基于深度学习的设备告警知识库的构建方法和装置与流程

本发明涉及计算机技术领域，尤其涉及一种基于深度学习的设备告警知识库的构建方法和装置。

背景技术：

发明人在研究中发现，现有的智能设备制造告警信息库存在数据缺失、数据重复、时间不同步、含有大量噪音的问题。而一个数据完整、数据准确的告警信息库对提高排查故障效率、保障智能设备的正常生产具有重要意义。因此，如何克服智能设备告警信息库存在数据缺失、数据重复、时间不同步、含有大量噪音的问题从而得到数据更为完整、准确的告警信息库是亟需解决的技术问题。

技术实现要素：

本发明的目的在于提供一种设备告警知识库的构建方法，以解决现有智能设备告警信息库存在数据缺失、数据重复和时间不同步、含有大量噪音的技术问题。

为了解决上述技术问题，本发明实施例提供一种基于深度学习的设备告警知识库的构建方法，包括：

采用滑动时间窗口的方式对同一设备一段时间内的告警数据进行同步处理，得到不同窗口的告警事务库；其中，同一窗口内冗余的告警数据保留一个；所述告警数据包括告警类型和告警级别；

通过关联规则算法，从所述不同窗口的告警事物库中提取出提取满足预设频率和预设相关度的告警数据作为第二告警数据；其中，所述第二告警数据包括第二告警类型、第二告警级别；

分别对所述第二告警类型和所述第二告警级别进行向量化处理，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示；

拼接所述第二告警类型的向量表示和所述第二告警级别的向量表示，得到所述告警数据的向量表示；

对所述第二告警数据对应的设备信息数据进行归一化处理，并对归一化后的所述设备信息数据进行向量化处理，获取所述设备信息数据的向量表示；

采用深度学习方法对所述第二告警数据的向量表示和所述设备信息数据的向量表示进行训练，获取对应所述第二告警数据的重要的设备信息以及对应所述第二告警数据的重要的设备信息的阈值；

选取所述第二告警数据、所述对应所述第二告警数据的重要的设备信息以及所述对应所述第二告警数据的重要的设备信息的阈值构建告警知识库。

进一步地，所述分别对所述第二告警类型和所述第二告警级别进行向量化处理，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示，具体为：

通过向量内嵌的方式分别将所述第二告警类型和所述第二告警级别转换成固定长度的向量，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示。

进一步地，所述对所述第二告警数据对应的设备信息数据进行归一化处理，具体为：将所述第二告警数据对应的设备信息数据归一化到0-1范围内。

第二方面，本发明实施例提供一种基于深度学习的设备告警知识库的构建装置，包括：

处理模块，用于采用滑动时间窗口的方式对同一设备一段时间内的告警数据进行同步处理，得到不同窗口的告警事务库；其中，同一窗口内冗余的告警数据保留一个；所述告警数据包括告警类型和告警级别；

提取模块，用于通过关联规则算法，从所述不同窗口的告警事物库中提取出满足预设频率和预设相关度的告警数据作为第二告警数据；其中，所述第二告警数据包括第二告警类型、第二告警级别；

告警数据向量化模块，用于分别对所述第二告警类型和所述第二告警级别进行向量化处理，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示；

向量拼接模块，用于拼接所述第二告警类型的向量表示和所述第二告警级别的向量表示，得到所述告警数据的向量表示；

归一化处理模块，用于对所述第二告警数据对应的设备信息数据进行归一化处理；

设备信息数据向量化模块，用于对归一化后的所述设备信息数据进行向量化处理，获取所述设备信息数据的向量表示；

训练模块，用于采用深度学习方法对所述第二告警数据的向量表示和所述设备信息数据的向量表示进行训练，获取对应所述第二告警数据的重要的设备信息以及对应所述第二告警数据的重要的设备信息的阈值；

告警知识库构建模块，用于选取所述第二告警数据、所述对应所述第二告警数据的重要的设备信息以及所述对应所述第二告警数据的重要的设备信息的阈值构建告警知识库。

进一步地，所述分别对所述第二告警类型和所述第二告警级别进行向量化处理，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示，具体为：

通过向量内嵌的方式分别将所述第二告警类型和所述第二告警级别转换成固定长度的向量，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示。

进一步地，所述对所述第二告警数据对应的设备信息数据进行归一化处理，具体为：将所述第二告警数据对应的设备信息数据归一化到0-1范围内。

第三方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述所述的基于深度学习的设备告警知识库的构建方法。

综上，本发明实施例的有益效果在于：

本发明实施例通过采用滑动时间窗口的方式对同一设备一段时间内的告警数据进行同步处理，且同一窗口内冗余的告警数据保留一个；通过关联规则算法，取出满足预设频率和预设相关度的告警数据(告警数据包括告警类型、告警级别)，并分别对所述告警类型和告警级别进行向量化处理，拼接告警类型的向量表示和告警级别的向量表示，得到告警数据的向量表示；对告警数据对应的设备信息数据进行归一化处理，并对归一化后的设备信息数据进行向量化处理，获取设备信息数据的向量表示；采用深度学习方法对告警数据的向量表示和设备信息数据的向量表示进行训练，获取重要的设备信息以及重要的设备信息的阈值，通过选取告警数据、对应告警数据的重要的设备信息以及对应告警数据的重要的设备信息的阈值构建告警知识库解决了智能设备告警信息库存在数据缺失、数据重复、时间不同步、含有大量噪音的问题，能够提供数据更为完整、准确的告警信息库，从而使得设备维修人员，可以根据实时的设备信息数据可以要快速预测设备产生故障的原因以及快速定位故障点。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，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是本发明其中一个实施例提供的基于深度学习的设备告警知识库的构建方法的流程图。

图2是本发明其中一个实施例提供的告警数据表。

图3是本发明其中一个实施例构建的告警知识库。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，本发明实施例提供一种设备告警知识库的构建方法，包括：

s1、采用滑动时间窗口的方式对同一设备一段时间内的告警数据进行同步处理，得到不同窗口的告警事务库；其中，同一窗口内冗余的告警数据保留一个；所述告警数据包括告警类型和告警级别。

在本发明实施例中，所述采用滑动时间窗口的方式对同一设备一段时间内的告警事务数据进行同步处理，具体的，根据告警数据表(如图2所示)，采用滑动时间窗口的方式对同一设备一段时间内的告警数据进行同步处理，所述告警数据表包括告警数据、告警级别&告警类型的标签化、设备编号、时间(告警时间)；其中，告警数据具体包告警类型、告警级别。

s2、从所述不同窗口的告警事物库中提取出满足预设频率和预设相关度的告警数据作为第二告警数据；其中，所述第二告警数据包括第二告警类型、第二告警级别。

关联规则中常用的一种算法是apriori算法。该算法主要包含两个步骤：首先找出数据集中所有的频繁项集，这些项集出现的频繁性要大于或等于最小支持度；然后根据频繁项集产生强关联规则，这些规则必须满足最小支持度和最小置信度。以图2的告警数据表为例，通过关联规则算法，可得知{1,4}，{1,3,4}具有较大的关联性。因此，需要提取发生频率较大、相关性比较大的告警数据。

s3、分别对所述第二告警类型和所述第二告警级别进行向量化处理，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示。

在本发明实施例中，具体的，通过embedding(向量内嵌)的方式，将所述第二告警类型与所述第二告警级别分别转换成固定长度的向量表示。

s4、拼接所述第二告警类型的向量表示和所述第二告警级别的向量表示，得到所述告警数据的向量表示。

例如，a类型告警的向量化表示为000111；一级告警的向量化表示为：111001，通过向量拼接，得到图2的第一个告警数据的向量表示为“000111111001”。

s5、对所述第二告警数据对应的设备信息数据进行归一化处理，并对归一化后的所述设备信息数据进行向量化处理，获取所述设备信息数据的向量表示。

具体的，将设备信息数据归一化到0-1范围内。

需要说明的是，由于触发设备告警的设备信息有很多种(例如，风扇的转述、机器的压力、温度等)且每一种设备信息对各种告警事务(告警事务包括告警类型和告警级别，是本发明实施例中告警数据的俗称)具有不同的贡献，因此若直接采用原始的设备信息数据进行数据处理，由于每种设备信息数据的数量级不一致，会引起噪音问题，从而导致计算结果误差大。本发明实施例通过对设备信息参数进行归一化处理，即将设备信息数据的数量级统一起来，解决了引入噪音的问题，计算结果更加准确。通过对设备信息数据进行归一化处理和向量化处理，能够降低算法的计算复杂度。

在其中一种实施例中，通过embedding(向量内嵌)的方式，将所述设备信息数据转换成固定长度的向量表示。

s6、采用深度学习方法对所述第二告警数据的向量表示和所述设备信息数据的向量表示进行训练，获取对应所述第二告警数据的重要的设备信息以及对应所述第二告警数据的重要的设备信息的阈值。

其中，所述采用深度学习方法对所述第二告警数据的向量表示和所述设备信息数据的向量表示进行训练，获取对应所述第二告警数据的重要的设备信息以及对应所述第二告警数据的重要的设备信息的阈值包括：

采用深度学习方法对所述第二告警数据的向量表示和所述设备信息数据的向量表示进行训练，获取对应所述第二告警数据的重要的设备信息向量；

对所述对应所述第二告警数据的重要的设备信息向量反卷积获得对应所述第二告警数据的重要的设备信息的阈值。

由于设备故障的类型是多种多样的，且故障之间有相互的关联性，由于传统的神经网络一般只能处理一个输出，本发明实施例通过对设备信息(故障属性，例如风扇的转述、机器的压力、温度)进行向量化处理，并采用拼接告警类型和告警级别的的方法标识故障属性的多样化，解决了在传统神经网络里不能处理的问题。

s7、选取所述第二告警数据、所述对应所述第二告警数据的重要的设备信息以及所述对应所述第二告警数据的重要的设备信息的阈值构建告警知识库。

在其中一个实施例中，所述告警知识库如图3所示。

综上，通过本发明实施例提供的设备告警知识库的构建方法能够提供数据更为完整、准确的告警信息库，从而使得设备维修人员，可以根据实时的设备信息数据可以要快速预测设备产生故障的原因以及快速定位故障点。

在其中一种优选的实施例中，所述分别对所述第二告警类型和所述第二告警级别进行向量化处理，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示，具体为：

通过向量内嵌的方式分别将所述第二告警类型和所述第二告警级别转换成固定长度的向量，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示。

在其中一种优选的实施例中，所述对所述第二告警数据对应的设备信息数据进行归一化处理，具体为：将所述第二告警数据对应的设备信息数据归一化到0-1范围内。

实施例2：

本发明实施例提供一种基于深度学习的设备告警知识库的构建装置，包括：

处理模块，用于采用滑动时间窗口的方式对同一设备一段时间内的告警数据进行同步处理，得到不同窗口的告警事务库；其中，同一窗口内冗余的告警数据保留一个；所述告警数据包括告警类型和告警级别；

提取模块，用于通过关联规则算法，从所述不同窗口的告警事物库中提取出满足预设频率和预设相关度的告警数据作为第二告警数据；其中，所述第二告警数据包括第二告警类型、第二告警级别；

告警数据向量化模块，用于分别对所述第二告警类型和所述第二告警级别进行向量化处理，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示；

向量拼接模块，用于拼接所述第二告警类型的向量表示和所述第二告警级别的向量表示，得到所述告警数据的向量表示；

归一化处理模块，用于对所述第二告警数据对应的设备信息数据进行归一化处理；

设备信息数据向量化模块，用于对归一化后的所述设备信息数据进行向量化处理，获取所述设备信息数据的向量表示；

训练模块，用于采用深度学习方法对所述第二告警数据的向量表示和所述设备信息数据的向量表示进行训练，获取对应所述第二告警数据的重要的设备信息以及对应所述第二告警数据的重要的设备信息的阈值；

告警知识库构建模块，用于选取所述第二告警数据、所述对应所述第二告警数据的重要的设备信息以及所述对应所述第二告警数据的重要的设备信息的阈值构建告警知识库。

在其中一种优选的实施例中，所述分别对所述第二告警类型和所述第二告警级别进行向量化处理，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示，具体为：

通过向量内嵌的方式分别将所述第二告警类型和所述第二告警级别转换成固定长度的向量，获得所述第二告警类型的向量表示和所述第二告警级别的向量表示。

在其中一种优选的实施例中，所述对所述第二告警数据对应的设备信息数据进行归一化处理，具体为：将所述第二告警数据对应的设备信息数据归一化到0-1范围内。

需要说明的是，本发明第一实施例提供的基于深度学习的设备告警知识库的构建方法的所有技术内容、技术效果以及对所述第一实施例提供的基于深度学习的设备告警知识库的构建方法所有解释、说明均适用于本发明第二实施例提供的基于深度学习的设备告警知识库的构建装置，因此本发明第二实施例在此不作过多赘述。

实施例3：

本发明实施例还提供一种计算机可读存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如上述的基于深度学习的设备告警知识库的构建方法，并达到与上述的基于深度学习的设备告警知识库的构建方法一致的技术效果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可监听存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。