智能故障诊断系统及方法与流程

本发明涉及故障诊断和运维技术领域，具体地，涉及一种智能故障诊断系统及方法。

背景技术：

现代系统的基础架构，可能基于物理主机、虚拟机、云和混合云等等，并且随着微服务架构的发展，大型应用服务的架构也变得更加复杂，往往难以发现是哪台主机或者哪个服务发生的问题，导致系统异常。现有的故障定位技术多采用线性的启发式的算法，有一定的局限性，在应对一些复杂场景时往往可能无法准确找出问题根源，也难以根据实际情况优化算法，以提高在该场景的定位准确率。

经过检索，专利文献cn110231529a公开了一种控制柜智能故障诊断系统及故障诊断方法，包括振动传感器、温度变送器、电流变送器、电压变送器、数据采集卡、工控机、显示装置、报警装置、接线端子排、故障诊断软件、振动采样电阻、温度采样电阻、电流采样电阻、电压采样电阻、电源组成；在控制柜工作过程中，通过采集其振动、温度、电流、电压参数，实现控制柜的故障状态检测，从而判断控制柜是否为健康状态或者变压器短路故障、变频器输入缺相故障、变频器输出缺相故障、继电器跳动故障、变压器扰动温升故障中的某一类故障。该现有技术的不足之处在于很难精准定位，无法准确找出问题根源。

因此，很有必要开发一种能够实现复杂场景精准定位的智能故障诊断系统及方法。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种智能故障诊断系统及方法，通过网络拓扑方式显示主机或应用的指标，当发生异常时，可以显示发生异常的组件或应用，并且可以智能定位可能出问题的组件或应用。

根据本发明提供的一种智能故障诊断系统，包括：

模型训练模块：获取各种故障的多个特征，对故障定位的模型进行训练；

模型应用模块：将训练后的故障定位模型应用到真实场景中。

优选地，模型训练模块包括：

随机拓扑生成模块：用于生成训练样本的拓扑图；

随机样本生成模块：用于生成训练样本的故障信息；

模型训练子模块：根据随机拓扑生成模块生成的拓扑图和随机样本生成模块生成的故障信息训练故障定位诊断模型。

优选地，模型训练模块还包括模型ui模块，根据模型训练子模块训练得到的故障定位诊断模型调整模型和显示模型信息。

优选地，模型应用模块包括：

拓扑转换模块：用于将组件或主机间的调用关系转换为拓扑关系图；

智能诊断模块：根据拓扑关系和故障信息判断故障位置及故障原因。

优选地，模型应用模块还包括应用ui模块，根据拓扑转换模块转换成的拓扑关系图和智能诊断模块生成的故障信息进行显示及标注。

根据本发明提供的一种智能故障诊断方法，包括如下步骤：

步骤1：获取各种故障的多个特征，对故障定位的模型进行训练；

步骤2：将训练后的故障定位模型应用到真实场景中。

优选地，步骤1包括如下步骤：

步骤1.1：将模型训练模块随机生成大量拓扑图及预定义错误类型作为学习样本；

步骤1.2：根据学习样本标注故障位置及故障原因；

步骤1.3：根据标注的故障位置及故障原因信息生成样本数据；

步骤1.4：利用算法将生成的样本数据训练生成智能诊断模型。

优选地，步骤2包括如下步骤：

步骤2.1：按照组件或主机间的调用关系生成网络拓扑的有向图；

步骤2.2：根据网络拓扑的有向图标注产生异常指标的节点；

步骤2.3：将网络拓扑的有向图转换为领接矩阵并把异常指标代表的信息转换为异常向量；

步骤2.4：使用异常向量调用智能诊断模型，生成诊断结果；

步骤2.5：根据诊断结果反馈系统正确结果以优化智能诊断模型。

与现有技术相比，本发明具有如下的有益效果：

1、本发明通过提供不同概率结果的预测和反馈，可以对不同场景进行优化，能够更加准确的判断问题发生的根源，帮助运维人员排查和解决问题。

2、本发明通过随机生成拓扑结构，结合ui进行标注，提出了一种大大加速了告警模型数据生成的方法。

3、本发明能够对复杂拓扑图进行错误诊断，并使用大量样本数据预生成错误向量后使用诊断模型进行定位，能大大提高定位的准确率。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明中的模型训练模块示意图；

图2为本发明中的模型应用模块示意图；

图3为本发明中的模型训练流程示意图；

图4为本发明中的模型应用流程示意图；

图5为本发明中的异常节点标注示例图；

图6为本发明中的拓扑转换示例图；

图7为本发明中的应用模型示例图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1、图2所示，本发明提供的一种智能故障诊断系统，包括：模型训练模块和模型应用模块。

其中，模型训练模块用于获取各种故障的多个特征，对故障定位的模型进行训练；模型应用模块将训练后的故障定位模型应用到真实场景中。

进一步来说，模型训练模块包括随机拓扑生成模块、随机样本生成模块、模型训练子模块和模型ui模块，

随机拓扑生成模块：用于生成训练样本的拓扑图；

随机样本生成模块：用于生成训练样本的故障信息；

模型训练子模块：根据随机拓扑生成模块生成的拓扑图和随机样本生成模块生成的故障信息训练故障定位诊断模型；

模型ui模块：根据模型训练子模块训练得到的故障定位诊断模型调整模型和显示模型信息。

模型训练模块包括随机拓扑生成模块、随机样本生成模块、模型训练子模块和应用ui模块，

拓扑转换模块：用于将组件或主机间的调用关系转换为拓扑关系图；

智能诊断模块：根据拓扑关系和故障信息判断故障位置及故障原因；

应用ui模块：根据拓扑转换模块转换成的拓扑关系图和智能诊断模块生成的故障信息进行显示及标注。

如图3、4所示，本发明提供的一种智能故障诊断方法，包括如下步骤：

步骤1：获取各种故障的多个特征，对故障定位的模型进行训练。

步骤1.1：将模型训练模块随机生成大量拓扑图及预定义错误类型作为学习样本。生成过程可以通过多个参数来控制，譬如节点数，变量数，平均/最大/最小入度数，平均/最大/最小出度数等。

步骤1.2：根据学习样本标注故障位置及故障原因；也可以不限于错误信息，对各个组件进行信息标注。

步骤1.3：根据标注的故障位置及故障原因信息生成样本数据；

步骤1.4：利用算法将生成的样本数据训练生成智能诊断模型，可根据实际情况调整算法以满足不同场景需求，包括但不限于：贝叶斯网络、支持向量积、神经网络等。

步骤2：将训练后的故障定位模型应用到真实场景中。

步骤2.1：按照组件或主机间的调用关系生成网络拓扑的有向图；使用拓扑模块将关系信息转换为拓扑图，可在应用ui模块中进行显示。

步骤2.2：根据网络拓扑的有向图标注产生异常指标的节点；如图5所示，每个节点可以标注任意多个不同的故障或错误信息。

步骤2.3：将网络拓扑的有向图转换为领接矩阵并把异常指标代表的信息转换为异常向量；如图6所示，使用预训练的错误关系模型把错误信息转换为异常向量。

步骤2.4：使用异常向量调用智能诊断模型，生成诊断结果；诊断结果包括了各个节点可能的故障原因的概率信息，结果示例如图7所示。

步骤2.5：根据诊断结果反馈系统正确结果以优化智能诊断模型。判断故障原因，可以看到故障点主要在0组件上。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。