[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)故障診斷方法及裝置

在審

• 申請?zhí)枺?/td>: 201611206558.0
• 申請日: 2016-12-23
• 公開（公告）號: CN106650919A
• 公開（公告）日: 2017-05-10
• 發(fā)明（設(shè)計(jì)）人: 閆龍川;劉軍;胡威;張書林;金鑫;李君婷;高德荃;劉洋;崔碩;劉冬梅
• 申請（專利權(quán)）人: 國家電網(wǎng)公司信息通信分公司;國家電網(wǎng)公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G05B23/02
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司11227
• 代理人: 羅滿

技術(shù)領(lǐng)域

本發(fā)明涉及信息系統(tǒng)運(yùn)行維護(hù)領(lǐng)域，特別涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)故障診斷方法及裝置。

背景技術(shù)

隨著云計(jì)算、大數(shù)據(jù)的發(fā)展和應(yīng)用，信息服務(wù)無處不在，已經(jīng)完全融入到人們生產(chǎn)和生活之中，因此要求信息系統(tǒng)能夠可靠地提供各類服務(wù)。信息系統(tǒng)運(yùn)行時積累了大量數(shù)據(jù)，可以很好地反映信息系統(tǒng)的運(yùn)行狀態(tài)，為故障時的智能診斷提供了重要的基礎(chǔ)。

智能故障診斷是一個傳統(tǒng)的研究領(lǐng)域，在各行各業(yè)都有著一定的研究和實(shí)踐。在信息系統(tǒng)故障診斷方面，也開展了這方面的研究和探索。目前，現(xiàn)有技術(shù)支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)(BP，Back Propagation，反向傳播)和決策樹等機(jī)器學(xué)習(xí)方法在信息通信故障診斷中已經(jīng)得到了一定的研究和應(yīng)用。但這些方法存在預(yù)測精度低，且需要人工選取特征從而導(dǎo)致主觀性強(qiáng)等問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)故障診斷方法，以避免因人為因素而產(chǎn)生的誤差，提高故障診斷精準(zhǔn)度。其具體方案如下：

一種基于卷積神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)故障診斷方法，包括：

獲取運(yùn)行監(jiān)控數(shù)據(jù)；

利用所述運(yùn)行監(jiān)控數(shù)據(jù)，創(chuàng)建運(yùn)行監(jiān)控數(shù)據(jù)矩陣；

將所述運(yùn)行監(jiān)控數(shù)據(jù)矩陣輸入到故障診斷模型，得到診斷結(jié)果，其中，所述故障診斷模型為利用歷史運(yùn)行監(jiān)控數(shù)據(jù)矩陣和運(yùn)行狀態(tài)標(biāo)簽，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述故障診斷模型。

優(yōu)選的，所述利用所述運(yùn)行監(jiān)控數(shù)據(jù)，創(chuàng)建運(yùn)行監(jiān)控數(shù)據(jù)矩陣的過程包括：

將所述運(yùn)行監(jiān)控數(shù)據(jù)按照信息的類型進(jìn)行排列，創(chuàng)建所述運(yùn)行監(jiān)控數(shù)據(jù)矩陣。

優(yōu)選的，所述獲取運(yùn)行監(jiān)控數(shù)據(jù)的過程包括：

獲取所述信息系統(tǒng)的運(yùn)行數(shù)據(jù)；

將所述運(yùn)行數(shù)據(jù)進(jìn)行歸一化處理，得到所述運(yùn)行監(jiān)控數(shù)據(jù)。

優(yōu)選的，所述故障診斷模型的獲得過程包括：

預(yù)先創(chuàng)建所述卷積神經(jīng)網(wǎng)絡(luò)；

利用反向傳播算法、所述歷史運(yùn)行監(jiān)控數(shù)據(jù)矩陣和所述運(yùn)行狀態(tài)標(biāo)簽對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述故障診斷模型。

優(yōu)選的，所述卷積神經(jīng)網(wǎng)絡(luò)包括:

依次連接的輸入層、第一特征提取層、第一特征映射層、第二特征提取層、第二特征映射層、卷積層和輸出層。

優(yōu)選的，所述第一特征提取層和所述第二特征提取層中的卷積核均為5×5的卷積核，所述卷積層中的卷積核為3×3的卷積核，所述輸出層為全連接層。

本發(fā)明還公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)故障診斷裝置，包括：

數(shù)據(jù)獲取模塊，用于獲取運(yùn)行監(jiān)控數(shù)據(jù)；

矩陣創(chuàng)建模塊，用于利用所述運(yùn)行監(jiān)控數(shù)據(jù)，得到運(yùn)行監(jiān)控數(shù)據(jù)矩陣；

故障診斷模塊，用于將所述運(yùn)行監(jiān)控數(shù)據(jù)矩陣輸入到故障診斷模型，得到診斷結(jié)果，其中，所述故障診斷模型為利用歷史運(yùn)行監(jiān)控數(shù)據(jù)矩陣和運(yùn)行狀態(tài)標(biāo)簽，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述故障診斷模型，所述運(yùn)行狀態(tài)標(biāo)簽為通過用戶對信息系統(tǒng)運(yùn)行故障的狀態(tài)進(jìn)行記錄得到的。

優(yōu)選的，所述運(yùn)行監(jiān)控數(shù)據(jù)矩陣獲取模塊具體用于將所述運(yùn)行監(jiān)控數(shù)據(jù)按照信息的類型進(jìn)行排列，組成所述運(yùn)行監(jiān)控數(shù)據(jù)矩陣。

優(yōu)選的，所述運(yùn)行監(jiān)控數(shù)據(jù)獲取模塊包括：

數(shù)據(jù)獲取單元，用于獲取所述信息系統(tǒng)的運(yùn)行數(shù)據(jù)；

歸一化處理單元，用于將所述運(yùn)行數(shù)據(jù)進(jìn)行歸一化處理，得到所述運(yùn)行監(jiān)控數(shù)據(jù)。

優(yōu)選的，所述故障診斷模塊包括：

網(wǎng)絡(luò)創(chuàng)建單元，用于預(yù)先創(chuàng)建所述卷積神經(jīng)網(wǎng)絡(luò)；

模型訓(xùn)練單元，用于利用反向傳播算法、所述歷史運(yùn)行監(jiān)控數(shù)據(jù)矩陣和所述運(yùn)行狀態(tài)標(biāo)簽對所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述故障診斷模型。

本發(fā)明中，基于卷積神經(jīng)網(wǎng)絡(luò)的信息系統(tǒng)故障診斷方法，包括：獲取運(yùn)行監(jiān)控數(shù)據(jù)；利用運(yùn)行監(jiān)控數(shù)據(jù)，創(chuàng)建運(yùn)行監(jiān)控數(shù)據(jù)矩陣；將運(yùn)行監(jiān)控數(shù)據(jù)矩陣輸入到故障診斷模型，得到診斷結(jié)果，其中，故障診斷模型為利用歷史運(yùn)行監(jiān)控數(shù)據(jù)矩陣和運(yùn)行狀態(tài)標(biāo)簽，對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到故障診斷模型。可見，本發(fā)明中利用卷積神經(jīng)網(wǎng)絡(luò)創(chuàng)建故障診斷模型，對運(yùn)行監(jiān)控數(shù)據(jù)進(jìn)行故障診斷，得出診斷結(jié)果，使得用戶利用診斷結(jié)果可以對信息系統(tǒng)進(jìn)行維護(hù)，使用卷積神經(jīng)網(wǎng)絡(luò)提升了對于特征的抽取能力和分類能力，能夠更有效的診斷出系統(tǒng)的故障，避免了人為因素的干擾，提升了診斷的準(zhǔn)確度，且對故障診斷模型的復(fù)用提升診斷效率，為信息系統(tǒng)的安全運(yùn)行提供了支持。

附圖說明