CN114239855A - 分析异常诊断信息的方法、装置、介质和计算设备 - Google Patents

Abstract

本申请的实施例涉及机器学习技术领域，一些实施例提供了一种分析异常诊断信息的方法、装置、介质和计算设备包括：获取权重分布数据；权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，识别结果与历史输入数据对应；根据权重分布数据与各项异常特征融合得到至少一个热力图，热力图用于表征目标异常类别对应的异常特征；确定至少一个热力图中的焦点区域；若焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，理论异常区域为历史输入数据中根据先验知识确定的区域。本申请能够根据预设诊断工具的推理逻辑对识别结果的分析过程进行解释，使得机器学习模型的分析结果更加清楚。

Description

分析异常诊断信息的方法、装置、介质和计算设备

技术领域

本申请实施例涉及机器学习技术领域，更具体地，本申请实施例涉及一种分析异常诊断信息的方法、装置、介质和计算设备。

背景技术

近年来，以机器学习尤其是深度学习为代表的人工智能技术，正在深刻改变人类的生产和生活方式，在现代工业系统中，可以通过训练得到的机器学习模型对工业系统中的机械设备进行异常诊断。目前，机器学习模型通常是黑箱模型，因此，在对用于异常诊断的机器学习模型的训练过程中，通常是将训练数据输入机器学习模型，训练数据中可以预先标注有异常标识或正常标识，异常标识还可以具体区分为多种不同的异常类型，机器学习模型可以拟合训练数据，使机器学习模型具备异常诊断功能。

在实践中发现，输入不同的训练数据，机器学习模型会输出与训练数据对应的输出结果，可以通过训练数据与输出结果之间的关系对机器学习模型进行训练，以使机器学习模型的异常诊断结果更加准确，可见，上述训练过程得到的机器学习模型的性能过于依赖输入的训练数据的质量，且在训练过程中只能根据训练数据与输出结果之间的变化关系推测机器学习分析异常诊断信息的的重点信息，无法得知机器学习模型在分析过程中产生的中间分析信息，因此，无法解释机器学习模型对训练数据分析得到输出结果的分析过程，导致了机器学习模型的分析过程不够清楚。

发明内容

在本上下文中，本申请实施例期望提供一种分析异常诊断信息的方法、装置、介质和计算设备，能够对机器学习模型的分析过程进行解释，使得机器学习模型的分析结果更加清楚。

在本申请的第一方面中，提供了一种基于联邦学习的数据处理方法，应用于第一终端设备，包括：

分析异常诊断信息的方法，所述方法包括：

获取权重分布数据；其中，所述权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，所述识别结果与历史输入数据对应；

根据所述权重分布数据与各项异常特征融合得到至少一个热力图，所述热力图用于表征目标异常类别对应的异常特征；

确定所述至少一个热力图中的焦点区域，所述焦点区域表示是否存在故障状态的待分析区域；

若所述焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，所述理论异常区域为所述历史输入数据中根据先验知识确定的区域。

在本申请的第二方面中，提供了一种分析异常诊断信息的装置，包括：

获取单元，用于获取权重分布数据；其中，所述权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，所述识别结果与历史输入数据对应；

融合单元，用于根据所述权重分布数据与各项异常特征融合得到至少一个热力图，所述热力图用于表征目标异常类别对应的异常特征；

第一确定单元，用于确定所述至少一个热力图中的焦点区域，所述焦点区域表示是否存在故障状态的待分析区域；

第二确定单元，用于若所述焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，所述理论异常区域为所述历史输入数据中根据先验知识确定的区域。

在本申请的第三方面中，提供了一种存储有程序的存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序在被处理器执行时能够实现第一方面任一项所述的方法。

在本申请的第四方面中，提供了一种计算设备，所述计算机设备包括处理器以及存储器：

所述存储器用于存储程序代码；

所述处理器用于根据所述程序代码中的指令执行第一方面中任一项所述的方法。

根据本申请实施例的分析异常诊断信息的方法、装置、介质和计算设备，能够根据历史输入数据得到各项异常特征对识别结果的贡献值，该贡献值可以为权重分布数据，并将权重分布数据与各项异常特征融合得到热力图，从热力图中可以确定出是否表示故障状态的焦点区域，以及可以对比焦点区域与理论异常区域之间的匹配度，若匹配度高于预设匹配度，可以认为预设诊断工具的推断逻辑符合预设条件，从而可以根据预设诊断工具的推理逻辑对识别结果的分析过程进行解释，得到对识别结果贡献值较大的异常特征，从而使得机器学习模型的分析结果更加清楚。

附图说明

通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，其中：

图1为本申请一实施例提供的分析异常诊断信息的系统的应用场景示意图；

图2为本申请一实施例提供的分析异常诊断信息的方法的流程示意图；

图3为本申请一实施例提供的分析异常诊断信息的方法的区块链网络示意图；

图4为本申请一实施例提供的权重分布数据的获取方法的流程示意图；

图5为本申请实施例的技术原理的可视化示意图；

图6为本申请一实施例提供的预设诊断工具的逻辑推断更新方法的流程示意图；

图7为本申请一实施例提供的确定焦点区域的方法的流程示意图；

图8a为本申请一实施例提供的输出的第一输出结果的颜色时频图、热力图、热力时频图以及通道时频图；

图8b为本申请一实施例提供的输出的第二输出结果的颜色时频图、热力图、热力时频图以及通道时频图；

图8c为本申请一实施例提供的输出的第三输出结果的颜色时频图、热力图、热力时频图以及通道时频图；

图9为本申请一实施例提供的分析异常诊断信息的装置的结构示意图；

图10示意性地示出了本申请实施例的一种介质的结构示意图；

图11示意性地示出了本申请实施例的一种计算设备的结构示意图。

在附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域技术人员知道，本申请实施例可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本申请实施例，提出了一种分析异常诊断信息的方法、装置、介质和计算设备。

在本文中，需要理解的是，所涉及的术语：

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。

此外，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。

在本申请实施例中，可以基于机器学习技术对输入的历史输入数据进行识别，得到识别结果，在识别过程中可以得到历史输入数据对应的历史特征集，历史特征集中包括各项异常特征，根据各项异常特征对识别结果的贡献值可以获取到权重分布数据，将权重分布数据与各项异常特征融合得到至少一个热力图，通过该热力图可以表征目标异常类别对应的异常特征，从热力图中可以确定焦点区域，该焦点区域可以表示是否存在故障状态的待分析区域，将焦点区域和理论异常区域之间的匹配度与预设匹配度进行对比，如果匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，理论异常区域可以为历史输入数据中根据先验知识确定的区域。

