CN116881737B - 一种工业智慧监盘系统中的系统分析方法 - Google Patents
一种工业智慧监盘系统中的系统分析方法 Download PDFInfo
- Publication number
- CN116881737B CN116881737B CN202311140371.5A CN202311140371A CN116881737B CN 116881737 B CN116881737 B CN 116881737B CN 202311140371 A CN202311140371 A CN 202311140371A CN 116881737 B CN116881737 B CN 116881737B
- Authority
- CN
- China
- Prior art keywords
- abnormal operation
- abnormal
- operation training
- event
- linkage
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 553
- 238000012549 training Methods 0.000 claims abstract description 380
- 230000015654 memory Effects 0.000 claims description 84
- 238000000034 method Methods 0.000 claims description 15
- 230000000873 masking effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 8
- 230000007787 long-term memory Effects 0.000 abstract description 3
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例提供一种工业智慧监盘系统中的系统分析方法，通过获取第一和第二训练异常运行事件及其实际异常联动度信息，然后对基础训练事件进行目标状态特征屏蔽，生成相应的衍生异常运行训练事件序列，接着，利用基础或衍生的异常运行训练事件序列对初始长短期记忆网络进行知识学习，从而生成已完成知识学习的目标联动状态匹配模型。最后依据该模型对任意目标异常运行事件与候选异常运行事件之间进行联动状态分析，生成它们之间的异常联动度信息。由此，通过有效处理和学习异常运行事件，能够准确分析出目标异常运行事件与候选异常运行事件之间的联动状态，生成可靠的异常联动度信息，提高工业智慧监盘系统的异常联动预警和决策精准性。
Description
技术领域
本申请涉及智慧工业技术领域，具体而言，涉及一种工业智慧监盘系统中的系统分析方法。
背景技术
在当前的工业智慧监盘领域，为了实现对设备或系统的实时监控和预警，大量历史软件模块的运行数据被用于异常检测，形成了一系列的训练事件序列。然而现有在识别可能的异常运行事件的过程中，通常只能处理单个事件的异常情况，并不能很好地分析多个事件之间的联动关系，从而难以保证工业智慧监盘系统的异常联动预警和决策精准性。
发明内容
有鉴于此，本申请的目的在于提供一种工业智慧监盘系统中的系统分析方法。
依据本申请的第一方面，提供一种工业智慧监盘系统中的系统分析方法，应用于计算机设备，所述方法包括：
获取所述工业智慧监盘系统所对应的基础系统异常运行训练事件序列，所述基础系统异常运行训练事件序列中的各个基础系统异常运行训练事件包括第一训练异常运行事件和第二训练异常运行事件，以及所述第一训练异常运行事件和第二训练异常运行事件的实际异常联动度信息；
对所述基础系统异常运行训练事件序列中的各个基础系统异常运行训练事件进行目标状态特征屏蔽，生成所述基础系统异常运行训练事件序列对应的衍生异常运行训练事件序列，所述衍生异常运行训练事件序列中包含有与各个所述基础系统异常运行训练事件对应的具有所述实际异常联动度信息的衍生异常运行训练事件；
基于所述基础系统异常运行训练事件序列和/或所述衍生异常运行训练事件序列对初始长短期记忆网络进行知识学习，生成完成知识学习的目标联动状态匹配模型；
依据所述完成知识学习的目标联动状态匹配模型对任意目标异常运行事件与候选异常运行事件之间进行候选异常运行事件的联动状态分析，生成所述任意目标异常运行事件与所述候选异常运行事件之间的异常联动度信息。
在第一方面的一种可能的实施方式中，所述目标状态特征包括异常节点联动状态特征，所述对所述基础系统异常运行训练事件序列中的各个基础系统异常运行训练事件进行目标状态特征屏蔽，生成所述基础系统异常运行训练事件序列对应的衍生异常运行训练事件序列，包括：
判断各个所述基础系统异常运行训练事件的所述第一训练异常运行事件中的每个异常节点上下文与所述第二训练异常运行事件中每个异常节点上下文的状态相关度，生成各个所述基础系统异常运行训练事件的所述第一训练异常运行事件与所述第二训练异常运行事件之间的所有异常节点联动状态特征组合；
将各个所述基础系统异常运行训练事件的所有异常节点联动状态特征组合对应的异常节点联动状态特征进行特征屏蔽，生成各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件，并依据各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件获得所述衍生异常运行训练事件序列。
在第一方面的一种可能的实施方式中，在所述生成各个所述基础系统异常运行训练事件的所述第一训练异常运行事件与所述第二训练异常运行事件之间的所有异常节点联动状态特征组合之后，还包括：
判断各个所述基础系统异常运行训练事件的所有异常节点联动状态特征组合中的异常节点联动状态特征的传播性字段是否符合设定传播性要求；
将各个所述基础系统异常运行训练事件的所有异常节点联动状态特征组合中传播性字段符合设定传播性要求的异常节点联动状态特征进行特征屏蔽，生成各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件，并依据各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件获得所述衍生异常运行训练事件序列。
在第一方面的一种可能的实施方式中，所述基于所述基础系统异常运行训练事件序列和/或所述衍生异常运行训练事件序列对初始长短期记忆网络进行知识学习，生成完成知识学习的目标联动状态匹配模型，包括：
将所述基础系统异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型；
或者，将所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型；
或者，将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型。
在第一方面的一种可能的实施方式中，所述将所述基础系统异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将所述基础系统异常运行训练事件序列中的各个所述基础系统异常运行训练事件加载至所述初始长短期记忆网络确定各个所述基础系统异常运行训练事件的第一预测异常联动度信息；
基于各个所述基础系统异常运行训练事件对应的所述第一预测异常联动度信息与所述实际异常联动度信息计算第一训练误差参数信息，并基于所述第一训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
在第一方面的一种可能的实施方式中，所述将所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将所述衍生异常运行训练事件序列中的各个所述衍生异常运行训练事件加载至所述初始长短期记忆网络确定各个所述衍生异常运行训练事件的第二预测异常联动度信息；
基于各个所述衍生异常运行训练事件对应的所述第二预测异常联动度信息与所述实际异常联动度信息计算第二训练误差参数信息，并基于所述第二训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
在第一方面的一种可能的实施方式中，将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列作为同一个训练迭代集，同时加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型。
在第一方面的一种可能的实施方式中，所述将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列作为同一个训练迭代集，同时加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将各个所述基础系统异常运行训练事件与各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件作为一个待学习特征集，将所述待学习特征集加载至所述初始长短期记忆网络确定各个所述待学习特征集的第一目标异常联动度，其中，所述第一目标异常联动度为第一预测异常联动度信息与第二预测异常联动度信息的平均联动度，所述第一预测异常联动度信息为各个所述基础系统异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件的第一预测异常联动度信息，所述第二预测异常联动度信息为各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件的第二预测异常联动度信息； 基于各个所述待学习特征集对应的所述第一目标异常联动度与所述实际异常联动度信息计算第三训练误差参数信息，并基于所述第三训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
在第一方面的一种可能的实施方式中，所述将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列作为同一个训练迭代集，同时加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将各个所述基础系统异常运行训练事件与各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件同时加载至所述初始长短期记忆网络，生成第一预测异常联动度信息与第二预测异常联动度信息，所述第一预测异常联动度信息为各个所述基础系统异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件的第一预测异常联动度信息，所述第二预测异常联动度信息为各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件的第二预测异常联动度信息；
基于所述第一预测异常联动度信息、所述第二预测异常联动度信息与所述实际异常联动度信息计算第四训练误差参数信息，并基于所述第四训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
在第一方面的一种可能的实施方式中，将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将所述基础系统异常运行训练事件序列中的各个所述基础系统异常运行训练事件加载至所述初始长短期记忆网络确定各个所述基础系统异常运行训练事件的第一预测异常联动度信息，并基于各个所述基础系统异常运行训练事件对应的所述第一预测异常联动度信息与所述实际异常联动度信息计算第五训练误差参数信息，并基于所述第五训练误差参数信息更新所述网络权重参数；
将所述衍生异常运行训练事件序列中的各个所述衍生异常运行训练事件加载至所述初始长短期记忆网络确定各个所述衍生异常运行训练事件的第二预测异常联动度信息，并基于各个所述衍生异常运行训练事件对应的所述第二预测异常联动度信息与所述实际异常联动度信息计算第六训练误差参数信息，并基于所述第六训练误差参数信息更新所述网络权重参数； 基于设定训练循环参数，分别在相邻训练迭代集中将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列交替加载至所述初始长短期记忆网络进行网络权重参数更新，直到循环执行至所述设定训练循环参数，生成完成知识学习的目标联动状态匹配模型。
依据本申请的第二方面，提供一种计算机设备，所述计算机设备包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该计算机设备实现前述的工业智慧监盘系统中的系统分析方法。
依据本申请的第三方面，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可执行指令，当所述计算机可执行指令被执行时，实现前述的工业智慧监盘系统中的系统分析方法。
