CN115410638B - 一种基于对比聚类的磁盘故障检测系统 - Google Patents
一种基于对比聚类的磁盘故障检测系统 Download PDFInfo
- Publication number
- CN115410638B CN115410638B CN202210899595.3A CN202210899595A CN115410638B CN 115410638 B CN115410638 B CN 115410638B CN 202210899595 A CN202210899595 A CN 202210899595A CN 115410638 B CN115410638 B CN 115410638B
- Authority
- CN
- China
- Prior art keywords
- disk
- data
- fault
- clustering
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000000052 comparative effect Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/56—External testing equipment for static stores, e.g. automatic test equipment [ATE]; Interfaces therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/56—External testing equipment for static stores, e.g. automatic test equipment [ATE]; Interfaces therefor
- G11C2029/5604—Display of error information
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供了一种基于对比聚类的磁盘故障检测系统，包括SMART监视器、数据处理驱动接口、故障检测器、检测调度器和故障报警装置；SMART监视器，用于获取服务器上的磁盘的原始数据即S.M.A.R.T数据；数据处理驱动接口负责链接磁盘，调用原始的S.M.A.R.T接口，获取磁盘当前的运行数据，并对运行数据进行预处理，从而符合故障检测器的输入；故障检测器基于对比聚类神经网络对当前输入的数据进行计算，输出矩阵计算值，判断磁盘是否会发生故障；检测调度器获取故障检测器的检测结果，一旦出现故障预测，则启用故障报警装置；故障报警装置对磁盘进行预测结果校验和向维护者报警，提醒维护者磁盘即将损坏。本发明可以对磁盘进行实时监督检测，对磁盘故障进行有效预测。
Description
技术领域
本发明属于健康系统领域，具体涉及一种基于对比聚类的磁盘故障检测系统。
背景技术
故障检测算法在数据中心应用很广泛，磁盘故障会导致存储系统宕机，从而导致数据缺失。故障检测算法能有效的利用S.M.A.R.T的历史信息，帮助维护人员检测磁盘的状态，在磁盘发生故障之前发出警告，给予维护人员充足的时间去备份数据，更换磁盘。从而减少存储系统的宕机时间，以此来减少损失。
相关技术中，由于磁盘运行的是物理介质退化的原因，出现不能准确写入和读取数据即磁盘故障。如何在磁盘发生故障前准确的预测，是本发明解决的问题。
发明内容
发明目的：针对以上问题和现有方法的缺陷，本发明提出了一种基于对比聚类的磁盘故障检测系统，可以在磁盘的全生命周期进行故障预测。
技术方案：本发明提供了一种基于对比聚类的磁盘故障检测系统，包括包括SMART监视器、数据处理驱动接口、故障检测器、检测调度器和故障报警装置；
所述SMART监视器，用于获取服务器上的磁盘的原始数据即S.M.A.R.T数据，对各个磁盘数据进行编号，进行数据采集；
所述数据处理驱动接口负责链接磁盘，调用原始的S.M.A.R.T接口，获取磁盘当前的运行数据，并对运行数据进行预处理从而符合故障检测器的输入；
所述故障检测器基于对比聚类神经网络对当前输入的数据进行计算，输出矩阵计算值，判断磁盘是否会发生故障；所述对比聚类神经网络包括特征提取网络、特征转换机制以及分类器模块；所述特征提取网络包括两次卷积操作和两次数据正则化操作以及一次数据维度变换；所述特征转换机制，用于计算特征提取后与聚类中心的相似度；所述分类器模块，包含两个分类器网络以及一个结果融合模块，用于对特征的分类操作和预测结果生成；
所述检测调度器获取故障检测器的检测结果，如果第一次预测将要发生故障则对磁盘进行二次确认，对接下来预设时间段内磁盘的运行状态进行强监控，一旦出现故障预测，则启用警报装置；
警报装置，对磁盘进行预测结果校验和向维护者报警，提醒维护者磁盘即将损坏。
进一步地，所述磁盘当前的运行数据包括转速、温度、转臂角。
进一步地，所述对运行数据进行预处理实现过程如下：
按照磁盘model分割数据，设置数据退化时间段N，按照时间段等量挑选数据，通过时间变化量指标、皮尔森系数挑选数据特征，特征数量为M，对数据进行归一化以及数据维度扩展。
进一步地，所述故障检测器工作过程如下：
