CN114969163B - 一种基于大数据的设备运维方法及系统 - Google Patents

一种基于大数据的设备运维方法及系统 Download PDF

Info

Publication number
CN114969163B
CN114969163B CN202210856229.XA CN202210856229A CN114969163B CN 114969163 B CN114969163 B CN 114969163B CN 202210856229 A CN202210856229 A CN 202210856229A CN 114969163 B CN114969163 B CN 114969163B
Authority
CN
China
Prior art keywords
abnormal
port
data
value
equipment
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
Application number
CN202210856229.XA
Other languages
English (en)
Other versions
CN114969163A (zh
Inventor
王晓瑜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Hongshu Technology Co ltd
Original Assignee
Beijing Hongshu Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Hongshu Technology Co ltd filed Critical Beijing Hongshu Technology Co ltd
Priority to CN202210856229.XA priority Critical patent/CN114969163B/zh
Publication of CN114969163A publication Critical patent/CN114969163A/zh
Application granted granted Critical
Publication of CN114969163B publication Critical patent/CN114969163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开一种基于大数据的设备运维方法及系统。所述方法包括：工作站预先根据内部集线器各端口标识及其各端口关联设备信息绘制集线器设备端口位置图谱，发送至大数据平台；大数据平台接收实时运行数据，获取异常运行数据，根据异常运行数据和位置图谱确定存在异常的端口关联的设备和发生的异常类型；向工作站发送首尾端口信息，由工作站向首尾端口所关联设备分别发送检测命令，获取首尾端口关联设备返回的命令响应，根据命令响应确定发生异常的端口设备。采用本发明技术方案，能够通过大数据平台进行工作台大量数据的异常分析处理，精准定位异常发生的集线器端口，确定集线器端口两端可能发生异常的设备，实现设备的有效运维。

