CN117155771A - 一种基于工业物联网的设备集群故障溯源方法及装置 - Google Patents
一种基于工业物联网的设备集群故障溯源方法及装置 Download PDFInfo
- Publication number
- CN117155771A CN117155771A CN202311430416.2A CN202311430416A CN117155771A CN 117155771 A CN117155771 A CN 117155771A CN 202311430416 A CN202311430416 A CN 202311430416A CN 117155771 A CN117155771 A CN 117155771A
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- order
- low
- representing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 119
- 238000005206 flow analysis Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 70
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及工业物联网技术领域，提出了一种基于工业物联网的设备集群故障溯源方法及装置，其中，所述方法包括：采集工业设备集群对应的设备信息及设备状态，对工业设备集群进行数据流向分析，得到数据流向关系；将设备信息分解为高阶设备信息及低阶设备信息，根据高阶设备信息及低阶设备信息建立关系空间模型；利用关系空间模型提取高阶设备信息及低阶设备信息之间的信息关联关系；根据设备状态、数据流向关系、高阶设备信息、低阶设备信息及信息关联关系建立根源故障分析模型；获取待分析设备故障，利用根源故障分析模型对待分析设备故障进行故障溯源分析，得到根源故障。本发明可以提高进行设备集群故障溯源时故障位置识别的准确性。
Description
技术领域
本发明涉及工业物联网技术领域，尤其涉及一种基于工业物联网的设备集群故障溯源方法及装置。
背景技术
随着工业化和数字化的深度融合，工业物联网应运而生，工业物联网是指在工业中使用物联网技术，以提高制造和工业流程的生产力和效率，其中，物联网通过数据收集、硬件监控和维护、质量控制、供应链管理等应用到各行各业，将物和物用互联网实现万物相连。但是，随着工业物联网的快速发展，面临的安全性问题也越来越多，一是用于物联网设备的身份验证可能面临随时被篡改或伪造的情况；二是存储在中心数据库的数据容易遭到恶意认为篡改，无法保障数据的真实性。
进一步地，随着我国工业自动化水平的不断提高，基于工业物联网的工业设备也在不断发展和广泛应用，由于工业设备是传输系统及控制系统的重要组成部分，设备的运行状态直接关系到系统的稳定和安全，工业设备故障的连锁反应将演变为系统全局安全风险。由于设备的数量较多，导致设备集群故障的种类也较多，例如，一是使用较长的零部件老化；二是大功率电流冲击等，都会造成工业设备集群故障，从而导致设备集群故障溯源的难度较大。
在传统设备故障溯源方法中，由于工业设备集群的数据流向、设备状态及设备信息之间的关联性较为复杂，使得故障判别时准确度较低，从而导致故障定位精度不高等问题，不能短时间内准确识别故障位置。综上所述，现存技术中存在进行设备集群故障溯源时故障位置识别的准确性较低的问题。
发明内容
本发明提供一种基于工业物联网的设备集群故障溯源方法及装置，其主要目的在于解决进行设备集群故障溯源时故障位置识别的准确性较低的问题。
为实现上述目的，本发明提供的一种基于工业物联网的设备集群故障溯源方法，包括：
采集预先获取的工业设备集群对应的设备信息及设备状态，并对所述工业设备集群进行数据流向分析，得到数据流向关系；
将所述设备信息分解为高阶设备信息及低阶设备信息，并根据所述高阶设备信息及所述低阶设备信息建立关系空间模型；
利用所述关系空间模型提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系；
根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型；
获取待分析设备故障，利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障。
可选地，所述采集预先获取的工业设备集群对应的设备信息及设备状态，包括：
提取与所述工业设备集群相关的日志信息及设备状态影响因素；
基于所述设备状态影响因素对所述日志信息进行评分筛选，得到设备信息；
根据所述设备信息对所述工业设备集群进行状态分析，得到设备状态。
可选地，所述根据所述设备信息对所述工业设备集群进行状态分析，得到设备状态，包括：
对所述设备信息进行信息分段，得到信息子集；
利用预构建的状态分析模型中的卷积网络及池化网络对所述信息子集进行交替并行特征提取，得到信息特征，其中，所述状态分析模型包含卷积网络、池化网络、注意力网络及全连接网络；
利用所述注意力网络对所述信息特征进行特征聚合及尺度恢复，得到设备特征；
利用所述全连接网络对所述设备特征进行设备状态分类，得到所述工业设备集群对应的设备状态。
可选地，所述对所述工业设备集群进行数据流向分析，得到数据流向关系，包括：
从所述工业设备集群中随机选取一个工业设备作为主节点，并将所述主节点之外的所述工业设备集群中的其余工业设备作为副节点；
计算所述主节点及所述副节点之间的第一关联度和所述副节点之间的第二关联度；
利用下述公式计算第一关联度：其中，/>表示所述第一关联度，/>表示所述主节点，/>表示第/>个副节点，/>表示预设的第一关联因子；
根据所述第一关联度分析所述主节点及所述副节点之间的第一节点关联关系，并根据所述第二关联度分析所述副节点之间的第二节点关联关系；
根据所述主节点、所述副节点、所述第一节点关联关系及所述第二节点关联关系生成设备流向树，根据所述设备流向树确定数据流向关系。
可选地，所述将所述设备信息分解为高阶设备信息及低阶设备信息，包括：
利用预设的核密度估计方法将所述设备信息分解为公有高阶设备信息及私有高阶设备信息；
