CN115982578A - 故障定位方法、装置、电子设备及存储介质 - Google Patents
故障定位方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115982578A CN115982578A CN202211666571.XA CN202211666571A CN115982578A CN 115982578 A CN115982578 A CN 115982578A CN 202211666571 A CN202211666571 A CN 202211666571A CN 115982578 A CN115982578 A CN 115982578A
- Authority
- CN
- China
- Prior art keywords
- sensor
- parameters
- alarm
- information
- training
- 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.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种故障定位方法、装置、电子设备及存储介质。所述方法包括:获取目标设备的多个传感器参数和报警信息;在所述多个传感器参数中确定出异常传感器信息;将所述异常传感器信息与所述报警信息进行拼接处理,得到报警语句;将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,所述语言模型通过训练报警语句和对应的部件信息得到。以上方案中的语言模型可以根据目标设备的传感器参数和报警信息确定故障部件信息,相比于依靠人工经验,定位故障部件的效率更高。
Description
技术领域
本申请涉及故障检测领域,尤其涉及一种故障定位方法、装置、电子设备及存储介质。
背景技术
在半导体生产中,刻蚀设备可用于生成制作半导体的晶圆。在生产过程中。刻蚀设备的运行状态对晶圆的制备影响重大。刻蚀设备成本高,如何提高刻蚀设备维修效率、降低刻蚀设备故障停机时间是提高半导体生产效率,以及控制半导体生产成本的重要途径。
刻蚀的一般过程包括硅片吸附、气体流量与腔室压力调节、预刻蚀、主刻蚀、过刻蚀和腔室清洗等步骤。为确保安全生产和产品质量的一致性,需要对刻蚀过程进行质量监控和故障检测。为了监控生产过程,刻蚀设备中往往设置众多传感器以采集腔室压力、气体流量、温度、功率以及光谱信号等监控变量的实时数据。
目前,针对刻蚀设备故障检测的方法有以下几种,一类是将发生报警的晶圆标记为反例,未报警的晶圆标记为正例,通过算法,对晶圆进行分类,从而计算出不同传感器的权重大小。权重大的传感器视为异常传感器。另一类是通过算法,找到离群的晶圆,并通过距离判断异常的传感器。上述方法均无法得到最终需要检修的部件,只能追溯至异常的传感器,接下来需要通过工程师的经验来确定故障部件,对故障部件进行检修。通过工程师的经验确定故障部件存在时效性低的问题,影响了半导体生产效率。
发明内容
本申请提供一种故障定位方法、装置、电子设备及存储介质,用于提升故障定位效率。
第一方面,本申请提供一种故障定位方法,包括:获取目标设备的多个传感器参数和报警信息;在所述多个传感器参数中确定出异常传感器信息;将所述异常传感器信息与所述报警信息进行拼接处理,得到报警语句;将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,所述语言模型通过训练报警语句和对应故障部件信息得到。
在一种可能的实施方式中,在所述多个传感器参数中确定出异常传感器信息,包括:基于随机森林回归算法,对所述多个传感器参数进行处理,得到每个传感器参数的权重;根据所述多个传感器参数以及所述每个传感器参数的权重,确定出异常传感器信息。
在一种可能的实施方式中,根据所述多个传感器参数以及所述每个传感器参数的权重,确定出异常传感器信息,包括:对所述每个传感器参数的权重进行归一化处理,得到每个传感器参数的归一化权重;将所述多个传感器参数作为样本、以及将所述每个传感器参数的归一化权重作为采样概率,对所述多个传感器参数进行有放回的采样,得到所述异常传感器信息。
在一种可能的实施方式中,将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,包括:根据所述报警语句生成报警语句的词向量;将所述报警语句的词向量输入所述语言模型,得到故障部件的编码;对所述故障部件的编码进行解码处理,得到所述目标设备的故障部件信息。