依据上述任意一个方面，通过获取该工业智慧监盘系统对应的基础系统异常运行训练事件序列，包含第一和第二训练异常运行事件及其实际异常联动度信息，然后对基础训练事件进行目标状态特征屏蔽，生成相应的衍生异常运行训练事件序列，每个衍生训练事件都保留了对应基础训练事件的实际异常联动度信息，接着，利用基础或衍生的异常运行训练事件序列对初始长短期记忆网络进行知识学习，从而生成已完成知识学习的目标联动状态匹配模型。最后依据该模型对任意目标异常运行事件与候选异常运行事件之间进行联动状态分析，生成它们之间的异常联动度信息。由此，通过有效处理和学习异常运行事件，能够准确分析出目标异常运行事件与候选异常运行事件之间的联动状态，生成可靠的异常联动度信息，提高工业智慧监盘系统的异常联动预警和决策精准性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的工业智慧监盘系统中的系统分析方法的流程示意图；
图2示出了本申请实施例所提供的用于实现上述的工业智慧监盘系统中的系统分析方法的计算机设备的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将依据本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中销毁一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅用于反映本申请的选定实施例。依据本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
图1示出了本申请实施例提供的工业智慧监盘系统中的系统分析方法的流程示意图，应当理解，在其它实施例中，本实施例的工业智慧监盘系统中的系统分析方法其中部分步骤的顺序可以依据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该多模态数据预训练方法的详细步骤介绍如下。
步骤S101，获取所述工业智慧监盘系统所对应的基础系统异常运行训练事件序列。
本实施例中，所述基础系统异常运行训练事件序列中的各个基础系统异常运行训练事件包括第一训练异常运行事件和第二训练异常运行事件，以及所述第一训练异常运行事件和第二训练异常运行事件的实际异常联动度信息。例如，假设有一个工业智慧监盘系统，用于监控和分析企业的异常运行数据，具体记录了一段时间内的异常事件数据，例如数据错误、算法异常、安全漏洞等。由此收集这些异常事件，并按照时间顺序形成异常事件序列。实际情况中，工业智慧监盘系统上的异常事件可能会同时发生。例如，当视频监控节点数据异常时，可能会引发与算法分析和安全检测相关的异常事件。因此，可以同时获取到两个时间段内的异常事件数据，其中第一训练异常运行事件和第二训练异常运行事件发生在同一时间窗口内。例如，异常事件序列包括以下事件：错误的存储数据系统异常事件、远程调度模块异常事件、任务下发活动模块异常事件和视频监控模块异常事件等。那么，第一训练异常运行事件可能是错误的存储数据系统异常事件，而第二训练异常运行事件可能是远程调度模块异常事件。这两个异常事件在同一时间窗口内发生，可以用于训练模型学习它们之间的联动关系。异常联动度信息通过分析所述第一训练异常运行事件和第二训练异常运行事件的同时发生情况，可以提供以下洞察：
联动概率：异常联动度信息可以衡量两个或多个异常事件在时间上同时发生的概率。例如，如果某工业智慧监盘系统的视频监控模块异常事件出现数据错误，同时也发生了与其关联的算法异常，那么这两个事件之间的联动概率较高。
联动强度：异常联动度信息还能够反映异常事件之间的关联程度或联动强度。它可以帮助了解异常事件之间的相互影响程度。例如，当视频监控节点数据错误导致算法异常的频率较高时，说明这两个事件之间存在较强的联动关系。
时间窗口分析：异常联动度信息还可以基于时间窗口进行分析。通过观察异常事件在一定时间范围内的同时发生情况，可以确定它们之间的联动模式和趋势。这对于预测和识别潜在的异常事件联动关系非常有用。
步骤S102，对所述基础系统异常运行训练事件序列中的各个基础系统异常运行训练事件进行目标状态特征屏蔽，生成所述基础系统异常运行训练事件序列对应的衍生异常运行训练事件序列。
所述衍生异常运行训练事件序列中包含有与各个所述基础系统异常运行训练事件对应的具有所述实际异常联动度信息的衍生异常运行训练事件。 例如，针对某个特定的训练异常运行事件，比如"远程调度模块异常事件"，可能会屏蔽与部分特定关键特征相关的信息，以便于后续初始长短期记忆网络可以更关注预测该屏蔽的特征部分，提高初始长短期记忆网络的适应性。
步骤S103，基于所述基础系统异常运行训练事件序列和/或所述衍生异常运行训练事件序列对初始长短期记忆网络进行知识学习，生成完成知识学习的目标联动状态匹配模型。
步骤S104，依据所述完成知识学习的目标联动状态匹配模型对任意目标异常运行事件与候选异常运行事件之间进行候选异常运行事件的联动状态分析，生成所述任意目标异常运行事件与所述候选异常运行事件之间的异常联动度信息。例如，当所述任意目标异常运行事件与所述候选异常运行事件之间的异常联动度信息大于设定联动度时，输出预警信息。
基于以上步骤，通过获取该工业智慧监盘系统对应的基础系统异常运行训练事件序列，包含第一和第二训练异常运行事件及其实际异常联动度信息，然后对基础训练事件进行目标状态特征屏蔽，生成相应的衍生异常运行训练事件序列，每个衍生训练事件都保留了对应基础训练事件的实际异常联动度信息，接着，利用基础或衍生的异常运行训练事件序列对初始长短期记忆网络进行知识学习，从而生成已完成知识学习的目标联动状态匹配模型。最后依据该模型对任意目标异常运行事件与候选异常运行事件之间进行联动状态分析，生成它们之间的异常联动度信息。由此，通过有效处理和学习异常运行事件，能够准确分析出目标异常运行事件与候选异常运行事件之间的联动状态，生成可靠的异常联动度信息，提高工业智慧监盘系统的异常联动预警和决策精准性。
一种可替代的实施方式中，所述目标状态特征包括异常节点联动状态特征，步骤S102可以包括：
步骤S1021，判断各个所述基础系统异常运行训练事件的所述第一训练异常运行事件中的每个异常节点上下文与所述第二训练异常运行事件中每个异常节点上下文的状态相关度，生成各个所述基础系统异常运行训练事件的所述第一训练异常运行事件与所述第二训练异常运行事件之间的所有异常节点联动状态特征组合。
步骤S1022，将各个所述基础系统异常运行训练事件的所有异常节点联动状态特征组合对应的异常节点联动状态特征进行特征屏蔽，生成各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件，并依据各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件获得所述衍生异常运行训练事件序列。
例如，没假设记录了多个异常事件，其中包括以下几个事件：
异常事件1：存储数据软件模块错误。
异常事件2：远程调度模块异常事件：与异常事件1几乎同时，存在远程调度异常响应问题。
在这个场景中，可以应用异常事件联动分析的步骤来理解这些异常事件之间的关联性：
目标状态特征屏蔽处理：针对异常事件2（远程调度模块异常事件），可以屏蔽与远程调度模块异常事件相关的关键特征相关的信息，以便系统后续通过训练能够有效预测与远程调度模块异常事件相关的特征。
衍生异常运行训练事件序列生成：通过目标状态特征屏蔽处理，生成一个衍生异常运行训练事件序列。在这个例子中，该序列将保留与远程调度模块异常事件相关的关键特征，并排除其它不相关的信息。
在此基础上，可以会判断异常事件1（存储数据软件模块错误）中的每个异常节点上下文与异常事件2（远程调度模块异常事件）中每个异常节点上下文的状态相关度。例如，可能发现存储数据软件模块错误和远程调度模块异常事件之间存在某种关联度，比如存储数据软件模块错误导致了支付异常的产生。这样系统会生成异常节点联动状态特征组合，反映存储数据软件模块错误与远程调度模块异常事件的联动情况。
由此，可以针对异常节点联动状态特征组合，再次进行特征屏蔽处理（掩模遮挡），筛选出与异常节点联动状态特征相关的信息。通过这样的处理，生成了衍生异常运行训练事件，即带有与存储数据软件模块错误和远程调度模块异常事件相关的特征的事件，并据此得到衍生异常运行训练事件序列。
一种可替代的实施方式中，在步骤S1021之后，还包括：
判断各个所述基础系统异常运行训练事件的所有异常节点联动状态特征组合中的异常节点联动状态特征的传播性字段是否符合设定传播性要求。
将各个所述基础系统异常运行训练事件的所有异常节点联动状态特征组合中传播性字段符合设定传播性要求的异常节点联动状态特征进行特征屏蔽，生成各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件，并依据各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件获得所述衍生异常运行训练事件序列。
例如，假设异常事件1：存储数据软件模块错误。在某个时间点，存储数据系统使用了一款新的存储数据软件模块来记录工业状态信息。然而，由于该模块存在bug或配置错误，导致存储数据的录入、处理或报告出现了错误。例如，某个节点的工业状态信息被错误地记录了两次。
异常事件2：远程调度模块异常，几乎与异常事件1同时，视频监控节点部门发现远程调度模块出现了异常情况。例如，远程调度流程中的调度内容与约定内容不一致，或者系统显示了未经授权的远程调度操作。
在这个场景中，可以按照以下步骤执行异常事件联动分析：
判断异常节点联动状态特征的传播性字段是否符合设定传播性要求，对于异常事件1（存储数据软件模块错误），关注其对远程调度模块异常的传播影响。将分析存储数据软件模块错误是否会直接或间接导致远程调度模块异常。
特别是，观察异常节点联动状态特征组合，如工业状态信息的不匹配，以判断它们是否能准确反映存储数据软件模块错误对远程调度模块异常的传播效果。
在此基础上，根据判断结果，筛选出符合设定传播性要求的异常节点联动状态特征。在这个例子中，可能会保留工业状态信息不匹配的特征。通过特征屏蔽处理，生成基于存储数据软件模块错误和远程调度模块异常的衍生异常运行训练事件。这些衍生事件将包含与存储数据软件模块错误和远程调度模块异常相关的特征，以便进一步分析和处理。
举例来说，在衍生异常运行训练事件序列中可以观察到以下信息：
存储数据软件模块错误导致工业状态信息不匹配。
不匹配的工业状态信息进一步导致远程调度模块异常，如错误的远程调度内容或未经授权的远程调度操作。
通过以上具体场景举例，更详细地描述了针对存储数据软件模块错误和远程调度模块异常的异常事件联动分析过程。分析异常节点联动状态特征的传播性字段，筛选并生成衍生异常运行训练事件序列。
一种可替代的实施方式中，在步骤S103中，可以将所述基础系统异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，或者，将所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，或者，将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型。
一种可替代的实施方式中，将所述基础系统异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：将所述基础系统异常运行训练事件序列中的各个所述基础系统异常运行训练事件加载至所述初始长短期记忆网络确定各个所述基础系统异常运行训练事件的第一预测异常联动度信息。基于各个所述基础系统异常运行训练事件对应的所述第一预测异常联动度信息与所述实际异常联动度信息计算第一训练误差参数信息，并基于所述第一训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
一种可替代的实施方式中，将所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：将所述衍生异常运行训练事件序列中的各个所述衍生异常运行训练事件加载至所述初始长短期记忆网络确定各个所述衍生异常运行训练事件的第二预测异常联动度信息。基于各个所述衍生异常运行训练事件对应的所述第二预测异常联动度信息与所述实际异常联动度信息计算第二训练误差参数信息，并基于所述第二训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
一种可替代的实施方式中，将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列作为同一个训练迭代集，同时加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型。
一种可替代的实施方式中，所述将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列作为同一个训练迭代集，同时加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：将各个所述基础系统异常运行训练事件与各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件作为一个待学习特征集，将所述待学习特征集加载至所述初始长短期记忆网络确定各个所述待学习特征集的第一目标异常联动度，其中，所述第一目标异常联动度为第一预测异常联动度信息与第二预测异常联动度信息的平均联动度，所述第一预测异常联动度信息为各个所述基础系统异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件的第一预测异常联动度信息，所述第二预测异常联动度信息为各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件的第二预测异常联动度信息。接着，基于各个所述待学习特征集对应的所述第一目标异常联动度与所述实际异常联动度信息计算第三训练误差参数信息，并基于所述第三训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
一种可替代的实施方式中，所述将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列作为同一个训练迭代集，同时加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：将各个所述基础系统异常运行训练事件与各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件同时加载至所述初始长短期记忆网络，生成第一预测异常联动度信息与第二预测异常联动度信息，所述第一预测异常联动度信息为各个所述基础系统异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件的第一预测异常联动度信息，所述第二预测异常联动度信息为各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件的第二预测异常联动度信息。接着，基于所述第一预测异常联动度信息、所述第二预测异常联动度信息与所述实际异常联动度信息计算第四训练误差参数信息，并基于所述第四训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
一种可替代的实施方式中，将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：将所述基础系统异常运行训练事件序列中的各个所述基础系统异常运行训练事件加载至所述初始长短期记忆网络确定各个所述基础系统异常运行训练事件的第一预测异常联动度信息，并基于各个所述基础系统异常运行训练事件对应的所述第一预测异常联动度信息与所述实际异常联动度信息计算第五训练误差参数信息，并基于所述第五训练误差参数信息更新所述网络权重参数。接着，将所述衍生异常运行训练事件序列中的各个所述衍生异常运行训练事件加载至所述初始长短期记忆网络确定各个所述衍生异常运行训练事件的第二预测异常联动度信息，并基于各个所述衍生异常运行训练事件对应的所述第二预测异常联动度信息与所述实际异常联动度信息计算第六训练误差参数信息，并基于所述第六训练误差参数信息更新所述网络权重参数。 基于设定训练循环参数，分别在相邻训练迭代集中将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列交替加载至所述初始长短期记忆网络进行网络权重参数更新，直到循环执行至所述设定训练循环参数，生成完成知识学习的目标联动状态匹配模型。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的计算机设备100。
对于一个实施例，图2示出了计算机设备100，该计算机设备100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括一个或多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些示例性的设计思路中，计算机设备100能够作为本申请实施例中所述网关等服务器设备。
一些示例性的设计思路中，计算机设备100可包括具有指令114的一个或多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为计算机设备100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些示例性的设计思路中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例，控制模块104可包括一个或多个输入/输出控制器，以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为计算机设备100被安装在其上的设备的一部分的存储图片元素，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为计算机设备100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为计算机设备100提供接口以依据一个或多个网络通信，计算机设备100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入依据通信标准的无线网络，或它们的组合进行无线通信。
对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如，存储器控制器模块)的逻辑加载在一起。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中，计算机设备100可以但不限于是：计算机设备、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等图片云服务。在各个实施例中，计算机设备100可具有更多或更少的组件和/或不同的架构。例如，一些示例性的设计思路中，计算机设备100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种工业智慧监盘系统中的系统分析方法，其特征在于，应用于计算机设备，所述方法包括：
获取所述工业智慧监盘系统所对应的基础系统异常运行训练事件序列，所述基础系统异常运行训练事件序列中的各个基础系统异常运行训练事件包括第一训练异常运行事件和第二训练异常运行事件，以及所述第一训练异常运行事件和第二训练异常运行事件的实际异常联动度信息；
对所述基础系统异常运行训练事件序列中的各个基础系统异常运行训练事件进行目标状态特征屏蔽，生成所述基础系统异常运行训练事件序列对应的衍生异常运行训练事件序列，所述衍生异常运行训练事件序列中包含有与各个所述基础系统异常运行训练事件对应的具有所述实际异常联动度信息的衍生异常运行训练事件；
基于所述基础系统异常运行训练事件序列和/或所述衍生异常运行训练事件序列对初始长短期记忆网络进行知识学习，生成完成知识学习的目标联动状态匹配模型；
依据所述完成知识学习的目标联动状态匹配模型对任意目标异常运行事件与候选异常运行事件之间进行候选异常运行事件的联动状态分析，生成所述任意目标异常运行事件与所述候选异常运行事件之间的异常联动度信息。
2.根据权利要求1所述的工业智慧监盘系统中的系统分析方法，其特征在于，所述目标状态特征包括异常节点联动状态特征，所述对所述基础系统异常运行训练事件序列中的各个基础系统异常运行训练事件进行目标状态特征屏蔽，生成所述基础系统异常运行训练事件序列对应的衍生异常运行训练事件序列，包括：
判断各个所述基础系统异常运行训练事件的所述第一训练异常运行事件中的每个异常节点上下文与所述第二训练异常运行事件中每个异常节点上下文的状态相关度，生成各个所述基础系统异常运行训练事件的所述第一训练异常运行事件与所述第二训练异常运行事件之间的所有异常节点联动状态特征组合；
将各个所述基础系统异常运行训练事件的所有异常节点联动状态特征组合对应的异常节点联动状态特征进行特征屏蔽，生成各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件，并依据各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件获得所述衍生异常运行训练事件序列。
3.根据权利要求2所述的工业智慧监盘系统中的系统分析方法，其特征在于，在所述生成各个所述基础系统异常运行训练事件的所述第一训练异常运行事件与所述第二训练异常运行事件之间的所有异常节点联动状态特征组合之后，还包括：
判断各个所述基础系统异常运行训练事件的所有异常节点联动状态特征组合中的异常节点联动状态特征的传播性字段是否符合设定传播性要求；
将各个所述基础系统异常运行训练事件的所有异常节点联动状态特征组合中传播性字段符合设定传播性要求的异常节点联动状态特征进行特征屏蔽，生成各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件，并依据各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件获得所述衍生异常运行训练事件序列。
4.根据权利要求1所述的工业智慧监盘系统中的系统分析方法，其特征在于，所述基于所述基础系统异常运行训练事件序列和/或所述衍生异常运行训练事件序列对初始长短期记忆网络进行知识学习，生成完成知识学习的目标联动状态匹配模型，包括：
将所述基础系统异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型；
或者，将所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型；
或者，将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型。
5.根据权利要求4所述的工业智慧监盘系统中的系统分析方法，其特征在于，所述将所述基础系统异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将所述基础系统异常运行训练事件序列中的各个所述基础系统异常运行训练事件加载至所述初始长短期记忆网络确定各个所述基础系统异常运行训练事件的第一预测异常联动度信息；
基于各个所述基础系统异常运行训练事件对应的所述第一预测异常联动度信息与所述实际异常联动度信息计算第一训练误差参数信息，并基于所述第一训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
6.根据权利要求4所述的工业智慧监盘系统中的系统分析方法，其特征在于，所述将所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将所述衍生异常运行训练事件序列中的各个所述衍生异常运行训练事件加载至所述初始长短期记忆网络确定各个所述衍生异常运行训练事件的第二预测异常联动度信息；
基于各个所述衍生异常运行训练事件对应的所述第二预测异常联动度信息与所述实际异常联动度信息计算第二训练误差参数信息，并基于所述第二训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
7.根据权利要求4所述的工业智慧监盘系统中的系统分析方法，其特征在于，将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列作为同一个训练迭代集，同时加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型。
8.根据权利要求7所述的工业智慧监盘系统中的系统分析方法，其特征在于，所述将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列作为同一个训练迭代集，同时加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将各个所述基础系统异常运行训练事件与各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件作为一个待学习特征集，将所述待学习特征集加载至所述初始长短期记忆网络确定各个所述待学习特征集的第一目标异常联动度，其中，所述第一目标异常联动度为第一预测异常联动度信息与第二预测异常联动度信息的平均联动度，所述第一预测异常联动度信息为各个所述基础系统异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件的第一预测异常联动度信息，所述第二预测异常联动度信息为各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件的第二预测异常联动度信息； 基于各个所述待学习特征集对应的所述第一目标异常联动度与所述实际异常联动度信息计算第三训练误差参数信息，并基于所述第三训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
9.根据权利要求7所述的工业智慧监盘系统中的系统分析方法，其特征在于，所述将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列作为同一个训练迭代集，同时加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将各个所述基础系统异常运行训练事件与各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件同时加载至所述初始长短期记忆网络，生成第一预测异常联动度信息与第二预测异常联动度信息，所述第一预测异常联动度信息为各个所述基础系统异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件的第一预测异常联动度信息，所述第二预测异常联动度信息为各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件单独加载至所述初始长短期记忆网络时得到的各个所述基础系统异常运行训练事件对应的衍生异常运行训练事件的第二预测异常联动度信息；
基于所述第一预测异常联动度信息、所述第二预测异常联动度信息与所述实际异常联动度信息计算第四训练误差参数信息，并基于所述第四训练误差参数信息更新所述网络权重参数，生成完成知识学习的目标联动状态匹配模型。
10.根据权利要求4所述的工业智慧监盘系统中的系统分析方法，其特征在于，将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列加载至所述初始长短期记忆网络进行网络权重参数更新，生成完成知识学习的目标联动状态匹配模型，包括：
将所述基础系统异常运行训练事件序列中的各个所述基础系统异常运行训练事件加载至所述初始长短期记忆网络确定各个所述基础系统异常运行训练事件的第一预测异常联动度信息，并基于各个所述基础系统异常运行训练事件对应的所述第一预测异常联动度信息与所述实际异常联动度信息计算第五训练误差参数信息，并基于所述第五训练误差参数信息更新所述网络权重参数；
将所述衍生异常运行训练事件序列中的各个所述衍生异常运行训练事件加载至所述初始长短期记忆网络确定各个所述衍生异常运行训练事件的第二预测异常联动度信息，并基于各个所述衍生异常运行训练事件对应的所述第二预测异常联动度信息与所述实际异常联动度信息计算第六训练误差参数信息，并基于所述第六训练误差参数信息更新所述网络权重参数； 基于设定训练循环参数，分别在相邻训练迭代集中将所述基础系统异常运行训练事件序列与所述衍生异常运行训练事件序列交替加载至所述初始长短期记忆网络进行网络权重参数更新，直到循环执行至所述设定训练循环参数，生成完成知识学习的目标联动状态匹配模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140371.5A CN116881737B (zh) | 2023-09-06 | 2023-09-06 | 一种工业智慧监盘系统中的系统分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140371.5A CN116881737B (zh) | 2023-09-06 | 2023-09-06 | 一种工业智慧监盘系统中的系统分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116881737A CN116881737A (zh) | 2023-10-13 |
| CN116881737B true CN116881737B (zh) | 2023-12-15 |
Family
ID=88262455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311140371.5A Active CN116881737B (zh) | 2023-09-06 | 2023-09-06 | 一种工业智慧监盘系统中的系统分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881737B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131457B (zh) * | 2023-10-26 | 2024-01-26 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及系统 |
| CN117171576B (zh) * | 2023-11-01 | 2024-02-27 | 博纯材料股份有限公司 | 应用于材料提纯系统的异常监控方法及系统 |
| CN117420809B (zh) * | 2023-12-18 | 2024-03-01 | 台山市南特金属科技有限公司 | 基于人工智能的曲轴加工优化决策方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766047A (zh) * | 2020-12-29 | 2021-05-07 | 广东麦德克斯科技有限公司 | 一种制冷系统故障诊断方法及制冷装置 |
| WO2022085014A1 (en) * | 2020-10-23 | 2022-04-28 | Telefonaktiebolaget Lm Ericsson (Publ) | Application fault analysis using machine learning |
| CN114726713A (zh) * | 2022-03-02 | 2022-07-08 | 阿里巴巴（中国）有限公司 | 节点故障模型训练方法、检测方法、设备、介质及产品 |
| CN114780683A (zh) * | 2022-04-22 | 2022-07-22 | 杭州鸿晟电力设计咨询有限公司 | 基于vcwe-esim模型的电力调度故障匹配方法 |
| CN115062901A (zh) * | 2022-05-05 | 2022-09-16 | 广东电力信息科技有限公司 | 一种电力信息化综合绩效的评估方法 |
| CN115906492A (zh) * | 2022-11-28 | 2023-04-04 | 深圳供电局有限公司 | 一种电弧宏微观参数关联模型构建方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11687540B2 (en) * | 2021-02-18 | 2023-06-27 | Oracle International Corporation | Fast, approximate conditional distribution sampling |
-
2023
- 2023-09-06 CN CN202311140371.5A patent/CN116881737B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022085014A1 (en) * | 2020-10-23 | 2022-04-28 | Telefonaktiebolaget Lm Ericsson (Publ) | Application fault analysis using machine learning |
| CN112766047A (zh) * | 2020-12-29 | 2021-05-07 | 广东麦德克斯科技有限公司 | 一种制冷系统故障诊断方法及制冷装置 |
| CN114726713A (zh) * | 2022-03-02 | 2022-07-08 | 阿里巴巴（中国）有限公司 | 节点故障模型训练方法、检测方法、设备、介质及产品 |
| CN114780683A (zh) * | 2022-04-22 | 2022-07-22 | 杭州鸿晟电力设计咨询有限公司 | 基于vcwe-esim模型的电力调度故障匹配方法 |
| CN115062901A (zh) * | 2022-05-05 | 2022-09-16 | 广东电力信息科技有限公司 | 一种电力信息化综合绩效的评估方法 |
| CN115906492A (zh) * | 2022-11-28 | 2023-04-04 | 深圳供电局有限公司 | 一种电弧宏微观参数关联模型构建方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 工业网络流量异常智能分析与动态安全策略;郝唯杰;《中国博士学位论文全文数据库工程科技Ⅱ辑》;C042-110 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116881737A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116881737B (zh) | 一种工业智慧监盘系统中的系统分析方法 | |
| US11494295B1 (en) | Automated software bug discovery and assessment | |
| US10585774B2 (en) | Detection of misbehaving components for large scale distributed systems | |
| US8938406B2 (en) | Constructing a bayesian network based on received events associated with network entities | |
| CN108563548B (zh) | 异常检测方法及装置 | |
| EP3407267A1 (en) | Deep learning network architecture optimization for uncertainty estimation in regression | |
| EP3827387A1 (en) | Systematic prognostic analysis with dynamic causal model | |
| CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
| EP4120653A1 (en) | Communication network performance and fault analysis using learning models with model interpretation | |
| US11150631B2 (en) | Predictive maintenance utilizing supervised sequence rule mining | |
| US11704186B2 (en) | Analysis of deep-level cause of fault of storage management | |
| CN115905450B (zh) | 一种基于无人机监控的水质异常溯源方法及系统 | |
| US20230133541A1 (en) | Alert correlating using sequence model with topology reinforcement systems and methods | |
| WO2020027931A1 (en) | Real time telemetry monitoring tool | |
| Dhanalaxmi et al. | A review on software fault detection and prevention mechanism in software development activities | |
| Yu | Hard disk drive failure prediction challenges in machine learning for multi-variate time series | |
| US20220050763A1 (en) | Detecting regime change in time series data to manage a technology platform | |
| US11526162B2 (en) | Method for detecting abnormal event and apparatus implementing the same method | |
| US20230035666A1 (en) | Anomaly detection in storage systems | |
| US11288155B2 (en) | Identifying anomalies in data during data outage | |
| CN113610174A (zh) | 基于Phik特征选择的电网主机负载预测方法、设备及介质 | |
| Behzadi et al. | Dependency anomaly detection for heterogeneous time series: A Granger-Lasso approach | |
| JP7287481B2 (ja) | 閾値取得装置、その方法、およびプログラム | |
| WO2021152689A1 (ja) | イベント分析支援装置、方法及び記録媒体 | |
| CN113312006A (zh) | 硬盘更换判别方法、装置、设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |