CN112862211A - 通信管理***动环缺陷派单方法及装置 - Google Patents
通信管理***动环缺陷派单方法及装置 Download PDFInfo
- Publication number
- CN112862211A CN112862211A CN202110254521.XA CN202110254521A CN112862211A CN 112862211 A CN112862211 A CN 112862211A CN 202110254521 A CN202110254521 A CN 202110254521A CN 112862211 A CN112862211 A CN 112862211A
- Authority
- CN
- China
- Prior art keywords
- defect
- management system
- communication management
- neural network
- training
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 82
- 238000004891 communication Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000009411 base construction Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 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
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种通信管理***动环缺陷派单方法及装置，其中，该方法包括：采集通信管理***的动环告警数据；将采集的动环告警数据，输入到训练好的缺陷故障预测模型中，输出通信管理***的缺陷故障信息，其中，故障预测模型为对深度残差神经网络进行机器学习训练得到的模型；根据通信管理***的缺陷故障信息，生成待派发的检修工单信息。本发明基于深度残差神经网络训练缺陷故障预测模型，能够利用大规模动环告警数据预测缺陷故障，大大提高了故障缺陷的预测准确率，进一步根据预测出的缺陷故障信息，生成相应的检修工单，能够大大提升动环缺陷工单自动派发工作的实用性、智能性、高效性。
Description
技术领域
本发明涉及通信管理***领域，尤其涉及一种通信管理***动环缺陷派单方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
电力通信网是电力***不可缺少的重要组成部分之一，是电网调度自动化和生产管理现代化的基础，是确保电网安全、经济、稳定运行的重要技术手段。在信息通信运维现场，面对庞大复杂的信息集合，如何方便快捷地获取电力通信网的故障信息是快速完成检修任务、提高检修效率的唯一解决方法。
随着机器学习算法在各行各业的应用普及，现有技术借助机器学习算法来实现电力通信网故障信息的预测，但由于电力通信网是一个复杂网络，引起电力通信网的故障种类繁多(例如，激光器性能劣化、工作环境温度过高或过低、光功率偏高或偏低、单板故障、尾纤性能劣化、接续盒故障、光缆纤芯中断、光缆中断等)，其数据维度虽不高但是属性复杂并且相互之间存在影响与关联关系，例如，不同厂家产品在不同环境下性能表现不一，这为机器学习前期特征选取带来了困难。并且，由于特征提取的规则往往是基于人工先验知识制定的，缺乏挖掘性的分析，难以发现一些没有意识到的关联。另外，在对电力通信网内的设备故障进行预测时，使用的环境数据往往是基于当天气象部门网站爬取的数据，其实时性和精确度均存在一定的缺陷。实时性主要表现在：气象部门爬取的数据粒度较粗，往往以天为单位，使得预测时间范围较为笼统；精确度主要体现在：预测的设备往往是一片区域内的若干个设备。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供了一种通信管理***动环缺陷派单方法，用以解决现有基于机器学习的电力通信网故障信息预测方法，存在实时性差、精确度低的技术问题，该方法包括：采集通信管理***的动环告警数据；将采集的动环告警数据，输入到训练好的缺陷故障预测模型中，输出所述通信管理***的缺陷故障信息，其中，所述故障预测模型为对深度残差神经网络进行机器学习训练得到的模型；根据所述通信管理***的缺陷故障信息，生成待派发的检修工单信息。
本发明实施例中还提供了一种通信管理***动环缺陷派单装置，用以解决现有基于机器学习的电力通信网故障信息预测方法，存在实时性差、精确度低的技术问题，该装置包括：告警数据采集模块，用于采集通信管理***的动环告警数据；缺陷故障预测模块，用于将采集的动环告警数据，输入到训练好的缺陷故障预测模型中，输出所述通信管理***的缺陷故障信息，其中，所述故障预测模型为对深度残差神经网络进行机器学习训练得到的模型；工单信息生成模块，用于根据所述通信管理***的缺陷故障信息，生成待派发的检修工单信息。
本发明实施例中还提供了一种计算机设备，用以解决现有基于机器学习的电力通信网故障信息预测方法，存在实时性差、精确度低的技术问题，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述通信管理***动环缺陷派单方法。
本发明实施例中还提供了一种计算机可读存储介质，用以解决现有基于机器学习的电力通信网故障信息预测方法，存在实时性差、精确度低的技术问题，该计算机可读存储介质存储有执行上述通信管理***动环缺陷派单方法的计算机程序。
本发明实施例中，通过预先深度残差神经网络进行机器学习，训练得到一个缺陷故障预测模型，在采集到通信管理***的动环告警数据后，将采集的动环告警数据，输入到该缺陷故障预测模型中，输出通信管理***的缺陷故障信息，进而根据该通信管理***的缺陷故障信息，生成待派发的检修工单信息。本发明实施例，基于深度残差神经网络训练缺陷故障预测模型，能够利用大规模动环告警数据预测缺陷故障，大大提高了故障缺陷的预测准确率，进一步根据预测出的缺陷故障信息，生成相应的检修工单，能够大大提升动环缺陷工单自动派发工作的实用性、智能性、高效性，促进通信管理***的运维工作，向自动化运维和智能化运维演进。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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。在附图中：
图1为本发明实施例中提供的一种通信管理***动环缺陷派单方法流程图；
图2为本发明实施例中提供的一种模型训练方法流程图；
图3为本发明实施例中提供的一种故障诊断知识库构建流程图；
图4为本发明实施例中提供的一种通信管理***动环缺陷派单装置示意图；
图5为本发明实施例中提供的一种可选的通信管理***动环缺陷派单装置示意图；
图6为本发明实施例中提供的一种计算机设备示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
随着电力通信运维中新技术的不断应用，智能光配(OASS)、光缆在线监测(OAM)等技术的成功试点，不仅促进了光缆运维自动化，也使光缆纤芯的性能和断点实时掌握成为现实。OASS和OAM使得获取实时、实地的光缆性能及环境数据成为可能，提升了运维人员对电力通信网监控的实时性和全面性。
另外，由于深度学习和一般机器学习方法的区别主要在于：深度学习具有良好的自学习功能和自适应能力，深度学习在特征工程阶段人为干预更少，减少了人工先验知识对分析结果的影响，可以对通信故障的外因和内因做深度挖掘。
因而，在通信管理***缺陷自动派发功能应用中，利用深度学***，推进缺陷自动派单功能实用化进程，提升专业管控效率，使得通信专业运维方式和管理模式更安全、更可靠。
在上述背景下，本发明实施例中提供了一种通信管理***动环缺陷派单方法，图1为本发明实施例中提供的一种通信管理***动环缺陷派单方法流程图，如图1所示，该方法包括如下步骤：
S101，采集通信管理***的动环告警数据。
需要说明的是，上述S101采集的动环告警数据可以是通过动环监控***监测到的通信管理***中各种设备的运行数据或环境数据。由于动环告警数据的规模巨大，训练一个浅层模型或传统的神经网络进行预测会导致欠拟合，因此模型的深度非常重要。为了达到准确预测的要求，本发明实施例中，利用深度学习中的深度残差网络进行故障缺陷预测模型的训练。
S102，将采集的动环告警数据，输入到训练好的缺陷故障预测模型中，输出通信管理***的缺陷故障信息，其中，故障预测模型为对深度残差神经网络进行机器学习训练得到的模型。
需要说明的是，深度残差神经网络是卷积神经网络的一种新的变形。与传统的卷积神经网络类似，它也包含了卷积层和降采样层，卷积层的神经元和前一层采用局部连接和权值共享的方式进行连接，从而大大降低了需要训练的参数数量。降采样层可以大幅降低输入维度，降低网络复杂度，使网络具有更高的鲁棒性，同时能够有效的抑制过拟合问题。就目前学术界的认知来看，如果网络的层次越深，网络的性能就会更好。但有时候，深层的神经网络会比浅层的网络具有更高的训练误差和测试误差，这种现象称为“退化”(degradation)现象。此外，网络深度增加之后，梯度在反向传播中不断减弱，导致网络靠前的卷积层无法得到充分的训练，这一现象被称为“梯度消失”。这两方面的问题导致深层次的网络结构训练学习非常困难，传统的卷积神经网络通常只有20～30层。
深度残差网络与卷积神经网络的不同之处在于它让卷积层不直接学习目标，而是转而学习一种残差，残差的学习通过在不同卷积层上构建“恒等映射”来实现。在不考虑激活函数的情况下，神经网络每一层之间为一个线性的变换，而“恒等映射”则可以绕过线性变换，以通过在一个浅层网络基础上叠加y＝x的层，可以让网络随深度增加而不退化。这反映了多层非线性网络无法逼近恒等映射网络。
S103，根据通信管理***的缺陷故障信息，生成待派发的检修工单信息。
在一个实施例中，如图2所示，本发明实施例中提供的通信管理***动环缺陷派单方法还包括如下步骤：
S201，获取训练样本数据和测试样本数据；
S202，根据训练样本数据，对预先构建的深度残差神经网络进行机器学习，训练得到一个缺陷故障预测模型；
S203，根据测试样本数据，对训练得到的缺陷故障预测模型进行测试，直到满足预设收敛条件。
需要说明的是，上述预设收敛条件可以是模型的准确率高于预设准确率或模型的误差低于预设误差率。
由于深度残差网络的网络深度远大于传统的卷积神经网络，所以深度残差网络更容易过拟合，因而，在一个实施例中，本发明实施例中提供的通信管理***动环缺陷派单方法，还可以使用Dropout正则化优化算法对训练过程中的深度残差神经网络进行优化。使用Dropout正则化优化算法避免了神经网络在训练过程中出现过拟合。
需要说明的是，Dropout是一种常用的正则化方法，它可以在一定程度上抑制过拟合现象的发生，并且能够提升网络的泛化能力。Dropout的思想很简单：在每次训练时，以一定的概率p使一部份节点的输出值变为0，即相当于在这次训练中把这部分节点从整个网络中“删除”，这样在反向传播时，就不会更新其对应的参数。而在测试阶段，使用完整的网络进行测试。
为了防止出现过拟合，在一个实施例中，本发明实施例中提供的通信管理***动环缺陷派单方法还可以构建一个包含BN层的深度残差神经网络，其中，BN层用于对深度残差神经网络中每一层的数据进行归一化处理。
需要说明的是，Batch Normalization(BN)能够对网络中的每一层数据进行归一化处理。与普通的归一化方法不同，BN层是一个可学习、有参数的网络层，在模型训练的过程中，BN层中的参数同样需要训练。在深度残差神经网络中加入BN层，不仅可以防止过拟合，还可以大幅提升模型的训练速度。由于本发明实施例中需要处理的数据量巨大(大规模动环告警数据)，使用BN可以显著提升模型收敛的速率。
图3为本发明实施例中提供的一种故障诊断知识库构建流程图，如图3所示，本发明实施例，基于BP神经网络技术，通过指标体系建立、特征工程分析和模型构建等步骤，最终提供了基于深度学习算法的通信管理***故障缺陷预警方法，以实现对通信网络设备的综合评价和事前预警。
BP(Back Propagation)神经网络是一种神经网络学习算法，其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值(Weight)。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。BP神经网络是一种入门深度学习模型，需要大量调优。
径向基函数(RBF-Radial Basis Function)神经网络是具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接收域(或称感受野-Receptive Field)的神经网络结构，因此，RBF网络是一种局部逼近网络，它能够以任意精度逼近任意连续函数，特别适合于解决分类问题。主要用于图像处理，语音识别，时间系列预测，雷达原点定位，医疗诊断，错误处理检测，模式识别等。RBF网络用得最多之处是用于分类，在分类之中，最广的还是模式识别问题。
卷积神经网络(CNN)是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进，主要。目前主要应用于图像处理，优点在于：①享卷积核，对高维数据处理无压力；②无需手动选取特征，训练好权重，即得特征分类效果好。缺点在于：①需要调参，需要大样本量，训练最好要GPU；②物理含义不明确(也就说，我们并不知道每个卷积层到底提取到的是什么特征，而且神经网络本身就是一种难以解释的“黑箱模型”)。
循环神经网络(RNN)是一种具有反馈结构的神经网络，其输出不但与当前输入和网络的权值有关，而且也与之前网络的输入有关，RNN通过添加跨越时间点的自连接隐藏层，对时间进行建模。RNN主要处理时序数据，例如，对于某一句话，词与词之间都是有顺序的，可以更好地做语境理解，因此经常用在NLP领域，比如机器翻译，情感分析等。
经反复实验对不同模型进行调优，最终确定基于深度残差网络训练得到的缺陷故障预测模型的效果最好。
基于同一发明构思，本发明实施例中还提供了一种通信管理***动环缺陷派单装置，如下面的实施例所述。由于该装置解决问题的原理与通信管理***动环缺陷派单方法相似，因此该装置的实施可以参见通信管理***动环缺陷派单方法的实施，重复之处不再赘述。
图4为本发明实施例中提供的一种通信管理***动环缺陷派单装置示意图，如图4所示，该装置包括：告警数据采集模块41、缺陷故障预测模块42和工单信息生成模块43。
其中，告警数据采集模块41，用于采集通信管理***的动环告警数据；缺陷故障预测模块42，用于将采集的动环告警数据，输入到训练好的缺陷故障预测模型中，输出通信管理***的缺陷故障信息，其中，故障预测模型为对深度残差神经网络进行机器学习训练得到的模型；工单信息生成模块43，用于根据通信管理***的缺陷故障信息，生成待派发的检修工单信息。
在一个实施例中，如图5所示，本发明实施例中提供的通信管理***动环缺陷派单装置还包括：样本数据获取模块44，用于获取训练样本数据和测试样本数据；模型训练模块45，用于根据训练样本数据，对预先构建的深度残差神经网络进行机器学习，训练得到一个缺陷故障预测模型；模型测试模块46，用于根据测试样本数据，对训练得到的缺陷故障预测模型进行测试，直到满足预设收敛条件。
在一个实施例中，本发明实施例中提供的通信管理***动环缺陷派单装置中，模型训练模块45还用于使用Dropout正则化优化算法对训练过程中的深度残差神经网络进行优化。
在一个实施例中，如图5所示，本发明实施例中提供的通信管理***动环缺陷派单装置还包括：深度残差神经网络构建模块47，用于构建一个包含BN层的深度残差神经网络，其中，BN层用于对深度残差神经网络中每一层的数据进行归一化处理。
基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有基于机器学习的电力通信网故障信息预测方法，存在实时性差、精确度低的技术问题，图6为本发明实施例中提供的一种计算机设备示意图，如图6所示，该计算机设备60包括存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序，处理器602执行计算机程序时实现上述通信管理***动环缺陷派单方法。
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有基于机器学习的电力通信网故障信息预测方法，存在实时性差、精确度低的技术问题，该计算机可读存储介质存储有执行上述通信管理***动环缺陷派单方法的计算机程序。
综上所述，本发明实施例中提供了一种通信管理***动环缺陷派单方法、装置、计算机设备及计算机可读存储介质，通过预先深度残差神经网络进行机器学习，训练得到一个缺陷故障预测模型，在采集到通信管理***的动环告警数据后，将采集的动环告警数据，输入到该缺陷故障预测模型中，输出通信管理***的缺陷故障信息，进而根据该通信管理***的缺陷故障信息，生成待派发的检修工单信息。本发明实施例，基于深度残差神经网络训练缺陷故障预测模型，能够利用大规模动环告警数据预测缺陷故障，大大提高了故障缺陷的预测准确率，进一步根据预测出的缺陷故障信息，生成相应的检修工单，能够大大提升动环缺陷工单自动派发工作的实用性、智能性、高效性，促进通信管理***的运维工作，向自动化运维和智能化运维演进。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种通信管理***动环缺陷派单方法，其特征在于，包括：
采集通信管理***的动环告警数据；
将采集的动环告警数据，输入到训练好的缺陷故障预测模型中，输出所述通信管理***的缺陷故障信息，其中，所述故障预测模型为对深度残差神经网络进行机器学习训练得到的模型；
根据所述通信管理***的缺陷故障信息，生成待派发的检修工单信息。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取训练样本数据和测试样本数据；
根据所述训练样本数据，对预先构建的深度残差神经网络进行机器学习，训练得到一个缺陷故障预测模型；
根据所述测试样本数据，对训练得到的缺陷故障预测模型进行测试，直到满足预设收敛条件。
3.如权利要求2所述的方法，其特征在于，使用Dropout正则化优化算法对训练过程中的深度残差神经网络进行优化。
4.如权利要求2所述的方法，其特征在于，所述方法还包括：
构建一个包含BN层的深度残差神经网络，其中，所述BN层用于对深度残差神经网络中每一层的数据进行归一化处理。
5.一种通信管理***动环缺陷派单装置，其特征在于，包括：
告警数据采集模块，用于采集通信管理***的动环告警数据；
缺陷故障预测模块，用于将采集的动环告警数据，输入到训练好的缺陷故障预测模型中，输出所述通信管理***的缺陷故障信息，其中，所述故障预测模型为对深度残差神经网络进行机器学习训练得到的模型；
工单信息生成模块，用于根据所述通信管理***的缺陷故障信息，生成待派发的检修工单信息。
6.如权利要求5所述的装置，其特征在于，所述装置还包括：
样本数据获取模块，用于获取训练样本数据和测试样本数据；
模型训练模块，用于根据所述训练样本数据，对预先构建的深度残差神经网络进行机器学习，训练得到一个缺陷故障预测模型；
模型测试模块，用于根据所述测试样本数据，对训练得到的缺陷故障预测模型进行测试，直到满足预设收敛条件。
7.如权利要求6所述的装置，其特征在于，所述模型训练模块还用于使用Dropout正则化优化算法对训练过程中的深度残差神经网络进行优化。
8.如权利要求6所述的装置，其特征在于，所述装置还包括：
深度残差神经网络构建模块，用于构建一个包含BN层的深度残差神经网络，其中，所述BN层用于对深度残差神经网络中每一层的数据进行归一化处理。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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4任一项所述通信管理***动环缺陷派单方法。
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存储有执行权利要求1至4任一项所述通信管理***动环缺陷派单方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110254521.XA CN112862211A (zh) | 2021-03-09 | 2021-03-09 | 通信管理***动环缺陷派单方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110254521.XA CN112862211A (zh) | 2021-03-09 | 2021-03-09 | 通信管理***动环缺陷派单方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112862211A true CN112862211A (zh) | 2021-05-28 |
Family
ID=75993614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110254521.XA Pending CN112862211A (zh) | 2021-03-09 | 2021-03-09 | 通信管理***动环缺陷派单方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862211A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743512A (zh) * | 2021-09-07 | 2021-12-03 | 上海观安信息技术股份有限公司 | 一种安全告警事件自主学习判定方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
| CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断***及方法 |
| CN112171721A (zh) * | 2020-11-30 | 2021-01-05 | 北京科技大学 | 一种机器人关节传感器和执行器故障诊断方法及*** |
-
2021
- 2021-03-09 CN CN202110254521.XA patent/CN112862211A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
| CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断***及方法 |
| CN112171721A (zh) * | 2020-11-30 | 2021-01-05 | 北京科技大学 | 一种机器人关节传感器和执行器故障诊断方法及*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743512A (zh) * | 2021-09-07 | 2021-12-03 | 上海观安信息技术股份有限公司 | 一种安全告警事件自主学习判定方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、***及设备 | |
| Lechevalier et al. | A neural network meta-model and its application for manufacturing | |
| CN116245033B (zh) | 人工智能驱动的电力***分析方法及智能软件平台 | |
| CN112733440A (zh) | 海上油气水井智能故障诊断方法、***、存储介质、设备 | |
| Chen et al. | Transfer life prediction of gears by cross-domain health indicator construction and multi-hierarchical long-term memory augmented network | |
| Chen et al. | A multivariate grey RBF hybrid model for residual useful life prediction of industrial equipment based on state data | |
| CN116523187A (zh) | 一种基于bim的工程进度监控方法及其*** | |
| CN116467674A (zh) | 一种配电网智能故障处理融合更新***及其方法 | |
| CN112434813A (zh) | 基于面向属性语言概念格的多重多维语言推理方法 | |
| CN112862211A (zh) | 通信管理***动环缺陷派单方法及装置 | |
| Uljayev et al. | Application of expert systems for measuring the humidity of bulk materials | |
| CN106845144A (zh) | 一种基于工业大数据挖掘的状态预测方法 | |
| Kovalyov | Design and development of a power system digital twin: A model-based approach | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| CN115983714A (zh) | 边图神经网络电力***静态安全评估方法及*** | |
| Azyus et al. | Determining rul predictive maintenance on aircraft engines using gru | |
| Zhao et al. | Knowledge-Informed Uncertainty-Aware Machine Learning for Time Series Forecasting of Dynamical Engineered Systems | |
| CN112510699A (zh) | 一种基于大数据的变电站二次设备状态分析方法及设备 | |
| Najar et al. | Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW | |
| Ran et al. | Failure prediction of mechanical system based on meta‐action | |
| Kovalyov | Key Technologies of Digital Twins: A Model-Based Perspective | |
| CN116362628B (zh) | 电力***运行状态分析评估方法和装置 | |
| CN111582632B (zh) | 一种地下大空间施工全过程多因素安全阶段性预测方法 | |
| Misnik et al. | Technique for development of information-analytical processes in cyber-physical systems based on neural-fuzzy petri nets | |
| Su et al. | A Three-Dimensional Information Flow Modeling Method for Integrated Fault Diagnosis and Maintenance of Complex System |
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 |