CN116560891A - 一种故障处理方法、装置、电子设备及存储介质 - Google Patents
一种故障处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116560891A CN116560891A CN202310586771.2A CN202310586771A CN116560891A CN 116560891 A CN116560891 A CN 116560891A CN 202310586771 A CN202310586771 A CN 202310586771A CN 116560891 A CN116560891 A CN 116560891A
- Authority
- CN
- China
- Prior art keywords
- fault
- prompt information
- association
- processed
- information
- 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
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 137
- 230000004044 response Effects 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例公开了一种故障处理方法、装置、电子设备及存储介质。该方法包括：获取待处理故障关联描述数据；通过故障处理模型根据待处理故障关联描述数据生成待处理故障关联提示信息；将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配；在确定历史故障关联提示信息中存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将目标历史故障关联提示信息的目标历史故障处理应答信息作为待处理故障关联描述数据的当前故障处理应答信息。本发明实施例的技术方案能够降低故障识别的资源消耗，提高故障识别的效率。
Description
技术领域
本发明实施例涉及信息处理技术领域，尤其涉及一种故障处理方法、装置、电子设备及存储介质。
背景技术
随着信息化进程的飞速发展，各行业信息化建设不断完善，行业内的业务操作逐渐集中于信息系统或信息平台。
为保证信息系统或信息平台的正常运行，技术人员需要不断积累运维知识，以完成快速排障，但人工处理的时效性会影响信息服务的恢复速度，同时人工的不可靠性也可能导致问题扩大。现有的故障处理过程中，越来越多的企业通过人工智能的方法辅助定位故障，定位故障后一般通过人工分析判断止损，或是通过人工智能模型根据每个故障生成相应的故障处理方案。
发明人在实现本发明的过程中，发现现有技术存在如下缺陷：现有的故障处理方法，忽略了故障处理过程中故障描述不同但故障出现的根因可能相同的问题，增加了资源的消耗，降低了故障处理的效率。
发明内容
本发明实施例提供了一种故障处理方法、装置、电子设备及存储介质，能够降低故障识别的资源消耗，提高故障识别的效率。
第一方面，本发明实施例提供了一种故障处理方法，包括：
获取待处理故障关联描述数据；
通过故障处理模型根据所述待处理故障关联描述数据生成待处理故障关联提示信息；
将所述待处理故障关联提示信息与所述故障处理模型的历史故障关联提示信息进行匹配；
在确定所述历史故障关联提示信息中存在与所述待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将所述目标历史故障关联提示信息的目标历史故障处理应答信息作为所述待处理故障关联描述数据的当前故障处理应答信息。
第二方面，本发明实施例还提供了一种故障处理装置，包括：
待处理故障关联描述数据获取模块，用于获取待处理故障关联描述数据；
待处理故障关联提示信息生成模块，用于通过故障处理模型根据所述待处理故障关联描述数据生成待处理故障关联提示信息；
故障关联提示信息匹配模块，用于将所述待处理故障关联提示信息与所述故障处理模型的历史故障关联提示信息进行匹配；
当前故障处理应答信息确定模块，用于在确定所述历史故障关联提示信息中存在与所述待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将所述目标历史故障关联提示信息的目标历史故障处理应答信息作为所述待处理故障关联描述数据的当前故障处理应答信息。
第三方面，本发明实施例还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处理方法。
第四方面，本发明实施例还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处理方法。
本发明实施例通过获取待处理故障关联描述数据，从而通过故障处理模型根据待处理故障关联描述数据生成待处理故障关联提示信息，进而将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配，以在确定历史故障关联提示信息中存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将目标历史故障关联提示信息的目标历史故障处理应答信息作为待处理故障关联描述数据的当前故障处理应答信息，解决了现有故障处理过程中因需要对每个待处理故障关联提示信息进行应答文本的生成推理过程，导致的计算资源消耗较大以及故障处理效率较低等问题，能够降低故障识别的资源消耗，提高故障识别的效率。
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是本发明实施例一提供的一种故障处理方法的流程图；
图2是本发明实施例二提供的一种故障处理方法的流程图；
图3是本发明实施例三提供的一种故障处理装置的结构示意图；
图4是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“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。
实施例一
图1是本发明实施例一提供的一种故障处理方法的流程图，本实施例可适用于根据历史故障关联提示信息的匹配结果快速进行故障处理的情况，该方法可以由故障处理装置来执行，该故障处理装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中，该电子设备可以是具有故障处理功能的终端设备，也可以是服务器设备等，本发明实施例并不对电子设备的具体设备类型进行限定。相应的，如图1所示，该方法包括：
S110、获取待处理故障关联描述数据。
其中，故障关联描述数据可以是用于描述与故障信息或特征等相关联的数据。可选的，故障关联描述数据可以是单模态的，也可以是多模态的。
在本发明实施例中，故障处理平台可以获取待处理故障关联描述数据。可选的，待处理故障关联描述数据可以是工作人员提供的，也可以是远程终端设备自动上传的，本发明实施例对此并不进行限定。
S120、通过故障处理模型根据待处理故障关联描述数据生成待处理故障关联提示信息。
其中，故障处理模型可以是用于识别故障并给出故障处理方案的模型，例如可以包括但不限于数学模型和人工智能模型等，其中，人工智能模型例如可以包括但不限于机器学习模型和深度学习模型等。待处理故障关联提示信息可以是用于描述或提示与待处理故障特征相关联的信息。
相应的，在获取到待处理故障关联描述数据之后，故障处理平台可以通过故障处理模型，根据获取的待处理故障关联描述数据生成待处理故障关联提示信息。
S130、将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配。
其中，历史故障关联提示信息可以理解为故障处理模型历史生成的故障关联提示信息。
相应的，故障处理平台可以将根据待处理故障关联描述数据生成的待处理故障关联提示信息，与故障处理模型的历史故障关联提示信息进行匹配，以根据待处理故障关联提示信息与故障处理模型的历史故障关联提示信息的匹配情况来确定下一步的故障处理操作。
S140、在确定历史故障关联提示信息中存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将目标历史故障关联提示信息的目标历史故障处理应答信息作为待处理故障关联描述数据的当前故障处理应答信息。
其中，目标历史故障关联提示信息可以是与当前待处理故障关联提示信息相匹配的历史故障关联提示信息。故障处理应答信息可以是用于描述故障处理方法的应答信息，例如故障处理应答信息可以是故障处理方案，可以包括但不限于故障的文字描述、建议的故障解决方法和故障出现的原因等应答信息。历史故障处理应答信息可以理解为故障处理模型历史生成的故障处理应答信息。目标历史故障处理应答信息可以理解为与目标历史故障关联提示信息相对应的历史故障处理应答信息。当前故障处理应答信息可以理解为与当前待处理故障关联描述数据对应的故障处理应答信息。
具体的，故障处理平台可以判断历史故障关联提示信息中是否存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息，若历史故障关联提示信息中存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息，则可以将目标历史故障关联提示信息的目标历史故障处理应答信息作为待处理故障关联描述数据的当前故障处理应答信息；若历史故障关联提示信息中不存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息，则可能是待处理故障关联提示信息是一个与任一历史故障关联提示信息均不相同的故障关联提示信息，可以通过故障处理模型重新生成与待处理故障关联提示信息相对应的故障处理应答信息。
本发明实施例通过获取待处理故障关联描述数据，从而通过故障处理模型根据待处理故障关联描述数据生成待处理故障关联提示信息，进而将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配，以在确定历史故障关联提示信息中存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将目标历史故障关联提示信息的目标历史故障处理应答信息作为待处理故障关联描述数据的当前故障处理应答信息，解决了现有故障处理过程中因需要对每个待处理故障关联提示信息进行应答文本的生成推理过程，导致的计算资源消耗较大以及故障处理效率较低等问题，能够降低故障识别的资源消耗，提高故障识别的效率。
实施例二
图2是本发明实施例二提供的一种故障处理方法的流程图，本实施例基于上述实施例进行进一步优化与扩展，给出了获取待处理故障关联描述数据、通过故障处理模型根据待处理故障关联描述数据生成待处理故障关联提示信息以及将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配的多种具体可选的实现方式。相应的，如图2所示，本实施例的方法可以包括：
S210、获取多模态故障关联描述数据；其中，多模态故障关联描述数据可以包括以下至少一项：故障现场关联图像数据、故障语音描述数据以及故障文本描述数据等。
其中，多模态故障关联描述数据可以理解为用于描述故障信息的多种不同类型的数据。故障现场关联图像数据可以理解为以图像的形式记录或描述故障现场信息的数据。故障语音描述数据可以理解为以语音的形式记录或描述故障信息的数据。故障文本描述数据可以理解为以文字或文本的形式记录或描述故障信息的数据。
相应的，故障处理平台可以获取故障现场关联图像数据、故障语音描述数据以及故障文本描述数据等多模态故障关联描述数据。示例性的，故障现场关联图像数据可以是用户提交的故障现场截图或照片，也可以是监控设备或摄像机采集的故障现场图像数据，或者还可以是故障设备自动发送的图像数据。故障语音描述数据可以包括故障的音频描述数据，还可以包括音频信息采集设备采集的音频信息，例如，可以通过音频信息采集设备采集被监控设备的声音频率等信息，以分析被监控设备的音频信息是否处于正常范围，从而判断被监控设备是否处于正常的工作状态。
S220、将多模态故障关联描述数据转换为待处理故障关联描述数据。
相应的，故障处理平台可以将多模态故障关联描述数据转换为待处理故障关联描述数据。示例性的，在将故障现场关联图像数据转换为待处理故障关联描述数据的过程中，可以采用基础的OCR(Optical Character Recognition，光学字符识别)技术从图像中提取具体文字信息，同时采用stable-diffusion CLIP interrogator(稳定扩散剪辑询问器)技术识别对应的场景功能，以将图像信息转换为文本信息。在将故障语音描述数据转换为待处理故障关联描述数据的过程中，可以采用音频处理技术对音频描述进行语音识别和声音特征提取等处理，以将其转换为文本信息。在将故障文本描述数据转换为待处理故障关联描述数据的过程中，可以采用NLP(Natural Language Processing，自然语言处理)技术对得到的文本信息进行分词、词性标注和实体识别等处理，从而提取关键信息得到待处理故障关联描述数据。
可选的，在获取待处理故障关联描述数据之前，还可以包括：获取故障关联描述样本数据；根据故障关联描述样本数据对故障处理模型进行训练。
其中，故障关联描述样本数据可以是用于描述与故障信息或特征相关联的样本数据。
相应的，在获取待处理故障关联描述数据之前，故障处理平台还可以获取故障关联描述样本数据，以根据故障关联描述样本数据对故障处理模型进行训练。
可选的，故障处理模型可以包括GPT模型。
相应的，故障处理平台可以通过训练GPT模型的方式，将GPT模型应用于本实施例中，例如，可以利用故障知识库对GPT模型进行训练，可以将历史的故障案例、解决方案和最佳实践等信息融入到GPT模型中，提高GPT模型的专业性和针对性。需要说明的是，本发明实施例并不对故障处理模型的具体模型进行限定。
S230、根据待处理故障关联描述数据确定故障现场功能数据。
S240、通过故障处理模型根据待处理故障关联描述数据和故障现场功能数据生成待处理故障关联提示信息。
其中，故障现场功能数据可以是故障发生时描述现场功能的数据。
相应的，故障处理平台可以根据待处理故障关联描述数据确定故障现场功能数据，以通过故障现场功能数据获取故障现场功能出现异常的数据，从而通过故障处理模型根据待处理故障关联描述数据和故障现场功能数据生成待处理故障关联提示信息。
示例性的，可以采用提问prompt方法将待处理故障关联描述数据和故障现场功能数据进行关联，从而生成与当前故障现场功能相对应的提问prompt。
S250、将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配。
可选的，将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配，可以包括：将待处理故障关联提示信息进行向量转换，得到向量表示故障关联提示信息；采用相似度匹配算法对向量表示故障关联提示信息与故障处理模型的历史故障关联提示信息的向量表示信息进行匹配。
其中，向量表示故障关联提示信息可以理解为由多维度特征组成的向量信息表示的故障关联提示信息。
相应的，故障处理平台可以将待处理故障关联提示信息进行向量转换，得到向量表示故障关联提示信息，从而可以采用相似度匹配算法对向量表示故障关联提示信息与故障处理模型的历史故障关联提示信息的向量表示信息进行匹配。
可选的，采用相似度匹配算法对向量表示故障关联提示信息与故障处理模型的历史故障关联提示信息的向量表示信息进行匹配时，可以预先设定一个相似度阈值，当匹配的相似度超过预先设定的相似度阈值时，表明向量表示故障关联提示信息与故障处理模型的历史故障关联提示信息的向量表示信息相匹配；当匹配的相似度未超过预先设定的相似度阈值时，则表明向量表示故障关联提示信息与故障处理模型的历史故障关联提示信息的向量表示信息不匹配。
上述技术方案，通过对待处理故障关联提示信息进行向量转换和相似度匹配，可以避免将大量相似的待处理故障关联提示信息提交给故障处理模型进行文本生成推理，从而减少了计算资源的消耗，提高了故障处理效率。通过使用相似度匹配算法，将与历史故障关联提示信息中已有的故障关联提示信息相似的提问直接映射到之前的应答，提高了故障处理的应答准确性和用户满意度。
可选的，相似度匹配算法可以是余弦相似度算法，本发明实施例对此并不进行限定。
S260、判断历史故障关联提示信息中是否存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息。若是，则执行S270；若否，则执行S280。
S270、将目标历史故障关联提示信息的目标历史故障处理应答信息作为待处理故障关联描述数据的当前故障处理应答信息。
相应的，当历史故障关联提示信息中存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息时，可以将目标历史故障关联提示信息的目标历史故障处理应答信息作为待处理故障关联描述数据的当前故障处理应答信息。
S280、通过故障处理模型重新生成故障处理应答信息。
相应的，当历史故障关联提示信息中不存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息时，则可能是待处理故障关联提示信息与故障处理模型的历史故障关联提示信息的相似度匹配阈值未超过预先设定的相似度阈值，还可能是故障处理模型的历史故障关联提示信息的版本号进行了更新或者升级等，在上述情况下，可以通过故障处理模型针对待处理故障关联描述数据重新生成相对应的故障处理应答信息。
可选的，在上述各实施例的基础上，该故障处理方法还可以包括：获取目标历史故障关联提示信息的更新触发信息；根据目标历史故障关联提示信息的更新触发信息的类型，对目标历史故障关联提示信息的目标历史故障处理应答信息进行更新；其中，目标历史故障关联提示信息的更新触发信息可以包括以下至少一项：当前故障处理应答信息的否定反馈信息、待处理故障关联描述数据的版本号误差信息以及主动触发更新信息。
其中，更新触发信息可以是用于触发更新指令的信息。版本号误差信息可以是用于判断版本号是否相同的信息。
相应的，故障处理平台可以根据当前故障处理应答信息的否定反馈信息、待处理故障关联描述数据的版本号误差信息以及主动触发更新信息等类型，对目标历史故障关联提示信息的目标历史故障处理应答信息进行更新。
示例性的，当用户在同一次与故障处理模型的对话中直接反馈不对或错误时，故障处理平台可以将对应的缓存层中的prompt相关信息进行清除，以防止错误应答被重复使用。当用户提交的图像、文本或音频中提到的版本号与缓存层中的版本号有显著差异时，会触发缓存失效，需要故障处理平台重新生成故障处理应答信息。在预先设置了缓存层的过期时间或者公司产品迭代周期的情况下，如果超过预先设置的过期时间，则会主动触发缓存过期，以确保缓存层中的信息与最新的产品状态一致。
通过采用上述技术方案，可以保持历史故障关联提示信息和待处理故障关联提示信息的一致性，尽量避免了使用过期或错误的历史故障关联提示信息，从而提高了故障处理的准确性和实时性。
本发明实施例的技术方案，通过获取多模态故障关联描述数据，从而将多模态故障关联描述数据转换为待处理故障关联描述数据，以根据待处理故障关联描述数据确定故障现场功能数据，进而通过故障处理模型根据待处理故障关联描述数据和故障现场功能数据生成待处理故障关联提示信息，将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配，以根据历史故障关联提示信息中是否存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息，来确定待处理故障关联描述数据的当前故障处理应答信息。通过采用上述技术方案，不仅提高了故障处理的效率，还减少了故障处理模型计算推理故障过程中的资源消耗。
实施例三
图3是本发明实施例三提供的一种故障处理装置的结构示意图，如图3所示，该故障处理装置包括：待处理故障关联描述数据获取模块310、待处理故障关联提示信息生成模块320、故障关联提示信息匹配模块330以及当前故障处理应答信息确定模块340。
其中，待处理故障关联描述数据获取模块310，用于获取待处理故障关联描述数据；待处理故障关联提示信息生成模块320，用于通过故障处理模型根据待处理故障关联描述数据生成待处理故障关联提示信息；故障关联提示信息匹配模块330，用于将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配；当前故障处理应答信息确定模块340，用于在确定历史故障关联提示信息中存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将目标历史故障关联提示信息的目标历史故障处理应答信息作为待处理故障关联描述数据的当前故障处理应答信息。
本发明实施例通过获取待处理故障关联描述数据，从而通过故障处理模型根据待处理故障关联描述数据生成待处理故障关联提示信息，进而将待处理故障关联提示信息与故障处理模型的历史故障关联提示信息进行匹配，以在确定历史故障关联提示信息中存在与待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将目标历史故障关联提示信息的目标历史故障处理应答信息作为待处理故障关联描述数据的当前故障处理应答信息，解决了现有故障处理过程中因需要对每个待处理故障关联提示信息进行应答文本的生成推理过程，导致的计算资源消耗较大以及故障处理效率较低等问题，能够降低故障识别的资源消耗，提高故障识别的效率。
可选的，待处理故障关联描述数据获取模块310，具体用于：获取多模态故障关联描述数据；其中，多模态故障关联描述数据包括以下至少一项：故障现场关联图像数据、故障语音描述数据以及故障文本描述数据；将多模态故障关联描述数据转换为待处理故障关联描述数据。
可选的，待处理故障关联提示信息生成模块320，具体用于：根据待处理故障关联描述数据确定故障现场功能数据；通过故障处理模型根据待处理故障关联描述数据和故障现场功能数据生成待处理故障关联提示信息。
可选的，故障关联提示信息匹配模块330，具体用于：将待处理故障关联提示信息进行向量转换，得到向量表示故障关联提示信息；采用相似度匹配算法对向量表示故障关联提示信息与故障处理模型的历史故障关联提示信息的向量表示信息进行匹配。
可选的，该故障处理装置还包括：故障关联描述样本数据获取模块，用于获取故障关联描述样本数据；故障处理模型训练模块，用于根据故障关联描述样本数据对故障处理模型进行训练。
可选的，该故障处理装置还包括：更新触发信息获取模块，用于获取目标历史故障关联提示信息的更新触发信息；目标历史故障处理应答信息更新模块，用于根据目标历史故障关联提示信息的更新触发信息的类型，对目标历史故障关联提示信息的目标历史故障处理应答信息进行更新；其中，目标历史故障关联提示信息的更新触发信息包括以下至少一项：当前故障处理应答信息的否定反馈信息、待处理故障关联描述数据的版本号误差信息以及主动触发更新信息。
在上述各实施例的基础上，故障处理模型可以包括GPT模型。
本发明实施例所提供的故障处理装置可执行本发明任意实施例所提供的故障处理方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10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4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，例如本发明各实施例所述的故障处理方法。
也即，获取待处理故障关联描述数据；通过故障处理模型根据所述待处理故障关联描述数据生成待处理故障关联提示信息；将所述待处理故障关联提示信息与所述故障处理模型的历史故障关联提示信息进行匹配；在确定所述历史故障关联提示信息中存在与所述待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将所述目标历史故障关联提示信息的目标历史故障处理应答信息作为所述待处理故障关联描述数据的当前故障处理应答信息。
在一些实施例中，故障处理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处理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)而被配置为执行如本发明各实施例所述的故障处理方法。
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)
1.一种故障处理方法，其特征在于，包括：
获取待处理故障关联描述数据；
通过故障处理模型根据所述待处理故障关联描述数据生成待处理故障关联提示信息；
将所述待处理故障关联提示信息与所述故障处理模型的历史故障关联提示信息进行匹配；
在确定所述历史故障关联提示信息中存在与所述待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将所述目标历史故障关联提示信息的目标历史故障处理应答信息作为所述待处理故障关联描述数据的当前故障处理应答信息。
2.根据权利要求1所述的方法，其特征在于，所述获取待处理故障关联描述数据，包括：
获取多模态故障关联描述数据；其中，所述多模态故障关联描述数据包括以下至少一项：故障现场关联图像数据、故障语音描述数据以及故障文本描述数据；
将所述多模态故障关联描述数据转换为所述待处理故障关联描述数据。
3.根据权利要求1所述的方法，其特征在于，所述通过故障处理模型根据所述待处理故障关联描述数据生成待处理故障关联提示信息，包括：
根据所述待处理故障关联描述数据确定故障现场功能数据；
通过所述故障处理模型根据所述待处理故障关联描述数据和所述故障现场功能数据生成所述待处理故障关联提示信息。
4.根据权利要求1所述的方法，其特征在于，所述将所述待处理故障关联提示信息与所述故障处理模型的历史故障关联提示信息进行匹配，包括：
将所述待处理故障关联提示信息进行向量转换，得到向量表示故障关联提示信息；
采用相似度匹配算法对所述向量表示故障关联提示信息与所述故障处理模型的历史故障关联提示信息的向量表示信息进行匹配。
5.根据权利要求1所述的方法，其特征在于，在所述获取待处理故障关联描述数据之前，还包括：
获取故障关联描述样本数据；
根据所述故障关联描述样本数据对所述故障处理模型进行训练。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取所述目标历史故障关联提示信息的更新触发信息；
根据所述目标历史故障关联提示信息的更新触发信息的类型，对所述目标历史故障关联提示信息的目标历史故障处理应答信息进行更新；
其中，所述目标历史故障关联提示信息的更新触发信息包括以下至少一项：当前故障处理应答信息的否定反馈信息、待处理故障关联描述数据的版本号误差信息以及主动触发更新信息。
7.根据权利要求1-6任一所述的方法，其特征在于，所述故障处理模型包括生成型预训练变换GPT模型。
8.一种故障处理装置，其特征在于，包括：
待处理故障关联描述数据获取模块，用于获取待处理故障关联描述数据；
待处理故障关联提示信息生成模块，用于通过故障处理模型根据所述待处理故障关联描述数据生成待处理故障关联提示信息；
故障关联提示信息匹配模块，用于将所述待处理故障关联提示信息与所述故障处理模型的历史故障关联提示信息进行匹配；
当前故障处理应答信息确定模块，用于在确定所述历史故障关联提示信息中存在与所述待处理故障关联提示信息相匹配的目标历史故障关联提示信息的情况下，将所述目标历史故障关联提示信息的目标历史故障处理应答信息作为所述待处理故障关联描述数据的当前故障处理应答信息。
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中任一所述的故障处理方法。
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中任一所述的故障处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310586771.2A CN116560891A (zh) | 2023-05-23 | 2023-05-23 | 一种故障处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310586771.2A CN116560891A (zh) | 2023-05-23 | 2023-05-23 | 一种故障处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116560891A true CN116560891A (zh) | 2023-08-08 |
Family
ID=87485989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310586771.2A Pending CN116560891A (zh) | 2023-05-23 | 2023-05-23 | 一种故障处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116560891A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229704A (zh) * | 2018-01-16 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于推送信息的方法和装置 |
| CN113313134A (zh) * | 2020-02-26 | 2021-08-27 | 阿里巴巴集团控股有限公司 | 集群故障修复方法及其模型训练方法、装置及服务器 |
| US20220121540A1 (en) * | 2020-10-20 | 2022-04-21 | International Business Machines Corporation | Synthetic system fault generation |
| CN114443443A (zh) * | 2022-04-11 | 2022-05-06 | 北京优特捷信息技术有限公司 | 一种故障自愈方法、装置、设备及存储介质 |
| CN115357011A (zh) * | 2022-08-31 | 2022-11-18 | 上海擎朗智能科技有限公司 | 一种机器人故障处理方法、装置、介质以及电子设备 |
| CN115981240A (zh) * | 2023-03-22 | 2023-04-18 | 中科航迈数控软件(深圳)有限公司 | 数控机床故障原因确定方法、装置、设备及介质 |
-
2023
- 2023-05-23 CN CN202310586771.2A patent/CN116560891A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229704A (zh) * | 2018-01-16 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于推送信息的方法和装置 |
| CN113313134A (zh) * | 2020-02-26 | 2021-08-27 | 阿里巴巴集团控股有限公司 | 集群故障修复方法及其模型训练方法、装置及服务器 |
| US20220121540A1 (en) * | 2020-10-20 | 2022-04-21 | International Business Machines Corporation | Synthetic system fault generation |
| CN114443443A (zh) * | 2022-04-11 | 2022-05-06 | 北京优特捷信息技术有限公司 | 一种故障自愈方法、装置、设备及存储介质 |
| CN115357011A (zh) * | 2022-08-31 | 2022-11-18 | 上海擎朗智能科技有限公司 | 一种机器人故障处理方法、装置、介质以及电子设备 |
| CN115981240A (zh) * | 2023-03-22 | 2023-04-18 | 中科航迈数控软件(深圳)有限公司 | 数控机床故障原因确定方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 编写组编: "《税务信息化理论与应用》", 30 September 2009, 中国税务出版社, pages: 191 - 194 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113380238A (zh) | 处理音频信号的方法、模型训练方法、装置、设备和介质 | |
| CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
| CN116089231B (zh) | 一种故障告警方法、装置、电子设备及存储介质 | |
| CN118509485A (zh) | 传输数据的处理方法、装置、设备、介质和产品 | |
| CN116761020A (zh) | 视频处理方法、装置、设备和介质 | |
| CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
| CN116089308A (zh) | 一种软件测试用例的生成方法、装置、设备及介质 | |
| CN116363444A (zh) | 模糊分类模型训练方法、识别模糊图像的方法及装置 | |
| CN115687031A (zh) | 一种告警描述文本的生成方法、装置、设备及介质 | |
| CN116560891A (zh) | 一种故障处理方法、装置、电子设备及存储介质 | |
| CN115600592A (zh) | 文本内容的关键信息提取方法、装置、设备及介质 | |
| CN115906797A (zh) | 文本实体对齐方法、装置、设备及介质 | |
| CN112818972B (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
| CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
| CN114120410A (zh) | 用于生成标签信息的方法、装置、设备、介质和产品 | |
| CN115482809B (zh) | 关键词检索方法、装置、电子设备以及存储介质 | |
| CN112906650B (zh) | 教学视频的智能处理方法、装置、设备和存储介质 | |
| CN115273854B (zh) | 一种服务质量确定方法、装置、电子设备及存储介质 | |
| CN117574146B (zh) | 文本分类标注方法、装置、电子设备和存储介质 | |
| CN113408274B (zh) | 训练语言模型的方法和标签设置方法 | |
| CN114898374A (zh) | 一种图像的语义识别方法、装置、设备和存储介质 | |
| CN117520127A (zh) | 异常信息处理方法、装置、电子设备以及存储介质 | |
| CN118550744A (zh) | 云计算服务器故障诊断方法、装置、设备及介质 | |
| CN116567145A (zh) | 一种客服话术质检方法、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 |