CN117290196A - 系统故障预测方法、模型训练方法、装置和计算机设备 - Google Patents
系统故障预测方法、模型训练方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117290196A CN117290196A CN202311136088.5A CN202311136088A CN117290196A CN 117290196 A CN117290196 A CN 117290196A CN 202311136088 A CN202311136088 A CN 202311136088A CN 117290196 A CN117290196 A CN 117290196A
- Authority
- CN
- China
- Prior art keywords
- training
- fault
- target
- model
- sample
- 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
- 238000012549 training Methods 0.000 title claims abstract description 356
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种系统故障预测方法、模型训练方法、装置和计算机设备。该方法包括:获取目标计算系统的故障日志数据;将故障日志数据输入至训练完成的目标故障预测模型中,通过目标故障预测模型输出故障预测结果;其中,目标故障预测模型包括目标线性模型和目标非线性模型,目标故障预测模型通过目标线性模型和目标非线性模型结合对故障日志数据进行故障预测。采用本方法能够减小了故障预测误差,具有更高的精度,且随着工作时间的延长,预测的准确度基本不变,提高了系统运行的高效性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种系统故障预测方法、模型训练方法、装置和计算机设备。
背景技术
随着计算机技术的发展,出现了高性能计算技术。高性能计算指通常使用很多处理器或者某一集群中组织的几台计算机的计算系统和环境,其范围从标准计算机的大型集群,到高度专用的硬件。高性能计算机的平均无故障时间较短,为了维持高性能计算机的正常工作,减少高性能计算系统的故障率,需要对故障进行预测。
传统技术中,采用全局检查点的方法对系统进行检查,通过在分布式系统中的一个时间点,所有进程或节点都将当前状态保存到可持久化存储中,以便在系统发生故障时进行恢复。
然而采用全局检查点的检查方法不能解决系统故障的根本原因,且准确度较差,无法对系统进行优化。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确且全面预测高性能计算系统故障的系统故障预测方法、模型训练方法、装置和计算机设备。
第一方面,本申请提供一种系统故障预测方法。该方法包括:
获取目标计算系统的故障日志数据;
将故障日志数据输入至训练完成的目标故障预测模型中,通过目标故障预测模型输出故障预测结果;
其中,目标故障预测模型包括目标线性模型和目标非线性模型,目标故障预测模型通过目标线性模型和目标非线性模型结合对故障日志数据进行故障预测;目标故障预测模型中目标线性模型和目标非线性模型的权重是通过训练样本确定的;目标线性模型是通过训练样本对初始线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对初始线性模型的参数进行更新;目标非线性模型是通过训练样本对初始非线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对初始非线性模型的参数进行更新。
在其中一个实施例中,目标故障预测模型的训练过程包括:
构建训练样本集合,将训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;训练样本集合中包括多个训练样本,训练样本携带样本故障类别,样本故障类别用于构建故障类别序列;
对于初始线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型;
对于初始非线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型;
根据目标线性模型和目标非线性模型构建初始故障预测模型,以训练样本集合作为输入进行多次训练,每次训练中基于输出结果和故障类别序列的差异更新目标线性模型和目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
在其中一个实施例中,构建训练样本集合,包括:
获取故障日志集合;故障日志集合中包括多个样本故障日志和多个标准故障日志,标准故障日志携带有标准故障类别;
根据样本故障日志和标准故障日志的相似度,基于标准故障类别确定样本故障日志的样本故障类别;
基于各样本特征值的样本故障类别,通过多个样本故障日志构建训练样本集合。
在其中一个实施例中,根据样本故障日志和标准故障日志的相似度,基于标准故障类别确定样本故障日志的样本故障类别,包括:
对各样本故障日志预处理得到故障关键词,对各标准故障日志预处理得到标准关键词,并确定故障关键词的样本特征值,确定标准关键词的标准特征值;预处理的过程包括分词、去停用词和词性标注;
根据样本特征值和各标准特征值的相似度,从多个标准特征值中筛选出预设数量的相似特征值;
基于相似特征值所属的标准故障类别,确定样本特征值的样本故障类别。
在其中一个实施例中,确定关键词的特征值的过程,包括:
根据关键词在故障日志中标题出现的频率和首段出现的频率进行加权,得到汇总频率;
根据汇总频率、故障日志的总数量和存在关键词的故障日志的数量,确定各关键词的特征值。
第二方面,本申请还提供一种目标故障预测模型训练方法,目标故障预测模型包括目标线性模型和目标非线性模型。该方法包括:
构建训练样本集合,将训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;训练样本集合中包括多个训练样本,训练样本携带样本故障类别,样本故障类别用于构建故障类别序列;
对于初始线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型;
对于初始非线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型;
根据目标线性模型和目标非线性模型构建初始故障预测模型,以训练样本集合作为输入进行多次训练,每次训练中基于输出结果和故障类别序列的差异更新目标线性模型和目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
第三方面,本申请还提供一种系统故障预测装置。该装置包括:
数据获取模块,用于获取目标计算系统的故障日志数据;
结果输出模块,用于将故障日志数据输入至训练完成的目标故障预测模型中,通过目标故障预测模型输出故障预测结果;
其中,目标故障预测模型包括目标线性模型和目标非线性模型,目标故障预测模型通过目标线性模型和目标非线性模型结合对故障日志数据进行故障预测;目标故障预测模型中目标线性模型和目标非线性模型的权重是通过训练样本确定的;目标线性模型是通过训练样本对初始线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对初始线性模型的参数进行更新;目标非线性模型是通过训练样本对初始非线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对初始非线性模型的参数进行更新。
第四方面,本申请还提供一种目标故障预测模型训练装置,目标故障预测模型包括目标线性模型和目标非线性模型。该装置包括:
样本集合构建模块,用于构建训练样本集合,将训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;训练样本集合中包括多个训练样本,训练样本携带样本故障类别,样本故障类别用于构建故障类别序列;
目标线性模型训练模块,用于对于初始线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型;
目标非线性模型训练模块,用于对于初始非线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型;
目标故障预测模型训练模块,用于根据目标线性模型和目标非线性模型构建初始故障预测模型,以训练样本集合作为输入进行多次训练,每次训练中基于输出结果和故障类别序列的差异更新目标线性模型和目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
第五方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以上系统故障预测方法的步骤,或目标故障预测模型训练方法的步骤。
第六方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以上系统故障预测方法的步骤,或目标故障预测模型训练方法的步骤。
第七方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以上系统故障预测方法的步骤,或目标故障预测模型训练方法的步骤。
上述系统故障预测方法、模型训练方法、装置和计算机设备,目标故障预测模型包括线性模型和非线性模型,在确定线性模型和非线性模型的权重后,将获取的计算系统的故障日志输入至目标故障预测模型中,即可得到故障预测结果。其中,线性模型和非线性模型均是通过训练样本多次训练得到的,通过使用已知的数据来估计模型的参数,从而能够对故障日志数据做出预测。相对于传统技术中全局检查点的方法,本申请通过模型训练的方法,基于样本故障进行多次训练得到故障预测模型,减小了故障预测误差,具有更高的精度,且随着工作时间的延长,预测的准确度基本不变,提高了系统运行的高效性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术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申请的一些实施例,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为一个实施例中系统故障预测方法的应用环境图;
图2为一个实施例中系统故障预测方法的流程示意图;
图3为一个实施例中目标故障预测模型训练方法的流程示意图;
图4为另一个实施例中BP神经网络的结构示意图;
图5为另一个实施例中确定样本特征值的样本故障类别的流程示意图;
图6为另一个实施例中系统故障预测方法的流程示意图;
图7为一个实施例中系统故障预测装置的结构框图;
图8为一个实施例中目标故障预测模型训练装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的系统故障预测方法,和/或目标故障预测模型训练方法可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。构建目标故障预测模型后,将故障日志数据输入至目标故障预测模型中,即可得到故障日志对应的预测结果,包括确定故障日志中的故障类别。在获取高性能计算系统的故障日志数据后,能够确定高性能计算系统的故障类别。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中,如图2所示,提供了一种系统故障预测方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤S202至S204。
其中:
S202,获取目标计算系统的故障日志数据。
计算系统是具有较高计算能力的计算机系统,可以用于科学研究、工程分析、数据处理和模拟等领域。示意性地,计算系统可以是高性能计算系统,能够提供超级计算能力,是用于处理复杂、大规模、计算密集型问题的计算机系统。
高性能计算机的平均无故障时间较短,为了维持高性能计算机的正常工作,减少高性能计算系统的故障率,需要对故障进行预测。故障日志数据是记录计算机系统或其他设备发生故障时产生的日志信息,包含了系统在运行过程中出现异常、错误或故障的相关记录。
S204,将故障日志数据输入至训练完成的目标故障预测模型中,通过目标故障预测模型输出故障预测结果。
其中,目标故障预测模型包括目标线性模型和目标非线性模型,目标故障预测模型通过目标线性模型和目标非线性模型结合对故障日志数据进行故障预测;目标故障预测模型中目标线性模型和目标非线性模型的权重是通过训练样本确定的;目标线性模型是通过训练样本对初始线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对初始线性模型的参数进行更新;目标非线性模型是通过训练样本对初始非线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对初始非线性模型的参数进行更新。
故障预测结果可以包括故障类别,示意性地,故障类别包括软件故障、硬件故障、人为故障和不明原因故障,从而目标故障预测模型根据故障日志数据预测未来发生故障的类别。示意性地,故障预测结果还可以包括预期故障发生的概率。
目标故障预测模型是经过训练得到的模型,用于基于输入的故障日志数据输出故障预测结果。目标故障预测模型包括目标线性模型和目标非线性模型,目标线性模型和目标非线性模型具有各自的权重,通过目标线性模型和目标非线性模型结合进行故障预测。目标线性模型和目标非线性模型的权重通过训练样本训练得到,在训练过程中,使得输出的预测结果不断逼近理论预测结果,从而确定权重。
线性模型是因变量与自变量之间的线性关系模型,可以具有一元或多元。在线性模型具有多元时,可以通过最小化实际观测值与模型预测值之间的差异来估计各个解释变量的权重,从而得到最佳拟合的线性关系。
具体地,通过将训练样本输入至未训练的初始线性模型中进行训练。在每次训练中,根据初始线性模型输出的训练结果作为预测值,以训练样本的故障类别作为实际值进行差异比对。通过更新初始线性模型的参数,使差异最小,从而完成训练,得到目标线性模型。
非线性模型是因变量与自变量之间的非线性关系模型。示意性地,非线性关系模型可以是神经网络模型,如BP神经网络。类似于线性模型的训练过程,将训练样本输入至未训练的初始非线性模型中进行训练,基于预测值和实际值的差异对初始非线性模型的参数进行更新,直至完成训练,得到目标非线性模型。
上述系统故障预测方法中,目标故障预测模型包括线性模型和非线性模型,在确定线性模型和非线性模型的权重后,将获取的计算系统的故障日志输入至目标故障预测模型中,即可得到故障预测结果。其中,线性模型和非线性模型均是通过训练样本多次训练得到的,通过使用已知的数据来估计模型的参数,从而能够对故障日志数据做出预测。相对于传统技术中全局检查点的方法,本申请通过模型训练的方法,基于样本故障进行多次训练得到故障预测模型,减小了故障预测误差,具有更高的精度,且随着工作时间的延长,预测的准确度基本不变,提高了系统运行的高效性。
在一个示例性的实施例中,如图3所示,一种目标故障预测模型的训练过程,包括步骤S302至S308。其中:
S302,构建训练样本集合,将训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;训练样本集合中包括多个训练样本,训练样本携带样本故障类别,样本故障类别用于构建故障类别序列。
训练样本是携带有样本故障类别的故障日志,样本故障类别构建故障类别序列后,能够将故障类别数值化,从而能够与每次训练得到的训练结果进行差异比对。
S304,对于初始线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型。
示意性地,样本故障的故障类别序列如公式(1)所示:
X(0)=[x(0)1,x(0)2, ...,x(0)n] (1)
其中,n为类别个数。
进一步地,可以对样本故障类别序列进行一次累加处理,以去除训练样本中日志数据的随机性,新的故障日志数据类别序列如公式(2)所示:
X(1)=[x(1)1,x(1)2, ...,x(1)n] (2)
式中t=1,2,...,n。
依据公式(2)建立的故障预测的微分方程模型如公式(3)所示:
从而能够根据参数a,u可以得原始故障日志数据的未来预测值,也即预测序列。具体地,对微分方程模型的公式(3)求解过程如下:先对公式(2)进行累加处理,得到累加矩阵B和yn,分别如公式(4)和公式(5)所示:
yn=[x(0)2,x(0)3,...,x(0)n] (5)
采用最小二乘算法对建立的故障预测的微分方程模型的参数a,u进行求解,得到公式(6):
具体地,故障预测的微分方程的解通过公式(7)得到:
最后通过累减还原得到故障的预测值如公式(8)所示:
基于得到的预测值,与故障类别序列的差异对初始线性模型的参数进行更新。多次训练后,判断满足第一预设训练条件,若满足则结束训练,得到目标线性模型,若不满足则进入下一次训练。示意性地,第一预设训练条件可以是训练次数。
S306,对于初始非线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型。
示意性地,非线性模型可以基于BP(Back-propagation反向传播)神经网络构建,如图4所示。BP神经网络包括输入层、隐含层和输出层,通过训练调整输入层、隐含层和输出层节点的权值,以获得更准确的输出结果。
非线性模型中隐含层节点的输出值如公式(9)所示:
其中,y=(1,2,...,m);
输出层节点的输出值如公式(10)所示:
其中,k=(1,2,...,l);
基于权值调整公式(11)对隐含层和输出层间的节点的权值进行调整:
基于权值调整公式(12)对输入层和隐含层间的节点的权值进行调整:
之后基于公式(13)对隐含层和输出层间的节点的权值进行更新:
ejk(t+1)=ejk(t)+Δejk (13)
并基于公式(14)对输入层和隐含层间的节点的权值进行更新:
rjk(t+1)=ejk(t)+Δrjk (14)
多次训练中对各节点的权值进行更新,直到达到第二预设训练条件时得到目标非线性模型。示意性地,第二预设训练条件可以是训练次数。
S308,根据目标线性模型和目标非线性模型构建初始故障预测模型,以训练样本集合作为输入进行多次训练,每次训练中基于输出结果和故障类别序列的差异更新目标线性模型和目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
确定目标线性模型和目标非线性模型后,构建初始故障预测模型,通过训练样本再进行多次训练,更新目标线性模型和目标非线性模型在初始故障预测模型中的权重。直至第三预设训练条件完成权重的更新,得到目标故障预测模型。示意性地,第三预设训练条件可以是训练次数。
本实施例中,通过训练样本先对初始线性模型训练得到目标线性模型,再对初始非线性模型训练得到目标非线性模型,之后基于目标线性模型和目标非线性模型构建初始故障预测模型,通过训练样本训练确定目标线性模型和目标非线性模型的权重,得到目标故障预测模型。从而完成训练,对输入目标故障预测模型的故障日志数据,得到故障预测值。根据权重值对线性和非线性的模型进行组合,输出计算系统故障的最优预测结果。
在一个示例性的实施例中,S302构建样本集合包括:
获取故障日志集合;故障日志集合中包括多个样本故障日志和多个标准故障日志,标准故障日志携带有标准故障类别。根据样本故障日志和标准故障日志的相似度,基于标准故障类别确定样本故障日志的样本故障类别。基于各样本特征值的样本故障类别,通过多个样本故障日志构建训练样本集合。
样本故障日志是用于输入至模型中进行训练的样本,标准故障日志是已经确定的、写到有标准故障类别的日志,用于对训练结果进行比对差异。
基于相似度确定标准故障日志最接近的标准故障日志,从而根据最接近的标准故障日志的故障类别,确定样本故障日志的故障类别。在确定样本故障日志的故障类别后,基于确定的样本故障类别构建训练样本集合。
本实施例中,构建的故障日志集合包括用于训练的样本故障日志和用于确定样本故障日志的故障类别的标准故障日志,从而确定各样本故障日志的故障类别,从而构建训练样本集合。
在一个示例性的实施例中,根据样本故障日志和标准故障日志的相似度,基于标准故障类别确定样本故障日志的样本故障类别,包括:
S502,对各样本故障日志预处理得到故障关键词,对各标准故障日志预处理得到标准关键词,并确定故障关键词的样本特征值,确定标准关键词的标准特征值;预处理的过程包括分词、去停用词和词性标注。
分词是将连续的文本按照词的单位进行切分的过程,将日志划分为有意义的词语。
停用词是指在文本中频率很高但通常没有实际含义的词语,去除停用词可以减少噪音和冗余信息,提高关键信息的提取效果和处理速度。
词性标注是对分词后的每个词语进行标注,指明其在句子中的语法类别,如名词、动词、形容词等。
在一个实施例中,确定关键词的特征值的过程,包括:根据关键词在故障日志中标题出现的频率和首段出现的频率进行加权,得到汇总频率;根据汇总频率、故障日志的总数量和存在关键词的故障日志的数量,确定各关键词的特征值。
在提取日志数据的故障关键词时,使用动态权重α来计算故障关键词在日志数据中配以权重后出现的频率,再计算故障日志的特征值,如公式(15)所示。其中,α的初始系数为1.5-3;
tf′j(wi)=t(3+α)·fjh(wi)+(1.5+α)·fjf(wi) (15)
其中,tf′j(wi)表示当前故障关键词wi在故障日志数据j中出现的频率,fjh(wi)表示当前故障关键词在故障日志标题中出现的频率,fjf(wi)表示当前故障关键词在故障日志首段出现的频率。
进一步地,特征值可以根据公式(16)得到:
TI′(wi)=tf′j(wi)·log(N/df(wi))·log(N/df(wi)) (16)
其中,N表示故障日志数据集合中所有故障日志数据的总数,df(wi),表示故障日志数据集合中有多少篇故障日志数据出现了当前故障关键词wi;
S504,根据样本特征值和各标准特征值的相似度,从多个标准特征值中筛选出预设数量的相似特征值。
样本故障日志数据v和标准分类故障日志数据vs相似度计算如公式(7)所示,根据样本特征值和标准特征值的差确定:
按照相似度的大小,从多个标准特征值筛选出相似度最大的预设数量的相似特征值,作为样本故障数据最接近的标准故障数据。
示意性地,可以通过公式(18)实现:
其中,y(vi,cj)是类别属性函数,当vi∈cj时,y(vi,cj)=1,否则,y(vi,cj)=0;
S506,基于相似特征值所属的标准故障类别,确定样本特征值的样本故障类别。
最后使用公式(19)来判断样本故障日志数据v的类别:
f=argmaxcj(p(v,cj)) (19)
本实施例中,通过计算样本故障日志数据与标准分类故障日志数据的相似度后,找到相似度最高的多个样本;再根据样本故障日志数据的相似度权值和相似故障日志数据的类别,判定样本故障日志数据的类别,提升了故障日志挖掘提取的准确性,从而影响故障预测模型建立的全面性,提升预测的全面性和预测响应的快捷性。
在一个示例性的实施例中,一种系统故障预测方法,包括步骤S602-S620:
S602,获取故障日志集合;故障日志集合中包括多个样本故障日志和多个标准故障日志,标准故障日志携带有标准故障类别。
S604,对各样本故障日志预处理得到故障关键词,对各标准故障日志预处理得到标准关键词,并确定故障关键词的样本特征值,确定标准关键词的标准特征值;预处理的过程包括分词、去停用词和词性标注。
S606,根据样本特征值和各标准特征值的相似度,从多个标准特征值中筛选出预设数量的相似特征值。
S608,基于相似特征值所属的标准故障类别,确定样本特征值的样本故障类别。基于各样本特征值的样本故障类别,通过多个样本故障日志构建训练样本集合。
S610,将训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;训练样本集合中包括多个训练样本,训练样本携带样本故障类别,样本故障类别用于构建故障类别序列。
S612,对于初始线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型。
S614,对于初始非线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型。
S616,根据目标线性模型和目标非线性模型构建初始故障预测模型,以训练样本集合作为输入进行多次训练,每次训练中基于输出结果和故障类别序列的差异更新目标线性模型和目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
S618,获取目标计算系统的故障日志数据。
S620,将故障日志数据输入至训练完成的目标故障预测模型中,通过目标故障预测模型输出故障预测结果。
为了表征本申请提供的故障预测方法的预测效果,分别构建线性模型、非线性模型作为对比,对三种建模方法的预测模型的精度进行实验,实验过程中,三种建模方法的预测模型持续工作不停止,实验次数为五次。具体的五次实验的时间分别为:1:三种模型工作0-5小时;2:三种模型工作5—10小时;3:三种模型工作10—15小时;4:三种模型工作15—20小时;5:三种模型工作20—24小时,实验结果如下表1所示,单位为预测准确率(%)。
表1预测准确率实验结果表
准确率/% | 线性模型 | 非线性模型 | 本实施例的方法 |
1 | 87.3 | 93.3 | 98.5 |
2 | 86.5 | 92.8 | 98.8 |
3 | 86.6 | 91.8 | 99.1 |
4 | 81.5 | 85.6 | 98.6 |
5 | 79.2 | 80.2 | 98.6 |
由上表可以得出,随着时间的变化,线性模型的准确率从87.3%下降到79.2%,总体呈下降趋势,且在工作到15个小时后,下降趋势异常明显;非线性模型的初始准确率大于线性模型,从93.3%下降到80.2%,总体呈下降趋势,且在工作到15个小时后,下降趋势异常明显;而本实施例的方法初始准确率大于线性模型以及非线性模型,且随着时间变化,本实施例的方法的准确率在工作10-15小时达到最高,最后稳定在98.6%,可以看出本实施例的方法在工作时间增加后,故障预测的准确率并没有太大的变化。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的系统故障预测方法的系统故障预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个系统故障预测装置实施例中的具体限定可以参见上文中对于系统故障预测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图7所示,提供了一种系统故障预测装置700,包括:数据获取模块702和结果输出模块704,其中:
数据获取模块702,用于获取目标计算系统的故障日志数据。
结果输出模块704,用于将故障日志数据输入至训练完成的目标故障预测模型中,通过目标故障预测模型输出故障预测结果。
其中,目标故障预测模型包括目标线性模型和目标非线性模型,目标故障预测模型通过目标线性模型和目标非线性模型结合对故障日志数据进行故障预测;目标故障预测模型中目标线性模型和目标非线性模型的权重是通过训练样本确定的;目标线性模型是通过训练样本对初始线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对初始线性模型的参数进行更新;目标非线性模型是通过训练样本对初始非线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对初始非线性模型的参数进行更新。
在一个实施例中,目标故障预测模型的训练过程包括:构建训练样本集合,将训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;训练样本集合中包括多个训练样本,训练样本携带样本故障类别,样本故障类别用于构建故障类别序列;对于初始线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型;对于初始非线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型;根据目标线性模型和目标非线性模型构建初始故障预测模型,以训练样本集合作为输入进行多次训练,每次训练中基于输出结果和故障类别序列的差异更新目标线性模型和目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
上述系统故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的目标故障预测模型训练方法的目标故障预测模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个目标故障预测模型训练装置实施例中的具体限定可以参见上文中对于目标故障预测模型训练方法的限定,在此不再赘述。
在一个示例性的实施例中,如图8所示,提供了一种目标故障预测模型训练装置800,目标故障预测模型包括目标线性模型和目标非线性模型,目标故障预测模型训练装置800包括:样本集合构建模块802、目标线性模型训练模块804、目标非线性模型训练模块806和目标故障预测模型训练模块808,其中:
样本集合构建模块802,用于构建训练样本集合,将训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;训练样本集合中包括多个训练样本,训练样本携带样本故障类别,样本故障类别用于构建故障类别序列;
目标线性模型训练模块804,用于对于初始线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型;
目标非线性模型训练模块806,用于对于初始非线性模型,每次训练中基于训练结果与故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型;
目标故障预测模型训练模块808,用于根据目标线性模型和目标非线性模型构建初始故障预测模型,以训练样本集合作为输入进行多次训练,每次训练中基于输出结果和故障类别序列的差异更新目标线性模型和目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
在一个实施例中,样本集合构建模块802具体用于:获取故障日志集合;故障日志集合中包括多个样本故障日志和多个标准故障日志,标准故障日志携带有标准故障类别;根据样本故障日志和标准故障日志的相似度,基于标准故障类别确定样本故障日志的样本故障类别;基于各样本特征值的样本故障类别,通过多个样本故障日志构建训练样本集合。
在一个实施例中,样本集合构建模块802具体用于:对各样本故障日志预处理得到故障关键词,对各标准故障日志预处理得到标准关键词,并确定故障关键词的样本特征值,确定标准关键词的标准特征值;预处理的过程包括分词、去停用词和词性标注;根据样本特征值和各标准特征值的相似度,从多个标准特征值中筛选出预设数量的相似特征值;基于相似特征值所属的标准故障类别,确定样本特征值的样本故障类别。
在一个实施例中,样本集合构建模块802具体用于:根据关键词在故障日志中标题出现的频率和首段出现的频率进行加权,得到汇总频率;根据汇总频率、故障日志的总数量和存在关键词的故障日志的数量,确定各关键词的特征值。
上述目标故障预测模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储训练样本数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种系统故障预测方法,或一种目标故障预测模型训练方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种系统故障预测方法,其特征在于,所述方法包括:
获取目标计算系统的故障日志数据;
将所述故障日志数据输入至训练完成的目标故障预测模型中,通过所述目标故障预测模型输出故障预测结果;
其中,所述目标故障预测模型包括目标线性模型和目标非线性模型,所述目标故障预测模型通过所述目标线性模型和所述目标非线性模型结合对所述故障日志数据进行故障预测;所述目标故障预测模型中所述目标线性模型和所述目标非线性模型的权重是通过训练样本确定的;所述目标线性模型是通过训练样本对初始线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对所述初始线性模型的参数进行更新;所述目标非线性模型是通过训练样本对初始非线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对所述初始非线性模型的参数进行更新。
2.根据权利要求1所述的方法,其特征在于,所述目标故障预测模型的训练过程包括:
构建训练样本集合,将所述训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;所述训练样本集合中包括多个训练样本,所述训练样本携带样本故障类别,所述样本故障类别用于构建故障类别序列;
对于所述初始线性模型,每次训练中基于训练结果与所述故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型;
对于所述初始非线性模型,每次训练中基于训练结果与所述故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型;
根据所述目标线性模型和所述目标非线性模型构建初始故障预测模型,以所述训练样本集合作为输入进行多次训练,每次训练中基于输出结果和所述故障类别序列的差异更新所述目标线性模型和所述目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
3.根据权利要求2所述的方法,其特征在于,所述构建训练样本集合,包括:
获取故障日志集合;所述故障日志集合中包括多个样本故障日志和多个标准故障日志,所述标准故障日志携带有标准故障类别;
根据所述样本故障日志和所述标准故障日志的相似度,基于所述标准故障类别确定所述样本故障日志的样本故障类别;
基于各所述样本特征值的样本故障类别,通过所述多个样本故障日志构建所述训练样本集合。
4.根据权利要求3所述的方法,其特征在于,根据所述样本故障日志和所述标准故障日志的相似度,基于所述标准故障类别确定所述样本故障日志的样本故障类别,包括:
对各所述样本故障日志预处理得到故障关键词,对各所述标准故障日志预处理得到标准关键词,并确定所述故障关键词的样本特征值,确定所述标准关键词的标准特征值;所述预处理的过程包括分词、去停用词和词性标注;
根据所述样本特征值和各所述标准特征值的相似度,从多个所述标准特征值中筛选出预设数量的相似特征值;
基于所述相似特征值所属的标准故障类别,确定所述样本特征值的样本故障类别。
5.根据权利要求4所述的方法,其特征在于,确定关键词的特征值的过程,包括:
根据所述关键词在故障日志中标题出现的频率和首段出现的频率进行加权,得到汇总频率;
根据所述汇总频率、所述故障日志的总数量和存在所述关键词的所述故障日志的数量,确定各所述关键词的特征值。
6.一种目标故障预测模型训练方法,其特征在于,所述目标故障预测模型包括目标线性模型和目标非线性模型;所述方法包括:
构建训练样本集合,将所述训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;所述训练样本集合中包括多个训练样本,所述训练样本携带样本故障类别,所述样本故障类别用于构建故障类别序列;
对于所述初始线性模型,每次训练中基于训练结果与所述故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型;
对于所述初始非线性模型,每次训练中基于训练结果与所述故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型;
根据所述目标线性模型和所述目标非线性模型构建初始故障预测模型,以所述训练样本集合作为输入进行多次训练,每次训练中基于输出结果和所述故障类别序列的差异更新所述目标线性模型和所述目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
7.一种系统故障预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标计算系统的故障日志数据;
结果输出模块,用于将所述故障日志数据输入至训练完成的目标故障预测模型中,通过所述目标故障预测模型输出故障预测结果;
其中,所述目标故障预测模型包括目标线性模型和目标非线性模型,所述目标故障预测模型通过所述目标线性模型和所述目标非线性模型结合对所述故障日志数据进行故障预测;所述目标故障预测模型中所述目标线性模型和所述目标非线性模型的权重是通过训练样本确定的;所述目标线性模型是通过训练样本对初始线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对所述初始线性模型的参数进行更新;所述目标非线性模型是通过训练样本对初始非线性模型多次训练得到的,每次训练中基于训练结果和训练样本的样本故障类别对所述初始非线性模型的参数进行更新。
8.一种目标故障预测模型训练装置,其特征在于,所述目标故障预测模型包括目标线性模型和目标非线性模型,所述装置包括:
样本集合构建模块,用于构建训练样本集合,将所述训练样本集合分别输入至初始线性模型和初始非线性模型中进行多次训练;所述训练样本集合中包括多个训练样本,所述训练样本携带样本故障类别,所述样本故障类别用于构建故障类别序列;
目标线性模型训练模块,用于对于所述初始线性模型,每次训练中基于训练结果与所述故障类别序列的差异进行参数更新,直至满足第一预设训练条件后停止训练,得到目标线性模型;
目标非线性模型训练模块,用于对于所述初始非线性模型,每次训练中基于训练结果与所述故障类别序列的差异进行参数更新,直至满足第二预设训练条件后停止训练,得到目标非线性模型;
目标故障预测模型训练模块,用于根据所述目标线性模型和所述目标非线性模型构建初始故障预测模型,以所述训练样本集合作为输入进行多次训练,每次训练中基于输出结果和所述故障类别序列的差异更新所述目标线性模型和所述目标非线性模型的权重,直至满足第三预设训练条件后停止训练,得到目标故障预测模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311136088.5A CN117290196A (zh) | 2023-09-01 | 2023-09-01 | 系统故障预测方法、模型训练方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311136088.5A CN117290196A (zh) | 2023-09-01 | 2023-09-01 | 系统故障预测方法、模型训练方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117290196A true CN117290196A (zh) | 2023-12-26 |
Family
ID=89239997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311136088.5A Pending CN117290196A (zh) | 2023-09-01 | 2023-09-01 | 系统故障预测方法、模型训练方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290196A (zh) |
-
2023
- 2023-09-01 CN CN202311136088.5A patent/CN117290196A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022077587A1 (zh) | 一种数据预测方法、装置及终端设备 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN116629435A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN116451093A (zh) | 电路故障分析模型的训练方法以及电路故障分析方法 | |
CN110378543A (zh) | 离职风险预测方法、装置、计算机设备和存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
Yerimah et al. | Process prediction and detection of faults using probabilistic bidirectional recurrent neural networks on real plant data | |
Sun et al. | Neighborhood graph embedding interpretable fault diagnosis network based on local and non-local information balanced under imbalanced samples | |
CN117036855A (zh) | 目标检测模型训练方法、装置、计算机设备和存储介质 | |
CN117290196A (zh) | 系统故障预测方法、模型训练方法、装置和计算机设备 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN115688742A (zh) | 基于人工智能的用户数据分析方法及ai系统 | |
CN115409070A (zh) | 离散数据序列临界点的确定方法、装置以及设备 | |
CN113033894B (zh) | 日用电量预测方法、装置、计算机设备和存储介质 | |
CN114580398A (zh) | 文本信息提取模型生成方法、文本信息提取方法和装置 | |
Fredriksson et al. | Machine learning algorithms for labeling: Where and how they are used? | |
Chen et al. | Three-Stage Global Channel Pruning for Resources-Limited Platform | |
CN118332291B (zh) | 一种飞行器多传感器数据故障预测方法 | |
CN117523259A (zh) | 半监督模型训练方法、装置、计算机设备和存储介质 | |
CN115934394A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN118467739A (zh) | 多媒体数据处理方法、装置、计算机设备、可读存储介质和程序产品 | |
CN116665714A (zh) | 语音质检方法、装置、计算机设备和存储介质 | |
CN116681164A (zh) | 资源信息处理方法、装置、计算机设备和存储介质 | |
CN116049711A (zh) | 高压直流输电系统故障检测方法、装置和计算机设备 | |
CN116468531A (zh) | 账户信息处理方法、装置、计算机设备和存储介质 |
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 |