CN115442247A - 一种采用人工智能数据处理运维箱 - Google Patents
一种采用人工智能数据处理运维箱 Download PDFInfo
- Publication number
- CN115442247A CN115442247A CN202211367873.7A CN202211367873A CN115442247A CN 115442247 A CN115442247 A CN 115442247A CN 202211367873 A CN202211367873 A CN 202211367873A CN 115442247 A CN115442247 A CN 115442247A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- detection result
- fault
- preset time
- data
- 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
Images
Classifications
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种采用人工智能数据处理运维箱,该运维箱包括:获取单元,用于获取待处理数据;处理器,用于将第一预设时长内的检测数据输入到预设的故障预测模型中,获得第一故障检测结果;将第二预设时长内的检测数据输入到预设的故障预测模型中,获得第二故障检测结果;将第一预设时长内的检测数据和第二预设时长内的检测数据均输入到预设的故障预测模型中,获得第三故障检测结果;确定第一预设时长第二预设时长之间的时间关系;基于时间关系、第一故障检测结果、第二故障检测结果和第三故障检测结果生成当前故障检测信息,并反馈当前故障检测信息。该运维箱能够提高数据处理结果的准确性。
Description
技术领域
本申请是关于智能运维箱,特别是关于一种采用人工智能数据处理运维箱。
背景技术
智能运维箱,又称之为智能运维监测箱,被广泛应用于各类应用场景中,实现故障检测、故障分析等多种运维服务。智能运维箱拥有数据采集功能、远程控制功能,能够对前端设备进行实时的监测的同时能够精准区分市电、网络、设备故障种类,细化判断故障现象,支持市电异常、市电过压、欠压、非法取电、箱门意外开启等几十种故障现象的检测,箱体内有多种传感器,拥有烟雾、水浸报警。还具有防雨、防尘、耐老化等特点。可有效地提升视频故障运维效率,同时,也使得运维成本得到了极大的降低。
在相关技术中,运维箱在进行故障检测或是故障分析时,通常仅基于当前时间或者一段时间内采集到的监测数据进行处理,以得到分析结果。这种数据处理方式,不能保证最终得到的故障检测结果的准确性。
发明内容
本申请的目的在于提供一种采用人工智能数据处理运维箱,其能够提高运维箱的数据处理结果的准确性。
为实现上述目的,本申请的实施例提供了一种采用人工智能数据处理运维箱,该运维箱包括获取单元,用于获取待处理数据;所述待处理数据包括:第一预设时长内的检测数据和第二预设时长内的检测数据;处理器,用于将所述第一预设时长内的检测数据输入到预设的故障预测模型中,获得第一故障检测结果;将所述第二预设时长内的检测数据输入到所述预设的故障预测模型中,获得第二故障检测结果;将所述第一预设时长内的检测数据和所述第二预设时长内的检测数据均输入到所述预设的故障预测模型中,获得第三故障检测结果;确定所述第一预设时长和所述第二预设时长之间的时间关系;基于所述时间关系、所述第一故障检测结果、所述第二故障检测结果和所述第三故障检测结果生成当前故障检测信息,并反馈所述当前故障检测信息。
在本申请的一个或多个实施方式中,所述预设的故障预测模型的预设过程包括:获取训练数据集;所述训练数据集中包括:多个设备分别对应的检测数据以及多个设备分别对应的故障检测结果;根据所述训练数据集对初始的故障预测模型进行训练,获得训练好的故障预测模型。
在本申请的一个或多个实施方式中,所述第一故障检测结果包括:所述第一预设时长内,多个第一设备的故障检测结果;所述第二故障检测结果包括:所述第二预设时长内,多个第二设备的故障检测结果;所述第三故障检测结果包括:所述第三预设时长内,多个第三设备的故障检测结果;其中,所述多个第一设备中包括至少一个第一目标设备,所述多个第二设备中包括至少一个第二目标设备,所述多个第三设备中包括至少一个第三目标设备,所述第一目标设备在所述多个第二设备中存在相同设备,所述第二目标设备在所述多个第三设备中存在相同设备,所述第三目标设备在所述多个第一设备、所述多个第二设备中均存在相同设备。
在本申请的一个或多个实施方式中,所述处理器进一步用于:若所述第一预设时长大于所述第二预设时长,则确定所述时间关系为第一时间关系;若所述第一预设时长小于所述第二预设时长,则确定所述时间关系为第二时间关系;若所述第一预设时长等于所述第二预设时长,且所述第一预设时长对应的各个时间与所述第二预设时长对应的各个时间之间没有重叠时间,则确定所述时间关系为第三时间关系。
在本申请的一个或多个实施方式中,所述处理器进一步用于:若所述时间关系为所述第一时间关系,判断所述第二目标设备在所述第二故障检测结果中的故障检测结果和在所述第三故障检测结果中的故障检测结果是否相同;若是,则基于所述第一故障检测结果和所述第三故障检测结果生成当前故障检测信息;若否,则基于所述第一故障检测结果和所述第二故障检测结果生成当前故障检测信息。
在本申请的一个或多个实施方式中,所述处理器进一步用于:若所述时间关系为所述第二时间关系,判断所述第一目标设备在所述第一故障检测结果中的故障检测结果和在所述第二故障检测结果中的故障检测结果是否相同;若是,则根据所述第二故障检测结果和所述第三故障检测结果生成当前故障检测信息;若否,则根据所述第一故障检测结果和所述第三故障检测结果生成当前故障检测信息。
在本申请的一个或多个实施方式中,所述处理器进一步用于:若所述时间关系为所述第三时间关系,判断所述第三目标设备在所述第三故障检测结果中的故障检测结果、与在所述第二故障检测结果中的故障检测结果和与在所述第一故障检测结果中的故障检测结果是否均相同;若是,则根据所述第一故障检测结果或者所述第二故障检测结果生成当前故障检测信息;若否,则根据所述第三故障检测结果生成当前故障检测信息。
在本申请的一个或多个实施方式中,获取单元还用于:获取所述当前故障检测信息对应的修正故障检测信息;所述修正故障检测信息中包括:多个设备分别对应的检测数据以及多个设备分别对应的修正故障检测结果;所述处理器还用于:根据所述修正故障检测信息对所述预设的故障预测模型进行优化,获得优化的故障预测模型。
在本申请的一个或多个实施方式中,获取单元还用于:获取所述当前故障检测信息对应的修正故障检测信息;所述修正故障检测信息中包括:多个设备分别对应的检测数据以及多个设备分别对应的修正故障检测结果;从运维箱检测端获取参考故障检测信息和所述参考故障检测信息对应的修正故障检测信息;所述参考故障检测信息中包括:多个设备分别对应的参考检测数据以及多个设备分别对应的参考故障检测结果;所述参考故障检测信息对应的修正故障检测信息包括:多个设备分别对应的参考检测数据以及多个设备分别对应的修正参考故障检测结果;所述处理器进一步用于:根据所述修正故障检测信息、所述参考故障检测信息和所述参考故障检测信息对应的修正故障检测信息对所述预设的故障预测模型进行优化,获得优化的故障预测模型。
与现有技术相比,根据本申请实施方式的采用人工智能数据处理运维箱,结合多个不同的历史时间段内的数据和对应的人工智能处理模型(即故障预测模型)得到多个故障检测结果;再结合这多个故障检测结果确定最终的故障检测结果。其中,考虑到多个不同的历史时间段的时间关系对最终的故障检测结果带来的影响,在结合多个故障检测结果确定最终的故障检测结果时,基于多个历史时间段之间的时间关系对多个故障检测结果进行整合。从而,在考虑到多个历史时间段的监测数据的基础上,还考虑到多个历史时间段之间的时间关系对检测结果的影响,能够提高最终得到的故障检测结果的准确性。因此,该运维箱能够实现提高数据处理结果的准确性。
以及,在多个历史时间段的时长关系已知的情况下,结合多个历史时间段之间的时间重叠关系对多个故障检测结果进行整合,也能够提高最终得到的故障检测结果的准确性。因此,该运维箱能够实现提高数据处理结果的准确性。
附图说明
图1是根据本申请一实施方式的运维箱网络的示例图;
图2是根据本申请一实施方式的人工智能数据处理流程图;
图3是根据本申请又一实施方式的人工智能数据处理流程图;
图4是根据本申请一实施方式的运维箱结构示意图。
具体实施方式
下面结合附图,对本申请的具体实施方式进行详细描述,但应当理解本申请的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
本申请的实施例所提供的采用人工智能数据处理运维箱,可应用于各种涉及到运维箱的应用场景中,例如:交通应用场景、电力运输应用场景等。
在这些应用场景中,通常会配置多个运维箱,这多个运维箱安装在不同位置,用于实现不同范围或者不同区域的运维。
请参考图1,为本申请实施例提供的运维箱网络的示例图,在该运维箱网络100中,包括:多个运维箱101,多个运维箱101之间可以通信连接,也可以不通信连接;以及运维箱监测端102,该运维箱监测端102与多个运维箱101之间分别通信连接。该运维箱监测端102可以理解为智能运维箱云管理平台,其可以采用服务器的硬件表现形式。
在该运维箱网络100中,多个运维箱101分别运行,同时,通过运维箱监测端102实现多个运维箱101的云管理。
以及,多个运维箱101分别负责其管理的多个设备的故障监测,包括故障分析、故障处理等数据处理过程。并且,多个运维箱101在得到相应的数据处理结果之后,还可以将数据处理结果上传到运维箱监测端102,以便于运维箱监测端102的工作人员及时掌握运维箱101所监测到的故障信息。
在本申请的实施例中,运维箱中预先配置人工智能数据处理程序,该数据处理程序可配置在运维箱的控制器或者核心处理器中。在运维箱启动之后,控制器或者核心处理器可自动运行该人工智能数据处理程序,从而实现故障监测。
在一些实施例中,该人工智能数据处理程序可更新、可更改、可下载。
请参考图2,为本申请实施例提供的人工智能数据处理程序对应的流程图,通过运行人工智能数据处理程序,运维箱执行以下步骤:
步骤201,获取待处理数据。
在一些实施例中,待处理数据包括第一预设时长内的检测数据和第二预设时长内的检测数据。第一预设时长,例如:7天内、3天内,或者从第一时间~第二时间内的一段时长;第二预设时长,例如:1天内、5天内,或者从第三时间~第四时间内的一段时长。
在本申请实施例中,第一预设时长与第二预设时长中至少包括一个不相同的时间,从而两个时长不是相同的时长即可。
不管是第一预设时长内的检测数据,还是第二预设时长内的检测数据,其中均可以包括多个设备分别对应的检测数据,例如:设备运行数据、设备监测数据等。这些检测数据按照不同的设备进行区分,例如:设备A对应检测数据A,设备B对应检测数据B等。
步骤202,将第一预设时长内的检测数据输入到预设的故障预测模型中,获得第一故障检测结果。
