CN108460397B - 设备故障类型的分析方法、装置、储存介质和电子设备 - Google Patents
设备故障类型的分析方法、装置、储存介质和电子设备 Download PDFInfo
- Publication number
- CN108460397B CN108460397B CN201711436098.5A CN201711436098A CN108460397B CN 108460397 B CN108460397 B CN 108460397B CN 201711436098 A CN201711436098 A CN 201711436098A CN 108460397 B CN108460397 B CN 108460397B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- cluster
- matching probability
- point
- 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
Images
Classifications
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及一种设备故障类型的分析方法、装置、储存介质和电子设备,该方法包括:确定与当前数据点相匹配的目标数据簇,该目标数据簇为所有数据簇中与该当前数据点具有最大匹配概率的数据簇;确定该目标数据簇中与该目标数据簇具有最小匹配概率的第一数据点;根据该目标数据簇的故障状态,该第一数据点与该目标数据簇的匹配概率以及该当前数据点与该目标数据簇的匹配概率的对比结果,确定该当前数据点的故障类型。能够通过设备历史数据的故障状态以及与当前设备数据匹配程度,预测当前设备数据的故障状态和倾向的故障类型,以提醒设备管理者针对该故障倾向进行干预,增加设备异常预测的针对性,提高设备运维的效率。
Description
技术领域
本公开涉及设备异常检测领域,具体地,涉及一种设备故障类型的分析方法、装置、储存介质和电子设备。
背景技术
随着信息技术的广泛使用,对设备的异常检测也逐步向信息化的方向发展。在对设备进行异常检测的过程中,一般会设置不同的传感器对设备中的各项指标进行检测,获取检测数据。再通过上述监测数据中与正常或者预期数据不符的数据,预测设备即将发生故障的可能性,进而提前进行人为干预,降低设备使用过程中的人身和财产损失。
相关技术中,常用的设备异常的分析方法包括基于无监督学习模型的分析方法以及基于神经网络的分析方法。其中,在基于无监督学习模型,例如k-means以及高斯混合模型(Gaussian Mixture Model,简称GMM),的分析方法中,通过无监督学习模型对已被判定为正常的检测数据进行聚类。如果新获取到的数据能够被归类到现有的正常数据簇中,则判定该数据为正常数据;反之,该数据被判定为异常数据。该基于无监督学习模型的分析方法通过常规的无监督学习模型对正常数据进行聚类,在实际操作中难以准确预测当前数据的异常情况的故障倾向。另一方面,基于神经网络的分析方法针对设备故障的单一指标对数据进行单一维度的异常分析,难以针对数据全部特征综合分析数据的异常情况。此外,上述两种设备异常的分析方法对数据点的故障特征要求较高,需要尽可能多的特征以完成异常分析。然而,在实际操作中,高维的特征会造成维度灾难,影响异常分析模型的执行效率。
发明内容
为克服相关技术中存在的问题,本公开提供一种设备故障类型的分析方法、装置、存储介质和电子设备。
根据本公开实施例的第一方面,提供一种设备故障类型的分析方法,包括:
确定与当前数据点相匹配的目标数据簇,所述当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,所述目标数据簇为所有数据簇中与所述当前数据点具有最大匹配概率的数据簇,所述所有数据簇为根据所述当前时刻之前采集的数据点进行聚类得到的数据簇,每个所述数据簇为具有相同故障类型的多个数据点的集合;
确定所述目标数据簇中与所述目标数据簇具有最小匹配概率的第一数据点;
根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型,所述第一匹配概率为所述第一数据点与所述目标数据簇的匹配概率,所述第二匹配概率为所述当前数据点与所述目标数据簇的匹配概率。
可选的,在所述确定与当前数据点相匹配的目标数据簇之前,所述方法还包括:
通过主成分分析PCA方法对所述传感器数据的集合进行降维处理得到第一数据点集合,所述第一数据点集合包含多个故障标注数据点与多个无标注数据点;
通过高斯混合模型将所述多个无标注数据点进行聚类得到多个数据簇,所述多个数据簇中的每个所述数据簇中包含的无标注数据点均对应相同的故障类型;
通过训练好的异常点分类模型在所述多个数据簇中标注出故障倾向数据点,以确定所述多个数据簇的故障状态,所述故障状态用于表示数据簇是故障数据簇以及倾向的故障类型,或用于表示数据簇是非故障数据簇。
可选的,当所述故障状态表示所述目标数据簇为非故障数据簇时,所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型,包括:
当所述第一匹配概率小于所述第二匹配概率,确定所述当前数据点为正常数据点;或者
当所述第一匹配概率大于所述第二匹配概率,确定所述当前数据点为未知故障类型的异常数据点。
可选的,当所述故障状态表示所述目标数据簇为故障数据簇,且所述目标数据簇倾向的故障类型为第一故障类型时,所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型,包括:
当所述第一匹配概率小于所述第二匹配概率,确定所述当前数据点为故障数据点,并且所述当前数据点的故障类型为所述第一故障类型;或者
当所述第一匹配概率大于所述第二匹配概率,确定所述当前数据点为未知故障类型的异常数据点。
可选的,在所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型之后,所述方法还包括:
将所述未知故障类型的异常数据点添加至所述第一数据点集合中,得到第二数据点集合;
通过所述高斯混合模型将所述第二数据点集合中的多个无标注数据点进行聚类得到新的多个数据簇;
通过所述训练好的异常点分类模型在所述新的多个数据簇中标注出故障倾向数据点,以确定所述新的多个数据簇的故障状态;
根据所述新的多个数据簇的故障状态,重新执行所述确定与当前数据点相匹配的目标数据簇至所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型的步骤。
可选的,所述通过训练好的异常点分类模型在所述多个数据簇标注出故障倾向数据点,以确定所述多个数据簇的故障状态,包括:
通过所述多个故障标注数据点对所述异常点分类模型进行训练;
通过所述训练好的异常点分类模型在第一数据簇中的多个无标注数据点中标注出所述故障倾向数据点,所述第一数据簇为所述多个数据簇中的任一数据簇;
确定所述第一数据簇中的倾向第一故障类型的故障倾向数据点的第一数量;
当所述第一数量大于预设的异常点数量阈值时,确定所述第一数据簇为故障数据簇,且所述第一数据簇倾向的故障类型为所述第一故障类型。
根据本公开实施例的第二方面,提供一种设备故障类型的分析装置,所述装置包括:
数据簇确定模块,用于确定与当前数据点相匹配的目标数据簇,所述当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,所述目标数据簇为所有数据簇中与所述当前数据点具有最大匹配概率的数据簇,所述所有数据簇为根据所述当前时刻之前采集的数据点进行聚类得到的数据簇,每个所述数据簇为具有相同故障类型的多个数据点的集合;
数据点确定模块,用于确定所述目标数据簇中与所述目标数据簇具有最小匹配概率的第一数据点;
故障类型确定模块,用于根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型,所述第一匹配概率为所述第一数据点与所述目标数据簇的匹配概率,所述第二匹配概率为所述当前数据点与所述目标数据簇的匹配概率。
可选的,所述装置还包括:
数据降维模块,用于通过主成分分析PCA方法对所述传感器数据的集合进行降维处理得到第一数据点集合,所述第一数据点集合包含多个故障标注数据点与多个无标注数据点;
数据聚类模块,用于通过高斯混合模型将所述多个无标注数据点进行聚类得到多个数据簇,所述多个数据簇中的每个所述数据簇中包含的无标注数据点均对应相同的故障类型;
故障状态确定模块,用于通过训练好的异常点分类模型在所述多个数据簇中标注出故障倾向数据点,以确定所述多个数据簇的故障状态,所述故障状态用于表示数据簇是故障数据簇以及倾向的故障类型,或用于表示数据簇是非故障数据簇。
可选的,所述故障状态表示所述目标数据簇为非故障数据簇,所述故障类型确定模块,用于:
当所述第一匹配概率小于所述第二匹配概率,确定所述当前数据点为正常数据点;或者
当所述第一匹配概率大于所述第二匹配概率,确定所述当前数据点为未知故障类型的异常数据点。
可选的,所述故障状态表示所述目标数据簇为故障数据簇,且所述目标数据簇倾向的故障类型为第一故障类型,所述故障类型确定模块,用于:
当所述第一匹配概率小于所述第二匹配概率,确定所述当前数据点为故障数据点,并且所述当前数据点的故障类型为所述第一故障类型;或者
当所述第一匹配概率大于所述第二匹配概率,确定所述当前数据点为未知故障类型的异常数据点。
可选的,所述装置还包括:
数据点收集模块,用于将所述未知故障类型的异常数据点添加至所述第一数据点集合中,得到第二数据点集合;
所述数据聚类模块,用于通过所述高斯混合模型将所述第二数据点集合中的多个无标注数据点进行聚类得到新的多个数据簇;
所述故障状态确定模块,用于通过所述训练好的异常点分类模型在所述新的多个数据簇中标注出故障倾向数据点,以确定所述新的多个数据簇的故障状态;
所述故障类型确定模块,用于根据所述新的多个数据簇的故障状态,重新执行所述确定与当前数据点相匹配的目标数据簇至所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型的步骤。
可选的,所述故障状态确定模块,包括:
模型训练子模块,用于通过所述多个故障标注数据点对所述异常点分类模型进行训练;
数据点标注子模块,用于通过所述训练好的异常点分类模型在第一数据簇中的多个无标注数据点中标注出所述故障倾向数据点,所述第一数据簇为所述多个数据簇中的任一数据簇;
数量确定子模块,用于确定所述第一数据簇中的倾向第一故障类型的故障倾向数据点的第一数量;
故障状态确定子模块,用于当所述第一数量大于预设的异常点数量阈值时,确定所述第一数据簇为故障数据簇,且所述第一数据簇倾向的故障类型为所述第一故障类型。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开实施例的第一方面中所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
本公开实施例的第三方面所述的计算机可读存储介质;以及
一个或者多个处理器,用于执行所述计算机可读存储介质中的程序。
本公开的提供的设备故障类型的分析方法、装置、储存介质和电子设备,能够确定与当前数据点相匹配的目标数据簇,该当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,该目标数据簇为所有数据簇中与该当前数据点具有最大匹配概率的数据簇,该所有数据簇为根据该当前时刻之前采集的数据点进行聚类得到的数据簇,每个该数据簇为具有相同故障类型的多个数据点的集合;确定该目标数据簇中与该目标数据簇具有最小匹配概率的第一数据点;根据该目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定该当前数据点的故障类型,该第一匹配概率为该第一数据点与该目标数据簇的匹配概率,该第二匹配概率为该当前数据点与该目标数据簇的匹配概率。能够通过设备历史数据的故障状态以及与当前设备数据匹配程度,预测当前设备数据的故障状态和倾向的故障类型,以提醒设备管理者针对该故障倾向进行干预,增加设备异常预测的针对性,提高设备运维的效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种设备故障类型的分析方法的流程图;
图2是根据图1实施例示出的另一种设备故障类型的分析方法的流程图;
图3是根据图2所示实施例示出的一种故障类型的分析方法的流程图;
图4是根据图2所示实施例示出的另一种故障类型的分析方法的流程图;
图5是根据图2所示实施例示出的又一种设备故障类型的分析方法的流程图;
图6是根据图2所示实施例示出的一种数据簇故障状态检测方法的流程图;
图7是根据一示例性实施例示出的一种设备故障类型的分析装置的框图;
图8是根据图7所示实施例示出的另一种设备故障类型的分析装置的框图;
图9是根据图8所示实施例示出的又一种设备故障类型的分析装置的框图;
图10是根据图8所示实施例示出的一种故障状态确定模块的框图;
图11是根据一示例性实施例示出的一种电子设备的框图;
图12是根据一示例性实施例示出的另一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据一示例性实施例示出的一种设备故障类型的分析方法的流程图,如图1所示,该方法可以包括以下步骤:
步骤101,确定与当前数据点相匹配的目标数据簇。
其中,该当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,该目标数据簇为所有数据簇中与该当前数据点具有最大匹配概率的数据簇,该所有数据簇为根据该当前时刻之前采集的数据点进行聚类得到的数据簇,每个该数据簇为具有相同故障类型的多个数据点的集合。
示例地,该匹配概率可以为通过GMM算法获取到的样本数据的高斯概率。该当前时刻之前采集的数据点为经过主成分分析(Principal Component Analysis,PCA)方法降维后所得到的传感器数据。在实际操作中,当采集到该当前数据点时,可以根据GMM算法确定该当前数据点x隶属于所有数据簇(C1,C2,…,Cn)的高斯概率向量:p={p(C1|x),p(C2|x),...,p(Cn|x)},并获取其中的最大高斯概率p(Cm|x),进而确定该最大高斯概率对应的数据簇m,作为目标数据簇。
步骤102,确定该目标数据簇中与该目标数据簇具有最小匹配概率的第一数据点。
示例地,在确定该目标数据簇m后,依然根据GMM算法确定该目标数据簇中的任一数据点xi与该目标数据簇m的高斯概率密度p(Cm|xi),其中,i为大于0且小于q的整数,q为该目标数据簇m中数据点的数量,并进而获取所有数据点中,与该目标数据簇m具有最小高斯概率的数据点,作为该第一数据点。
步骤103,根据该目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定该当前数据点的故障类型。
其中,该第一匹配概率为该第一数据点与该目标数据簇的匹配概率,该第二匹配概率为该当前数据点与该目标数据簇的匹配概率。该目标数据簇的故障状态用于表示:该目标数据簇为正常数据簇,或者,该目标数据簇为故障数据簇且倾向的故障类型为某一故障类型。通过对比该第一匹配概率以及第二匹配概率,可以确定该当前数据点相较于该第一数据点与该目标数据簇的匹配程度,并进而根据该匹配程度与该目标数据簇的故障状态,确定该当前数据点的故障状态,以及处于故障状态的当前数据点的故障类型。
综上所述,本公开提供的设备故障类型的分析方法,能够确定与当前数据点相匹配的目标数据簇,该当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,该目标数据簇为所有数据簇中与该当前数据点具有最大匹配概率的数据簇,该所有数据簇为根据该当前时刻之前采集的数据点进行聚类得到的数据簇,每个该数据簇为具有相同故障类型的多个数据点的集合;确定该目标数据簇中与该目标数据簇具有最小匹配概率的第一数据点;根据该目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定该当前数据点的故障类型,该第一匹配概率为该第一数据点与该目标数据簇的匹配概率,该第二匹配概率为该当前数据点与该目标数据簇的匹配概率。能够通过设备历史数据的故障状态以及与当前设备数据匹配程度,预测当前设备数据的故障状态和倾向的故障类型,以提醒设备管理者针对该故障倾向进行干预,增加设备异常预测的针对性,提高设备运维的效率。
图2是根据图1实施例示出的另一种设备故障类型的分析方法的流程图,如图2所示,在上述步骤101之前,该方法还可以包括以下步骤。
步骤104,通过主成分分析PCA方法对该传感器数据的集合进行降维处理得到第一数据点集合。
其中,该第一数据点集合包含多个故障标注数据点与多个无标注数据点。在设备运行时,检测***不间断地对目标设备中的传感器数据进行收集。当目标设备被确认发生故障时,检测***会通过不同的故障码对故障期间收集到的与故障存在相关性的传感器数据进行标注,生成上述故障标注数据点。该故障码中包含数据点发生故障的信息以及所发生故障的故障类型的信息。该数据标注过程可以由检测***中的程序完成,或者在目标设备宕机报警时由设备管理者完成。
进一步地,在完成对目标设备中的传感器数据的收集以及故障数据点的标注之后,需要通过PCA方法对收集到的所有传感器数据进行降维处理,以减少后续运算的时间和空间复杂度。PCA方法是一种对数据进行旋转变换的统计学方法,其本质是在线性空间中进行特征基变换,使得变换后的数据投影在一组新的“坐标轴”上的方差最大化,随后,裁剪掉变换后方差较小的“坐标轴”,剩下的新“坐标轴”即被称为主成分(PrincipalComponent),该主成分可以在一个较低维度的子空间中尽可能地表示原有数据的性质。在本步骤中,可以通过设备故障相关的特征向量将高维的原始传感器数据投影在低维空间中,进而忽略未被投影在该低维空间中的原始传感器数据,并收集该低维空间中的传感器数据,作为第一数据点集合。
步骤105,通过高斯混合模型将该多个无标注数据点进行聚类得到多个数据簇。
其中,该多个数据簇中的每个该数据簇中包含的无标注数据点均对应相同的故障类型。其中,每个数据簇中无标注数据点均对应相同的故障类型可以理解为:在每个数据簇中,每个无标注数据点不一定能够表明其所属数据簇所对应故障类型的故障要发生,但是每个无标注数据点都与该故障类型存在一定的相关性,有些无标注数据点的相关性高一些,有些无标注数据点的相关性低一些。其中相关性高的无标注数据点就可以认为是倾向于该故障类型的数据点,也就是需要在步骤106中需要进行标注的故障倾向数据点。
举例来说,数据簇1中包含与故障1具有相关性的所有无标注数据点。需要说明的是,在该数据簇1所包含的无标注数据点中,可能有一部分无标注数据点与故障1的相关性较大,另一部分无标注数据点与故障1相关性较小,其中与故障1的相关性较大的无标注数据点可以认为是具有故障1的故障倾向的数据点。但是在经过本步骤105之后,上述的两部分无标注数据点混合在同一个数据簇1中,尚无法被分辨,因此需要通过下列步骤106对与故障1相关性较大的一部分无标注数据点进行进一步的识别以及标注。
示例地,在故障标注数据点中,故障标注为上述的故障码,其中,一种故障码可以代表一种故障类型,当已知有t种故障码时,可以通过该高斯混合模型将该多个无标注数据聚类为t个数据簇和一个正常簇。
示例地,用一种高斯混合模型表示一种故障类型对应的数据簇的概率分布,对于任一数据点x,该高斯密度函数可以表示为:
其中,K为高斯模型的个数(即,数据簇的个数);πk为第k个高斯模型的权重;p(x|k)为该数据点x相对于第k个高斯模型的概率密度。该数据点x的p(x|k)由该数据点x相对于第k个高斯模型的均值μk以及方差σk决定。当确认两个数据点相对于同一高斯模型(即,同一数据簇)的均值μk以及方差σk相同时,则确定将该两个点聚类于同一个数据簇。
步骤106,通过训练好的异常点分类模型在该多个数据簇中标注出故障倾向数据点,以确定该多个数据簇的故障状态。
其中,该故障状态用于表示数据簇是故障数据簇以及倾向的故障类型,或用于表示数据簇是非故障数据簇。在得到该多个数据簇后通过上述的异常点分类模型就可以在每个数据簇中识别出与该数据簇对应的故障类型相关性较大的无标注数据点,也就是识别出具有该故障类型的故障倾向的无标注数据点,并进行标注,从而作为该故障倾向数据点。即该故障倾向数据点可以理解为是在某一个数据簇所包含的所有无标注数据点中,找出与该数据簇所对应的故障类型的具有较大相关性的无标注数据点,并将其标注为故障倾向数据点,以便表明该数据点所具有的故障倾向。
图3是根据图2所示实施例示出的一种故障类型的分析方法的流程图,如图3所示,当上述的故障状态表示该目标数据簇为非故障数据簇时,上述步骤103可以包括以下步骤1031或者1032。
步骤1031,当该第一匹配概率小于该第二匹配概率,确定该当前数据点为正常数据点。
示例地,在本步骤中的该第一匹配概率小于该第二匹配概率,意味着,相较于已经被聚类至该目标数据簇的第一数据点,该当前数据点与该目标数据簇的相匹配程度更高,故可以认定该当前数据点与该目标数据簇具有相同的故障状态,即确定该当前数据点为正常数据点。
步骤1032,当该第一匹配概率大于该第二匹配概率,确定该当前数据点为未知故障类型的异常数据点。
示例地,在本步骤中的该第一匹配概率大于该第二匹配概率,意味着,相较于与该目标数据簇中匹配程度最低的第一数据点,该当前数据点与该目标数据簇的相匹配程度更低,故可以认定该当前数据点与该目标数据簇具有不同的故障状态,即确定该当前数据点为异常数据点,但无法得知其故障类型。
图4是根据图2所示实施例示出的另一种故障类型的分析方法的流程图,如图4所示,当上述的故障状态表示该目标数据簇为故障数据簇,且该目标数据簇倾向的故障类型为第一故障类型时,上述步骤103可以包括以下步骤1033或者1034。
步骤1033,当该第一匹配概率小于该第二匹配概率,确定该当前数据点为故障数据点,并且该当前数据点的故障类型为该第一故障类型。
示例地,与上述步骤1031相应,在本步骤中的该第一匹配概率小于该第二匹配概率,意味着,相较于已经被聚类至该目标数据簇的第一数据点,该当前数据点与该目标数据簇的相匹配程度更高,故可以认定该当前数据点与该目标数据簇具有相同的故障状态,即确定该当前数据点为故障数据点,并且该当前数据点的故障类型为该第一故障类型。
步骤1034,当该第一匹配概率大于该第二匹配概率,确定该当前数据点为未知故障类型的异常数据点。
示例地,在本步骤中的该第一匹配概率大于该第二匹配概率,意味着,相较于与该目标数据簇中匹配程度最低的第一数据点,该当前数据点与该目标数据簇的相匹配程度更低,故可以认定该当前数据点与该目标数据簇具有不同的故障状态。但由于在对第二匹配概率的确定过程中可以获知该当前数据点与该目标数据簇(为故障数据簇)的匹配概率最高,则可以确定该当前数据点不为正常数据点,即确定该当前数据点为异常数据点,但无法得知其故障类型。
图5是根据图2所示实施例示出的又一种设备故障类型的分析方法的流程图,如图5所示,在上述步骤103之后,该方法还可以包括以下步骤。
步骤107,将该未知故障类型的异常数据点添加至该第一数据点集合中,得到第二数据点集合。
示例地,在通过上述步骤1031、1032、1033或者1034确认该当前数据点的故障状态之后,除确定该当前数据点为正常数据点或者已知故障类型的故障数据点外,还有一种可能,即确定该当前数据点为未知故障类型的异常数据点。当确定该当前数据点为未知故障类型的异常数据点时,可以把该异常数据点放入步骤104所述的第一数据点集合中,得到新的数据点集合,即该第二数据点集合,并重新对该第二数据点集合进行聚类处理和故障状态确认处理(具体实现方式与步骤105和步骤106相同),以实现对设备当前的运行状况相关的传感器数据的实时收集。
步骤108,通过该高斯混合模型将该第二数据点集合中的多个无标注数据点进行聚类得到新的多个数据簇。
步骤109,通过该训练好的异常点分类模型在该新的多个数据簇中标注出故障倾向数据点,以确定该新的多个数据簇的故障状态。
步骤110,根据该新的多个数据簇的故障状态,重新执行该确定与当前数据点相匹配的目标数据簇至该根据该目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定该当前数据点的故障类型的步骤。即重新执行该步骤101-103。
图6是根据图2所示实施例示出的一种数据簇故障状态检测方法的流程图,如图6所示,该步骤106可以包括以下步骤。
步骤1061,通过该多个故障标注数据点对该异常点分类模型进行训练。
示例地,该异常点分类模型可以为支持向量机(Support Vector Machine,简称SVM)分类模型。在步骤1061中,可以通过步骤104中所述的第一数据点集合中的包含多个故障标注数据点构建该SVM分类模型。在构建该SVM分类模型的过程中,可以针对每个故障类型(包括一个正常类)设定可信度阈值,重复地将大于该可信度阈值的数据加入训练集,以对该SVM分类模型进行训练,直至该SVM分类模型收敛,完成对该SVM分类模型的训练。
步骤1062,通过该训练好的异常点分类模型在第一数据簇中的多个无标注数据点中标注出该故障倾向数据点。
其中,该第一数据簇为该多个数据簇中的任一数据簇。
步骤1063,确定该第一数据簇中的倾向第一故障类型的故障倾向数据点的第一数量。
步骤1064,当该第一数量大于预设的异常点数量阈值时,确定该第一数据簇为故障数据簇,且该第一数据簇倾向的故障类型为该第一故障类型。
综上所述,本公开提供的设备故障类型的分析方法,能够确定与当前数据点相匹配的目标数据簇,该当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,该目标数据簇为所有数据簇中与该当前数据点具有最大匹配概率的数据簇,该所有数据簇为根据该当前时刻之前采集的数据点进行聚类得到的数据簇,每个该数据簇为具有相同故障类型的多个数据点的集合;确定该目标数据簇中与该目标数据簇具有最小匹配概率的第一数据点;根据该目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定该当前数据点的故障类型,该第一匹配概率为该第一数据点与该目标数据簇的匹配概率,该第二匹配概率为该当前数据点与该目标数据簇的匹配概率。能够通过主成分分析方法、高斯混合模型以及分类模型等方法,根据设备历史数据的故障状态对设备历史数据进行简化和分类标注,并根据简化和分类后的设备历史数据以及与当前设备数据匹配程度,预测当前设备数据的故障状态和倾向的故障类型,以提醒设备管理者针对该故障倾向进行干预,增加设备异常预测的针对性,提高设备运维的效率。
图7是根据一示例性实施例示出的一种设备故障类型的分析装置的框图,该设备故障类型的分析装置700可以用于执行图1所示的方法。参见图7,该装置700可以包括:
数据簇确定模块710,用于确定与当前数据点相匹配的目标数据簇,该当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,该目标数据簇为所有数据簇中与该当前数据点具有最大匹配概率的数据簇,该所有数据簇为根据该当前时刻之前采集的数据点进行聚类得到的数据簇,每个该数据簇为具有相同故障类型的多个数据点的集合;
数据点确定模块720,用于确定该目标数据簇中与该目标数据簇具有最小匹配概率的第一数据点;
故障类型确定模块730,用于根据该目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定该当前数据点的故障类型,该第一匹配概率为该第一数据点与该目标数据簇的匹配概率,该第二匹配概率为该当前数据点与该目标数据簇的匹配概率。
图8是根据图7所示实施例示出的另一种设备故障类型的分析装置的框图,该设备故障类型的分析装置700可以用于执行图2至图4任一所示的方法。参见图8,该装置700还可以包括:
数据降维模块740,用于通过主成分分析PCA方法对该传感器数据的集合进行降维处理得到第一数据点集合,该第一数据点集合包含多个故障标注数据点与多个无标注数据点;
数据聚类模块750,用于通过高斯混合模型将该多个无标注数据点进行聚类得到多个数据簇,该多个数据簇中的每个该数据簇中包含的无标注数据点均对应相同的故障类型;
故障状态确定模块760,用于通过训练好的异常点分类模型在该多个数据簇中标注出故障倾向数据点,以确定该多个数据簇的故障状态,该故障状态用于表示数据簇是故障数据簇以及倾向的故障类型,或用于表示数据簇是非故障数据簇。
可选的,该故障状态表示该目标数据簇为非故障数据簇,该故障类型确定模块730,用于:
当该第一匹配概率小于该第二匹配概率,确定该当前数据点为正常数据点;或者
当该第一匹配概率大于该第二匹配概率,确定该当前数据点为未知故障类型的异常数据点。
可选的,该故障状态表示该目标数据簇为故障数据簇,且该目标数据簇倾向故障类型为第一故障类型,该故障类型确定模块740,用于:
当该第一匹配概率小于该第二匹配概率,确定该当前数据点为故障数据点,并且该当前数据点的故障类型为该第一故障类型;或者
当该第一匹配概率大于该第二匹配概率,确定该当前数据点为未知故障类型的异常数据点。
图9是根据图8所示实施例示出的又一种设备故障类型的分析装置的框图,该设备故障类型的分析装置700可以用于执行图5所示的方法。参见图9,该设备故障类型的分析装置700还可以包括:
数据点收集模块770,用于将该未知故障类型的异常数据点添加至该第一数据点集合中,得到第二数据点集合;
该数据聚类模块750,用于通过该高斯混合模型将该第二数据点集合中的多个无标注数据点进行聚类得到新的多个数据簇;
该故障状态确定模块760,用于通过该训练好的异常点分类模型在该新的多个数据簇中标注出故障倾向数据点,以确定该新的多个数据簇的故障状态;
该故障类型确定模块730,用于根据该新的多个数据簇的故障状态,重新执行该确定与当前数据点相匹配的目标数据簇至该根据该目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定该当前数据点的故障类型的步骤。
图10是根据图8所示实施例示出的一种故障状态确定模块的框图,该故障状态确定模块760可以用于执行图6所示的方法,参见图10,该故障状态确定模块760可以包括:
模型训练子模块761,用于通过该多个故障标注数据点对该异常点分类模型进行训练;
数据点标注子模块762,用于通过该训练好的异常点分类模型在第一数据簇中的多个无标注数据点中标注出该故障倾向数据点,该第一数据簇为该多个数据簇中的任一数据簇;
数量确定子模块763,用于确定该第一数据簇中的倾向第一故障类型的故障倾向数据点的第一数量;
故障状态确定子模块764,用于当该第一数量大于预设的异常点数量阈值时,确定该第一数据簇为故障数据簇,且该第一数据簇倾向的故障类型为该第一故障类型。
综上所述,本公开提供的设备故障类型的分析装置,能够确定与当前数据点相匹配的目标数据簇,该当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,该目标数据簇为所有数据簇中与该当前数据点具有最大匹配概率的数据簇,该所有数据簇为根据该当前时刻之前采集的数据点进行聚类得到的数据簇,每个该数据簇为具有相同故障类型的多个数据点的集合;确定该目标数据簇中与该目标数据簇具有最小匹配概率的第一数据点;根据该目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定该当前数据点的故障类型,该第一匹配概率为该第一数据点与该目标数据簇的匹配概率,该第二匹配概率为该当前数据点与该目标数据簇的匹配概率。能够通过主成分分析方法、高斯混合模型以及分类模型等方法,根据设备历史数据的故障状态对设备历史数据进行简化和分类标注,并根据简化和分类后的设备历史数据以及与当前设备数据匹配程度,预测当前设备数据的故障状态和倾向的故障类型,以提醒设备管理者针对该故障倾向进行干预,增加设备异常预测的针对性,提高设备运维的效率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图11是根据一示例性实施例示出的一种电子设备1100的框图。如图11所示,该电子设备1100可以包括:处理器1101,存储器1102,多媒体组件1103,输入/输出(I/O)接口1104,以及通信组件1105。
其中,处理器1101用于控制该电子设备1100的整体操作,以完成上述的设备故障类型的分析方法中的全部或部分步骤。存储器1102用于存储各种类型的数据以支持在该电子设备1100的操作,这些数据例如可以包括用于在该电子设备1100上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器1102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件1103可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1102或通过通信组件1105发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口1104为处理器1101和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件1105用于该电子设备1100与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(NearField Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件1105可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备1100可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的设备故障类型的分析方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,例如包括程序指令的存储器1102,上述程序指令可由电子设备1100的处理器1101执行以完成上述的设备故障类型的分析方法。
图12是根据一示例性实施例示出的一种电子设备1200的框图。例如,电子设备1200可以被提供为一服务器。参照图12,电子设备1200包括处理器1222,其数量可以为一个或多个,以及存储器1232,用于存储可由处理器1222执行的计算机程序。存储器1232中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1222可以被配置为执行该计算机程序,以执行上述的设备故障类型的分析方法。
另外,电子设备1200还可以包括电源组件1226和通信组件1250,该电源组件1226可以被配置为执行电子设备1200的电源管理,该通信组件1250可以被配置为实现电子设备1200的通信,例如,有线或无线通信。此外,该电子设备1200还可以包括输入/输出(I/O)接口1258。电子设备1200可以操作基于存储在存储器1232的操作***,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,例如包括程序指令的存储器1232,上述程序指令可由电子设备1200的处理器1222执行以完成上述的设备故障类型的分析方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (12)
1.一种设备故障类型的分析方法,其特征在于,所述方法包括:
确定与当前数据点相匹配的目标数据簇,所述当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,所述目标数据簇为所有数据簇中与所述当前数据点具有最大匹配概率的数据簇,所述所有数据簇为根据所述当前时刻之前采集的数据点进行聚类得到的数据簇,每个所述数据簇为具有相同故障类型的多个数据点的集合;
确定所述目标数据簇中与所述目标数据簇具有最小匹配概率的第一数据点;
根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型,所述第一匹配概率为所述第一数据点与所述目标数据簇的匹配概率,所述第二匹配概率为所述当前数据点与所述目标数据簇的匹配概率;
在所述确定与当前数据点相匹配的目标数据簇之前,所述方法还包括:
通过主成分分析PCA方法对所述传感器数据的集合进行降维处理得到第一数据点集合,所述第一数据点集合包含多个故障标注数据点与多个无标注数据点;
通过高斯混合模型将所述多个无标注数据点进行聚类得到多个数据簇,所述多个数据簇中的每个所述数据簇中包含的无标注数据点均对应相同的故障类型;
通过训练好的异常点分类模型在所述多个数据簇中标注出故障倾向数据点,以确定所述多个数据簇的故障状态,所述故障状态用于表示数据簇是故障数据簇以及倾向的故障类型,或用于表示数据簇是非故障数据簇。
2.根据权利要求1所述的方法,其特征在于,当所述故障状态表示所述目标数据簇为非故障数据簇时,所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型,包括:
当所述第一匹配概率小于所述第二匹配概率,确定所述当前数据点为正常数据点;或者
当所述第一匹配概率大于所述第二匹配概率,确定所述当前数据点为未知故障类型的异常数据点。
3.根据权利要求1所述的方法,其特征在于,当所述故障状态表示所述目标数据簇为故障数据簇,且所述目标数据簇倾向的故障类型为第一故障类型时,所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型,包括:
当所述第一匹配概率小于所述第二匹配概率,确定所述当前数据点为故障数据点,并且所述当前数据点的故障类型为所述第一故障类型;或者
当所述第一匹配概率大于所述第二匹配概率,确定所述当前数据点为未知故障类型的异常数据点。
4.根据权利要求2或3所述的方法,其特征在于,在所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型之后,所述方法还包括:
将所述未知故障类型的异常数据点添加至所述第一数据点集合中,得到第二数据点集合;
通过所述高斯混合模型将所述第二数据点集合中的多个无标注数据点进行聚类得到新的多个数据簇;
通过所述训练好的异常点分类模型在所述新的多个数据簇中标注出故障倾向数据点,以确定所述新的多个数据簇的故障状态;
根据所述新的多个数据簇的故障状态,重新执行所述确定与当前数据点相匹配的目标数据簇至所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型的步骤。
5.根据权利要求1所述的方法,其特征在于,所述通过训练好的异常点分类模型在所述多个数据簇标注出故障倾向数据点,以确定所述多个数据簇的故障状态,包括:
通过所述多个故障标注数据点对所述异常点分类模型进行训练;
通过所述训练好的异常点分类模型在第一数据簇中的多个无标注数据点中标注出所述故障倾向数据点,所述第一数据簇为所述多个数据簇中的任一数据簇;
确定所述第一数据簇中的倾向第一故障类型的故障倾向数据点的第一数量;
当所述第一数量大于预设的异常点数量阈值时,确定所述第一数据簇为故障数据簇,且所述第一数据簇倾向的故障类型为所述第一故障类型。
6.一种设备故障类型的分析装置,其特征在于,所述装置包括:
数据簇确定模块,用于确定与当前数据点相匹配的目标数据簇,所述当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合,所述目标数据簇为所有数据簇中与所述当前数据点具有最大匹配概率的数据簇,所述所有数据簇为根据所述当前时刻之前采集的数据点进行聚类得到的数据簇,每个所述数据簇为具有相同故障类型的多个数据点的集合;
数据点确定模块,用于确定所述目标数据簇中与所述目标数据簇具有最小匹配概率的第一数据点;
故障类型确定模块,用于根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型,所述第一匹配概率为所述第一数据点与所述目标数据簇的匹配概率,所述第二匹配概率为所述当前数据点与所述目标数据簇的匹配概率;
所述装置还包括:
数据降维模块,用于通过主成分分析PCA方法对所述传感器数据的集合进行降维处理得到第一数据点集合,所述第一数据点集合包含多个故障标注数据点与多个无标注数据点;
数据聚类模块,用于通过高斯混合模型将所述多个无标注数据点进行聚类得到多个数据簇,所述多个数据簇中的每个所述数据簇中包含的无标注数据点均对应相同的故障类型;
故障状态确定模块,用于通过训练好的异常点分类模型在所述多个数据簇中标注出故障倾向数据点,以确定所述多个数据簇的故障状态,所述故障状态用于表示数据簇是故障数据簇以及倾向的故障类型,或用于表示数据簇是非故障数据簇。
7.根据权利要求6所述的装置,其特征在于,所述故障状态表示所述目标数据簇为非故障数据簇,所述故障类型确定模块,用于:
当所述第一匹配概率小于所述第二匹配概率,确定所述当前数据点为正常数据点;或者
当所述第一匹配概率大于所述第二匹配概率,确定所述当前数据点为未知故障类型的异常数据点。
8.根据权利要求6所述的装置,其特征在于,所述故障状态表示所述目标数据簇为故障数据簇,且所述目标数据簇倾向的故障类型为第一故障类型,所述故障类型确定模块,用于:
当所述第一匹配概率小于所述第二匹配概率,确定所述当前数据点为故障数据点,并且所述当前数据点的故障类型为所述第一故障类型;或者
当所述第一匹配概率大于所述第二匹配概率,确定所述当前数据点为未知故障类型的异常数据点。
9.根据权利要求7或8所述的装置,其特征在于,所述装置还包括:
数据点收集模块,用于将所述未知故障类型的异常数据点添加至所述第一数据点集合中,得到第二数据点集合;
所述数据聚类模块,用于通过所述高斯混合模型将所述第二数据点集合中的多个无标注数据点进行聚类得到新的多个数据簇;
所述故障状态确定模块,用于通过所述训练好的异常点分类模型在所述新的多个数据簇中标注出故障倾向数据点,以确定所述新的多个数据簇的故障状态;
所述故障类型确定模块,用于根据所述新的多个数据簇的故障状态,重新执行所述确定与当前数据点相匹配的目标数据簇至所述根据所述目标数据簇的故障状态,第一匹配概率以及第二匹配概率的对比结果,确定所述当前数据点的故障类型的步骤。
10.根据权利要求6所述的装置,其特征在于,所述故障状态确定模块,包括:
模型训练子模块,用于通过所述多个故障标注数据点对所述异常点分类模型进行训练;
数据点标注子模块,用于通过所述训练好的异常点分类模型在第一数据簇中的多个无标注数据点中标注出所述故障倾向数据点,所述第一数据簇为所述多个数据簇中的任一数据簇;
数量确定子模块,用于确定所述第一数据簇中的倾向第一故障类型的故障倾向数据点的第一数量;
故障状态确定子模块,用于当所述第一数量大于预设的异常点数量阈值时,确定所述第一数据簇为故障数据簇,且所述第一数据簇倾向的故障类型为所述第一故障类型。
11.一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,该程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
12.一种电子设备,其特征在于,包括:
权利要求11中所述的计算机可读存储介质;以及
一个或者多个处理器,用于执行所述计算机可读存储介质中的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711436098.5A CN108460397B (zh) | 2017-12-26 | 2017-12-26 | 设备故障类型的分析方法、装置、储存介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711436098.5A CN108460397B (zh) | 2017-12-26 | 2017-12-26 | 设备故障类型的分析方法、装置、储存介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460397A CN108460397A (zh) | 2018-08-28 |
CN108460397B true CN108460397B (zh) | 2020-06-26 |
Family
ID=63220773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711436098.5A Active CN108460397B (zh) | 2017-12-26 | 2017-12-26 | 设备故障类型的分析方法、装置、储存介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460397B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376778B (zh) * | 2018-10-09 | 2021-06-15 | 宁波大学 | 一种基于特征变量加权的故障分类诊断方法 |
CN109389313B (zh) * | 2018-10-09 | 2021-05-04 | 宁波大学 | 一种基于加权近邻决策的故障分类诊断方法 |
CN111077876B (zh) * | 2019-12-11 | 2021-06-08 | 湖南大唐先一科技有限公司 | 一种电站设备状态智能评价和预警方法、装置及*** |
CN110988563B (zh) * | 2019-12-23 | 2022-04-01 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN111539478A (zh) * | 2020-04-26 | 2020-08-14 | 成都见田科技有限公司 | 升降机故障智能诊断方法、***及诊断设备 |
CN116090911A (zh) * | 2023-04-11 | 2023-05-09 | 西南科技大学 | 一种基于多核聚类的设备故障分析方法、装置及*** |
CN116700124B (zh) * | 2023-08-02 | 2023-10-03 | 江苏航智嘉信息科技有限公司 | 伺服驱动器运行控制***的优化方法及*** |
CN117221134A (zh) * | 2023-09-19 | 2023-12-12 | 合肥尚廷电子科技有限公司 | 一种基于互联网的状态分析方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7533070B2 (en) * | 2006-05-30 | 2009-05-12 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
CN104504607A (zh) * | 2014-09-04 | 2015-04-08 | 国家电网公司 | 一种基于模糊聚类算法的光伏电站故障诊断方法 |
CN104698343B (zh) * | 2015-03-26 | 2016-06-08 | 广东电网有限责任公司电力调度控制中心 | 基于历史录波数据的电网故障判断方法和*** |
CN105137324B (zh) * | 2015-08-18 | 2017-12-05 | 电子科技大学 | 一种基于仿真分类模型的多探测点故障元器件定位方法 |
CN106777984B (zh) * | 2016-12-19 | 2019-02-22 | 福州大学 | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 |
CN107067045A (zh) * | 2017-05-31 | 2017-08-18 | 北京京东尚科信息技术有限公司 | 数据聚类方法、装置、计算机可读介质和电子设备 |
-
2017
- 2017-12-26 CN CN201711436098.5A patent/CN108460397B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108460397A (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
US11294754B2 (en) | System and method for contextual event sequence analysis | |
Bodik et al. | Fingerprinting the datacenter: automated classification of performance crises | |
Xu et al. | Health status assessment and failure prediction for hard drives with recurrent neural networks | |
US7533070B2 (en) | Automatic fault classification for model-based process monitoring | |
CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
JP2004531815A (ja) | 予測的状態監視のための診断システムおよび方法 | |
CN110674009B (zh) | 应用服务器性能监测方法、装置、存储介质及电子设备 | |
CN112148768A (zh) | 一种指标时间序列异常检测方法、***及存储介质 | |
CN111190804A (zh) | 一种云原生***的多层次的深度学习日志故障检测方法 | |
Su et al. | Detecting outlier machine instances through gaussian mixture variational autoencoder with one dimensional cnn | |
CN111459692B (zh) | 用于预测驱动器故障的方法、设备和计算机程序产品 | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位*** | |
Pitakrat et al. | A framework for system event classification and prediction by means of machine learning | |
CN113705726A (zh) | 流量的分类方法、装置、电子设备及计算机可读介质 | |
CN114328106A (zh) | 日志数据处理方法、装置、设备及存储介质 | |
Wagner et al. | Timesead: Benchmarking deep multivariate time-series anomaly detection | |
CN110954734A (zh) | 故障诊断方法、装置、设备和存储介质 | |
US11841295B2 (en) | Asset agnostic anomaly detection using clustering and auto encoder | |
CN115964470B (zh) | 一种摩托车配件的寿命预测方法及*** | |
US20220177154A1 (en) | Testing system and method for detecting anomalous events in complex electro-mechanical test subjects | |
CN111258788A (zh) | 磁盘故障预测方法、装置及计算机可读存储介质 | |
Muthumani et al. | Optimizing Hidden Markov Model for Failure Prediction- Comparison of Gaine's optimization and Minimum message length Estimator |
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 |