示例性地，结合参考图1，其示出了本申请一个实施例提供的分析异常诊断信息的系统的应用场景示意图。该分析异常诊断信息的系统可以包括分析异常诊断信息的装置10、传感器设备20以及机械设备30。

传感器设备20用于采集机械设备30的监控数据，并且可以将监控数据作为历史输入数据发送至分析异常诊断信息的装置10，传感器设备20可以为振动、转速、电流或电压等传感器，监控数据可以为振动、转速、电流或电压等传感器采集到的图像或信号等数据，且机械设备30的数量可以有多个，监控机械设备30的传感器设备20的数量也可以有多个。

分析异常诊断信息的装置10用于获取传感器设备20发送的历史输入数据，并对历史输入数据进行识别，得到识别结果，在识别过程中可以得到历史输入数据对应的历史特征集，历史特征集中包括各项异常特征，根据各项异常特征对识别结果的贡献值可以获取到权重分布数据，将权重分布数据与各项异常特征融合得到至少一个热力图，通过该热力图可以表征目标异常类别对应的异常特征，从热力图中可以确定焦点区域，该焦点区域可以表示是否存在故障状态的待分析区域，将焦点区域和理论异常区域之间的匹配度与预设匹配度进行对比，如果匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，理论异常区域可以为历史输入数据中根据先验知识确定的区域。

可选地，分析异常诊断信息的装置10和传感器设备20之间通过网络进行通信。

下面，将结合几个实施例对本申请技术方案进行详细的介绍说明。

示例性方法

图2为本申请一实施例提供的分析异常诊断信息的方法的流程示意图，本申请实施例应用于图1所示的分析异常诊断信息的系统中，该分析异常诊断信息的系统包括分析异常诊断信息的装置、传感器设备以及机械设备，本申请实施例仅以分析异常诊断信息的装置为例，对分析异常诊断信息的处理过程进行说明，需要注意的是，上述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施例在此方面不受任何限制。相反，本申请的实施例可以应用于适用的任何场景。请参阅图2，该方法包括以下步骤：

步骤S201，获取权重分布数据。

本申请实施例中，所述权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，所述识别结果与历史输入数据对应；历史输入数据可以为采集到的音频、图像、视频等数据，也可以为输入的文字、语句或文章等数据，还可以为振动、转速、电流或电压等传感器输入的信号等，例如，在对现代工业系统的旋转机械机械故障诊断时，可以通过振动、转速、电流或电压等传感器将采集到的图像或信号等数据输入至机器学习模型中，以使机器学习模型根据输入的数据输出故障诊断结果，提升了现代工业系统的旋转机械的可靠性和安全性。

本申请实施例中，分析异常诊断信息的方法可以应用于分析模型，分析模型可以为基于机器学习算法构建的机器学习模型，分析模型可以为卷积神经网络、深度神经网络、循环神经网络以及Transformer模型等，对此，本申请实施例不做限定。分析模型可以对历史输入数据进行识别，输出历史输入数据对应的识别结果，也可以对历史输入数据进行分类，输出历史输入数据对应的分类结果，还可以对历史输入数据进行关键内容提取，输出历史输入数据对应的关键内容等。分析模型可以对输入的历史输入数据进行特征提取，得到异常特征，异常特征可以共同存储至历史特征集中，以及可以输出与提取到的异常特征对应的输出结果。

以及，分析模型可以从历史输入数据中提取到不同的异常特征，根据不同的异常特征可以得到不同的识别结果，因此，识别结果的变化情况通常是与提取到的异常特征对识别结果的贡献值的变化相关，可以基于异常特征和识别结果的变化情况，计算异常特征对识别结果的贡献值，可以理解为在识别结果的确定过程中，不同异常特征的重要程度的变化会导致输出的识别结果也出现改变，因此，根据异常特征和识别结果进行计算，可以得到分析模型根据异常特征输出识别结果时，各项异常特征对识别结果的贡献值。

步骤S202，根据所述权重分布数据与各项异常特征融合得到至少一个热力图。

本申请实施例中，所述热力图用于表征目标异常类别对应的异常特征；获取到的权重分布数据可以与从历史输入数据中提取到的各项异常特征融合，得到表征目标异常类别对应的异常特征的热力图，故障检测得到的故障结果可以包含多种异常类别，每种异常类别可以对应不同的异常特征，因此通过对热力图进行识别，可以从热力图中确定出与异常类别对应异常特征，以及该热力图与历史输入数据之间具有较为明显的关联性，因此可以利用热力图与历史输入数据共同对故障类型进行分析。

步骤S203，确定所述至少一个热力图中的焦点区域。

本申请实施例中，所述焦点区域表示是否存在故障状态的待分析区域；可以将热力图映射至历史输入数据中，得到映射数据，热力图可以与历史输入数据一一对应，因此，得到的映射数据可以更加直观的得到热力图与历史输入数据之间的关联关系，因此，可以对映射数据进行分析，如果映射数据表示热力图与历史输入数据之间存在强关联关系，可以将该映射数据对应的待分析区域确定为焦点区域，强关联关系可以表示识别结果与待分析区域在历史输入数据中对应的异常特征具有强关联关系，因此可以通过映射数据进行分析，得到分析信息，可以通过分析信息了解得到结果的依据。

步骤S204，若所述焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件。

本申请实施例中，所述理论异常区域为所述历史输入数据中根据先验知识确定的区域。焦点区域与理论异常区域之间的匹配度可以通过焦点区域与理论异常区域之间的重合度计算得到，也可以通过焦点区域在热力图中对应的频率范围与理论异常区域在热力图中对应的频率范围之间的重合度计算得到，对比，本申请实施例不做限定。如果得到的匹配度高于预设匹配度，则可以认为确定的焦点区域与理论异常区域对应的异常类别匹配成功，即预设诊断工具的推断逻辑符合预设条件，其中，确定历史输入数据中的理论异常区域的先验知识，可以为在获取历史输入数据时，对历史输入数据中包含的故障的区域进行预先标注，并将标注的区域确定为理论异常区域。