所述核密度估计方法表示为：其中，表示所述公有高阶设备信息，/>表示所述私有高阶设备信息，/>表示所述设备信息对应的横坐标信息，/>表示所述设备信息对应的公有高阶信息权重矩阵，/>表示第/>个设备信息对应的公有高阶信息主元矩阵，/>表示所述设备信息的总数，/>表示所述设备信息对应的私有横向隐变量，/>表示所述设备信息对应的公有高阶信息单位矩阵，/>表示所述设备信息对应的公有高阶信息负载矩阵，/>表示所述设备信息对应的私有高阶信息单位矩阵，/>表示所述设备信息对应的私有高阶信息权重矩阵，/>表示所述设备信息对应的私有高阶信息负载矩阵,/>表示第/>个设备信息对应的私有高阶信息主元矩阵，/>表示转置符号；
对所述公有高阶设备信息及所述私有高阶设备信息进行加和计算，得到高阶设备信息；
利用下述公式进行加和计算：其中，/>表示所述高阶设备信息，/>表示所述公有高阶设备信息，/>表示所述私有高阶设备信息；
利用预设的多元统计分析方法将所述设备信息分解为公有低阶设备信息及私有低阶设备信息；
对所述公有低阶设备信息及所述私有低阶设备信息进行汇总，得到低阶设备信息。
可选地，所述利用预设的多元统计分析方法将所述设备信息分解为公有低阶设备信息及私有低阶设备信息，包括：
所述多元统计分析方法表示为：其中，/>表示公有低阶设备信息，/>表示私有低阶设备信息，/>表示所述设备信息对应的公有横向隐变量，/>表示所述设备信息对应的横坐标信息，/>表示所述公有高阶设备信息，/>表示所述设备信息对应的公有高阶信息权重矩阵，/>表示所述设备信息对应的公有高阶信息负载矩阵，/>表示所述设备信息对应的公有低阶信息权重矩阵，/>表示第/>个设备信息对应的公有低阶信息主元矩阵，/>表示所述设备信息的总数，/>表示所述设备信息对应的私有横向隐变量，/>表示所述公有低阶设备信息，/>表示所述设备信息对应的公有低阶信息负载矩阵，/>表示所述私有高阶设备信息，/>表示所述设备信息对应的私有高阶信息权重矩阵，/>表示所述设备信息对应的私有高阶信息负载矩阵，/>表示所述设备信息对应的私有低阶信息权重矩阵，/>表示第/>个设备信息对应的私有低阶信息主元矩阵，/>表示转置符号。
可选地，所述根据所述高阶设备信息及所述低阶设备信息建立关系空间模型，包括：
对所述高阶设备信息及所述低阶设备信息进行特征提取，得到高阶设备特征及低阶设备特征；
根据所述高阶设备特征及所述低阶设备特征分析共同设备特征；
根据所述共同设备特征设置公共空间，并根据所述高阶设备特征及所述低阶设备特征设置高阶空间及低阶空间；
根据所述高阶空间、所述低阶空间及所述公共空间进行多层次空间构建，得到关系空间模型。
可选地，所述根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型，包括：
根据所述高阶设备信息及所述低阶设备信息生成区块，利用所述信息关联关系对若干所述区块进行并行连接，得到信息区块链；
根据所述设备状态生成故障预警信号，根据所述故障预警信号、所述数据流向关系及所述信息区块链建立初始根源故障分析模型；
利用预设的损失函数对所述初始根源故障分析模型进行损失计算，得到损失值；
所述损失函数表示为：其中，/>表示所述损失值，/>表示所述初始根源故障分析模型中的第一设备信息，/>表示所述初始根源故障分析模型中的第二设备信息；
利用所述损失值对所述初始根源故障分析模型进行更新，得到根源故障分析模型。
可选地，所述利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障，包括：
利用所述根源故障分析模型接收所述待分析设备故障的故障预警信号；
基于所述故障预警信号利用所述根源故障分析模型确认所述待分析设备故障对应的异常信息；
利用所述根源故障分析模型对所述异常信息进行故障定位，得到故障位置；
根据所述故障位置及所述故障信息进行故障分析，得到根源故障。
为了解决上述问题，本发明还提供一种基于工业物联网的设备集群故障溯源装置，所述装置包括：
数据流向分析模块，用于采集预先获取的工业设备集群对应的设备信息及设备状态，并对所述工业设备集群进行数据流向分析，得到数据流向关系；
设备信息分解模块，用于将所述设备信息分解为高阶设备信息及低阶设备信息，并根据所述高阶设备信息及所述低阶设备信息建立关系空间模型；
关联关系提取模块，用于利用所述关系空间模型提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系；
根源故障分析模型建立模块，用于根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型；
故障溯源分析模块，用于获取待分析设备故障，利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障。
本发明实施例通过对工业设备集群进行数据流向分析，能够准确得到数据流向关系，进而加快计算机处理效率；通过将设备信息分解为高阶设备信息及低阶设备信息，并根据高阶设备信息及低阶设备信息准确建立关系空间模型，能够保证信息的准确性及关系空间模型的层次性；通过关系空间模型能够准确提取高阶设备信息及低阶设备信息之间的信息关联关系，从而提高信息之间的关联性；通过设备状态、数据流向关系、高阶设备信息、低阶设备信息及信息关联关系能够准确建立根源故障分析模型，进而提高故障分析效率及精确性；通过根源故障分析模型对待分析设备故障进行故障溯源分析，能够准确得到根源故障，从而提高设备集群故障溯源时故障位置识别时的准确性。因此本发明提出的基于工业物联网的设备集群故障溯源方法及装置，可以解决进行设备集群故障溯源时故障位置识别的准确性较低的问题。
附图说明
图1为本发明一实施例提供的基于工业物联网的设备集群故障溯源方法的流程示意图；
图2为本发明一实施例提供的采集预先获取的工业设备集群对应的设备信息及设备状态的流程示意图；
图3为本发明一实施例提供的对工业设备集群进行数据流向分析，得到数据流向关系的流程示意图；
图4为本发明一实施例提供的基于工业物联网的设备集群故障溯源装置的功能模块图；
图5为本发明一实施例提供的实现所述基于工业物联网的设备集群故障溯源方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于工业物联网的设备集群故障溯源方法。所述基于工业物联网的设备集群故障溯源方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于工业物联网的设备集群故障溯源方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于工业物联网的设备集群故障溯源方法的流程示意图。在本实施例中，所述基于工业物联网的设备集群故障溯源方法包括：
S1、采集预先获取的工业设备集群对应的设备信息及设备状态，并对所述工业设备集群进行数据流向分析，得到数据流向关系。