作为一种可选的实施方式,预设的故障预测模型的预设过程包括:获取训练数据集;训练数据集中包括:多个设备分别对应的检测数据以及多个设备分别对应的故障检测结果;根据训练数据集对初始的故障预测模型进行训练,获得训练好的故障预测模型。
在这种实施方式中,预设的故障预测模型为机器学习模型,该机器学习模型可以利用对应的机器学习算法进行训练,训练好的模型可用于实现故障预测。
在一些实施例中,训练数据集中的检测数据和对应的故障检测结果可以为先验数据,即,预先已经存储在运维箱网络或者运维箱监测端中的数据;或者为用户提供的数据等,在此不作限定。
在一些实施例中,故障预测模型可根据不同的应用场景以及不同的网络模型采用不同的机器学习算法,例如:随机森林算法、反向传播算法等,在此不作限定。
在一些实施例中,为了提高故障预测模型的精度,在故障预测模型的训练过程中,可采用一些相应的实施方式,保证故障预测模型的精度。例如:预设训练次数,在训练次数达到预设训练次数之后,再停止训练。再例如:预设测试数据集,在训练之后,利用测试数据集测试故障预测模型的精度,从而根据测试结果对故障预测模型进行优化训练等。
进而,训练好的故障预测模型可基于设备的检测数据,输出对应的故障预测结果。
步骤203,将第二预设时长内的检测数据输入到预设的故障预测模型中,获得第二故障检测结果。
参照步骤202的实施方式的介绍,在步骤203中,将第二预设时长内的检测数据输入到预设的故障预测模型中之后,故障预测模型可输出对应的第二故障检测结果。
步骤204,将第一预设时长内的检测数据和第二预设时长内的检测数据均输入到预设的故障预测模型中,获得第三故障检测结果。
参照步骤202的实施方式的介绍,在步骤204中,将第一预设时长内的检测数据和第二预设时长内的检测数据均输入到预设的故障预测模型中,故障预测模型可输出对应的第三故障检测结果。
可以理解,在第一预设时长内的检测数据中,假设包括多个第一设备的检测数据,则在第一故障检测结果中,包括多个第一设备的故障检结果;在第二预设时长内的检测数据中,假设包括多个第二设备的检测数据,则在第二故障检测结果中,包括多个第二设备的故障检测结果;在第三预设时长内的检测数据中,假设包括多个第三设备的检测数据,则在第三故障检测结果中,包括多个第三设备的故障检测结果。
那么,第一设备、第二设备、第三设备两两之间均可能存在相同的设备。
在一些实施例中,第一故障检测结果包括:第一预设时长内,多个第一设备的故障检测结果;第二故障检测结果包括:第二预设时长内,多个第二设备的故障检测结果;第三故障检测结果包括:第三预设时长内,多个第三设备的故障检测结果;其中,多个第一设备中包括至少一个第一目标设备,多个第二设备中包括至少一个第二目标设备,多个第三设备中包括至少一个第三目标设备,第一目标设备在多个第二设备中存在相同设备,第二目标设备在多个第三设备中存在相同设备,第三目标设备在多个第一设备、多个第二设备中均存在相同设备。
即,针对第一目标设备来说,其检测数据不仅出现在第一预设时长内的检测数据中,还出现在第二预设时长内的检测数据中。针对第二目标设备来说,其检测数据不仅出现在第二预设时长内的检测数据中,还可能出现在第一预设时长内的检测数据中。针对第三目标设备来说,其检测数据在第一预设时长内的检测数据和第二预设时长内的检测数据中均出现。
步骤205,确定第一预设时长和第二预设时长之间的时间关系。
可以理解,第一预设时长与第二预设时长之间可能有多种时间关系,在不同的时间关系的影响下,第一故障检测结果、第二故障检测结果和第三故障检测结果可采用不同的整合方式。
作为一种可选的实施方式,步骤205包括:若第一预设时长大于第二预设时长,则确定时间关系为第一时间关系;若第一预设时长小于第二预设时长,则确定时间关系为第二时间关系;若第一预设时长等于第二预设时长,且第一预设时长对应的各个时间与第二预设时长对应的各个时间之间没有重叠时间,则确定时间关系为第三时间关系。
在这种实施方式中,第一预设时长大于第二预设时长,则可确定为第一时间关系;第一预设时长小于第二预设时长,则可确定为第二时间关系;第一预设时长等于第二预设时长,且第一预设时长对应的各个时间与第二预设时长对应的各个时间之间没有重叠时间,则可确定时间关系为第三时间关系。
除了这三种时间关系,第一预设时长和第二预设时长之间还可以有其他的时间关系,例如:具有重叠时间,且第一预设时长和第二预设时长相同等,在这些时间关系下,可根据具体的应用场景改变三种故障检测结果的整合方式。
步骤206,基于时间关系、第一故障检测结果、第二故障检测结果和第三故障检测结果生成当前故障检测信息,并反馈当前故障检测信息。
结合前述实施例的介绍,在一些实施例中,步骤206包括:若时间关系为第一时间关系,判断第二目标设备在第二故障检测结果中的故障检测结果和在第三故障检测结果中的故障检测结果是否相同;若是,则基于第一故障检测结果和第三故障检测结果生成当前故障检测信息;若否,则基于第一故障检测结果和第二故障检测结果生成当前故障检测信息。
其中,基于第一故障检测结果和第三故障检测结果生成当前故障检测信息时,针对其中相同的设备,以第三故障检测结果中该设备的故障检测结果作为最终的故障检测结果;针对其中不相同的设备,将这些设备的故障检测结果都列入最终的故障检测结果中。
基于第一故障检测结果和第二故障检测结果生成当前故障检测信息时,针对其中相同的设备,以第二故障检测结果中该设备的故障检测结果作为最终的故障检测结果;针对其中不相同的设备,将这些设备的故障检测结果都列入最终的故障检测结果中。
