CN117176550B - 基于故障辨识的集成运行维护方法及系统 - Google Patents
基于故障辨识的集成运行维护方法及系统 Download PDFInfo
- Publication number
- CN117176550B CN117176550B CN202311241652.XA CN202311241652A CN117176550B CN 117176550 B CN117176550 B CN 117176550B CN 202311241652 A CN202311241652 A CN 202311241652A CN 117176550 B CN117176550 B CN 117176550B
- Authority
- CN
- China
- Prior art keywords
- fault
- computer network
- data
- target equipment
- network
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims description 77
- 238000009826 distribution Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 18
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning 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
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了基于故障辨识的集成运行维护方法及系统，涉及数据处理技术领域，方法包括：按照网络拓扑结构对计算机网络进行划分，根据N个网络类型确定目标设备的计算机网络类型提取计算机网络特征，确定M个特征样本，获取目标设备的计算机网络的贡献度提取关联故障特征集，利用概率神经网络辨识关联故障特征集，确定P个初始故障源作为索引，在故障类型数据库中进行检索，获取目标设备的计算机网络的P个故障类型，根据P个故障类型对目标设备的计算机网络进行集成运行的维护，解决现有技术中由于缺乏对计算机网络中存在故障进行辨识，导致集成运行维护的效率低的技术问题，实现对计算机网络中存在故障进行精准辨识，提高集成运行维护的效率。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于故障辨识的集成运行维护方法及系统。
背景技术
随着科学技术的发展，特别是计算机网络领域的发展，计算机与网络技术的结合不仅使人们社交关系变得更加紧密同时还促进了社会的经济发展及现代化发展，人们的生活越来越离不开网络技术。但是网络故障极为普遍，网络故障的种类也多种多样，要在网络出现故障时及时对出现故障的网络进行维护，以最快的速度恢复网络的正常运行，掌握一套行之有效的网络维护理论、方法和技术是关键，而在现有技术中由于缺乏对计算机网络中存在故障进行辨识，存在导致集成运行维护的效率低的技术问题。
发明内容
本申请提供了基于故障辨识的集成运行维护方法及系统，用于针对解决现有技术中存在的缺乏对计算机网络中存在故障进行辨识，导致集成运行维护的效率低的技术问题。
鉴于上述问题，本申请提供了基于故障辨识的集成运行维护方法及系统。
第一方面，本申请提供了基于故障辨识的集成运行维护方法，所述方法包括：按照网络拓扑结构对计算机网络进行划分，根据N个网络类型，对目标设备的计算机网络类型进行确定，获取所述目标设备的计算机网络类型，其中，N为大于1的正整数；基于所述目标设备的计算机网络类型，提取计算机网络特征，确定M个特征样本，其中，M为大于0的正整数；根据所述M个特征样本，获取所述目标设备的计算机网络的贡献度，根据所述贡献度提取关联故障特征集；利用概率神经网络对所述关联故障特征集进行辨识，确定P个初始故障源，其中，P为大于0的正整数；将所述P个初始故障源作为索引，在故障类型数据库中进行检索，获取目标设备的计算机网络的P个故障类型；根据所述P个故障类型对所述目标设备的计算机网络进行集成运行的维护。
第二方面，本申请提供了基于故障辨识的集成运行维护系统，所述系统包括：划分模块，所述划分模块用于按照网络拓扑结构对计算机网络进行划分，根据N个网络类型，对目标设备的计算机网络类型进行确定，获取所述目标设备的计算机网络类型，其中，N为大于1的正整数；第一提取模块，所述第一提取模块用于基于所述目标设备的计算机网络类型，提取计算机网络特征，确定M个特征样本，其中，M为大于0的正整数；第二提取模块，所述第二提取模块用于根据所述M个特征样本，获取所述目标设备的计算机网络的贡献度，根据所述贡献度提取关联故障特征集；辨识模块，所述辨识模块用于利用概率神经网络对所述关联故障特征集进行辨识，确定P个初始故障源，其中，P为大于0的正整数；第一检索模块，所述第一检索模块用于将所述P个初始故障源作为索引，在故障类型数据库中进行检索，获取目标设备的计算机网络的P个故障类型；维护模块，所述维护模块用于根据所述P个故障类型对所述目标设备的计算机网络进行集成运行的维护。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的基于故障辨识的集成运行维护方法及系统，涉及数据处理技术领域，解决了现有技术中缺乏对计算机网络中存在故障进行辨识，导致集成运行维护的效率低的技术问题，实现了对计算机网络中存在故障进行精准辨识，提高集成运行维护的效率。
附图说明
图1为本申请提供了基于故障辨识的集成运行维护方法流程示意图；
图2为本申请提供了基于故障辨识的集成运行维护方法中确定目标设备的计算机网络的贡献度流程示意图；
图3为本申请提供了基于故障辨识的集成运行维护方法中获取关联故障特征集流程示意图；
图4为本申请提供了基于故障辨识的集成运行维护方法中获取P个初始故障源流程示意图；
图5为本申请提供了基于故障辨识的集成运行维护方法中获取目标设备的计算机网络的P个故障类型流程示意图；
图6为本申请提供了基于故障辨识的集成运行维护系统结构示意图。
附图标记说明：划分模块1，第一提取模块2，第二提取模块3，辨识模块4，第一检索模块5，维护模块6。
具体实施方式
本申请通过提供基于故障辨识的集成运行维护方法及系统，用于解决现有技术中缺乏对计算机网络中存在故障进行辨识，导致集成运行维护的效率低的技术问题。
实施例一
如图1所示，本申请实施例提供了基于故障辨识的集成运行维护方法，该方法包括：
步骤S100：按照网络拓扑结构对计算机网络进行划分，根据N个网络类型，对目标设备的计算机网络类型进行确定，获取所述目标设备的计算机网络类型，其中，N为大于1的正整数；
具体而言，本申请实施例提供的基于故障辨识的集成运行维护方法应用于基于故障辨识的集成运行维护系统，为提升对目标设备计算机网络中故障的辨识准确率，首先需要对目标设备的计算机网络类型进行确定，进一步的，按照网络拓扑结构对所有计算机网络进行网络类型的划分，网络拓扑结构可以包含总线型、星型、树型、环型、网状、混合型、全连型和不规则型网络等结构，在此基础上将完成对计算机网络的划分确定N个网络类型，其中，N为大于1的正整数。
进一步的，根据划分确定的N个网络类型与目标设备的计算机网络进行遍历匹配，是指将N个网络类型所对应的计算机网络依次与目标设备的计算机网络进行匹配，将与目标设备计算机网络所匹配成功的计算机网络对应的网络类型记作目标设备的计算机网络类型，为后期实现对目标设备的计算机网络中所存在的故障进行辨识作为重要参考依据。
步骤S200：基于所述目标设备的计算机网络类型，提取计算机网络特征，确定M个特征样本，其中，M为大于0的正整数；
具体而言，以上述所确定目标设备的计算机网络类型作为特征提取基础数据，对目标设备的计算机网络特征进行提取，所提取的计算机网络特征可以包含计算机网络的分布式特征、计算机网络的可靠特征、计算机网络的可扩展特征、计算机网络的开放特征、计算机网络的高效特征、计算机网络的安全特征等特征，计算机网络的分布式特征是指由于计算机网络是由多个计算机互相连接而成的，因此目标设备可以作为数据的发送者和接收者，且网络中的资源和服务也可以被多个计算机共享，计算机网络的可靠特征是指计算机网络可以通过冗余设计和备份机制来保证目标设备在数据传输过程中的可靠性，即使某个节点出现故障，目标设备的计算机网络仍然可以正常运行，计算机网络的可扩展特征是指计算机网络可以根据需要进行扩展，可以增加新的节点、增加带宽、增加存储容量等，以满足目标设备输入数据不断增长的需求，计算机网络的开放特征是指计算机网络可以通过标准化的协议和接口与其他设备的计算机网络进行互联，实现数据的共享和交换，计算机网络的高效特征是指计算机网络可以通过优化传输协议、路由算法等方式来提高目标设备中数据传输的效率，使得数据能够快速地传输和处理，计算机网络的安全特征是指计算机网络可以采取包括加密、认证、访问控制等一系列的安全措施来保护目标设备中数据的安全，在所提取计算机网络特征的基础上，对目标设备的计算机网络的M个特征样本进行选取，即选取符合目标设备的计算机网络的计算机网络特征作为M个特征样本，其中，M为大于0的正整数，进而为实现对目标设备的计算机网络中所存在的故障进行辨识做保障。
步骤S300：根据所述M个特征样本，获取所述目标设备的计算机网络的贡献度，根据所述贡献度提取关联故障特征集；
进一步而言，如图2所示，本申请步骤S300还包括：
步骤S310：对所述M个特征样本进行预处理，获取预处理数据集；
步骤S320：根据所述预处理数据集，提取第一预处理数据、第二预处理数据，其中，所述第一预处理数据与所述第二预处理数据为不同的数据；
步骤S330：采用高斯核函数梯度算法对所述预处理数据集进行定义，获取新增数据定义集；
步骤S340：计算所述M个特征样本对所述新增数据定义集的贡献度，确定所述目标设备的计算机网络的贡献度。
所述高斯核函数梯度算法公式如下：
其中，K[x,y]为所述新增数据定义集，x为所述第一预处理数据，y为所述第二预处理数据，||x-y||表示所述第一预处理数据到所述第二预处理数据之间的欧几里得距离，σ为所述高斯核函数的带宽参数；
当σ越大时，所述高斯核函数的作用范围越广，所述第一预处理数据与所述第二预处理数据之间的相似度越高，当σ越小时，所述高斯核函数的作用范围越窄，所述第一预处理数据与所述第二预处理数据之间的相似度越低。
进一步而言，如图3所示，本申请步骤S300还包括：
步骤S350：基于所述目标设备的计算机网络的历史故障运行参数，提取故障特征；
步骤S360：将所述贡献度与所述故障特征进行关联，确定所述故障特征的关联指数；
步骤S370：遍历所述关联指数，依次将所述故障特征的关联指数与预设关联指数阈值进行比较，获取关联故障特征集。
具体而言，为保证对目标设备所存在的故障辨识的精准度，因此需要将上述所确定的M个特征样本作为待处理数据，对目标设备的计算机网络的贡献度进行获取，是指首先对M个特征样本进行预处理，是指在对目标设备的计算机网络的贡献度进行获取的过程中，采用高斯核函数梯度算法对预处理数据集进行定义之前的过程，由预处理器对M个特征样本进行无效样本删除以及其他文件执行等处理，得到的处理结果记作预处理数据集，进一步的，在预处理数据集中任意提取两个预处理数据，并将所提取的两个预处理数据分别记作第一预处理数据、第二预处理数据，且第一预处理数据与第二预处理数据为不相同的数据，进一步的，采用高斯核函数梯度算法对预处理数据集中的预处理数据进行依次定义，将第一预处理数据与第二预处理数据代入高斯核函数梯度算法公式中进行计算：
其中，K[x,y]为所述新增数据定义集，x为所述第一预处理数据，y为所述第二预处理数据，||x-y||表示所述第一预处理数据到所述第二预处理数据之间的欧几里得距离，σ为所述高斯核函数的带宽参数；
当σ越大时，所述高斯核函数的作用范围越广，所述第一预处理数据与所述第二预处理数据之间的相似度越高，当σ越小时，所述高斯核函数的作用范围越窄，所述第一预处理数据与所述第二预处理数据之间的相似度越低。
从而对以自然常数e为底的指数，通过第一预处理数据到第二预处理数据之间的欧几里得距离除以两倍高斯核函数带宽参数平方的所有计算结果记作新增数据定义集，进一步的，计算M个特征样本对新增数据定义集的贡献度，是指计算每个特征样本对新增数据定义集中所包含的每个数据的贡献程度，从而对目标设备的计算机网络的贡献度进行确定。
并根据所确定的目标设备的计算机网络的贡献度对关联故障特征集进行提取，是指首先通过对目标设备的计算机网络的历史运行参数进行采集，将历史运行参数与大数据中目标设备计算机网络的运行数据进行匹配比对，将匹配比对不成功的作为异常运行参数进行提取，并将所提取的异常运行参数记作目标设备的计算机网络的历史故障运行参数，同时以目标设备的计算机网络的历史故障运行参数作为基础数据，目标设备计算机网络的历史故障运行参数可以包含物理类故障运行参数、逻辑类故障运行参数、目标设备主机逻辑故障运行参数等，从而对历史故障运行参数中所包含的每个故障运行参数进行故障特征的提取，进一步的，将所确定的目标设备的计算机网络的贡献度与所提取的故障特征进行关联，把所有目标设备的计算机网络的贡献度与j个已知或已经确定的故障特征进行相互配对的过程，即使所有的故障特征分为j个集合，并且保证每个集合中所包含的故障特征以接近于1的概率都来自目标设备的计算机网络的贡献度，从而对故障特征的关联指数进行确定，且目标设备的计算机网络的贡献度与故障特征的关联度越高，则故障特征的关联指数越高，进一步的，对所确定的关联指数依次与预设关联指数阈值进行遍历比较，将满足预设关联指数阈值的关联指数所赌赢的故障特征进行汇总整合后记作关联故障特征集进行输出，为后续实现对目标设备的计算机网络中所存在的故障进行辨识夯实基础。
步骤S400：利用概率神经网络对所述关联故障特征集进行辨识，确定P个初始故障源，其中，P为大于0的正整数；
进一步而言，如图4所示，本申请步骤S400还包括：
步骤S410：通过概率密度函数计算所述第一预处理数据与所述第二预处理数据的概率分布信息；
步骤S420：根据所述概率分布信息对所述概率神经网络的径向基层进行构建；
步骤S430：所述概率神经网络包含数据输入层、径向基层、数据输出层；
步骤S440：将所述关联故障特征集输入所述概率神经网络的数据输入层，获取训练样本数据；
步骤S450：将所述训练样本输入所述概率神经网络的径向基层，对所述训练样本数据中的关联故障特征进行溯源，获得溯源样本数据；
步骤S460：将所述溯源样本数据输入所述概率神经网络的数据输出层，获取所述P个初始故障源。
所述概率密度函数公式为：
其中，fI|a,b|(x)为所述第一预处理数据与所述第二预处理数据的概率分布信息，a为所述第一预处理数据，b为所述第二预处理数据，I|a,b|是指在[a，b]上的均匀分布函数。
具体而言，为确定目标设备的计算机网络中的故障源，因此需要首先通过概率密度函数分别对第一预处理数据与第二预处理数据的概率分布信息通过概率密度函数公式进行计算，且概率密度函数公式为：
其中，fI|a,b|(x)为所述第一预处理数据与所述第二预处理数据的概率分布信息，a为所述第一预处理数据，b为所述第二预处理数据，I|a,b|是指在[a，b]上的均匀分布函数。
通过将第一预处理数据与第二预处理数据进行作差的倒数与第一预处理数据与所述第二预处理数据的均匀分布函数相乘后的计算结果记为第一预处理数据与第二预处理数据的概率分布信息，将概率分布信息作为基础构建信息，对概率神经网络的径向基层进行构建，可以通过概率分布信息选取i个节点，且i个节点对应i个预处理数据，再将i个预处理数据与目标设备中的历史故障运行参数进行数据合并，由合并信息对目标设备的计算机网络中所包含的故障源位置进行定位，在概率神经网络中分别包含数据输入层、径向基层、数据输出层，数据输入层中可包含与关联故障特征数量一致的节点，进一步的，将关联故障特征集输入所述概率神经网络的数据输入层，该概率神经网络的数据为机器学习中的，可以不断进行自我迭代优化的神经网络，用于接收与关联故障特征集所对应的训练样本数据，再将训练样本输入概率神经网络的径向基层，对训练样本数据中的关联故障特征进行溯源，在径向基层中对数据输入层的训练样本数据中所包含的关联特征在目标设备的计算机网络中进行故障数据溯源，是指根据故障特征追溯故障数据在目标设备的计算机网络中的位置，将所有在目标设备的计算机网络中所确定的位置进行汇总记作溯源样本数据，最终将溯源样本数据输入概率神经网络的数据输出层，根据径向基层所获的溯源样本数据，对目标设备的计算机网络中的故障源进行定位，并将所定位的多个故障源记作P个初始故障源进行输出，其中，P为大于0的正整数，实现对目标设备的计算机网络中所存在的故障有着判定识别的作用，为后期对目标设备的计算机网络进行集成运行维护打下基础。
步骤S500：将所述P个初始故障源作为索引，在故障类型数据库中进行检索，获取目标设备的计算机网络的P个故障类型；
进一步而言，如图5所示，本申请步骤S500包括：
步骤S510：将所述目标设备的计算机网络的所述历史故障运行参数作为所述故障类型数据库的表头，根据所述表头填入与所述历故障运行参数对应的数据源，确定数据库表；
步骤S520：对所述P个初始故障源按照与所述目标设备计算机网络的运行相关性进行序列化处理，获得P个故障源序列化处理结果；
步骤S530：根据所述P个故障源序列化处理结果依次在所述故障类型数据库的所述数据库表中进行检索，获取所述目标设备的计算机网络的P个故障类型。
具体而言，为对目标设备的计算机网络中存在的故障所对应的故障类型进行确定，因此需要将上述所确定的P个初始故障源作为数据索引，在故障类型数据库中进行检索，是指首先将目标设备的计算机网络的历史故障运行参数作为故障类型数据库的表头，是指将目标设备的计算机网络的历史故障运行参数作为故障类型数据库中的故障类型表格中开头的数据，用于对所输入的故障源进行故障类型的归类，再根据表头中不同类别的历史故障运行参数的空白表列，对与历故障运行参数对应的数据源进行填入，在历史故障运行参数中的每一个故障运行参数均在目标设备的计算机网络中对应一个故障数据源，将完成故障数据源填入的表格记作数据库表，进一步的，对P个初始故障源按照与目标设备计算机网络的运行相关性进行序列化处理，P个初始故障源与目标设备计算机网络的运行相关性是指对P个初始故障源在目标设备计算机网络的运行时与运行数据的变化趋势是否一致，其二者的变化趋势越接近，则二者的相关性越大，并根据所获相关性对P个初始故障源进行降序排列，是指将相关性最大的初始故障源作为序列化排列的第一位，在此基础上对P个初始数据源进行排序，并将排序结果记作P个故障源序列化处理结果，最终根据P个故障源序列化处理结果的排列次序依次在故障类型数据库中所构建的数据库表内进行故障源所对应故障类型的检索，将所有检索出的故障类型数据作为目标设备的计算机网络的P个故障类型进行输出，以便为后期对目标设备的计算机网络进行集成运行维护时作为参照数据。
步骤S600：根据所述P个故障类型对所述目标设备的计算机网络进行集成运行的维护。
具体而言，以检索出的P个故障类型作为目标设备运行维护的基础数据，将根据P个故障类型中所包含的每个故障类型均与大数据中的故障排除方案进行匹配，根据故障排除方案中进行排除的故障类型与P个故障类型进行比对，若故障类型比对一致，则采用该故障类型所对应的故障排除方案对目标设备的计算机网络中所存在的故障进行排除，若故障类型比对不一致，则对当前故障类型所造成的具体现象进行采集，基于所采集的故障现象分析可能导致该故障的原因，根据所确定的故障原因对目标设备计算机网络进行可疑故障点扫描，将扫描出的故障进行故障类型的更新，进一步的，再将更新后的故障类型与大数据中的故障排除方案中所包含的故障类型进行二次比对，由此迭代，在此基础上完成对目标设备的计算机网络的集成运行的维护。
综上所述，本申请实施例提供的基于故障辨识的集成运行维护方法，至少包括如下技术效果，实现了对计算机网络中存在故障进行精准辨识，提高集成运行维护的效率。
实施例二
基于与前述实施例中基于故障辨识的集成运行维护方法相同的发明构思，如图6所示，本申请提供了基于故障辨识的集成运行维护系统，系统包括：
划分模块1，所述划分模块1用于按照网络拓扑结构对计算机网络进行划分，根据N个网络类型，对目标设备的计算机网络类型进行确定，获取所述目标设备的计算机网络类型，其中，N为大于1的正整数；
第一提取模块2，所述第一提取模块2用于基于所述目标设备的计算机网络类型，提取计算机网络特征，确定M个特征样本，其中，M为大于0的正整数；
第二提取模块3，所述第二提取模块3用于根据所述M个特征样本，获取所述目标设备的计算机网络的贡献度，根据所述贡献度提取关联故障特征集；
辨识模块4，所述辨识模块4用于利用概率神经网络对所述关联故障特征集进行辨识，确定P个初始故障源，其中，M为大于0的正整数；
第一检索模块5，所述第一检索模块5用于将所述P个初始故障源作为索引，在故障类型数据库中进行检索，获取目标设备的计算机网络的P个故障类型；
维护模块6，所述维护模块6用于根据所述P个故障类型对所述目标设备的计算机网络进行集成运行的维护。
进一步而言，系统还包括：
预处理模块，所述预处理模块用于对所述M个特征样本进行预处理，获取预处理数据集；
预处理数据模块，所述预处理数据模块用于根据所述预处理数据集，提取第一预处理数据、第二预处理数据，其中，所述第一预处理数据与所述第二预处理数据为不同的数据；
定义模块，所述定义模块用于采用高斯核函数梯度算法对所述预处理数据集进行定义，获取新增数据定义集；
第一计算模块，所述第一计算模块用于计算所述M个特征样本对所述新增数据定义集的贡献度，确定所述目标设备的计算机网络的贡献度。
进一步而言，系统还包括：
第三提取模块，所述第三提取模块用于基于所述目标设备的计算机网络的历史故障运行参数，提取故障特征；
关联模块，所述关联模块用于将所述贡献度与所述故障特征进行关联，确定所述故障特征的关联指数；
比较模块，所述比较模块用于遍历所述关联指数，依次将所述故障特征的关联指数与预设关联指数阈值进行比较，获取关联故障特征集。
进一步而言，系统还包括：
第二计算模块，所述第二计算模块用于通过概率密度函数计算所述第一预处理数据与所述第二预处理数据的概率分布信息；
层级构建模块，所述层级构建模块用于根据所述概率分布信息对所述概率神经网络的径向基层进行构建；
层级模块，所述层级模块用于所述概率神经网络包含数据输入层、径向基层、数据输出层；
第一输入模块，所述第一输入模块用于将所述关联故障特征集输入所述概率神经网络的数据输入层，获取训练样本数据；
第二输入模块，所述第二输入模块用于将所述训练样本输入所述概率神经网络的径向基层，对所述训练样本数据中的关联故障特征进行溯源，获得溯源样本数据；
第三输入模块，所述第三输入模块用于将所述溯源样本数据输入所述概率神经网络的数据输出层，获取所述P个初始故障源。
进一步而言，系统还包括：
填入模块，所述填入模块用于将所述目标设备的计算机网络的所述历史故障运行参数作为所述故障类型数据库的表头，根据所述表头填入与所述历故障运行参数对应的数据源，确定数据库表；
序列化处理模块，所述序列化处理模块用于对所述P个初始故障源按照与所述目标设备计算机网络的运行相关性进行序列化处理，获得P个故障源序列化处理结果；
第二检索模块，所述第二检索模块用于根据所述P个故障源序列化处理结果依次在所述故障类型数据库的所述数据库表中进行检索，获取所述目标设备的计算机网络的P个故障类型。
本说明书通过前述对基于故障辨识的集成运行维护方法的详细描述，本领域技术人员可以清楚的知道本实施例中基于故障辨识的集成运行维护系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.基于故障辨识的集成运行维护方法，其特征在于，所述方法包括：
按照网络拓扑结构对计算机网络进行划分，根据N个网络类型，对目标设备的计算机网络类型进行确定，获取所述目标设备的计算机网络类型，其中，N为大于1的正整数；
基于所述目标设备的计算机网络类型，提取计算机网络特征，确定M个特征样本，其中，M为大于0的正整数；
根据所述M个特征样本，获取所述目标设备的计算机网络的贡献度，根据所述贡献度提取关联故障特征集；
利用概率神经网络对所述关联故障特征集进行辨识，确定P个初始故障源，其中，P为大于0的正整数；
将所述P个初始故障源作为索引，在故障类型数据库中进行检索，获取目标设备的计算机网络的P个故障类型；
根据所述P个故障类型对所述目标设备的计算机网络进行集成运行的维护；
其中，所述方法还包括：
对所述M个特征样本进行预处理，获取预处理数据集；
根据所述预处理数据集，提取第一预处理数据、第二预处理数据，其中，所述第一预处理数据与所述第二预处理数据为不同的数据；
采用高斯核函数梯度算法对所述预处理数据集进行定义，获取新增数据定义集；
计算所述M个特征样本对所述新增数据定义集的贡献度，确定所述目标设备的计算机网络的贡献度；
其中，所述高斯核函数梯度算法公式如下：
其中，K[x,y]为所述新增数据定义集，x为所述第一预处理数据，y为所述第二预处理数据，||x-y||表示所述第一预处理数据到所述第二预处理数据之间的欧几里得距离，σ为所述高斯核函数的带宽参数；
当σ越大时，所述高斯核函数的作用范围越广，所述第一预处理数据与所述第二预处理数据之间的相似度越高，当σ越小时，所述高斯核函数的作用范围越窄，所述第一预处理数据与所述第二预处理数据之间的相似度越低；
其中，所述方法还包括：
基于所述目标设备的计算机网络的历史故障运行参数，提取故障特征；
将所述贡献度与所述故障特征进行关联，确定所述故障特征的关联指数；
遍历所述关联指数，依次将所述故障特征的关联指数与预设关联指数阈值进行比较，获取关联故障特征集。
2.如权利要求1所述的方法，其特征在于，确定所述P个初始故障源，所述方法还包括：
通过概率密度函数计算所述第一预处理数据与所述第二预处理数据的概率分布信息；
根据所述概率分布信息对所述概率神经网络的径向基层进行构建；
所述概率神经网络包含数据输入层、径向基层、数据输出层；
将所述关联故障特征集输入所述概率神经网络的数据输入层，获取训练样本数据；
将所述训练样本输入所述概率神经网络的径向基层，对所述训练样本数据中的关联故障特征进行溯源，获得溯源样本数据；
将所述溯源样本数据输入所述概率神经网络的数据输出层，获取所述P个初始故障源。
3.如权利要求2所述的方法，其特征在于，所述概率密度函数公式为：
其中，fI|a,b|(x)为所述第一预处理数据与所述第二预处理数据的概率分布信息，a为所述第一预处理数据，b为所述第二预处理数据，I|a,b|是指在[a，b]上的均匀分布函数。
4.如权利要求1所述的方法，其特征在于，获取所述目标设备的计算机网络的P个故障类型，所述方法还包括：
将所述目标设备的计算机网络的所述历史故障运行参数作为所述故障类型数据库的表头，根据所述表头填入与所述历史故障运行参数对应的数据源，确定数据库表；
对所述P个初始故障源按照与所述目标设备计算机网络的运行相关性进行序列化处理，获得P个故障源序列化处理结果；
根据所述P个故障源序列化处理结果依次在所述故障类型数据库的所述数据库表中进行检索，获取所述目标设备的计算机网络的P个故障类型。
5.基于故障辨识的集成运行维护系统，其特征在于，用以执行权利要求1至4任意一项所述的基于故障辨识的集成运行维护方法，所述系统包括：
划分模块，所述划分模块用于按照网络拓扑结构对计算机网络进行划分，根据N个网络类型，对目标设备的计算机网络类型进行确定，获取所述目标设备的计算机网络类型，其中，N为大于1的正整数；
第一提取模块，所述第一提取模块用于基于所述目标设备的计算机网络类型，提取计算机网络特征，确定M个特征样本，其中，M为大于0的正整数；
第二提取模块，所述第二提取模块用于根据所述M个特征样本，获取所述目标设备的计算机网络的贡献度，根据所述贡献度提取关联故障特征集；
辨识模块，所述辨识模块用于利用概率神经网络对所述关联故障特征集进行辨识，确定P个初始故障源，其中，P为大于0的正整数；
第一检索模块，所述第一检索模块用于将所述P个初始故障源作为索引，在故障类型数据库中进行检索，获取目标设备的计算机网络的P个故障类型；
维护模块，所述维护模块用于根据所述P个故障类型对所述目标设备的计算机网络进行集成运行的维护。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311241652.XA CN117176550B (zh) | 2023-09-25 | 2023-09-25 | 基于故障辨识的集成运行维护方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311241652.XA CN117176550B (zh) | 2023-09-25 | 2023-09-25 | 基于故障辨识的集成运行维护方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117176550A CN117176550A (zh) | 2023-12-05 |
| CN117176550B true CN117176550B (zh) | 2024-03-19 |
Family
ID=88931776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311241652.XA Active CN117176550B (zh) | 2023-09-25 | 2023-09-25 | 基于故障辨识的集成运行维护方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117176550B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
| CN111060779A (zh) * | 2019-11-20 | 2020-04-24 | 安徽大学 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
| CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
| CN113159345A (zh) * | 2021-05-08 | 2021-07-23 | 中国电力科学研究院有限公司 | 一种基于融合神经网络模型的电网故障辨识方法及系统 |
| CN114698016A (zh) * | 2022-04-13 | 2022-07-01 | 西安邮电大学 | 一种质差小区网络故障检测方法及装置 |
| CN115412947A (zh) * | 2022-08-26 | 2022-11-29 | 武汉烽火技术服务有限公司 | 一种基于数字孪生与ai算法的故障仿真方法和系统 |
| CN115540935A (zh) * | 2022-05-18 | 2022-12-30 | 海南大学 | 一种新型护航舰艇压载水系统设备故障诊断方法 |
| CN115598536A (zh) * | 2022-10-08 | 2023-01-13 | 合肥工业大学（Cn） | 基于模糊c均值聚类和概率神经网络的pemfc故障诊断方法 |
| WO2023029654A1 (zh) * | 2021-09-06 | 2023-03-09 | 中兴通讯股份有限公司 | 一种故障根因确定方法、装置、存储介质及电子装置 |
| CN116776209A (zh) * | 2023-08-28 | 2023-09-19 | 国网福建省电力有限公司 | 一种关口计量装置运行状态辨识方法、系统、设备及介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102196481A (zh) * | 2011-06-07 | 2011-09-21 | 中兴通讯股份有限公司 | 网络状态上报方法、检测方法、装置和系统 |
| CN107192939A (zh) * | 2017-06-08 | 2017-09-22 | 京东方科技集团股份有限公司 | 一种电路的工作状态的检测方法及检测系统 |
| CN113298110A (zh) * | 2021-03-24 | 2021-08-24 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
-
2023
- 2023-09-25 CN CN202311241652.XA patent/CN117176550B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
| CN111060779A (zh) * | 2019-11-20 | 2020-04-24 | 安徽大学 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
| CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
| CN113159345A (zh) * | 2021-05-08 | 2021-07-23 | 中国电力科学研究院有限公司 | 一种基于融合神经网络模型的电网故障辨识方法及系统 |
| WO2023029654A1 (zh) * | 2021-09-06 | 2023-03-09 | 中兴通讯股份有限公司 | 一种故障根因确定方法、装置、存储介质及电子装置 |
| CN114698016A (zh) * | 2022-04-13 | 2022-07-01 | 西安邮电大学 | 一种质差小区网络故障检测方法及装置 |
| CN115540935A (zh) * | 2022-05-18 | 2022-12-30 | 海南大学 | 一种新型护航舰艇压载水系统设备故障诊断方法 |
| CN115412947A (zh) * | 2022-08-26 | 2022-11-29 | 武汉烽火技术服务有限公司 | 一种基于数字孪生与ai算法的故障仿真方法和系统 |
| CN115598536A (zh) * | 2022-10-08 | 2023-01-13 | 合肥工业大学（Cn） | 基于模糊c均值聚类和概率神经网络的pemfc故障诊断方法 |
| CN116776209A (zh) * | 2023-08-28 | 2023-09-19 | 国网福建省电力有限公司 | 一种关口计量装置运行状态辨识方法、系统、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于栈式自编码网络的故障诊断方法研究;吕菲亚;浙江大学;20190716;0077-0106 * |
| 基于自适应概率神经网络的SINS/GPS组合导航系统故障诊断方法;张华强;赵剡;连远峰;中国惯性技术学报;第20卷(第06期);749-753 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117176550A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110609759B (zh) | 一种故障根因分析的方法及装置 | |
| EP3846048A1 (en) | Online log analysis method, system, and electronic terminal device thereof | |
| CN109359172B (zh) | 一种基于图划分的实体对齐优化方法 | |
| CN111506599B (zh) | 基于规则匹配和深度学习的工控设备识别方法及系统 | |
| CN107577771A (zh) | 一种大数据挖掘系统 | |
| JP2015512095A (ja) | 画像データベースにおける画像管理のための方法、装置、および、コンピュータで読取り可能な記録媒体 | |
| CN111612041A (zh) | 异常用户识别方法及装置、存储介质、电子设备 | |
| CN104112005B (zh) | 分布式海量指纹识别方法 | |
| CN110633371A (zh) | 一种日志分类方法及系统 | |
| CN111199361A (zh) | 基于模糊推理理论的电力信息系统健康评估方法及系统 | |
| CN113626400A (zh) | 基于日志树和解析树的日志事件提取方法及系统 | |
| CN111143838A (zh) | 数据库用户异常行为检测方法 | |
| CN111104398A (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
| CN115455429A (zh) | 基于大数据的漏洞分析方法及系统 | |
| CN112766119A (zh) | 一种基于多维度人脸分析精准识别陌生人构建社区安防的方法 | |
| CN117176550B (zh) | 基于故障辨识的集成运行维护方法及系统 | |
| CN117221087A (zh) | 告警根因定位方法、装置及介质 | |
| CN115665787A (zh) | 一种基于机器学习的低开销amf网络智能故障诊断方法 | |
| CN108304467A (zh) | 用于文本间匹配的方法 | |
| CN110796546A (zh) | 一种基于区块链的分布式聚类算法 | |
| CN116596411B (zh) | 一种结合两票检测的生产安全评价方法及系统 | |
| Fu et al. | A Near-Duplicate Video Cleaning Method Based on AFENet Adaptive Clustering | |
| CN117254980B (zh) | 一种基于注意力机制的工业网络安全风险评估方法及系统 | |
| CN117539920B (zh) | 基于房产交易多维度数据的数据查询方法及系统 | |
| Liu et al. | Research on Similarity Record Detection of Device Status Information Based on Multiple Encoding Field |
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 |