CN115333973A - 设备异常检测方法、装置、计算机设备和存储介质 - Google Patents
设备异常检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115333973A CN115333973A CN202210938511.2A CN202210938511A CN115333973A CN 115333973 A CN115333973 A CN 115333973A CN 202210938511 A CN202210938511 A CN 202210938511A CN 115333973 A CN115333973 A CN 115333973A
- Authority
- CN
- China
- Prior art keywords
- equipment
- log block
- log
- detected
- block
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 147
- 230000005856 abnormality Effects 0.000 title claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 80
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000037408 Device failure Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/22—Parsing or analysis of headers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Environmental & Geological Engineering (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种设备异常检测方法、装置、计算机设备和存储介质。所述方法包括:对待检测设备的日志块进行解析,得到解析日志块;对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量;所述日志块张量中包含日志向量;将所述日志块张量输入预先训练的设备异常检测模型,得到针对所述待检测设备的日志块的识别结果;根据所述识别结果,确定所述待检测设备的检测结果。采用本方法能够提高设备异常检测的效率。
Description
技术领域
本申请涉及医疗设备技术领域,特别是涉及一种设备异常检测方法、装置、计算机设备和存储介质。
背景技术
基于设备日志对医疗设备进行异常检测,可以帮助运维人员快速定位到设备异常的位置,提高工作效率。传统技术中,在进行异常检测时,通常由运维人员从医疗设备中拷贝设备日志,使用搜索工具对设备日志进行搜索,通过人工查看搜索结果,定位出设备的异常位置。其中,设备日志只能记录宏观问题,运维人员还需要在全面阅读设备日志的基础上,对日志上下文进行分析,进而精准定位到具体设备的具体故障。
然而,随着医疗设备智能化和数字化的发展,以及医疗设备的数量逐年递增,设备日志的数量日益增多,并且内容逐渐趋于复杂化,增加了对于设备日志进行搜索的难度,同时使得设备日志的阅读以及在阅读基础上的问题分析存在一定的复杂性,仍然采用传统的设备异常检测方法,容易导致运维人员工作量较大,工作效率较低。
因此,目前的设备异常检测技术存在检测效率较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种效率较高的设备异常检测方法、装置、计算机设备和计算机可读存储介质。
第一方面,本申请提供了一种设备异常检测方法。所述方法包括:
对待检测设备的日志块进行解析,得到解析日志块;
对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量;所述日志块张量中包含日志向量;
将所述日志块张量输入预先训练的设备异常检测模型,得到针对所述待检测设备的日志块的识别结果;
根据所述识别结果,确定所述待检测设备的检测结果。
在其中一个实施例中,在对待检测设备的日志块进行解析,得到解析日志块之前,还包括:
获取所述待检测设备的设备日志;
按照预设的时间窗口大小,对所述设备日志进行分割,得到所述待检测设备的日志块。
在其中一个实施例中,所述解析日志块中包含解析日志;所述对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量,包括:
对所述解析日志块中的解析日志进行特征提取,得到所述解析日志对应的日志向量;
合并所述日志向量,得到所述解析日志块对应的日志块张量。
在其中一个实施例中,所述根据所述识别结果,确定所述待检测设备的检测结果,包括:
在所述识别结果为所述日志块属于异常日志块的情况下,判定所述待检测设备异常;
在根据所述识别结果,确定所述待检测设备的检测结果之后,还包括:
生成所述待检测设备的设备异常信号;所述设备异常信号用于通知对所述待检测设备进行维修。
在其中一个实施例中,所述方法还包括:
在所述识别结果为所述日志块属于正常日志块的情况下,检测是否存在所述待检测设备的下一日志块;
若存在所述待检测设备的下一日志块,则将所述待检测设备的下一日志块作为所述待检测设备的日志块,并返回至所述对待检测设备的日志块进行解析,得到解析日志块的步骤。
在其中一个实施例中,所述方法还包括:
获取所述待检测设备的历史检测数据;
根据所述待检测设备的历史检测数据,预测所述待检测设备的设备异常情况。
在其中一个实施例中,在获取所述待检测设备的设备日志之前,还包括:
获取日志块样本对应的张量样本和实际识别结果;
将所述张量样本输入至待训练的设备异常检测模型,得到所述日志块样本的预测识别结果;
根据所述日志块样本的实际识别结果和所述预测样本标识之间的差异,对所述待训练的设备异常检测模型进行训练,得到所述预先训练的设备异常检测模型。
第二方面,本申请还提供了一种设备异常检测装置。所述装置包括:
解析模块,用于对待检测设备的日志块进行解析,得到解析日志块;
提取模块,用于对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量;所述日志块张量中包含日志向量;
识别模块,用于将所述日志块张量输入预先训练的设备异常检测模型,得到针对所述待检测设备的日志块的识别结果;
检测模块,用于根据所述识别结果,确定所述待检测设备的检测结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
对待检测设备的日志块进行解析,得到解析日志块;
对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量;所述日志块张量中包含日志向量;
将所述日志块张量输入预先训练的设备异常检测模型,得到针对所述待检测设备的日志块的识别结果;
根据所述识别结果,确定所述待检测设备的检测结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
对待检测设备的日志块进行解析,得到解析日志块;
对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量;所述日志块张量中包含日志向量;
将所述日志块张量输入预先训练的设备异常检测模型,得到针对所述待检测设备的日志块的识别结果;
根据所述识别结果,确定所述待检测设备的检测结果。
上述设备异常检测方法、装置、计算机设备和存储介质,通过先对待检测设备的日志块进行解析,得到解析日志块,再对解析日志块进行特征提取,得到解析日志块对应的日志块张量,然后将日志块张量输入预先训练的设备异常检测模型,得到针对待检测设备的日志块的识别结果,最后根据识别结果,确定待检测设备的检测结果;可以无需人工搜索,也无需人工对日志上下文进行分析和定位设备故障,通过对日志块进行解析、特征提取和输入设备异常检测模型进行处理,实现对日志进行自动、批量地异常检测,提高了设备异常检测的效率。
而且,由于设备异常检测模型在进行设备异常检测时可以考虑到日志上下文的关系,并对长时间序列具有较好的适配性,能够进一步提高设备异常检测的准确性。
附图说明
图1为一个实施例中设备异常检测方法的流程示意图;
图2为另一个实施例中设备异常检测方法的流程示意图;
图3为一个实施例中基于Transformer与Bert的医疗设备日志异常检测方法的流程示意图;
图4为一个实施例中设备异常检测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的设备异常检测方法,可以应用于终端或者服务器。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图1所示,提供了一种设备异常检测方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S110,对待检测设备的日志块进行解析,得到解析日志块。
其中,待检测设备可以但不限于是医疗设备,其中,医疗设备包括磁共振设备(MR设备)、计算机断层扫描设备(CT设备)、射线照射设备(RT设备)和超声设备(UT设备)中的至少一种。
其中,解析日志块可以包含至少一个解析日志。解析日志可以为经过解析的日志。
具体实现中,可以将待检测设备的设备日志输入终端,终端可以按照预先设置的时间窗口大小,将设备日志分为至少一个设备日志块,每一个设备日志块包含至少一个设备日志,其中的设备日志为非结构化的。终端可以对设备日志块进行解析,将设备日志块中每一个非结构化的设备日志解析为结构化的解析日志,并对结构化的解析日志进行组合,得到解析日志块。
其中,结构化的解析日志可以包含日志的模版和模版对应的参数。
实际应用中,可以按照医疗设备的扫描事件来确定时间窗口大小。例如,可以将使用医疗设备对指定病人进行扫描的全过程确定为一个时间窗口,还可以将医疗设备得到的一个扫描序列确定为一个时间窗口。确定好的时间窗口可以作为字段写入医疗设备日志,得到非结构化的医疗设备日志,传输至终端,终端在获取到非结构化的医疗设备日志后,可以从指定字段读取时间窗口大小,根据读取到的时间窗口大小将医疗设备日志分为多个日志块,其中每个日志块包含多条医疗设备日志,对于每一个日志块,终端可以对其中多条非结构化的医疗设备日志分别进行解析,得到多条结构化的医疗设备解析日志,将多条结构化的医疗设备解析日志组成解析日志块。
步骤S120,对解析日志块进行特征提取,得到解析日志块对应的日志块张量;日志块张量中包含日志向量。
其中,日志块张量可以包含至少一个日志向量。
具体实现中,终端可以对解析日志块中的每一个解析日志进行特征提取,得到各解析日志对应的日志向量,将解析日志块中所有解析日志所对应的日志向量进行合并,可以得到解析日志块对应的日志块张量。
实际应用中,终端可以通过BERT(Bidirectional Encoder Representation fromTransformers,来自Transformer的双向编码器表示)模型对解析日志进行特征提取,得到解析日志对应的日志向量。
步骤S130,将日志块张量输入预先训练的设备异常检测模型,得到针对待检测设备的日志块的识别结果。
其中,设备异常检测模型可以但不限于是深度学习模型,具体可以为Transformer(一种基于注意力机制的神经网络)模型。
其中,识别结果可以为日志块属于正常日志块或者日志块属于异常日志块。
具体实现中,可以预先训练设备异常检测模型,将日志块张量输入预先训练好的设备异常检测模型,通过设备异常检测模型对日志块张量进行识别,得到日志块张量所对应日志块的识别结果。
实际应用中,可以将日志块张量输入预先训练的Transformer模型,Transformer模型可以对日志块张量进行二分类,确定该日志块张量所对应的日志块属于正常日志块或者属于异常日志块。
其中,设备异常检测模型可以确定日志块张量中各日志向量所对应的注意力权重,并根据各日志向量和各日志向量所对应的注意力权重,得到日志块张量所对应日志块的识别结果。
例如,对于日志块中的各设备日志,有的对设备异常检测结果影响不大,有的是设备异常检测的主要日志,可以针对对设备异常检测结果影响不大的设备日志所对应的日志向量,设置较小的注意力权重,针对设备异常检测的主要日志所对应的日志向量,设置较大的注意力权重,根据设置好的注意力权重生成设备异常检测模型,设备异常检测模型可以针对日志块张量中的各个日志向量,根据相应的注意力权重进行处理,得到日志块张量所对应日志块的识别结果。其中,注意力权重对于设备异常检测模型中的参数有一定影响,通过合理设置注意力权重,可以帮助减少模型训练的参数数量,和加快模型的训练速度。设备异常检测模型的输出结果可以是表格,例如,输出结果可以是第一行为异常种类、第二行为异常判定可信度的一个表格,实际应用中,可以取可信度最高的输出结果作为设备异常检测结果。
需要说明的是,对于未包含在Transformer模型训练样本集合中的日志块张量,存在无法通过Transformer模型识别到的情况,此时,可以计算日志块张量中的句向量与候选句向量之间的句向量距离,候选句向量包含在Transformer模型训练样本集合中,若句向量距离小于预设的距离阈值,可以用候选句向量代替日志块张量中的句向量,得到新的日志块张量,输入至预先训练的设备异常检测模型。
步骤S140,根据识别结果,确定待检测设备的检测结果。
具体实现中,针对待检测设备的当前日志块,若识别结果为当前日志块属于异常日志块,则可以判定待检测设备异常,还可以生成设备异常信号,通知用户对待检测设备进行维修;若识别结果为当前日志块属于正常日志块,则可以继续检测是否还存在下一日志块,若存在下一日志块,则可以针对下一日志块,执行步骤S110-步骤S140的设备异常检测方法,根据下一日志块确定待检测设备的检测结果,否则,若不存在下一日志块,则可以判定待检测设备正常。
例如,针对医疗设备日志的5个日志块,若第1个日志块的识别结果为异常日志块,则判定医疗设备异常,生成设备异常信号,若第1个日志块的识别结果为正常日志块,则继续检测第2个日志块,若第2、3、4、5个日志块均正常,则判定医疗设备正常。
上述设备异常检测方法,通过先对待检测设备的日志块进行解析,得到解析日志块,再对解析日志块进行特征提取,得到解析日志块对应的日志块张量,然后将日志块张量输入预先训练的设备异常检测模型,得到针对待检测设备的日志块的识别结果,最后根据识别结果,确定待检测设备的检测结果;可以无需人工搜索,也无需人工对日志上下文进行分析和定位设备故障,通过对日志块进行解析、特征提取和输入设备异常检测模型进行处理,实现对日志进行自动、批量地异常检测,提高了设备异常检测的效率。
而且,由于设备异常检测模型在进行设备异常检测时考虑到了日志上下文的关系,并对长时间序列具有较好的适配性,能够进一步提高设备异常检测的准确性。
在一个实施例中,上述步骤S110之前,具体还可以包括:获取待检测设备的设备日志;按照预设的时间窗口大小,对设备日志进行分割,得到待检测设备的日志块。
其中,预设的时间窗口大小可以是与医疗设备作业情况相关的时间窗口。例如,可以是医疗设备进行一次扫描的起始时间至终止时间。
具体实现中,可以将待检测设备的设备日志输入终端,终端获取到设备日志后,可以按照预先设置的时间窗口大小,对设备日志进行分割,得到待检测设备的至少一个日志块。
实际应用中,可以按照医疗设备日志排列的先后顺序,对医疗设备日志进行分割,得到医疗设备的多个日志块。还可以按照医疗设备的扫描事件来确定时间窗口大小,例如,可以将医疗设备对指定病人进行扫描的全过程确定为一个时间窗口,还可以将医疗设备的一个扫描序列确定为一个时间窗口,时间窗口大小可以为医疗设备日志中的指定字段,终端可以读取指定字段的时间窗口大小,根据读取到的时间窗口大小,按照医疗设备日志排列的先后顺序,将医疗设备日志分割为多个日志块。
本实施例中,通过获取待检测设备的设备日志,按照预设的时间窗口大小,对设备日志进行分割,得到待检测设备的日志块,可以使得设备异常检测模型充分利用到日志上下文之间的关系,提高设备异常检测的准确性,而且,通过将日志块作为设备异常检测模型的输入,可以一次对多个日志进行检测,提高设备异常检测的效率。
在一个实施例中,解析日志块中包含解析日志;上述步骤S120,可以具体包括:对解析日志块中的解析日志进行特征提取,得到解析日志对应的日志向量;合并日志向量,得到解析日志块对应的日志块张量。
具体实现中,可以通过预先训练的BERT模型,对解析日志块中的每一个解析日志进行特征提取,得到各解析日志所对应的句向量,通过对各解析日志所对应的句向量进行合并,可以得到解析日志块对应的日志块张量。
其中,对句向量进行的合并包括但不限于是对句向量进行按行合并或者按列合并。
例如,对于一个包含20条结构化医疗设备解析日志的解析日志块,可以使用预先训练的BERT模型,将其中的每一条结构化解析日志转化为句向量,若句向量为横向量,且维度为10,则可以对所有的句向量进行按列合并,得到一个20×10的日志块张量,若句向量为列向量,且维度为10,则可以对所有的句向量进行按行合并,得到一个10×20的日志块张量。
本实施例中,通过对解析日志块中的解析日志进行特征提取,得到解析日志对应的日志向量,合并日志向量,得到解析日志块对应的日志块张量,可以使得设备异常检测模型能够根据日志的特征对日志进行理解,提高对于设备日志的检测效率。
在一个实施例中,上述步骤S140,可以具体包括:在识别结果为日志块属于异常日志块的情况下,判定待检测设备异常;上述步骤S140之后,具体还可以包括:生成待检测设备的设备异常信号;设备异常信号用于通知对待检测设备进行维修。
具体实现中,针对待检测设备的当前日志块,若识别结果为当前日志块属于异常日志块,则可以判定待检测设备异常,在判定待检测设备异常之后,还可以针对待检测设备生成设备异常信号,通知用户对待检测设备进行维修。例如,当检测到设备异常时,可以生成报警语音或者报警灯光,通知维修人员对医疗设备进行维修。
本实施例中,通过在识别结果为日志块属于异常日志块的情况下,判定待检测设备异常,生成待检测设备的设备异常信号,可以自动确定待检测设备的异常情况,无需人工识别,提高了设备异常检测的效率。
在一个实施例中,上述步骤S140之后,具体还可以包括:在生成设备异常信号的同时,生成设备故障诊断结果,或者,在生成设备异常信号之后,生成设备故障诊断结果。
其中,设备故障诊断结果可以是针对具体设备的具体故障所进行的定位和分析。
具体实现中,可以在识别结果为日志块属于异常日志块,判定待检测设备异常后,针对待检测设备,同时生成设备异常信号和设备故障诊断结果;还可以在识别结果为日志块属于异常日志块,判定待检测设备异常后,针对待检测设备,先生成设备异常信号,然后再生成设备故障诊断结果。
例如,对于MR设备的异常检测,对于指定病人的扫描开始和扫描结束,MR设备日志中通常存在明确的边界,即,对于一个扫描序列的开始和结束均设置有明确的边界,可以按照边界来进行日志块的划分,利用划分好的日志块预先训练设备异常检测模型,在模型训练过程中输入日志块和日志块对应的诊断结果,训练好的设备异常检测模型可以针对输入的日志块,识别出其中的异常日志块,同时得到异常日志块的诊断结果,从而实现在输出异常报警的同时,输出设备故障诊断结果。
还可以训练两个设备异常检测模型,先通过其中一个设备异常检测模型识别设备异常,进行设备异常报警,然后通过另一个设备异常检测模型识别设备故障,生成设备故障诊断结果。
本实施例中,通过在生成设备异常信号的同时,生成设备故障诊断结果,或者,在生成设备异常信号之后,生成设备故障诊断结果,可以在检测出设备异常时,提供设备故障的诊断结果,为故障维修提供参考依据。
在一个实施例中,上述生成设备故障诊断结果的步骤,可以具体包括:获取与异常日志块相关联的设备参数,根据设备参数,确定待检测设备的故障诊断结果。
其中,设备参数可以是设备工作时所设置的参数,例如,若待检测设备为MR设备,设备参数可以包括磁场强度、功率和扫描时长中的至少一种。
具体实现中,可以在划分日志块时,确定日志块所对应的设备参数,将日志块与设备参数对应存储在数据库中。若识别结果为日志块属于异常日志块,判定待检测设备异常,则可以在生成设备异常信号的同时或者在生成设备异常信号之后,从数据库中查找与异常日志块相对应的设备参数,通过对设备参数进行综合分析,对待检测设备的故障进行定位和分析。
实际应用中,除了可以通过设备异常检测模型来识别设备故障,还可以利用与日志块相关联的设备参数,对设备故障进行综合分析。例如,对于MR设备,可以根据一次扫描的开始时间和结束时间划分得到一个日志块,还可以获取此次扫描的扫描参数,扫描参数包括此次扫描MR设备的梯度磁场、功率和扫描时长。若识别到该日志块为异常日志块,则进一步获取此次扫描MR设备的梯度磁场、功率和扫描时长,并根据梯度磁场、功率和扫描时长对设备故障进行综合分析,从而精准确定设备是在达到何种参数的情况下出现的故障。例如,当识别到异常日志块时,获取异常日志块的扫描参数,其中,扫描时长为30分钟,磁场为较高强度磁场,还可以获取一个正常日志块的扫描参数,其中,扫描时长为10分钟,磁场为一个同样的较高强度磁场,则可以分析得到:设备在10分钟内产生一个高的磁场并维持不会出现故障,但是使用同样的磁场维持30分钟则可能会出现故障,从而可以通过合理设置扫描时间来避免设备故障。
本实施例中,通过获取与异常日志块相关联的设备参数,根据设备参数,确定待检测设备的故障诊断结果,可以根据设备参数对待检测设备进行故障诊断,便于了解设备参数对设备故障的影响,以及通过合理设置设备参数来较少设备故障。
在一个实施例中,上述设备异常检测方法,具体还可以包括:在识别结果为日志块属于正常日志块的情况下,检测是否存在待检测设备的下一日志块;若存在待检测设备的下一日志块,则将待检测设备的下一日志块作为待检测设备的日志块,并返回至对待检测设备的日志块进行解析,得到解析日志块的步骤。
具体实现中,针对待检测设备的当前日志块,若识别结果为当前日志块属于正常日志块,则可以继续检测是否还存在下一日志块,若存在下一日志块,则可以针对下一日志块,执行步骤S110-步骤S140的设备异常检测方法,根据下一日志块确定待检测设备的检测结果,否则,若不存在下一日志块,则可以判定待检测设备正常。
在识别结果为日志块属于正常日志块的情况下,检测是否存在待检测设备的下一日志块,若存在待检测设备的下一日志块,则将待检测设备的下一日志块作为待检测设备的日志块,并返回至对待检测设备的日志块进行解析,得到解析日志块的步骤,可以自动检测待检测设备所有日志块的异常情况,无需人工识别,提高了设备异常检测的效率。
在一个实施例中,上述设备异常检测方法,具体还可以包括:获取待检测设备的历史检测数据;根据待检测设备的历史检测数据,预测待检测设备的设备异常情况。
其中,历史检测数据可以但不限于是待检测设备的历史异常情况或者历史设备参数。
其中,设备异常情况可以包括是否存在设备异常,以及在存在设备异常情况下的设备异常等级。
其中,历史异常情况可以包括在历史时刻是否存在设备异常,以及在历史时刻存在设备异常情况下的设备异常等级。
具体实现中,在历史检测数据为历史异常情况的情况下,可以预先设置待检测设备的异常等级,若通过上述实施例的设备异常检测方法,确定待检测设备在历史时刻存在设备异常,则可以进一步确定历史时刻设备异常所对应的异常等级,并根据异常等级预测待检测设备将来的异常情况,包括预测将来是否存在设备异常,以及在存在设备异常时的异常等级,在预测到的异常等级符合预设条件的情况下,可以生成设备异常预警。
在历史检测数据为历史设备参数的情况下,可以在预设的历史时刻收集设备参数,得到历史设备参数,还可以根据历史设备参数预测将来设备参数,根据预测到的将来设备参数,确定待检测设备的异常情况,在待检测设备的异常情况符合预设条件的情况下,生成设备异常预警。
实际应用中,可以根据已经发生过的较小程度的异常,预测将来可能会发生的较大程度的异常,并针对较大程度的异常进行报警。例如,预先设置3个异常等级:一级异常、二级异常和三级异常,并规定当出现三级异常时需要生成设备异常预警,其中,一级异常对应较小的异常,二级异常对应中等的异常,三级异常对应较大的异常。设置历史时间序列t1,t2,若检测到医疗设备在t1时刻发生一级异常,t2时刻发生二级异常,且可以根据t1,t2时刻的异常情况预测到将来t3时刻会发生三级异常,则可以针对t3时刻,生成设备异常预警。
还可以在历史时刻t1,t2收集待检测设备的设备参数p1,p2,例如,p1,p2可以为待检测设备的能耗,根据p1,p2预测待检测设备在将来t3时刻的设备参数p3,将p3与预设的参数阈值pth相比较,若p3≤pth,可以判定在t3时刻不会出现设备异常,否则,若p3>pth,则可以判定在将来t3时刻会出现设备异常,此时可以针对t3时刻生成设备异常预警,还可以进一步判定t3时刻设备异常的等级。
本实施例中,通过获取待检测设备的历史检测数据,根据待检测设备的历史检测数据,预测待检测设备的设备异常情况,可以对待检测设备的异常情况进行预测,便于提前采取措施,减少异常情况的发生。
在一个实施例中,在获取待检测设备的设备日志之前,具体还可以包括:获取日志块样本对应的张量样本和实际识别结果;将张量样本输入至待训练的设备异常检测模型,得到日志块样本的预测识别结果;根据日志块样本的实际识别结果和预测样本标识之间的差异,对待训练的设备异常检测模型进行训练,得到预先训练的设备异常检测模型。
具体实现中,可以向终端输入张量样本和张量样本对应的实际识别结果,将张量样本输入待训练的Transformer模型,Transformer模型可以输出日志块样本的预测识别结果,将实际识别结果与预测识别结果进行比较,根据二者之间的差异,对待训练的Transformer模型中的参数进行调整,重复上述过程,直至实际识别结果与预测识别结果之间的差异符合预设条件,例如,实际识别结果与预测识别结果之间的差值小于预设阈值,此时可以得到训练号的Transformer模型。
实际应用中,可以预先对医疗设备日志进行解析,分离出医疗设备日志模版,还可以获取多个医疗设备日志,对多个医疗设备日志进行分块,对每一块医疗设备日志进行解析,得到医疗设备日志模版和医疗设备日志模版对应的模版参数,通过BERT模型对医疗设备日志模版和模版参数进行特征提取,得到提取的特征,采集多个提取的特征作为训练样本,并对训练样本进行标识,根据训练样本和样本标识对待训练的Transformer模型进行训练,可以得到预先训练的Transformer模型。
本实施例中,通过获取日志块样本对应的张量样本和实际识别结果,将张量样本输入至待训练的设备异常检测模型,得到日志块样本的预测识别结果,根据日志块样本的实际识别结果和预测样本标识之间的差异,对待训练的设备异常检测模型进行训练,得到预先训练的设备异常检测模型,可以对设备异常检测模型进行训练,便于通过设备异常检测模型检测设备异常,提高设备异常检测的效率。
在一个实施例中,如图2所示,提供了一种设备异常检测方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S210,获取待检测设备的设备日志;
步骤S220,按照预设的时间窗口大小,对设备日志进行分割,得到待检测设备的日志块;
步骤S230,对待检测设备的日志块进行解析,得到解析日志块;
步骤S240,对解析日志块进行特征提取,得到解析日志块对应的日志块张量;日志块张量中包含日志向量;
步骤S250,将日志块张量输入预先训练的设备异常检测模型,得到针对待检测设备的日志块的识别结果;
步骤S260,在识别结果为日志块属于异常日志块的情况下,判定待检测设备异常,生成待检测设备的设备异常信号;设备异常信号用于通知对待检测设备进行维修;
步骤S270,在识别结果为日志块属于正常日志块的情况下,检测是否存在待检测设备的下一日志块,若存在待检测设备的下一日志块,则将待检测设备的下一日志块作为待检测设备的日志块,并返回至步骤S230。
上述设备异常检测方法,通过获取待检测设备的设备日志,按照预设的时间窗口大小,对设备日志进行分割,得到待检测设备的日志块,对待检测设备的日志块进行解析,得到解析日志块,对解析日志块进行特征提取,得到解析日志块对应的日志块张量,将日志块张量输入预先训练的设备异常检测模型,得到针对待检测设备的日志块的识别结果,在识别结果为日志块属于异常日志块的情况下,判定待检测设备异常,生成待检测设备的设备异常信号,在识别结果为日志块属于正常日志块的情况下,检测是否存在待检测设备的下一日志块,若存在待检测设备的下一日志块,则将待检测设备的下一日志块作为待检测设备的日志块,并返回至对待检测设备的日志块进行解析,得到解析日志块的步骤;可以通过对设备日志进行分块、解析、特征提取和输入设备异常检测模型进行处理,实现对设备日志进行自动、批量地异常检测,提高了设备异常检测的效率。
而且,由于设备异常检测模型在进行设备异常检测时考虑到了日志上下文的关系,并对长时间序列具有较好的适配性,能够进一步提高设备异常检测的准确性。
为了便于本领域技术人员深入理解本申请实施例,以下将结合一个具体示例进行说明。
目前,医疗设备的维护和故障检测主要通过设备工程师到现场拷贝设备日志然后通过开发人员提供的搜索工具来进行。随着医疗设备逐渐数字化智能化,医疗设备的软件日志越来越复杂,导致传统方法效率较低,复用性较差。针对上述问题,本申请提出了一种基于深度学习的医疗设备异常检测及预警方法,实现了日志的自动化异常检测及预警,同时,由于考虑了日志的上下文关系,以及日志与日志间隐藏的联系,降低了医疗设备的运维复杂度,提高运维人员的工作效率,减少运维人员的工作量。其中,使用的Transformer网络模型,相比于常用于时间序列建模的循环神经网络(RNN)和长短期记忆神经网络(LSTM),Transformer网络模型速度较快,对长时间序列的适配性更好,且能够充分利用序列数据的上下文关系,能够快速高效地得到更为正确的结果。
图3提供了一个基于Transformer与Bert的医疗设备日志异常检测方法的流程示意图。根据图3,基于Transformer与Bert的医疗设备日志异常检测方法主要包括:
1、将非结构化的医疗设备日志解析为结构化的医疗设备日志,提取设备日志的模版。
2、按照设定好的时间窗口大小,将日志序列按照时间窗口分为一个一个日志块,每个日志块中包含多条设备日志。后续步骤将对该日志块进行分析,判断该日志块是否存在异常,如果存在异常则将该日志块返回。
3、通过预训练模型BERT,将一个日志块中的日志一一转化为句向量,然后得到一个[日志块中所有日志数量*句向量维度]大小的张量,该张量作为下述深度学习模型的输入。通过该模型可以帮助机器很好的理解每一句日志,对于意思相近的日志则生成的句向量距离较近,否则距离较远,通过该方法可以有效应对在实际使用时,存在医疗设备日志未包含在Transformer模型训练集中的情况,提高了模型的适应性。
4、使用一系列日志数据训练Transformer模型来进行日志块的二分类。通过该深度学习模型,将日志块分为正常日志块及异常日志块。如果为异常日志块,则提交给运维工程师进行异常处理。从而实现自动化的异常检测。
上述基于Transformer与Bert的医疗设备日志异常检测方法,首先对医疗设备的日志进行解析,分离医疗设备日志模版,接下来对医疗设备日志的模版和参数进行特征提取,根据提取的特征对医疗设备的工作流程进行建模,根据上述步骤建立的模型来进行医疗设备的异常检测。通过该方法,可以减少医疗机构因为医疗设备宕机而产生的经济损失,还可以帮助医疗设备运维人员快速定位医疗设备异常位置,提高工作效率,减少人力资源消耗。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的设备异常检测方法的设备异常检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个设备异常检测装置实施例中的具体限定可以参见上文中对于设备异常检测方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种设备异常检测装置,包括:解析模块410、提取模块420、识别模块430和检测模块440,其中:
解析模块410,用于对待检测设备的日志块进行解析,得到解析日志块;
提取模块420,用于对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量;所述日志块张量中包含日志向量;
识别模块430,用于将所述日志块张量输入预先训练的设备异常检测模型,得到针对所述待检测设备的日志块的识别结果;
检测模块440,用于根据所述识别结果,确定所述待检测设备的检测结果。
在一个实施例中,上述设备异常检测装置,还包括:
日志获取模块,用于获取所述待检测设备的设备日志;
日志分割模块,用于按照预设的时间窗口大小,对所述设备日志进行分割,得到所述待检测设备的日志块。
在一个实施例中,上述提取模块420,还用于对所述解析日志块中的解析日志进行特征提取,得到所述解析日志对应的日志向量;合并所述日志向量,得到所述解析日志块对应的日志块张量。
在一个实施例中,上述检测模块440,还用于在所述识别结果为所述日志块属于异常日志块的情况下,判定所述待检测设备异常;上述设备异常检测装置,还包括:
日志块异常处理模块,用于生成所述待检测设备的设备异常信号;所述设备异常信号用于通知对所述待检测设备进行维修。
在一个实施例中,上述设备异常检测装置,还包括:
日志块正常处理模块,用于在所述识别结果为所述日志块属于正常日志块的情况下,检测是否存在所述待检测设备的下一日志块;
日志块正常返回模块,用于若存在所述待检测设备的下一日志块,则将所述待检测设备的下一日志块作为所述待检测设备的日志块,并返回至所述对待检测设备的日志块进行解析,得到解析日志块的步骤。
在一个实施例中,上述设备异常检测装置,还包括:
历史异常获取模块,用于获取所述待检测设备的历史检测数据;
设备异常预测模块,用于根据所述待检测设备的历史检测数据,预测所述待检测设备的设备异常情况。
在一个实施例中,上述设备异常检测装置,还包括:
样本采集模块,用于获取日志块样本对应的张量样本和实际识别结果;
样本识别模块,用于将所述张量样本输入至待训练的设备异常检测模型,得到所述日志块样本的预测识别结果;
模型训练模块,用于根据所述日志块样本的实际识别结果和所述预测样本标识之间的差异,对所述待训练的设备异常检测模型进行训练,得到所述预先训练的设备异常检测模型。
上述设备异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种设备异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备异常检测方法,其特征在于,所述方法包括:
对待检测设备的日志块进行解析,得到解析日志块;
对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量;所述日志块张量中包含日志向量;
将所述日志块张量输入预先训练的设备异常检测模型,得到针对所述待检测设备的日志块的识别结果;
根据所述识别结果,确定所述待检测设备的检测结果。
2.根据权利要求1所述的方法,其特征在于,在对待检测设备的日志块进行解析,得到解析日志块之前,还包括:
获取所述待检测设备的设备日志;
按照预设的时间窗口大小,对所述设备日志进行分割,得到所述待检测设备的日志块。
3.根据权利要求2所述的方法,其特征在于,所述解析日志块中包含解析日志;所述对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量,包括:
对所述解析日志块中的解析日志进行特征提取,得到所述解析日志对应的日志向量;
合并所述日志向量,得到所述解析日志块对应的日志块张量。
4.根据权利要求2所述的方法,其特征在于,所述根据所述识别结果,确定所述待检测设备的检测结果,包括:
在所述识别结果为所述日志块属于异常日志块的情况下,判定所述待检测设备异常;
在根据所述识别结果,确定所述待检测设备的检测结果之后,还包括:
生成所述待检测设备的设备异常信号;所述设备异常信号用于通知对所述待检测设备进行维修。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在所述识别结果为所述日志块属于正常日志块的情况下,检测是否存在所述待检测设备的下一日志块;
若存在所述待检测设备的下一日志块,则将所述待检测设备的下一日志块作为所述待检测设备的日志块,并返回至所述对待检测设备的日志块进行解析,得到解析日志块的步骤。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取所述待检测设备的历史检测数据;
根据所述待检测设备的历史检测数据,预测所述待检测设备的设备异常情况。
7.根据权利要求2所述的方法,其特征在于,在获取所述待检测设备的设备日志之前,还包括:
获取日志块样本对应的张量样本和实际识别结果;
将所述张量样本输入至待训练的设备异常检测模型,得到所述日志块样本的预测识别结果;
根据所述日志块样本的实际识别结果和所述预测样本标识之间的差异,对所述待训练的设备异常检测模型进行训练,得到所述预先训练的设备异常检测模型。
8.一种设备异常检测装置,其特征在于,所述装置包括:
解析模块,用于对待检测设备的日志块进行解析,得到解析日志块;
提取模块,用于对所述解析日志块进行特征提取,得到所述解析日志块对应的日志块张量;所述日志块张量中包含日志向量;
识别模块,用于将所述日志块张量输入预先训练的设备异常检测模型,得到针对所述待检测设备的日志块的识别结果;
检测模块,用于根据所述识别结果,确定所述待检测设备的检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210938511.2A CN115333973A (zh) | 2022-08-05 | 2022-08-05 | 设备异常检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210938511.2A CN115333973A (zh) | 2022-08-05 | 2022-08-05 | 设备异常检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115333973A true CN115333973A (zh) | 2022-11-11 |
Family
ID=83922542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210938511.2A Pending CN115333973A (zh) | 2022-08-05 | 2022-08-05 | 设备异常检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115333973A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110967566A (zh) * | 2018-09-28 | 2020-04-07 | 珠海格力电器股份有限公司 | 电器故障检测方法及装置 |
CN111782434A (zh) * | 2020-06-30 | 2020-10-16 | 联想(北京)有限公司 | 异常检测方法、装置和电子设备 |
CN111858242A (zh) * | 2020-07-10 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种系统日志异常检测方法、装置及电子设备和存储介质 |
CN111930903A (zh) * | 2020-06-30 | 2020-11-13 | 山东师范大学 | 基于深度日志序列分析的系统异常检测方法及系统 |
CN112235327A (zh) * | 2020-12-16 | 2021-01-15 | 中移(苏州)软件技术有限公司 | 异常日志检测方法、装置、设备和计算机可读存储介质 |
CN113339935A (zh) * | 2021-05-08 | 2021-09-03 | 珠海格力电器股份有限公司 | 一种故障原因的确定方法、装置和故障检测系统 |
CN114118295A (zh) * | 2021-12-07 | 2022-03-01 | 苏州浪潮智能科技有限公司 | 一种异常检测模型训练方法、异常检测方法、装置及介质 |
US20220108181A1 (en) * | 2020-10-07 | 2022-04-07 | Oracle International Corporation | Anomaly detection on sequential log data using a residual neural network |
CN114355072A (zh) * | 2021-12-02 | 2022-04-15 | 深圳优地科技有限公司 | 故障分析方法、装置、设备和计算机可读存储介质 |
-
2022
- 2022-08-05 CN CN202210938511.2A patent/CN115333973A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110967566A (zh) * | 2018-09-28 | 2020-04-07 | 珠海格力电器股份有限公司 | 电器故障检测方法及装置 |
CN111782434A (zh) * | 2020-06-30 | 2020-10-16 | 联想(北京)有限公司 | 异常检测方法、装置和电子设备 |
CN111930903A (zh) * | 2020-06-30 | 2020-11-13 | 山东师范大学 | 基于深度日志序列分析的系统异常检测方法及系统 |
CN111858242A (zh) * | 2020-07-10 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种系统日志异常检测方法、装置及电子设备和存储介质 |
US20220108181A1 (en) * | 2020-10-07 | 2022-04-07 | Oracle International Corporation | Anomaly detection on sequential log data using a residual neural network |
CN112235327A (zh) * | 2020-12-16 | 2021-01-15 | 中移(苏州)软件技术有限公司 | 异常日志检测方法、装置、设备和计算机可读存储介质 |
CN113339935A (zh) * | 2021-05-08 | 2021-09-03 | 珠海格力电器股份有限公司 | 一种故障原因的确定方法、装置和故障检测系统 |
CN114355072A (zh) * | 2021-12-02 | 2022-04-15 | 深圳优地科技有限公司 | 故障分析方法、装置、设备和计算机可读存储介质 |
CN114118295A (zh) * | 2021-12-07 | 2022-03-01 | 苏州浪潮智能科技有限公司 | 一种异常检测模型训练方法、异常检测方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schlegel et al. | Towards a rigorous evaluation of XAI methods on time series | |
US20180082215A1 (en) | Information processing apparatus and information processing method | |
WO2021139279A1 (zh) | 基于分类模型的数据处理方法、装置、电子设备及介质 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN115456107A (zh) | 一种时间序列异常检测系统及方法 | |
Su et al. | Failure prognosis of complex equipment with multistream deep recurrent neural network | |
CN116414815A (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
CN111143191A (zh) | 网站测试方法、装置、计算机设备和存储介质 | |
WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
US20220215966A1 (en) | Mining method for sample grouping | |
CN113822336A (zh) | 一种云硬盘故障预测方法、装置、系统及可读存储介质 | |
CN114002332A (zh) | 一种结构损伤监测预警方法及结构完整性数字孪生系统 | |
CN117422934A (zh) | 异常细胞检测方法、系统、计算机设备及存储介质 | |
CN117251114A (zh) | 模型训练方法、磁盘寿命预测方法、相关装置及设备 | |
CN117194163A (zh) | 一种计算机设备、故障检测系统、方法及可读存储介质 | |
CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
CN116756041A (zh) | 代码缺陷预测与定位方法、装置、存储介质及计算机设备 | |
CN116952554A (zh) | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 | |
CN116701222A (zh) | 基于特征加权迁移学习的跨项目软件缺陷预测方法及系统 | |
CN116164822A (zh) | 基于知识图谱的流量计故障诊断方法、装置、介质 | |
CN115333973A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
CN112732690B (zh) | 一种用于慢病检测及风险评估的稳定系统及方法 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN112183714A (zh) | 基于人工神经网络的自动化数据切片 |
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 |