CN116796229A - 一种设备故障检测方法、装置、设备及存储介质 - Google Patents
一种设备故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116796229A CN116796229A CN202310744147.0A CN202310744147A CN116796229A CN 116796229 A CN116796229 A CN 116796229A CN 202310744147 A CN202310744147 A CN 202310744147A CN 116796229 A CN116796229 A CN 116796229A
- Authority
- CN
- China
- Prior art keywords
- operation data
- data
- newly
- target equipment
- model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 239000013598 vector Substances 0.000 claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 49
- 238000013136 deep learning model Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 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
- 238000003672 processing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree 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
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 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
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种设备故障检测方法、装置、设备及存储介质,包括:实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息。本发明的技术方案可以有效识别目标设备的新增故障,提高目标设备故障检测结果的准确性和可靠性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种设备故障检测方法、装置、设备及存储介质。
背景技术
设备故障的发生会严重影响生产效率和相关业务,为了对设备故障进行检测,现有技术提出采用自动对比识别系统,将设备的历史数据与实时数据进行对比,并根据对比结果判断设备是否发生故障。
但是,随着设备的不断发展和升级,自动对比识别系统很难确定设备发生的新增故障,从而影响设备数据的可靠性以及设备性能。其次,传统的自动对比识别系统,通常根据人工设定的判断规则或者阈值,检测设备的故障情况,这些判断规则以及阈值有可能不适用设备新版本或新的应用场景,导致检测结果准确性较低。
发明内容
本发明提供了一种设备故障检测方法、装置、设备及存储介质,可以有效识别目标设备的新增故障,提高目标设备故障检测结果的准确性和可靠性。
根据本发明的一方面,提供了一种设备故障检测方法,所述方法包括:
实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;
通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;
其中,所述检测模型通过使用目标设备对应的历史数据,对深度学习模型进行训练得到;
根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息。
可选的,在实时采集目标设备对应的运行数据之前,还包括:
获取目标设备对应的多个历史数据,并确定与各所述历史数据对应的特征向量;
使用各所述历史数据对应的特征向量,对深度学习模型进行迭代训练,得到所述检测模型。
可选的,使用各所述历史数据对应的特征向量,对深度学习模型进行迭代训练,得到所述检测模型,包括:
将所述多个历史数据对应的特征向量作为训练样本集;
使用训练样本集中的各训练样本,依次对深度学习模型进行迭代训练,并根据各训练样本之间的交叉验证结果,对所述深度学习模型的训练结果进行评估;
根据所述深度学习模型对应的评估结果,对所述模型的训练参数进行调整,并将调整后的模型作为检测模型。
可选的,所述运行数据包括目标设备在当前时间下对应的物联网数据、日志数据以及事件数据;
确定与所述运行数据对应的特征向量,包括:
根据预设的目标字段类型,对所述运行数据中包括的对应信息进行提取;
根据信息提取结果,确定与所述运行数据对应的特征向量。
可选的,在对所述运行数据进行解析,得到所述目标设备对应的新增故障信息之后,还包括:
将所述目标设备对应的新增故障信息,通过可视化界面展示给用户,以使用户根据所述新增故障信息,对目标设备进行处理。
可选的,在对所述运行数据进行解析,得到所述目标设备对应的新增故障信息之后,还包括:
按照预设的采集周期,实时获取目标设备对应的设备更新信息;
根据所述设备更新信息,对所述检测模型对应的模型参数进行更新。
根据本发明的另一方面,提供了一种设备故障检测装置,所述装置包括:
数据采集模块,用于实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;
模型检测模块,用于通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;
其中,所述检测模型通过使用目标设备对应的历史数据,对深度学习模型进行训练得到;
故障分析模块,用于根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息。
根据本发明的另一方面,提供了一种电子设备,所述设备包括:
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设备故障检测方法。
根据本发明的另一方面,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设备故障检测方法。
本发明实施例提供的技术方案,通过实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息的技术手段,可以有效识别目标设备的新增故障,提高目标设备故障检测结果的准确性和可靠性。
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是根据本发明实施例提供的一种设备故障检测方法的流程图;
图2是根据本发明实施例提供的另一种设备故障检测方法的流程图;
图3是根据本发明实施例提供的另一种设备故障检测方法的流程图;
图4是根据本发明实施例提供的一种设备故障检测装置的结构示意图;
图5是实现本发明实施例的设备故障检测方法的电子设备结构示意图。
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。
图1为本发明实施例一提供的一种设备故障检测方法的流程图,本实施例可适用于对设备的故障进行检测的情况,该方法可以由设备故障检测装置来执行,该设备故障检测装置可以采用硬件和/或软件的形式实现,该设备故障检测装置可配置于电子设备中。如图1所示,该方法包括:
步骤110、实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量。
在本实施例中,可以实时采集目标设备在当前运行过程中产生的业务数据(也即运行数据),并采用预设的特征提取方法对运行数据的特征进行提取,根据特征提取结果确定运行数据对应的特征向量。
其中,所述特征提取方法可以包括时间序列特征提取方法、以及频域特征提取方法等。
步骤120、通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果。
在本实施例中,所述检测模型通过使用目标设备对应的历史数据,对深度学习模型进行训练得到。所述历史数据可以为目标采集设备在历史运行过程中产生的业务数据。
在一个具体的实施例中,在实时采集目标设备对应的运行数据之前,可以使用目标设备对应的历史数据,根据预设的机器学习算法,对深度学习模型进行训练,得到所述检测模型。可选的,所述机器学习算法可以包括支持向量机、决策树、随机森林以及交叉验证算法等。
在此步骤中,具体的,可以将所述运行数据对应的特征向量输入至检测模型,然后通过检测模型根据预先训练的模型参数,检测所述运行数据中包括的新增异常结果。
步骤130、根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息。
在本实施例中,如果所述运行数据中包括新增异常结果,则可以对所述运行数据进行解析,然后根据预设的数据处理方法对解析结果以及新增异常结果进行处理,得到目标设备对应的新增故障信息。
其中,所述数据处理方法可以包括基于规则的方法、基于模型的方法以及基于聚类的方法等。
在本实施例中,通过使用目标设备的历史数据对深度学习模型进行训练,可以使训练后的检测模型有效识别目标设备的新增异常结果,从而确定目标设备发生的新增故障;其次,通过采用检测模型对运行数据进行识别的方法,相比于现有技术中人工设定判断规则或阈值的方式而言,可以提高目标设备故障检测结果的准确性和可靠性。
本发明实施例提供的技术方案,通过实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息的技术手段,可以有效识别目标设备的新增故障,提高目标设备故障检测结果的准确性和可靠性。
图2为本发明实施例二提供的一种设备故障检测方法的流程图,本实施例是对上述实施例的进一步细化。如图2所示,该方法包括:
步骤210、获取目标设备对应的多个历史数据,并确定与各所述历史数据对应的特征向量。
在本实施例中,所述历史数据包括目标设备在历史运行过程中对应的物联网数据、日志数据以及事件数据。获取到历史数据后,可以采用预设的特征提取方法对历史数据的特征进行提取,根据特征提取结果确定历史数据对应的特征向量。
其中,所述特征提取方法可以包括时间序列特征提取方法、以及频域特征提取方法等。
步骤220、使用各所述历史数据对应的特征向量,对深度学习模型进行迭代训练,得到检测模型。
在本实施例的一个实施方式中,使用各所述历史数据对应的特征向量,对深度学习模型进行迭代训练,得到所述检测模型,包括:将所述多个历史数据对应的特征向量作为训练样本集;使用训练样本集中的各训练样本,依次对深度学习模型进行迭代训练,并根据各训练样本之间的交叉验证结果,对所述深度学习模型的训练结果进行评估;根据所述深度学习模型对应的评估结果,对所述模型的训练参数进行调整,并将调整后的模型作为检测模型。
在本实施例中,在对深度学习模型进行训练时,可以使用交叉验证技术(join)对模型的训练结果进行评估。具体的,以特征提取方法为基于频域特征提取为例,在对模型进行评估时,可以结合训练样本特征值stats统计与交叉验证技术进行数据检测。
在一个具体的实施例中,所述深度学习模型的训练语句可以如下:
starttime="-1h"endtime="now"appname:top_info_proc_stats|stats count()as cnt_1h by json.cmdline|join type=left json.cmdline[[starttime="-1h-1d"endtime="-1h"appname:top_info_proc_stats|stats count()as cnt_1d byjson.cmdline]]|where empty(cnt_1d)|fields json.cmdline|rename json.cmdlineas"新增错误";
上述训练语句可以用于表示对两个训练样本进行交叉验证,并且这两个训练样本之间的连接关系为左连接。其中,“Starttime”表示数据开始时间;“-1d/d”表示当日;“-2d/d”表示昨日;“Endtime”表示数据结束时间;“appname”表示数据标签字段,用于标识选取某一类型数据进行转换;“stats”用于统计返回字段X出现次数;“join”用于对字段进行交叉验证,将主管道数据与子管道数据连接在一起;“empty”用于判断频域特征提取的value值是否为空;“rename”表示重命名。
将上述训练语句输入至深度学习模型后,如果模型输出目标设备在一小时前出现的错误为“name:error1;name:error2;name:error3;name:error4;name:error5”,输出目标设备在最近一小时内出现的错误为“name:error1;name:error2;name:error3;name:error4;name:error5;name:error6”,则可以确定目标设备的新增错误为“name:error6”。
在本实施例中,通过使用交叉验证技术对检测模型进行评估,可以使检测模型准确快速地识别出目标设备的新增异常结果,提高目标设备故障检测结果的准确性和可靠性。
步骤230、实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量。
在本实施例中,所述运行数据包括目标设备在当前时间下对应的物联网数据、日志数据以及事件数据。
步骤240、通过所述检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果。
步骤250、根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息。
本发明实施例提供的技术方案,通过获取目标设备对应的多个历史数据,并确定与各所述历史数据对应的特征向量;使用各所述历史数据对应的特征向量,对深度学习模型进行迭代训练,得到检测模型;实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;通过所述检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息的技术手段,可以有效识别目标设备的新增故障,提高目标设备故障检测结果的准确性和可靠性。
图3为本发明实施例三提供的另一种设备故障检测方法的流程图,本实施例是对上述实施例的进一步细化。如图3所示,该方法包括:
步骤310、实时采集目标设备对应的运行数据,根据预设的目标字段类型,对所述运行数据中包括的对应信息进行提取。
在本实施例中,可选的,所述目标字段类型可以为时间字段,或其他用于表示数据属性值的字段。
步骤320、根据信息提取结果,确定与所述运行数据对应的特征向量。
在一个具体的实施例中,在对运行数据的时间信息进行提取后,可以将提取结果转换成统一的数据格式,例如“timestamp”:“2011-09-1213:00:42.000”。在对运行数据的频域特征进行提取后,可以将提取结果转换成统一的键值格式,例如name:value。
步骤330、通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果。
步骤340、根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息。
步骤350、将所述目标设备对应的新增故障信息,通过可视化界面展示给用户,以使用户根据所述新增故障信息,对目标设备进行处理。
步骤360、按照预设的采集周期,实时获取目标设备对应的设备更新信息,根据所述设备更新信息,对所述检测模型对应的模型参数进行更新。
在实际应用中,随着时间的推移,目标设备中的数据和故障情况会发生更新,因此需要根据设备更新信息,对检测模型的模型参数(例如时间维度)进行定期更新,以保证模型的准确性和可靠性。
具体的,可以使用增量学习或动态时间规整算法,对检测模型对应的模型参数进行更新。
本发明实施例提供的技术方案,通过实时采集目标设备对应的运行数据,根据预设的目标字段类型,对所述运行数据中包括的对应信息进行提取;根据信息提取结果,确定与所述运行数据对应的特征向量;通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息;将所述目标设备对应的新增故障信息,通过可视化界面展示给用户,以使用户根据所述新增故障信息,对目标设备进行处理;按照预设的采集周期,实时获取目标设备对应的设备更新信息,根据所述设备更新信息,对所述检测模型对应的模型参数进行更新的技术手段,可以有效识别目标设备的新增故障,提高目标设备故障检测结果的准确性和可靠性。
图4为本发明实施例四提供的一种设备故障检测装置的结构示意图,该装置包括:数据采集模块410、模型检测模块420和故障分析模块430。
其中,数据采集模块410,用于实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;
模型检测模块420,用于通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;
其中,所述检测模型通过使用目标设备对应的历史数据,对深度学习模型进行训练得到;
故障分析模块430,用于根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息。
本发明实施例提供的技术方案,通过实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息的技术手段,可以有效识别目标设备的新增故障,提高目标设备故障检测结果的准确性和可靠性。
在上述实施例的基础上,所述运行数据包括目标设备在当前时间下对应的物联网数据、日志数据以及事件数据。
所述装置还包括:
历史数据获取模块,用于获取目标设备对应的多个历史数据,并确定与各所述历史数据对应的特征向量;
模型训练模块,用于使用各所述历史数据对应的特征向量,对深度学习模型进行迭代训练,得到所述检测模型;
模型处理模块,用于按照预设的采集周期,实时获取目标设备对应的设备更新信息;根据所述设备更新信息,对所述检测模型对应的模型参数进行更新。
所述模型训练模块包括:
样本确定单元,用于将所述多个历史数据对应的特征向量作为训练样本集;
模型评估单元,用于使用训练样本集中的各训练样本,依次对深度学习模型进行迭代训练,并根据各训练样本之间的交叉验证结果,对所述深度学习模型的训练结果进行评估;
参数调整单元,用于根据所述深度学习模型对应的评估结果,对所述模型的训练参数进行调整,并将调整后的模型作为检测模型。
数据采集模块410包括:
信息提取单元,用于根据预设的目标字段类型,对所述运行数据中包括的对应信息进行提取;
向量确定单元,用于根据信息提取结果,确定与所述运行数据对应的特征向量。
故障分析模块430包括:
故障展示单元,用于将所述目标设备对应的新增故障信息,通过可视化界面展示给用户,以使用户根据所述新增故障信息,对目标设备进行处理。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
图5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。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,例如设备故障检测方法。
在一些实施例中,设备故障检测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设备故障检测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)而被配置为执行设备故障检测方法。
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)、复杂可编程逻辑设备(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)
1.一种设备故障检测方法,其特征在于,包括:
实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;
通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;
其中,所述检测模型通过使用目标设备对应的历史数据,对深度学习模型进行训练得到;
根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息。
2.根据权利要求1所述的方法,其特征在于,在实时采集目标设备对应的运行数据之前,还包括:
获取目标设备对应的多个历史数据,并确定与各所述历史数据对应的特征向量;
使用各所述历史数据对应的特征向量,对深度学习模型进行迭代训练,得到所述检测模型。
3.根据权利要求2所述的方法,其特征在于,使用各所述历史数据对应的特征向量,对深度学习模型进行迭代训练,得到所述检测模型,包括:
将所述多个历史数据对应的特征向量作为训练样本集;
使用训练样本集中的各训练样本,依次对深度学习模型进行迭代训练,并根据各训练样本之间的交叉验证结果,对所述深度学习模型的训练结果进行评估;
根据所述深度学习模型对应的评估结果,对所述模型的训练参数进行调整,并将调整后的模型作为检测模型。
4.根据权利要求1所述的方法,其特征在于,所述运行数据包括目标设备在当前时间下对应的物联网数据、日志数据以及事件数据;
确定与所述运行数据对应的特征向量,包括:
根据预设的目标字段类型,对所述运行数据中包括的对应信息进行提取;
根据信息提取结果,确定与所述运行数据对应的特征向量。
5.根据权利要求1所述的方法,其特征在于,在对所述运行数据进行解析,得到所述目标设备对应的新增故障信息之后,还包括:
将所述目标设备对应的新增故障信息,通过可视化界面展示给用户,以使用户根据所述新增故障信息,对目标设备进行处理。
6.根据权利要求1所述的方法,其特征在于,在对所述运行数据进行解析,得到所述目标设备对应的新增故障信息之后,还包括:
按照预设的采集周期,实时获取目标设备对应的设备更新信息;
根据所述设备更新信息,对所述检测模型对应的模型参数进行更新。
7.一种设备故障检测装置,其特征在于,所述装置包括:
数据采集模块,用于实时采集目标设备对应的运行数据,并确定与所述运行数据对应的特征向量;
模型检测模块,用于通过预先训练的检测模型,对所述运行数据对应的特征向量进行检测,得到所述运行数据对应的新增异常结果;
其中,所述检测模型通过使用目标设备对应的历史数据,对深度学习模型进行训练得到;
故障分析模块,用于根据所述新增异常结果,对所述运行数据进行解析,得到所述目标设备对应的新增故障信息。
8.一种电子设备,其特征在于,所述设备包括:
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1-6中任一项所述的设备故障检测方法。
9.一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1-6中任一项所述的设备故障检测方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的设备故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744147.0A CN116796229A (zh) | 2023-06-21 | 2023-06-21 | 一种设备故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744147.0A CN116796229A (zh) | 2023-06-21 | 2023-06-21 | 一种设备故障检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116796229A true CN116796229A (zh) | 2023-09-22 |
Family
ID=88040968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310744147.0A Pending CN116796229A (zh) | 2023-06-21 | 2023-06-21 | 一种设备故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796229A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113918376A (zh) * | 2021-12-14 | 2022-01-11 | 湖南天云软件技术有限公司 | 故障检测方法、装置、设备及计算机可读存储介质 |
CN114760339A (zh) * | 2022-04-24 | 2022-07-15 | 中国工商银行股份有限公司 | 故障预测方法、装置、设备、介质及产品 |
CN114897102A (zh) * | 2022-06-13 | 2022-08-12 | 广东工业大学 | 一种工业机器人故障诊断方法、系统、设备与存储介质 |
CN116089231A (zh) * | 2023-02-13 | 2023-05-09 | 北京优特捷信息技术有限公司 | 一种故障告警方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-21 CN CN202310744147.0A patent/CN116796229A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113918376A (zh) * | 2021-12-14 | 2022-01-11 | 湖南天云软件技术有限公司 | 故障检测方法、装置、设备及计算机可读存储介质 |
CN114760339A (zh) * | 2022-04-24 | 2022-07-15 | 中国工商银行股份有限公司 | 故障预测方法、装置、设备、介质及产品 |
CN114897102A (zh) * | 2022-06-13 | 2022-08-12 | 广东工业大学 | 一种工业机器人故障诊断方法、系统、设备与存储介质 |
CN116089231A (zh) * | 2023-02-13 | 2023-05-09 | 北京优特捷信息技术有限公司 | 一种故障告警方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
CN116089231B (zh) | 一种故障告警方法、装置、电子设备及存储介质 | |
CN116049146A (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN115422028A (zh) | 标签画像体系的可信度评估方法、装置、电子设备及介质 | |
CN111340287A (zh) | 配电柜运行状态预测方法及装置 | |
CN115687406B (zh) | 一种调用链数据的采样方法、装置、设备及存储介质 | |
CN116796229A (zh) | 一种设备故障检测方法、装置、设备及存储介质 | |
CN114881112A (zh) | 一种系统异常检测方法、装置、设备及介质 | |
CN117493127B (zh) | 一种应用程序检测方法、装置、设备及介质 | |
CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 | |
CN116990744B (zh) | 一种电能表检测方法、装置、设备及介质 | |
CN117668294A (zh) | 人脸库创建、视频识别方法、装置及电子设备 | |
CN116468076A (zh) | 一种驾驶行为分析方法、装置、电子设备及存储介质 | |
CN116701147A (zh) | 一种日志数据处理方法、装置、设备及存储介质 | |
CN117724980A (zh) | 软件框架性能的测试方法、装置、电子设备和存储介质 | |
CN117609723A (zh) | 一种对象识别方法、装置、电子设备及存储介质 | |
CN116975653A (zh) | 一种样本信息确定方法、装置、电子设备及存储介质 | |
CN116340098A (zh) | 一种服务器检测方法、装置、设备及介质 | |
CN117707899A (zh) | 一种微服务异常检测方法、装置、设备及存储介质 | |
CN117033463A (zh) | 基于视频日志的优化策略生成方法、装置、设备及介质 | |
CN115858367A (zh) | 一种测试用例筛选方法、装置、设备及介质 | |
CN118074625A (zh) | 设备故障检测方法、装置、设备及存储介质 | |
CN117131990A (zh) | 电网基建信息管理方法、装置、电子设备及存储介质 | |
CN117667488A (zh) | 人工智能算力集群的异常定位方法、装置、设备及介质 |
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 |