CN111666978B - 一种it系统运维大数据的智能故障预警系统 - Google Patents
一种it系统运维大数据的智能故障预警系统 Download PDFInfo
- Publication number
- CN111666978B CN111666978B CN202010390508.2A CN202010390508A CN111666978B CN 111666978 B CN111666978 B CN 111666978B CN 202010390508 A CN202010390508 A CN 202010390508A CN 111666978 B CN111666978 B CN 111666978B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- maintenance
- early warning
- module
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 65
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000012843 least square support vector machine Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种IT系统运维大数据的智能故障预警系统，基于IT运维部门积累的针对不同故障场景的大量正、负运维数据进行预处理，采用机器学习算法训练故障识别模型对实时采集的计算机系统运行数据进行故障识别，同时对所述预处理后的运维数据统计极点、预计出拐点，当所述实时采集的计算机系统运行数据与所述拐点匹配时，提前向用户预警可能出现的故障。本发明提供的方案将AI技术引入运维领域，自动实现计算机系统故障的实时、快速识别和预警，保障各项业务持续、健康、快速发展。
Description
技术领域
本发明涉及大数据IT运维技术领域，具体涉及一种IT系统运维大数据的智能故障预警系统。将机器学习技术应用于运维监控领域，利用现有的大数据经过机器学习成功预判故障，实现智能故障预警的功能，有效实现在线监控，全维度监控，延迟监控等故障预警。
背景技术
早期的运维工作大部分是由运维人员手工完成的，这被称为手工运维。这种落后的生产方式在互联网业务快速扩张、人力成本高企的时代，难以维系。自动化运维因此应运而生。用可被自动化触发、预定义规则的脚本，来执行常见的、重复性的运维工作，从而减少人力成本，提供运维效率。总的来说，自动化运维可认为一种基于行业领域知识和运维场景领域知识的专家系统。随着企业业务膨胀以及服务类型的复杂多样，基于人为指定规则的专家系统也变得力不从心。自动化运维的不足，日益凸显，这也为智能运维带来发展机遇。
2016年，Gartner针对IT发展和运维管理的困境，提出了一种全新的运维管理方法以减轻企业IT的负担，提升管理效率，该方法简称AIOps。AIOps （ArtificialIntelligence for IT Operations）将人工智能应用于运维领域。区别于传统的人工运维和自动化运维，该方法通过基于运维大数据的机器学习训练出分类模型，用智能决策逐步取代人工决策、提升IT管理效率。因此、国内业务运维企业把AIOps称为智能运维。Gartner预测到2022年，AIOps的采用率将会达到50%。目前AIOps在国内外领先的互联网企业开始逐渐被应用，也是近年来国内外普遍被看好的新技术。
智能运维不依赖人为制定规则，主张由机器学习算法自动地从海量运维数据中不断地学习，不断地提炼并总结规则。智能运维在自动化运维的基础上，增加了一个基于机器学习的大脑，智慧监测系统采集大脑决策所需的数据，做出分析、决策，并指挥自动化脚本去执行大脑的决策，从而达到运维系统的整体目标。
在当前日常运维过程中，只有告警信息和数量的统计，无法看到业务系统及相关支撑资源的健康度全貌，运维人员往往只能从一个具体的故障去尝试排错，影响了故障处理时效往往导致业务系统恢复的时间难以保证。同时，运维人员只有借助当前告警事件一类指标，而无法利用历史指标数据有效进行预判，提前进行问题的处理。目前因前期未干预而发展成故障并影响到业务运行的事件，每年超过一百起。
发明内容
本发明旨在提供一种具有实时数据的采集能力，数据的汇聚、分析能力，辅助决策能力和自主学习能力的IT运维大数据的智能故障预警系统。该系统能够将 AI 和各种运维故障场景结合起来，通过拐点匹配提前对可能出现的故障进行预警实现主动监控并决策。
本发明提供的智能故障预警系统具体实现为：
一种IT系统运维大数据的智能故障预警系统，该系统包括：数据预处理模块，拐点预计模块，预警模型训练模块，以及故障识别预警模块。其中、数据预处理模块用于分别对收集的不同故障场景的历史指标数据进行预处理，以供后续机器学习使用；拐点预计模块，用于根据数据预处理模块处理后的数据统计极值、预计出拐点；预警模型训练模块，采用机器学习方法训练相应的故障识别模型，用该故障识别模型对实时采集对应于该故障场景的运维数据进行故障识别；同时采用所述预计出的拐点进行匹配以提前预警可能出现的故障。优先地、所述机器学习方法为最小二乘法支持向量机LSSVM。所述采用所述预计出的拐点进行匹配以提前预警可能出现的故障，具体为：当所述预测结果为无故障时，进一步采用所述预计出的拐点对相应的运维数据进行匹配、当匹配到拐点时向用户预警，提示可能出现故障风险。
进一步地、所述系统还包括运维数据监测模块，用于实时采集计算机系统的运行数据、并根据所述不同故障场景预测所需要的数据进行分组、对分组得到的各组数据存储到运维日志中，同时、所述各组数据进行预处理后采用对应故障场景的故障识别模型进行识别，同时采用所述预计出的拐点进行匹配以提前预警可能出现的故障。
进一步地、本发明提供的智能故障预警系统还设置有数据清洗模块；所述数据清洗模块，用于在对所述历史指标数据进行预处理前清洗数据、选用不同数据组合对各种故障场景进行画像以及人工标注，对所述选用的不同数据组合中的数据进行格式化、规整化。
相应地、本发明还提供一种IT系统运维大数据的智能故障预警方法，该方法包括：分别对收集的不同故障场景历史指标数据进行预处理后统计极值、预计出拐点；采用机器学习的方法训练相应的故障识别模型，用该故障识别模型对实时采集对应于该故障场景的运维数据进行故障识别；同时采用所述预计出的拐点进行匹配以提前预警可能出现的故障。优选地、所述机器学习方法为最小二乘法支持向量机LSSVM。
本发明实施例的有益效果在于：本发明提供的方案将AI 技术引入运维领域，自动实现计算机系统故障的实时快速识别和预警，大大降低人工成本，提高了故障处理的效率，有力保障各项业务持续、健康、快速发展。
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。
图1是本发明提供的智能故障预警系统中的故障识别模型的产生流程图。
图2是本发明提供的智能故障预警系统进行故障预警的流程图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
以下参照图1所示，本发明提供的一种IT系统运维大数据的智能故障预警系统，该系统包括：数据预处理模块，拐点预计模块，预警模型训练模块，以及故障识别预警模块。其中、数据预处理模块用于分别对收集的不同故障场景的历史指标数据进行预处理，以供后续机器学习使用；拐点预计模块，用于根据数据预处理模块处理后的数据统计极值、预计出拐点；故障识别模型训练模块，采用机器学习方法训练相应的故障识别模型，用该故障识别模型对实时采集对应于该故障场景的运维数据进行故障识别；同时采用所述预计出的拐点进行匹配以提前预警可能出现的故障。
传统的运维为智能化运维积累了大量的性能指标、故障表现特征、告警阈值，故障解决方法等运维数据，这些数据可以从历史记录工单或者运行日志信息中获取。这些海量数据作为大数据供智能故障预警打下坚实基础。预测/识别具体故障的指标可以从传统的故障运维数据中获取。
设置数据清洗模块对这些积累下来运维数据进行清洗，补充遗漏的数据项、去除噪声或者错误失真的数据项。数据清洗可以采用本领域现有的任何技术手段。数据预处理模块基于数据清洗模块的输出、选用不同数据组合（即故障指标）对以往运维过程中出现的各种故障场景进行画像以及人工标注，对所述选用的不同数据组合中的数据进行格式化、规整化以供后续机器学习使用。例如、选用页面访问量，服务器CPU，服务器内存，服务器网卡流量，服务器磁盘I/O，SQL语句执行时间，发送字节数，接收字节数，客户端处理时间，服务器应答等待时间这些指标来预测/识别用户访问服务器响应卡顿的故障。
为了实现根据准确预测事物发展的转折点，以提前对可能产生的故障进行预警，本发明提供的系统还额外设置拐点预计模块，用于根据数据预处理模块处理后的数据统计极值、预计出拐点。
具体地、在数据预处理方面、针对数据的多样性每个场景的智能故障预警采用的数据都有区别，使得针对某个故障场景的数据组合变成了多项式函数，对于一个多项式函数的多个取值点可以写成如下的矩阵形式：
其中、A中任一行向量代表对于该故障场景的画像特征，Y中对应该行向量的元素代表出现该画像特征时，是否产生对应的故障。对于上述预测/识别用户访问服务器响应卡顿的故障的例子，则ti1-tiq代表在i时间点页面访问量，服务器CPU，服务器内存，服务器网卡流量，服务器磁盘I/O，SQL语句执行时间，发送字节数，接收字节数，客户端处理时间，服务器应答等待时间等指标值的预处理后数值；b0-bq是满足该方程的参数，yi表示在i时间点是否造成用户访问服务器响应卡顿的故障。
即我们要到这么一组解b使得满足下列条件：
通过以上方法的数据预处理得到拟合曲线。根据曲线拟合的结果得到极值。预计拐点所采用的方法可以是机器学习常见的拐点分析方法。
所述预警模型训练模块，采用机器学习方法训练相应的故障识别模型，后续用该故障识别模型对实时采集对应于该故障场景的运维数据进行故障识别；同时采用所述预计出的拐点进行匹配以提前预警可能出现的故障。所述机器学习方法为最小二乘法支持向量机LSSVM。即在数据预处理后还提供给机器学习采用最小二乘法的方式进行参数学习和预测，得到初步的预测结果。其中预测方法采用支持向量机(Support Vector Machine，SVM)方法以解决小样本、非线性及高维模式识别的数据预测情况，有效解决故障预测的函数拟合等机器学习问题。所述采用机器学习的方法训练相应的故障识别模型，包括：将对于特定故障场景的、一定量的正、负样本采用最小二乘法支持向量机LSSVM进行训练；并对训练出的分类模型采用人工标注的测试样本进行测试，当测试结果出现与标注信息不同时调整所述分类模型的参数、直到精准率、召回率满足设计要求后作为该故障场景的故障识别模型。
本发明实施例提供的系统在采用训练好的故障识别模型后，结合预计出的拐点对实时采集的IT系统运维数据进行故障识别和预警。在本发明的机器学习中，采用支持向量机(SVM)，分析数据，识别模式，分类和回归分析从而预测故障的出现。
具体地、所述智能故障预警系统还包括运维数据监测模块，用于实时采集计IT系统的运行数据。
本发明实施例二提供的智能故障预警系统进行故障预警的流程图，如图2所示，所述数据预处理模块根据所述不同故障场景预测所需要的数据进行分组、对分组得到的各组数据存储到运维日志中。所述各组数据进行预处理后采用对应故障场景的故障识别模型进行识别，同时采用所述预计出的拐点进行匹配以提前预警可能出现的故障。具体为：上述故障识别模型识别结果为产生具体故障时，无需对实时监测到运维数据进行拐点匹配；否则、采用所述预计出的拐点与当前的识别的运维数据进行匹配、当匹配到拐点时向用户预警，提示可能出现故障风险。
相应地、本发明还提供一种IT系统运维大数据的智能故障预警方法，该方法包括：分别对收集的不同故障场景历史指标数据进行预处理后统计极值、预计出拐点；采用机器学习的方法训练相应的故障识别模型，用该故障识别模型对实时采集对应于该故障场景的运维数据进行故障识别；同时采用所述预计出的拐点进行匹配以提前预警可能出现的故障。优选地、所述机器学习方法为最小二乘法支持向量机LSSVM。该方法具体的实现过程与上述智能故障预警系统的细节对应。
本发明实施例提供的方案将AI 技术引入运维领域，自动实现计算机系统故障的实时快速识别和预警，大大降低人工成本，提高了故障处理的效率，有力保障各项业务持续、健康、快速发展。
有关本实施例的工作原理以及所带来的有益效果请参照本发明实施例一的说明，此处不再赘述。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (4)
1.一种IT系统运维大数据的智能故障预警系统，其特征在于，所述系统采用机器学习方法分别利用收集的不同故障场景的历史指标数据训练相应的故障识别模型，对实时采集的IT系统运维数据进行故障识别；结合拐点分析预计出的拐点对实时采集的IT系统运维数据进行匹配，以对可能产生的故障进行提前预警；
所述系统包括数据预处理模块、拐点预计模块、故障识别模型训练模块以及故障识别预警模块；其中，所述数据预处理模块用于分别对收集的不同故障场景的历史指标数据进行预处理，以供后续机器学习使用；所述拐点预计模块，用于根据数据预处理模块处理后的数据统计极值、预计出拐点；所述故障识别模型训练模块，用于将各个故障场景的一定量的正、负样本采用最小二乘法支持向量机LSSVM进行训练，并对训练出的分类模型采用人工标注的测试样本进行测试，当测试结果出现与标注信息不同时调整所述分类模型的参数、直到精准率、召回率满足设计要求后作为各个故障场景的故障识别模型；所述故障识别预警模块，用于根据训练得到的故障识别模型对实时采集的IT系统运维数据进行故障识别，结合拐点分析预计出的拐点对实时采集的IT系统运维数据进行匹配，当预测结果为故障时，无需对实时监测到运维数据进行拐点匹配，否则，采用所述预计出的拐点进行匹配、当匹配到拐点时向用户预警，提示可能出现故障风险。
2.如权利要求1所述的智能故障预警系统，其特征在于，所述系统还包括运维数据监测模块，用于实时采集计算机系统的运行数据、并根据所述不同故障场景预测所需要的数据进行分组，对分组得到的各组数据存储到运维日志中，同时，所述各组数据进行预处理后采用对应故障场景的故障识别模型进行识别，采用所述预计出的拐点进行匹配以提前预警可能出现的故障。
3.如权利要求2所述的智能故障预警系统，其特征在于，所述系统还设置有数据清洗模块；所述数据清洗模块，用于在对所述历史指标数据进行预处理前清洗；所述数据预处理模块基于数据清洗模块的输出、选用不同数据组合对以往运维过程中出现的各种故障场景进行画像以及人工标注，对所述选用的不同数据组合中的数据进行格式化、规整化以供后续机器学习使用。
4.一种IT系统运维大数据的智能故障预警方法，其特征在于，该方法基于权利要求1-3中任一项所述的IT系统运维大数据的智能故障预警系统实现，对实时采集对应于故障场景的运维数据进行故障识别；同时采用所述预计出的拐点进行匹配以提前预警可能出现的故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010390508.2A CN111666978B (zh) | 2020-05-11 | 2020-05-11 | 一种it系统运维大数据的智能故障预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010390508.2A CN111666978B (zh) | 2020-05-11 | 2020-05-11 | 一种it系统运维大数据的智能故障预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111666978A CN111666978A (zh) | 2020-09-15 |
| CN111666978B true CN111666978B (zh) | 2023-12-01 |
Family
ID=72383467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010390508.2A Active CN111666978B (zh) | 2020-05-11 | 2020-05-11 | 一种it系统运维大数据的智能故障预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111666978B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492877B (zh) * | 2022-04-13 | 2022-07-05 | 北京蒙帕信创科技有限公司 | 一种业务系统的运维分析方法及装置 |
| US20230334433A1 (en) * | 2022-04-19 | 2023-10-19 | Ncr Corporation | Usage-based preventive terminal maintenance |
| CN117408679B (zh) * | 2023-12-14 | 2024-03-22 | 北京星汉博纳医药科技有限公司 | 一种运维场景信息的处理方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
| CN106886481A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | 一种系统健康度静态分析预测方法及装置 |
| CN108287327A (zh) * | 2017-12-13 | 2018-07-17 | 广西电网有限责任公司电力科学研究院 | 基于贝叶斯分类的计量自动化终端故障诊断方法 |
| CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息系统故障定位系统及方法 |
| CN110750524A (zh) * | 2019-09-12 | 2020-02-04 | 中国电力科学研究院有限公司 | 一种有源配电网故障特征的确定方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090249129A1 (en) * | 2007-10-12 | 2009-10-01 | David Femia | Systems and Methods for Managing Multi-Component Systems in an Infrastructure |
-
2020
- 2020-05-11 CN CN202010390508.2A patent/CN111666978B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
| CN106886481A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | 一种系统健康度静态分析预测方法及装置 |
| CN108287327A (zh) * | 2017-12-13 | 2018-07-17 | 广西电网有限责任公司电力科学研究院 | 基于贝叶斯分类的计量自动化终端故障诊断方法 |
| CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息系统故障定位系统及方法 |
| CN110750524A (zh) * | 2019-09-12 | 2020-02-04 | 中国电力科学研究院有限公司 | 一种有源配电网故障特征的确定方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111666978A (zh) | 2020-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038049B (zh) | 实时日志控制系统及控制方法、云计算系统及服务器 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
| CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN104574219A (zh) | 电网业务信息系统运行工况的监测预警方法及系统 | |
| CN111200530A (zh) | 一种基于kpi指标进行根因分析的方法及装置 | |
| CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
| CN114215705A (zh) | 风电机组故障预警方法和系统 | |
| CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
| CN114490235A (zh) | 智能化识别日志数据中的数量关系及其异常的算法模型 | |
| CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
| CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
| CN117667495A (zh) | 一种基于关联规则与深度学习集成模型的应用系统故障预测方法 | |
| CN116432099A (zh) | 日志分类方法、装置、电子设备及存储介质 | |
| CN115034128A (zh) | 一种智慧风电场智慧风电场风电机组评价方法 | |
| CN113407520A (zh) | 一种基于机器学习的电力网络安全数据清洗系统及方法 | |
| CN113591909A (zh) | 电力系统的异常检测方法、异常检测装置以及存储介质 | |
| CN110569277A (zh) | 一种配置数据信息自动识别与归类方法及系统 | |
| CN118519818B (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
| CN118673396B (zh) | 一种基于人工智能的大数据平台运维管理系统 | |
| CN114358911B (zh) | 开票数据风险控制方法、装置、计算机设备和存储介质 | |
| CN118381738A (zh) | 用于预测性维护的方法和装置 |
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 |