一确定模块,用于根据各所述目标事件节点连接的所述目标属性节点,确定各所述目标事件节点所指示的目标故障事件的故障属性;
匹配模块,用于将所述至少两个目标故障事件的所述故障属性,以及所述至少两个目标事件节点的描述信息,与预先定义的关系规则进行匹配;
第二确定模块,用于根据匹配的关系规则确定所述至少两个目标故障事件之间的关联关系。
9.根据权利要求8所述的装置,其中,所述故障属性包括以下至少一个维度:故障原因、故障现象和故障类型,所述描述信息包括故障发生时间;
所述预先定义的关系规则,包括下列中的至少一个:
在至少两个故障事件的故障原因之间的重合度超过第一预设阈值时,所述至少两个故障事件之间的关联关系为共现关系;
在至少两个故障事件的故障类型之间的重合度超过第二预设阈值,且所述至少两个故障事件的故障发生时间的间隔超过预设时间阈值时,所述至少两个故障事件之间的关联关系为因果关系;
在至少两个故障事件的故障发生时间不同,且所述至少两个故障事件之间不为因果关系时,所述至少两个故障事件之间的关联关系为时序关系;
在至少两个故障事件的故障现象及故障原因均相同时,所述至少两个故障事件之间的关联关系为相似关系。
10.根据权利要求8所述的装置,还包括:
读取模块,用于读取历史故障库中的多个故障工单;
提取模块,用于从多个所述故障工单中提取对应故障事件的各维度的故障信息,其中,所述各维度的故障信息包括以下至少一个维度的信息:故障现象、故障原因、故障类型和故障发生时间;
第一建立模块,用于对多个所述故障工单对应的故障事件,分别建立指示所述故障事件的事件节点;其中,将所述故障事件的和所述故障发生时间,作为所述事件节点的描述信息;
第二建立模块,用于建立多个候选属性节点,其中,每个所述候选属性节点指示所述故障现象、所述故障原因,以及所述故障类型中的一个;
合并模块,用于将指示相同故障属性的候选属性节点合并,以得到多个属性节点;
第三确定模块,用于根据各所述故障事件和对应的所述故障信息,确定连接多个所述事件节点与多个所述属性节点的边;
生成模块,用于根据多个所述事件节点、多个所述属性节点,以及连接多个所述事件节点与对应属性节点的边,生成所述故障图谱。
11.根据权利要求10所述的装置,其中,所述提取模块,包括:
提取单元,用于针对每个所述故障工单,将所述故障工单中的文本输入故障提取模型,以提取对应故障事件的目标维度的故障信息,其中,所述故障提取模型对应所述目标维度。
12.根据权利要求11所述的装置,还包括:
训练模块,用于利用训练数据对预训练语义模型进行微调,以获取所述故障提取模型;其中,所述训练数据包括样本故障工单,所述样本故障工单以所述目标维度的至少一个属性标签进行标注。
13.根据权利要求8-12任一项所述的装置,其中,所述第二确定模块,包括:
确定单元,用于将所述匹配的关系规则对应的关联关系,确定为所述至少两个目标故障事件之间的关联关系。
14.根据权利要求8-12任一项所述的装置,还包括:
第二获取模块,用于获取待排查故障事件;
排查模块,用于在所述待排查故障事件属于存在所述关联关系的所述至少两个目标故障事件中的一个时,对所述至少两个目标故障事件中的其余事件进行故障排查。
15.一种电子设备,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权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004820.4A CN113792154B (zh) | 2021-08-30 | 2021-08-30 | 故障关联关系的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004820.4A CN113792154B (zh) | 2021-08-30 | 2021-08-30 | 故障关联关系的确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792154A true CN113792154A (zh) | 2021-12-14 |
CN113792154B CN113792154B (zh) | 2023-06-23 |
Family
ID=78876594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111004820.4A Active CN113792154B (zh) | 2021-08-30 | 2021-08-30 | 故障关联关系的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792154B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114064937A (zh) * | 2022-01-14 | 2022-02-18 | 云孚科技(北京)有限公司 | 一种事理图谱自动构建方法和系统 |
CN115296976A (zh) * | 2022-06-28 | 2022-11-04 | 青岛海尔科技有限公司 | 物联网设备故障检测方法、装置、设备及存储介质 |
WO2023230788A1 (zh) * | 2022-05-30 | 2023-12-07 | 西门子股份公司 | 半自动知识图谱构建的方法、装置、计算机设备 |
CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
CN117573428A (zh) * | 2023-11-08 | 2024-02-20 | 安徽鼎甲计算机科技有限公司 | 容灾备份方法、装置、计算机设备和存储介质 |
CN118282041A (zh) * | 2024-03-30 | 2024-07-02 | 中海石油(中国)有限公司海南分公司 | 一种新能源电力系统的能源管理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110870A (zh) * | 2019-06-05 | 2019-08-09 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
CN111179115A (zh) * | 2019-12-25 | 2020-05-19 | 东软集团股份有限公司 | 故障处理辅助决策方法、装置、存储介质及电子设备 |
CN111682960A (zh) * | 2020-05-14 | 2020-09-18 | 深圳市有方科技股份有限公司 | 一种物联网网络及设备的故障诊断方法及装置 |
US20210016786A1 (en) * | 2018-03-27 | 2021-01-21 | We Predict Limited | Predictive Vehicle Diagnostics Method |
CN113254249A (zh) * | 2021-06-07 | 2021-08-13 | 博彦物联科技(北京)有限公司 | 冷站故障分析方法、装置、及存储介质 |
-
2021