在一种可能的实施方式中,所述方法还包括:获取所述训练报警语句和对应的部件信息;根据所述训练报警语句生成训练报警语句的词向量,对对应的部件信息进行独热向量编码处理,得到对应部件的编码;通过所述训练报警语句的词向量和所述对应部件的编码进行模型训练,直至模型准确度收敛,则得到所述语言模型。
在一种可能的实施方式中,获取目标设备的多个传感器参数,包括:获取所述目标设备下的多个待筛选传感器参数,所述多个待筛选传感器参数包括多个组成特征,每个组成特征有对应的占比系数;基于降维算法,对所述多个待筛选传感器参数进行筛选处理,删除占比系数小于阈值的组成特征,得到所述多个传感器参数。
在一种可能的实施方式中,所述待筛选传感器参数包括统计参数、时段参数以及累计参数;获取所述目标设备下的多个待筛选传感器参数,包括:确定多个预设时刻,根据所述多个预设时刻确定时段参数;获取所述目标设备在预设多个时刻下的多个传感器数据;对所述多个传感器数据进行统计学处理,得到所述统计参数;根据所述多个传感器数据以及所述时段参数,得到所述累计参数;将所述统计参数、所述时段参数以及所述累计参数确定为所述待筛选传感器参数。
第二方面,本申请提供一种故障定位装置,包括:获取模块,用于获取目标设备的多个传感器参数和报警信息;确定模块,用于在所述多个传感器参数中确定出异常传感器信息;拼接模块,用于将所述异常传感器信息与所述报警信息进行拼接处理,得到报警语句;处理模块,用于将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,所述语言模型通过训练报警语句和对应故障部件信息得到。
在一种可能的实施方式中,所述确定模块,具体用于基于随机森林回归算法,对所述多个传感器参数进行处理,得到每个传感器参数的权重;所述确定模块,具体还用于根据所述多个传感器参数以及所述每个传感器参数的权重,确定出异常传感器信息。
在一种可能的实施方式中,所述确定模块,具体用于对所述每个传感器参数的权重进行归一化处理,得到每个传感器参数的归一化权重;所述确定模块,具体还用于将所述多个传感器参数作为样本、以及将所述每个传感器参数的归一化权重作为采样概率,对所述多个传感器参数进行有放回的采样,得到所述异常传感器信息。
在一种可能的实施方式中,所述装置还包括:执行模块,用于根据所述报警语句生成报警语句的词向量;所述执行模块,还用于将所述报警语句的词向量输入所述语言模型,得到故障部件的编码;所述执行模块,还用于对所述故障部件的编码进行解码处理,得到所述目标设备的故障部件信息。
在一种可能的实施方式中,所述装置还包括:训练模块,用于获取所述训练报警语句和对应的部件信息;所述训练模块,还用于根据所述训练报警语句生成训练报警语句的词向量,对对应的部件信息进行独热向量编码处理,得到对应部件的编码;所述训练模块,还用于通过所述训练报警语句的词向量和所述对应部件的编码进行模型训练,直至模型准确度收敛,则得到所述语言模型。
在一种可能的实施方式中,所述装置还包括:筛选模块,用于获取所述目标设备下的多个待筛选传感器参数,所述多个待筛选传感器参数包括多个组成特征,每个组成特征有对应的占比系数;所述筛选模块,还用于基于降维算法,对所述多个待筛选传感器参数进行筛选处理,删除占比系数小于阈值的组成特征,得到所述多个传感器参数。
在一种可能的实施方式中,所述筛选模块,具体用于确定多个预设时刻,根据所述多个预设时刻确定时段参数;所述筛选模块,具体还用于获取所述目标设备在预设多个时刻下的多个传感器数据;所述筛选模块,具体还用于对所述多个传感器数据进行统计学处理,得到所述统计参数;所述筛选模块,具体还用于根据所述多个传感器数据以及所述时段参数,得到所述累计参数;所述筛选模块,具体还用于将所述统计参数、所述时段参数以及所述累计参数确定为所述待筛选传感器参数。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现第一方面中任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行如第一方面中任一项所述的方法。
本申请提供的故障定位方法、装置、电子设备及存储介质,获取目标设备的多个传感器参数和报警信息;在所述多个传感器参数中确定出异常传感器信息;将所述异常传感器信息与所述报警信息进行拼接处理,得到报警语句;将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,所述语言模型通过训练报警语句和对应故障部件信息得到。以上方案中的语言模型可以根据目标设备的传感器参数和报警信息确定故障部件信息,相比于依靠人工经验,定位故障部件的效率更高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种故障定位方法的应用场景示意图;
图2为本申请实施例提供的一种故障定位方法的流程示意图;
图3为本申请实施例提供的确定筛选传感器参数示意图;
图4为本申请实施例提供的确定异常传感器示意图;
图5为本申请实施例提供的语言模型训练示意图;
图6为本申请实施例提供的一种故障定位装置的结构示意图;
图7为本申请实施例提供的一种故障定位装置的结构示意图;
图8为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1为本申请实施例提供的一种故障定位方法的应用场景示意图。结合图示的场景进行举例:刻蚀设备中包括生成半导体的晶圆的多个工作部件,多个工作部件协同工作实现刻蚀过程,刻蚀设备中还包括多个传感器,传感器用于监控刻蚀过程,采集并记录刻蚀设备的工作参数,例如:压力、气体流量、温度、功率以及光谱信号等。对工作参数分析可以确定异常参数,对异常参数分析可以确定刻蚀设备中的故障部件。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。在本申请的描述中,除非另有明确的规定和限定,各术语应在本领域内做广义理解。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例提供的一种故障定位方法的流程示意图,如图2所示,该方法包括以下步骤:
S201、获取目标设备的多个传感器参数和报警信息。
作为示例,该实施例的执行主体可以为用于定位故障部件的检测装置,该检测装置的实现有多种。例如,可以为程序软件,也可以为存储有相关计算机程序的介质,例如,U盘等;或者,该装置还可以为集成或安装有相关计算机程序的实体设备,例如,芯片、智能终端、电脑、服务器等。
其中,目标设备包可以收集目标设备的所有传感器的传感器参数以及监控目标设备的工作状态。若目标设备工作状态异常,则目标设备发出报警,举例来说,若目标设备当前工作温度为90℃超过了温度阈值85℃,则发出温度过高的报警信息。此时只能确定目标设备存在温度过高而不能确定具体哪个部件的故障导致的温度过高,因此需要定位故障部件才能解决目标设备温度过高的问题。
可选的,可以从目标设备的管理中心获取多个传感器参数和报警信息。
再可选的,可以从传感器直接获取传感器参数。
一种可行的实现方式,可以通过以下方法获取多个传感器参数:获取所述目标设备下的多个待筛选传感器参数,所述多个待筛选传感器参数包括多个组成特征,每个组成特征有对应的占比系数;基于降维算法,对所述多个待筛选传感器参数进行筛选处理,删除占比系数小于阈值的组成特征,得到所述多个传感器参数。
举例来说,待筛选传感器参数包括统计参数、时段参数以及累计参数,统计参数的组成特征包括但不限于平均值、最大值、最小值、方差、偏度、峰度、中位数以及百分数等。时段参数的组成特征包括但不限于跳变点个数、窗口均值、趋势、周期以及自相关性等。
可选的,在保留预设百分比的待筛选传感器参数的前提下,基于降维算法,删除占比系数小于阈值的组成特征。
可选的,使用降维算法中的主成分分析进行筛选。需要说明的是,本申请不限制降维算法的具体类型。
可以理解,占比系数小于阈值的组成特征对于确定定位故障部件的作用较小,会影响定位故障部件的准确度。
在该种可行的实现方式中,通过删除占比系数小于阈值的组成特征,可以提升定位故障部件的准确度。
进一步的,一种可行的实现方式,可以通过以下方法获取多个待筛选传感器参数:确定多个预设时刻,根据所述多个预设时刻确定时段参数;获取所述目标设备在预设多个时刻下的多个传感器数据;对所述多个传感器数据进行统计学处理,得到所述统计参数;根据所述多个传感器数据以及所述时段参数,得到所述累计参数;将所述统计参数、所述时段参数以及所述累计参数确定为所述待筛选传感器参数。
可选的,由工程师指定多个预设时刻或者设定周期性的预设时刻,例如每隔10分钟获取一个预设时刻。
可选的,部分传感器的数据在一定时间的累积值具有实际意义,将每个预设时刻下的传感器数据与预设时刻的时间之差相乘可以得到累计参数。
下面,结合图3对上述可行的实现方式进行说明。
图3为本申请实施例提供的确定筛选传感器参数示意图。如图3所示,首先确定预设时刻以及获取传感器参数。对预设时刻进行统计得到时段参数,对传感器数据进行统计得到统计参数。将传感器数据按照时段参数进行累计,得到累计参数。将统计参数、时段参数以及累计参数确定为待筛选传感器参数。
在该种可行的实现方式中,获取多种类型的待筛选传感器参数,可以从多个角度定位故障部件,提升定位故障部件的准确度。
S202、在所述多个传感器参数中确定出异常传感器信息。
一种可行的实现方式,可以通过以下方法确定出异常传感器信息:基于随机森林回归算法,对所述多个传感器参数进行处理,得到每个传感器参数的权重;根据所述多个传感器参数以及所述每个传感器参数的权重,确定出异常传感器信息。
可选的,将传感器参数作为随机森林回归算法的输入,将是否报警作为随机森林回归算法的输出,经过多轮迭代,直至随机森林回归算法的准确度大于准确度阈值则停止迭代,保存此时的传感器参数对应的权重。
举例来说,设置准确度阈值为97%,以随机森林回归算法的准确度大于97%作为迭代停止目标。
可选的,是否报警作为随机森林回归算法的输出,得到的权重可用于评价传感器参数对于定位故障部件的准确性。
在该种可行的实现方式中,优先选择权重高的传感器参数,可以提升定位故障部件的准确性。
进一步的,一种可行的实现方式,可以通过以下方法确定出异常传感器信息:对所述每个传感器参数的权重进行归一化处理,得到每个传感器参数的归一化权重;将所述多个传感器参数作为样本、以及将所述每个传感器参数的归一化权重作为采样概率,对所述多个传感器参数进行有放回的采样,得到所述异常传感器信息。
可选的,设置采样次数进行有放回的采样,直至达到采样次数,获得采样次数数量个异常传感器信息。
举例来说,设置采样次数为30次,经过采样共确定30个异常传感器信息,对于权重高的传感器参数会采样多次。可以理解,本申请使用有放回采样的采样次数可以大于传感器参数的数量。
需要说明的是,本申请不限制采样的具体方式。
可选的,通过采样确定的异常传感器信息按照采样的顺序进行排列得到异常传感器信息队列,队列中的顺序体现异常传感器信息的重要性。
在该种可行的实现方式中,通过采样的方式得到异常传感器信息队列,可以从队列顺序和异常传感器信息出现的次数体现异常传感器信息的重要性,从而提升定位故障部件的准确性。
下面,结合图4对上述可行的实现方式进行说明。
图4为本申请实施例提供的确定异常传感器示意图。如图4所示,通过随机森林回归算法对传感器参数处理,得到每个传感器参数的权重。对每个传感器参数的权重进行归一化处理,得到每个传感器参数的归一化权重。根据传感器参数和归一化权重进行采样,得到异常传感器信息。
S203、将所述异常传感器信息与所述报警信息进行拼接处理,得到报警语句。
可选的,将将多个异常传感器信息通过逗号进行拼接,再与报警语句进行拼接。
举例来说,报警语句可以为:“目标设备温度过高”以及“晶圆腔室压力过高”等。
S204、将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,所述语言模型为通过训练报警语句和训练故障部件信息进行模型训练得到。
一种可行的实现方式,可以通过以下方法训练得到语言模型:获取所述训练报警语句和对应的部件信息;根据所述训练报警语句生成训练报警语句的语言,对对应的部件信息进行独热向量编码处理,得到对应部件的编码;通过所述训练报警语句的词向量和所述对应部件的编码进行模型训练,直至模型准确度收敛,则得到所述语言模型。
可选的,训练报警语句和训练故障部件信息可以从论文、操作手册、目标设备日志文件以及设备说明书等资料中获取。
可选的,针对一个目标设备,其部件是有限的,因此可以将部件进行独热向量编码处理。
下面,结合图5对该种可行的实现方式进行说明。
图5为本申请实施例提供的语言模型训练示意图。如图5所示,分别对训练报警语句以及对应的部件信息进行处理,得到训练报警语句的词向量以及对应部件的编码。以词向量作为输入,以编码作为输出进行模型训练,直至模型准确度收敛,则停止训练,将当前模型作为最终的语言模型。可以理解,从资料中获取的训练报警语句和对应的部件信息根据历史经验已经建立了映射关系,以之训练得到的语言模型可以根据该映射关系进行预测。
在该种可行的实现方式中,通过已有的资料获取的训练报警语句和对应的部件信息训练得到的语言模型,准确性更高。
一种可行的实现方式,可以通过以下方法得到目标设备的故障部件信息:根据所述报警语句生成报警语句的词向量;将所述报警语句的词向量输入所述语言模型,得到故障部件的编码;对所述故障部件的编码进行解码处理,得到所述目标设备的故障部件信息。
可选的,报警语句包括多个传感器参数以及报警信息,将报警语句整体生成一个词向量,一个词向量包括报警语句的全部内容,语言模型根据一个词向量输出的故障部件的编码是综合多个传感器参数以及报警信息计算得到的。
在该种可行的实现方式中,将包括报警语句的全部内容的词向量作为语言模型的输入,可以综合多个传感器参数以及报警信息,提升定位故障部件的准确性。
图6为本申请实施例提供的一种故障定位装置的结构示意图。如图6所示,该故障定位装置60可以包括:获取模块61、确定模块62、拼接模块63以及处理模块64,
其中,
所述获取模块61,用于获取目标设备的多个传感器参数和报警信息。
所述确定模块62,用于在所述多个传感器参数中确定出异常传感器信息;
所述拼接模块63,用于将所述异常传感器信息与所述报警信息进行拼接处理,得到报警语句;
所述处理模块64,用于将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,所述语言模型为通过训练报警语句和训练故障部件信息进行模型训练得到。
可选的,获取模块61可以执行图2实施例中的S201。
可选的,确定模块62可以执行图2实施例中的S202。
可选的,拼接模块63可以执行图2实施例中的S203。
可选的,处理模块63可以执行图2实施例中的S204。
需要说明的是,本申请实施例所示的编码装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
在一种可能的实施方式中,所述确定模块62,具体用于:
基于随机森林回归算法,对所述多个传感器参数进行处理,得到每个传感器参数的权重;
根据所述多个传感器参数以及所述每个传感器参数的权重,确定出异常传感器信息。
在一种可能的实施方式中,所述确定模块,具体用于:对所述每个传感器参数的权重进行归一化处理,得到每个传感器参数的归一化权重;
将所述多个传感器参数作为样本、以及将所述每个传感器参数的归一化权重作为采样概率,对所述多个传感器参数进行有放回的采样,得到所述异常传感器信息。
图7为本申请实施例提供的一种故障定位装置的结构示意图。在图6所示实施例的基础上,如图7所示,该故障定位装置60还包括:执行模块65、训练模块66以及筛选模块67,其中,
所述执行模块65,用于根据所述报警语句生成报警语句的词向量;
将所述报警语句的词向量输入所述语言模型,得到故障部件的编码;
对所述故障部件的编码进行解码处理,得到所述目标设备的故障部件信息。
所述训练模块66,用于获取所述训练报警语句和对应的部件信息;
根据所述训练报警语句生成训练报警语句的词向量,对对应的部件信息进行独热向量编码处理,得到训练故障部件的编码;
通过所述训练报警语句的词向量和所述训练故障部件的编码进行模型训练,直至模型准确度收敛,则得到所述语言模型。
所述筛选模块67,用于获取所述目标设备下的多个待筛选传感器参数,所述多个待筛选传感器参数包括多个组成特征,每个组成特征有对应的占比系数;
基于降维算法,对所述多个待筛选传感器参数进行筛选处理,删除占比系数小于阈值的组成特征,得到所述多个传感器参数。
所述筛选模块67,具体用于确定多个预设时刻,根据所述多个预设时刻确定时段参数;获取所述目标设备在预设多个时刻下的多个传感器数据;
对所述多个传感器数据进行统计学处理,得到所述统计参数;
根据所述多个传感器数据以及所述时段参数,得到所述累计参数;
将所述统计参数、所述时段参数以及所述累计参数确定为所述待筛选传感器参数。
图8为本申请实施例中提供的一种电子设备的结构示意图,如图8所示,该电子设备包括:
处理器(processor)291,电子设备还包括了存储器(memory)292;还可以包括通信接口(Communication Interface)293和总线294。其中,处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291可以调用存储器292中的逻辑指令,以执行上述实施例的方法。
此外,上述的存储器292中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器292作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器292可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器292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。
本申请实施例提供一种非临时性计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如前述实施例所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (15)
1.一种故障定位方法,其特征在于,包括:
获取目标设备的多个传感器参数和报警信息;
在所述多个传感器参数中确定出异常传感器信息;
将所述异常传感器信息与所述报警信息进行拼接处理,得到报警语句;
将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,所述语言模型通过训练报警语句和对应的部件信息得到。
2.根据权利要求1所述的方法,其特征在于,在所述多个传感器参数中确定出异常传感器信息,包括:
基于随机森林回归算法,对所述多个传感器参数进行处理,得到每个传感器参数的权重;
根据所述多个传感器参数以及所述每个传感器参数的权重,确定出异常传感器信息。
3.根据权利要求2所述的方法,其特征在于,根据所述多个传感器参数以及所述每个传感器参数的权重,确定出异常传感器信息,包括:
对所述每个传感器参数的权重进行归一化处理,得到每个传感器参数的归一化权重;
将所述多个传感器参数作为样本、以及将所述每个传感器参数的归一化权重作为采样概率,对所述多个传感器参数进行有放回的采样,将采样结果进行拼接处理,得到所述异常传感器信息。
4.根据权利要求3任一项所述的方法,其特征在于,将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,包括:
根据所述报警语句生成报警语句的词向量;
将所述报警语句的词向量输入语言模型,得到故障部件的编码;
对所述故障部件的编码进行解码处理,得到所述目标设备的故障部件信息。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
获取所述训练报警语句和对应的部件信息;
根据所述训练报警语句生成训练报警语句的词向量,对对应的部件信息进行编码处理,得到对应部件的编码;
通过所述训练报警语句的词向量和所述对应部件的编码进行模型训练,直至模型准确度收敛,则得到所述语言模型。
6.根据权利要求5所述的方法,其特征在于,获取目标设备的多个传感器参数,包括:
获取所述目标设备下的多个待筛选传感器参数,所述多个待筛选传感器参数包括多个组成特征,每个组成特征有对应的占比系数;
基于降维算法,对所述多个待筛选传感器参数进行筛选处理,删除占比系数小于阈值的组成特征,得到所述多个传感器参数。
7.根据权利要求6所述的方法,其特征在于,所述待筛选传感器参数包括统计参数、时段参数以及累计参数;获取所述目标设备下的多个待筛选传感器参数,包括:
确定多个预设时刻,根据所述多个预设时刻确定时段参数;
获取所述目标设备在预设多个时刻下的多个传感器数据;
对所述多个传感器数据进行统计学处理,得到所述统计参数;
根据所述多个传感器数据以及所述时段参数,得到所述累计参数;
将所述统计参数、所述时段参数以及所述累计参数确定为所述待筛选传感器参数。
8.一种故障定位装置,其特征在于,包括:
获取模块,用于获取目标设备的多个传感器参数和报警信息;
确定模块,用于在所述多个传感器参数中确定出异常传感器信息;
拼接模块,用于将所述异常传感器信息与所述报警信息进行拼接处理,得到报警语句;
处理模块,用于将所述报警语句输入语言模型,得到所述目标设备的故障部件信息,所述语言模型通过训练报警语句和对应的部件信息得到。
9.根据权利要求8所述的装置,其特征在于,
所述确定模块,具体用于基于随机森林回归算法,对所述多个传感器参数进行处理,得到每个传感器参数的权重;
所述确定模块,具体还用于根据所述多个传感器参数以及所述每个传感器参数的权重,确定出异常传感器信息。
10.根据权利要求9所述的装置,其特征在于,
所述确定模块,具体用于对所述每个传感器参数的权重进行归一化处理,得到每个传感器参数的归一化权重;
所述确定模块,具体还用于将所述多个传感器参数作为样本、以及将所述每个传感器参数的归一化权重作为采样概率,对所述多个传感器参数进行有放回的采样,得到所述异常传感器信息。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
执行模块,用于根据所述报警语句生成报警语句的词向量;
所述执行模块,还用于将所述报警语句的词向量输入所述语言模型,得到故障部件的编码;
所述执行模块,还用于对所述故障部件的编码进行解码处理,得到所述目标设备的故障部件信息。
12.根据权利要求8-11任一项所述的装置,其特征在于,所述装置还包括:
训练模块,用于获取所述训练报警语句和对应的部件信息;
所述训练模块,还用于根据所述训练报警语句生成训练报警语句的词向量,对对应的部件信息进行独热向量编码处理,得到对应部件的编码;
所述训练模块,还用于通过所述训练报警语句的词向量和所述对应部件的编码进行模型训练,直至模型准确度收敛,则得到所述语言模型。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括:
筛选模块,用于获取所述目标设备下的多个待筛选传感器参数,所述多个待筛选传感器参数包括多个组成特征,每个组成特征有对应的占比系数;
所述筛选模块,还用于基于降维算法,对所述多个待筛选传感器参数进行筛选处理,删除占比系数小于阈值的组成特征,得到所述多个传感器参数。
14.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-7中任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211666571.XA CN115982578A (zh) | 2022-12-23 | 2022-12-23 | 故障定位方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211666571.XA CN115982578A (zh) | 2022-12-23 | 2022-12-23 | 故障定位方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115982578A true CN115982578A (zh) | 2023-04-18 |
Family
ID=85975387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211666571.XA Pending CN115982578A (zh) | 2022-12-23 | 2022-12-23 | 故障定位方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115982578A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118114889A (zh) * | 2024-04-30 | 2024-05-31 | 南湖实验室 | 危化品应急辅助救援决策系统的构建方法及系统 |
-
2022
- 2022-12-23 CN CN202211666571.XA patent/CN115982578A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118114889A (zh) * | 2024-04-30 | 2024-05-31 | 南湖实验室 | 危化品应急辅助救援决策系统的构建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
WO2021072887A1 (zh) | 异常流量监测方法、装置、设备及存储介质 | |
CN109034400B (zh) | 一种变电站异常量测数据预测平台系统 | |
WO2015007040A1 (zh) | 核电站运行状态监控方法、装置及系统 | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
KR20210017651A (ko) | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 | |
CN104867840A (zh) | Ye在线检测管控方法 | |
CN113221435A (zh) | 传感器的筛选方法及装置、传感器数据重构方法及系统 | |
CN115982578A (zh) | 故障定位方法、装置、电子设备及存储介质 | |
KR20230042041A (ko) | 공정 트레이스로부터의 장비 고장 모드의 예측 | |
CN112612824A (zh) | 基于大数据的供水管网异常数据检测方法 | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
CN112444697A (zh) | 一种电力线路信息监测系统及方法 | |
CN117250449A (zh) | 变压器绝缘状态评估方法、装置、电子设备及存储介质 | |
CN110646229B (zh) | 空气预热器故障诊断方法、装置及电子设备、存储介质 | |
CN116863664A (zh) | 燃气设备的实时监测方法以及燃气设备监测系统 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
US20230081224A1 (en) | Method and system for evaluating test data, wafer test system, and storage medium | |
CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
CN113407520A (zh) | 一种基于机器学习的电力网络安全数据清洗系统及方法 | |
CN114330569A (zh) | 一种检测风机组部件故障的方法、设备及存储介质 | |
CN113591909A (zh) | 电力系统的异常检测方法、异常检测装置以及存储介质 |
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 |