CN115865630A - 基于深度学习的网络设备故障诊断方法及系统 - Google Patents
基于深度学习的网络设备故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115865630A CN115865630A CN202310173988.0A CN202310173988A CN115865630A CN 115865630 A CN115865630 A CN 115865630A CN 202310173988 A CN202310173988 A CN 202310173988A CN 115865630 A CN115865630 A CN 115865630A
- Authority
- CN
- China
- Prior art keywords
- data
- deep
- model
- fault
- classification
- 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
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明实施例涉及故障诊断技术领域,具体公开了基于深度学习的网络设备故障诊断方法及系统。本发明实施例通过获取设备实测数据和预设的深度学习网络,构建深层次模型;获取训练数据,根据深层次模型,学习数据中的深层次特征,得到特征数据;进行多层次的分类处理,得到特征分类数据;对特征分类数据进行特征排列,生成排列信息,综合排列信息和特征分类数据,构建故障诊断模型;进行故障监测,存在网络设备故障时,按照故障诊断模型进行故障诊断,得到故障诊断结果。能够利用大量设备实测数据训练深度学习网络,通过构建深层次模型,结合大量的训练数据,来学习数据中隐含的特征,并进行分类处理与特征排列,构建故障诊断模型进行故障诊断。
Description
技术领域
本发明属于故障诊断技术领域,尤其涉及基于深度学习的网络设备故障诊断方法及系统。
背景技术
对网络设备建立可靠的健康管理系统是保证它们安全运行的必要措施。随着网络设备相关技术的发展,被监测的设备规模大,监测时间长,且每个监测点的采样频率较高,使得整个监测系统获得的是海量数据,因此,对设备的故障诊断和健康管理也进入了“大数据”时代。
现有技术中,故障诊断方法通常采用“信号处理的特征提取+机器学习模型”的形式,在特征提取方面,其不足之处在于需要大量的工程实践和信号处理技术来提取故障信息,且在模型训练方面,当前的浅层的模型无法解决数据量日益变大的设备故障问题,从现有的需求侧来看,模型的监测和故障诊断能力均具有明显的不足。
发明内容
本发明实施例的目的在于提供基于深度学习的网络设备故障诊断方法及系统,旨在解决背景技术中提出的问题。
为实现上述目的,本发明实施例提供如下技术方案:
基于深度学习的网络设备故障诊断方法,所述方法具体包括以下步骤:
获取设备实测数据和预设的深度学习网络,构建深层次模型;
获取训练数据,根据所述深层次模型,学习数据中的深层次特征,得到特征数据;
对所述特征数据进行多层次的分类处理,得到特征分类数据;
对所述特征分类数据进行特征排列,生成排列信息,综合所述排列信息和所述特征分类数据,构建故障诊断模型;
进行故障监测,在存在网络设备故障时,按照所述故障诊断模型进行故障诊断,得到故障诊断结果。
作为本发明实施例技术方案进一步的限定,所述获取设备实测数据和预设的深度学习网络,构建深层次模型具体包括以下步骤:
获取设备实测数据;
对所述设备实测数据进行分析,提取实用实测数据;
获取预设的深度学习网络;
按照所述实用实测数据训练所述深度学习网络,构建深层次模型。
作为本发明实施例技术方案进一步的限定,所述获取训练数据,根据所述深层次模型,学习数据中的深层次特征,得到特征数据具体包括以下步骤:
获取训练数据;
将所述训练数据导入至所述深层次模型中;
根据所述深层次模型,学习数据中的深层次特征;
将多个所述深层次特征进行整理,得到特征数据。
作为本发明实施例技术方案进一步的限定,所述对所述特征数据进行多层次的分类处理,得到特征分类数据具体包括以下步骤:
对所述特征数据进行多层次的分类分析,生成分类分析结果;
按照所述分类分析结果,对所述特征数据进行多层次的分类处理,得到特征分类数据。
作为本发明实施例技术方案进一步的限定,所述对所述特征分类数据进行特征排列,生成排列信息,综合所述排列信息和所述特征分类数据,构建故障诊断模型具体包括以下步骤:
对所述特征分类数据进行特征排列,生成排列信息;
按照所述特征分类数据,构建基础诊断模型;
通过所述排列信息,对所述基础诊断模型进行诊断顺序优化,得到故障诊断模型。
作为本发明实施例技术方案进一步的限定,所述进行故障监测,在存在网络设备故障时,按照所述故障诊断模型进行故障诊断,得到故障诊断结果具体包括以下步骤:
进行故障监测,生成故障监测数据;
对所述故障监测数据进行分析,判断是否存在网络设备故障;
在存在网络设备故障时,提取对应的故障数据;
将所述故障数据导入所述故障诊断模型中进行故障诊断,得到故障诊断结果。
基于深度学习的网络设备故障诊断系统,所述系统包括深层次模型构建单元、数据特征学习单元、特征分类处理单元、诊断模型构建单元和故障监测诊断单元,其中:
深层次模型构建单元,用于获取设备实测数据和预设的深度学习网络,构建深层次模型;
数据特征学习单元,用于获取训练数据,根据所述深层次模型,学习数据中的深层次特征,得到特征数据;
特征分类处理单元,用于对所述特征数据进行多层次的分类处理,得到特征分类数据;
诊断模型构建单元,用于对所述特征分类数据进行特征排列,生成排列信息,综合所述排列信息和所述特征分类数据,构建故障诊断模型;
故障监测诊断单元,用于进行故障监测,在存在网络设备故障时,按照所述故障诊断模型进行故障诊断,得到故障诊断结果。
作为本发明实施例技术方案进一步的限定,所述深层次模型构建单元具体包括:
实测数据获取模块,用于获取设备实测数据;
分析提取模块,用于对所述设备实测数据进行分析,提取实用实测数据;
学习网络获取模块,用于获取预设的深度学习网络;
模型构建模块,用于按照所述实用实测数据训练所述深度学习网络,构建深层次模型。
作为本发明实施例技术方案进一步的限定,所述数据特征学习单元具体包括:
训练数据获取模块,用于获取训练数据;
数据导入模块,用于将所述训练数据导入至所述深层次模型中;
特征学习模块,用于根据所述深层次模型,学习数据中的深层次特征;
特征整理模块,用于将多个所述深层次特征进行整理,得到特征数据。
作为本发明实施例技术方案进一步的限定,所述特征分类处理单元具体包括:
分类分析模块,用于对所述特征数据进行多层次的分类分析,生成分类分析结果;
分类处理模块,用于按照所述分类分析结果,对所述特征数据进行多层次的分类处理,得到特征分类数据。
与现有技术相比,本发明的有益效果是:
本发明实施例通过获取设备实测数据和预设的深度学习网络,构建深层次模型;获取训练数据,根据深层次模型,学习数据中的深层次特征,得到特征数据;进行多层次的分类处理,得到特征分类数据;对特征分类数据进行特征排列,生成排列信息,综合排列信息和特征分类数据,构建故障诊断模型;进行故障监测,存在网络设备故障时,按照故障诊断模型进行故障诊断,得到故障诊断结果。能够利用大量设备实测数据训练深度学习网络,通过构建深层次模型,结合大量的训练数据,来学习数据中隐含的特征,并进行分类处理与特征排列,构建故障诊断模型进行故障诊断。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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。
图1示出了本发明实施例提供的方法的流程图。
图2示出了本发明实施例提供的方法中构建深层次模型的流程图。
图3示出了本发明实施例提供的方法中学习数据的深层次特征的流程图。
图4示出了本发明实施例提供的方法中特征数据分类处理的流程图。
图5示出了本发明实施例提供的方法中构建故障诊断模型的流程图。
图6示出了本发明实施例提供的方法中诊断模型故障诊断的流程图。
图7示出了本发明实施例提供的系统的应用架构图。
图8示出了本发明实施例提供的系统中深层次模型构建单元的结构框图。
图9示出了本发明实施例提供的系统中数据特征学习单元的结构框图。
图10示出了本发明实施例提供的系统中特征分类处理单元的结构框图。
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仅用以解释本发明,并不用于限定本发明。
可以理解的是,在现有技术中,故障诊断方法通常采用“信号处理的特征提取+机器学习模型”的形式,在特征提取方面,其不足之处在于需要大量的工程实践和信号处理技术来提取故障信息,且在模型训练方面,当前的浅层的模型无法解决数据量日益变大的设备故障问题,从现有的需求侧来看,模型的监测和故障诊断能力均具有明显的不足。
为解决上述问题,本发明实施例通过获取设备实测数据和预设的深度学习网络,构建深层次模型;获取训练数据,根据深层次模型,学习数据中的深层次特征,得到特征数据;进行多层次的分类处理,得到特征分类数据;对特征分类数据进行特征排列,生成排列信息,综合排列信息和特征分类数据,构建故障诊断模型;进行故障监测,存在网络设备故障时,按照故障诊断模型进行故障诊断,得到故障诊断结果。能够利用大量设备实测数据训练深度学习网络,通过构建深层次模型,结合大量的训练数据,来学习数据中隐含的特征,并进行分类处理与特征排列,构建故障诊断模型进行故障诊断。
图1示出了本发明实施例提供的方法的流程图。
具体的,基于深度学习的网络设备故障诊断方法,所述方法具体包括以下步骤:
步骤S101,获取设备实测数据和预设的深度学习网络,构建深层次模型。
在本发明实施例中,在网络设备的使用过程中,进行设备相关数据的实时监测,并将监测获取的数据进行整理,得到设备实测数据,进而通过对设备实测数据进行分析,识别设备实测数据中对网络设备运行无关的数据,并将这些对网络设备运行无关的数据进行剔除处理,从而得到实用实测数据,且获取预设的深度学习网络,将实用实测数据与其对应的设备状态构建为多个输入输出对,进而将多个输入输出对按照一定的比例划分为训练集和测试集,通过训练集和测试集对深度学习网络进行训练与测试,构建深层次模型。
具体的,图2示出了本发明实施例提供的方法中构建深层次模型的流程图。
其中,在本发明提供的优选实施方式中,所述获取设备实测数据和预设的深度学习网络,构建深层次模型具体包括以下步骤:
步骤S1011,获取设备实测数据。
步骤S1012,对所述设备实测数据进行分析,提取实用实测数据。
步骤S1013,获取预设的深度学习网络。
步骤S1014,按照所述实用实测数据训练所述深度学习网络,构建深层次模型。
进一步的,所述基于深度学习的网络设备故障诊断方法还包括以下步骤:
步骤S102,获取训练数据,根据所述深层次模型,学习数据中的深层次特征,得到特征数据。
在本发明实施例中,通过获取训练数据,将训练数据导入至深层次模型中,通过深层次模型对训练数据进行隐含特征的学习与分析,导出对应的多个深层次特征,再通过对多个深层次特征进行整理,得到特征数据。
具体的,图3示出了本发明实施例提供的方法中学习数据的深层次特征的流程图。
其中,在本发明提供的优选实施方式中,所述获取训练数据,根据所述深层次模型,学习数据中的深层次特征,得到特征数据具体包括以下步骤:
步骤S1021,获取训练数据。
步骤S1022,将所述训练数据导入至所述深层次模型中。
步骤S1023,根据所述深层次模型,学习数据中的深层次特征。
步骤S1024,将多个所述深层次特征进行整理,得到特征数据。
进一步的,所述基于深度学习的网络设备故障诊断方法还包括以下步骤:
步骤S103,对所述特征数据进行多层次的分类处理,得到特征分类数据。
在本发明实施例中,通过对特征数据进行多层次的分类分析,将特征数据划分为网络链路、配置文件与选项、网络协议的多个类型,生成分类分析结果,进而按照分类分析结果,对特征数据进行网络链路、配置文件与选项、网络协议的多个类型的分类处理,得到与网络链路、配置文件与选项、网络协议对应的特征分类数据。
具体的,图4示出了本发明实施例提供的方法中特征数据分类处理的流程图。
其中,在本发明提供的优选实施方式中,所述对所述特征数据进行多层次的分类处理,得到特征分类数据具体包括以下步骤:
步骤S1031,对所述特征数据进行多层次的分类分析,生成分类分析结果。
步骤S1032,按照所述分类分析结果,对所述特征数据进行多层次的分类处理,得到特征分类数据。
进一步的,所述基于深度学习的网络设备故障诊断方法还包括以下步骤:
步骤S104,对所述特征分类数据进行特征排列,生成排列信息,综合所述排列信息和所述特征分类数据,构建故障诊断模型。
在本发明实施例中,以网络链路的类型为第一、配置文件与选项的类型为第二、网络协议的类型为第三,进行特征排列分析,生成排列信息,且按照特征分类数据构建多个对应的输入输出对,进而按照一定的比例划分为训练集和测试集,通过模型的训练与测试,构建基础诊断模型,进而按照排列信息,对基础诊断模型进行诊断顺序优化,得到故障诊断模型。
具体的,图5示出了本发明实施例提供的方法中构建故障诊断模型的流程图。
其中,在本发明提供的优选实施方式中,所述对所述特征分类数据进行特征排列,生成排列信息,综合所述排列信息和所述特征分类数据,构建故障诊断模型具体包括以下步骤:
步骤S1041,对所述特征分类数据进行特征排列,生成排列信息。
步骤S1042,按照所述特征分类数据,构建基础诊断模型。
步骤S1043,通过所述排列信息,对所述基础诊断模型进行诊断顺序优化,得到故障诊断模型。
进一步的,所述基于深度学习的网络设备故障诊断方法还包括以下步骤:
步骤S105,进行故障监测,在存在网络设备故障时,按照所述故障诊断模型进行故障诊断,得到故障诊断结果。
在本发明实施例中,进行故障监测,生成故障监测数据,通过对故障监测数据进行分析,判断是否存在网络设备故障,在存在网络设备故障时,从故障监测数据中提取对应的故障数据,将故障数据导入故障诊断模型中,故障诊断模型按照网络链路、配置文件与选项、网络协议的排列顺序,进行故障诊断分析,得到故障诊断结果。
