CN115952064B - 一种面向分布式系统的多组件故障解释方法及装置 - Google Patents
一种面向分布式系统的多组件故障解释方法及装置 Download PDFInfo
- Publication number
- CN115952064B CN115952064B CN202310256541.XA CN202310256541A CN115952064B CN 115952064 B CN115952064 B CN 115952064B CN 202310256541 A CN202310256541 A CN 202310256541A CN 115952064 B CN115952064 B CN 115952064B
- Authority
- CN
- China
- Prior art keywords
- fault
- operation data
- interpretation
- data
- detected
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 230000005856 abnormality Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种面向分布式系统的多组件故障解释方法及装置。所述方法包括以下步骤:从分布式系统获取多个待检测组件历史运行数据;训练基于分步注意力机制的特征表示网络,获取超圆代价函数数值最小时的最优网络权重;以最优网络权重构建在线故障解释网络模型;构建基于多数表决的分类决策规则;以k个最近邻故障样本作为待检测故障样本的解释。由此所提出的故障解释方案能够准确地发现与待检测故障最相似的历史故障样本,并以历史故障样本作为参照,给待检测故障样本提供切实可行的消除方案。
Description
技术领域
本发明属于云计算、边缘计算等分布式系统的故障处理技术领域,具体涉及一种面向分布式系统的多组件故障解释方法及装置。
背景技术
相较于集中式系统,分布式系统通过网络将多个组件连接成统一的整体,具有资源共享,使用灵活,成本低等诸多优势。因此分布式系统在信息工业的各个领域均得到了广泛的应用。然而,意外的故障却时常威胁着系统的正常运行。为了满足7×24小时的服务需求,运维软件需要时刻监控系统运行状态,并及时发现出现的故障。进而采取措施消除故障。故障解释包含故障发现及故障原因分析,是后续清除措施选择的重要依据。
由于故障通常会引发监控指标的异常,因此现有技术方案一种异常检测的解释特征确定方法和装置中,通过对异常进行解释,并以此认为异常的原因等同于故障的原因,造成在实际的运维场景下,出现大量误判。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
本发明的目的在于提供一种面向分布式系统的多组件故障解释方法及装置,融合深度学习的优势,通过基于多数表决的分类决策规则,不仅能够及时发现多组件故障,还充分利用历史故障为已发现故障提供解释,摆脱了通过异常特征解释故障的困境,进一步提升故障识别和故障解释准确率,为分布式系统运维提供一个切实可行的方案。
本发明的目的至少通过如下技术方案之一。
一种面向分布式系统的多组件故障解释方法,包括以下步骤:
S1、从分布式系统获取多个待检测组件历史运行数据;
S2、训练基于分步注意力机制的特征表示网络,获取超圆代价函数数值最小时的最优网络权重;
S3、以最优网络权重构建在线故障解释网络模型;
S4、构建基于多数表决的分类决策规则;
S5、以k个最近邻故障样本作为待检测故障样本的解释。
进一步地,步骤S1中,所述历史运行数据包括故障运行数据和非故障运行数据。
进一步地,步骤S2中,对输入特征表示网络的历史运行数据标准化、缺省值填补及标签标注;
其中,标准化包括采用z-score、最大-最小值或对数函数进行转换,缺省值填补包括采用当前时刻的前一时刻和后一时刻的均值、最大值和最小值间的均值或前一时刻的值进行填充,标签标注包括采用0和1,-1和1或0和-1,对正常和异常样本进行标记;
以分布注意力机制进行组合,得到基于分布注意力机制的特征表示网络。
进一步地,步骤S2中,根据超圆代价函数对基于分步注意力机制的特征表示网络进行训练,其中训练目标包括:
目标1、超圆代价函数数值小于第一阈值;
目标2、迭代计算次数超过设定的第二阈值。
进一步地,所述分步注意力机制为:
其中,为第/>个历史运行数据在分步注意力机制中的输出,/>为分步注意力机制的步长,d为数据维度,/>为第/>个历史运行数据在分步注意力机制中的第/>步输出,/>为Softmax激活函数,第j步中的查询/>,键/>,值/>分别为:
其中,,/>,/>分别为分步注意力机制中第j步关于查询/>,键/>,值/>的网络权重,/>为第i个历史运行数据在分步注意力机制中的第j步输入,必须满足以下条件:
其中,为第i个历史运行数据,/>为第i个历史运行数据在分步注意力机制中的第h步输入。
进一步地,所述超圆代价函数为:
其中,为非故障运行数据的均值,/>为故障运行数据的均值,/>为欧式距离,/>为非故障运行数据与非故障运行数据均值间欧式距离的最大值,为故障运行数据与故障运行数据均值间欧式距离的最大值;
为第i个历史运行数据的标签,当/>时,即第i个历史运行数据为非故障数据;当/>时,即第i个历史运行数据为故障数据。
进一步地,步骤S3中,所述在线故障解释网络模型为最优网络权重下的基于分步注意力机制的特征表示网络。
进一步地,步骤S4中,所述基于多数表决的分类决策规则为:
其中,为第t个待检测运行数据/>的标签;当/>时,待检测运行数据/>为非故障运行数据;当/>时,待检测运行数据/>为故障运行数据;/>为与待检测运行数据/>距离最近的k个历史运行数据所组成的集合;/>为类别标记,l是类别序号,为关于/>和/>的指示函数,具体如下:
其中为第i个历史运行数据的标签。
进一步地,步骤S5中,所述以k个最近邻故障样本作为待检测故障样本的解释,其中待检测故障样本的解释为所述集合中的故障样本。
一种面向分布式系统的多组件故障解释装置,包括以下模块:
组件运行数据获取模块,用于从多个监控组件获取历史运行数据,包括故障运行数据和非故障运行数据;
特征表示网络训练模块,用于通过最小化超圆代价函数数值,进而获取最优网络权重;
在线故障解释网络模块,用于根据最优网络权重的网络将原始输入样本进行特征映射;
分类决策模块,用于判断待检测样本是否故障并建立待检测样本的最近邻样本集合;
近邻故障样本解释模块,用于以最近邻样本集合中的故障样本为依据,解释待检测故障样本。
相比于现有技术,本发明的优点在于:
①本发明提出基于分步注意力机制的特征表示网络,能够在原始注意力机制的基础上,进一步提升网络的泛化性能,使故障样本和非故障样本间的区分度更大。
②本发明采用超圆代价函数能够最大限度利用少量故障样本进行建模,克服传统深度学习网路处理此类问题所出现的“类别不平衡”现象。
③本发明采用多数表决分类决策规则,作为一种显式的学习方法,模型简单,仅需要较少的时间开销,能够有效适应在线检测要求。
④本发明采用最近邻历史故障样本解释故障,相较于基于特征的解释方法,在解释准确率上有较大的提升。
附图说明
图1为本发明实施例1所提供的一种面向分布式系统的多组件故障解释方法的流程示意图;
图2 为本发明实施例2所提供的一种面向分布式系统的多组件故障解释装置的流程示意图;
图3 为本发明实施例3所提供的一种面向分布式系统的多组件故障解释方法在基于容器的分布式系统中的应用流程示意图;
图4为本发明实施例4所提供的一种面向分布式系统的多组件故障解释装置在边缘计算中的应用流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明首先对传统的注意力机制进行改进,设计一种基于分步注意力机制的特征表示网络,接着引入多数表决分类决策规则识别故障样本,最后以最近邻样本解释被正确识别的故障样本。
下面参考附图描述本发明实施例的一种面向分布式系统的多组件故障解释方法和装置。
实施例:
一种面向分布式系统的多组件故障解释方法,如图1所示,包括以下步骤:
S1、从分布式系统获取多个待检测组件历史运行数据;所述历史运行数据包括故障运行数据和非故障运行数据。
S2、训练基于分步注意力机制的特征表示网络,获取超圆代价函数数值最小时的最优网络权重;
对输入特征表示网络的历史运行数据标准化、缺省值填补及标签标注;
其中,标准化包括采用z-score、最大-最小值或对数函数进行转换,缺省值填补包括采用当前时刻的前一时刻和后一时刻的均值、最大值和最小值间的均值或前一时刻的值进行填充,标签标注包括采用0和1,-1和1或0和-1,对正常和异常样本进行标记;
以分布注意力机制进行组合,得到基于分布注意力机制的特征表示网络。
根据超圆代价函数对基于分步注意力机制的特征表示网络进行训练,其中训练目标包括:
目标1、超圆代价函数数值小于第一阈值;
目标2、迭代计算次数超过设定的第二阈值。
进一步地,所述分步注意力机制为:
其中,为第/>个历史运行数据在分步注意力机制中的输出,/>为分步注意力机制的步长,本实施例中,s取值为15,/>为第/>个历史运行数据在分步注意力机制中的第/>步输出,/>为Softmax激活函数,第j步中的查询/>,键/>,值/>分别为:
其中,,/>,/>分别为分步注意力机制中第j步关于查询/>,键/>,值/>的网络权重,/>为第i个历史运行数据在分步注意力机制中的第j步输入,必须满足以下条件:
其中,为第i个历史运行数据。
所述超圆代价函数为:
其中,为非故障运行数据的均值,/>为故障运行数据的均值,/>为欧式距离,/>为非故障运行数据与非故障运行数据均值间欧式距离的最大值,为故障运行数据与故障运行数据均值间欧式距离的最大值;
为第i个历史运行数据的标签,当/>时,即第i个历史运行数据为非故障数据;当/>时,即第i个历史运行数据为故障数据。
S3、以最优网络权重构建在线故障解释网络模型;
所述在线故障解释网络模型为最优网络权重下的基于分步注意力机制的特征表示网络。
S4、构建基于多数表决的分类决策规则;
所述基于多数表决的分类决策规则为:
其中,为第t个待检测运行数据/>的标签;当/>时,待检测运行数据/>为非故障运行数据;当/>时,待检测运行数据/>为故障运行数据;/>为与待检测运行数据/>距离最近的k个历史运行数据所组成的集合,在本实施例中,k=9;/>为关于和/>的指示函数,具体如下:
其中为历史运行数据/>的标签。
S5、以k个最近邻故障样本作为待检测故障样本的解释;
所述以k个最近邻故障样本作为待检测故障样本的解释,其中待检测故障样本的解释为所述集合中的故障样本。
实施例2:
一种面向分布式系统的多组件故障解释装,如图2所示,该多组件故障解释装置200包括以下模块:
组件运行数据获取模块201,用于从多个监控组件获取历史运行数据,包括故障运行数据和非故障运行数据;
特征表示网络训练模块202,用于通过最小化超圆代价函数数值,进而获取最优网络权重;
在线故障解释网络模块203,用于根据最优网络权重的网络将原始输入样本进行特征映射;
分类决策模块204,用于判断待检测样本是否故障并建立待检测样本的最近邻样本集合;
近邻故障样本解释模块205,用于以最近邻样本集合中的故障样本为依据,解释待检测故障样本。
实施例3:
本实施例中,如图3所示,提供一种面向分布式系统的多组件故障解释方法的在基于容器的分布式系统中的应用。与实施例1对比,其不同之处在于:
①分步注意力机制中步长s=10;
②多数表决分类决策规则中k=11。
实施例4:
本实施例中,如图4所示,提供一种面向分布式系统的多组件故障解释装置在边缘计算中的应用。与实施例1、实施例2、实施例3对比,其不同之处在于:
①组件运行数据需要通过网络上传至故障解释节点;
②由于故障解释节点算力限制,特征表示网络训练模块中分步注意力机制的步长s=2。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置) ,便携式计算机盘盒(磁装置) ,随机存取存储器(RAM) ,只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种面向分布式系统的多组件故障解释装置,其特征在于,包括以下模块:
组件运行数据获取模块,用于从多个监控组件获取历史运行数据,包括故障运行数据和非故障运行数据;
特征表示网络训练模块,用于通过最小化超圆代价函数数值,进而获取最优网络权重;
在线故障解释网络模块,用于根据最优网络权重的网络将原始输入样本进行特征映射;
分类决策模块,用于判断待检测样本是否故障并建立待检测样本的最近邻样本集合;
近邻故障样本解释模块,用于以最近邻样本集合中的故障样本为依据,解释待检测故障样本;
所述装置用于允许如下的多组件故障解释步骤:
S1、从分布式系统获取多个待检测组件历史运行数据;所述待检测组件包括监控组件;所述监控组件的历史运行数据包括故障运行数据和非故障运行数据;
S2、训练基于分步注意力机制的特征表示网络,获取超圆代价函数数值最小时的最优网络权重;对输入特征表示网络的历史运行数据标准化、缺省值填补及标签标注;
其中,标准化包括采用z-score、最大-最小值或对数函数进行转换,缺省值填补包括采用当前时刻的前一时刻和后一时刻的均值、最大值和最小值间的均值或前一时刻的值进行填充,标签标注包括采用0和1,-1和1或0和-1,对正常和异常样本进行标记;
以分布注意力机制进行组合,得到基于分布注意力机制的特征表示网络;
S3、以最优网络权重构建在线故障解释网络模型;所述在线故障解释网络模型为最优网络权重下的基于分步注意力机制的特征表示网络;
S4、构建基于多数表决的分类决策规则;
S5、以k个最近邻故障样本作为待检测故障样本的解释。
2.根据权利要求1所述的一种面向分布式系统的多组件故障解释装置,其特征在于,步骤S2中,根据超圆代价函数对基于分步注意力机制的特征表示网络进行训练,其中训练目标包括:
目标1、超圆代价函数数值小于第一阈值;
目标2、迭代计算次数超过设定的第二阈值。
3.根据权利要求2所述的一种面向分布式系统的多组件故障解释装置,其特征在于,所述分步注意力机制为:
其中,为第/>个历史运行数据在分步注意力机制中的输出,/>为分步注意力机制的步长,d为数据维度,/>为第/>个历史运行数据在分步注意力机制中的第j步输出,/>为Softmax激活函数,第j步中的查询/>,键/>,值/>分别为:
其中,,/>,/>分别为分步注意力机制中第j步关于查询/>,键/>,值/>的网络权重,/>为第i个历史运行数据在分步注意力机制中的第j步输入,必须满足以下条件:
其中,为第i个历史运行数据,/>为第i个历史运行数据在分步注意力机制中的第h步输入。
4.根据权利要求3所述的一种面向分布式系统的多组件故障解释装置,其特征在于,所述超圆代价函数为:
其中,为非故障运行数据的均值,/>为故障运行数据的均值,/>为欧式距离,为非故障运行数据与非故障运行数据均值间欧式距离的最大值,为故障运行数据与故障运行数据均值间欧式距离的最大值;
为第i个历史运行数据的标签,当/>时,即第i个历史运行数据为非故障数据;当/>时,即第i个历史运行数据为故障数据。
5.根据权利要求3所述的一种面向分布式系统的多组件故障解释装置,其特征在于,步骤S4中,所述基于多数表决的分类决策规则为:
其中,为第t个待检测运行数据/>的标签;当/>时,待检测运行数据/>为非故障运行数据;当/>时,待检测运行数据/>为故障运行数据;/>为与待检测运行数据/>距离最近的k个历史运行数据所组成的集合;/>为类别标记,/>是类别序号,为关于/>和/>的指示函数,具体如下:
其中,为第i个历史运行数据的标签。
6.根据权利要求5所述的一种面向分布式系统的多组件故障解释装置,其特征在于,步骤S5中所述以k个最近邻故障样本作为待检测故障样本的解释,其中待检测故障样本的解释为所述集合中的故障样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310256541.XA CN115952064B (zh) | 2023-03-16 | 2023-03-16 | 一种面向分布式系统的多组件故障解释方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310256541.XA CN115952064B (zh) | 2023-03-16 | 2023-03-16 | 一种面向分布式系统的多组件故障解释方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115952064A CN115952064A (zh) | 2023-04-11 |
CN115952064B true CN115952064B (zh) | 2023-08-18 |
Family
ID=87290973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310256541.XA Active CN115952064B (zh) | 2023-03-16 | 2023-03-16 | 一种面向分布式系统的多组件故障解释方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952064B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611146A (zh) * | 2020-06-18 | 2020-09-01 | 南方电网科学研究院有限责任公司 | 一种微服务故障预测方法和装置 |
CN114528755A (zh) * | 2022-01-25 | 2022-05-24 | 国网冀北电力有限公司 | 一种基于注意力机制结合gru的电力设备故障检测模型 |
CN114821420A (zh) * | 2022-04-26 | 2022-07-29 | 杭州电子科技大学 | 基于多时间分辨率时态语义聚合网络的时序动作定位方法 |
-
2023
- 2023-03-16 CN CN202310256541.XA patent/CN115952064B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611146A (zh) * | 2020-06-18 | 2020-09-01 | 南方电网科学研究院有限责任公司 | 一种微服务故障预测方法和装置 |
CN114528755A (zh) * | 2022-01-25 | 2022-05-24 | 国网冀北电力有限公司 | 一种基于注意力机制结合gru的电力设备故障检测模型 |
CN114821420A (zh) * | 2022-04-26 | 2022-07-29 | 杭州电子科技大学 | 基于多时间分辨率时态语义聚合网络的时序动作定位方法 |
Non-Patent Citations (1)
Title |
---|
直觉模糊数决策粗糙集;陈玉金;李续武;;计算机科学(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115952064A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230013544A1 (en) | Method, Apparatus and System for Detecting Abnormal Operating States of a Device | |
CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN113516174B (zh) | 调用链异常检测方法、计算机设备以及可读存储介质 | |
CN117034143B (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
CN111949429A (zh) | 基于密度聚类算法的服务器故障监测方法及系统 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
CN115757103A (zh) | 基于树结构的神经网络测试用例生成方法 | |
CN117273489A (zh) | 光伏状态评估方法及装置 | |
CN113592071B (zh) | 设备故障识别模型训练、识别方法、系统、装置及介质 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN115952064B (zh) | 一种面向分布式系统的多组件故障解释方法及装置 | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
CN111338876B (zh) | 一种故障模式与影响分析的决策方法、系统及存储介质 | |
CN116820821A (zh) | 磁盘故障检测方法、装置、电子设备及计算机可读存储介质 | |
KR102389317B1 (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
CN114757097A (zh) | 一种线路故障诊断方法及装置 | |
CN116028450A (zh) | 一种日志检测方法、装置及设备 | |
CN116047313B (zh) | 一种用于锂电池储能箱的质量检测和维护方法及系统 | |
RU2818858C1 (ru) | Способ диагностирования комплекса бортового оборудования воздушных судов на основе машинного обучения без учителя с автоматическим определением параметров обучения моделей | |
Richter et al. | Automatic Defect Detection by Classifying Aggregated Vehicular Behavior | |
CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 |
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 |