本申请中提出的分析异常诊断信息的方法所针对的是基于以机器学习尤其是深度学习为代表的人工智能所构建的机器学习模型，包括但不限于图像识别、目标检测等各个适用不同应用场景的机器学习模型，并对机器学习模型如何根据输入数据得到输出结果这一过程进行解释分析的方法。

本申请中能够根据历史输入数据得到各项异常特征对识别结果的贡献值，该贡献值可以为权重分布数据，并将权重分布数据与各项异常特征融合得到热力图，从热力图中可以确定出是否表示故障状态的焦点区域，以及可以对比焦点区域与理论异常区域之间的匹配度，若匹配度高于预设匹配度，可以认为预设诊断工具的推断逻辑符合预设条件，从而可以根据预设诊断工具的推理逻辑对识别结果的分析过程进行解释，得到对识别结果贡献值较大的异常特征，从而使得机器学习模型的分析结果更加清楚。

本申请又一实施例中，所述历史特征集保存在区块链节点上，区块链(Blockchain)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。

参见图3所示的分析异常诊断信息的方法的区块链网络示意图，区块链网络中包含参与者节点，参与者节点用于存储分析异常诊断信息的处理过程中分析异常诊断信息的装置产生的数据，如图3所示，区块链网络中包含参与者节点1、参与者节点2以及参与者节点3，分析异常诊断信息的装置1可以向参与者节点1发送历史特征集，历史特征集中可以包括各项异常特征，参与者节点1可以将接受到的历史特征集进行存储，分析异常诊断信息的装置1还可以从参与者节点1读取历史特征集进行计算等操作；分析异常诊断信息的装置2可以向参与者节点2发送历史特征集，历史特征集中可以包括各项异常特征，参与者节点2可以将接受到的历史特征集进行存储，分析异常诊断信息的装置2还可以从参与者节点2读取历史特征集进行计算等操作；分析异常诊断信息的装置3可以向参与者节点3发送历史特征集，历史特征集中可以包括各项异常特征，参与者节点3可以将接受到的历史特征集进行存储，分析异常诊断信息的装置3还可以从参与者节点3读取历史特征集进行计算等操作。为了保证区块链网络内的信息互通，区块链网络中的每个节点之间可以存在信息连接，节点之间可以通过上述信息连接进行信息传输。

对于区块链网络中的每个节点，均具有与其对应的节点标识，而且区块链网络中的每个节点均可以存储有区块链网络中其他节点的节点标识，以便后续根据其他节点的节点标识，将加密生成的区块广播至区块链网络中的其他节点。每个节点中可维护一个如下表所示的节点标识列表，将节点名称和节点标识对应存储至该节点标识列表中。其中，节点标识可为IP(Internet Protocol，网络之间互联的协议)地址以及其他任一种能够用于标识该节点的信息，表1中仅以IP地址为例进行说明。

表1

节点名称	节点标识
		节点1	117.114.151.174
节点2	117.116.189.145
		…	…
节点N	119.123.789.258

可选的，所述分析异常诊断信息的方法可以应用于区块链设备，所述分析异常诊断信息的装置为所述区块链设备，所述区块链设备为区块链中的节点，所述历史特征集可以保存在区块链节点上。

本申请另一实施例中，为了提高了权重分布数据的准确性，可以通过各项异常特征的特征值以及各项异常特征的变化情况确定出各项异常特征的对识别结果的贡献值，如图4所示，则上述步骤S201由以下步骤S401～步骤S404代替：

步骤S401，获取所述历史特征集中各项异常特征的特征值，以及获取各项异常特征的数量。

步骤S402，基于所述各项异常特征的特征值得到各项异常特征的变化情况。

步骤S403，根据所述各项异常特征的特征值、所述各项异常特征的变化情况以及所述识别结果确定所述各项异常特征的对所述识别结果的贡献值。

步骤S404，将所述历史特征集中各项异常特征的对识别结果的贡献值确定为权重分布数据。

实施上述的步骤S401～步骤S404，可以从历史特征集中获取各项异常特征的特征值以及各项异常特征的数量，并根据各项异常特征的特征值得到各项异常特征的变化情况，以及可以根据异常特征的特征值、变化情况以及识别结果确定出各项异常特征对识别结果的贡献值，通过各项异常特征对识别结果的贡献值可以获取到权重分布数据，以使得到的权重分布数据更加准确。

本申请实施例中，可以根据从历史输入数据中提取到的异常特征得到多个候选结果，且每个候选结果都可以对应一个概率值，以及可以从得到的多个候选结果中选取概率值最大的候选结果作为识别结果进行输出，从历史输入数据中提取出的异常特征在数据处理过程中不断变化，在确定异常特征对识别结果的贡献值时，仅计算识别结果前的异常特征对识别结果的贡献值；异常特征可以存储至历史特征集中。

本申请实施例中，可以从历史特征集中获取各项异常特征的特征值，历史特征集中包含的各项异常特征可以为从不同维度、不同区域提取到的历史输入数据中多个异常特征，即可以从多个维度对历史输入数据进行特征提取，得到各个维度对应的多个异常特征，各个维度的多个异常特征共同组成了历史特征集中包含的各项异常特征；还可以从多个区域对历史输入数据进行特征提取，得到各个区域对应的多个异常特征，各个区域对应的多个异常特征共同组成了历史特征集中包含的各项异常特征；以及也可以从多个区域以及多个维度共同对历史输入数据进行特征提取，得到各个区域的每个维度对应的多个异常特征，各个区域的每个维度对应的多个异常特征共同组成了历史特征集中包含的各项异常特征；确定识别结果前的各个异常特征对识别结果的贡献值的公式可以为：

其中，ω_k表示任一通道k的多个异常特征对识别结果的贡献值，多个通道分别有对应的通道序号，k为计算的异常特征对应通道的通道序号，c为识别结果，y^c表示识别结果c的概率值，

可以表示识别结果的变化情况(变化率)，一个通道中可以包含多个异常特征，因此，i可以表示通道k中第i个异常特征的特征序号，A_i可以表示通道k中第i个异常特征对应的特征值，Z可以表示通道k中异常特征的数量(即序号i的最大值)，