用于特征提取的特征提取网络学习输入样本通过特征提取网络映射到高维特征空间生成Embedding，表示为/>利用样本标签Y对/>进行对比和聚类，相同标签与聚类中心点距离越小，反之越大；相同标签的/>通过聚类生成簇，随机初始化簇中心点，通过设置优化器，在每次迭代过程中最小化中心点损失，从而得到聚类中心点；
通过两个聚类中心点对进行一次特征转换，计算其与两个聚类中心的相似度，将两种相似度计算结果进行拼接生成新的Embedding，表示为/>将/>和/>分别输入两个多层感知机进行分类，将两个分类器的分类结果进行融合，融合结果视为故障检测器的预测结果。
进一步地，所述特征提取网络中的权重矩阵为W，磁盘的特征向量表示为通过矩阵乘法，将其转为特征空间中的特征向量，具体公式如下：
对比聚类生成簇的具体步骤包括如下：
其中，Cy和Cj都是簇的中心点参数，并且行和列与的维度相同，其中ε的值设定为防止分母出现0的情况；Cy视为正样本到其距离的最小点，Cj亦然；通过计算预测样本与簇中心的相似度生成/>具体公式如下：
其中，与/>的列数相同，/>的行是/>的两倍。
进一步地，所述分类器由两个多层感知机组成，其权重表示为W1和W2，分类步骤如下：
将分类器的结果进行融合，即表示最终的预测结果：
Result＝(1-Θ)*Result1+Θ*Result2
通过验证集，得到Result1和Result2在该模型参数下对故障预测的故障检测率(FDR)，当FDRR1>＝FDRR2，则Θ＝0，否则Θ＝1。
有益效果：与现有技术相比，本发明的有益效果：本发明一方面相较于传统机器学习，深度学习强大特征提取特性，极大增加了模型的泛化能力；其次，本发明将数据时间特性的不平衡，通过扩展数据集的多样性，增加深度网络的学习范围，从而增加网络对样本的辨识能力；最后，设计的轻量级神经网络提高了数据在高维特征的重构能力，在训练过程避免了复杂的数据更新工作。
附图说明
图1为本发明框架示意图；
图2为对比聚类算法流程图；
图3为对比聚类神经网络结构示意图；
图4为特征提取网络结构示意图；
图5为分类器模块结构示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示，本发明提供一种基于对比聚类的磁盘故障检测系统，包括SMART监视器、数据处理驱动接口、故障检测器、检测调度器和故障报警装置。
SMART监视器，用于获取服务器上的磁盘的原始数据即S.M.A.R.T数据，对各个磁盘数据进行编号，进行数据采集。
数据主要为S.M.A.R.T日志，记录了磁盘的编号，故障情况，温度，读写臂的旋转角度等等。在数据预处理阶段，根据磁盘model(ST4000DM000)和编号选择挑选出数据集中发生过故障的磁盘的运行日志，发生故障的数据有941条。磁盘正常运行的时间约为1000天，以故障记录为开始节点，按照15天一个周期将数据进行切割，可分为71个周期，第一个周期为磁盘故障预测日期，2-71每周期选择5种磁盘的数据，一共选择420个不同磁盘的数据，并随机挑选180条组成训练集中正样本，随机挑选600个磁盘的故障数据组成负样本。划分剩余的300条数据组成测试集和验证集。
数据处理驱动接口负责链接磁盘，调用原始的s.m.a.r.t接口，获取磁盘当前的运行数据，并对运行数据进行预处理从而符合检测芯片单元的输入。磁盘当前的运行数据主要包括转速、温度、转臂角等。
按照磁盘model分割数据，设置数据退化时间段N，按照时间段挑选数据，通过时间变化量指标、皮尔森系数等挑选数据特征，特征数量为M，对数据进行归一化，以及数据维度扩展。S.M.A.R.T一共有174个特征，其中分为raw和normalized值，normalized值由raw通过变换得到，存在强相关性，去除normalized特征和值NaN的特征，特征数量减少为36。采用Pearson和P-value(Pearson’s coefficient|r|>0.99,p-value<0.001)去除冗余特征，特征数量减少为24。为了进一步减少冗余，本发明统计了，磁盘特征在正常数据中的变化记录，去除了围绕固定值波动的特征以及，在数据记录中总变化量低于50％的数据特征。最终数据特征缩减为12种。并通过Min-Max的方式消除特征之间的不平衡。
故障检测器基于对比聚类神经网络对当前输入的数据进行计算，输出矩阵计算值，判断磁盘是否会发生故障。图2为对比聚类算法流程图，对比聚类神经网络框架如图3所示，主要包括特征提取网络、特征转换机制以及分类器模块。特征提取网络主要包括两次卷积操作(Convolution)和两次数据正则化操作(Regularization)以及一次数据维度变换(Reshape)。特征转换机制(transformations)，用于计算特征提取后与聚类中心的相似度。分类器模块，主要包含两个分类器网络(classifier1和classifier2)以及一个结果融合模块(Fusion)，用于对特征的分类操作并计算损失(R1(h,f)，R2(h,f))和预测结果生成(Result)。
用于特征提取的特征提取网络学习输入样本通过特征提取网络映射到高维特征空间生成Embedding，表示为/>(E_h和E_f分别表示正嵌入和负嵌入)；利用样本标签Y对进行对比和聚类，相同标签与聚类中心点距离越小，反之越大；相同标签的/>通过聚类生成簇，随机初始化簇中心点，通过设置优化器，在每次迭代过程中最小化中心点损失，从而得到聚类中心点。
通过两个聚类中心点对进行一次特征转换，计算其与两个聚类中心的相似度，将两种相似度计算结果进行拼接生成新的Embedding，表示为/>将/>和/>分别输入两个多层感知机进行分类，将两个分类器的分类结果进行融合，融合结果视为故障检测器的预测结果。
原始的输入数据为[K,M],K为数量，M为特征，对数据的维度进行扩，组合成特征向量Y∈{0，1}为数据的标签，0表示正样本，1表示负样本。
如图4所示，为数据的特征提取网络。将数据通过卷积神经网络映射到特征空间中，其中卷积神经网络的权重为W，映射公式如下：
为解决传统特征表示模块重构特征能力不足的问题，即提取的正负样本在高维空间中存在重合度过高和过于发散的问题。本发明融合了对比聚类机制，设计了特征转化机制，将样本在高维空间中进行扩展和聚类，最终降低正负样本在高维空间中重合度。对比聚类生成簇的具体步骤包括如下：
其中，Cy和Cj都是簇的中心点参数，并且行和列与的维度相同，其中ε的值设定为，防止分母出现0的情况。Cy视为正样本到其距离的最小点，Cj亦然。通过计算预测样本与簇中心的相似度生成/>具体公式如下：
其中，Cy和Cj的初始化参数可随机初始化，设置SGD优化器最小化中心点的LCC损失，在训练过程中不断调整簇中心点权重，最终使得相同标签的Ei距离到对应的簇中心点小于到相反簇中心点的距离。
将映射到高维空间中的特征进行分类，如图5所示的分类器，两个分类器由两个多层感知机(MLP)组成，其权重表示为W1和W2，分类步骤如下：
将分类器的结果进行融合，即表示最终的预测结果，具体步骤如下：
Result＝(1-Θ)*Result1+Θ*Result2
通过验证集，得到Result1和Result2在该模型参数下对故障预测的FDR，当FDRR1>＝FDRR2，则Θ＝0，否则Θ＝1.
对特征提取网络的权重W1和分类器的权重W1进行优化，设置神经网络的优化器Adam，将提取神经网络和两个分类器的参数全部输入到优化器中。其中两个分类器采用的损失函数为，二维交叉熵损失，以及模型的总损失函数图下：
LTotal＝LCC+LC1+LC2
利用训练参数在验证集上的准确性，保留FDR和AUC>95％的模型训练参数，直到模型的准确度不再提高情况下，停止模型训练。将以上训练完成的参数以及搭建的神经网络存入服务器，通过SMART调用指令获取当前磁盘的日志信息，加以保存，然后通过设置的数据预处理服务处理当前数据，输入到预测模型之中，用于故障预测服务。将预测结果反馈给维护人员，一旦预测结果为否，代表磁盘已经处于发生故障15天左右，应及时对磁盘的数据进行备份，对磁盘进行维护或者更换。
检测调度器获取故障检测器的检测结果，如果第一次预测将要发生故障则对磁盘进行二次确认，对接下来预设时间段内磁盘的运行状态进行强监控，一旦出现故障预测，则启用故障报警装置。
故障报警装置，对磁盘进行预测结果校验和向维护者报警，提醒维护者磁盘即将损坏。
Claims (4)
1.一种基于对比聚类的磁盘故障检测系统，其特征在于，包括SMART监视器、数据处理驱动接口、故障检测器、检测调度器和故障报警装置；
所述SMART监视器，用于获取服务器上的磁盘的原始数据即S.M.A.R.T数据，对各个磁盘数据进行编号，进行数据采集；
所述数据处理驱动接口负责链接磁盘，调用原始的S.M.A.R.T数据，获取磁盘当前的运行数据，并对运行数据进行预处理从而符合故障检测器的输入；
所述故障检测器基于对比聚类神经网络对当前输入的数据进行计算，输出矩阵计算值，判断磁盘是否会发生故障；所述对比聚类神经网络包括特征提取网络、特征转换机制以及分类器模块；所述特征提取网络包括两次卷积操作和两次数据正则化操作以及一次数据维度变换；所述特征转换机制，用于计算特征提取后与聚类中心的相似度；所述分类器模块，包含两个分类器网络以及一个结果融合模块，用于对特征的分类操作和预测结果生成；
所述检测调度器获取故障检测器的检测结果，如果第一次预测将要发生故障则对磁盘进行二次确认，对接下来预设时间段内磁盘的运行状态进行强监控，一旦出现故障预测，则启用故障报警装置；
故障报警装置，对磁盘进行预测结果校验和向维护者报警，提醒维护者磁盘即将损坏；
所述特征提取网络中的权重矩阵为W，磁盘的特征向量表示为通过矩阵乘法，将其转为特征空间中的特征向量，具体公式如下：
对比聚类生成簇的具体步骤包括如下：
其中，Cy和Cj都是簇的中心点参数，并且行和列与的维度相同，其中ε的值设定为防止分母出现0的情况；Cy视为正样本到其距离的最小点，Cj亦然；通过计算预测样本与簇中心的相似度生成/>具体公式如下：
其中，与/>的列数相同，/>的行是/>的两倍；
所述故障检测器工作过程如下：
用于特征提取的特征提取网络学习输入样本通过特征提取网络映射到高维特征空间生成Embedding，表示为/>利用样本标签Y对/>进行对比和聚类，相同标签与聚类中心点距离越小，反之越大；相同标签的/>通过聚类生成簇，随机初始化簇中心点，通过设置优化器，在每次迭代过程中最小化中心点损失，从而得到聚类中心点；
通过两个聚类中心点对进行一次特征转换，计算其与两个聚类中心的相似度，将两种相似度计算结果进行拼接生成新的Embedding，表示为/>将/>和/>分别输入两个多层感知机进行分类，将两个分类器的分类结果进行融合，融合结果视为故障检测器的预测结果。
2.根据权利要求1所述的一种基于对比聚类的磁盘故障检测系统，其特征在于，所述磁盘当前的运行数据包括转速、温度和转臂角。
3.根据权利要求1所述的一种基于对比聚类的磁盘故障检测系统，其特征在于，所述对运行数据进行预处理实现过程如下：
按照磁盘model分割数据，设置数据退化时间段N，按照时间段等量挑选数据，通过时间变化量指标和皮尔森系数挑选数据特征，特征数量为M，对数据进行归一化以及数据维度扩展。
4.根据权利要求1所述的一种基于对比聚类的磁盘故障检测系统，其特征在于，所述分类器由两个多层感知机组成，其权重表示为W1和W2，分类步骤如下：
将分类器的结果进行融合，即表示最终的预测结果：
Result＝(1-Θ)*Result1+Θ*Result2
通过验证集，得到Result1和Result2在故障检测器下对故障预测的FDR，当FDRR1>＝FDRR2，则Θ＝0，否则Θ＝1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210899595.3A CN115410638B (zh) | 2022-07-28 | 2022-07-28 | 一种基于对比聚类的磁盘故障检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210899595.3A CN115410638B (zh) | 2022-07-28 | 2022-07-28 | 一种基于对比聚类的磁盘故障检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115410638A CN115410638A (zh) | 2022-11-29 |
| CN115410638B true CN115410638B (zh) | 2023-11-07 |
Family
ID=84160483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210899595.3A Active CN115410638B (zh) | 2022-07-28 | 2022-07-28 | 一种基于对比聚类的磁盘故障检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115410638B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117370848B (zh) * | 2023-12-08 | 2024-04-02 | 深圳市明心数智科技有限公司 | 设备故障预测方法、装置、计算机设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986869A (zh) * | 2018-07-26 | 2018-12-11 | 南京群顶科技有限公司 | 一种使用多模型预测的磁盘故障检测方法 |
| CN110427311A (zh) * | 2019-06-26 | 2019-11-08 | 华中科技大学 | 基于时序特征处理与模型优化的磁盘故障预测方法和系统 |
| CN110458838A (zh) * | 2019-08-23 | 2019-11-15 | 讯飞智元信息科技有限公司 | 一种故障类型的检测方法、装置、存储介质及设备 |
| CN111581072A (zh) * | 2020-05-12 | 2020-08-25 | 国网安徽省电力有限公司信息通信分公司 | 一种基于smart和性能日志的磁盘故障预测方法 |
| CN112596964A (zh) * | 2020-12-15 | 2021-04-02 | 中国建设银行股份有限公司 | 磁盘故障的预测方法及装置 |
| CN112948155A (zh) * | 2019-12-11 | 2021-06-11 | 中移(苏州)软件技术有限公司 | 模型训练方法、状态预测方法、装置、设备及存储介质 |
| WO2021238258A1 (zh) * | 2020-05-28 | 2021-12-02 | 苏州浪潮智能科技有限公司 | 一种磁盘故障预测方法和系统 |
-
2022
- 2022-07-28 CN CN202210899595.3A patent/CN115410638B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986869A (zh) * | 2018-07-26 | 2018-12-11 | 南京群顶科技有限公司 | 一种使用多模型预测的磁盘故障检测方法 |
| CN110427311A (zh) * | 2019-06-26 | 2019-11-08 | 华中科技大学 | 基于时序特征处理与模型优化的磁盘故障预测方法和系统 |
| CN110458838A (zh) * | 2019-08-23 | 2019-11-15 | 讯飞智元信息科技有限公司 | 一种故障类型的检测方法、装置、存储介质及设备 |
| CN112948155A (zh) * | 2019-12-11 | 2021-06-11 | 中移(苏州)软件技术有限公司 | 模型训练方法、状态预测方法、装置、设备及存储介质 |
| CN111581072A (zh) * | 2020-05-12 | 2020-08-25 | 国网安徽省电力有限公司信息通信分公司 | 一种基于smart和性能日志的磁盘故障预测方法 |
| WO2021238258A1 (zh) * | 2020-05-28 | 2021-12-02 | 苏州浪潮智能科技有限公司 | 一种磁盘故障预测方法和系统 |
| CN112596964A (zh) * | 2020-12-15 | 2021-04-02 | 中国建设银行股份有限公司 | 磁盘故障的预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| Yang Zhou等.ASLDP: An Active Semi-supervised Learning method for Disk Failure Prediction.ICPP '21: Proceedings of the 50th International Conference on Parallel Processing.2021,1-11. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115410638A (zh) | 2022-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647136A (zh) | 基于smart信息和深度学习的硬盘损坏预测方法及装置 | |
| WO2022052510A1 (zh) | 一种无菌灌装生产线异常检测系统和方法 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| WO2021238258A1 (zh) | 一种磁盘故障预测方法和系统 | |
| CN107133632A (zh) | 一种风电设备故障诊断方法及系统 | |
| CN115410638B (zh) | 一种基于对比聚类的磁盘故障检测系统 | |
| CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
| CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
| CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
| CN113762344A (zh) | 机床主轴的故障识别方法、故障识别模型训练方法及装置 | |
| Al Bataineh et al. | Autoencoder based semi-supervised anomaly detection in turbofan engines | |
| CN111598222B (zh) | 一种重优化深度自动编码器及发动机自动检测系统 | |
| Ye et al. | A novel self-supervised learning-based anomalous node detection method based on an autoencoder for wireless sensor networks | |
| Yang et al. | Zte-predictor: Disk failure prediction system based on lstm | |
| CN117194163A (zh) | 一种计算机设备、故障检测系统、方法及可读存储介质 | |
| Gęca | Performance comparison of machine learning algotihms for predictive maintenance | |
| CN115187266B (zh) | 基于记忆力变分自编码模型的信用卡欺诈检测方法及系统 | |
| CN114330500B (zh) | 基于storm平台的电网电力设备在线并行诊断方法及系统 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN112836570B (zh) | 一种利用高斯噪声的设备异常检测方法 | |
| CN115618263A (zh) | 一种基于Feature-level SMOTE的复杂装备不均衡故障诊断方法 | |
| CN112990329B (zh) | 一种系统异常诊断方法和装置 | |
| Sepulvene et al. | Analysis of machine learning techniques in fault diagnosis of vehicle fleet tracking modules | |
| Yang et al. | Convolutional autoencoder-based sensor fault classification | |
| Zhao et al. | A small sample bearing fault diagnosis method based on ConvGRU relation network |
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 |