CN116307672A - 一种故障诊断方法、装置、电子设备及介质 - Google Patents
一种故障诊断方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116307672A CN116307672A CN202211093373.9A CN202211093373A CN116307672A CN 116307672 A CN116307672 A CN 116307672A CN 202211093373 A CN202211093373 A CN 202211093373A CN 116307672 A CN116307672 A CN 116307672A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- knowledge
- target
- processing
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 104
- 238000012423 maintenance Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003058 natural language processing Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000007499 fusion processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000011835 investigation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011419 induction treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种故障诊断方法、装置、电子设备及介质。所述方法包括:基于目标数据构建知识图谱,目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据;根据所获取的故障告警信息,确定至少一个目标关键词;基于知识图谱和至少一个目标关键词,确定故障告警信息对应的故障诊断结果。该方法通过基于目标数据所构建的知识图谱,以及根据故障告警信息所确定的目标关键词,能够自动确定故障告警信息对应的故障诊断结果,避免了人工处理告警信息的问题,提高了故障诊断的效率和准确性。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种故障诊断方法、装置、电子设备及介质。
背景技术
在各种企业(如金融企业)的业务系统的运维工作中,业务运行的告警排查是其中较为重要的一环,其核心是基于相关运维系统所提供的告警信息等数据得出对应的故障原因,以进一步进行后续的故障处理。
目前在告警排查的过程中,通常是依赖于相关运维人员的经验知识,人工基于运维系统所提供的告警信息进行告警排查相关的处理工作。但是,在人工处理过程中,可能会由于相关运维人员经验较低等原因而造成告警信息的处理效率和准确性低的问题。
发明内容
本发明实施例提供了一种故障诊断方法、装置、电子设备及介质,以提高故障诊断的效率和准确性。
根据本发明实施例的一方面,提供了一种故障诊断方法,包括:
基于目标数据构建知识图谱,所述目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据;
根据所获取的故障告警信息,确定至少一个目标关键词;
基于所述知识图谱和所述至少一个目标关键词,确定所述故障告警信息对应的故障诊断结果。
根据本发明实施例的另一方面,提供了一种故障诊断装置,包括:
构建模块,用于基于目标数据构建知识图谱,所述目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据;
关键词确定模块,用于根据所获取的故障告警信息,确定至少一个目标关键词;
结果确定模块,用于基于所述知识图谱和所述至少一个目标关键词,确定所述故障告警信息对应的故障诊断结果。
根据本发明实施例的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的故障诊断方法。
根据本发明实施例的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的故障诊断方法。
本发明实施例的技术方案,首先基于目标数据构建知识图谱,目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据;然后根据所获取的故障告警信息,确定至少一个目标关键词;最后基于知识图谱和至少一个目标关键词,确定故障告警信息对应的故障诊断结果。该方法通过基于目标数据所构建的知识图谱,以及根据故障告警信息所确定的目标关键词,能够自动确定故障告警信息对应的故障诊断结果,避免了人工处理告警信息的问题,提高了故障诊断的效率和准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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他的附图。
图1为本发明实施例一提供的一种故障诊断方法的流程图;
图2为本发明实施例二提供的一种故障诊断方法的流程图;
图3为本发明实施例二提供的一种故障诊断方法的实现示意图;
图4为本发明实施例三提供的一种故障诊断装置的结构示意图;
图5为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在使用本发明各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本申请所涉及个人信息的类型、使用范围以及使用场景等告知用户不能够获得用户的授权。即本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
为了更好地理解本发明实施例,下面对相关术语进行介绍。
领域知识:由一个专业领域所包含的所有概念与关系组成的知识体系。
知识图谱:可称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
领域知识图谱:面向某一特定业务的应用场景来构建的知识图谱,包含更专业的知识、更丰富的数据模式和更复杂的知识结构体系,推理链路较长,对知识质量要求较为苛刻。
知识推理:基于一些特定的规则与约束,从已存在的知识中获得新的知识的方法。
图数据库:是一个使用图结构进行语义查询的非关系型数据库,通过使用节点、边和属性这三个元素来表示和储存数据。图数据库是一种NoSQL非关系型数据库,采用图形理论存储实体之间的关系信息。
语义计算:将知识图谱中的节点关系进行数学化建模,转化为矩阵或向量进行运算。
知识图谱嵌入:将高维的图结构数据映射到低维稠密的向量空间的过程。
自然语言处理(Natural Language Processing,NLP):是指利用人类交流所使用的自然语言与机器进行交互通讯的技术。通过人为的对自然语言的处理,使得计算机对其能够可读并理解。
图计算:图(Graph)是用于表示对象之间关联关系的一种抽象数据结构,使用顶点(Vertex)和边(Edge)进行描述:顶点表示对象,边表示对象之间的关系。可抽象成用图描述的数据即为图数据。图计算,便是以图作为数据模型来表达问题并予以解决的这一过程。
在故障诊断的过程中,大量依赖了运维人员的经验知识,而当前已有的排查诊断记录数据不能及时结构化地存储,无法有效地将个人的经验知识持久化到知识库中,难以实现知识的复用。对于运维工作本身,问题排查过程记录不规范,诊断结果未做结构化存储;对于新的运维人员,知识获取不及时,经验要求较高,培养成本较大。而在本发明中,可以利用知识图谱进行知识库的存储,通过NLP方法将自然语言记录转化为节点关系写入知识图谱,并基于知识图谱进行图计算与知识推理等处理,既可以对已有知识进行模式化建模,又可以实现知识驱动的故障诊断,降低了运维人员的经验要求,减少了故障诊断的成本,提高了故障诊断的效率和准确性。
实施例一
图1为本发明实施例一提供的一种故障诊断方法的流程图,本实施例可适用于对业务系统的运维故障进行诊断,以提高故障诊断效率和准确性的情况,该方法可以由故障诊断装置来执行,该故障诊断装置可以采用硬件和/或软件的形式实现,该故障诊断装置可配置于电子设备中,在本实施例中电子设备包括但不限于:台式计算机、笔记本电脑和服务器等设备。如图1所示,该方法包括:
S110、基于目标数据构建知识图谱,所述目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据。
本实施例中,目标数据可理解为与业务系统的故障诊断所关联的数据;此处对目标数据的具体内容不作限定,如目标数据可以包括故障处理报告数据、故障处理规范数据和系统运维知识数据。业务系统可理解为用于各种业务运行的系统。
故障处理报告数据可理解为针对业务系统运行过程中所出现过的故障(此处对故障的具体内容不作具体限定,如某业务系统中的某笔业务交易的响应时间超过设定的时间阈值(如3秒)),所形成的包含指示故障的信息、造成故障的原因、故障处理方式以及故障处理结果等的报告记录数据。故障处理报告数据可以是以表格形式存储记录的文件。
故障处理规范数据可理解为由业务系统可能出现的各种故障,造成故障的各种原因以及各个故障的处理规范(即可认为是业务系统所对应行业内所明文规定的对各个故障的规范处理方法)等所构成的数据。此处对故障处理规范数据的具体内容不作限定。故障处理规范数据可以是以文本存储方式(如文档方式)记录的文件。
系统运维知识数据可理解为在外部网络上所查询和获取的与业务系统运维的故障诊断所关联的资料内容数据。此处对系统运维知识数据不作具体限定,如可以是针对业务系统运维的各种故障问题,从外部网络上所查询得到的与解决该故障问题所相关的资料内容数据。
本实施例对如何基于目标数据构建知识图谱不作具体限定。如可以先将目标数据存储至图数据库(如Neo4j图形数据库)中,在此基础上可以将目标数据中的故障处理报告数据、故障处理规范数据和系统运维知识数据进行融合处理,使得各个数据中所包含的概念内容知识和相互之间所存在的关联关系进行融合,以得到一个完整的具体的知识结构体系,该知识结构体系可认为是所构建的知识图谱;此处对如何融合处理不作具体限定。
S120、根据所获取的故障告警信息,确定至少一个目标关键词。
本实施例中,故障告警信息可理解为指示业务系统运行故障的告警信息,也就是说,可认为是上述所描述的业务系统运行过程中的故障。此处对故障告警信息的具体内容不作限定,如可以是某业务系统中的某笔业务交易的响应时间超过设定的时间阈值(如3秒),也可以是某业务系统中的某笔业务交易的成功率低于设定的阈值(如90%)等。
目标关键词可理解为故障告警信息中所包含的与故障所关联的关键词;此处对目标关键词不作具体限定,如目标关键词可以为某业务系统、某笔业务交易、响应时间、超过以及设定时间阈值等。
根据所获取的故障告警信息可以确定至少一个目标关键词。此处对如何确定目标关键词不作具体限定;如可以通过NLP算法对故障告警信息进行词性语法的解析和关键词提取等处理以得到至少一个目标关键词;也就是说,将故障告警信息作为输入数据输入至已预先训练好的NLP算法中之后,通过NLP算法可以对所输入的故障告警信息进行分词、词性标注、依存句法分析以及关键词提取等一系列的处理,以得到对应的至少一个目标关键词。
S130、基于所述知识图谱和所述至少一个目标关键词,确定所述故障告警信息对应的故障诊断结果。
本实施例中,故障诊断结果可理解为指示引起故障告警信息的原因信息的诊断结果。此处对故障诊断结果的具体内容不作具体限定,如可以是某业务对应的运行服务器宕机,或者是服务器内存占用过高,又或者是服务器高负载等。
一个故障告警信息可以对应一个或多个故障诊断结果。在多个故障诊断结果的情况下,该多个故障诊断结果可以是按照优先级高低来排序的,其中优先级高低可以指示故障诊断结果的可靠性高低,即优先级越高则故障诊断结果的可靠性越高。
基于知识图谱和所至少一个目标关键词可以确定故障告警信息对应的故障诊断结果。此处对如何确定故障告警信息对应的故障诊断结果不作具体限定。如可以基于所确定的至少一个目标关键词在所确定的知识图谱中找到对应的至少一个节点(由于知识图谱是所构建的一个知识结构体系,其中每个节点可以为词语或文本内容,故可以基于目标关键词在知识图谱中找到与该目标关键词所关联的节点(如包含该目标关键词的节点)。);然后通过对知识图谱进行向量处理(此处对如何进行向量处理不作具体限定,如可以通过相应的处理模型将知识图谱嵌入低维的向量空间中),以得到向量形式的知识图谱,可理解的是,在向量形式的知识图谱中,节点也变为了向量形式,即目标关键词所对应的节点也变为了向量形式。
最后,可以对所得到的目标关键词对应的节点和目标数据中的故障处理报告数据和故障处理规范数据进行语义相似度计算处理,得到故障处理报告数据和故障处理规范数据中与目标关键词对应的节点关联的多个故障原因数据,以及各故障原因数据对应的置信度;在此基础上,故障原因数据可认为是故障诊断结果,基于置信度高低可以确定各个故障诊断结果的优先级高低,即置信度高的优先级高。置信度可理解为用于衡量语义相似度计算的结果可靠度高低的参数。
本实施例提供了一种故障诊断方法,首先基于目标数据构建知识图谱,目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据;然后根据所获取的故障告警信息,确定至少一个目标关键词;最后基于所述知识图谱和所述至少一个目标关键词,确定所述故障告警信息对应的故障诊断结果。该方法通过基于目标数据所构建的知识图谱,以及根据故障告警信息所确定的目标关键词,能够自动确定故障告警信息对应的故障诊断结果,避免了人工处理告警信息的问题,提高了故障诊断的效率和准确性。
实施例二
图2为本发明实施例二提供的一种故障诊断方法的流程图,本实施例二在上述各实施例的基础上进行细化。在本实施例中,对基于目标数据构建知识图谱的过程,根据所获取的故障告警信息,确定至少一个目标关键词的过程,以及基于知识图谱和所述至少一个目标关键词,确定故障告警信息对应的故障诊断结果的过程进行了具体描述。需要说明的是,未在本实施例中详尽描述的技术细节可参见上述任意实施例。如图2所示,该方法包括:
S210、将目标数据存储至图数据库。
本实施例中,目标数据可以包括故障处理报告数据、故障处理规范数据和系统运维知识数据。为了将目标数据进行结构化存储,可以将目标数据存储至图数据库中。此处对如何将目标数据存储至图数据库中不作具体限定,如可以将故障处理报告数据以表格形式存储至图数据库中,将故障处理规范数据以文本形式存储至图数据库中,对系统运维知识数据进行相应的处理以得到对应的领域本体,并将所得到的领域本体存储至图数据库中。
此处对如何对系统运维知识数据进行相应的处理以得到对应的领域本体不作限定,如可以采用演绎与归纳相结合的处理策略处理系统运维知识,以得到领域本体。领域本体可认为是指专业性的本体,描述的是特定领域中的概念和概念之间的关系,提供了某个行业领域中专业概念的词表以及概念间的关系,或在该领域里占主导地位的理论。
可选的,将目标数据存储至图数据库,包括:将故障处理报告数据以表格形式存储至图数据库;将故障处理规范数据以文本形式存储至图数据库;对系统运维知识数据进行设定处理,得到对应的领域本体,并将领域本体存储至图数据库。
本实施例中,将故障处理报告数据以表格形式存储至图数据库;将故障处理规范数据以文本形式存储至图数据库;对系统运维知识数据进行设定处理,得到对应的领域本体,并将领域本体存储至图数据库。
设定处理可理解为预先设定的处理方式;此处对如何对系统运维知识数据进行设定处理不作限定。如可以采用演绎与归纳相结合的处理策略,首先依据预先划分的几个域(如业务系统的组成架构、业务系统的故障处理以及业务系统的故障类型等)对系统运维知识进行自上而下的演绎处理;然后,采用自下而上的归纳处理,对系统运维知识进行梳理和总结;最后,通过对自上而下的演绎处理和自下而上的归纳处理的方法进行迭代调整,以得出最终的领域本体。
S220、对目标数据中的故障处理报告数据、故障处理规范数据和系统运维知识数据分别进行实体消歧处理,得到对应的处理结果。
本实施例中,处理结果可理解为是实体消歧处理后得到的结果。歧可理解为一个实体指称项可对应到多个真是世界实体,如张三可以表示篮球运动员,也可以表示计算机科学家,或者其他实体。实体消歧可理解为确定一个实体指称项所指向的真实世界实体的技术,也就是说可认为是解决同名实体存在的一词多义歧义问题。此处对实体消歧处理所采用的方法不作具体限定,如可以采用基于实体链接的实体消歧方法。
分别对目标数据中的故障处理报告数据、故障处理规范数据和系统运维知识数据进行实体消歧处理,可以得到对应的处理结果。
S230、基于故障处理报告数据的处理结果、故障处理规范数据的处理结果和系统运维知识数据对应的处理结果进行融合处理,得到知识图谱。
本实施例中,基于所得到的故障处理报告数据的处理结果、故障处理规范数据的处理结果和系统运维知识数据对应的处理结果,可以对各个处理结果进行融合处理以得到对应的知识图谱。此处对如何融合处理不作具体限定,如可以将各个处理结果中所包含的概念内容知识和相互之间所存在的关联关系进行融合,以得到一个完整的具体的知识结构体系,该知识结构体系可认为是所构建的知识图谱。
S240、获取故障告警信息。
本实施例中,对如何获取故障告警信息不作具体限定,如可以是与用于提供故障告警信息的告警系统进行网络连接,在告警系统接收到故障告警信息之后,可以实时从告警系统那获取到当前的故障告警信息。
S250、通过NLP算法对故障告警信息进行关键词提取,得到至少一个目标关键词。
本实施例中,对如何通过NLP算法对故障告警信息进行关键词提取不作限定;如可以通过NLP算法对故障告警信息进行词法分析(如可包括分词、词性标注、实体识别等分析)、句法分析(如可包括句法结构分析、依存关系分析等)和语义分析(如可包括词义消歧、词义表示等)等处理,以提取出故障告警信息对应的至少一个关键词作为目标关键词。
S260、基于至少一个目标关键词在知识图谱中确定至少一个目标节点,目标节点指示与所对应目标关键词关联的内容。
本实施例中,目标节点可以指示与所对应目标关键词关联的内容,如目标节点可以是包含目标关键词的节点。基于至少一个目标关键词可以在知识图谱中确定至少一个目标节点;此处对如何确定目标节点不作限定,如可以是基于目标关键词,在知识图谱中找到包含目标关键词的节点作为目标节点。
S270、通过知识推理模型对知识图谱进行向量处理,得到向量形式的目标节点。
本实施例中,知识推理模型可理解为基于知识推理方法的可用于将知识图谱嵌入到低维的向量空间的算法模型;知识推理模型为已训练好的模型。通过知识推理模型可以对所构建的知识图谱进行向量处理,以得到向量形式的知识图谱,从而可以得到向量形式的目标节点。此处对如何通过知识推理模型对知识图谱进行向量处理不作限定。
S280、基于至少一个目标节点和故障数据,确定故障告警信息对应的故障诊断结果,故障数据包括故障处理报告数据和故障处理规范数据。
本实施例中,故障数据可理解为包含故障处理报告数据和故障处理规范数据的数据。
此处对如何基于至少一个目标节点和故障数据,确定故障告警信息对应的故障诊断结果不作具体限定,如可以对至少一个目标节点(即向量形式的目标节点)和故障数据进行语义相似度计算,得到故障数据中与目标关键词对应的节点关联的多个故障原因数据,以及各故障原因数据对应的置信度;在此基础上,故障原因数据可认为是故障诊断结果,基于置信度高低可以确定各个故障诊断结果的优先级高低,即置信度高的优先级高。语义相似度计算可理解为基于语义计算目标节点所包含内容和故障数据所包含内容之间的具有相似度的内容;此处对如何进行语义相似度计算不作具体限定。
可选的,基于至少一个目标节点和故障数据,确定故障告警信息对应的故障诊断结果,包括:对至少一个目标节点和故障数据进行语义相似度计算,得到计算结果;基于计算结果确定故障告警信息对应的故障诊断结果。
本实施例中,对至少一个目标节点和故障数据进行语义相似度计算,得到计算结果;计算结果可理解为语义相似度计算的结果;此处对计算结果不作限定,如可以包括故障数据中与目标关键词对应的目标节点关联的多个故障原因数据,以及各故障原因数据对应的置信度。在此基础上,可以基于计算结果确定故障告警信息对应的故障诊断结果,故障原因数据可认为是故障诊断结果,置信度高低可以指示各个故障诊断结果的优先级高低。
本实施例,具体化了基于目标数据构建知识图谱的过程,根据所获取的故障告警信息,确定至少一个目标关键词的过程,以及基于知识图谱和所述至少一个目标关键词,确定故障告警信息对应的故障诊断结果的过程。该方法通过对目标数据进行消歧处理,并将所得到的处理结果进行融合处理得到对应的知识图谱;通过NLP算法对故障告警信息进行关键词提取以得到至少一个目标关键词;通过知识推理模型得到向量形式的知识图谱,并基于目标关键词对应的目标节点和故障数据,确定故障告警信息对应的故障诊断结果,能够自动确定故障告警信息对应的故障诊断结果,避免了人工处理告警信息的问题,提高了故障诊断的效率和准确性。
可选的,在确定故障告警信息对应的故障诊断结果之后,还包括:将故障诊断结果增加至故障处理报告数据中,得到新的故障处理报告数据;基于新的故障处理规范数据、故障处理规范数据和系统运维知识数据构建新的知识图谱,新的知识图谱用于下一次故障告警信息所对应故障诊断结果的确定。
本实施例中,在确定故障告警信息对应的故障诊断结果之后,可以将故障诊断结果增加至故障处理报告数据中,以得到新的故障处理报告数据。基于新的故障处理规范数据、故障处理规范数据和系统运维知识数据可以构建新的知识图谱,此处对如何构建新的知识图谱不作具体限定,可参加上述构建知识图谱的内容;在此基础上,新的知识图谱可以用于下一次故障告警信息所对应故障诊断结果的确定,即可以基于新的知识图谱和下一次所获取的故障告警信息确定下一次故障告警信息对应的故障诊断结果。
以下对本发明进行示例性说明。
图3为本发明实施例二提供的一种故障诊断方法的实现示意图。如图3所示,可分为数据源、数据层、模型层与应用层。采用领域知识图谱进行知识建模,采用知识推理进行故障诊断进而辅助决策。
一、知识图谱的构建
首先确定领域本体的专业领域和范畴、梳理并列出领域本体涉及领域中的重要术语、概念抽取和概念层次分类以及定义概念之间的关系。如可以采用演绎与归纳相结合的策略,首先依据划分的几个域进行自上而下的演绎;其次,采用自下而上的归纳,对实际的领域知识进行通过梳理和总结;然后,对自上而下和自下而上的方法进行迭代调整,得出最终的领域本体。
本发明使用图数据库Neo4j作为知识图谱的存储工具。首先对几种不同的数据源(包括告警处置记录(即故障处理报告数据)、告警排查文档(即故障处理规范数据)和系统运维的知识(即系统运维知识数据)等数据)进行归一化存储,主要包括结构化记录的告警处置记录(以表格形式存储)、告警排查文档(以文本形式存储)和系统运维的知识。对于系统运维的知识,由领域内相关专家对固有的领域知识进行梳理与模式设计,构建一个领域通用的本体(即领域本体),并存储至图数据库Neo4j;对于表格形式的告警处置记录,将其存储至图数据库Neo4j;对于文本存储的告警排查文档,利用NLP方法对其进行分词、词性标注与依存句法分析等处理,最终转化为出带有语义的多个三元组,并以节点-关系的模式存入图数据库Neo4j。存储至图数据库Neo4j中的各个数据可以进行实体消歧,然后完成知识的融合处理以得到对应的知识图谱。
示例性的,将业务系统运维领域知识图谱可以划分为领域知识图谱和案例知识图谱。其中领域知识图谱为固有知识域,即存储确定的、更新较少的领域知识,这类知识主要包括设备故障知识(设备可理解为业务系统所关联的电子设备,如存取款设备等)、系统故障知识、系统上下游知识(如与业务系统进行交互的其他外部系统所对应的领域知识)等,主要获取来源可以为行业内的标准规范、实际生产规定、明文规定的确定性知识等。而案例知识图谱可以为实例数据域,这类知识可以包括历史的告警排查、故障诊断案例(即之前已经发生并处理过的故障诊断情况所对应的相关知识),即存储一些描述事实的、真实发生过的故障诊断事件。
二、基于知识推理方法的故障诊断
这一部分是基于上述构建的知识图谱,依据输入的告警信息(即故障告警信息)得出辅助诊断信息(即故障诊断结果)。首先可以将输入的告警信息进行关键词提取(即通过NLP模型进行分词、词性标注和依存句法分析等处理来提取关键词,即目标关键词),并在知识图谱中找到对应节点(如可将告警信息对应的关键词输入至知识图谱模型中得到对应的目标节点),创建一个未知节点作为诊断结果;然后基于知识推理模型将知识图谱嵌入到低维的向量空间,得到向量形式的知识图谱;将未知节点、在知识图谱中找到的关键词对应的节点与历史故障数据(即故障数据),通过语义计算模型做语义相似度计算,最终按照计算得出的置信度(即计算结果)通过推荐模型(可认为是用于基于计算结果推荐故障诊断结果的模型)推送出至少一个诊断结果(可按照优先级排序推送)。故障诊断结果可以通过可视化模块,可视化设置于运维相关设备的屏幕上以供运维人员使用。
故障诊断模型包括知识图谱模型、知识推理模型、语义计算模型和推荐模型。
示例性的,知识推理可认为是将知识图谱这一图形结构映射到向量空间,本发明结合本体规则推理与表示学习推理方法进行知识图谱的嵌入,以表示学习推理方法为核心,本体规则推理为辅助,依然采用图嵌入、向量计算的基本思路进行推理,将本体中的规则约束进行梳理并植入到表示学习推理对应的模型中,旨在为嵌入过程提供更加丰富的语义信息,从而使得知识图谱映射的向量能表达更多图谱特征。其中本体推理可以利用领域本体公理进行逻辑推理,表示学习推理可以采用node2vec随机游走算法,此处对此不作限定。
知识图谱作为故障诊断模型的基础,告警信息与相关的设备系统信息(设备系统信息可理解为指示与业务系统关联的电子设备(如存取款设备)和业务系统的运行情况的信息,如电子设备的内存使用率、资源占用率等信息)作为故障诊断模型的输入数据,通过知识推理与语义计算得出置信度较高的诊断结果(即故障诊断结果),以提供给运维人员进行告警信息诊断的辅助决策,最后可以对诊断结果进行评估,并将诊断结果添加至告警处置记录中,基于新的告警处置记录、告警排查文档和系统运维知识构建新的知识图谱,新的知识图谱用于下一次的诊断结果的确定,完成知识图谱的不断优化。
本发明采用知识图谱,以图结构的形式进行相关数据的存储,存储结构更直观,关系查询效率更高,从而表达语义的能力更强,并且能提高知识查询的效率。通过将自上而下的演绎与自下而上的归纳相结合,使得知识图谱既有严谨完备的模式层,又有丰富多样的数据层,从而使得知识图谱的知识体系在结构化存储过程中能够尽可能少的损失重要的数据信息。采用的故障诊断方法。知识推理方法是知识驱动的推理方法,比起数据驱动的故障诊断,可解释性较强,从而提高了故障诊断的准确性和可靠性。
实施例三
图4为本发明实施例三提供的一种故障诊断装置的结构示意图。如图4所示,该装置包括:
构建模块310,用于基于目标数据构建知识图谱,所述目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据;
关键词确定模块320,用于根据所获取的故障告警信息,确定至少一个目标关键词;
结果确定模块330,用于基于所述知识图谱和所述至少一个目标关键词,确定所述故障告警信息对应的故障诊断结果。
本实施例,通过构建模块310,基于目标数据构建知识图谱,目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据;通过关键词确定模块320,根据所获取的故障告警信息,确定至少一个目标关键词;通过结果确定模块330,基于知识图谱和至少一个目标关键词,确定故障告警信息对应的故障诊断结果。该装置通过基于目标数据所构建的知识图谱,以及根据故障告警信息所确定的目标关键词,能够自动确定故障告警信息对应的故障诊断结果,避免了人工处理告警信息的问题,提高了故障诊断的效率和准确性。
可选的,构建模块310,包括:
存储单元,用于将所述目标数据存储至图数据库;
第一处理单元,用于对所述目标数据中的故障处理报告数据、故障处理规范数据和系统运维知识数据分别进行实体消歧处理,得到对应的处理结果;
第二处理单元,用于基于所述故障处理报告数据的处理结果、所述故障处理规范数据的处理结果和所述系统运维知识数据对应的处理结果进行融合处理,得到知识图谱。
可选的,存储单元,具体用于:
将所述故障处理报告数据以表格形式存储至图数据库;
将所述故障处理规范数据以文本形式存储至所述图数据库;
对所述系统运维知识数据进行设定处理,得到对应的领域本体,并将所述领域本体存储至所述图数据库。
可选的,关键词确定模块320,包括:
获取单元,用于获取故障告警信息;
提取单元,用于通过NLP算法对所述故障告警信息进行关键词提取,得到至少一个目标关键词。
可选的,结果确定模块330,包括:
节点确定单元,用于基于所述至少一个目标关键词在所述知识图谱中确定至少一个目标节点,所述目标节点指示与所对应目标关键词关联的内容;
向量处理单元,用于通过知识推理模型对所述知识图谱进行向量处理,得到向量形式的目标节点;
结果确定单元,用于基于所述至少一个目标节点和故障数据,确定所述故障告警信息对应的故障诊断结果,所述故障数据包括所述故障处理报告数据和所述故障处理规范数据。
可选的,结果确定单元,包括:
计算子单元,用于对所述至少一个目标节点和所述故障数据进行语义相似度计算,得到计算结果;
结果确定子单元,用于基于所述计算结果确定所述故障告警信息对应的故障诊断结果。
可选的,该装置还包括:
增加模块,用于在确定所述故障告警信息对应的故障诊断结果之后,将所述故障诊断结果增加至所述故障处理报告数据中,得到新的故障处理报告数据;
图谱构建模块,用于基于所述新的故障处理规范数据、所述故障处理规范数据和所述系统运维知识数据构建新的知识图谱,所述新的知识图谱用于下一次故障告警信息所对应故障诊断结果的确定。
本发明实施例所提供的故障诊断装置可执行本发明任意实施例所提供的故障诊断方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如故障诊断方法。
在一些实施例中,故障诊断方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的故障诊断方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行故障诊断方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种故障诊断方法,其特征在于,所述方法包括:
基于目标数据构建知识图谱,所述目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据;
根据所获取的故障告警信息,确定至少一个目标关键词;
基于所述知识图谱和所述至少一个目标关键词,确定所述故障告警信息对应的故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述基于目标数据构建知识图谱,包括:
将所述目标数据存储至图数据库;
对所述目标数据中的故障处理报告数据、故障处理规范数据和系统运维知识数据分别进行实体消歧处理,得到对应的处理结果;
基于所述故障处理报告数据的处理结果、所述故障处理规范数据的处理结果和所述系统运维知识数据对应的处理结果进行融合处理,得到知识图谱。
3.根据权利要求2所述的方法,其特征在于,将所述目标数据存储至所述图数据库,包括:
将所述故障处理报告数据以表格形式存储至图数据库;
将所述故障处理规范数据以文本形式存储至所述图数据库;
对所述系统运维知识数据进行设定处理,得到对应的领域本体,并将所述领域本体存储至所述图数据库。
4.根据权利要求1所述的方法,其特征在于,所述根据所获取的故障告警信息,确定至少一个目标关键词,包括:
获取故障告警信息;
通过自然语言处理NLP算法对所述故障告警信息进行关键词提取,得到至少一个目标关键词。
5.根据权利要求1所述的方法,其特征在于,基于所述知识图谱和所述至少一个目标关键词,确定所述故障告警信息对应的故障诊断结果,包括:
基于所述至少一个目标关键词在所述知识图谱中确定至少一个目标节点,所述目标节点指示与所对应目标关键词关联的内容;
通过知识推理模型对所述知识图谱进行向量处理,得到向量形式的目标节点;
基于所述至少一个目标节点和故障数据,确定所述故障告警信息对应的故障诊断结果,所述故障数据包括所述故障处理报告数据和所述故障处理规范数据。
6.根据权利要求5所述的方法,其特征在于,基于所述至少一个目标节点和故障数据,确定所述故障告警信息对应的故障诊断结果,包括:
对所述至少一个目标节点和所述故障数据进行语义相似度计算,得到计算结果;
基于所述计算结果确定所述故障告警信息对应的故障诊断结果。
7.根据权利要求1所述的方法,其特征在于,在确定所述故障告警信息对应的故障诊断结果之后,还包括:
将所述故障诊断结果增加至所述故障处理报告数据中,得到新的故障处理报告数据;
基于所述新的故障处理规范数据、所述故障处理规范数据和所述系统运维知识数据构建新的知识图谱,所述新的知识图谱用于下一次故障告警信息所对应故障诊断结果的确定。
8.一种故障诊断装置,其特征在于,包括:
构建模块,用于基于目标数据构建知识图谱,所述目标数据包括:故障处理报告数据、故障处理规范数据和系统运维知识数据;
关键词确定模块,用于根据所获取的故障告警信息,确定至少一个目标关键词;
结果确定模块,用于基于所述知识图谱和所述至少一个目标关键词,确定所述故障告警信息对应的故障诊断结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的故障诊断方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093373.9A CN116307672A (zh) | 2022-09-08 | 2022-09-08 | 一种故障诊断方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093373.9A CN116307672A (zh) | 2022-09-08 | 2022-09-08 | 一种故障诊断方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307672A true CN116307672A (zh) | 2023-06-23 |
Family
ID=86783808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211093373.9A Pending CN116307672A (zh) | 2022-09-08 | 2022-09-08 | 一种故障诊断方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307672A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN117192373A (zh) * | 2023-08-08 | 2023-12-08 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
CN117341781A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市鼎善信息科技有限公司 | 轨道交通故障处理方法、装置、计算机设备及存储介质 |
CN117851612A (zh) * | 2024-01-10 | 2024-04-09 | 星环信息科技(上海)股份有限公司 | 基于图嵌入的卫星故障诊断方法、装置、设备及存储介质 |
-
2022
- 2022-09-08 CN CN202211093373.9A patent/CN116307672A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192373A (zh) * | 2023-08-08 | 2023-12-08 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
CN117192373B (zh) * | 2023-08-08 | 2024-05-07 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN116893924B (zh) * | 2023-09-11 | 2023-12-01 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN117341781A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市鼎善信息科技有限公司 | 轨道交通故障处理方法、装置、计算机设备及存储介质 |
CN117341781B (zh) * | 2023-12-04 | 2024-03-22 | 深圳市鼎善信息科技有限公司 | 轨道交通故障处理方法、装置、计算机设备及存储介质 |
CN117851612A (zh) * | 2024-01-10 | 2024-04-09 | 星环信息科技(上海)股份有限公司 | 基于图嵌入的卫星故障诊断方法、装置、设备及存储介质 |
CN117851612B (zh) * | 2024-01-10 | 2024-07-02 | 星环信息科技(上海)股份有限公司 | 基于图嵌入的卫星故障诊断方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11573992B2 (en) | Method, electronic device, and storage medium for generating relationship of events | |
CN116307672A (zh) | 一种故障诊断方法、装置、电子设备及介质 | |
CN112559717B (zh) | 搜索匹配方法、装置、电子设备以及存储介质 | |
CN114579104A (zh) | 数据分析场景的生成方法、装置、设备及存储介质 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN117632654A (zh) | 一种运维风险等级评估方法、装置、电子设备及存储介质 | |
CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
EP3992814A2 (en) | Method and apparatus for generating user interest profile, electronic device and storage medium | |
CN117807204A (zh) | 工程机械故障问题的问答诊断方法、装置、设备和介质 | |
CN115840738A (zh) | 一种数据迁移方法、装置、电子设备及存储介质 | |
CN117150000B (zh) | 一种投标书的生成方法、装置、设备及存储介质 | |
CN117235280A (zh) | 一种操作票生成方法、装置、设备及介质 | |
CN117745482A (zh) | 合同条款的确定方法、装置、设备和介质 | |
CN116955856A (zh) | 信息展示方法、装置、电子设备以及存储介质 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN114880498B (zh) | 事件信息展示方法及装置、设备和介质 | |
CN115952258A (zh) | 政务标签库的生成方法、政务文本的标签确定方法和装置 | |
CN115687031A (zh) | 一种告警描述文本的生成方法、装置、设备及介质 | |
CN114547477A (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
CN113051396B (zh) | 文档的分类识别方法、装置和电子设备 | |
CN114492446A (zh) | 法律文书处理方法、装置、电子设备及存储介质 | |
CN113590774A (zh) | 事件查询方法、装置以及存储介质 | |
CN116737520B (zh) | 一种日志数据的数据编织方法、装置、设备及存储介质 | |
CN115934801B (zh) | 统计类数据模型构建方法、装置、电子设备及存储介质 | |
CN116089459B (zh) | 数据检索方法、装置、电子设备及存储介质 |
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 |