可以表示通道k的第i个异常特征的变化情况(变化率)，

可以表示基于识别结果的变化情况和通道k的第i个异常特征的变化情况计算得到的通道k的第i个异常特征的梯度。梯度可以在反向传播时得出，梯度为正可以表示当前通道的异常特征的特征值增加将会提高对识别结果的置信率；梯度为负可以表示当前通道的异常特征的特征值增加将会降低对识别结果的置信率，因此梯度的正负也就反应了当前通道的异常特征对识别结果的增强或抑制，也就可以理解为对识别结果的贡献度值。

其中，异常特征的提取方式可以与构建分析模型的机器学习算法相关，例如，卷积神经网络中的不同通道可以作为不同的维度，即可以通过不同的通道对历史输入数据进行异常特征的提取；循环神经网络中的池化层可以作为不同的维度，即可以通过池化层对历史输入数据进行异常特征的抽取；Transformer模型中的编码器(Encoder)可以作为不同的维度，即可以通过Encoder对历史输入数据进行异常特征的提取，对此，本发明实施例不做限定。以及，还可以对历史输入数据中的不同区域的异常特征进行提取，得到历史输入数据的不同区域对应的不同的异常特征。

本申请实施例中，提取的输出结果前的异常特征可以以矩阵的形式表示，因此可以基于矩阵形式的异常特征计算得到各个异常特征对应的特征值，以便于后续贡献值的计算，以及，提取的各个维度的异常特征的数量可以为一个或多个，因此可以分别获取提取的各个维度的异常特征的数量；以及各个维度的异常特征的变化情况可以为各个维度的异常特征的变化率，识别结果的变化情况也可以是识别结果的变化率，例如，变化率的计算可以利用导数或梯度来计算；最终可以基于各个维度的异常特征的变化情况、识别结果的变化情况以及各个维度的异常特征的数量进行计算，得到识别结果前的各个维度的异常特征对识别结果的贡献值。

为了更方便理解本实施例，请参照图5，图5为本实施例的技术原理的可视化示意图，在图5中包括一个图像分类模型，历史输入数据为一张存在A、B、C和D四个区域的图像，将历史输入数据输入图像分类模型中，通过图像分类模型对历史输入数据进行特征提取可以得到输入的图像中A区域对应的异常特征A1、B区域对应的异常特征B1、C区域对应的异常特征C1以及D区域对应的异常特征D1，图像分类模型根据提取到的异常特征A1、异常特征B1、异常特征C1以及异常特征D1可以得到两个候选结果类别1和类别2，且类别1的概率值为40％，类别2的概率值为60％，此时，可以提取异常特征A1、异常特征B1、异常特征C1以及异常特征D1的特征值，并通过计算导数等方式得到异常特征A1、异常特征B1、异常特征C1以及异常特征D1的特征变化情况，也可以通过计算导数等方式对类别1的概率值和类别2的概率值进行计算，得到类别1的概率变化情况和类别2的概率变化情况，进而可以基于得到的异常特征A1、异常特征B1、异常特征C1以及异常特征D1的特征变化情况以及类别1和类别2的概率变化情况，计算得到提取到的异常特征A1、异常特征B1、异常特征C1以及异常特征D1分别对类别1的贡献值，以及得到异常特征A1、异常特征B1、异常特征C1以及异常特征D1分别对类别2的贡献值；

之后，图像分类模型可以对提取到的异常特征A1、异常特征B1、异常特征C1以及异常特征D1再次进行处理，如图5中所示的处理1，处理1可以为图像分类模型中对异常特征A1、异常特征B1、异常特征C1以及异常特征D1处理的第一个维度(例如可以通过卷积、池化、向量转化等方式对特征进行处理)，得到A区域对应的异常特征A2、B区域对应的异常特征B2、C区域对应的异常特征C2以及D区域对应的异常特征D2，图像分类模型根据提取到的异常特征A2、异常特征B2、异常特征C2以及异常特征D2可以得到两个候选结果类别1和类别2，且类别1的概率值为60％，类别2的概率值为40％，此时，可以从图像分类模型中提取异常特征A2、异常特征B2、异常特征C2以及异常特征D2的特征值，并通过计算导数等方式得到异常特征A2、异常特征B2、异常特征C2以及异常特征D2的特征变化情况(也可以通过特征值相减的方式，例如A2-A1)，也可以通过计算导数等方式对类别1的概率值和类别2的概率值进行计算(类似地，也可以通过对应的候选结果的概率相减的方式结算，例如类别1的概率变化情况为60％-40％)，得到类别1的概率变化情况和类别2的概率变化情况，进而可以基于得到的异常特征A2、异常特征B2、异常特征C2以及异常特征D2的特征变化情况以及类别1和类别2的概率变化情况，计算得到提取到的异常特征A2、异常特征B2、异常特征C2以及异常特征D2分别对类别1的贡献值，以及得到异常特征A2、异常特征B2、异常特征C2以及异常特征D2分别对类别2的贡献值；

以及，图像分类模型还可以对提取到的异常特征A2、异常特征B2、异常特征C2以及异常特征D2再次进行处理，如图5中所示的处理2，处理2可以为图像分类模型中对异常特征A2、异常特征B2、异常特征C2以及异常特征D2处理的第二个维度(例如可以通过卷积、池化、向量转化等方式对特征进行处理)，得到A区域对应的异常特征A3、B区域对应的异常特征B3、C区域对应的异常特征C3以及D区域对应的异常特征D3，图像分类模型根据提取到的异常特征A3、异常特征B3、异常特征C3以及异常特征D3可以得到两个候选结果类别1和类别2，且类别1的概率值为71％，类别2的概率值为29％，此时，可以从图像分类模型中提取异常特征A3、异常特征B3、异常特征C3以及异常特征D3的特征值，并通过计算导数等方式得到异常特征A3、异常特征B3、异常特征C3以及异常特征D3的特征变化情况(也可以通过特征值相减的方式，例如A3-A2)，也可以通过计算导数等方式对类别1的概率值和类别2的概率值进行计算(类似地，也可以通过对应的候选结果的概率相减的方式结算，例如类别1的概率变化情况为71％-60％)，得到类别1的概率变化情况和类别2的概率变化情况，进而可以基于得到的异常特征A3、异常特征B3、异常特征C3以及异常特征D3的特征变化情况以及类别1和类别2的概率变化情况，计算得到提取到的异常特征A3、异常特征B3、异常特征C3以及异常特征D3分别对类别1的贡献值，以及得到异常特征A3、异常特征B3、异常特征C3以及异常特征D3分别对类别2的贡献值；

