CN111143173A - 一种基于神经网络的服务器故障监测方法及*** - Google Patents
一种基于神经网络的服务器故障监测方法及*** Download PDFInfo
- Publication number
- CN111143173A CN111143173A CN202010001106.9A CN202010001106A CN111143173A CN 111143173 A CN111143173 A CN 111143173A CN 202010001106 A CN202010001106 A CN 202010001106A CN 111143173 A CN111143173 A CN 111143173A
- Authority
- CN
- China
- Prior art keywords
- neural network
- server
- data
- fault
- monitoring
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Human Computer Interaction (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于神经网络的服务器故障监测方法及***，属于设备故障诊断分析领域，本发明要解决的技术问题为如何实现基于神经网络的服务器故障诊断并监测服务器状态，提高服务器的稳定性，采用的技术方案为：该方法是利用BMC获得服务器信息，通过神经网络对信息分析预测服务器是否会发生故障，并将故障反馈给网页进行显示，同时监测服务器状态，以提高服务器的稳定性。该***包括数据采集模块、数据处理模块、基于神经网络的故障预测模块和故障预警模块；其中，基于神经网络的故障预测模块将训练完成并确定各个节点的参数的神经网络运用于BMC***中，将完成预处理的数据作为神经网络的输入，输出则为预测的服务器故障类型。
Description
技术领域
本发明涉及设备故障诊断分析领域，具体地说是一种基于神经网络的服务器故障监测方法及***。
背景技术
服务器是一种运行更快、负载更高、性能更强的计算机，其中长时间的可靠运行是服务器的一个重要特性，监测服务器的运行状态是保证服务器长期可靠运行的一个重要方法，但是服务器一旦出现故障无法运行，需要借助服务器远端控制器BMC对服务器进行复位等操作。
目前作为人工智能核心的机器学习算法层数不穷，有基于监督学习的神经网络，从给定的训练数据集中学习出一个函数，当新的数据输入时，可以根据这个函数预测结果，主要应用于分类和预测，基于无监督学习的聚类算法，是建立中心，通过循环和递减来减小误差达到分类和预测的目的。但是聚类算法的中心确立对分类和预测的结果有较大的影响，在循环和递减误差是会陷入局部最优等情况，难以控制。故如何实现基于神经网络的服务器故障诊断并监测服务器状态，提高服务器的稳定性是目前亟待解决的技术问题。
专利号为CN110515802A的专利文献公开了一种服务器开机故障的监测方法、***、装置及计算机可读存储介质，应用于CPLD，包括根据服务器上电时序设置状态机寄存器；获取当前状态下的条件信号，判断条件信号是否满足当前状态条件，若是，执行电源使能操作，并按当前状态调整当前状态机寄存器中的数据，进入下一状态，执行获取当前状态下的条件信号的操作流程，直至按上电时序完成服务器的上电操作，若否，保存当前状态机寄存器中的数据；将当前状态机寄存器中的数据发送给BMC，以便BMC根据数据确定服务器开机故障的原因，并输出与原因对应的监测信号。该技术方案在服务器出现开机故障时，可以对发生故障的原因进行快速、准确的定位，从而提高服务器的维护效率，但是不能实现基于神经网络的服务器故障诊断并监测服务器状态，提高服务器的稳定性。
专利号为CN108388489A的专利文献公开了一种服务器故障诊断方法、***、设备及计算机可读存储介质，该方法包括：通过GPIO实时监测与目标服务器BMC相连的引脚的电平状态；若监测到的任一电平状态为低电平，则获取所述目标服务器的相应CPU寄存器中的数据，得到CPU寄存器数据；对所述CPU寄存器数据进行分析处理，得到目标故障LOG日志；根据所述目标故障LOG日志的内容提示用户进行故障处理，以完成对所述目标服务器故障诊断。该技术方案可以更加充分地对服务器故障进行监控，同时可以显著提高定位服务器故障发生的位置的准确性，进而及时有效地对相应的服务器故障发生的原因进行诊断分析，但是不能实现基于神经网络的服务器故障诊断并监测服务器状态，提高服务器的稳定性。
发明内容
本发明的技术任务是提供一种基于神经网络的服务器故障监测方法及***，来解决如何实现基于神经网络的服务器故障诊断并监测服务器状态，提高服务器的稳定性的问题。
本发明的技术任务是按以下方式实现的，一种基于神经网络的服务器故障监测方法，该方法是利用BMC获得服务器信息，通过神经网络对信息分析预测服务器是否会发生故障，并将故障反馈给网页进行显示，同时监测服务器状态，以提高服务器的稳定性；具体如下：
S1、BMC***通过I2C获得服务器健康信息数据，下一步执行步骤S2；
S2、对获取的健康信息数据进行预处理，下一步执行步骤S3；
S3、通过神经网络预测是否存在故障隐患：
①、若是，则同时执行步骤S4和S5；
②、若否，则跳转至步骤S7；
S4、形成一条报警记录在相关web页面显示，下一步执行步骤S7；
S5、判断监控服务器是否宕机：
①、若是，则执行步骤S6；
②、若否，则跳转至步骤S7；
S6、对服务器进行复位操作，下一步执行步骤S7；
S7、结束。
作为优选，所述服务器健康信息数据包括服务器端电压、服务器端电流和服务器端温度。
作为优选，所述步骤S2中对获取的健康信息数据进行预处理具体如下：
S201、将字符型数据转化成数据型数据；
S202、对数据进行归一化处理，防止数据差异对预测结果的影响。
作为优选，所述神经网络采用BP神经网络，BP神经网络训练和测试过程具体如下：
S301、将训练数据集作为输入数据，对BP神经网络的权值阈值进行初始值编码；
S302、BP神经网络训练得到的误差作为适应度值；
S303、对适应度值进行选择操作；
S304、对适应度值进行交叉操作；
S305、对适应度值进行变异操作；
S306、计算适应度值；
S307、判断适应度值是否满足结束条件：
①、若是，则执行步骤S308；
②、若否，则跳转至步骤S303；
S308、获得最优权值和阈值；
S309、计算误差；
S310、更新神经网络的权值阈值；
S311、测试数据集作为输入，测试神经网络预测的准确性，并根据结果判断是否满足结束条件：
①、若是，则执行步骤S312；
②、若否，则跳转至步骤S309，对阈值和权值再次更新进行微调；
S312、得到满足条件的神经网络，完成神经网络的训练和测试。
更优地，所述训练数据集和测试数据集通过对采集到的数据进行标记，即每条数据若正常则标记正常，若异常则标记故障类型；训练数据集占有标记数据的70％，测试数据集占有标记数据的30％。
更优地，所述BP神经网络的权值阈值是利用遗传算法的全局搜索特征进行调节和优化，防止神经网络陷入局部最优。
一种基于神经网络的服务器故障监测***，该***包括，
数据采集模块，用于BMC***通过I2C获得服务器端电压、服务器端电流和服务器端温度的健康信息数据；
数据处理模块，用于将字符型数据转化成数值型数据，为防止数据差异对预测结果的影响对数据进行归一化处理；
基于神经网络的故障预测模块，用于将训练完成并确定各个节点的参数的神经网络运用于BMC***中，将完成预处理的数据作为神经网络的输入，输出则为预测的服务器故障类型；
故障预警模块，用于当预测结果为故障时，在web页面显示报警信息以提示用户，并监测服务器是否会发生宕机。
作为优选，所述神经网络采用BP神经网络，BP神经网络训练和测试过程具体如下：
(一)将训练数据集作为输入数据，对BP神经网络的权值阈值进行初始值编码；
(二)BP神经网络训练得到的误差作为适应度值；
(三)对适应度值进行选择操作；
(四)对适应度值进行交叉操作；
(五)对适应度值进行变异操作；
(六)计算适应度值；
(七)判断适应度值是否满足结束条件：
①、若是，则执行步骤(八)；
②、若否，则跳转至步骤(三)；
(八)获得最优权值和阈值；
(九)计算误差；
(十)更新神经网络的权值阈值；
(十一)测试数据集作为输入，测试神经网络预测的准确性，并根据结果判断是否满足结束条件：
①、若是，则执行步骤(十二)；
②、若否，则跳转至步骤(九)，对阈值和权值再次更新进行微调；
(十二)得到满足条件的神经网络，完成神经网络的训练和测试。
一种基于神经网络的服务器故障监测设备，包括存储器和处理器，其中，所述处理器用于执行所述存储器中存储的计算机程序以实现如上述基于神经网络的服务器故障监测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质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如上述基于神经网络的服务器故障监测方法的步骤。
本发明的基于神经网络的服务器故障监测方法及***具有以下优点：
(一)本发明利用BMC获得服务器信息，通过神经网络对信息分析预测服务器是否会发生故障，并将故障反馈给网页进行显示，并监测服务器状态，以提高服务器的稳定性；BMC***不仅可以对服务器进行控制，还可以获取来自于服务器电压、温度、风扇转速等健康信息以及进程相关信息，可通过神经网络、聚类等机器学习算法实时分析BMC获取信息预测服务器是否存在故障隐患；
(二)数据预处理模块是将字符型数据转化成数值型数据，为防止数据差异对预测结果的影响对数据进行归一化处；
(三)本发明对BP神经网络的参数进行调优，利用遗传算法的全局搜索特性将遗传算法优化BP神经网络的权值和阈值，防止网络陷入局部最优。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于神经网络的服务器故障监测方法流程框图；
附图2为BP神经网络训练和测试过程的流程框图。
具体实施方式
参照说明书附图和具体实施例对本发明的一种基于神经网络的服务器故障监测方法及***作以下详细地说明。
实施例1：
如附图1所示，本发明的基于神经网络的服务器故障监测方法，该方法是利用BMC获得服务器信息，通过神经网络对信息分析预测服务器是否会发生故障，并将故障反馈给网页进行显示，同时监测服务器状态，以提高服务器的稳定性；具体如下：
S1、BMC***通过I2C获得服务器健康信息数据，下一步执行步骤S2；其中，服务器健康信息数据包括服务器端电压、服务器端电流和服务器端温度；
S2、对获取的健康信息数据进行预处理，下一步执行步骤S3；具体如下：
S201、将字符型数据转化成数据型数据；
S202、对数据进行归一化处理，防止数据差异对预测结果的影响。
S3、通过神经网络预测是否存在故障隐患：
①、若是，则同时执行步骤S4和S5；
②、若否，则跳转至步骤S7；
S4、形成一条报警记录在相关web页面显示，下一步执行步骤S7；
S5、判断监控服务器是否宕机：
①、若是，则执行步骤S6；
②、若否，则跳转至步骤S7；
S6、对服务器进行复位操作，下一步执行步骤S7；
S7、结束。
其中，神经网络采用BP神经网络，如附图2所示，BP神经网络训练和测试过程具体如下：
S301、将训练数据集作为输入数据，对BP神经网络的权值阈值进行初始值编码；其中，BP神经网络的权值阈值是利用遗传算法的全局搜索特征进行调节和优化，防止神经网络陷入局部最优；
S302、BP神经网络训练得到的误差作为适应度值；
S303、对适应度值进行选择操作；
S304、对适应度值进行交叉操作；
S305、对适应度值进行变异操作；
S306、计算适应度值；
S307、判断适应度值是否满足结束条件：
①、若是，则执行步骤S308；
②、若否，则跳转至步骤S303；
S308、获得最优权值和阈值；
S309、计算误差；
S310、更新神经网络的权值阈值；
S311、测试数据集作为输入，测试神经网络预测的准确性，并根据结果判断是否满足结束条件：
①、若是，则执行步骤S312；
②、若否，则跳转至步骤S309，对阈值和权值再次更新进行微调；
S312、得到满足条件的神经网络，完成神经网络的训练和测试。
其中，训练数据集和测试数据集通过对采集到的数据进行标记，即每条数据若正常则标记正常，若异常则标记故障类型；训练数据集占有标记数据的70％，测试数据集占有标记数据的30％。
实施例2：
基于实施例1的基于神经网络的服务器故障监测方法，具体步骤如下：
1)、BMC***通过I2C获得服务器健康信息；
2)、对健康信息数据进行处理，字符串型数据编码成数值型，数值型进行归一化处理，训练数据集需要标记当前服务器状态，状态分为故障和各类故障类型对应的数值型数据；
3)、神经网络训练和测试，通过训练完成神经网络权值和阈值的确定，通过测试对神经网络权值和阈值进行微调；有标记的数据中70％作为训练数据集，30％作为测试数据集，将训练数据集作为输入，对BP神经网络的权值阈值进行初始值编码，BP神经网络训练得到的误差作为适应度值，进行选择、交叉、变异等操作后，计算适应度值，重复上述步骤直到适应度值满足条件则训练得到了最优权值和阈值，更新神经网络的权值阈值；测试数据集作为输入，测试其预测准确性，并根据结果，对其阈值和权值再次更新进行微调，直至得到满足条件的神经网络，完成训练和测试；
4)、将神经网络应用于检测***中，可将预处理完成的数据作为神经网络的输入，输出为预测的故障类型；
5)、将故障类型反馈到网页中显示，并检测服务器状态，宕机则进行复位操作。
实施例3：
本发明的基于神经网络的服务器故障监测***，该***包括，
数据采集模块，用于BMC***通过I2C获得服务器端电压、服务器端电流和服务器端温度的健康信息数据；
数据处理模块，用于将字符型数据转化成数值型数据，为防止数据差异对预测结果的影响对数据进行归一化处理；
基于神经网络的故障预测模块，用于将训练完成并确定各个节点的参数的神经网络运用于BMC***中，将完成预处理的数据作为神经网络的输入，输出则为预测的服务器故障类型；
故障预警模块，用于当预测结果为故障时，在web页面显示报警信息以提示用户，并监测服务器是否会发生宕机。
其中，神经网络采用BP神经网络，BP神经网络训练和测试过程具体如下：
(一)将训练数据集作为输入数据，对BP神经网络的权值阈值进行初始值编码；
(二)BP神经网络训练得到的误差作为适应度值；
(三)对适应度值进行选择操作；
(四)对适应度值进行交叉操作；
(五)对适应度值进行变异操作；
(六)计算适应度值；
(七)判断适应度值是否满足结束条件：
①、若是，则执行步骤(八)；
②、若否，则跳转至步骤(三)；
(八)获得最优权值和阈值；
(九)计算误差；
(十)更新神经网络的权值阈值；
(十一)测试数据集作为输入，测试神经网络预测的准确性，并根据结果判断是否满足结束条件：
①、若是，则执行步骤(十二)；
②、若否，则跳转至步骤(九)，对阈值和权值再次更新进行微调；
(十二)得到满足条件的神经网络，完成神经网络的训练和测试。
实施例4：
本发明的基于神经网络的服务器故障监测设备，包括存储器和处理器，其中，所述处理器用于执行所述存储器中存储的计算机程序以实现实施例1的于神经网络的服务器故障监测方法的步骤。
实施例5：
本发明的计算机可读存储介质，所述计算机可读存储介质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实施例1的基于神经网络的服务器故障监测方法的步骤。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于神经网络的服务器故障监测方法，其特征在于，该方法是利用BMC获得服务器信息，通过神经网络对信息分析预测服务器是否会发生故障，并将故障反馈给网页进行显示，同时监测服务器状态，以提高服务器的稳定性；具体如下：
S1、BMC***通过I2C获得服务器健康信息数据，下一步执行步骤S2；
S2、对获取的健康信息数据进行预处理，下一步执行步骤S3；
S3、通过神经网络预测是否存在故障隐患：
①、若是，则同时执行步骤S4和S5；
②、若否，则跳转至步骤S7；
S4、形成一条报警记录在相关web页面显示，下一步执行步骤S7；
S5、判断监控服务器是否宕机：
①、若是，则执行步骤S6；
②、若否，则跳转至步骤S7；
S6、对服务器进行复位操作，下一步执行步骤S7；
S7、结束。
2.根据权利要求1所述的基于神经网络的服务器故障监测方法，其特征在于，所述服务器健康信息数据包括服务器端电压、服务器端电流和服务器端温度。
3.根据权利要求1所述的基于神经网络的服务器故障监测方法，其特征在于，所述步骤S2中对获取的健康信息数据进行预处理具体如下：
S201、将字符型数据转化成数据型数据；
S202、对数据进行归一化处理，防止数据差异对预测结果的影响。
4.根据权利要求1所述的基于神经网络的服务器故障监测方法，其特征在于，所述神经网络采用BP神经网络，BP神经网络训练和测试过程具体如下：
S301、将训练数据集作为输入数据，对BP神经网络的权值阈值进行初始值编码；
S302、BP神经网络训练得到的误差作为适应度值；
S303、对适应度值进行选择操作；
S304、对适应度值进行交叉操作；
S305、对适应度值进行变异操作；
S306、计算适应度值；
S307、判断适应度值是否满足结束条件：
①、若是，则执行步骤S308；
②、若否，则跳转至步骤S303；
S308、获得最优权值和阈值；
S309、计算误差；
S310、更新神经网络的权值阈值；
S311、测试数据集作为输入，测试神经网络预测的准确性，并根据结果判断是否满足结束条件：
①、若是，则执行步骤S312；
②、若否，则跳转至步骤S309，对阈值和权值再次更新进行微调；
S312、得到满足条件的神经网络，完成神经网络的训练和测试。
5.根据权利要求4所述的基于神经网络的服务器故障监测方法，其特征在于，所述训练数据集和测试数据集通过对采集到的数据进行标记，即每条数据若正常则标记正常，若异常则标记故障类型；训练数据集占有标记数据的70％，测试数据集占有标记数据的30％。
6.根据权利要求4所述的基于神经网络的服务器故障监测方法，其特征在于，所述BP神经网络的权值阈值是利用遗传算法的全局搜索特征进行调节和优化，防止神经网络陷入局部最优。
7.一种基于神经网络的服务器故障监测***，其特征在于，该***包括，
数据采集模块，用于BMC***通过I2C获得服务器端电压、服务器端电流和服务器端温度的健康信息数据；
数据处理模块，用于将字符型数据转化成数值型数据，为防止数据差异对预测结果的影响对数据进行归一化处理；
基于神经网络的故障预测模块，用于将训练完成并确定各个节点的参数的神经网络运用于BMC***中，将完成预处理的数据作为神经网络的输入，输出则为预测的服务器故障类型；
故障预警模块，用于当预测结果为故障时，在web页面显示报警信息以提示用户，并监测服务器是否会发生宕机。
8.根据权利要求7所述的基于神经网络的服务器故障监测***，其特征在于，所述神经网络采用BP神经网络，BP神经网络训练和测试过程具体如下：
(一)将训练数据集作为输入数据，对BP神经网络的权值阈值进行初始值编码；
(二)BP神经网络训练得到的误差作为适应度值；
(三)对适应度值进行选择操作；
(四)对适应度值进行交叉操作；
(五)对适应度值进行变异操作；
(六)计算适应度值；
(七)判断适应度值是否满足结束条件：
①、若是，则执行步骤(八)；
②、若否，则跳转至步骤(三)；
(八)获得最优权值和阈值；
(九)计算误差；
(十)更新神经网络的权值阈值；
(十一)测试数据集作为输入，测试神经网络预测的准确性，并根据结果判断是否满足结束条件：
①、若是，则执行步骤(十二)；
②、若否，则跳转至步骤(九)，对阈值和权值再次更新进行微调；
(十二)得到满足条件的神经网络，完成神经网络的训练和测试。
9.一种基于神经网络的服务器故障监测设备，其特征在于，包括存储器和处理器，其中，所述处理器用于执行所述存储器中存储的计算机程序以实现如权利要求1至6任意一项所述基于神经网络的服务器故障监测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至6任意一项所述基于神经网络的服务器故障监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010001106.9A CN111143173A (zh) | 2020-01-02 | 2020-01-02 | 一种基于神经网络的服务器故障监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010001106.9A CN111143173A (zh) | 2020-01-02 | 2020-01-02 | 一种基于神经网络的服务器故障监测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111143173A true CN111143173A (zh) | 2020-05-12 |
Family
ID=70523306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010001106.9A Pending CN111143173A (zh) | 2020-01-02 | 2020-01-02 | 一种基于神经网络的服务器故障监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111143173A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111752870A (zh) * | 2020-05-28 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种基于神经网络的服务器接口的兼容方法及*** |
| CN111949429A (zh) * | 2020-08-17 | 2020-11-17 | 山东超越数控电子股份有限公司 | 基于密度聚类算法的服务器故障监测方法及*** |
| CN112147647A (zh) * | 2020-08-11 | 2020-12-29 | 徐州徐工挖掘机械有限公司 | 一种监控预测gps终端故障的方法及*** |
| CN112327098A (zh) * | 2020-10-28 | 2021-02-05 | 江苏方天电力技术有限公司 | 基于低压配网综合监测单元的配电网故障区段定位方法 |
| CN112381388A (zh) * | 2020-11-12 | 2021-02-19 | 安徽江机重型数控机床股份有限公司 | 一种数控机床主轴电机运行监测方法 |
| CN113032218A (zh) * | 2021-03-26 | 2021-06-25 | 山东英信计算机技术有限公司 | 一种服务器故障检测方法、***及计算机可读存储介质 |
| CN113138894A (zh) * | 2021-04-14 | 2021-07-20 | 哈尔滨工业大学 | 基于电力参数监测与屏幕信息识别的实验设备监控方法 |
| CN113835962A (zh) * | 2021-09-24 | 2021-12-24 | 超越科技股份有限公司 | 一种服务器故障检测方法、装置、计算机设备及存储介质 |
| WO2022121026A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 更新中心方的合作式学习方法、存储介质、终端和*** |
| CN116822317A (zh) * | 2022-03-17 | 2023-09-29 | 华能上海石洞口发电有限责任公司 | 一种基于ga-bp神经网络的凝汽器故障诊断方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376107A (zh) * | 2018-03-01 | 2018-08-07 | 郑州云海信息技术有限公司 | 一种服务器故障检测的方法、装置、设备及存储介质 |
| CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及*** |
| CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和*** |
| CN109445981A (zh) * | 2018-12-25 | 2019-03-08 | 中国电建集团成都勘测设计研究院有限公司 | 计算机运行状态监控装置 |
| CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法，终端及可读存储介质 |
-
2020
- 2020-01-02 CN CN202010001106.9A patent/CN111143173A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376107A (zh) * | 2018-03-01 | 2018-08-07 | 郑州云海信息技术有限公司 | 一种服务器故障检测的方法、装置、设备及存储介质 |
| CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及*** |
| CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和*** |
| CN109445981A (zh) * | 2018-12-25 | 2019-03-08 | 中国电建集团成都勘测设计研究院有限公司 | 计算机运行状态监控装置 |
| CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法，终端及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| MATLAB中文论坛: "《MATLAB神经网络30个案例分享》", 30 April 2010 * |
| 刘兆炜: "基于故障预测与健康管理的智能化运维***的设计与实现", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技Ⅱ辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111752870A (zh) * | 2020-05-28 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种基于神经网络的服务器接口的兼容方法及*** |
| CN112147647A (zh) * | 2020-08-11 | 2020-12-29 | 徐州徐工挖掘机械有限公司 | 一种监控预测gps终端故障的方法及*** |
| CN111949429A (zh) * | 2020-08-17 | 2020-11-17 | 山东超越数控电子股份有限公司 | 基于密度聚类算法的服务器故障监测方法及*** |
| CN112327098A (zh) * | 2020-10-28 | 2021-02-05 | 江苏方天电力技术有限公司 | 基于低压配网综合监测单元的配电网故障区段定位方法 |
| CN112381388A (zh) * | 2020-11-12 | 2021-02-19 | 安徽江机重型数控机床股份有限公司 | 一种数控机床主轴电机运行监测方法 |
| WO2022121026A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 更新中心方的合作式学习方法、存储介质、终端和*** |
| CN113032218A (zh) * | 2021-03-26 | 2021-06-25 | 山东英信计算机技术有限公司 | 一种服务器故障检测方法、***及计算机可读存储介质 |
| CN113032218B (zh) * | 2021-03-26 | 2022-07-29 | 山东英信计算机技术有限公司 | 一种服务器故障检测方法、***及计算机可读存储介质 |
| CN113138894A (zh) * | 2021-04-14 | 2021-07-20 | 哈尔滨工业大学 | 基于电力参数监测与屏幕信息识别的实验设备监控方法 |
| CN113138894B (zh) * | 2021-04-14 | 2022-07-15 | 哈尔滨工业大学 | 基于电力参数监测与屏幕信息识别的实验设备监控方法 |
| CN113835962A (zh) * | 2021-09-24 | 2021-12-24 | 超越科技股份有限公司 | 一种服务器故障检测方法、装置、计算机设备及存储介质 |
| CN116822317A (zh) * | 2022-03-17 | 2023-09-29 | 华能上海石洞口发电有限责任公司 | 一种基于ga-bp神经网络的凝汽器故障诊断方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111143173A (zh) | 一种基于神经网络的服务器故障监测方法及*** | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
| US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
| JP6871877B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| US20210232104A1 (en) | Method and system for identifying and forecasting the development of faults in equipment | |
| CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| CN113835962A (zh) | 一种服务器故障检测方法、装置、计算机设备及存储介质 | |
| KR102315580B1 (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| CN112286771A (zh) | 一种针对全域资源监控的告警方法 | |
| CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及*** | |
| CN114239734A (zh) | 一种分布式车载健康管理*** | |
| CN113722134A (zh) | 一种集群故障处理方法、装置、设备及可读存储介质 | |
| US20230325292A1 (en) | Anomaly detection using multiple detection models | |
| CN111814557A (zh) | 动作流检测方法、装置、设备及存储介质 | |
| CN114495468A (zh) | 机器人故障状态监测预警方法、电子设备、存储介质 | |
| CN116843314A (zh) | 监控终端运维管理方法、***、设备及存储介质 | |
| CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
| JP7062505B2 (ja) | 設備管理支援システム | |
| US20220222580A1 (en) | Deterioration detection method, non-transitory computer-readable storage medium, and information processing device | |
| CN114490829A (zh) | 一种故障识别方法、装置、设备及存储介质 | |
| CN117572159B (zh) | 基于大数据分析的电力故障检测方法及*** | |
| CN118035904A (zh) | 一种基于多频段数据融合的振摆监测故障诊断方法及*** | |
| CN117407824B (zh) | 一种电力时间同步装置的健康检测方法、设备和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |
|
| RJ01 | Rejection of invention patent application after publication |