作为另一种可选的实施方式,步骤206还包括:若时间关系为第二时间关系,判断第一目标设备在第一故障检测结果中的故障检测结果和在第二故障检测结果中的故障检测结果是否相同;若是,则根据第二故障检测结果和第三故障检测结果生成当前故障检测信息;若否,则根据第一故障检测结果和第三故障检测结果生成当前故障检测信息。
其中,基于第二故障检测结果和第三故障检测结果生成当前故障检测信息时,针对其中相同的设备,以第三故障检测结果中该设备的故障检测结果作为最终的故障检测结果;针对其中不相同的设备,将这些设备的故障检测结果都列入最终的故障检测结果中。
基于第一故障检测结果和第三故障检测结果生成当前故障检测信息时,针对其中相同的设备,以第一故障检测结果中该设备的故障检测结果作为最终的故障检测结果;针对其中不相同的设备,将这些设备的故障检测结果都列入最终的故障检测结果中。
作为又一种可选的实施方式,步骤206还包括:若时间关系为第三时间关系,判断第三目标设备在第三故障检测结果中的故障检测结果、与在第二故障检测结果中的故障检测结果和与在第一故障检测结果中的故障检测结果是否均相同;若是,则根据第一故障检测结果或者第二故障检测结果生成当前故障检测信息;若否,则根据第三故障检测结果生成当前故障检测信息。
在一些实施例中,在根据第一故障检测结果或者第二故障检测结果生成当前故障检测信息时,将第一故障检测结果或者第二故障检测结果作为最终的故障检测结果。在根据第三故障检测结果生成当前故障检测信息时,将第三故障检测结果作为最终的故障检测结果。
与现有技术相比,根据本申请实施方式的采用人工智能数据处理运维箱,结合多个不同的历史时间段内的数据和对应的人工智能处理模型(即故障预测模型)得到多个故障检测结果;再结合这多个故障检测结果确定最终的故障检测结果。其中,考虑到多个不同的历史时间段的时间关系对最终的故障检测结果带来的影响,在结合多个故障检测结果确定最终的故障检测结果时,基于多个历史时间段之间的时间关系对多个故障检测结果进行整合。从而,在考虑到多个历史时间段的监测数据的基础上,还考虑到多个历史时间段之间的时间关系对检测结果的影响,能够提高最终得到的故障检测结果的准确性。因此,该运维箱能够实现提高数据处理结果的准确性。
上述的实施方式中,针对两个预设时长情况下,检测结果的整合方式作了介绍。在另一些实施例中,若在三个预设时长情况下,也可以采用对应的整合方式。
因此,请参考图3,为本申请实施例提供的人工智能数据处理程序对应的又一种实施方式,在该实施方式中,运维箱被配置为执行以下步骤:
步骤301,获取待处理数据。
待处理数据包括:第一预设时长内的检测数据、第二预设时长内的检测数据以及第三预设时长内的检测数据。其中,第一预设时长小于第二预设时长,第二预设时长小于第三预设时长。
与前述图2所示的流程不同,在该流程这种,第一预设时长、第二预设时长和第三预设时长之间的时间长短关系已知。
步骤302,将第一预设时长内的检测数据输入到预设的故障预测模型中,获得第一故障检测结果。
步骤303,将第二预设时长内的检测数据输入到预设的故障预测模型中,获得第二故障检测结果。
步骤304,将第三预设时长内的检测数据输入到预设的故障预测模型中,获得第三故障检测结果。
步骤302~步骤304的实施方式可参照前述步骤202的实施方式,在此不作重复介绍。
步骤305,确定第一预设时长、第二预设时长和第三预设时长之间的时间重叠关系。
在一些实施例中,若第一预设时长、第二预设时长以及第三预设时长两两之间均具有重叠时间,则时间重叠关系为第一重叠关系;若第一预设时长与第二预设时长之间具有重叠时间,则时间重叠关系为第二重叠关系;若第二预设时长与第三预设时长之间具有重叠时间,则时间重叠关系为第三重叠关系;若第三预设时长与第一预设时长之间具有重叠时间,则时间重叠关系为第四重叠关系。
步骤306,基于时间重叠关系、第一故障检测结果、第二故障检测结果和第三故障检测结果生成当前故障检测信息,并反馈当前故障检测信息。
作为第一种可选的实施方式,若时间重叠关系为第一重叠关系,针对其中相同的设备,将第一检测结果中该设备的故障检测结果作为最终的故障检测结果。针对其他的设备,将这些设备的故障检测结果整合到最终的故障检测结果中即可。
作为第二种可选的实施方式,若时间重叠关系为第二重叠关系,针对其中相同的设备,将第一检测结果中该设备的故障检测结果作为最终的故障检测结果。针对其他的设备,将该这些设备对应的故障检测结果均整合到最终的故障检测结果中即可。
作为第三种可选的实施方式,若时间重叠关系为第三重叠关系,针对其中相同的设备,将第二检测结果中该设备的故障检测结果作为最终的故障检测结果。针对其他的设备,将该这些设备对应的故障检测结果均整合到最终的故障检测结果中即可。
作为第四种可选的实施方式,若时间重叠关系为第四重叠关系,针对其中相同的设备,将第一检测结果中该设备的故障检测结果作为最终的故障检测结果。针对其他的设备,将该这些设备对应的故障检测结果均整合到最终的故障检测结果中即可。
通过上述实施方式,在多个历史时间段的时长关系已知的情况下,结合多个历史时间段之间的时间重叠关系对多个故障检测结果进行整合,也能够提高最终得到的故障检测结果的准确性。因此,该运维箱能够实现提高数据处理结果的准确性。
不管采用上述的哪一种实施方式,该运维箱还可被配置为:获取当前故障检测信息对应的修正故障检测信息;修正故障检测信息中包括:多个设备分别对应的检测数据以及多个设备分别对应的修正故障检测结果;根据修正故障检测信息对预设的故障预测模型进行优化,获得优化的故障预测模型。
可以理解,反馈当前故障检测信息可以包括:将当前故障检测信息反馈到运维箱监测端,对于运维箱监测端的工作人员来说,在接收到当前故障检测信息之后,会去人工核查实际情况,根据核查结果,可输入修正故障检测信息。修正故障检测信息与当前故障检测信息可能一致,也可能不一致。
而无论是否一致,都可将修正故障检测信息作为预设的故障预测模型的优化训练数据集,对故障预测模型进行再次的优化训练,以实现故障预测模型自适应学习。
在前述实施例中介绍过,运维箱通常具有对应的运维箱网络,在该运维箱网络中,包括多个运维箱,针对这多个运维箱,可能都会发送当前故障检测信息给运维箱监测端。从而,对于运维箱监测端来说,也对应具备多份修正故障检测信息。
基于此,该运维箱还可被配置为:获取当前故障检测信息对应的修正故障检测信息;修正故障检测信息中包括:多个设备分别对应的检测数据以及多个设备分别对应的修正故障检测结果;从运维箱检测端获取参考故障检测信息和参考故障检测信息对应的修正故障检测信息;参考故障检测信息中包括:多个设备分别对应的参考检测数据以及多个设备分别对应的参考故障检测结果;参考故障检测信息对应的修正故障检测信息包括:多个设备分别对应的参考检测数据以及多个设备分别对应的修正参考故障检测结果;根据修正故障检测信息、参考故障检测信息和参考故障检测信息对应的修正故障检测信息对预设的故障预测模型进行优化,获得优化的故障预测模型。
在这种实施方式中,参考故障检测信息可以是来自与当前运维箱相同或者类似的运维箱设备的故障检测信息。
从而,结合修正故障检测信息、参考故障检测信息和参考故障检测信息对应的修正故障检测信息,作为新的训练数据集,对故障预测模型进行优化,以实现故障预测模型的自适应学习。
请参考图4,为本申请实施例提供的运维箱的示例图,该运维箱包括:
获取单元401,用于获取待处理数据;所述待处理数据包括:第一预设时长内的检测数据和第二预设时长内的检测数据。
处理器402,将所述第一预设时长内的检测数据输入到预设的故障预测模型中,获得第一故障检测结果;将所述第二预设时长内的检测数据输入到所述预设的故障预测模型中,获得第二故障检测结果;将所述第一预设时长内的检测数据和所述第二预设时长内的检测数据均输入到所述预设的故障预测模型中,获得第三故障检测结果;确定所述第一预设时长和所述第二预设时长之间的时间关系;基于所述时间关系、所述第一故障检测结果、所述第二故障检测结果和所述第三故障检测结果生成当前故障检测信息,并反馈所述当前故障检测信息。
在本申请的一个或多个实施方式中,获取单元401还用于:获取训练数据集;所述训练数据集中包括:多个设备分别对应的检测数据以及多个设备分别对应的故障检测结果;处理器402还用于:根据所述训练数据集对初始的故障预测模型进行训练,获得训练好的故障预测模型。
在本申请的一个或多个实施方式中,所述第一故障检测结果包括:所述第一预设时长内,多个第一设备的故障检测结果;所述第二故障检测结果包括:所述第二预设时长内,多个第二设备的故障检测结果;所述第三故障检测结果包括:所述第三预设时长内,多个第三设备的故障检测结果;其中,所述多个第一设备中包括至少一个第一目标设备,所述多个第二设备中包括至少一个第二目标设备,所述多个第三设备中包括至少一个第三目标设备,所述第一目标设备在所述多个第二设备中存在相同设备,所述第二目标设备在所述多个第三设备中存在相同设备,所述第三目标设备在所述多个第一设备、所述多个第二设备中均存在相同设备。
在本申请的一个或多个实施方式中,处理器402还用于:若所述第一预设时长大于所述第二预设时长,则确定所述时间关系为第一时间关系;若所述第一预设时长小于所述第二预设时长,则确定所述时间关系为第二时间关系;若所述第一预设时长等于所述第二预设时长,且所述第一预设时长对应的各个时间与所述第二预设时长对应的各个时间之间没有重叠时间,则确定所述时间关系为第三时间关系。
在本申请的一个或多个实施方式中,处理器402还用于:若所述时间关系为所述第一时间关系,判断所述第二目标设备在所述第二故障检测结果中的故障检测结果和在所述第三故障检测结果中的故障检测结果是否相同;若是,则基于所述第一故障检测结果和所述第三故障检测结果生成当前故障检测信息;若否,则基于所述第一故障检测结果和所述第二故障检测结果生成当前故障检测信息。
在本申请的一个或多个实施方式中,处理器402还用于:若所述时间关系为所述第二时间关系,判断所述第一目标设备在所述第一故障检测结果中的故障检测结果和在所述第二故障检测结果中的故障检测结果是否相同;若是,则根据所述第二故障检测结果和所述第三故障检测结果生成当前故障检测信息;若否,则根据所述第一故障检测结果和所述第三故障检测结果生成当前故障检测信息。
在本申请的一个或多个实施方式中,处理器402还用于:若所述时间关系为所述第三时间关系,判断所述第三目标设备在所述第三故障检测结果中的故障检测结果、与在所述第二故障检测结果中的故障检测结果和与在所述第一故障检测结果中的故障检测结果是否均相同;若是,则根据所述第一故障检测结果或者所述第二故障检测结果生成当前故障检测信息;若否,则根据所述第三故障检测结果生成当前故障检测信息。
在本申请的一个或多个实施方式中,获取单元401还用于:获取所述当前故障检测信息对应的修正故障检测信息;所述修正故障检测信息中包括:多个设备分别对应的检测数据以及多个设备分别对应的修正故障检测结果;处理器402还用于:根据所述修正故障检测信息对所述预设的故障预测模型进行优化,获得优化的故障预测模型。