以及，图像分类模型还可以对提取到的异常特征A3、异常特征B3、异常特征C3以及异常特征D3再次进行处理，如图5中所示的处理3～处理N+1(例如处理方式可以为卷积、池化、向量转化等方式)，具体的处理方式与上述处理1和处理2的方式相同，此处不再赘述。图像分类模型执行处理N+1之后，可以得到A区域对应的异常特征An、B区域对应的异常特征Bn、C区域对应的异常特征Cn以及D区域对应的异常特征Dn，此时可以通过图像分类模型中的分类层基于得到的异常特征An、异常特征Bn、异常特征Cn以及异常特征Dn进行分类，得到两个候选结果类别1和类别2，且类别1的概率值为80％，类别2的概率值为20％，并且可以选择概率值大的类别1作为最终的识别结果进行输出，为了得到不同的异常特征对识别结果的贡献值，可以从图像分类模型中提取异常特征An、异常特征Bn、异常特征Cn以及异常特征Dn的特征值，并通过计算导数等方式得到异常特征An、异常特征Bn、异常特征Cn以及异常特征Dn的特征变化情况(也可以通过特征值相减的方式，例如An-A(n-1))，也可以通过计算导数等方式对类别1的概率值进行计算(类似地，也可以通过对应的候选结果的概率相减的方式结算，例如类别1的概率变化情况为80％-类别1前一次计算得到的概率值)，得到类别1的概率变化情况，进而可以基于得到的异常特征An、异常特征Bn、异常特征Cn以及异常特征Dn的特征变化情况以及类别1的概率变化情况，计算得到提取到的异常特征An、异常特征Bn、异常特征Cn以及异常特征Dn分别对类别1的贡献度。可见，在图像分类模型中可以针对输入图像的不同区域得到不同区域分别对应的异常特征，还可以基于不同区域分别对应的异常特征再通过不同的维度进行特征提取，得到多个维度分别对应的多个不同区域的异常特征，且对异常特征进行每一次的处理后，得到的候选结果的概率值都会发生变化，因此，可以认为不同区域的异常特征的变化导致了候选结果概率值的变化，不同区域的异常特征对得到的候选结果以及候选结果的概率值有直接的影响，因此可以基于异常特征的变化情况和候选结果概率值的变化情况计算得到各个异常特征对得到每一个候选结果的贡献值。

需要说明的是，图5仅仅是为了方便介绍本申请一实施例而制作的示意图，并不代表真实的应用环境，在真实的应用环境中，可以通过计算导数的方式得到各个异常特征的变化情况以及识别结果的概率变化情况，在一些实施例中，不需要在每一次数据处理导致的异常特征变化时，都计算异常特征的变化率和对应识别结果的变化率，可以仅仅在识别结果前，计算异常特征的变化率和识别结果的概率变化率，例如，在图5所示的例子中，某些实施例可以只计算N+1次处理后的异常特征变化和候选结果的概率变化，从而确定异常特征An、异常特征Bn、异常特征Cn以及异常特征Dn对最终的识别结果“类别1”的贡献值，进而可以明确，输出“类别1”这一识别结果主要是根据A、B、C和D哪个区域的图像决定的。

更进一步，可以基于得到的异常特征对识别结果的贡献值以及该异常特征，对基于提取到的异常特征得到与该异常特征对应的识别结果的过程进行推理分析，得到分析信息，该分析信息中可以包含对提取到异常特征的分析过程、识别过程以及分类过程等信息，可以通过分析信息了解到得到输出结果的依据。

可选的，根据所述权重分布数据与各项异常特征融合得到至少一个热力图的方式可以为：根据权重分布数据中各个维度对应的贡献值进行整合计算，得到各个维度对应的加权求和数据，并基于加权求和数据得到与历史输入数据的维度匹配的热力图的热力图数据。其中，热力图可以为类激活热力图，热力图与计算识别结果前的各个异常特征是对应的，因此，热力图的每一个像素可以与各个异常特征计算得到的热力图数据一一对应，热力图中每一个像素可以赋予灰度值，热力图中的灰度值的计算方式可以为：

其中，A′_i可以表示热力图中第i个像素的灰度值，可见，热力图中的像素与提取到的各个通道的异常特征对应。

本申请另一实施例中，如图6所示，若所述焦点区域与理论异常区域之间的匹配度小于等于预设匹配度，所述方法还可以包括以下步骤：

步骤S601，确定预设诊断工具的推断逻辑不符合预设条件；

步骤S602，根据所述权重分布数据、所述热力图以及所述理论异常区域得到目标推断信息；

本申请实施例中，所述目标推断信息指示所述各项异常特征和所述理论异常区域之间的推断关系；

步骤S603，根据所述目标推断信息更新所述预设诊断工具的推断逻辑。

实施上述的步骤S401～步骤S402，可以在焦点区域与理论异常区域之间的匹配度小于等于预设匹配度的情况下，确定预设诊断工具的推断逻辑不符合预设条件，因此可以通过权重分布数据、热力图以及理论异常区域得到目标推断信息，并通过目标推断信息对预设诊断工具的推断逻辑进行更新，以使预设诊断工具的推断逻辑在训练过程中更加合理。

本申请实施例中，可以在确定预设诊断工具的推断逻辑不符合预设条件的情况下，根据权重分布数据、热力图以及理论异常区域得到目标推断信息，由于焦点区域与理论异常区域之间的匹配度小于等于预设匹配度，因此可以确定焦点区域与理论异常区域之间的差异较大，此时可以在热力图中分别获取焦点区域在权重分布数据中对应的异常特征的贡献值以及理论异常区域在权重分布数据中对应的理论异常特征的贡献值，此时可以对比异常特征的贡献值与理论异常特征的贡献值的差异，根据贡献值的差异可以得到目标推断信息，该目标推断信息可以指示根据权重分布数据确定的焦点区域与理论异常区域之间的推断的差异信息，因此可以根据得到的目标推断信息对预设诊断工具的推断逻辑进行更新，以修正预设诊断工具的推断逻辑。

本申请另一实施例中，历史输入数据可以为时频图数据，如图7所示，则上述步骤S203由以下步骤S701～步骤S702代替：

步骤S701，将所述热力图映射至所述时频图数据中，得到热力时频图数据。

本申请实施例中，所述热力图时域、频域与所述历史输入数据的时域、频域对齐；历史输入数据可以为时频图数据，可以通过短时傅里叶变换(short-time Fouriertransform，STFT)等方式将历史输入数据变换为时频图数据，时频图数据中可以包含时间和频率之间的对应关系，热力图也可以包含时间和频率之间的对应关系，因此可以将热力图映射至历史输入数据对应的时频图数据中，得到热力时频图数据，可见，热力时频图数据也可以包含时间和频率之间的对应关系；由于热力图与历史输入数据提取的异常特征之间存在对应的关系，且热力图的时域、频域与历史输入数据的时域、频域对齐，因此，热力图映射至时频图数据的方式可以为直接在时频图数据中叠加热力图，得到热力时频图数据。

步骤S702，根据所述热力时频图数据确定所述焦点区域。

实施上述的步骤S701～步骤S702，可以在历史输入数据为时频图数据的情况下，将热力图映射至时频图数据中，得到热力时频图数据，热力时频图数据中热力图与时频图数据的对应关系更加清晰，因此可以从热力时频图数据中直观的看出时频图数据中对识别结果影响较大的异常特征，提升了异常特征确定的直观性。

可选的，步骤S702根据所述热力时频图数据确定所述焦点区域的方式具体可以为：

从所述热力时频图数据中获取待分析区域，所述待分析区域表示所述热力图与所述时频图数据在所述待分析区域具有强对应关系；确定所述待分析区域为所述焦点区域。

其中，实施这种实施方式，可以从热力时频图数据中获取到热力图与时频图数据具有强对应关系的待分析区域，该待分析区域可以确定为焦点区域，从而准确地从热力时频图数据中确定出焦点区域。

本申请另一实施例中，步骤S204确定预设诊断工具的推断逻辑符合预设条件之后，所述方法还可以包括以下步骤：

根据所述权重分布数据、所述焦点区域以及所述理论异常区域得到分析信息，所述分析信息指示所述预设诊断工具对所述焦点区域与所述理论异常区域之间的推断逻辑；

根据预设方式输出所述热力图、所述时频图数据、所述热力时频图数据以及所述分析信息。

其中，实施这种实施方式，可以在确定预设诊断工具的推断逻辑符合预设条件之后，根据权重分布数据、焦点区域以及理论异常区域得到分析信息，该分析信息用于指示预设诊断工具对焦点区域与理论异常区域之间的推断逻辑，并通过预设方式将热力图、时频图数据、热力时频图数据以及分析信息输出，以使使用者得到更加直观的分析信息。

本申请实施例中，可以通过预设方式输出热力图、时频图数据、热力时频图数据以及分析信息，预设方式可以为图像、热力图、矩阵、文字、时频图等输出方式，对此，本申请实施例不做限定。通过输出的热力图、时频图数据、热力时频图数据以及分析信息，可以更加直观的得到历史输入数据与贡献数据以及映射数据之间的相同的特征和不同的特征，更加清晰的得到历史输入数据中对输出结果贡献度较大的特征。

可选的，预设方式可以为RGB色彩模式(RGB color mode)、HSB色彩模式(Hue-saturation-brightness)等，对此，本申请实施例不做限定。例如，在进行故障诊断时会通过分析有颜色的热力图、时频图数据以及热力时频图数据中是否存在某一故障特征频率和这一频率能量的大小来判断出现这种故障的可能性。因此通过观察是否关注到了历史输入数据中存在故障特征的位置，来确定是否学习到了具有泛化能力的诊断知识，以提高故障诊断的可靠性。

请一并参阅图8a、图8b以及图8c，图8a为本申请一实施例提供的输出的第一输出结果的颜色时频图、热力图、热力时频图以及通道时频图；图8b为本申请一实施例提供的输出的第二输出结果的颜色时频图、热力图、热力时频图以及通道时频图；图8c为本申请一实施例提供的输出的第三输出结果的颜色时频图、热力图、热力时频图以及通道时频图；其中，颜色时频图、热力图、热力时频图以及通道时频图中的横坐标都表示时间、纵坐标都表示频率，可见，颜色时频图、热力图、热力时频图以及通道时频图都可以表示时间和频率的对应关系；

当历史输出数据的类别为“0”，图8a为将类别“0”错误识别为类别“6”的情况下，图8a中在第一输出结果为类别“0”的情况下输出的颜色时频图A1-1、热力图A1-2、热力时频图A1-3以及通道时频图A2-1、通道时频图A2-2和通道时频图A2-3；颜色时频图A1-1可以为通过RGB颜色通道输出历史输入数据对应的时频图数据，热力图A1-2可以为通过RGB颜色通道输出热力图，热力时频图A1-3可以为通过RGB颜色通道输出热力图时频数据，以及通道时频图A2-1、通道时频图A2-2以及通道时频图A2-3可以为通过三个通道分别输出的历史输入数据对应的时频图数据。

当历史输出数据的类别为“0”，图8b为将类别“0”错误识别为类别“6”的情况下，图8b中在第二输出结果为类别“6”的情况下输出的颜色时频图B1-1、热力图B1-2、热力时频图B1-3以及通道时频图B2-1、通道时频图B2-2和通道时频图B2-3；颜色时频图B1-1可以为通过RGB颜色通道输出历史输入数据对应的时频图数据，热力图B1-2可以为通过RGB颜色通道输出热力图，热力时频图B1-3可以为通过RGB颜色通道输出热力图时频数据，以及通道时频图B2-1、通道时频图B2-2以及通道时频图B2-3可以为通过三个通道分别输出的历史输入数据对应的时频图数据。

当历史输出数据的类别为“6”，图8c为将类别“6”正确识别的情况下，图8c中在第三输出结果为类别“6”的情况下输出的颜色时频图C1-1、热力图C1-2、热力时频图C1-3以及通道时频图C2-1、通道时频图C2-2和通道时频图C2-3；颜色时频图C1-1可以为通过RGB颜色通道输出历史输入数据对应的时频图数据，热力图C1-2可以为通过RGB颜色通道输出热力图，热力时频图C1-3可以为通过RGB颜色通道输出热力图时频数据，以及通道时频图C2-1、通道时频图C2-2以及通道时频图C2-3可以为通过三个通道分别输出的历史输入数据对应的时频图数据。

从图8a中可以看出识别结果为类别“0”的依据是10Hz附近的异常特征，从图8b中可以看出识别结果为类别“6”的依据是60-120Hz附近的异常特征，从图8c中可以看出真实的识别结果为类别“6”的依据是50-100Hz附近的异常特征；因此，可以依据以往采集到的数据与该领域的相关知识得出10Hz的异常特征是识别结果为类别“0”的常有的特征频率，另外输出结果为类别“6”的依据也与通常的50-100Hz有偏差，虽然认为识别结果为类别“6”的置信度更高，但依据的特征范围有偏差，因此，图8a中的识别结果为类别“0”时，认为候选结果中的类别“0”结合领域知识后相对于候选结果中的类别“6”的更为可靠。

本申请中能够根据预设诊断工具的推理逻辑对识别结果的分析过程进行解释，得到对识别结果贡献值较大的异常特征，从而使得机器学习模型的分析结果更加清楚。此外，本申请还可以使得到的权重分布数据更加准确。此外，本申请还可以使预设诊断工具的推断逻辑在训练过程中更加合理。此外，本申请还可以提升异常特征确定的直观性。此外，本申请还可以准确地从热力时频图数据中确定出焦点区域。此外，本申请还可以使使用者得到更加直观的分析信息。

示例性装置

在介绍了本申请示例性实施方式的方法之后，接下来，参考图9对本申请示例性实施方式的一种分析异常诊断信息的装置进行说明，该装置包括：

获取单元901，用于获取权重分布数据；其中，所述权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，所述识别结果与历史输入数据对应；

处理单元902，用于根据获取单元901获取的所述权重分布数据与各项异常特征融合得到至少一个热力图，所述热力图用于表征目标异常类别对应的异常特征；确定所述至少一个热力图中的焦点区域，所述焦点区域表示是否存在故障状态的待分析区域；若所述焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，所述理论异常区域为所述历史输入数据中根据先验知识确定的区域。

作为一种可选的实施方式，获取单元901获取权重分布数据的方式具体可以为：

获取所述历史特征集中各项异常特征的特征值，以及获取各项异常特征的数量；

基于所述各项异常特征的特征值得到各项异常特征的变化情况；

根据所述各项异常特征的特征值、所述各项异常特征的变化情况以及所述识别结果确定所述各项异常特征的对所述识别结果的贡献值；

将所述历史特征集中各项异常特征的对识别结果的贡献值确定为权重分布数据。

其中，实施这种实施方式，可以从历史特征集中获取各项异常特征的特征值以及各项异常特征的数量，并根据各项异常特征的特征值得到各项异常特征的变化情况，以及可以根据异常特征的特征值、变化情况以及识别结果确定出各项异常特征对识别结果的贡献值，通过各项异常特征对识别结果的贡献值可以获取到权重分布数据，以使得到的权重分布数据更加准确。

作为一种可选的实施方式，若所述焦点区域与理论异常区域之间的匹配度小于等于预设匹配度，所示处理单元902还用于：

确定预设诊断工具的推断逻辑不符合预设条件；

根据所述权重分布数据、所述热力图以及所述理论异常区域得到目标推断信息，所述目标推断信息指示所述各项异常特征和所述理论异常区域之间的推断关系；

根据所述目标推断信息更新所述预设诊断工具的推断逻辑。

其中，实施这种实施方式，可以在焦点区域与理论异常区域之间的匹配度小于等于预设匹配度的情况下，确定预设诊断工具的推断逻辑不符合预设条件，因此可以通过权重分布数据、热力图以及理论异常区域得到目标推断信息，并通过目标推断信息对预设诊断工具的推断逻辑进行更新，以使预设诊断工具的推断逻辑在训练过程中更加合理。

作为一种可选的实施方式，所述历史输入数据为时频图数据，处理单元902确定所述至少一个热力图中的焦点区域的方式具体可以为：

将所述热力图映射至所述时频图数据中，得到热力时频图数据，所述热力图时域、频域与所述历史输入数据的时域、频域对齐；

根据所述热力时频图数据确定所述焦点区域。

其中，实施这种实施方式，可以在历史输入数据为时频图数据的情况下，将热力图映射至时频图数据中，得到热力时频图数据，热力时频图数据中热力图与时频图数据的对应关系更加清晰，因此可以从热力时频图数据中直观的看出时频图数据中对识别结果影响较大的异常特征，提升了异常特征确定的直观性。

作为一种可选的实施方式，处理单元902根据所述热力时频图数据确定所述焦点区域的方式具体可以为：

从所述热力时频图数据中获取待分析区域，所述待分析区域表示所述热力图与所述时频图数据在所述待分析区域具有强对应关系；

确定所述待分析区域为所述焦点区域。

其中，实施这种实施方式，可以从热力时频图数据中获取到热力图与时频图数据具有强对应关系的待分析区域，该待分析区域可以确定为焦点区域，从而准确地从热力时频图数据中确定出焦点区域。

作为一种可选的实施方式，处理单元902还用于：

在确定预设诊断工具的推断逻辑符合预设条件之后，

根据所述权重分布数据、所述焦点区域以及所述理论异常区域得到分析信息，所述分析信息指示所述预设诊断工具对所述焦点区域与所述理论异常区域之间的推断逻辑；

根据预设方式输出所述热力图、所述时频图数据、所述热力时频图数据以及所述分析信息。

其中，实施这种实施方式，可以在确定预设诊断工具的推断逻辑符合预设条件之后，根据权重分布数据、焦点区域以及理论异常区域得到分析信息，该分析信息用于指示预设诊断工具对焦点区域与理论异常区域之间的推断逻辑，并通过预设方式将热力图、时频图数据、热力时频图数据以及分析信息输出，以使使用者得到更加直观的分析信息。

作为一种可选的实施方式，所述历史特征集保存在区块链节点上。

可选的，所述分析异常诊断信息的装置为所述区块链设备，所述区块链设备为区块链中的节点，所述历史特征集可以保存在区块链节点上。

示例性介质

在介绍了本申请示例性实施方式的方法和装置之后，接下来，参考图对本申请示例性实施方式的计算机可读存储介质进行说明，请参考图10，其示出的计算机可读存储介质为光盘100，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会实现上述方法实施方式中所记载的各步骤，例如，获取权重分布数据；权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，识别结果与历史输入数据对应；根据权重分布数据与各项异常特征融合得到至少一个热力图，热力图用于表征目标异常类别对应的异常特征；确定至少一个热力图中的焦点区域，焦点区域表示是否存在故障状态的待分析区域；若焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，理论异常区域为历史输入数据中根据先验知识确定的区域；各步骤的具体实现方式在此不再重复说明。

需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

示例性计算设备

在介绍了本申请示例性实施方式的方法、介质和装置之后，接下来，参考图11对本申请示例性实施方式的用于分析异常诊断信息的计算设备。

图11示出了适于用来实现本申请实施例的示例性计算设备110的框图，该计算设备110可以是计算机系统或服务器。图11显示的计算设备110仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图11所示，计算设备110的组件可以包括但不限于：一个或者多个处理器或者处理单元1101，系统存储器1102，连接不同系统组件(包括系统存储器1102和处理单元1101)的总线1103。

计算设备110典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备110访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器1102可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)11021和/或高速缓存存储器11022。计算设备110可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM11023可以用于读写不可移动的、非易失性磁介质(图11中未显示，通常称为“硬盘驱动器”)。尽管未在图11中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线1103相连。系统存储器1102中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块11024的程序/实用工具11025，可以存储在例如系统存储器1102中，且这样的程序模块11024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块11024通常执行本申请所描述的实施例中的功能和/或方法。

计算设备110也可以与一个或多个外部设备1104(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(I/O)接口605进行。并且，计算设备110还可以通过网络适配器1106与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图11所示，网络适配器1106通过总线1103与计算设备110的其它模块(如处理单元1101等)通信。应当明白，尽管图11中未示出，可以结合计算设备110使用其它硬件和/或软件模块。

处理单元1101通过运行存储在系统存储器1102中的程序，从而执行各种功能应用以及数据处理，例如，获取权重分布数据；权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，识别结果与历史输入数据对应；根据权重分布数据与各项异常特征融合得到至少一个热力图，热力图用于表征目标异常类别对应的异常特征；确定至少一个热力图中的焦点区域，焦点区域表示是否存在故障状态的待分析区域；若焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，理论异常区域为历史输入数据中根据先验知识确定的区域。各步骤的具体实现方式在此不再重复说明。应当注意，尽管在上文详细描述中提及了分析异常诊断信息的装置的若干单元/模块或子单元/子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请实施例，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，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，在本申请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。

所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、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：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

Claims (10)

1.一种分析异常诊断信息的方法，所述方法包括：

获取权重分布数据；其中，所述权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，所述识别结果与历史输入数据对应；

根据所述权重分布数据与各项异常特征融合得到至少一个热力图，所述热力图用于表征目标异常类别对应的异常特征；

确定所述至少一个热力图中的焦点区域，所述焦点区域表示是否存在故障状态的待分析区域；

若所述焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，所述理论异常区域为所述历史输入数据中根据先验知识确定的区域。

2.根据权利要求1所述的分析异常诊断信息的方法，所述获取权重分布数据，包括：

获取所述历史特征集中各项异常特征的特征值，以及获取各项异常特征的数量；

基于所述各项异常特征的特征值得到各项异常特征的变化情况；

根据所述各项异常特征的特征值、所述各项异常特征的变化情况以及所述识别结果确定所述各项异常特征的对所述识别结果的贡献值；

将所述历史特征集中各项异常特征的对识别结果的贡献值确定为权重分布数据。

3.根据权利要求1所述的分析异常诊断信息的方法，若所述焦点区域与理论异常区域之间的匹配度小于等于预设匹配度，所述方法还包括：

确定预设诊断工具的推断逻辑不符合预设条件；

根据所述权重分布数据、所述热力图以及所述理论异常区域得到目标推断信息，所述目标推断信息指示所述各项异常特征和所述理论异常区域之间的推断关系；

根据所述目标推断信息更新所述预设诊断工具的推断逻辑。

4.根据权利要求1-3中任一项所述的分析异常诊断信息的方法，所述历史输入数据为时频图数据，所述确定所述至少一个热力图中的焦点区域，包括：

将所述热力图映射至所述时频图数据中，得到热力时频图数据，所述热力图时域、频域与所述历史输入数据的时域、频域对齐；

根据所述热力时频图数据确定所述焦点区域。

5.根据权利要求4所述的分析异常诊断信息的方法，所述根据所述热力时频图数据确定所述焦点区域，包括：

从所述热力时频图数据中获取待分析区域，所述待分析区域表示所述热力图与所述时频图数据在所述待分析区域具有强对应关系；

确定所述待分析区域为所述焦点区域。

6.根据权利要求5所述的分析异常诊断信息的方法，所述确定预设诊断工具的推断逻辑符合预设条件之后，所述方法还包括：

根据所述权重分布数据、所述焦点区域以及所述理论异常区域得到分析信息，所述分析信息指示所述预设诊断工具对所述焦点区域与所述理论异常区域之间的推断逻辑；

根据预设方式输出所述热力图、所述时频图数据、所述热力时频图数据以及所述分析信息。

7.根据权利要求1-3中任一项所述的分析异常诊断信息的方法，所述历史特征集保存在区块链节点上。

8.一种分析异常诊断信息的装置，包括：

获取单元，用于获取权重分布数据；其中，所述权重分布数据包括历史特征集中各项异常特征的对识别结果的贡献值，所述识别结果与历史输入数据对应；

处理单元，用于根据所述权重分布数据与各项异常特征融合得到至少一个热力图，所述热力图用于表征目标异常类别对应的异常特征；确定所述至少一个热力图中的焦点区域，所述焦点区域表示是否存在故障状态的待分析区域；若所述焦点区域与理论异常区域之间的匹配度高于预设匹配度，则确定预设诊断工具的推断逻辑符合预设条件，所述理论异常区域为所述历史输入数据中根据先验知识确定的区域。

9.一种存储有程序的存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～7中的任一项所述的方法。

10.一种计算设备，所述计算机设备包括处理器以及存储器：

所述存储器用于存储程序代码；

所述处理器用于根据所述程序代码中的指令执行权利要求1～7中任一项所述的方法。

Images