故障预测模型生成方法、装置、计算机设备和存储介质与流程

本技术涉及计算机，特别是涉及一种故障预测模型生成方法、装置、计算机设备和存储介质。

背景技术：

1、存放服务器等设备的机房的安全是保证系统平稳运行和保障数据可靠性的关键。在现实生活中，机房存在火灾、漏水等潜在的安全问题，然而目前常见的机房安全监测都是由运维人员进行人为监控或现场巡检，无法实现对机房内服务器等设备和如漏水等情况进行高效稳定的实时监测，从而导致对机房进行实时安全监测的效率较低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够实时监测机房潜在故障的故障预测模型生成方法、装置、计算机设备和存储介质，提高了对机房进行实时安全监测的效率。

2、一种故障预测模型生成方法，所述方法包括：

3、获取已训练的辅助预测模型对应的局部参考特征信息和全局参考特征信息，所述局部参考特征信息指输入的视频在预设时段内对应的视频段的特征信息，所述全局参考特征信息指输入的完整视频对应的特征信息；

4、将待训练视频集输入当前故障预测模型中，得到所述当前故障预测模型对应的局部特征信息、全局特征信息和第一损失数据；

5、基于所述局部参考特征信息与所述局部特征信息的差异，得到第二损失数据，基于所述全局参考特征信息与所述全局特征信息的差异，得到第三损失数据，将所述第一损失数据、所述第二损失数据和所述第三损失数据进行融合，得到所述当前故障预测模型对应的综合损失数据；

6、基于所述综合损失数据对所述当前故障预测模型进行调参操作，得到更新的故障预测模型，将所述更新的故障预测模型作为当前故障预测模型，进入将待训练视频集输入当前故障预测模型中的步骤，直至满足训练终止条件，得到目标故障预测模型，所述目标故障预测模型用于预测机房存在的潜在故障。

7、在其中一个实施例中，将待训练视频集输入当前故障预测模型中之前，还包括：

8、获取机房内各角度的监控摄像头拍摄的初始视频集，将所述初始视频集输入所述辅助预测模型中，得到预测结果；

9、基于所述预测结果对所述初始视频集标注标签，得到所述待训练视频集。

10、在其中一个实施例中，当前故障预测模型包括视觉特征提取网络、长短时特征提取网络和分类器；所述将待训练视频集输入所述当前故障预测模型中，得到所述当前故障预测模型对应的局部特征信息、全局特征信息和第一损失数据包括：

11、基于所述视觉特征提取网络对所述待训练视频集进行视觉特征提取，得到初始视觉特征信息，将所述初始视觉特征信息输入所述长短时提取网络，得到所述局部特征信息和所述全局特征信息；

12、将所述全局特征信息输入所述分类器，得到概率分布信息，获取所述待训练视频集对应的样本标签信息，基于预设交叉熵损失函数，计算得到所述概率分布信息和所述样本标签信息对应的第一损失数据。

13、在其中一个实施例中，基于所述局部参考特征信息与所述局部特征信息的差异，得到第二损失数据包括：

14、计算所述局部参考特征信息和第一预设权重对应的第一乘积值，计算所述局部特征信息与第二预设权重对应的第二乘积值；

15、基于所述第一乘积值和所述第二乘积值的差异，得到所述第二损失数据。

16、在其中一个实施例中，基于所述全局参考特征信息与所述全局特征信息的差异，得到第三损失数据包括：

17、基于预设核函数，分别计算所述全局参考特征信息和所述全局特征信息对应的第一映射信息和第二映射信息；

18、基于所述第一映射信息与所述第二映射信息的差异，得到所述第三损失数据。

19、在其中一个实施例中，所述方法还包括：

20、获取当前时刻机房内各角度部署的监控摄像头拍摄的待检测视频，将所述待检测视频输入所述目标故障预测模型，得到目标预测结果；

21、当所述目标预测结果为存在故障时，将故障存在信号发送至警报器，以使所述警报器启动警报操作。

22、一种故障预测模型生成装置，所述装置包括：

23、获取模块，用于获取已训练的辅助预测模型对应的局部参考特征信息和全局参考特征信息，所述局部参考特征信息指预设时段内对应的视频段的特征信息，所述全局参考特征信息指输入的完整视频对应的特征信息；

24、训练模块，用于将待训练视频集输入当前故障预测模型中，得到所述当前故障预测模型对应的局部特征信息、全局特征信息和第一损失数据；

25、计算模块，用于基于所述局部参考特征信息与所述局部特征信息的差异，得到第二损失数据，基于所述全局参考特征信息与所述全局特征信息的差异，得到第三损失数据，将所述第一损失数据、所述第二损失数据和所述第三损失数据进行融合，得到所述当前故障预测模型对应的综合损失数据；

26、调参模块，用于基于所述综合损失数据对所述当前故障预测模型进行调参操作，得到更新的故障预测模型，将所述更新的故障预测模型作为当前故障预测模型，进入将待训练视频集输入当前故障预测模型中的步骤，直至满足训练终止条件，得到目标故障预测模型，所述目标故障预测模型用于预测机房存在的潜在故障。

27、在其中一个实施例中，故障预测模型生成装置还包括标注模块，用于获取机房内各角度的监控摄像头拍摄的初始视频集，将所述初始视频集输入所述辅助预测模型中，得到预测结果；基于所述预测结果对所述初始视频集标注标签，得到所述待训练视频集。

28、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

29、获取已训练的辅助预测模型对应的局部参考特征信息和全局参考特征信息，所述局部参考特征信息指输入的视频在预设时段内对应的视频段的特征信息，所述全局参考特征信息指输入的完整视频对应的特征信息；

30、将待训练视频集输入当前故障预测模型中，得到所述当前故障预测模型对应的局部特征信息、全局特征信息和第一损失数据；

31、基于所述局部参考特征信息与所述局部特征信息的差异，得到第二损失数据，基于所述全局参考特征信息与所述全局特征信息的差异，得到第三损失数据，将所述第一损失数据、所述第二损失数据和所述第三损失数据进行融合，得到所述当前故障预测模型对应的综合损失数据；

32、基于所述综合损失数据对所述当前故障预测模型进行调参操作，得到更新的故障预测模型，将所述更新的故障预测模型作为当前故障预测模型，进入将待训练视频集输入当前故障预测模型中的步骤，直至满足训练终止条件，得到目标故障预测模型，所述目标故障预测模型用于预测机房存在的潜在故障。

33、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

34、获取已训练的辅助预测模型对应的局部参考特征信息和全局参考特征信息，所述局部参考特征信息指输入的视频在预设时段内对应的视频段的特征信息，所述全局参考特征信息指输入的完整视频对应的特征信息；

35、将待训练视频集输入当前故障预测模型中，得到所述当前故障预测模型对应的局部特征信息、全局特征信息和第一损失数据；

36、基于所述局部参考特征信息与所述局部特征信息的差异，得到第二损失数据，基于所述全局参考特征信息与所述全局特征信息的差异，得到第三损失数据，将所述第一损失数据、所述第二损失数据和所述第三损失数据进行融合，得到所述当前故障预测模型对应的综合损失数据；

37、基于所述综合损失数据对所述当前故障预测模型进行调参操作，得到更新的故障预测模型，将所述更新的故障预测模型作为当前故障预测模型，进入将待训练视频集输入当前故障预测模型中的步骤，直至满足训练终止条件，得到目标故障预测模型，所述目标故障预测模型用于预测机房存在的潜在故障。

38、上述故障预测模型生成方法、装置、计算机设备和存储介质，通过获取已训练的辅助预测模型对应的局部参考特征信息和全局参考特征信息，局部参考特征信息指输入的视频在预设时段内对应的视频段的特征信息，全局参考特征信息指输入的完整视频对应的特征信息；将待训练视频集输入当前故障预测模型中，得到当前故障预测模型对应的局部特征信息、全局特征信息和第一损失数据；基于局部参考特征信息与局部特征信息的差异，得到第二损失数据，基于全局参考特征信息与全局特征信息的差异，得到第三损失数据，将第一损失数据、第二损失数据和第三损失数据进行融合，得到当前故障预测模型对应的综合损失数据；基于综合损失数据对当前故障预测模型进行调参操作，得到更新的故障预测模型，将更新的故障预测模型作为当前故障预测模型，进入将待训练视频集输入当前故障预测模型中的步骤，直至满足训练终止条件，得到目标故障预测模型，目标故障预测模型用于预测机房存在的潜在故障，实现了将辅助预测模型学习到的知识传递到故障预测模型，是的故障预测模型只需要用较少数据量的训练数据便可学习到更多预测故障的知识规律，并将最终训练得到的目标故障预测模型应用于机房的安全监测中，通过实时对机房内各角度监控的视频预测机房潜在的危险故障，避免了人为安全监测时多因素影响以及多场景下监测效率以及准确性低的情况，从而较好地提高了对机房进行实时安全监测的效率。