可以理解的是,网络设备的故障发生后,首先进行网络链路的故障诊断,链路的问题通常是由网卡、跳线、信息插座、网线、交换机等设备和通信介质引起的,网络设备中任何一个网络部件的损坏,都会导致网络连接的中断;所有的交换机和路由器都有配置文件,所有的服务器、计算机都有配置选项,网络设备中的配置文件和配置选项设置不当,也会导致网络故障,因此需要在网络链路的排查之后,进行配置文件与选项的故障诊断;网络协议的配置在网络中居于举足轻重的地位,决定着网络能否正常运行,网络协议的含义非常广泛,既包括交换机的路由执行的网络协议,也包括计算机和路由器执行的网络协议,任何一个协议配置不当,都有可能导致网络设备出现网络故障,因此需要在配置文件与选项的排查之后,进行网络协议的故障诊断。
具体的,图6示出了本发明实施例提供的方法中诊断模型故障诊断的流程图。
其中,在本发明提供的优选实施方式中,所述进行故障监测,在存在网络设备故障时,按照所述故障诊断模型进行故障诊断,得到故障诊断结果具体包括以下步骤:
步骤S1051,进行故障监测,生成故障监测数据。
步骤S1052,对所述故障监测数据进行分析,判断是否存在网络设备故障。
步骤S1053,在存在网络设备故障时,提取对应的故障数据。
步骤S1054,将所述故障数据导入所述故障诊断模型中进行故障诊断,得到故障诊断结果。
进一步的,图7示出了本发明实施例提供的系统的应用架构图。
其中,在本发明提供的又一个优选实施方式中,基于深度学习的网络设备故障诊断系统,包括:
深层次模型构建单元101,用于获取设备实测数据和预设的深度学习网络,构建深层次模型。
在本发明实施例中,深层次模型构建单元101在网络设备的使用过程中,进行设备相关数据的实时监测,并将监测获取的数据进行整理,得到设备实测数据,进而通过对设备实测数据进行分析,识别设备实测数据中对网络设备运行无关的数据,并将这些对网络设备运行无关的数据进行剔除处理,从而得到实用实测数据,且获取预设的深度学习网络,将实用实测数据与其对应的设备状态构建为多个输入输出对,进而将多个输入输出对按照一定的比例划分为训练集和测试集,通过训练集和测试集对深度学习网络进行训练与测试,构建深层次模型。
具体的,图8示出了本发明实施例提供的系统中深层次模型构建单元101的结构框图。
其中,在本发明提供的优选实施方式中,所述深层次模型构建单元101具体包括:
实测数据获取模块1011,用于获取设备实测数据。
分析提取模块1012,用于对所述设备实测数据进行分析,提取实用实测数据。
学习网络获取模块1013,用于获取预设的深度学习网络。
模型构建模块1014,用于按照所述实用实测数据训练所述深度学习网络,构建深层次模型。
进一步的,所述基于深度学习的网络设备故障诊断系统还包括:
数据特征学习单元102,用于获取训练数据,根据所述深层次模型,学习数据中的深层次特征,得到特征数据。
在本发明实施例中,数据特征学习单元102通过获取训练数据,将训练数据导入至深层次模型中,通过深层次模型对训练数据进行隐含特征的学习与分析,导出对应的多个深层次特征,再通过对多个深层次特征进行整理,得到特征数据。
具体的,图9示出了本发明实施例提供的系统中数据特征学习单元102的结构框图。
其中,在本发明提供的优选实施方式中,所述数据特征学习单元102具体包括:
训练数据获取模块1021,用于获取训练数据。
数据导入模块1022,用于将所述训练数据导入至所述深层次模型中。
特征学习模块1023,用于根据所述深层次模型,学习数据中的深层次特征。
特征整理模块1024,用于将多个所述深层次特征进行整理,得到特征数据。
进一步的,所述基于深度学习的网络设备故障诊断系统还包括:
特征分类处理单元103,用于对所述特征数据进行多层次的分类处理,得到特征分类数据。
在本发明实施例中,特征分类处理单元103通过对特征数据进行多层次的分类分析,将特征数据划分为网络链路、配置文件与选项、网络协议的多个类型,生成分类分析结果,进而按照分类分析结果,对特征数据进行网络链路、配置文件与选项、网络协议的多个类型的分类处理,得到与网络链路、配置文件与选项、网络协议对应的特征分类数据。
具体的,图10示出了本发明实施例提供的系统中特征分类处理单元103的结构框图。
其中,在本发明提供的优选实施方式中,所述特征分类处理单元103具体包括:
分类分析模块1031,用于对所述特征数据进行多层次的分类分析,生成分类分析结果。
分类处理模块1032,用于按照所述分类分析结果,对所述特征数据进行多层次的分类处理,得到特征分类数据。
进一步的,所述基于深度学习的网络设备故障诊断系统还包括:
诊断模型构建单元104,用于对所述特征分类数据进行特征排列,生成排列信息,综合所述排列信息和所述特征分类数据,构建故障诊断模型。
在本发明实施例中,诊断模型构建单元104以网络链路的类型为第一、配置文件与选项的类型为第二、网络协议的类型为第三,进行特征排列分析,生成排列信息,且诊断模型构建单元104按照特征分类数据构建多个对应的输入输出对,进而按照一定的比例划分为训练集和测试集,通过模型的训练与测试,构建基础诊断模型,进而按照排列信息,对基础诊断模型进行诊断顺序优化,得到故障诊断模型。
故障监测诊断单元105,用于进行故障监测,在存在网络设备故障时,按照所述故障诊断模型进行故障诊断,得到故障诊断结果。
在本发明实施例中,故障监测诊断单元105进行故障监测,生成故障监测数据,通过对故障监测数据进行分析,判断是否存在网络设备故障,在存在网络设备故障时,从故障监测数据中提取对应的故障数据,将故障数据导入故障诊断模型中,故障诊断模型按照网络链路、配置文件与选项、网络协议的排列顺序,进行故障诊断分析,得到故障诊断结果。
应该理解的是,虽然本发明各实施例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,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述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发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
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。
Claims (10)
1.基于深度学习的网络设备故障诊断方法,其特征在于,所述方法具体包括以下步骤:
获取设备实测数据和预设的深度学习网络,构建深层次模型;
获取训练数据,根据所述深层次模型,学习数据中的深层次特征,得到特征数据;
对所述特征数据进行多层次的分类处理,得到特征分类数据;
对所述特征分类数据进行特征排列,生成排列信息,综合所述排列信息和所述特征分类数据,构建故障诊断模型;
进行故障监测,在存在网络设备故障时,按照所述故障诊断模型进行故障诊断,得到故障诊断结果。
2.根据权利要求1所述的基于深度学习的网络设备故障诊断方法,其特征在于,所述获取设备实测数据和预设的深度学习网络,构建深层次模型具体包括以下步骤:
获取设备实测数据;
对所述设备实测数据进行分析,提取实用实测数据;
获取预设的深度学习网络;
按照所述实用实测数据训练所述深度学习网络,构建深层次模型。
3.根据权利要求1所述的基于深度学习的网络设备故障诊断方法,其特征在于,所述获取训练数据,根据所述深层次模型,学习数据中的深层次特征,得到特征数据具体包括以下步骤:
获取训练数据;
将所述训练数据导入至所述深层次模型中;
根据所述深层次模型,学习数据中的深层次特征;
将多个所述深层次特征进行整理,得到特征数据。
4.根据权利要求1所述的基于深度学习的网络设备故障诊断方法,其特征在于,所述对所述特征数据进行多层次的分类处理,得到特征分类数据具体包括以下步骤:
对所述特征数据进行多层次的分类分析,生成分类分析结果;
按照所述分类分析结果,对所述特征数据进行多层次的分类处理,得到特征分类数据。
5.根据权利要求1所述的基于深度学习的网络设备故障诊断方法,其特征在于,所述对所述特征分类数据进行特征排列,生成排列信息,综合所述排列信息和所述特征分类数据,构建故障诊断模型具体包括以下步骤:
对所述特征分类数据进行特征排列,生成排列信息;
按照所述特征分类数据,构建基础诊断模型;
通过所述排列信息,对所述基础诊断模型进行诊断顺序优化,得到故障诊断模型。
6.根据权利要求1所述的基于深度学习的网络设备故障诊断方法,其特征在于,所述进行故障监测,在存在网络设备故障时,按照所述故障诊断模型进行故障诊断,得到故障诊断结果具体包括以下步骤:
进行故障监测,生成故障监测数据;
对所述故障监测数据进行分析,判断是否存在网络设备故障;
在存在网络设备故障时,提取对应的故障数据;
将所述故障数据导入所述故障诊断模型中进行故障诊断,得到故障诊断结果。
7.基于深度学习的网络设备故障诊断系统,其特征在于,所述系统包括深层次模型构建单元、数据特征学习单元、特征分类处理单元、诊断模型构建单元和故障监测诊断单元,其中:
深层次模型构建单元,用于获取设备实测数据和预设的深度学习网络,构建深层次模型;
数据特征学习单元,用于获取训练数据,根据所述深层次模型,学习数据中的深层次特征,得到特征数据;
特征分类处理单元,用于对所述特征数据进行多层次的分类处理,得到特征分类数据;
诊断模型构建单元,用于对所述特征分类数据进行特征排列,生成排列信息,综合所述排列信息和所述特征分类数据,构建故障诊断模型;
