CN115412947A - 一种基于数字孪生与ai算法的故障仿真方法和系统 - Google Patents
一种基于数字孪生与ai算法的故障仿真方法和系统 Download PDFInfo
- Publication number
- CN115412947A CN115412947A CN202211033507.8A CN202211033507A CN115412947A CN 115412947 A CN115412947 A CN 115412947A CN 202211033507 A CN202211033507 A CN 202211033507A CN 115412947 A CN115412947 A CN 115412947A
- Authority
- CN
- China
- Prior art keywords
- fault
- historical
- algorithm
- digital twin
- network
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004088 simulation Methods 0.000 title claims abstract description 56
- 230000006870 function Effects 0.000 claims abstract description 70
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 20
- 230000001502 supplementing effect Effects 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 45
- 238000012423 maintenance Methods 0.000 claims description 24
- 238000007726 management method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 208000024891 symptom Diseases 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 10
- 238000013024 troubleshooting Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及通信网络管理技术领域,尤其涉及一种基于数字孪生与AI算法的故障仿真方法和系统,方法包括:构建网络设备实体和数字孪生体虚实结合的混合网络;构建历史故障案例数据库和特征关系规则数据库,并对库中故障进行分类;计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数;采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测;通过历史流量对时间的变化曲线函数进行仿真模拟新故障,并通过学习算法补充历史故障案例数据库和特征关系规则数据库。本发明可以提高通信网络的故障管理和业务支撑能力,可以为自智网络后续的网络智能故障闭环管理提供技术支撑。
Description
技术领域
本发明涉及通信网络管理技术领域,尤其涉及一种基于数字孪生与AI算法的故障仿真方法和系统。
背景技术
随着5G时代的到来,万物互联和各种新生应用需求促使通信网络规模越来越大、结构也日趋复杂,同时网络内的通信设备也由于功能越来越强大、层次结构越来越复杂,一旦出现故障时表现出的故障现象也越来越复杂,各个层次的功能模块也会产生相应的故障和告警,故障之间的关系复杂难辨,造成了处理故障的工作量也越来越大,排障困难度呈几何指数增长,排障时间也越来越长。实际运维过程中如何从这些纷繁复杂的故障现象和告警中找到问题的真正根源,进而找到快速有效的解决方案,对运维人员形成了巨大挑战。
同时各类新的5G应用对网络的带宽、时延、容量、安全性、稳定性和可靠性要求越来越苛刻,要求网络系统能够具备对自身故障的检测、分析、定界、定位能力,甚至还需要故障仿真、预测和自愈的能力。针对这些新的需求,各运营商和设备生产厂商提出智慧网络的概念,期望通过在通信网络中引入大数据、数据挖掘和AI算法来解决前述的这些问题,但具体如何实现上述概念、如何解决上述问题,现有技术还未涉及。
总而言之,现有的故障管理技术存在故障定位困难、反应速度慢、处理周期长、效率低下和智能程度不够的问题,体现在以下几个方面。
1、设备技术越来越先进、集成度越来越高、结构越来越复杂,对运维人员的技术储备要求也越来越高,故障定位的难度也越来越大。
2、新的网络规模越来越大、业务数量呈几何级数增长,对网络设备和系统的稳定性、可靠性、安全性的要求也越来越高,传统的以人工为主的运维手段已难以满足客户的要求。
3、5G网络的大带宽、低时延、高稳定性要求设备和系统具备高性能的同时还需具备高可靠,能够在故障发生前就可以进行预测并采取调整措施以保障业务正常运行不受影响。
4、在故障发生时需要能够快速分析、识别故障类型、给出正确的处理建议,甚至设备和系统自己能够智能地调整资源和系统结构,使得故障得到处理并消除,达到自愈的效果。
鉴于此,如何克服上述现有技术所存在的技术问题或需求是本技术领域亟待解决的难题。
发明内容
本发明的目的之一在于克服上述现有技术中的存在的技术问题,提供一种基于数字孪生与AI算法的故障仿真方法和系统,本发明描述的内容主要是针对通信网络故障仿真和预测的应用场景,先将基于数字孪生技术生成的网络设备孪生体与实际的物理设备一起共同组成虚实结合的通信网络,同时将一线运维专家所积累的丰富排障运维经验和领域知识通过故障特征提取和知识表示法来生成历史故障案例数据库,再在网络运行过程中利用传感器采集网络系统中的各种运行参数和故障特征参数,利用AI算法将这些参数与历史故障数据库中的故障特征向量进行相似度匹配,从历史库中找到一个或一组相似度在给定阈值之上的故障对象,并与通过AI预测的故障对象集合做进一步的比较,最后确定一个匹配程度最大的故障对象。然后根据该对象的特征向量参数利用模拟器模拟出对应的数据并送入前述的设备孪生体,通过孪生体产生新的故障,从而完成对故障的仿真与预测,并可进一步指导故障的诊断、定界定位乃至自愈闭环。
本发明是这样实现的:
第一方面,本发明提供一种基于数字孪生与AI算法的故障仿真方法,包括:
构建网络设备实体和数字孪生体虚实结合的混合网络;
构建历史故障案例数据库和特征关系规则数据库,并对库中故障进行分类;
计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数;