Description

一种基于大数据的设备运维方法及系统
技术领域
本发明涉及大数据处理技术领域，尤其涉及一种基于大数据的设备运维方法及系统。
背景技术
近年来，随着互联网的迅速发展，大量的应用的使用也越来越普及，在应用的使用过程中所产生的数据也呈爆发式增长。目前，通常会将大量的数据存储在云端，以通过“云”为我们提供各种各样的服务，例如：存储服务、分析服务等。
随着云时代的来临，大数据（Big data）也吸引了越来越多的关注。分析师团队认为，大数据（Big data）通常用来形容一个公司创造的大量非结构化数据和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。
然而，现有的工作站的集线器由于端口量太大，所以在进行异常设备运维时通常需要管理员进行长时间复杂的找寻工作，既浪费时间又不能精准的定位异常设备，导致设备运维效率低下。基于此，本发明提出一种基于大数据的设备运维方法及系统。
发明内容
本发明提供了一种基于大数据的设备运维方法，包括：
工作站预先根据内部集线器各端口标识及其各端口关联设备信息绘制集线器设备端口位置图谱，将位置图谱发送至大数据平台；
大数据平台接收工作站上送的实时运行数据，从运行数据中获取异常运行数据，根据异常运行数据和位置图谱确定存在异常的端口关联的设备和发生的异常类型；
大数据平台向工作站发送首尾端口信息，由工作站向首尾端口所关联设备分别发送检测命令，获取首尾端口关联设备返回的命令响应，根据命令响应确定发生异常的端口设备。
如上所述的一种基于大数据的设备运维方法，其中，每个工作站包括控制器和集线器，集线器上包括多个端口，端口两端连接首尾两个设备，由控制器采集集线器各端口两端设备的运行数据，将运行数据上送至大数据平台进行大数据处理，实现工作站设备的运维。
如上所述的一种基于大数据的设备运维方法，其中，工作站内集线器各端口的标识是预先设定的，各端口两端关联的设备信息预先存储在工作站内，若各端口两端设备发生改变，则由端口设备在连接在集线器后先向控制器发送变更指示，由控制器根据变更指示更新工作站内存储的端口关联设备信息。
如上所述的一种基于大数据的设备运维方法，其中，根据异常运行数据确定异常类型，具体包括如下子步骤：
获取各异常类型标准范围值；
根据异常运行数据计算异常类型值，比较异常类型值和各异常类型标准范围值，当计算得到的异常类型值在某一异常类型标准范围值之内时，确定该异常属于对应的异常类型。
如上所述的一种基于大数据的设备运维方法，其中，工作站向这两个设备发送多次检测命令，接收这两个设备返回的多次命令响应，根据多次命令响应计算两个设备的异常风险值，比对计算出的异常风险值，若某一设备的异常风险值超过预设低标准，则确定该端口的异常发生在此设备中，则通知管理员对该设备进行检查维护，若两个设备的异常风险值均超过预设低标准，则该端口的异常在两个设备中均有可能，则通知管理员对两个设备都进行检查维护。
本发明还提供一种基于大数据的设备运维系统，包括：多个工作站和大数据平台；
所述工作站包括数据上送模块，用于根据内部集线器各端口标识及其各端口关联设备信息绘制集线器设备端口位置图谱，将位置图谱发送至大数据平台；命令接收模块，用于接收工作站发送的首尾端口信息；设备运维检测模块，用于向首尾端口所关联设备分别发送检测命令，获取首尾端口关联设备返回的命令响应，根据命令响应确定发生异常的端口设备。
所述大数据平台包括：数据接收模块，接收工作站上送的实时运行数据；异常确定模块，从运行数据中获取异常运行数据，根据异常运行数据和位置图谱确定存在异常的端口关联的设备和发生的异常类型；命令发送模块，用于向工作站发送首尾端口信息。
如上所述的一种基于大数据的设备运维系统，其中，每个工作站包括控制器和集线器，集线器上包括多个端口，端口两端连接首尾两个设备，由控制器采集集线器各端口两端设备的运行数据，将运行数据上送至大数据平台进行大数据处理，实现工作站设备的运维。
如上所述的一种基于大数据的设备运维系统，其中，工作站内集线器各端口的标识是预先设定的，各端口两端关联的设备信息预先存储在工作站内，若各端口两端设备发生改变，则由端口设备在连接在集线器后先向控制器发送变更指示，由控制器根据变更指示更新工作站内存储的端口关联设备信息。
如上所述的一种基于大数据的设备运维系统，其中，异常确定模块具体包括获取各异常类型标准范围值；根据异常运行数据计算异常类型值，比较异常类型值和各异常类型标准范围值，当计算得到的异常类型值在某一异常类型标准范围值之内时，确定该异常属于对应的异常类型。
如上所述的一种基于大数据的设备运维系统，其中，工作站向这两个设备发送多次检测命令，接收这两个设备返回的多次命令响应，根据多次命令响应计算两个设备的异常风险值，比对计算出的异常风险值，若某一设备的异常风险值超过预设低标准，则确定该端口的异常发生在此设备中，则通知管理员对该设备进行检查维护，若两个设备的异常风险值均超过预设低标准，则该端口的异常在两个设备中均有可能，则通知管理员对两个设备都进行检查维护。
本发明实现的有益效果如下：采用本申请技术方案，能够通过大数据平台进行工作台大量数据的异常分析处理，精准定位异常发生的集线器端口，确定集线器端口两端可能发生异常的设备，实现设备的有效运维。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于大数据的设备运维方法流程图；
图2是本发明实施例二提供的一种基于大数据的设备运维系统示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例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，本领域技术人员在没有做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。
实施例一
如图1所示，本发明实施例一提供一种基于大数据的设备运维方法，包括：
步骤110、工作站预先根据内部集线器各端口标识及其各端口关联设备信息绘制集线器设备端口位置图谱，将位置图谱发送至大数据平台；
本申请实施例中，所述基于大数据的设备运维方法应用于包括多个工作站和大数据平台组成的系统中，每个工作站包括控制器和集线器，集线器上包括多个端口，端口两端连接首尾两个设备，由控制器采集集线器各端口两端设备的运行数据，将运行数据上送至大数据平台进行大数据处理，实现工作站设备的运维。
工作站内集线器各端口的标识是预先设定的，各端口两端关联的设备信息预先存储在工作站内，若各端口两端设备发生改变，则由端口设备在连接在集线器后先向控制器发送变更指示，由控制器根据变更指示更新工作站内存储的端口关联设备信息。在工作站内存储的集线器设备端口所绘制的端口位置图谱包括端口编码、端口在整个集线器中的坐标、端口关联的首尾设备、首尾设备标识、首尾设备所在位置等。
由于各工作站内的集线器要关联众多设备，每个设备在运行时要产生的数据量又非常巨大，所以为了提高对工作站内异常运行设备的运维，本发明由工作站控制器采集这些运行数据，对于运行数据的分析工作交由处理能力更强的大数据平台进行数据的统一处理，提高数据处理能力，并能够精准快速的找寻到发生异常的设备。
步骤120、大数据平台接收工作站上送的实时运行数据，从运行数据中获取异常运行数据，根据异常运行数据和位置图谱确定存在异常的端口关联的设备和发生的异常类型；
大数据平台接收到工作站上送的实时运行数据之后，先从运行数据中获取异常运行数据，这些异常运行数据中包括异常端口标识，根据设备端口位置图谱能够确定发生异常的端口两端关联的设备情况，并且根据这些异常运行数据确定异常类型。根据异常运行数据确定异常类型，具体包括如下子步骤：
步骤121、获取各异常类型标准范围值；
本申请实施例中，预先在大数据平台中训练有能够识别不同异常类型的数据模型，这些数据模型根据大数据平台历史采集的异常运行数据训练所得，所述数据模型具体为
Figure 292884DEST_PATH_IMAGE001
，其中，
Figure 712364DEST_PATH_IMAGE002
为第j个子数据模型的权重值，
Figure 860448DEST_PATH_IMAGE003
为第j个子数据模型，x为输入的异常运行数据，数据模型的输入结果即为异常类型值，为保证异常类型识别准确，利用真实异常类型值和数据模型输出的异常类型值作比值，得到修正系数
