一种基于节点嵌入的设备健康度评估方法与流程

1.本发明涉及设备健康度评估方法，尤其涉及一种基于节点嵌入的设备健康度评估方法。


背景技术：

2.随着信息设备自动化、集成化水平的提高，经典设备资产管理方法已无法满足当前设备管理需求。大量的路由器、交换机与专业生产设备的基本信息与运行状态数据超出了传统专家经验的分析能力，亟需智能化分析方法迁移应用。
3.现有的设备健康度评估方法大多基于可靠性为中心(rcm)的维修理念，通过定量建模描述历史故障数据，结合专家评估以确定设备的寿命与可靠性，进行预防维护决策，减少潜在的停产损失。
4.其中，传统方法多基于统计量定义、回归分析技术，典型的有相对健康度模型及其面向和领域的改进模型。基于专家知识定义应用场景下的统计量，例如设备运行指标、设备温度、相关产品技术指标等，再通过多元回归、熵值修正等技术实现统计量权重的计算，最终使用获得的相对健康度模型预测未来设备的健康度。
5.机器学习技术的发展为设备健康度评估引入了新的思路。现有的基于机器学习的方法同样基于专家知识定义设备关键特征，如设备基本信息、运行指标等，随后使用xgboost、聚类等机器学习算法进行特征建模，通过大量数据的训练以获取良好的分类或预测模型。
6.深度学习技术同样有所应用，但受限于深度学习模型所需的数据量与标签数量，相关技术迁移尚处于初步阶段，有研究者使用序列模型预测单一设备未来健康度，但相关准确率有待提升。特别是基于图节点嵌入的方法尚未迁移应用至设备健康度评估领域。
7.缺陷与不足：
8.基于不同技术的设备健康度预测方法存在不同的缺陷，包括：
9.1.基于统计的经典方法无法有效提取数据中的高层特征，其分类或预测的能力不足，导致健康度评估准确率不高，对生产环境中设备的维护指导意义有限。
10.2.基于机器学习的方法在一定程度上提高了评估准确率，但同样依赖于专家知识的引入，针对不同应用场景、不同设备状态的迁移能力不足。
11.3.基于深度学习方法在设备健康度评估领域中的应用方式还需要进一步研究，序列预测等方法只适用于单一设备，且消耗大量的计算资源，难以在拥有大量设备的真实场景中落地应用。


技术实现要素：

12.本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于节点嵌入的设备健康度评估方法，以达到在保证评估准确率的同时，降低对人员的技术要求目的。为此，本发明采取以下技术方案。
13.一种基于节点嵌入的设备健康度评估方法，包括以下步骤：
14.1)构建设备关联图模型，并通过特征抽取定义设备关联图中的节点特征；
15.11)获取设备信息；
16.设备信息包括设备基本信息、设备使用信息以面向具体设备类型的信息；设备基本信息包括生产厂商、出厂时间、设备类型；设备使用信息包括设备物理位置、日均工作时间、日均故障次数、日均温度；面向具体设备类型的信息包括基于设备类型的工作信息；
17.12)确定设备关联关系；
18.设备关联为设备信息之间的关联，若两台设备的某项信息相同，则视为两台设备间存在关联；
19.13)根据设备关联关系构建设备关联图；
20.首先对原始数据进行处理，针对每台设备，生成其设备信息向量作为设备特征；随后为每台设备构建节点，添加设备特征向量作为属性，若健康度已知，则添加作为标签；随后两两计算节点间的权重，并生成对应权重大于0的边；
21.2)基于设备关联图进行设备健康度评估；
22.基于设备关联图的边权重，捕捉设备间的全部关联，预测所有未知设备的健康度。
23.作为优选技术手段：在步骤13)中，设备关联图为一类图结构，包括节点和边；
24.节点：
25.其中每个节点表征一台设备，节点的属性即为该设备的信息构成的特征向量，其中连续值由下式归一化至[0,1]区间，离散值处理为独热码；
[0026]
标准化处理公式如下：
[0027][0028]
其中yi指字段i的标准化结果，xi指本设备在字段i的值，max(x)与min(x)指所有设备在字段i上的最大值与最小值；
[0029]
节点的标签为设备的健康度，其数值作为标签赋予对应的节点；
[0030]
边：
[0031]
设备关联图中的每条边都链接两个节点，边没有方向，但拥有权重；边的构建遵循如下流程：
[0032]
a)记任意两节点之间的边的权重为0；
[0033]
b)对任意两个节点，考察其对应的设备的信息；在设备信息中每存在一个相同的字段，这两个节点之间的边的权重增加1；
[0034]
c)在节点之间生成所有权重大于0的边。
[0035]
作为优选技术手段：步骤13)中，构建设备关联图包括以下步骤：
[0036]
131)获取设备信息，生成设备特征；
[0037]
132)根据设备特征生成节点；
[0038]
133)判断是否所有设备都生成了节点，若否，返回步骤131)，若是，进入下一步；
[0039]
134)节点间权重计算；两两计算节点间的权重；
[0040]
135)生成对应权重大于0的边。
[0041]
作为优选技术手段：步骤2)包括以下步骤：
[0042]
21)基于设备关联图，在图上进行随机游走获得节点序列；
[0043]
22)随后基于节点序列利用woed2vec算法计算节点嵌入向量；
[0044]
23)基于三层感知机，将节点嵌入向量与已知标签作为输入至感知机模型，感知机模型预测所有标签位置的节点标签，对设备健康度进行评估。
[0045]
作为优选技术手段：步骤21)中，由于设备关联图是一类静态的同构图，故需要对随机游走的转移概率进行调整：将当前处于节点v，下一步将转移到节点t的概率调整为：
[0046][0047][0048]
其中weight(t,v)代表了节点v与节点t之间的边的权重，nw(v)代表了节点v与所有邻居节点之间的边的权重和；ti指每一个与v相邻的节点，即为将每一个与v相邻的节点和v之间的连边权重求和。
[0049]
作为优选技术手段：选定游走获得的路径中节点数目为10。otherwise指“其他”，在公式中，当(t,v)∈e时有其他情况下时有p(t|v)＝0
[0050]
作为优选技术手段：步骤22)中，word2vec为一种图节点嵌入算法，将节点嵌入成向量，并使得属性相似的节点所获得的嵌入向量尽可能接近；
[0051]
对于步骤21)中随机游走获得的路径中的任意一条n
v-c
,
…
,n
v+c
中的节点v，word2vec最大化的目标函数为：
[0052][0053]
上式中的概率转换为一系列概率的积，最终的目标函数可以转化为：
[0054][0055]
其中代表节点ni的输入向量，即其属性，代表节点ni的输出向量，即其嵌入向量；v代表全部节点的数目；在i增长到v的计算过程中，上式计算出了全部节点的嵌入向量。t转置、e自然常数、σ求和。
[0056]
作为优选技术手段：步骤23)中的感知机模型在训练时，将所有健康度已知设备对应节点的嵌入向量作为三层感知机的输入，其健康度数值作为要拟合的标签；感知机模型训练完成后，将标签未知的节点的嵌入向量输入感知机模型，所获得的输出即为对应节点，即对应设备的预测健康度；
[0057]
三层感知机中的每层均为全连接层，每个神经元遵守如下的计算公式；
[0058]
output＝f(net-θ)
[0059]
net＝∑zi·
vi[0060]
其中，zi为上一层中第i个神经元的输出值，vi为上一层中第i个神经元链接本神经元的权重；θ为本神经元的偏差值，将其设置为0；f(x)为激活函数，激活函数为sigmoid函数。net是变量名，即output＝f(net-θ)中的net。
[0061]
有益效果：
[0062]
1.本发明提出的设备关联图能有效表征设备之间的复杂关联。传统方法往往聚焦于单一设备的历史运行数据，对设备间关联的分析仅限于同一生产厂商等基本信息关联带来的回归方程中权重相似度，没有获取到设备物理位置等关联的影响，例如共享共一套电源的设备可能受到相同供电状态影响而拥有相似的健康度。本发明提出的关联图的边权重计算方法有效地捕捉到了设备间的全部关联，能更为准确地体现设备健康度影响因素的影响效果，从而获得更准确的健康度数值。
[0063]
2.本发明将基于随机游走与word2vec的节点嵌入引入设备健康度评估领域，为本领域的研究与发展引入了新的思路。相对于现有的基于统计与机器学习的方法，节点嵌入方法降低了特征向量的维度，为后续计算降低了复杂度；另一方面，一台设备嵌入后的向量值受到与之拥有强关联的设备的影响，能够抽取到更高层的特征，实现更为精准的健康度评估。
[0064]
3.本发明基于图结构进行设备健康度评估，通过一次统一的节点嵌入便能够预测所有未知设备的健康度，解决了现有基于深度学习的设备健康度评估方法侧重单一设备健康度预测的不足。
[0065]
4.本发明通过设备最直观的基本信息与运行信息定义设备特征，摆脱了现有方法对专家知识的依赖。面向不同类型的设备，在没有专家知识定义的专属特征的前提下，本发明也能够正常运行，准确地实现设备健康度评估，降低了应用本发明的人员、数据完备性等方面门槛。
附图说明
[0066]
图1是本发明的设备关联图生成流程图。
[0067]
图2是本发明的设备健康度评估流程图。
具体实施方式
[0068]
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
[0069]
本发明包括步骤：
[0070]
s1:构建设备关联图模型，并通过特征抽取定义设备关联图中的节点特征；
[0071]
s11:获取设备信息；
[0072]
设备信息包括设备基本信息、设备使用信息以面向具体设备类型的其他信息。其中，设备基本信息包括生产厂商、出厂时间、设备类型等；设备使用信息包括设备物理位置、日均工作时间、日均故障次数、日均温度等；面向具体设备类型的其他信息指基于设备类型的工作信息，例如网络交换机包括日均转发量、日均风扇转速等。
[0073]
基于具体的场景与设备，设备信息可以无上限添加，从而形成更完善的设备特征。
[0074]
s12:确定设备关联关系；
[0075]
设备关联指设备信息之间的关联，若两台设备的某项信息相同，则视为两台设备间存在关联。在实际的生产场景中，关联越强的设备其健康度越相似。例如同一批出场的设备，或运行于同样温度下的设备。
[0076]
s13:根据设备关联关系构建设备关联图；
[0077]
为有效描述设备的信息与设备间的关联，需构建设备关联图。设备关联图图g＝《v,e》是一类图结构。
[0078]
节点:
[0079]
其中每个节点表征一台设备，节点的属性即为该设备的信息构成的特征向量，其中连续值由下式归一化至[0,1]区间，离散值处理为独热码。
[0080]
标准化处理公式如下：
[0081][0082]
其中yi指字段i的标准化结果，xi指本设备在字段i的值，max(x)与min(x)指所有设备在字段i上的最大值与最小值。
[0083]
节点的标签为设备的健康度，训练集中的数据健康度已知，其数值作为标签赋予对应的节点。
[0084]
边:
[0085]
设备关联图中的每条边都链接了两个节点，边没有方向，但拥有权重。边的构建遵循如下流程：
[0086]
a:记任意两节点之间的边的权重为0
[0087]
b:对任意两个节点，考察其对应的设备的信息。在设备信息中每存在一个相同的字段，这两个节点之间的边的权重增加1。
[0088]
c:在节点之间生成所有权重大于0的边。
[0089]
设备关联图生成流程如图1所示。首先对原始数据进行处理，针对每台设备，生成其设备信息向量作为设备特征；随后为每台设备构建节点，添加设备特征向量作为属性，若健康度已知，则添加作为标签；随后两两计算节点间的权重，并生成对应权重大于0的边。
[0090]
本技术方案通过设备关联图有效表征设备之间的复杂关联。关联图的边权重计算方法有效地捕捉到了设备间的全部关联，能更为准确地体现设备健康度影响因素的影响效果，从而获得更准确的健康度数值。
[0091]
通过设备最直观的基本信息与运行信息定义设备特征，摆脱了现有方法对专家知识的依赖。面向不同类型的设备，在没有专家知识定义的专属特征的前提下，本技术方案也能够正常运行，准确地实现设备健康度评估，降低了应用本发明的人员、数据完备性等方面门槛。
[0092]
s2:基于设备关联图进行设备健康度评估；其算法执行流程如附图2所示。
[0093]
s21:基于设备关联图，在图上进行随机游走获得节点序列；
[0094]
现有的随机游走方法大多可应用于异构图、异构信息网络等结构中。设备关联图是一类静态的同构图，因此需要对随机游走的转移概率进行调整。具体地，我们将当前处于节点v，下一步将转移到节点t的概率调整为：
[0095][0096][0097]
其中weight(t,v)代表了节点v与节点t之间的边的权重，nw(v)代表了节点v与所有邻居节点之间的边的权重和。我们选定游走获得的路径中节点数目为10。
[0098]
s22:随后基于节点序列利用woed2vec算法计算节点嵌入向量；
[0099]
word2vec算法是一种编码方式，我们将其改造为一种图节点嵌入算法，将节点嵌入成向量，并使得属性相似的节点所获得的嵌入向量尽可能接近。
[0100]
对于步骤s21中随机游走获得的路径中的任意一条n
v-c
,
…
,n
v+c
中的节点v，word2vec需要最大化的目标函数为
[0101][0102]
上式中的概率可以转换为一系列概率的积，最终的目标函数可以转化为
[0103][0104]
其中代表节点ni的输入向量，即其属性，代表节点ni的输出向量，即其嵌入向量；v代表全部节点的数目。在i增长到v的计算过程中，上式计算出了全部节点的嵌入向量。
[0105]
s23:基于三层感知机，将节点嵌入向量与已知标签作为输入至感知机模型，感知机模型预测所有标签位置的节点标签，对设备健康度进行评估。
[0106]
我们将所有健康度已知设备对应节点的嵌入向量作为三层感知机的输入，其健康度数值作为要拟合的标签，训练感知机模型。训练完成后将标签未知的节点的嵌入向量输入感知机模型，所获得的输出即为对应节点，即对应设备的预测健康度。
[0107]
三层感知机中的每层均为全连接层，每个神经元遵守如下的计算公式。
[0108]
output＝f(net-θ)
[0109]
net＝∑zi·
vi[0110]
其中，zi为上一层中第i个神经元的输出值，vi为上一层中第i个神经元链接本神经元的权重。θ为本神经元的偏差值，我们将其设置为0。f(x)为激活函数，激活函数为sigmoid函数。
[0111]
本技术方案将基于随机游走与word2vec的节点嵌入引入设备健康度评估领域，降低了特征向量的维度，为后续计算降低了复杂度；另一方面，一台设备嵌入后的向量值受到与之拥有强关联的设备的影响，能够抽取到更高层的特征，实现更为精准的健康度评估。
[0112]
基于图结构进行设备健康度评估，通过一次统一的节点嵌入便能够预测所有未知
设备的健康度，解决了现有基于深度学习的设备健康度评估方法侧重单一设备健康度预测的不足的问题。
[0113]
以上图所示的一种基于节点嵌入的设备健康度评估方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。