故障监测诊断单元,用于进行故障监测,在存在网络设备故障时,按照所述故障诊断模型进行故障诊断,得到故障诊断结果。
8.根据权利要求7所述的基于深度学习的网络设备故障诊断系统,其特征在于,所述深层次模型构建单元具体包括:
实测数据获取模块,用于获取设备实测数据;
分析提取模块,用于对所述设备实测数据进行分析,提取实用实测数据;
学习网络获取模块,用于获取预设的深度学习网络;
模型构建模块,用于按照所述实用实测数据训练所述深度学习网络,构建深层次模型。
9.根据权利要求7所述的基于深度学习的网络设备故障诊断系统,其特征在于,所述数据特征学习单元具体包括:
训练数据获取模块,用于获取训练数据;
数据导入模块,用于将所述训练数据导入至所述深层次模型中;
特征学习模块,用于根据所述深层次模型,学习数据中的深层次特征;
特征整理模块,用于将多个所述深层次特征进行整理,得到特征数据。
10.根据权利要求7所述的基于深度学习的网络设备故障诊断系统,其特征在于,所述特征分类处理单元具体包括:
分类分析模块,用于对所述特征数据进行多层次的分类分析,生成分类分析结果;
分类处理模块,用于按照所述分类分析结果,对所述特征数据进行多层次的分类处理,得到特征分类数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173988.0A CN115865630B (zh) | 2023-02-28 | 2023-02-28 | 基于深度学习的网络设备故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173988.0A CN115865630B (zh) | 2023-02-28 | 2023-02-28 | 基于深度学习的网络设备故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115865630A true CN115865630A (zh) | 2023-03-28 |
CN115865630B CN115865630B (zh) | 2023-05-16 |
Family
ID=85659254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310173988.0A Active CN115865630B (zh) | 2023-02-28 | 2023-02-28 | 基于深度学习的网络设备故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115865630B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232577A (zh) * | 2023-09-18 | 2023-12-15 | 杭州奥克光电设备有限公司 | 一种光缆交接箱承载内部监测方法、系统和光缆交接箱 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
CN111682960A (zh) * | 2020-05-14 | 2020-09-18 | 深圳市有方科技股份有限公司 | 一种物联网网络及设备的故障诊断方法及装置 |
CN112906892A (zh) * | 2021-03-08 | 2021-06-04 | 南京航空航天大学 | 一种基于深度学习与知识图谱的设备故障智能诊断方法 |
CN113449015A (zh) * | 2021-06-28 | 2021-09-28 | 国网北京市电力公司 | 电网故障处理方法、装置及电子设备 |
CN113869339A (zh) * | 2021-05-18 | 2021-12-31 | 华能沁北发电有限责任公司 | 用于故障诊断的深度学习分类模型及故障诊断方法 |
CN114330138A (zh) * | 2021-12-31 | 2022-04-12 | 北京智能建筑科技有限公司 | 故障诊断方法、其装置及电子设备 |
-
2023
- 2023-02-28 CN CN202310173988.0A patent/CN115865630B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
CN111682960A (zh) * | 2020-05-14 | 2020-09-18 | 深圳市有方科技股份有限公司 | 一种物联网网络及设备的故障诊断方法及装置 |
CN112906892A (zh) * | 2021-03-08 | 2021-06-04 | 南京航空航天大学 | 一种基于深度学习与知识图谱的设备故障智能诊断方法 |
CN113869339A (zh) * | 2021-05-18 | 2021-12-31 | 华能沁北发电有限责任公司 | 用于故障诊断的深度学习分类模型及故障诊断方法 |
CN113449015A (zh) * | 2021-06-28 | 2021-09-28 | 国网北京市电力公司 | 电网故障处理方法、装置及电子设备 |
CN114330138A (zh) * | 2021-12-31 | 2022-04-12 | 北京智能建筑科技有限公司 | 故障诊断方法、其装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
张健鹏;张东生;钟华;刘欢;张艳婷;: "基于深度学习理论的机电设备故障诊断方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232577A (zh) * | 2023-09-18 | 2023-12-15 | 杭州奥克光电设备有限公司 | 一种光缆交接箱承载内部监测方法、系统和光缆交接箱 |
CN117232577B (zh) * | 2023-09-18 | 2024-04-05 | 杭州奥克光电设备有限公司 | 一种光缆交接箱承载内部监测方法、系统和光缆交接箱 |
Also Published As
Publication number | Publication date |
---|---|
CN115865630B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002391B (zh) | 自动检测嵌入式软件接口测试数据的方法 | |
CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
CN109948276B (zh) | 失效分析方法、装置、设备和存储介质 | |
CN115865630B (zh) | 基于深度学习的网络设备故障诊断方法及系统 | |
CN110275878B (zh) | 业务数据检测方法、装置、计算机设备及存储介质 | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
CN112565187A (zh) | 基于逻辑回归的电网攻击检测方法、系统、设备及介质 | |
CN112904148A (zh) | 智能电缆运行监测系统、方法及装置 | |
CN112070180A (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
CN117648237B (zh) | 性能测试过程自动监控方法 | |
CN112559316A (zh) | 软件测试方法和设备、计算机存储介质以及服务器 | |
CN115221964A (zh) | 一种基于深度学习的火灾报警开集分类方法 | |
DE102013114558B4 (de) | Ausschneiden-bei-der Diagnose (CID) - Ein Verfahren zur Verbesserung des Durchsatzes des Vorgangs für Anhebung der Ausbeute | |
CN114116845A (zh) | 一种故障报告的生成方法、装置及存储介质 | |
CN114169398A (zh) | 基于随机森林算法的光伏直流电弧故障识别方法及装置 | |
CN112215307B (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
KR20190098484A (ko) | Cart 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN115840686A (zh) | 一种服务器性能测试方法、装置、电子设备以及存储介质 | |
CN113591909B (zh) | 电力系统的异常检测方法、异常检测装置以及存储介质 | |
Chandrashekar et al. | Anomaly detection in recorded CAN log using DBSCAN and LSTM Autoencoder | |
CN115150294A (zh) | 一种用于监控物联网设备的数据分析方法、设备及介质 | |
CN112446430A (zh) | 一种直流输电系统故障识别方法 | |
CN112242929A (zh) | 日志检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |