CN117640346B - 一种通信设备故障诊断方法、存储介质及计算机设备 - Google Patents

Abstract

本申请公开了一种通信设备故障诊断方法、存储介质及计算机设备,包括：获取被监测通信设备的告警信息，告警信息用于表征通信设备当前具有的异常状态；基于告警信息构建故障概率矩阵；基于故障概率矩阵执行故障诊断，得到通信设备的故障原因。通过上述方式，本申请能够准确快速地确定故障原因，提升通信设备故障诊断的处理效率。

Description

一种通信设备故障诊断方法、存储介质及计算机设备

技术领域

本申请涉及通信设备故障诊断领域，特别是涉及一种通信设备故障诊断方法、存储介质及计算机设备。

背景技术

现有的通信设备故障诊断是通过通信集中告警系统实现跨系统的告警统一管理，再由资深技术人员经过多方位分析后，得到告警信息的根本故障原因，进行维修。这一故障诊断过程费时费力，且存在许多不足，不能满足用户的需求。因此，现在需要一种通信设备故障诊断方法，实现管理系统覆盖多类型设备，告警与排查一体化操作，进而准确快速地确定故障原因，提升通信设备故障诊断的处理效率。

发明内容

本申请主要提供一种通信设备故障诊断方法、存储介质及计算机设备，以解决现有的通信设备故障诊断技术处理效率低的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种通信设备故障诊断方法，包括：获取被监测通信设备的告警信息，所述告警信息用于表征所述通信设备当前具有的异常状态；基于所述告警信息构建故障概率矩阵；基于所述故障概率矩阵执行故障诊断，得到所述通信设备的故障原因。

该通信设备故障诊断方法通过利用告警信息构建故障概率矩阵，体现不同告警之间的关联程度以及告警与故障原因之间的关联程度，基于相关联的参数执行故障诊断，从而该通信设备确定产生告警的实际故障原因。

在一些实施例中，所述故障概率矩阵包括告警共现矩阵；所述告警共现矩阵P为：

其中，P_ak-1ak表示告警ak-1与告警ak共现的概率，ak为第k种告警信息a。

通过上述步骤构建了告警共现矩阵，P_aa为告警共现关系的权重，体现不同种类告警之间共同出现的概率，概率越高则说明这两种告警之间的关联越强，进而可以通过已知的告警推测出可能发生的告警。

在一些实施例中，所述故障概率矩阵还包括故障原因矩阵；所述故障原因矩阵P’为：

其中，P_akbn表示故障bn导致告警ak出现的概率，bn为第n种故障原因b。

通过上述步骤构建了故障原因矩阵，P_ab为各种故障原因中告警出现的概率，体现了故障原因与告警信息之间的联系，概率越高则说明由于这一故障原因b导致出现告警a的可能性越大，进而可以通过已知的告警推测出可能存在的故障原因。

在一些实施例中，所述基于所述故障概率矩阵执行故障诊断，得到所述通信设备的故障原因包括：基于所述故障概率矩阵构建路径推导公式为：

其中，r_i为故障到故障原因的路径，P_aa为告警共现关系概率参数，d_a表示告警a对应故障原因实体的权重，P_ab为故障原因概率参数，b_i为当前路径上的故障原因，m、k用于表示不同告警信息a的次序，K和L表示式中d_aP_ab的次序取值维度，w₁是具有共现关系故障权重，w₂是由故障推理故障原因的权重，w₃是有关联的故障之间互相影响的权重。

通过上述步骤构建了路径推导公式，利用告警与告警之间、告警与故障之间的关系权重，推导出当前路径导致告警的可能故障因素，有利于确定告警发生的根本故障原因。

在一些实施例中，基于所述故障概率矩阵构建路径推导公式之后，还包括：遍历所有所述故障到故障原因的路径r_i，得到权重最大的最优路径包括：

其中，r为导致故障的因素。

通过上述步骤遍历所有故障到故障原因的路径，对设备出现的故障进行系统性的检查和分析，找出所有可能的故障原因，最终根据比较权重得到权重最大的路径即为当前对设备告警影响最大的故障原因。

在一些实施例中，所述通信设备故障诊断方法还包括：获取多次所述故障原因实体的权重、所述告警共现关系概率参数和所述故障原因概率参数，对预存的深度学习模型进行训练；完成训练后的所述深度学习模型基于获取的多次所述故障原因实体的权重、所述告警共现关系概率参数和所述故障原因概率参数对所述故障概率矩阵所述路径推导公式进行动态调整。

通过上述步骤训练深度学习模型，动态调整进行故障诊断的各项参数，使用于进行故障诊断的各项参数更加精准，从而提高故障诊断的准确性。

在一些实施例中，所述深度学习模型还基于获取的多次所述告警共现关系概率参数进行告警预测。

通过上述步骤利用告警信息之间的关联性，根据已知的告警推测出可能发生的告警，实现对并发的故障或告警进行预测，有利于诊断设备故障。

在一些实施例中，所述深度学习模型响应于接收到的最终故障原因，对导致故障的因素进行修正。

通过上述步骤将反馈的最终故障原因用于训练深度学习模型，使模型对于设备故障的原因诊断准确性进一步提高。

为解决上述技术问题，本申请采用的另一个技术方案是：一种存储介质，其上存储有程序数据，所述程序数据被处理器执行时实现如上述通信设备故障诊断方法的步骤。

该存储介质的有益效果可以参考上述通信设备故障诊断方法的介绍，在此不再赘述。

为解决上述技术问题，本申请采用的另一个技术方案是：一种计算机设备，其特征在于，包括相互连接的处理器和存储器，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，实现如上述的通信设备故障诊断方法的步骤。

该计算机设备的有益效果可以参考上述通信设备故障诊断方法的介绍，在此不再赘述。

本申请的有益效果是：区别于现有技术的情况，本申请公开了一种通信设备故障诊断方法、存储介质及计算机设备。通过获取被监测通信设备上传的告警信息，分析该通信设备当前可能具有的异常状态；根据告警信息包含的故障和告警的关系构建故障概率矩阵；基于故障概率矩阵内的告警信息推导设备可能存在的实际故障原因，进一步计算后得到该通信设备的具体故障原因，提升了通信设备故障诊断的处理效率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有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，其中：

图1是本申请提供的通信设备故障诊断方法一实施例的流程示意图；

图2是本申请提供的通信设备故障诊断方法另一实施例的流程示意图；

图3是本申请提供的通信设备故障诊断方法又一实施例的流程示意图；

图4是本申请提供的存储介质一实施例的结构示意图；

图5是本申请提供的计算机设备一实施例的结构示意图。

具体实施方式

下面将结合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，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。

本申请提供一种通信设备故障诊断方法，参阅图1，图1是本申请提供的通信设备故障诊断方法一实施例的流程示意图，该通信设备故障诊断方法包括：

步骤10：获取被监测通信设备的告警信息。

通信设备故障诊断系统根据被监测通信设备的类型、属性等参数在数据库中进行分类匹配，找到数据库中对应路径上的告警采集设备；将被监测通信设备与对应的告警采集设备进行关联配置，使告警采集设备能够采集该设备的参数并生成告警信息上传至系统；系统接收告警采集设备上传的告警信息作为被监测通信设备的告警信息。

可选地，通信设备故障诊断系统可以配置告警监测任务并下发至对应的告警采集设备，对被监测设备的采样频率、端口信息、线路信息、IP地址、采集状态等进行配置，使告警采集设备更加精确的采集所需的设备参数。

告警采集设备被安装在被监测通信设备所在的路径上，分别连接被监测通信设备与通信设备故障诊断系统，用于采集通信设备的参数并生成告警信息上传至系统。

告警信息是在告警采集设备中根据被监测设备的参数生成的，在被监测设备的参数数值出现异常时，用于表征该通信设备当前具有的异常状态，如中继器信号中断、调频输出设备停机等。

通过对某路径上通信设备实时监测，并接收被监测通信设备的告警信息，在系统内记录该设备当前的异常状态，为分析通信设备的故障原因和路径提供了基础数据和路径信息。

步骤20：基于告警信息构建故障概率矩阵。

结合告警信息与数据库内该通信设备的历史参数信息，构建故障概率矩阵，包括：告警共现矩阵P和故障原因矩阵P’。

告警共现矩阵P为：

其中，P_ak-1ak表示告警ak-1与告警ak共现的概率，ak为第k种告警信息a，k为大于0的自然数，表示告警信息a的次序。

告警共现矩阵是通过对大量历史告警信息和故障工单信息进行分析统计获得的，Paa为告警共现关系的权重，体现不同种类告警之间共同出现的概率即共现关系的强弱程度，概率越高则说明这两种告警之间的关联越强，进而可以通过已知的告警推测出可能发生的告警。例如，第一种告警信息a₁和第二种告警信息a2同时出现的概率可以表示为Pa₁a₂，Pa₁a₂越大，则说明a₁和a₂之间的关联性越强，当a₁发生时，a₂也发生的可能性越大。

故障原因矩阵P’为：

其中，P_akbn表示故障bn导致告警ak出现的概率，bn为第n种故障原因b，k和n为大于0的自然数，分别表示告警信息a的次序和故障原因b的次序。

故障原因矩阵是通过对大量历史告警信息和故障工单信息进行分析统计获得的。多种故障原因可能导致同一种告警信息出现，但不同的故障原因对同一种告警产生的影响程度不同，P_ab为各种故障原因中告警出现的概率，即不同类型的故障导致某一告警信息出现的权重，体现了故障原因与告警信息之间的联系，概率越高则说明由于这一故障原因b导致出现告警a的可能性越大，进而可以通过已知的告警推测出可能存在的故障原因。例如，由于故障b₁导致告警a₁出现的概率可以表示为Pa₁b₁，Pa₁b₁越大，则说明a₁和b₁之间的关联性越强，当告警a₁发生时，设备故障原因为b₁的可能性就越高。

通过利用告警信息构建故障概率矩阵，体现了不同告警之间的关联程度以及告警与故障原因之间的关联程度，有利于在分析故障原因时，提高设备故障原因诊断的准确度。

步骤30：基于故障概率矩阵执行故障诊断，得到通信设备的故障原因。

在获取故障概率矩阵之后，基于获取的故障概率矩阵内包含的不同告警之间的关联程度以及告警与故障原因之间的权重，对当前导致设备告警出现的故障原因进行分析，进而判断出设备的详细故障原因。

进一步地，步骤30还可以包括：

参阅图2，图2是本申请提供的通信设备故障诊断方法另一实施例的流程示意图，该通信设备故障诊断方法包括：

步骤31：基于故障概率矩阵构建路径推导公式。

通过故障概率矩阵构建路径推导公式为：

其中，r_i为故障到故障原因的路径，P_aa为来源于告警共现矩阵的告警共现关系概率参数，d_a为系统预设的告警a对应故障原因实体的权重，P_ab为来源于故障原因矩阵的故障原因概率参数，b_i为当前路径上的故障原因，w₁是具有共现关系故障权重，w₂是由故障推理故障原因的权重，w₃是有关联的故障之间互相影响的权重，m、k为大于0的自然数，用于表示不同告警信息a的次序，K和L表示式中d_aP_ab的次序取值维度。

例如，可以表示存在告警信息为a₁、a₂，故障原因为b₁，a和b的次序维度可以取到3或4的情况下，故障到故障原因的路径为r₁。

通过故障概率矩阵包含的不同告警之间的关联程度以及告警与故障原因之间的权重，构建出路径推导公式，计算路径r_i上可能的故障原因。

步骤32：遍历所有故障到故障原因的路径ri，得到权重最大的最优路径。

在通过路径推导公式得到故障到故障原因的路径r_i后，遍历所有故障到故障原因的路径ri，得到权重最大的最优路径：

其中，r即为所要求得的故障原因。

遍历所有故障到故障原因的路径是指对于设备出现的故障，通过系统性地检查和分析，找出可能的所有故障原因的过程。这个过程通常包括对系统或设备的各个部件和相关的操作过程进行逐一排查，以确定可能导致故障的因素。通过遍历所有可能的路径，可以更全面地了解故障的根本原因，从而采取相应的措施来解决问题。这个过程需要系统性的思维和详细的记录，以确保没有遗漏可能的故障原因，并最终找到解决方案。

由于权重最大的路径通常表示了最可能的故障原因。在路径的选择过程中，通常会考虑到各种可能的因素，比如故障发生的频率、影响的程度等，这些因素会影响到路径的权重。因此，选择权重最大的路径可以更准确地表示故障原因。同时，通过遍历所有可能的路径，可以确保找到最优的路径，从而更好地判断该设备实际的故障原因。

可选地，参阅图3，图3是本申请提供的通信设备故障诊断方法又一实施例的流程示意图，该通信设备故障诊断方法包括：

步骤40：获取多次故障原因的实体的权重、告警共现关系概率参数和故障原因概率参数，对预存的深度学习模型进行训练。

将多次获取的故障原因的实体的权重、告警共现关系概率参数和故障原因概率参数以及出现的误差输入预存的深度学习模型，训练模型的数据处理生成方式，提高参数生成的准确性，使故障原因的实体的权重、告警共现关系概率参数和故障原因概率参数能够更准确的体现出对应的关系。

深度训练模型通过多次的生成和纠误数据，对原有的生成机制进行调整，减少生成参数时的偏差和错误，提高生成准确率，使构建的故障概率矩阵和路径推导公式更符合该设备的故障状态，有利于提高故障原因推导的准确率。

步骤50：完成训练后的深度学习模型基于获取的多次故障原因实体的权重、告警共现关系概率参数和故障原因概率参数对故障概率矩阵和路径推导公式进行动态调整。

受特殊参数和样本量不足等问题影响，故障原因的实体的权重的值以及故障概率矩阵所表示的权重可能存在偏差或发生改变，根据多次获取的故障原因的实体的权重、告警共现关系概率参数和故障原因概率参数以及出现的误差输入预存的深度学习模型对各项参数的生成进行动态调整。

通过对各项参数和对应的生成方式进行动态调整，使构建的故障概率矩阵和路径推导公式更符合该设备的故障状态，有利于提高故障原因推导的准确率。

可选地，步骤50还可以包括：深度学习模型还基于获取的多次告警共现关系概率参数进行告警预测。

深度学习模型通过多次该设备相关的告警共现关系概率参数、维修记录、被监测设备所处的实际运行状态以及当前出现的告警信息判断该设备可能出现的告警信息，进而对该设备可能出现的故障进行预估，使技术人员能对该设备未来的状态有所预判，有利于及时发现设备的隐患。

进一步地，步骤50还可以包括：深度学习模型响应于接收到的最终故障原因，对导致故障的因素进行修正。

技术人员在完成对设备故障原因的诊断和维修后，将实体的故障原因输入系统。系统响应于接收到的最终故障原因，深度学习模型参照该故障原因对预存的故障原因的实体的权重、告警共现关系概率参数和故障原因概率参数进行调整修改，使使构建的故障概率矩阵和路径推导公式更符合该设备的故障状态，有利于提高故障原因推导的准确率。

参阅图4，图4是本申请提供的存储介质的一实施例的结构示意图。

该存储介质200存储有程序数据201，程序数据201在被处理器执行时，实现如图1所描述的通信设备故障诊断方法的步骤。

该程序数据201存储于一个存储介质200中，包括若干指令用于使得一台网络设备（可以路由器、个人计算机、服务器等网络设备）或处理器执行本申请各个实施例所述方法的全部或部分步骤。

可选的，存储介质200可以为U盘、移动硬盘、只读存储器（ROM）、随机存取存储器（RAM）、磁盘或者光盘等各种可以存储程序数据的介质。

参阅图5，图5是本申请提供的计算机设备的一实施例的结构示意图。

该计算机设备300包括相互连接的处理器320和存储器310，存储器310存储有计算机程序，处理器320执行该计算机程序时，实现如上述通信设备故障诊断方法的步骤。

区别于现有技术的情况，本申请提供了一种通信设备的故障诊断方法、存储介质及计算机设备。通过获取被检测设备当前的异常状态，对异常状态进行分析，构建故障概率矩阵来体现不同告警之间的关联程度以及告警与故障原因之间的关联程度，对该设备执行故障诊断，推导出该设备可能存在的具体故障原因，实现了准确快速地确定故障原因，提升通信设备故障诊断的处理效率。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于存储介质实施例及计算机设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (6)

1.一种通信设备故障诊断方法，其特征在于，所述通信设备故障诊断方法包括：

获取被监测通信设备的告警信息，所述告警信息用于表征所述通信设备当前具有的异常状态；

基于所述告警信息构建故障概率矩阵；

基于所述故障概率矩阵构建路径推导公式为：

遍历所有所述故障到故障原因的路径r_i，得到权重最大的最优路径包括：

其中，r为导致故障的因素；r_i为故障到故障原因的路径，P_aa为告警共现关系概率参数，d_a表示告警a对应故障原因实体的权重，P_ab为故障原因概率参数，a_i为当前路径上的告警信息，b_i为当前路径上的故障原因，m、k用于表示不同告警信息a的次序，K和L表示式中d_aP_ab的次序取值维度，w₁是具有共现关系故障权重，w₂是由故障推理故障原因的权重，w₃是有关联的故障之间互相影响的权重；

获取多次所述故障原因实体的权重、所述告警共现关系概率参数和所述故障原因概率参数，对预存的深度学习模型进行训练；

所述深度学习模型还基于获取的多次所述告警共现关系概率参数进行告警预测；

所述深度学习模型响应于接收到的最终故障原因，对导致故障的所述故障原因实体的权重、所述告警共现关系概率参数和所述故障原因概率参数进行修正。

2.根据权利要求1所述的通信设备故障诊断方法，其特征在于，所述故障概率矩阵包括告警共现矩阵；

所述告警共现矩阵P为：

其中，P_ak-1ak表示告警ak-1与告警ak共现的概率，ak为第k种告警信息a。

3.根据权利要求1所述的通信设备故障诊断方法，其特征在于，所述故障概率矩阵还包括故障原因矩阵；

所述故障原因矩阵P’为：

其中，P_akbn表示故障bn导致告警ak出现的概率，bn为第n种故障原因b。

4.根据权利要求1所述的通信设备故障诊断方法，其特征在于，所述通信设备故障诊断方法还包括：

完成训练后的所述深度学习模型基于获取的多次所述故障原因实体的权重、所述告警共现关系概率参数和所述故障原因概率参数对所述故障概率矩阵和所述路径推导公式进行动态调整。

5.一种存储介质，其上存储有程序数据，其特征在于，所述程序数据被处理器执行时实现如权利要求1-4任一项所述的通信设备故障诊断方法的步骤。

6.一种计算机设备，其特征在于，包括相互连接的处理器和存储器，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，实现如权利要求1-4任一项所述的通信设备故障诊断方法的步骤。