本发明实施例中，所述工业设备集群指的是若干相互独立的工业计算机，利用高速通信网络组成的一个较大的计算机服务系统，每个集群节点（即工业设备）都是运行各自服务的独立服务器，服务器之间可以彼此通信、提供资源及数据。
请参阅图2所示，本发明实施例中，所述采集预先获取的工业设备集群对应的设备信息及设备状态，包括：
S21、提取与所述工业设备集群相关的日志信息及设备状态影响因素；
S22、基于所述设备状态影响因素对所述日志信息进行评分筛选，得到设备信息；
S23、根据所述设备信息对所述工业设备集群进行状态分析，得到设备状态。
本发明实施例中，利用传感器获取所述工业设备集群的日志信息，其中，所述日志信息包括工业设备访问日志信息、数据使用日志信息、配置信息开通日志信息及设备控制日志信息等；提取所述工业设备集群的设备状态影响因素指的是获取所述工业设备集群的历史故障信息，根据所述历史故障信息分析故障因素，将所述故障因素作为设备状态影响因素，其中，所述设备状态影响因素包括采集对象信息、事件发生时间信息、操作事件类型信息及设备影响结果分类信息等。
进一步地，根据所述设备状态影响因素利用预设的信息评估法依次对所述日志信息进行评分，得到信息评分，其中，所述信息评估法包括指标评分、层次分析及内容分析法等；对所述信息评分进行排序，得到评分序列；根据所述评分序列对所述日志信息进行权重赋值，得到信息权重；判断所述信息权重是否大于预设的标准权重，当所述信息权重小于或等于所述标准权重时，对所述信息权重对应的日志信息进行删减，将删减后的日志信息作为设备信息；当所述信息权重大于所述标准权重时，将所述信息权重对应的日志信息作为设备信息。
本发明实施例中，所述根据所述设备信息对所述工业设备集群进行状态分析，得到设备状态，包括：
对所述设备信息进行信息分段，得到信息子集；
利用预构建的状态分析模型中的卷积网络及池化网络对所述信息子集进行交替并行特征提取，得到信息特征，其中，所述状态分析模型包含卷积网络、池化网络、注意力网络及全连接网络；
利用所述注意力网络对所述信息特征进行特征聚合及尺度恢复，得到设备特征；
利用所述全连接网络对所述设备特征进行设备状态分类，得到所述工业设备集群对应的设备状态。
本发明实施例中，按照预设的时间间隔对所述设备信息进行分段，得到信息子集，其中，所述时间间隔指的是预先设定的固定时间长度，例如，以一小时为时间间隔，即每隔一小时对所述设备信息进行分段，得到若干信息子集。
本发明实施例中，所述状态分析模型指的是能够对设备状态进行分析的模型，包括一个m×m大小的卷积核（滤波器）的卷积网络、一个最大池化网络、一个软注意力网络以及一个softmax全连接网络；具体地，利用所述卷积网络及所述池化网络对所述信息子集进行交替并行特征提取指的是所述卷积网络及所述池化网络为级联结构，通过5个级联的卷积网络及池化网络对所述信息子集进行并行计算，得到信息特征，可以保证所述信息特征的完整性及准确性。
进一步地，利用所述注意力网络对所述信息特征进行权重计算，得到信息特征权重，其中，所述权重计算方法可以为点乘、加权点乘或求和；再对所述信息特征权重进行归一化处理，得到权重分布；根据所述信息特征权重及所述权重分布进行加权求和，得到设备特征。
本发明实施例中，利用所述全连接网络对所述设备特征进行设备状态分类指的是利用softmax函数将所述设备特征与预设的设备运行状态库中对应的状态标签进行匹配计算，根据计算结果从所述状态标签中选取所述设备特征对应的目标状态标签，将所述目标状态标签对应的设备运行状态作为所述工业设备集群对应的设备状态。
请参阅图3所示，本发明实施例中，所述对所述工业设备集群进行数据流向分析，得到数据流向关系，包括：
S31、从所述工业设备集群中随机选取一个工业设备作为主节点，并将所述主节点之外的所述工业设备集群中的其余工业设备作为副节点；
S32、计算所述主节点及所述副节点之间的第一关联度和所述副节点之间的第二关联度；
S33、根据所述第一关联度分析所述主节点及所述副节点之间的第一节点关联关系，并根据所述第二关联度分析所述副节点之间的第二节点关联关系；
S34、根据所述主节点、所述副节点、所述第一节点关联关系及所述第二节点关联关系生成设备流向树，根据所述设备流向树确定数据流向关系。
本发明实施例中，将所述工业设备集群中的任意一个工业设备作为主节点，并将除所述主节点之外的其他工业设备作为副节点，能够明确后续工业设备之间的数据流向，从而准确确定数据流向关系。
进一步地，利用下述公式计算第一关联度：其中，/>表示所述第一关联度，/>表示所述主节点，/>表示第/>个副节点，/>表示预设的第一关联因子。
本发明实施例中，利用下述公式计算第二关联度：其中，/>表示所述第二关联度，/>表示第/>个副节点，/>表示第/>个副节点，/>表示预设的第二关联因子。
本发明实施例中，根据所述第一关联度对所述副节点进行关联排序，得到关联序列，依次判断所述关联序列中第一关联度是否大于预设的标准关联度，其中，所述标准关联度为预先设定的具有关联关系的两个节点之间需要达到的关联程度；当所述第一关联度大于所述标准关联度时，表示所述主节点及所述副节点之间存在节点关联关系；当所述第一关联度小于或等于所述标准关联度时，表示所述主节点及所述副节点之间不存在节点关联关系或节点关联关系较弱。
进一步地，根据所述第二关联度分析所述副节点之间的第二节点关联关系与上述根据所述第一关联度分析所述主节点及所述副节点之间的第一节点关联关系的方法步骤类似，在此不做过多赘述。
本发明实施例中，根据所述主节点、所述副节点、所述第一节点关联关系及所述第二节点关联关系生成设备流向树指的是当所述主节点及所述副节点之间存在关联关系或所述副节点之间存在关联关系时，将所述主节点及所述副节点相连或将所述副节点之间相连，从而得到设备流向树；根据所述设备流向树确定数据流向关系指的是将所述设备流向树中的节点关联关系作为数据流向关系。
本发明实施例中，准确采集工业设备集群对应的设备信息及设备状态，能够保证信息的准确性，从而保证后续信息处理时的真实性；对所述工业设备集群进行数据流向分析，能够准确得到数据流向关系，从而加快计算机处理效率。
S2、将所述设备信息分解为高阶设备信息及低阶设备信息，并根据所述高阶设备信息及所述低阶设备信息建立关系空间模型。
本发明实施例中，所述将所述设备信息分解为高阶设备信息及低阶设备信息，包括：
利用预设的核密度估计方法将所述设备信息分解为公有高阶设备信息及私有高阶设备信息；
对所述公有高阶设备信息及所述私有高阶设备信息进行加和计算，得到高阶设备信息；