采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测;
通过历史流量对时间的变化曲线函数进行仿真模拟新故障,并通过学习算法补充历史故障案例数据库和特征关系规则数据库。
进一步的,所述构建网络设备实体和数字孪生体虚实结合的混合网络具体包括:
在现有管控系统的基础上,采用虚拟仿真技术构建物理网元的数字孪生体,包括网元、单盘、模块的数字孪生体构建,并将构建的数字孪生体作为管控系统中的虚拟网元加入到通信网络拓扑中,使之与实际的物理网元构成完整统一的虚实结合的混合网络。
进一步的,所述构建历史故障案例数据库,并对库中故障进行分类具体包括:
在现有管控系统的数据库中,创建历史故障案例数据库,将一线长期积累的故障运维知识库和运维排障手册中的故障症候通过特征提取和面向对象的知识表示法构建成一个个的故障类对象,存入历史故障案例数据库中,并与现有的历史告警数据库中的告警建立关联关系;
通过K-Means聚类算法对历史故障案例数据库中的故障特征进行分类运算,将故障信息分成系统级、业务级、设备级、单盘级、模块级几个故障层级,并确定每个故障信息相对应的故障类型。
进一步的,在采用K-Means算法进行故障的聚类之前,先使用特征关系规则数据库中预置的属性相似和重叠关系规则对特征向量中的特征属性进行去重处理,去除有重叠关系和相似的特征属性,然后再计算剩余的各特征属性在特征空间中的欧式距离;在聚类过程中,根据故障层级和故障类型的特征属性使用有约束的推举算法来产生聚类的核,从而加快聚类的速度和准确度。
进一步的,所述计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数具体包括:
通过线性回归算法对历史流量数据进行计算,计算出历史流量对时间的变化曲线函数;
通过线性回归算法对历史告警数据库中的告警数据以及告警与故障的关联关系进行计算,计算出不同故障随流量变化的故障发生概率函数。
进一步的,所述采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测具体包括:
通过Telemetry传感器采集网络运行中的实时信息,按照特征提取方法和面向对象的知识表示法构建成新的故障类对象;
通过灰色关联算法将新对象的故障特征和历史故障案例数据库中的故障对象的故障特征进行比较,得到一组相似度在设定阈值以上的故障对象以作为第一组故障对象,同时把当前的流量性能数据输入故障随流量变化的故障发生概率函数中,计算出一组最可能发生的故障对象以作为第二组故障对象,然后将两组故障对象做相似度比较,取第一组故障对象中相似度排名最前的故障对象作为预测候选故障。
进一步的,在使用灰色关联算法进行属性约简以确定条件属性和决策属性时,先使用特征关系规则数据库中预置的属性相似和重叠关系规则对各个属性进行了预去重,再结合属性权值计算结果来辅助进行进一步的属性去重,再用灰色关联算法的公式计算剩余故障特征属性间的灰色绝对关联度值,以进一步找到具有相似、近邻或有重叠关系的属性,以加快属性约简的速度和准确性。
进一步的,所述通过历史流量对时间的变化曲线函数进行仿真模拟新故障具体包括:
在历史故障案例数据库中提取预测候选故障的特征向量信息,根据这些特征信息结合历史流量对时间的变化曲线函数使用模拟器产生模拟数据或模拟故障症候,将这些模拟数据或模拟故障症候引入到建立的网络设备数字孪生体中,触发其产生新的故障。
进一步的,所述通过学习算法补充历史故障案例数据库和特征关系规则数据库具体包括:
将新获得的属性相似和重叠关系补充到特征关系规则数据库中,以不断完善特征关系规则数据库;
记录新故障发生时的数字孪生体的特征信息,对新故障对象进行特征提取并做对象化处理后存入历史故障案例数据库,作为后期仿真的新案例数据补充。
第二方面,本发明提供一种基于数字孪生与AI算法的故障仿真系统,用于实现如第一方面所述的方法,系统包括混合网络构建模块、历史故障案例数据库构建模块、计算模块、故障预测模块以及仿真模拟模块,其中:
所述混合网络构建模块用于构建网络设备实体和数字孪生体虚实结合的混合网络;
所述历史故障案例数据库构建模块用于构建历史故障案例数据库,并对库中故障进行分类;
所述计算模块用于计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数;
所述故障预测模块用于采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测;
所述仿真模拟模块用于通过历史流量对时间的变化曲线函数进行仿真模拟新故障,并通过学习算法补充历史故障案例数据库和特征关系规则数据库。
综上所述,本发明的有益效果为:与现有技术相比,本发明公开提供了一种基于数字孪生与AI算法的故障仿真方法和系统,通过虚拟仿真技术和面向对象的对象化技术,构建了一套数字孪生网络有限生态环,并将数字孪生体作为管控系统中的虚拟网元将其加入到实际网络中,将网络的实体空间和孪生空间整合成虚实结合的混合网络。同时通过对历史故障处置信息做对象化处理,使之形成AI平台的训练数据集,并通过相应的AI算法训练出故障仿真和预测模型,以提高通信网络的故障管理和业务支撑能力,也可以作为运维人员的故障分析、诊断、处置和排除的训练平台,还可以为自智网络后续的网络智能故障闭环管理提供技术支撑。
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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例1提供的一种基于数字孪生与AI算法的故障仿真方法的流程图;
图2为本发明实施例1提供的步骤100扩展流程图;
图3为本发明实施例1提供的步骤200扩展流程图;
图4为本发明实施例1提供的故障案例对象结构示意图;
图5为本发明实施例1提供的故障所在网络层级划分示意图;
图6为本发明实施例1提供的故障案例聚类分析流程示意图;
图7为本发明实施例1提供的步骤300扩展流程图;
图8为本发明实施例1提供的步骤400扩展流程图;
图9为本发明实施例1提供的步骤500扩展流程图;
图10为本发明实施例2提供的一种基于数字孪生与AI算法的故障仿真系统的模块框图;
图11为本发明实施例3提供的一种基于数字孪生与AI算法的故障仿真装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明是一种特定功能系统的体系结构,因此在具体实施例中主要说明各结构模组的功能逻辑关系,并不对具体软件和硬件实施方式做限定。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合,各个步骤在符合逻辑、不冲突的情况下也可以调换先后顺序。
下面将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,所描述的实施例仅仅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,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:
如图1所示,本发明实施例1提供一种基于数字孪生与AI算法的故障仿真方法,包括如下步骤:
步骤100:构建网络设备实体和数字孪生体虚实结合的混合网络。在本实施例中,该步骤在现有管控系统的基础上,采用虚拟仿真技术构建物理网元的数字孪生体,包括网元、单盘、模块的数字孪生体构建,并将构建的数字孪生体作为管控系统中的虚拟网元加入到通信网络拓扑中,使之与实际的物理网元构成完整统一的虚实结合的混合网络。
步骤200:构建历史故障案例数据库和特征关系规则数据库,并对库中故障进行分类。在本实施例中,该步骤在现有管控系统的数据库中,创建历史故障案例数据库,将一线长期积累的故障运维知识库和运维排障手册中的故障症候通过特征提取和面向对象的知识表示法构建成一个个的故障类对象,存入历史故障案例数据库中,并与现有的历史告警数据库中的告警建立关联关系;同时将一线运维专家在运维过程中发现并积累的各故障特征属性间的相似、近邻或重叠关系用规则型知识表示法生成特征关系规则数据库。然后通过K-Means聚类算法对历史故障案例数据库中的故障特征进行分类运算,将故障信息分成系统级、业务级、设备级、单盘级、模块级几个故障层级,并确定每个故障信息相对应的故障类型。在采用K-Means算法进行故障的聚类之前,先使用特征关系规则数据库中预置的属性相似和重叠关系规则对特征向量中的特征属性进行去重处理,去除有重叠关系和相似的特征属性,然后再计算剩余的各特征属性在特征空间中的欧式距离,以确定各故障的聚类归属;在聚类过程中,根据故障层级和故障类型的特征属性使用有约束的推举算法来产生聚类的核,从而加快聚类的速度和准确度。
步骤300:计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数。在本实施例中,该步骤通过线性回归算法对历史流量数据进行计算,计算出历史流量对时间的变化曲线函数;通过线性回归算法对历史告警数据库中的告警数据以及告警与故障的关联关系进行计算,计算出不同故障随流量变化的故障发生概率函数。
步骤400:采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测。在本实施例中,该步骤通过Telemetry(遥测)传感器采集网络运行中的实时信息,按照特征提取方法和面向对象的知识表示法构建成新的故障类对象;然后通过灰色关联算法将新对象的故障特征和历史故障案例数据库中的故障对象的故障特征进行比较,得到一组相似度在设定阈值以上的故障对象以作为第一组故障对象,同时把当前的流量性能数据输入故障随流量变化的故障发生概率函数中,计算出一组最可能发生的故障对象以作为第二组故障对象,然后将两组故障对象做相似度比较,取第一组故障对象中相似度排名最前的故障对象作为预测候选故障。在使用灰色关联算法进行属性约简以确定条件属性和决策属性时,先使用特征关系规则数据库中预置的属性相似和重叠关系规则对各个属性进行了预去重,再结合属性权值计算结果来辅助进行进一步的属性去重,再用灰色关联算法的公式计算剩余故障特征属性间的灰色绝对关联度值,以进一步找到具有相似、近邻或有重叠关系的属性,以加快属性约简的速度和准确性。
步骤500:通过历史流量对时间的变化曲线函数进行仿真模拟新故障,并通过学习算法补充历史故障案例数据库和特征关系规则数据库。在本实施例中,该步骤在历史故障案例数据库中提取预测候选故障的特征向量信息,根据这些特征信息结合历史流量对时间的变化曲线函数使用模拟器产生模拟数据或模拟故障症候,将这些模拟数据或模拟故障症候引入到建立的网络设备数字孪生体中,触发其产生新的故障。之后还可以将新获得的属性相似和重叠关系补充到特征关系规则数据库中,以不断完善特征关系规则数据库;还可以记录新故障发生时的数字孪生体的特征信息,对新故障对象进行特征提取并做对象化处理后存入历史故障案例数据库,作为后期仿真的新案例数据补充。
基于上述步骤,本发明实施例主要是针对通信网络故障仿真和预测的应用场景,先将基于数字孪生技术生成的网络设备孪生体与实际的物理设备一起共同组成虚实结合的通信网络,同时将一线运维专家所积累的丰富排障运维经验和领域知识通过故障特征提取和知识表示法来生成历史故障案例数据库,再在网络运行过程中利用传感器采集网络系统中的各种运行参数和故障特征参数,利用AI算法将这些参数与历史故障数据库中的故障特征向量进行相似度匹配,从历史库中找到一个或一组相似度在给定阈值之上的故障对象,并与通过AI预测的故障对象集合做进一步的比较,最后确定一个匹配程度最大的故障对象。然后根据该对象的特征向量参数利用模拟器模拟出对应的数据并送入前述的设备孪生体,通过孪生体产生新的故障,从而完成对故障的仿真与预测,并可进一步指导故障的诊断、定界定位乃至自愈闭环。
具体的,如图2所示,对于本实施例的步骤100(构建网络设备实体和数字孪生体虚实结合的混合网络),可以扩展为如下步骤。
步骤101:生成数字孪生体。利用物理网络设备实体的设计领域知识、结构组成信息、配置信息、拓扑连接关系信息和实体空间信息通过面向对象的对象化技术生成层次化的数字化网络设备,即网络设备实体的数字孪生体,包括数字化的模块对象如协议模块对象、转发模块对象、激光器模块对象等,单盘对象如主控盘、业务盘、电源盘、风扇盘等,设备对象如分组传输的核心网元设备、汇聚网元设备、接入网元设备等。同一种类的各孪生体会生成一个开发语言中的类,类是对该类孪生体的抽象,而各个实际的孪生体则是该类的实例。类的数据成员表示的是该类孪生体具备的公共属性,而类的成员函数表示的是该类孪生体具备公共的操作方法和对外提供的功能接口。低层次的数字孪生体可以依据特定的规则组合成更高层次的数字孪生体,如模块级孪生体按照对应单盘的设计原则组合成单盘级孪生体,单盘级孪生体按照对应设备的组成结构组合成设备级孪生体。这些组合规则在实现上则遵循面向对象语言的设计模式中的组合设计模式和装饰设计模式的实现要求。
步骤102:组成虚实结合的混合网络。在管控系统中将前述步骤101中生成的设备级数字孪生体作为虚拟网元加入到通信网络拓扑中,并根据设备类型将其连接在不同的拓扑位置,使之与实际的物理网元构成完整统一的虚实结合的网络系统。如接入网元物理设备(UPE)对应的数字孪生体连接到网络拓扑的接入环中,汇聚网元物理设备(SPE)对应的数字孪生体连接到网络拓扑的核心汇聚环的汇聚域中,核心网元物理设备(NPE)对应的数字孪生体连接到网络拓扑的核心汇聚环的核心域中。核心物理设备与其数字孪生体组成拓扑中的主备角色,汇聚物理设备与其数字孪生体也组成拓扑中的主备角色,使其在系统组成上便于物理实体与孪生体之间的数据交换和命令交互。
具体的,如图3所示,对于本实施例的步骤200(构建历史故障案例数据库,并对库中故障进行分类),可以扩展为如下步骤。
步骤201:创建历史故障案例数据库。在现有管控系统的数据库中,创建历史故障案例数据库,将一线长期积累的故障运维知识库和运维排障手册中的故障案例通过特征提取和面向对象的知识表示法构建成一个个的故障类对象,存入历史故障案例数据库中,并与管控系统现有的告警数据库中的告警建立关联关系。参考图4所示,故障案例对象结构包含案例编号、故障特征向量、权重向量、告警向量、命中次数和确认标志共6个部分。为方便检索,每个故障案例会生成一个案例编号,案例编号的生成会依据故障源所在网络系统的层级、故障类型、以及流水号组成。参考图5所示,故障所在网络层级划分为系统级、业务级、设备级、单盘级、模块级等多个级别,可分别用数字编号00、01、02、03、04等来标识。故障类型可划分为链路类、性能类、配置类、规格类、管理类、转发类、控制类、电源类、时钟类等多个类型,也可分别用数字编号001、002、003、004等来标识。而流水号则是对同一级别同一类型的故障按顺序进行编号,如编号000001、000002等,最后与前面的故障级别标识、故障类型标识一起组成形如xx-xxx-xxxxxx的故障编号。故障特征向量为该故障案例的特征属性集合,具体说明参见下面步骤202。权重向量则为对应特征向量中各特征属性对该故障的决策作用占比数值所组成的向量。告警向量则为故障产生过程中相伴产生的告警序列。命中次数为系统运行过程中该故障案例被检索匹配的计数。确认标志表示该故障在检索过程中被命中或未命中时操作人员给出的评价反馈,可以是正反馈,也可以是负反馈,可用来帮助加快案例检索速度。
步骤202:故障特征提取与入库。通信网络由于规模比较庞大、结构复杂,其故障特征表现也复杂多样,因此故障特征可分为条件属性和决策属性,条件属性根据故障所在网络层级和类型不同而各不相同,但通常情况下故障排查手段主要是分析告警、性能、状态、日志、配置等几个大类的信息,大体可拆解成接口状态、单盘状态、协议工作状态、设备在管状态、收/发光功率、收/发字节数、收/发包数、收/发流量、CPU占用率、硬盘占用率、内存占用率、温度、电压/电流、拓扑连接、配置、日志等等,而决策属性则从用户可感知的角度来划分,如时延、抖动、丢包、中断、脱管、路由不可达、业务不通、保护失效、告警产生等。这些属性中有些属性是有一定范围的连续值,有些属性是离散值,有些是定量属性,有些是定性属性,不同属性类型在数据库中定义不同的数据类型。所有这些故障特征属性组成故障特征向量。
步骤203:计算特征权重向量。故障特征向量中的各特征属性对故障的决策作用占比不同,有些是决定性因素属性,有些是辅助属性,也有些是关联程度不大的边缘属性,甚至有些是与该故障完全不相关属性。通过计算这些特征属性在属性空间中的欧式距离来确定该属性的权重,有助于对特征向量进行属性约简,筛选出故障的决定性因素特征属性,便于提高后续故障检索与匹配的速度与准确度。
步骤204:关联故障与告警向量。故障产生的同时通常伴随有一系列告警产生,这些告警组成该故障的告警向量。它们有些是彼此间有关联关系的,即通常说的根源-衍生关系,有些告警是独立告警。本发明实施例中将这些告警序列与对应的故障进行关联,通过查询与这些告警有根衍关系的告警序列,可辅助进行故障的分析与定位。
步骤205:利用K-Means聚类算法对故障进行分类。故障案例聚类分析流程参考图6所示,为加快聚类的速度和准确度,本发明实施例对K-Means聚类算法做了2处小改进:在采用K-Means算法进行故障的聚类之前,先使用特征关系规则数据库中预置的属性相似/近邻和重叠关系规则对特征向量中的特征属性进行了去重处理,去除有重叠关系和相似的特征属性,然后再计算剩余的各特征属性在特征空间中的欧式距离,以确定对应故障的类型归属。在聚类过程中,根据步骤201中确定的故障层级和故障类型,以这些故障层级和类型的核心特征属性作为约束条件,通过推举算法来产生聚类的核心,这样可避免聚类计算过程中根据计算结果来不断调整聚类核心的反复过程,提高了聚类的速度和准确度。
具体的,如图7所示,对于本实施例的步骤300(计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数),可以扩展为如下步骤。
步骤301:通过线性回归算法对历史流量数据计算出历史流量对时间的变化曲线函数。
步骤302:通过回归算法对历史告警数据库中的告警数据和告警与故障的关联关系计算各类型故障随流量变化的故障发生概率函数。
具体的,如图8所示,对于本实施例的步骤400(采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测),可以扩展为如下步骤。
步骤401:采集网络系统运行实测信号。通过Telemetry传感器采集步骤100中所述网络实时运行中的告警、性能、状态、设备日志和系统日志等信息,按照前述步骤中相同的特征提取方法和面向对象的知识表示法构建成新的故障类对象。
步骤402:利用灰关联算法计算上述实测信号与历史故障案例的相似度,预测和仿真新的故障。
设R是历史故障案例库中所有案例故障特征向量的集合,是系统要建立的故障标准特征向量的个数,即故障种类数;n是每个故障标准特征向量的特征维数。建立相应的标准故障模式特征向量矩阵: 设实测信号的待比较特征向量为:r0=[r0(1)r0(2)...r0(n)]。为消除不同量纲对指标值的影响,进行案例相似度计算之前需要对R和r0中的元素进行指标量化、无量纲化、归一化处理,即:
上式中,0<=i<=m,1<=k<=n,经过上述处理后,得到新的待分析故障特征向量r0′和新的案例指标集矩阵R′,它们的每个指标值均满足0<=ri′(k)<=1。此时,案例检索问题就转化为r0′的特征向量与R′中各个案例的特征向量的相似度计算问题。
根据改进的灰色关联理论,当前实测特征向量r0与标准特征向量ri在指标k上的局部灰色相似度(Local Grey Similarity,SLG)定义为:
式中:1<=i<=m,1<=k<=n,θ为分辨系数,是一可事先确定的常数,满足0<=θ<=1,一般取θ=0.5,它的作用是调整比较环境的大小;和为案例r0′与案例ri′在第k个特征指标的比较环境;ωk为不同特征指标的权重。
当前故障和待比较案例的故障特征集合包含多个特征指标,通过式(2)计算出了单个征兆的相似度。由于单个相似度信息比较不便,可将各个关联系数集中为一个综合值,以此种形式来反映两个征兆向量的总体相似度。求平均值后相似度的表达式为:
上式中,1<=i<=m,从而得到相似度序列S=[s1,s2,...,sm]。用si值对系统进行故障检索时,采用优势分析的思想,即将相似度序列从大到小排列,得到:sa>=sb>=sc>=K(4)。式中,a,b,c属于[1,m],K为可根据计算结果进行调整的阈值常量,只有SLG值大于等于该阈值常量的故障特征向量才可用于接下来的比较。在实际应用时,运用si值进行故障预测检索,可在实测信号的待检特征向量与标准故障模式特征向量进行相似度计算,计算结果按照相似度大小对故障案例排列次序,其中与待检新案例的相似度大于K常量的故障案例即为候选案例组。
步骤403:把当前的流量性能数据输入故障随流量变化的故障发生概率函数中,计算出一组最可能发生的故障,然后将该组故障对象与步骤402中得到的那组故障案例做相似度比较,然后取相似度排名最前的那个历史故障案例库中的故障对象作为预测候选故障。
具体的,如图9所示,对于本实施例的步骤500(通过历史流量对时间的变化曲线函数进行仿真模拟新故障,并通过学习算法补充历史故障案例数据库和特征关系规则数据库),可以扩展为如下步骤。
步骤501:在历史故障数据库中提取前述步骤中所预测的故障对象的特征向量信息,根据这些特征信息结合历史流量对时间的变化曲线函数使用流量模拟器产生流量模拟数据,同时通过故障模拟器根据故障特征向量中的相关参数模拟故障症候,如激光器关断、降低光信号的发送功率、风扇降速等等,将这些模拟数据或故障症候引入到步骤100中建立的网络设备数字孪生体中,触发其产生新的故障。
步骤502:将步骤205中新获得的属性相似/近邻和重叠关系补充到前述的特征关系规则数据库中,以不断完善规则库。
步骤503:记录新故障发生时的数字孪生体的告警、性能、状态、日志等特征信息,对新故障对象做故障特征相似度评估,将小于给定阈值的新故障做对象化处理后存入历史故障案例数据库,作为后期仿真的新案例数据补充。
综上所述,本发明实施例通过虚拟仿真技术和面向对象的对象化技术,构建了一套数字孪生网络有限生态环,并将数字孪生体作为管控系统中的虚拟网元将其加入到实际网络中,将网络的实体空间和孪生空间整合成虚实结合的混合网络。同时通过对历史故障处置信息做对象化处理,使之形成AI平台的训练数据集,并通过相应的AI算法训练出故障仿真和预测模型,以提高通信网络的故障管理和业务支撑能力,也可以作为运维人员的故障分析、诊断、处置和排除的训练平台,还可以为自智网络后续的网络智能故障闭环管理提供技术支撑。
实施例2:
本发明实施例2提供一种基于数字孪生与AI算法的故障仿真系统,用于实现如实施例1提供的方法,如图10所示,该系统包括混合网络构建模块、历史故障案例数据库构建模块、计算模块、故障预测模块以及仿真模拟模块,其中:
所述混合网络构建模块用于构建网络设备实体和数字孪生体虚实结合的混合网络。具体的,该模块在现有管控系统的基础上,采用虚拟仿真技术构建物理网元的数字孪生体,包括网元、单盘、模块的数字孪生体构建,并将构建的数字孪生体作为管控系统中的虚拟网元加入到通信网络拓扑中,使之与实际的物理网元构成完整统一的虚实结合的混合网络。
所述历史故障案例数据库构建模块用于构建历史故障案例数据库,并对库中故障进行分类。具体的,该模块在现有管控系统的数据库中,创建历史故障案例数据库,将一线长期积累的故障运维知识库和运维排障手册中的故障症候通过特征提取和面向对象的知识表示法构建成一个个的故障类对象,存入历史故障案例数据库中,并与现有的历史告警数据库中的告警建立关联关系;然后通过K-Means聚类算法对历史故障案例数据库中的故障特征进行分类运算,将故障信息分成系统级、业务级、设备级、单盘级、模块级几个故障层级,并确定每个故障信息相对应的故障类型。在采用K-Means算法进行故障的聚类之前,先使用特征关系规则数据库中预置的属性相似和重叠关系规则对特征向量中的特征属性进行去重处理,去除有重叠关系和相似的特征属性,然后再计算剩余的各特征属性在特征空间中的欧式距离;在聚类过程中,根据故障层级和故障类型的特征属性使用有约束的推举算法来产生聚类的核,从而加快聚类的速度和准确度。
所述计算模块用于计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数。具体的,该模块通过线性回归算法对历史流量数据进行计算,计算出历史流量对时间的变化曲线函数;通过回归算法对历史告警数据库中的告警数据以及告警与故障的关联关系进行计算,计算出不同故障随流量变化的故障发生概率函数。
所述故障预测模块用于采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测。具体的,该模块通过Telemetry传感器采集网络运行中的实时信息,按照特征提取方法和面向对象的知识表示法构建成新的故障类对象;然后通过灰色关联算法将新对象的故障特征和历史故障案例数据库中的故障对象的故障特征进行比较,得到一组相似度在设定阈值以上的故障对象以作为第一组故障对象,同时把当前的流量性能数据输入故障随流量变化的故障发生概率函数中,计算出一组最可能发生的故障对象以作为第二组故障对象,然后将两组故障对象做相似度比较,取第一组故障对象中相似度排名最前的故障对象作为预测候选故障。在使用灰色关联算法进行属性约简以确定条件属性和决策属性时,先使用特征关系规则数据库中预置的属性相似和重叠关系规则对各个属性进行了预去重,再结合属性权值计算结果来辅助进行进一步的属性去重,再用灰色关联算法的公式计算剩余故障特征属性的相似度,以加快属性约简的速度和准确性。
所述仿真模拟模块用于通过历史流量对时间的变化曲线函数进行仿真模拟新故障,并通过学习算法补充历史故障案例数据库和特征关系规则数据库。具体的,该模块在历史故障案例数据库中提取预测候选故障的特征向量信息,根据这些特征信息结合历史流量对时间的变化曲线函数使用模拟器产生模拟数据或模拟故障症候,将这些模拟数据或模拟故障症候引入到建立的网络设备数字孪生体中,触发其产生新的故障。之后还可以将新获得的属性相似和重叠关系补充到特征关系规则数据库中,以不断完善特征关系规则数据库;还可以记录新故障发生时的数字孪生体的特征信息,对新故障对象进行特征提取并做对象化处理后存入历史故障案例数据库,作为后期仿真的新案例数据补充。
需要说明的是,上述混合网络构建模块的具体功能与实施例1中步骤100的扩展步骤一致;上述历史故障案例数据库构建模块的具体功能与实施例1中步骤200的扩展步骤一致;上述计算模块的具体功能与实施例1中步骤300的扩展步骤一致;上述故障预测模块的具体功能与实施例1中步骤400的扩展步骤一致;上述仿真模拟模块的具体功能与实施例1中步骤500的扩展步骤一致。因此,在此就不再对上述各模块的扩展功能进行赘述了。
综上所述,本实施例针对通信网络故障仿真和预测的应用场景,先将基于数字孪生技术生成的网络设备孪生体与实际的物理设备一起共同组成虚实结合的通信网络,同时将一线运维专家所积累的丰富排障运维经验和领域知识通过故障特征提取和知识表示法来生成历史故障案例数据库,再在网络运行过程中利用传感器采集网络系统中的各种运行参数和故障特征参数,利用AI算法将这些参数与历史故障数据库中的故障特征向量进行相似度匹配,从历史库中找到一个或一组相似度在给定阈值之上的故障对象,并与通过AI预测的故障对象集合做进一步的比较,最后确定一个匹配程度最大的故障对象。然后根据该对象的特征向量参数利用模拟器模拟出对应的数据并送入前述的设备孪生体,通过孪生体产生新的故障,从而完成对故障的仿真与预测,并可进一步指导故障的诊断、定界定位乃至自愈闭环。
实施例3:
在上述实施例1提供的基于数字孪生与AI算法的故障仿真方法的基础上,本发明还提供了一种可用于实现上述方法的基于数字孪生与AI算法的故障仿真装置,如图11所示,是本发明实施例的装置架构示意图。本实施例的基于数字孪生与AI算法的故障仿真装置包括一个或多个处理器21以及存储器22。其中,图11中以一个处理器21为例。
处理器21和存储器22可以通过总线或者其他方式连接,图11中以通过总线连接为例。
存储器22作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如实施例1中的基于数字孪生与AI算法的故障仿真方法。处理器21通过运行存储在存储器22中的非易失性软件程序、指令以及模块,从而执行基于数字孪生与AI算法的故障仿真装置的各种功能应用以及数据处理,即实现实施例1的基于数字孪生与AI算法的故障仿真方法。
存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器22可选包括相对于处理器21远程设置的存储器,这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
程序指令/模块存储在存储器22中,当被一个或者多个处理器21执行时,执行上述实施例1中的基于数字孪生与AI算法的故障仿真方法,例如,执行以上描述的图1-图3、图7-图9所示的各个步骤。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ReadOnlyMemory,简写为:ROM)、随机存取存储器(RandomAccessMemory,简写为:RAM)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于数字孪生与AI算法的故障仿真方法,其特征在于,包括:
构建网络设备实体和数字孪生体虚实结合的混合网络;
构建历史故障案例数据库和特征关系规则数据库,并对库中故障进行分类;
计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数;
采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测;
通过历史流量对时间的变化曲线函数进行仿真模拟新故障,并通过学习算法补充历史故障案例数据库和特征关系规则数据库。
2.根据权利要求1所述的基于数字孪生与AI算法的故障仿真方法,其特征在于,所述构建网络设备实体和数字孪生体虚实结合的混合网络具体包括:
在现有管控系统的基础上,采用虚拟仿真技术构建物理网元的数字孪生体,包括网元、单盘、模块的数字孪生体构建,并将构建的数字孪生体作为管控系统中的虚拟网元加入到通信网络拓扑中,使之与实际的物理网元构成完整统一的虚实结合的混合网络。
3.根据权利要求2所述的基于数字孪生与AI算法的故障仿真方法,其特征在于,所述构建历史故障案例数据库,并对库中故障进行分类具体包括:
在现有管控系统的数据库中,创建历史故障案例数据库,将一线长期积累的故障运维知识库和运维排障手册中的故障症候通过特征提取和面向对象的知识表示法构建成一个个的故障类对象,存入历史故障案例数据库中,并与现有的历史告警数据库中的告警建立关联关系;
通过K-Means聚类算法对历史故障案例数据库中的故障特征进行分类运算,将故障信息分成系统级、业务级、设备级、单盘级、模块级几个故障层级,并确定每个故障信息相对应的故障类型。
4.根据权利要求3所述的基于数字孪生与AI算法的故障仿真方法,其特征在于,在采用K-Means算法进行故障的聚类之前,先使用特征关系规则数据库中预置的属性相似和重叠关系规则对特征向量中的特征属性进行去重处理,去除有重叠关系和相似的特征属性,然后再计算剩余的各特征属性在特征空间中的欧式距离;在聚类过程中,根据故障层级和故障类型的特征属性使用有约束的推举算法来产生聚类的核,从而加快聚类的速度和准确度。
5.根据权利要求3所述的基于数字孪生与AI算法的故障仿真方法,其特征在于,所述计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数具体包括:
通过线性回归算法对历史流量数据进行计算,计算出历史流量对时间的变化曲线函数;
通过线性回归算法对历史告警数据库中的告警数据以及告警与故障的关联关系进行计算,计算出不同故障随流量变化的故障发生概率函数。
6.根据权利要求5所述的基于数字孪生与AI算法的故障仿真方法,其特征在于,所述采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测具体包括:
通过Telemetry传感器采集网络运行中的实时信息,按照特征提取方法和面向对象的知识表示法构建成新的故障类对象;
通过灰色关联算法将新对象的故障特征和历史故障案例数据库中的故障对象的故障特征进行比较,得到一组相似度在设定阈值以上的故障对象以作为第一组故障对象,同时把当前的流量性能数据输入故障随流量变化的故障发生概率函数中,计算出一组最可能发生的故障对象以作为第二组故障对象,然后将两组故障对象做相似度比较,取第一组故障对象中相似度排名最前的故障对象作为预测候选故障。
7.根据权利要求6所述的基于数字孪生与AI算法的故障仿真方法,其特征在于,在使用灰色关联算法进行属性约简以确定条件属性和决策属性时,先使用特征关系规则数据库中预置的属性相似和重叠关系规则对各个属性进行了预去重,再结合属性权值计算结果来辅助进行进一步的属性去重,再用灰色关联算法的公式计算剩余故障特征属性间的灰色绝对关联度值,以进一步找到具有相似、近邻或有重叠关系的属性,以加快属性约简的速度和准确性。
8.根据权利要求6所述的基于数字孪生与AI算法的故障仿真方法,其特征在于,所述通过历史流量对时间的变化曲线函数进行仿真模拟新故障具体包括:
在历史故障案例数据库中提取预测候选故障的特征向量信息,根据这些特征信息结合历史流量对时间的变化曲线函数使用模拟器产生模拟数据或模拟故障症候,将这些模拟数据或模拟故障症候引入到建立的网络设备数字孪生体中,触发其产生新的故障。
9.根据权利要求8所述的基于数字孪生与AI算法的故障仿真方法,其特征在于,所述通过学习算法补充历史故障案例数据库和特征关系规则数据库具体包括:
将新获得的属性相似和重叠关系补充到特征关系规则数据库中,以不断完善特征关系规则数据库;
记录新故障发生时的数字孪生体的特征信息,对新故障对象进行特征提取并做对象化处理后存入历史故障案例数据库,作为后期仿真的新案例数据补充。
10.一种基于数字孪生与AI算法的故障仿真系统,其特征在于,包括混合网络构建模块、历史故障案例数据库构建模块、计算模块、故障预测模块以及仿真模拟模块,其中:
所述混合网络构建模块用于构建网络设备实体和数字孪生体虚实结合的混合网络;
所述历史故障案例数据库构建模块用于构建历史故障案例数据库,并对库中故障进行分类;
所述计算模块用于计算历史流量对时间的变化曲线函数和随流量变化的故障发生概率函数;
所述故障预测模块用于采集网络运行的实测信号,利用AI算法以及随流量变化的故障发生概率函数进行故障预测;
所述仿真模拟模块用于通过历史流量对时间的变化曲线函数进行仿真模拟新故障,并通过学习算法补充历史故障案例数据库和特征关系规则数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211033507.8A CN115412947B (zh) | 2022-08-26 | 一种基于数字孪生与ai算法的故障仿真方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211033507.8A CN115412947B (zh) | 2022-08-26 | 一种基于数字孪生与ai算法的故障仿真方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115412947A true CN115412947A (zh) | 2022-11-29 |
CN115412947B CN115412947B (zh) | 2024-06-21 |
Family
ID=
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828145A (zh) * | 2023-02-09 | 2023-03-21 | 深圳市仕瑞达自动化设备有限公司 | 一种电子设备的在线监测方法、系统及介质 |
CN116596518A (zh) * | 2023-07-17 | 2023-08-15 | 南京上古网络科技有限公司 | 一种基于数字孪生的电网故障隐患管理系统及方法 |
CN116821403A (zh) * | 2023-08-31 | 2023-09-29 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
CN116977122A (zh) * | 2023-07-06 | 2023-10-31 | 双龙软创(深圳)科技有限公司 | 基于数字孪生技术的远程自动化监测危房的方法 |
CN117148048A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 基于数字孪生技术的配电网故障预测方法及系统 |
CN117176550A (zh) * | 2023-09-25 | 2023-12-05 | 云念软件(广东)有限公司 | 基于故障辨识的集成运行维护方法及系统 |
CN117391451A (zh) * | 2023-11-07 | 2024-01-12 | 建龙西林钢铁有限公司 | 一种钢铁数字化安全管控系统 |
CN117579393A (zh) * | 2024-01-16 | 2024-02-20 | 国网浙江省电力有限公司 | 一种信息终端威胁监测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
CN112887148A (zh) * | 2021-01-29 | 2021-06-01 | 烽火通信科技股份有限公司 | 一种网络流量仿真和预测的方法和装置 |
US20220124001A1 (en) * | 2020-10-15 | 2022-04-21 | Fujitsu Limited | Method and system for predicting the evolution of simulation results for an internet of things network |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
US20220124001A1 (en) * | 2020-10-15 | 2022-04-21 | Fujitsu Limited | Method and system for predicting the evolution of simulation results for an internet of things network |
CN112887148A (zh) * | 2021-01-29 | 2021-06-01 | 烽火通信科技股份有限公司 | 一种网络流量仿真和预测的方法和装置 |
Non-Patent Citations (1)
Title |
---|
郑维维;王智立;邱雪松;王兴斌;: "故障预测中基于模糊神经网络的规则发现方法", 北京邮电大学学报, no. 06, 15 December 2015 (2015-12-15) * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828145A (zh) * | 2023-02-09 | 2023-03-21 | 深圳市仕瑞达自动化设备有限公司 | 一种电子设备的在线监测方法、系统及介质 |
CN116977122B (zh) * | 2023-07-06 | 2024-04-19 | 双龙软创(深圳)科技有限公司 | 基于数字孪生技术的远程自动化监测危房的方法 |
CN116977122A (zh) * | 2023-07-06 | 2023-10-31 | 双龙软创(深圳)科技有限公司 | 基于数字孪生技术的远程自动化监测危房的方法 |
CN116596518A (zh) * | 2023-07-17 | 2023-08-15 | 南京上古网络科技有限公司 | 一种基于数字孪生的电网故障隐患管理系统及方法 |
CN116596518B (zh) * | 2023-07-17 | 2023-09-19 | 南京上古网络科技有限公司 | 一种基于数字孪生的电网故障隐患管理系统及方法 |
CN116821403B (zh) * | 2023-08-31 | 2023-12-05 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
CN116821403A (zh) * | 2023-08-31 | 2023-09-29 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
CN117176550A (zh) * | 2023-09-25 | 2023-12-05 | 云念软件(广东)有限公司 | 基于故障辨识的集成运行维护方法及系统 |
CN117176550B (zh) * | 2023-09-25 | 2024-03-19 | 云念软件(广东)有限公司 | 基于故障辨识的集成运行维护方法及系统 |
CN117148048A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 基于数字孪生技术的配电网故障预测方法及系统 |
CN117148048B (zh) * | 2023-10-30 | 2024-01-12 | 国网江苏省电力有限公司南通供电分公司 | 基于数字孪生技术的配电网故障预测方法及系统 |
CN117391451A (zh) * | 2023-11-07 | 2024-01-12 | 建龙西林钢铁有限公司 | 一种钢铁数字化安全管控系统 |
CN117579393A (zh) * | 2024-01-16 | 2024-02-20 | 国网浙江省电力有限公司 | 一种信息终端威胁监测方法、装置、设备及存储介质 |
CN117579393B (zh) * | 2024-01-16 | 2024-03-22 | 国网浙江省电力有限公司 | 一种信息终端威胁监测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019141144A1 (zh) | 确定网络故障的方法和装置 | |
CN109978222A (zh) | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN113032238B (zh) | 基于应用知识图谱的实时根因分析方法 | |
CN108921301A (zh) | 一种基于自学习的机器学习模型更新方法及系统 | |
CN103728507A (zh) | 一种基于数据挖掘的电网故障诊断方法 | |
CN114399066B (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
CN114579407B (zh) | 一种因果关系检验和微服务指标预测报警方法 | |
Xie et al. | Logm: Log analysis for multiple components of hadoop platform | |
CN116684253A (zh) | 基于智能运维的网络异常管控方法 | |
CN113765698B (zh) | 一种面向工业互联网的网络故障定位和根因检测方法及系统 | |
CN114401516A (zh) | 一种基于虚拟网络流量分析的5g切片网络异常检测方法 | |
Li et al. | A distributed parallel alarm management strategy for alarm reduction in chemical plants | |
CN115412443B (zh) | 一种基于突发检测的网络拓扑变化检测方法 | |
CN117221087A (zh) | 告警根因定位方法、装置及介质 | |
CN115412947A (zh) | 一种基于数字孪生与ai算法的故障仿真方法和系统 | |
CN109800231B (zh) | 一种基于Flink的实时轨迹co-movement运动模式检测方法 | |
CN115982374B (zh) | 大坝应急响应知识库联动的多视角学习实体对齐方法和系统 | |
WO2023093431A1 (zh) | 一种模型训练方法、装置、设备、存储介质和程序产品 | |
CN115412947B (zh) | 一种基于数字孪生与ai算法的故障仿真方法和系统 | |
CN116484016A (zh) | 一种基于时序路径自动维护的时序知识图谱推理方法和系统 | |
CN115293236A (zh) | 一种基于混合聚类的电力设备并行故障诊断方法及装置 | |
Cai et al. | Modelcoder: A fault model based automatic root cause localization framework for microservice systems | |
CN112801815A (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
Rida et al. | Anomaly detection on static and dynamic graphs using graph convolutional neural networks |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230406 Address after: 430000 No. 6, High-tech Fourth Road, Donghu High-tech Development Zone, Wuhan City, Hubei Province Applicant after: FIBERHOME TELECOMMUNICATION TECHNOLOGIES Co.,Ltd. Address before: No.4, Guanshan 2nd Road, Donghu Development Zone, Wuhan City, Hubei Province 430205 Applicant before: WUHAN FIBERHOME TECHNICAL SERVICES Co.,Ltd. Applicant before: FIBERHOME TELECOMMUNICATION TECHNOLOGIES Co.,Ltd. |
|
GR01 | Patent grant |