在本申请的一个或多个实施方式中,获取单元401还用于:获取所述当前故障检测信息对应的修正故障检测信息;所述修正故障检测信息中包括:多个设备分别对应的检测数据以及多个设备分别对应的修正故障检测结果;从运维箱检测端获取参考故障检测信息和所述参考故障检测信息对应的修正故障检测信息;所述参考故障检测信息中包括:多个设备分别对应的参考检测数据以及多个设备分别对应的参考故障检测结果;所述参考故障检测信息对应的修正故障检测信息包括:多个设备分别对应的参考检测数据以及多个设备分别对应的修正参考故障检测结果;处理器402还用于:根据所述修正故障检测信息、所述参考故障检测信息和所述参考故障检测信息对应的修正故障检测信息对所述预设的故障预测模型进行优化,获得优化的故障预测模型。
在又一些实施例中,获取单元401用于:获取待处理数据;所述待处理数据包括:第一预设时长内的检测数据、第二预设时长内的检测数据以及第三预设时长内的检测数据;其中,所述第一预设时长小于所述第二预设时长,所述第二预设时长小于所述第三预设时长;处理器402用于:将所述第一预设时长内的检测数据输入到预设的故障预测模型中,获得第一故障检测结果;将所述第二预设时长内的检测数据输入到所述预设的故障预测模型中,获得第二故障检测结果;将所述第三预设时长内的检测数据输入到所述预设的故障预测模型中,获得第三故障检测结果;确定所述第一预设时长、所述第二预设时长和所述第三预设时长之间的时间重叠关系;基于所述时间重叠关系、所述第一故障检测结果、所述第二故障检测结果和所述第三故障检测结果生成当前故障检测信息,并反馈所述当前故障检测信息。
该数据处理装置与前述的图2或者图3中所示的方法步骤对应,各个功能模块与前述的方法的各个步骤也对应,因此,各个功能模块的实施方式参照前述的方法的各个步骤的实施方式,在此不作重复介绍。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本申请的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本申请限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本申请的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本申请的各种不同的示例性实施方案以及各种不同的选择和改变。本申请的范围意在由权利要求书及其等同形式所限定。
Claims (9)
1.一种采用人工智能数据处理运维箱,其特征在于,该运维箱包括:
获取单元,用于获取待处理数据;所述待处理数据包括:第一预设时长内的检测数据和第二预设时长内的检测数据;
处理器,用于:
将所述第一预设时长内的检测数据输入到预设的故障预测模型中,获得第一故障检测结果;
将所述第二预设时长内的检测数据输入到所述预设的故障预测模型中,获得第二故障检测结果;
将所述第一预设时长内的检测数据和所述第二预设时长内的检测数据均输入到所述预设的故障预测模型中,获得第三故障检测结果;
确定所述第一预设时长和所述第二预设时长之间的时间关系;
基于所述时间关系、所述第一故障检测结果、所述第二故障检测结果和所述第三故障检测结果生成当前故障检测信息,并反馈所述当前故障检测信息。
2.根据权利要求1所述的采用人工智能数据处理运维箱,其特征在于,所述预设的故障预测模型的预设过程包括:
获取训练数据集;所述训练数据集中包括:多个设备分别对应的检测数据以及多个设备分别对应的故障检测结果;
根据所述训练数据集对初始的故障预测模型进行训练,获得训练好的故障预测模型。
3.根据权利要求1所述的采用人工智能数据处理运维箱,其特征在于,所述第一故障检测结果包括:所述第一预设时长内,多个第一设备的故障检测结果;所述第二故障检测结果包括:所述第二预设时长内,多个第二设备的故障检测结果;所述第三故障检测结果包括:第三预设时长内,多个第三设备的故障检测结果;
其中,所述多个第一设备中包括至少一个第一目标设备,所述多个第二设备中包括至少一个第二目标设备,所述多个第三设备中包括至少一个第三目标设备,所述第一目标设备在所述多个第二设备中存在相同设备,所述第二目标设备在所述多个第三设备中存在相同设备,所述第三目标设备在所述多个第一设备、所述多个第二设备中均存在相同设备。
4.根据权利要求3所述的采用人工智能数据处理运维箱,其特征在于,所述处理器进一步用于:
若所述第一预设时长大于所述第二预设时长,则确定所述时间关系为第一时间关系;
若所述第一预设时长小于所述第二预设时长,则确定所述时间关系为第二时间关系;
若所述第一预设时长等于所述第二预设时长,且所述第一预设时长对应的各个时间与所述第二预设时长对应的各个时间之间没有重叠时间,则确定所述时间关系为第三时间关系。
5.根据权利要求4所述的采用人工智能数据处理运维箱,其特征在于,所述处理器进一步用于:
若所述时间关系为所述第一时间关系,判断所述第二目标设备在所述第二故障检测结果中的故障检测结果和在所述第三故障检测结果中的故障检测结果是否相同;
若是,则基于所述第一故障检测结果和所述第三故障检测结果生成当前故障检测信息;
若否,则基于所述第一故障检测结果和所述第二故障检测结果生成当前故障检测信息。
6.根据权利要求4所述的采用人工智能数据处理运维箱,其特征在于,所述处理器进一步用于:
若所述时间关系为所述第二时间关系,判断所述第一目标设备在所述第一故障检测结果中的故障检测结果和在所述第二故障检测结果中的故障检测结果是否相同;
若是,则根据所述第二故障检测结果和所述第三故障检测结果生成当前故障检测信息;
若否,则根据所述第一故障检测结果和所述第三故障检测结果生成当前故障检测信息。
7.根据权利要求4所述的采用人工智能数据处理运维箱,其特征在于,所述处理器进一步用于:
若所述时间关系为所述第三时间关系,判断所述第三目标设备在所述第三故障检测结果中的故障检测结果、与在所述第二故障检测结果中的故障检测结果和与在所述第一故障检测结果中的故障检测结果是否均相同;
若是,则根据所述第一故障检测结果或者所述第二故障检测结果生成当前故障检测信息;
若否,则根据所述第三故障检测结果生成当前故障检测信息。
8.根据权利要求1所述的采用人工智能数据处理运维箱,其特征在于,
所述获取单元还用于:获取所述当前故障检测信息对应的修正故障检测信息;所述修正故障检测信息中包括:多个设备分别对应的检测数据以及多个设备分别对应的修正故障检测结果;
所述处理器还用于:根据所述修正故障检测信息对所述预设的故障预测模型进行优化,获得优化的故障预测模型。
9.根据权利要求1所述的采用人工智能数据处理运维箱,其特征在于,
所述获取单元还用于:获取所述当前故障检测信息对应的修正故障检测信息;所述修正故障检测信息中包括:多个设备分别对应的检测数据以及多个设备分别对应的修正故障检测结果;
从运维箱检测端获取参考故障检测信息和所述参考故障检测信息对应的修正故障检测信息;所述参考故障检测信息中包括:多个设备分别对应的参考检测数据以及多个设备分别对应的参考故障检测结果;所述参考故障检测信息对应的修正故障检测信息包括:多个设备分别对应的参考检测数据以及多个设备分别对应的修正参考故障检测结果;
所述处理器还用于:根据所述修正故障检测信息、所述参考故障检测信息和所述参考故障检测信息对应的修正故障检测信息对所述预设的故障预测模型进行优化,获得优化的故障预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367873.7A CN115442247B (zh) | 2022-11-03 | 2022-11-03 | 一种采用人工智能数据处理运维箱 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367873.7A CN115442247B (zh) | 2022-11-03 | 2022-11-03 | 一种采用人工智能数据处理运维箱 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115442247A true CN115442247A (zh) | 2022-12-06 |
CN115442247B CN115442247B (zh) | 2023-03-24 |
Family
ID=84253095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211367873.7A Active CN115442247B (zh) | 2022-11-03 | 2022-11-03 | 一种采用人工智能数据处理运维箱 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115442247B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0305596D0 (en) * | 2003-03-12 | 2003-04-16 | Sharp Kk | Fault detection in data processing apparatus |
CN102158360A (zh) * | 2011-04-01 | 2011-08-17 | 华中科技大学 | 一种基于时间因子因果关系定位的网络故障自诊断方法 |
US20180219889A1 (en) * | 2017-01-31 | 2018-08-02 | Splunk Inc. | Anomaly detection based on relationships between multiple time series |
CN110008979A (zh) * | 2018-12-13 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 异常数据预测方法、装置、电子设备及计算机存储介质 |
US20200167640A1 (en) * | 2018-11-27 | 2020-05-28 | The Boeing Company | System and method for generating an aircraft fault prediction classifier |
CN114116390A (zh) * | 2021-11-24 | 2022-03-01 | 天翼数字生活科技有限公司 | 一种故障预测方法、装置、设备及可读存储介质 |
WO2022156986A1 (en) * | 2021-01-19 | 2022-07-28 | British Telecommunications Public Limited Company | Anomalous network behaviour identification |
CN115185755A (zh) * | 2022-07-18 | 2022-10-14 | 支付宝(杭州)信息技术有限公司 | 一种异常检测方法、装置、存储介质及电子设备 |
CN115210666A (zh) * | 2020-03-04 | 2022-10-18 | 佳能株式会社 | 信息处理装置、监视方法、程序和物品制造方法 |
-
2022
- 2022-11-03 CN CN202211367873.7A patent/CN115442247B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0305596D0 (en) * | 2003-03-12 | 2003-04-16 | Sharp Kk | Fault detection in data processing apparatus |
CN102158360A (zh) * | 2011-04-01 | 2011-08-17 | 华中科技大学 | 一种基于时间因子因果关系定位的网络故障自诊断方法 |
US20180219889A1 (en) * | 2017-01-31 | 2018-08-02 | Splunk Inc. | Anomaly detection based on relationships between multiple time series |
US20200167640A1 (en) * | 2018-11-27 | 2020-05-28 | The Boeing Company | System and method for generating an aircraft fault prediction classifier |
CN110008979A (zh) * | 2018-12-13 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 异常数据预测方法、装置、电子设备及计算机存储介质 |
CN115210666A (zh) * | 2020-03-04 | 2022-10-18 | 佳能株式会社 | 信息处理装置、监视方法、程序和物品制造方法 |
WO2022156986A1 (en) * | 2021-01-19 | 2022-07-28 | British Telecommunications Public Limited Company | Anomalous network behaviour identification |
CN114116390A (zh) * | 2021-11-24 | 2022-03-01 | 天翼数字生活科技有限公司 | 一种故障预测方法、装置、设备及可读存储介质 |
CN115185755A (zh) * | 2022-07-18 | 2022-10-14 | 支付宝(杭州)信息技术有限公司 | 一种异常检测方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115442247B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077172A (zh) | 一种设备状态趋势分析及故障诊断方法 | |
WO2020140128A8 (en) | Scalable system and method for forecasting wind turbine failure with varying lead time windows | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN106685676B (zh) | 一种节点切换方法及装置 | |
CN111723646B (zh) | 一种远程辅助维护设备的方法和装置 | |
CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
US11262276B2 (en) | Monitoring system | |
CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN109005162B (zh) | 工控系统安全审计方法及装置 | |
CN106776243B (zh) | 一种针对监控软件的监控方法及装置 | |
CN108306997B (zh) | 域名解析监控方法及装置 | |
CN115878598A (zh) | 监控数据处理方法、电子设备及存储介质 | |
CN115577151A (zh) | 一种车辆故障实时诊断方法、装置、电子设备及存储介质 | |
CN115277229A (zh) | 一种网络安全态势感知方法及系统 | |
CN115442247B (zh) | 一种采用人工智能数据处理运维箱 | |
CN117725792A (zh) | 基于时间序列和模型修正的建筑安全监测预警方法 | |
CN113156254A (zh) | 网点设备电压状态监测方法及系统 | |
CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
CN116435995A (zh) | 时间序列的处理方法、计算机可读存储介质和电子设备 | |
CN116566839A (zh) | 一种电力企业通信资源质量评估系统 | |
CN115712834A (zh) | 一种告警误报检测方法、装置、设备及存储介质 | |
CN113541126A (zh) | 适用于验证高级算法的配电网仿真系统及算法验证方法 | |
CN112804104A (zh) | 一种预警方法、装置、设备及介质 | |
CN109995547B (zh) | 一种故障诊断方法及设备 | |
CN117633632B (zh) | 一种基于bim的建筑智能化消防预警方法及系统 |
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 |