Figure 540828DEST_PATH_IMAGE004
，将异常类型标准范围值设定为[
Figure 748956DEST_PATH_IMAGE004
M，(
Figure 390153DEST_PATH_IMAGE004
+1)M]。
步骤122、根据异常运行数据计算异常类型值，比较异常类型值和各异常类型标准范围值，当计算得到的异常类型值在某一异常类型标准范围值之内时，确定该异常属于对应的异常类型。
具体地，将本次异常运行数据输入数据模型
Figure 76349DEST_PATH_IMAGE001
中，输出异常类型值，判断计算得到的异常类型值在哪一个异常类型标准范围值内，确定该异常运行时数据所属的异常类型。
步骤130、大数据平台向工作站发送首尾端口信息，由工作站向首尾端口所关联设备分别发送检测命令，获取首尾端口关联设备返回的命令响应，根据命令响应确定发生异常的端口设备；
在大数据平台确定了工作站中集线器哪个或哪些端口出现异常时，并且知晓异常类型时，可以确定该端口对应的关联设备发生异常，但是具体到端口两端到底是哪个设备故障还需要进一步判断。此时大数据平台将异常端口两端的首尾设备信息发送给工作站，请求工作站对这两个设备进行进一步异常判定，由工作站向这两个设备发送多次检测命令，接收这两个设备返回的多次命令响应，根据多次命令响应计算两个设备的异常风险值，比对计算出的异常风险值，若某一设备的异常风险值超过预设低标准，则确定该端口的异常发生在此设备中，则通知管理员对该设备进行检查维护，若两个设备的异常风险值均超过预设低标准，则该端口的异常在两个设备中均有可能，则通知管理员对两个设备都进行检查维护。
其中，异常风险值的计算公式为：
Figure 627547DEST_PATH_IMAGE005
，其中，
Figure 740997DEST_PATH_IMAGE006
表示计算得到的异常风险值；
Figure 135069DEST_PATH_IMAGE007
表示第i次命令响应对异常风险值的影响因子，通常由于可能存在异常出现但很快恢复的情况，所以设置随着i的增加
Figure 359377DEST_PATH_IMAGE007
的值越大，例如命令响应为3次，则设定第一次
Figure 686453DEST_PATH_IMAGE007
为0.1，第二次
Figure 298700DEST_PATH_IMAGE007
为0.3，第三次
Figure 976806DEST_PATH_IMAGE007
为0.6；
Figure 208067DEST_PATH_IMAGE008
表示第i次命令响应的反馈值，
Figure 389650DEST_PATH_IMAGE009
为第i次命令响应的响应时间。
实施例二
如图2所示，本发明实施例二提供一种基于大数据的设备运维系统，包括多个工作站2（包括n个工作站，图2以一个工作站为例）和大数据平台3，每个工作站2包括控制器2-1和集线器2-2，集线器2-2上包括多个端口，端口两端连接首尾两个设备，由控制器2-1采集集线器2-2各端口两端设备的运行数据，将运行数据上送至大数据平台3进行大数据处理，实现工作站设备的运维。
所述工作站2包括数据上送模块21，用于根据内部集线器2-2各端口标识及其各端口关联设备信息绘制集线器设备端口位置图谱，将位置图谱发送至大数据平台3；命令接收模块22，用于接收工作站2发送的首尾端口信息；设备运维检测模块23，用于向首尾端口所关联设备分别发送检测命令，获取首尾端口关联设备返回的命令响应，根据命令响应确定发生异常的端口设备。
本申请实施例中，工作站内集线器各端口的标识是预先设定的，各端口两端关联的设备信息预先存储在工作站内，若各端口两端设备发生改变，则由端口设备在连接在集线器后先向控制器发送变更指示，由控制器根据变更指示更新工作站内存储的端口关联设备信息。在工作站内存储的集线器设备端口所绘制的端口位置图谱包括端口编码、端口在整个集线器中的坐标、端口关联的首尾设备、首尾设备标识、首尾设备所在位置等。
由于各工作站内的集线器要关联众多设备，每个设备在运行时要产生的数据量又非常巨大，所以为了提高对工作站内异常运行设备的运维，本发明由工作站控制器采集这些运行数据，对于运行数据的分析工作交由处理能力更强的大数据平台进行数据的统一处理，提高数据处理能力，并能够精准快速的找寻到发生异常的设备。
所述大数据平台3包括：数据接收模块31，接收工作站上送的实时运行数据；异常确定模块32，从运行数据中获取异常运行数据，根据异常运行数据和位置图谱确定存在异常的端口关联的设备和发生的异常类型；命令发送模块33，用于向工作站发送首尾端口信息。
具体地，大数据平台接收到工作站上送的实时运行数据之后，先从运行数据中获取异常运行数据，这些异常运行数据中包括异常端口标识，根据设备端口位置图谱能够确定发生异常的端口两端关联的设备情况，并且根据这些异常运行数据确定异常类型。
所述异常确定模块32，具体用于：获取各异常类型标准范围值；根据异常运行数据计算异常类型值，比较异常类型值和各异常类型标准范围值，当计算得到的异常类型值在某一异常类型标准范围值之内时，确定该异常属于对应的异常类型。
本申请实施例中，预先在大数据平台中训练有能够识别不同异常类型的数据模型，这些数据模型根据大数据平台历史采集的异常运行数据训练所得，所述数据模型具体为
Figure 844902DEST_PATH_IMAGE001
，其中，
Figure 820424DEST_PATH_IMAGE002
为第j个子数据模型的权重值，
Figure 652113DEST_PATH_IMAGE003
为第j个子数据模型，x为输入的异常运行数据，数据模型的输入结果即为异常类型值，为保证异常类型识别准确，利用真实异常类型值和数据模型输出的异常类型值作比值，得到修正系数
Figure 157044DEST_PATH_IMAGE004
，将异常类型标准范围值设定为[
Figure 783198DEST_PATH_IMAGE010
M，(
Figure 170317DEST_PATH_IMAGE011
+1)M]。
将本次异常运行数据输入数据模型
Figure 868014DEST_PATH_IMAGE001
中，输出异常类型值，判断计算得到的异常类型值在哪一个异常类型标准范围值内，确定该异常运行时数据所属的异常类型。
在大数据平台确定了工作站中集线器哪个或哪些端口出现异常时，并且知晓异常类型时，可以确定该端口对应的关联设备发生异常，但是具体到端口两端到底是哪个设备故障还需要进一步判断。此时大数据平台将异常端口两端的首尾设备信息发送给工作站，请求工作站对这两个设备进行进一步异常判定，由工作站向这两个设备发送多次检测命令，接收这两个设备返回的多次命令响应，根据多次命令响应计算两个设备的异常风险值，比对计算出的异常风险值，若某一设备的异常风险值超过预设低标准，则确定该端口的异常发生在此设备中，则通知管理员对该设备进行检查维护，若两个设备的异常风险值均超过预设低标准，则该端口的异常在两个设备中均有可能，则通知管理员对两个设备都进行检查维护。
其中，异常风险值的计算公式为：
Figure 24189DEST_PATH_IMAGE005
，其中，
Figure 24506DEST_PATH_IMAGE006
表示计算得到的异常风险值；
Figure 898921DEST_PATH_IMAGE007
表示第i次命令响应对异常风险值的影响因子，通常由于可能存在异常出现但很快恢复的情况，所以设置随着i的增加
Figure 151042DEST_PATH_IMAGE007
的值越大，例如命令响应为3次，则设定第一次
Figure 161723DEST_PATH_IMAGE007
为0.1，第二次
Figure 395259DEST_PATH_IMAGE007
为0.3，第三次
Figure 694653DEST_PATH_IMAGE007
为0.6；
Figure 671836DEST_PATH_IMAGE008
表示第i次命令响应的反馈值，
Figure 864920DEST_PATH_IMAGE009
为第i次命令响应的响应时间。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (6)

1.一种基于大数据的设备运维方法，其特征在于，包括：
工作站预先根据内部集线器各端口标识及其各端口关联设备信息绘制集线器设备端口位置图谱，将位置图谱发送至大数据平台；
大数据平台接收工作站上送的实时运行数据，从运行数据中获取异常运行数据，根据异常运行数据和位置图谱确定存在异常的端口关联的设备和发生的异常类型；
根据异常运行数据确定异常类型，具体包括如下子步骤：
获取各异常类型标准范围值；预先在大数据平台中训练有能够识别不同异常类型的数据模型，这些数据模型根据大数据平台历史采集的异常运行数据训练所得，所述数据模型具体为
Figure 571596DEST_PATH_IMAGE001
，其中，
Figure 473562DEST_PATH_IMAGE002
为第j个子数据模型的权重值，
Figure 374522DEST_PATH_IMAGE003
为第j个子数据模型，x为输入的异常运行数据，数据模型的输入结果即为异常类型值，为保证异常类型识别准确，利用真实异常类型值和数据模型输出的异常类型值作比值，得到修正系数
Figure 265118DEST_PATH_IMAGE004
，将异常类型标准范围值设定为
Figure 593331DEST_PATH_IMAGE005
；
根据异常运行数据计算异常类型值，比较异常类型值和各异常类型标准范围值，当计算得到的异常类型值在某一异常类型标准范围值之内时，确定该异常属于对应的异常类型；具体将本次异常运行数据输入数据模型
Figure 998904DEST_PATH_IMAGE001
中，输出异常类型值，判断计算得到的异常类型值在哪一个异常类型标准范围值内，确定该异常运行时数据所属的异常类型；
大数据平台向工作站发送首尾端口信息，工作站向这两个设备发送多次检测命令，接收这两个设备返回的多次命令响应，根据多次命令响应计算两个设备的异常风险值，比对计算出的异常风险值，若某一设备的异常风险值超过预设低标准，则确定该端口的异常发生在此设备中，则通知管理员对该设备进行检查维护，若两个设备的异常风险值均超过预设低标准，则该端口的异常在两个设备中均有可能，则通知管理员对两个设备都进行检查维护；所述异常风险值的计算公式为：
Figure 188708DEST_PATH_IMAGE006
，其中，
Figure 730548DEST_PATH_IMAGE007
表示计算得到的异常风险值；
Figure 432925DEST_PATH_IMAGE008
表示第i次命令响应对异常风险值的影响因子，设置随着i的增加
Figure 60215DEST_PATH_IMAGE008
的值越大；
Figure 568557DEST_PATH_IMAGE009
表示第i次命令响应的反馈值，
Figure 433745DEST_PATH_IMAGE010
为第i次命令响应的响应时间。
2.如权利要求1所述的一种基于大数据的设备运维方法，其特征在于，每个工作站包括控制器和集线器，集线器上包括多个端口，端口两端连接首尾两个设备，由控制器采集集线器各端口两端设备的运行数据，将运行数据上送至大数据平台进行大数据处理，实现工作站设备的运维。
3.如权利要求1所述的一种基于大数据的设备运维方法，其特征在于，工作站内集线器各端口的标识是预先设定的，各端口两端关联的设备信息预先存储在工作站内，若各端口两端设备发生改变，则由端口设备在连接在集线器后先向控制器发送变更指示，由控制器根据变更指示更新工作站内存储的端口关联设备信息。
4.一种基于大数据的设备运维系统，其特征在于，包括：多个工作站和大数据平台；
所述工作站包括数据上送模块，用于根据内部集线器各端口标识及其各端口关联设备信息绘制集线器设备端口位置图谱，将位置图谱发送至大数据平台；命令接收模块，用于接收工作站发送的首尾端口信息；设备运维检测模块，用于向首尾端口所关联设备分别发送检测命令，获取首尾端口关联设备返回的命令响应，根据命令响应确定发生异常的端口设备；
根据命令响应确定发生异常的端口设备，具体为：工作站向这两个设备发送多次检测命令，接收这两个设备返回的多次命令响应，根据多次命令响应计算两个设备的异常风险值，比对计算出的异常风险值，若某一设备的异常风险值超过预设低标准，则确定该端口的异常发生在此设备中，则通知管理员对该设备进行检查维护，若两个设备的异常风险值均超过预设低标准，则该端口的异常在两个设备中均有可能，则通知管理员对两个设备都进行检查维护；
所述异常风险值的计算公式为：
Figure 355958DEST_PATH_IMAGE006
，其中，
Figure 204965DEST_PATH_IMAGE007
表示计算得到的异常风险值；
Figure 516998DEST_PATH_IMAGE008
表示第i次命令响应对异常风险值的影响因子，设置随着i的增加
Figure 33430DEST_PATH_IMAGE008
的值越大；
Figure 77609DEST_PATH_IMAGE009
表示第i次命令响应的反馈值，
Figure 164645DEST_PATH_IMAGE010
为第i次命令响应的响应时间；
所述大数据平台包括：数据接收模块，接收工作站上送的实时运行数据；异常确定模块，从运行数据中获取异常运行数据，根据异常运行数据和位置图谱确定存在异常的端口关联的设备和发生的异常类型；命令发送模块，用于向工作站发送首尾端口信息；
异常确定模块具体包括获取各异常类型标准范围值；根据异常运行数据计算异常类型值，比较异常类型值和各异常类型标准范围值，当计算得到的异常类型值在某一异常类型标准范围值之内时，确定该异常属于对应的异常类型；
预先在大数据平台中训练有能够识别不同异常类型的数据模型，这些数据模型根据大数据平台历史采集的异常运行数据训练所得，所述数据模型具体为
Figure 14789DEST_PATH_IMAGE001
，其中，
Figure 385728DEST_PATH_IMAGE002
为第j个子数据模型的权重值，
Figure 600809DEST_PATH_IMAGE003
为第j个子数据模型，x为输入的异常运行数据，数据模型的输入结果即为异常类型值，为保证异常类型识别准确，利用真实异常类型值和数据模型输出的异常类型值作比值，得到修正系数
Figure 689987DEST_PATH_IMAGE004
，将异常类型标准范围值设定为
Figure 327511DEST_PATH_IMAGE005
；
将本次异常运行数据输入数据模型
Figure 818535DEST_PATH_IMAGE001
中，输出异常类型值，判断计算得到的异常类型值在哪一个异常类型标准范围值内，确定该异常运行时数据所属的异常类型。
5.如权利要求4所述的一种基于大数据的设备运维系统，其特征在于，每个工作站包括控制器和集线器，集线器上包括多个端口，端口两端连接首尾两个设备，由控制器采集集线器各端口两端设备的运行数据，将运行数据上送至大数据平台进行大数据处理，实现工作站设备的运维。
6.如权利要求 4所述的一种基于大数据的设备运维系统，其特征在于，工作站内集线器各端口的标识是预先设定的，各端口两端关联的设备信息预先存储在工作站内，若各端口两端设备发生改变，则由端口设备在连接在集线器后先向控制器发送变更指示，由控制器根据变更指示更新工作站内存储的端口关联设备信息。
CN202210856229.XA 2022-07-21 2022-07-21 一种基于大数据的设备运维方法及系统 Active CN114969163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210856229.XA CN114969163B (zh) 2022-07-21 2022-07-21 一种基于大数据的设备运维方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210856229.XA CN114969163B (zh) 2022-07-21 2022-07-21 一种基于大数据的设备运维方法及系统

Publications (2)

Publication Number Publication Date
CN114969163A CN114969163A (zh) 2022-08-30
CN114969163B true CN114969163B (zh) 2022-12-09

Family

ID=82969007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210856229.XA Active CN114969163B (zh) 2022-07-21 2022-07-21 一种基于大数据的设备运维方法及系统

Country Status (1)

Country Link
CN (1) CN114969163B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503054B (zh) * 2023-06-26 2023-10-13 睿至科技集团有限公司 一种基于大数据的设备统一运维平台及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460829A (zh) * 2018-11-05 2019-03-12 常熟理工学院 基于大数据处理及云传输下的智能监测方法及平台
CN110704278A (zh) * 2019-09-30 2020-01-17 山东超越数控电子股份有限公司 一种智能服务器管理系统及其管理方法
CN113190421A (zh) * 2021-03-16 2021-07-30 北京中大科慧科技发展有限公司 一种用于数据中心的设备健康状态的检测分析方法
CN113486078A (zh) * 2021-06-15 2021-10-08 国网山东省电力公司金乡县供电公司 一种分布式配电网运行监控方法及系统
CN113935497A (zh) * 2020-07-14 2022-01-14 京东方科技集团股份有限公司 智能运维故障处理方法、装置、设备及其存储介质
CN114157554A (zh) * 2021-12-21 2022-03-08 唯品会(广州)软件有限公司 故障排查方法、装置、存储介质及计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034521B (zh) * 2018-06-07 2021-11-16 国电南瑞科技股份有限公司 一种电网调度控制系统的智能运维架构设计方法
CN110659173B (zh) * 2018-06-28 2023-05-26 中兴通讯股份有限公司 一种运维系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460829A (zh) * 2018-11-05 2019-03-12 常熟理工学院 基于大数据处理及云传输下的智能监测方法及平台
CN110704278A (zh) * 2019-09-30 2020-01-17 山东超越数控电子股份有限公司 一种智能服务器管理系统及其管理方法
CN113935497A (zh) * 2020-07-14 2022-01-14 京东方科技集团股份有限公司 智能运维故障处理方法、装置、设备及其存储介质
CN113190421A (zh) * 2021-03-16 2021-07-30 北京中大科慧科技发展有限公司 一种用于数据中心的设备健康状态的检测分析方法
CN113486078A (zh) * 2021-06-15 2021-10-08 国网山东省电力公司金乡县供电公司 一种分布式配电网运行监控方法及系统
CN114157554A (zh) * 2021-12-21 2022-03-08 唯品会(广州)软件有限公司 故障排查方法、装置、存储介质及计算机设备

Also Published As

Publication number Publication date
CN114969163A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN110888755B (zh) 一种微服务系统异常根因节点的查找方法及装置
US9542255B2 (en) Troubleshooting based on log similarity
CN114969163B (zh) 一种基于大数据的设备运维方法及系统
CN110647913B (zh) 基于聚类算法的异常数据检测方法及装置
CN114647551A (zh) 一种数据库自动化巡检方法、装置、设备及介质
CN111400505A (zh) 一种用电信息采集系统匹配故障消缺方案的方法及系统
CN111852769A (zh) 风机scada数据的偏航静态偏差角预测方法及系统
CN110232130B (zh) 元数据管理谱系生成方法、装置、计算机设备和存储介质
CN115372748A (zh) 电缆的维护数据处理方法及系统
CN117193088B (zh) 一种工业设备监控方法、装置以及服务器
CN114238474A (zh) 基于排水系统的数据处理方法、装置、设备及存储介质
CN117114420B (zh) 一种基于图像识别的工贸安全事故风险管控系统和方法
CN112183555B (zh) 焊接质量的检测方法、系统、电子设备和存储介质
CN111461815B (zh) 订单识别模型生成方法、识别方法、系统、设备和介质
CN113609216A (zh) 基于区块链的产品质量诊断方法、装置、设备及存储介质
CN110674044B (zh) 功能自动化测试的覆盖率获取方法、系统、设备及介质
CN116686535A (zh) 基于数据分析的无人驾驶收割机控制方法及系统
CN110569893A (zh) 一种配电设备缺陷分析管理方法及系统
CN116150692A (zh) 基于云平台和改进孤立森林的电网故障诊断方法和系统
CN115984158A (zh) 缺陷分析方法、装置、电子设备及计算机可读存储介质
CN113656323A (zh) 一种自动化测试、定位及修复故障的方法及存储介质
CN110942256B (zh) 新能源厂站涉网端实时交互过程异常检测方法及系统
CN117250994B (zh) 基于无人机追踪昆虫迁飞轨迹的方法及系统
CN113761025B (zh) 储能电站电池数据异常的检测方法、系统、设备及介质
CN115905993A (zh) 电力监控系统内核Panic故障自动诊断方法及装置

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