- 2021-08-30 CN CN202111004820.4A patent/CN113792154B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210016786A1 (en) * | 2018-03-27 | 2021-01-21 | We Predict Limited | Predictive Vehicle Diagnostics Method |
CN110110870A (zh) * | 2019-06-05 | 2019-08-09 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
WO2020244262A1 (zh) * | 2019-06-05 | 2020-12-10 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
CN111179115A (zh) * | 2019-12-25 | 2020-05-19 | 东软集团股份有限公司 | 故障处理辅助决策方法、装置、存储介质及电子设备 |
CN111682960A (zh) * | 2020-05-14 | 2020-09-18 | 深圳市有方科技股份有限公司 | 一种物联网网络及设备的故障诊断方法及装置 |
CN113254249A (zh) * | 2021-06-07 | 2021-08-13 | 博彦物联科技(北京)有限公司 | 冷站故障分析方法、装置、及存储介质 |
Non-Patent Citations (3)
Title |
---|
WEISEN GUO 等: "Mining Relationship Associations from Knowledge about Failures Using Ontology and Inference", 《ADVANCES IN DATA MINING. APPLICATIONS AND THEORETICAL ASPECTS 》, pages 617 * |
李波;: "智能牵引变压器故障诊断技术研究", 铁道工程学报, no. 08 * |
郭成 等: "面向低压配电网络拓扑的知识图谱构建与检索分析方法", 《电力科学与工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114064937A (zh) * | 2022-01-14 | 2022-02-18 | 云孚科技(北京)有限公司 | 一种事理图谱自动构建方法和系统 |
WO2023230788A1 (zh) * | 2022-05-30 | 2023-12-07 | 西门子股份公司 | 半自动知识图谱构建的方法、装置、计算机设备 |
CN115296976A (zh) * | 2022-06-28 | 2022-11-04 | 青岛海尔科技有限公司 | 物联网设备故障检测方法、装置、设备及存储介质 |
CN115296976B (zh) * | 2022-06-28 | 2024-03-22 | 青岛海尔科技有限公司 | 物联网设备故障检测方法、装置、设备及存储介质 |
CN117573428A (zh) * | 2023-11-08 | 2024-02-20 | 安徽鼎甲计算机科技有限公司 | 容灾备份方法、装置、计算机设备和存储介质 |
CN117573428B (zh) * | 2023-11-08 | 2024-05-07 | 安徽鼎甲计算机科技有限公司 | 容灾备份方法、装置、计算机设备和存储介质 |
CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
CN117519052B (zh) * | 2023-12-12 | 2024-05-28 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
CN118282041A (zh) * | 2024-03-30 | 2024-07-02 | 中海石油(中国)有限公司海南分公司 | 一种新能源电力系统的能源管理方法和装置 |
CN118282041B (zh) * | 2024-03-30 | 2024-09-13 | 中海石油(中国)有限公司海南分公司 | 一种新能源电力系统的能源管理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113792154B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792154B (zh) | 故障关联关系的确定方法、装置、电子设备及存储介质 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN112559631A (zh) | 分布式图数据库的数据处理方法、装置以及电子设备 | |
CN113344089A (zh) | 模型训练方法、装置及电子设备 | |
CN114417118A (zh) | 一种异常数据处理方法、装置、设备以及存储介质 | |
EP3992814A2 (en) | Method and apparatus for generating user interest profile, electronic device and storage medium | |
CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
CN112699237B (zh) | 标签确定方法、设备和存储介质 | |
CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN113011155A (zh) | 用于文本匹配的方法、装置、设备、存储介质和程序产品 | |
CN116484826B (zh) | 一种操作票生成方法、装置、设备及存储介质 | |
CN113157877A (zh) | 多语义识别方法、装置、设备和介质 | |
CN116069967A (zh) | 图片处理方法、装置、电子设备及存储介质 | |
CN113868254B (zh) | 图数据库中的实体节点去重方法、设备和存储介质 | |
CN116049370A (zh) | 信息查询方法和信息生成模型的训练方法、装置 | |
CN115544010A (zh) | 一种映射关系确定方法、装置、电子设备及存储介质 | |
CN115168622A (zh) | 语言模型的训练方法、装置、电子设备及存储介质 | |
CN114398434A (zh) | 结构化信息抽取方法、装置、电子设备和存储介质 | |
CN114385829A (zh) | 知识图谱创建方法、装置、设备以及存储介质 | |
CN113704256A (zh) | 数据识别方法、装置、电子设备及存储介质 | |
CN113590774A (zh) | 事件查询方法、装置以及存储介质 | |
CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 |
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 |