利用预设的多元统计分析方法将所述设备信息分解为公有低阶设备信息及私有低阶设备信息；
对所述公有低阶设备信息及所述私有低阶设备信息进行汇总，得到低阶设备信息。
本发明实施例中，所述核密度估计方法表示为：其中，/>表示所述公有高阶设备信息，/>表示所述私有高阶设备信息，/>表示所述设备信息对应的横坐标信息，/>表示所述设备信息对应的公有高阶信息权重矩阵，/>表示第/>个设备信息对应的公有高阶信息主元矩阵，/>表示所述设备信息的总数，/>表示所述设备信息对应的私有横向隐变量，/>表示所述设备信息对应的公有高阶信息单位矩阵，/>表示所述设备信息对应的公有高阶信息负载矩阵，表示所述设备信息对应的私有高阶信息单位矩阵，/>表示所述设备信息对应的私有高阶信息权重矩阵，/>表示所述设备信息对应的私有高阶信息负载矩阵,/>表示第/>个设备信息对应的私有高阶信息主元矩阵，/>表示转置符号。
本发明实施例中，利用下述公式进行加和计算：
其中，表示所述高阶设备信息，/>表示所述公有高阶设备信息，/>表示所述私有高阶设备信息。
本发明实施例中，所述多元统计分析方法表示为：其中，/>表示公有低阶设备信息，/>表示私有低阶设备信息，/>表示所述设备信息对应的公有横向隐变量，/>表示所述设备信息对应的横坐标信息，/>表示所述公有高阶设备信息，/>表示所述设备信息对应的公有高阶信息权重矩阵，/>表示所述设备信息对应的公有高阶信息负载矩阵，/>表示所述设备信息对应的公有低阶信息权重矩阵，/>表示第/>个设备信息对应的公有低阶信息主元矩阵，/>表示所述设备信息的总数，/>表示所述设备信息对应的私有横向隐变量，/>表示所述公有低阶设备信息，/>表示所述设备信息对应的公有低阶信息负载矩阵，/>表示所述私有高阶设备信息，/>表示所述设备信息对应的私有高阶信息权重矩阵，/>表示所述设备信息对应的私有高阶信息负载矩阵，/>表示所述设备信息对应的私有低阶信息权重矩阵，/>表示第/>个设备信息对应的私有低阶信息主元矩阵，/>表示转置符号。
本发明实施例中，对所述公有低阶设备信息及所述私有低阶设备信息进行汇总指的是对所述公有低阶设备信息及所述私有低阶设备信息进行加和计算，得到低阶设备信息，具体地，利用下述公式表示：其中，/>表示所述低阶设备信息，/>表示公有低阶设备信息，/>表示私有低阶设备信息。
进一步地，所述设备信息对应的横坐标信息指的是将所述设备信息映射到预先获取的直角坐标系中对应的横坐标数值；所述权重矩阵指的是运用双循环迭代方法对应的多模式过程中的设备信息对应的共同信息特征量的权值进行矩阵转化得到的权值矩阵，其中，所述权重矩阵包括公有高阶信息权重矩阵、私有高阶信息权重矩阵、公有低阶信息权重矩阵及私有低阶信息权重矩阵；所述主元矩阵及所述负载矩阵是利用PLS方法对所述设备信息中信息特征进行描述得到的信息矩阵，其中，所述主元矩阵包括公有高阶信息主元矩阵、私有高阶信息主元矩阵、公有低阶信息主元矩阵、私有低阶信息主元矩阵；所述负载矩阵包括公有高阶信息负载矩阵、私有高阶信息负载矩阵、公有低阶信息负载矩阵。
本发明实施例中，所述根据所述高阶设备信息及所述低阶设备信息建立关系空间模型，包括：
对所述高阶设备信息及所述低阶设备信息进行特征提取，得到高阶设备特征及低阶设备特征；
根据所述高阶设备特征及所述低阶设备特征分析共同设备特征；
根据所述共同设备特征设置公共空间，并根据所述高阶设备特征及所述低阶设备特征设置高阶空间及低阶空间；
根据所述高阶空间、所述低阶空间及所述公共空间进行多层次空间构建，得到关系空间模型。
本发明实施例中，利用预设的sift方法根据不同尺度下的高斯模糊化信息差异寻找所述高阶设备信息及所述低阶设备信息的局部极值，得到高阶设备特征及低阶设备特征；利用预设的关联算法计算所述高阶设备特征及所述低阶设备特征，得到关联度，其中，所述关联算法可以为FP-growth算法或Apriori算法；按照从高到低的顺序对所述关联度进行排序，得到关联序列；提取所述关联序列中关联度较高的作为目标关联度，将所述目标关联度对应的高阶设备特征及低阶设备特征进行汇总，作为共同设备特征。
本发明实施例中，根据所述共同设备特征、所述高阶设备特征及所述低阶设备特征分别设置空间特征大小、空间特征类型及空间特征数量等，根据所述空间特征大小、所述空间特征类型及所述空间特征数量构建公共空间、高阶空间及低阶空间，例如，公共空间的空间特征类型包括高阶设备特征类型及低阶设备特征类型，其中，所述特征类型包括信息名称等。
本发明实施例中，根据所述高阶空间、所述低阶空间及所述公共空间进行多层次空间构建指的是将所述高阶设备信息及所述低阶设备信息分别划分到所述高阶空间、所述低阶空间及所述公共空间内，并对所述高阶空间、所述低阶空间与所述公共空间进行连接，得到关系空间模型。
本发明实施例中，将所述设备信息分解为高阶设备信息及低阶设备信息，能够提高信息的层次性，加快信息处理的效率；根据所述高阶设备信息及所述低阶设备信息能够准确建立关系空间模型，能够提高信息之间的关联性。
S3、利用所述关系空间模型提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系。
本发明实施例中，所述利用所述关系空间模型提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系，包括：
提取所述关系空间模型中的公共空间对应的共同设备特征，并判断所述高阶设备信息及所述低阶设备信息是否均包含所述共同设备特征；
当所述高阶设备信息及所述低阶设备信息未均包含所述共同设备特征，表示所述高阶设备信息及所述低阶设备信息之间不具有信息关联关系；
当所述高阶设备信息及所述低阶设备信息均包含所述共同设备特征，表示所述高阶设备信息及所述低阶设备信息之间具有信息关联关系，将所述公共设备特征作为所述高阶设备信息及所述低阶设备信息之间的信息关联关系。
本发明实施例中，所述关系空间模型中的公共空间对应的公共设备特征表示所述高阶设备信息及所述低阶设备信息的公有特征；当所述高阶设备信息及所述低阶设备信息均包含所述公共设备特征时，表示所述高阶设备信息及所述低阶设备信息是具有关联关系的，即可以将所述共同设备特征作为信息关联关系。
本发明实施例中，利用所述关系空间模型能够准确提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系，并提高信息关联关系提取的效率，从而加快计算机处理速率。
S4、根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型。
本发明实施例中，所述根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型，包括：
根据所述高阶设备信息及所述低阶设备信息生成区块，利用所述信息关联关系对若干所述区块进行并行连接，得到信息区块链；
根据所述设备状态生成故障预警信号，根据所述故障预警信号、所述数据流向关系及所述信息区块链建立初始根源故障分析模型；
利用预设的损失函数对所述初始根源故障分析模型进行损失计算，得到损失值；
利用所述损失值对所述初始根源故障分析模型进行更新，得到根源故障分析模型。
本发明实施例中，根据所述高阶设备信息及所述低阶设备信息生成区块指的是对所述高阶设备信息及所述低阶设备信息进行划分，得到高阶业务信息、低阶业务信息、高阶时间信息及低阶时间信息；对所述高阶业务信息及所述低阶业务信息进行哈希运算，得到高阶哈希值及低阶哈希值；根据所述高阶哈希值及所述低阶哈希值对所述高阶业务信息及所述低阶业务信息进行树状存储，得到高阶区块体及低阶区块体；对所述高阶哈希值、所述低阶哈希值、所述高阶时间信息及所述低阶时间信息进行封装，得到高阶区块头及低阶区块头；将所述高阶区块体、所述低阶区块体、所述高阶区块头及所述低阶区块头进行对应连接，得到高阶区块及低阶区块；对所述高阶区块及所述低阶区块进行汇总，得到区块。
进一步地，利用所述信息关联关系确认区块连接关系，根据所述高阶时间信息及所述低阶时间信息确认区块时间顺序，根据所述区块连接关系及所述区块时间顺序对若干所述区块进行同步连接，得到信息区块链；当所述设备状态异常时，利用预设的信号传感器发出故障预警信号，其中，所述故障预警信号可以为颜色信号、语音信号等。
本发明实施例中，所述初始根源故障分析模型包括信号接收模块、信息传输模块及数据定位模块，其中，所述信号接收模块用于接收故障预警信号；所述信息传输模块用于基于所述故障预警信号根据信息区块链确认异常信息及关联信息；所述数据定位模块用于根据所述异常信息及所述关联信息通过数据流向关系进行故障定位，得到故障位置。
本发明实施例中，所述损失函数表示为：其中，/>表示所述损失值，/>表示所述初始根源故障分析模型中的第一设备信息，/>表示所述初始根源故障分析模型中的第二设备信息。
本发明实施例中，判断所述损失值是否大于预设的标准损失值，当所述损失值大于所述标准损失值时，对所述初始根源故障分析模型进行修正，即调整所述初始根源故障分析模型中的信息权重等，直至所述损失值小于或等于所述标准损失值，将此时的初始根源故障分析模型作为根源故障分析模型；当所述损失值小于或等于所述标准损失值时，将所述初始根源故障分析模型作为根源故障分析模型。
本发明实施例中，根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系能够准确建立根源故障分析模型，进而能够提高利用所述根源故障分析模型进行故障分析时的效率及准确率。
S5、获取待分析设备故障，利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障。
本发明实施例中，所述待分析设备故障指的是分析问题设备的故障，即分析当前问题设备丧失的功能，例如，设备不能正常运行等。
本发明实施例中，所述利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障，包括：
利用所述根源故障分析模型接收所述待分析设备故障的故障预警信号；
基于所述故障预警信号利用所述根源故障分析模型确认所述待分析设备故障对应的异常信息；
利用所述根源故障分析模型对所述异常信息进行故障定位，得到故障位置；
根据所述故障位置及所述故障信息进行故障分析，得到根源故障。
本发明实施例中，利用所述根源故障分析模型中的信号接收模块接收所述待分析设备故障的故障预警信号；基于所述故障预警信号根据所述根源故障分析模型中的信息区块链确认异常信息；根据所述异常信息的数据流向关系找到故障位置；根据所述故障位置结合异常信息分析具体故障原因，得到根源故障。
本发明实施例中，利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，能够准确得到根源故障，提高故障分析效率。
本发明实施例通过对工业设备集群进行数据流向分析，能够准确得到数据流向关系，进而加快计算机处理效率；通过将设备信息分解为高阶设备信息及低阶设备信息，并根据高阶设备信息及低阶设备信息准确建立关系空间模型，能够保证信息的准确性及关系空间模型的层次性；通过关系空间模型能够准确提取高阶设备信息及低阶设备信息之间的信息关联关系，从而提高信息之间的关联性；通过设备状态、数据流向关系、高阶设备信息、低阶设备信息及信息关联关系能够准确建立根源故障分析模型，进而提高故障分析效率及精确性；通过根源故障分析模型对待分析设备故障进行故障溯源分析，能够准确得到根源故障，从而提高设备集群故障溯源时故障位置识别时的准确性。因此本发明提出的基于工业物联网的设备集群故障溯源方法，可以解决进行设备集群故障溯源时故障位置识别的准确性较低的问题。
如图4所示，是本发明一实施例提供的基于工业物联网的设备集群故障溯源装置的功能模块图。
本发明所述基于工业物联网的设备集群故障溯源装置400可以安装于电子设备中。根据实现的功能，所述基于工业物联网的设备集群故障溯源装置400可以包括数据流向分析模块401、设备信息分解模块402、关联关系提取模块403、根源故障分析模型建立模块404及故障溯源分析模块405。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据流向分析模块401，用于采集预先获取的工业设备集群对应的设备信息及设备状态，并对所述工业设备集群进行数据流向分析，得到数据流向关系；
所述设备信息分解模块402，用于将所述设备信息分解为高阶设备信息及低阶设备信息，并根据所述高阶设备信息及所述低阶设备信息建立关系空间模型；
所述关联关系提取模块403，用于利用所述关系空间模型提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系；
所述根源故障分析模型建立模块404，用于根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型；
所述故障溯源分析模块405，用于获取待分析设备故障，利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障。
详细地，本发明实施例中所述基于工业物联网的设备集群故障溯源装置400中所述的各模块在使用时采用与上述图1至图3中所述的基于工业物联网的设备集群故障溯源方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于工业物联网的设备集群故障溯源方法的电子设备的结构示意图。
所述电子设备500可以包括处理器501、存储器502、通信总线503以及通信接口504，还可以包括存储在所述存储器502中并可在所述处理器501上运行的计算机程序，如基于工业物联网的设备集群故障溯源程序。
其中，所述处理器501在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器501是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器502内的程序或者模块（例如执行基于工业物联网的设备集群故障溯源程序等），以及调用存储在所述存储器502内的数据，以执行电子设备的各种功能和处理数据。
所述存储器502至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器502在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器502在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器502还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器502不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于工业物联网的设备集群故障溯源程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线503可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器502以及至少一个处理器501等之间的连接通信。
所述通信接口504用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器501逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备500中的所述存储器502存储的基于工业物联网的设备集群故障溯源程序是多个指令的组合，在所述处理器501中运行时，可以实现：
采集预先获取的工业设备集群对应的设备信息及设备状态，并对所述工业设备集群进行数据流向分析，得到数据流向关系；
将所述设备信息分解为高阶设备信息及低阶设备信息，并根据所述高阶设备信息及所述低阶设备信息建立关系空间模型；
利用所述关系空间模型提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系；
根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型；
获取待分析设备故障，利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障。
具体地，所述处理器501对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备500集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
采集预先获取的工业设备集群对应的设备信息及设备状态，并对所述工业设备集群进行数据流向分析，得到数据流向关系；
将所述设备信息分解为高阶设备信息及低阶设备信息，并根据所述高阶设备信息及所述低阶设备信息建立关系空间模型；
利用所述关系空间模型提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系；
根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型；
获取待分析设备故障，利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于工业物联网的设备集群故障溯源方法，其特征在于，所述方法包括：
采集预先获取的工业设备集群对应的设备信息及设备状态，并对所述工业设备集群进行数据流向分析，得到数据流向关系；
将所述设备信息分解为高阶设备信息及低阶设备信息，并根据所述高阶设备信息及所述低阶设备信息建立关系空间模型；
利用所述关系空间模型提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系；
根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型；
获取待分析设备故障，利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障。
2.如权利要求1所述的基于工业物联网的设备集群故障溯源方法，其特征在于，所述采集预先获取的工业设备集群对应的设备信息及设备状态，包括：
提取与所述工业设备集群相关的日志信息及设备状态影响因素；
基于所述设备状态影响因素对所述日志信息进行评分筛选，得到设备信息；
根据所述设备信息对所述工业设备集群进行状态分析，得到设备状态。
3.如权利要求2所述的基于工业物联网的设备集群故障溯源方法，其特征在于，所述根据所述设备信息对所述工业设备集群进行状态分析，得到设备状态，包括：
对所述设备信息进行信息分段，得到信息子集；
利用预构建的状态分析模型中的卷积网络及池化网络对所述信息子集进行交替并行特征提取，得到信息特征，其中，所述状态分析模型包含卷积网络、池化网络、注意力网络及全连接网络；
利用所述注意力网络对所述信息特征进行特征聚合及尺度恢复，得到设备特征；
利用所述全连接网络对所述设备特征进行设备状态分类，得到所述工业设备集群对应的设备状态。
4.如权利要求1所述的基于工业物联网的设备集群故障溯源方法，其特征在于，所述对所述工业设备集群进行数据流向分析，得到数据流向关系，包括：
从所述工业设备集群中随机选取一个工业设备作为主节点，并将所述主节点之外的所述工业设备集群中的其余工业设备作为副节点；
计算所述主节点及所述副节点之间的第一关联度和所述副节点之间的第二关联度；
利用下述公式计算第一关联度：其中，/>表示所述第一关联度，/>表示所述主节点，/>表示第/>个副节点，/>表示预设的第一关联因子；
根据所述第一关联度分析所述主节点及所述副节点之间的第一节点关联关系，并根据所述第二关联度分析所述副节点之间的第二节点关联关系；
根据所述主节点、所述副节点、所述第一节点关联关系及所述第二节点关联关系生成设备流向树，根据所述设备流向树确定数据流向关系。
5.如权利要求1所述的基于工业物联网的设备集群故障溯源方法，其特征在于，所述将所述设备信息分解为高阶设备信息及低阶设备信息，包括：
利用预设的核密度估计方法将所述设备信息分解为公有高阶设备信息及私有高阶设备信息；
所述核密度估计方法表示为：其中，/>表示所述公有高阶设备信息，/>表示所述私有高阶设备信息，/>表示所述设备信息对应的横坐标信息，/>表示所述设备信息对应的公有高阶信息权重矩阵，/>表示第/>个设备信息对应的公有高阶信息主元矩阵，/>表示所述设备信息的总数，/>表示所述设备信息对应的私有横向隐变量，/>表示所述设备信息对应的公有高阶信息单位矩阵，/>表示所述设备信息对应的公有高阶信息负载矩阵，/>表示所述设备信息对应的私有高阶信息单位矩阵，/>表示所述设备信息对应的私有高阶信息权重矩阵，/>表示所述设备信息对应的私有高阶信息负载矩阵,/>表示第/>个设备信息对应的私有高阶信息主元矩阵，/>表示转置符号；
对所述公有高阶设备信息及所述私有高阶设备信息进行加和计算，得到高阶设备信息；
利用下述公式进行加和计算：其中，/>表示所述高阶设备信息，/>表示所述公有高阶设备信息，/>表示所述私有高阶设备信息；
利用预设的多元统计分析方法将所述设备信息分解为公有低阶设备信息及私有低阶设备信息；
对所述公有低阶设备信息及所述私有低阶设备信息进行汇总，得到低阶设备信息。
6.如权利要求5所述的基于工业物联网的设备集群故障溯源方法，其特征在于，所述利用预设的多元统计分析方法将所述设备信息分解为公有低阶设备信息及私有低阶设备信息，包括：
所述多元统计分析方法表示为：其中，/>表示公有低阶设备信息，/>表示私有低阶设备信息，/>表示所述设备信息对应的公有横向隐变量，/>表示所述设备信息对应的横坐标信息，/>表示所述公有高阶设备信息，/>表示所述设备信息对应的公有高阶信息权重矩阵，/>表示所述设备信息对应的公有高阶信息负载矩阵，/>表示所述设备信息对应的公有低阶信息权重矩阵，/>表示第/>个设备信息对应的公有低阶信息主元矩阵，/>表示所述设备信息的总数，/>表示所述设备信息对应的私有横向隐变量，/>表示所述公有低阶设备信息，/>表示所述设备信息对应的公有低阶信息负载矩阵，/>表示所述私有高阶设备信息，/>表示所述设备信息对应的私有高阶信息权重矩阵，/>表示所述设备信息对应的私有高阶信息负载矩阵，/>表示所述设备信息对应的私有低阶信息权重矩阵，/>表示第/>个设备信息对应的私有低阶信息主元矩阵，/>表示转置符号。
7.如权利要求1所述的基于工业物联网的设备集群故障溯源方法，其特征在于， 所述根据所述高阶设备信息及所述低阶设备信息建立关系空间模型，包括：
对所述高阶设备信息及所述低阶设备信息进行特征提取，得到高阶设备特征及低阶设备特征；
根据所述高阶设备特征及所述低阶设备特征分析共同设备特征；
根据所述共同设备特征设置公共空间，并根据所述高阶设备特征及所述低阶设备特征设置高阶空间及低阶空间；
根据所述高阶空间、所述低阶空间及所述公共空间进行多层次空间构建，得到关系空间模型。
8.如权利要求1所述的基于工业物联网的设备集群故障溯源方法，其特征在于，所述根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型，包括：
根据所述高阶设备信息及所述低阶设备信息生成区块，利用所述信息关联关系对若干所述区块进行并行连接，得到信息区块链；
根据所述设备状态生成故障预警信号，根据所述故障预警信号、所述数据流向关系及所述信息区块链建立初始根源故障分析模型；
利用预设的损失函数对所述初始根源故障分析模型进行损失计算，得到损失值；
所述损失函数表示为：其中，/>表示所述损失值，/>表示所述初始根源故障分析模型中的第一设备信息，/>表示所述初始根源故障分析模型中的第二设备信息；
利用所述损失值对所述初始根源故障分析模型进行更新，得到根源故障分析模型。
9.如权利要求1所述的基于工业物联网的设备集群故障溯源方法，其特征在于，所述利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障，包括：
利用所述根源故障分析模型接收所述待分析设备故障的故障预警信号；
基于所述故障预警信号利用所述根源故障分析模型确认所述待分析设备故障对应的异常信息；
利用所述根源故障分析模型对所述异常信息进行故障定位，得到故障位置；
根据所述故障位置及所述故障信息进行故障分析，得到根源故障。
10.一种基于工业物联网的设备集群故障溯源装置，其特征在于，所述装置包括：
数据流向分析模块，用于采集预先获取的工业设备集群对应的设备信息及设备状态，并对所述工业设备集群进行数据流向分析，得到数据流向关系；
设备信息分解模块，用于将所述设备信息分解为高阶设备信息及低阶设备信息，并根据所述高阶设备信息及所述低阶设备信息建立关系空间模型；
关联关系提取模块，用于利用所述关系空间模型提取所述高阶设备信息及所述低阶设备信息之间的信息关联关系；
根源故障分析模型建立模块，用于根据所述设备状态、所述数据流向关系、所述高阶设备信息、所述低阶设备信息及所述信息关联关系建立根源故障分析模型；
故障溯源分析模块，用于获取待分析设备故障，利用所述根源故障分析模型对所述待分析设备故障进行故障溯源分析，得到根源故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311430416.2A CN117155771B (zh) | 2023-10-31 | 2023-10-31 | 一种基于工业物联网的设备集群故障溯源方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311430416.2A CN117155771B (zh) | 2023-10-31 | 2023-10-31 | 一种基于工业物联网的设备集群故障溯源方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117155771A true CN117155771A (zh) | 2023-12-01 |
| CN117155771B CN117155771B (zh) | 2024-02-20 |
Family
ID=88899217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311430416.2A Active CN117155771B (zh) | 2023-10-31 | 2023-10-31 | 一种基于工业物联网的设备集群故障溯源方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117155771B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390933A (zh) * | 2023-12-11 | 2024-01-12 | 延安随缘科技发展有限公司 | 用于润滑油制备下的工艺数据追溯方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190377325A1 (en) * | 2017-01-23 | 2019-12-12 | Nrg Systems, Inc. | System and methods of novelty detection using non-parametric machine learning |
| CN111010297A (zh) * | 2019-12-04 | 2020-04-14 | 国网山东省电力公司信息通信公司 | 电力通信网支持跨专业故障的智能分析方法及系统 |
| CN114779739A (zh) * | 2022-04-13 | 2022-07-22 | 北京大学 | 基于概率图模型的云边端协同下工业过程的故障监测方法 |
| CN116305733A (zh) * | 2022-11-29 | 2023-06-23 | 华东理工大学 | 一种基于全局和局部特征提取的质量相关故障检测方法 |
-
2023
- 2023-10-31 CN CN202311430416.2A patent/CN117155771B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190377325A1 (en) * | 2017-01-23 | 2019-12-12 | Nrg Systems, Inc. | System and methods of novelty detection using non-parametric machine learning |
| CN111010297A (zh) * | 2019-12-04 | 2020-04-14 | 国网山东省电力公司信息通信公司 | 电力通信网支持跨专业故障的智能分析方法及系统 |
| CN114779739A (zh) * | 2022-04-13 | 2022-07-22 | 北京大学 | 基于概率图模型的云边端协同下工业过程的故障监测方法 |
| CN116305733A (zh) * | 2022-11-29 | 2023-06-23 | 华东理工大学 | 一种基于全局和局部特征提取的质量相关故障检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 常鹏;乔俊飞;张祥宇;王普;: "基于四阶累积分析的工业大肠杆菌制备过程故障诊断", 控制理论与应用, no. 03 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390933A (zh) * | 2023-12-11 | 2024-01-12 | 延安随缘科技发展有限公司 | 用于润滑油制备下的工艺数据追溯方法及系统 |
| CN117390933B (zh) * | 2023-12-11 | 2024-03-05 | 延安随缘科技发展有限公司 | 用于润滑油制备下的工艺数据追溯方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117155771B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
| CN113032403B (zh) | 数据洞察方法、装置、电子设备及存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
| CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
| CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
| CN113628043B (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
| CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN113806492A (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
| CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
| CN115659401A (zh) | 基于大数据的数据安全管控方法、装置、设备及存储介质 | |
| CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
| CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN114518993A (zh) | 基于业务特征的系统性能监控方法、装置、设备及介质 | |
| CN114202337A (zh) | 风险识别方法、装置、设备及存储介质 | |
| CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
| CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
| CN117235480B (zh) | 基于大数据实现数据加工下的筛选方法及系统 | |
| CN118094551B (zh) | 基于大数据的系统安全分析方法、设备及介质 | |
| CN113191455B (zh) | 边缘计算盒子选举方法、装置、电子设备及介质 | |
| CN115098688B (zh) | 多标签分类模型训练方法、装置、电子设备及存储介质 | |
| CN113688924B (zh) | 异常订单检测方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |