一种基于深度学习的炼钢系统预警方法和系统与流程

本发明属于自动化运维技术领域，特别涉及基于深度学习的一种基于深度学习的炼钢系统预警方法和系统。

背景技术：

传统炼钢系统维护以手工操作为主、简单脚本为辅的模式，存在操作风险隐患大、故障定位时间长、配套工作效率低、数据运用不充分、智能化水平不足等问题。具体的存在以下几个问题：1.运维操作依赖手工处理，存在操作风险隐患；2.故障排查定位时间长，不利于业务快速恢复；3.缺乏高效的自动化工具，运维工作效率低下；4.运维数据分析利用不充分，难以满足预测性监控需要；5.机房智能化应用不足，管理水平有待提高。

随着智能化技术发展，产生了智能化运维系统，智能化运维系统的发展可分为二个阶段。第一阶段是基于理解和模仿人类逻辑，典型代表是“专家系统”，它会产生各种规则。第二个阶段是机器学习，机器学习通过数据统计和概率分布发现数据之间的规律和问题，如回归、随机森林、支持向量机等方法。这一阶段的突出特点是需要专家提前确定数据特征，不同的特征对应不同的算法。

虽然智能运维系统第两个阶段基本实现了自动化运维，但仍然存在几个缺陷。第一，配置逻辑流程不能太复杂，否则只能通过代码来实现。第二，当只有几个节点时，规则很好定义，但是如果有大量节点，则很难同时定义成千上万条规则。第三，对于大型开放网络，运维人员不知道该网络何时会产生一个新角色以及该角色与其他角色之间的关系，当出现问题再来制定监控规则时已出现了损失。第四，需要专家提前确定数据特征，然而有些数据特征确定有难度时，运维系统无法运行。

技术实现要素：

鉴于上述问题，提出了本以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度学习的炼钢系统预警方法和系统。

一种基于深度学习的炼钢系统预警方法，包括：

s100.利用预设样本库中的炼钢系统历史监控数据和对应的系统预警级别作为深度信念网模型的学习数据，无监督的对深度信念网模型进行训练，提取出历史监控数据中的深层特征；

s200.利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果；

s300.利用bp反向传播算法对初始模型进行优化，得到系统预警模型；

s400.实时获取炼钢系统监控数据，将获取炼钢系统监控数据输入到系统预警模型，得到当前炼钢系统预警级别，达到对炼钢系统进行预警目的。

进一步地，预设样本库中的炼钢系统历史监控数据可以由炼钢系统中的监控信息、日志文件获取。

进一步地，s100中，在输入层输入数据，通过无监督的深度学习结构得到深层特征。

进一步地，深度信念网模型，通过多层限制性玻尔兹曼机进行网络预训练，得到了输入数据的分布参数的权重矩阵w。

进一步地，深度信念网模型学习网络参数至少包括：学习率、迭代次数、批次大小、激活函数、隐含层的数目和单元数、权重初始化、dropout方法。

进一步地，s300方法包括：使用交叉迭代的方法优化深层自编码机和固定类中心的聚类；基于聚类分析的结果，对每一个簇进行进一步数据分析，获取预警信息之间的内在规律，形成系统预警模型。

本发明还公开了一种基于深度学习的炼钢系统预警系统，其特征在于，包括：数据库模块、深度学习模块、聚类算法模块；其中：

数据库模块，用于存储炼钢系统历史监控数据和对应的系统预警级别数据，将所述数据作为深度学习模块训练数据；

深度学习模块，利用炼钢系统历史监控数据和对应的系统预警级别数据，无监督进行训练，提取出历史监控数据中的深层特征；

聚类算法模块，利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果，利用bp反向传播算法对深度学习提取的特征和预聚类结果优化，得到系统预警模型。

进一步地，深度学习模块，通过多层限制性玻尔兹曼机进行网络预训练，得到了输入数据的分布参数的权重矩阵w。

进一步地，如权利要求7的一种基于深度学习的炼钢系统预警系统，其特征在于，聚类算法模块聚类方法方法包括：使用交叉迭代的方法优化深层自编码机和固定类中心的聚类；基于聚类分析的结果，对每一个簇进行进一步数据分析，获取预警信息之间的内在规律，形成系统预警模型。

本发明的有益效果是：本发明提出了一种基于深度学习的系统预警方法和系统，从监控信息、日志文件等获取源数据，把获得的数据离散取样得到时间序列的数据集。使用训练数据集对深度学习模型进行训练训练，挖掘出预警信息产生的内在规律以及在故障出现之前一段时间的数据的综合特征变化，最终得到稳定的深度学习算法系统预警模型，通过系统预警模型对系统预测警告，本发明使得监控数据经过深度学习模型完全自动分类，解决了专家依赖的问题，并且达到更好的系统预警效果。

本发明的其它特征和优点将在随后的说明书中阐述，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例一中，一种基于深度学习的系统预警方法流程图。

具体实施方式

下面将参照附图更详细地描述本公开发明的示例性实施例。虽然附图中显示了本公开发明的示例性实施例，然而应当理解，可以以各种形式实现本公开发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开发明，并且能够将本公开发明的范围完整的传达给本领域的技术人员。

为了解决现有技术预警系统对专家经验过于依赖的问题，本发明实施例提供了一种基于深度学习的系统预警方法和系统。

实施例1

本实施例公开了一种基于深度学习的炼钢系统预警方法，其特征在于，包括：

s100.利用预设样本库中的炼钢系统历史监控数据和对应的系统预警级别作为深度信念网模型的学习数据，无监督的对深度信念网模型进行训练，提取出历史监控数据中的深层特征。

在一些优选实施例中，s100中，在输入层输入数据通过无监督的深度学习结构得到深层特征。具体的，输入模型的原始数据是经过处理以后，符合模型输入格式要求的数据。其中，日志信息处理方法包括：cpu、load、内存、磁盘、io、网络相关、内核参数、ss统计输出、端口采集、核心服务的进程存活信息采集、关键业务进程资源消耗、ntpoffset采集、dns解析采集等。人历史监控数据处理信息包括：通过人工处理的数据信息以及处理过程。

在一些优选实施例中，通过多层限制性玻尔兹曼机进行网络预训练，得到了输入数据的分布参数的权重矩阵w。

在一些优选实施例中，深度信念网模型学习网络参数至少包括：学习率、迭代次数、批次大小、激活函数、隐含层的数目和单元数、权重初始化、dropout方法。

s200.利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果。

在本实施例中，在预聚类层中，聚类算法对深层特r进行预聚类，并产生出初步的聚类中心、和隶属度矩阵。通过预聚类，把得到的所有数据信息进行粗分类，方便后面对不同的信息高效、正确分类。

在一些优选实施例中，s200方法具体为：使用交叉迭代的方法优化深层自编码机和固定类中心的聚类；基于聚类分析的结果，对每一个簇进行进一步数据分析，获取预警信息之间的内在规律，形成系统预警模型。

s300.利用bp反向传播算法对初始模型进行优化，得到系统预警模型。具体的，在本实施例中，bp算法的基本思想是，学习过程由信号的正向传播与误差反向传播两个过程组成。正向传播时，输入样本从输入层传入，经过各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。误差反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层的误差信号，此误差信号即作为修正单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程周而复始的进行，权值不断调整的过程，也就是网络学习训练的过程，此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。

s400.实时获取炼钢系统监控数据，将获取炼钢系统监控数据输入到系统预警模型，得到当前炼钢系统预警级别，达到对炼钢系统进行预警目的。

本发明提出了一种基于深度学习的系统预警方法，从监控信息、日志文件等获取源数据，把获得的数据离散取样得到时间序列的数据集。使用训练数据集对深度学习模型进行训练训练，挖掘出预警信息产生的内在规律以及在故障出现之前一段时间的数据的综合特征变化，最终得到稳定的深度学习算法系统预警模型，通过系统预警模型对系统预测警告，本发明使得监控数据经过深度学习模型完全自动分类，解决了专家依赖的问题，并且达到更好的系统预警效果。

实施例2

本实施例贵了一种基于深度学习的炼钢系统预警系统，包括：

数据库模块、深度学习模块、聚类算法模块；其中：

数据库模块，用于存储炼钢系统历史监控数据和对应的系统预警级别数据，将所述数据作为深度学习模块训练数据。

具体的，样本库中的炼钢系统历史监控数据可以由炼钢系统中的监控信息、日志文件获取。其中，日志信息处理方法包括：cpu、load、内存、磁盘、io、网络相关、内核参数、ss统计输出、端口采集、核心服务的进程存活信息采集、关键业务进程资源消耗、ntpoffset采集、dns解析采集等。人历史监控数据处理信息包括：通过人工处理的数据信息以及处理过程。

深度学习模块，利用炼钢系统历史监控数据和对应的系统预警级别数据，无监督进行训练，提取出历史监控数据中的深层特征。

在本实施例中，通过多层限制性玻尔兹曼机进行网络预训练，得到了输入数据的分布参数的权重矩阵w。其中，深度学习模块训练过程为：在输入层输入数据通过无监督的深度学习结构得到深层特征。具体的，输入模型的原始数据是经过处理以后，符合模型输入格式要求的数据。

在本实施例中，深度信念网模型学习网络参数至少包括：学习率、迭代次数、批次大小、激活函数、隐含层的数目和单元数、权重初始化、dropout方法。

聚类算法模块，利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果，利用bp反向传播算法对深度学习提取的特征和预聚类结果优化，得到系统预警模型。

具体的，聚类算法模块通过预聚类层使用模糊聚类算法对预训练得到的深层特征表示进行预聚类，并得到初步的聚类中心和类标签。通过预聚类，把得到的所有数据信息进行粗分类，方便后面对不同的信息高效、正确分类。当得到预聚类后，使用bp反向传播算法对初始模型进行优化，得到系统预警模型。

当训练得到最终系统预警模型后，系统实时获取炼钢系统监控数据，将获取炼钢系统监控数据输入到系统预警模型，得到当前炼钢系统预警级别，达到对炼钢系统进行预警目的。

本发明提出了一种基于深度学习的系统预警系统，从监控信息、日志文件等获取源数据，把获得的数据离散取样得到时间序列的数据集。使用训练数据集对深度学习模型进行训练训练，挖掘出预警信息产生的内在规律以及在故障出现之前一段时间的数据的综合特征变化，最终得到稳定的深度学习算法系统预警模型，通过系统预警模型对系统预测警告，本发明使得监控数据经过深度学习模型完全自动分类，解决了专家依赖的问题，并且达到更好的系统预警效果。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开发明的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开发明。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开发明的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。该asic可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。