[發明專利]一種故障預測方法、裝置及電子設備和存儲介質

在審

• 申請號: 201911304417.6
• 申請日: 2019-12-17
• 公開（公告）號: CN112988437A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 李詩逸;古亮
• 申請（專利權）人: 深信服科技股份有限公司
• 主分類號: G06F11/07
• 分類號: G06F11/07
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王兆林

1.一種故障預測方法，其特征在于，包括：

采集監控數據，并基于所述監控數據得到每個預測項對應的訓練樣本；所述訓練樣本的樣本類型包括正常樣本和故障樣本；

提取所述訓練樣本的特征得到所述訓練樣本的特征向量，并基于所述訓練樣本的樣本類型確定所述訓練樣本的目標向量；

利用所述特征向量和所述目標向量對機器學習模型進行訓練得到預測模型，利用所述預測模型對所述預測項進行故障預測。

2.根據權利要求1所述故障預測方法，其特征在于，所述采集監控數據之后，還包括：

對所述監控數據進行數據預處理操作；其中，所述數據預處理操作包括格式轉換、剔除無效數據和邊界越界處理中的任一項或任幾項的組合。

3.根據權利要求1所述故障預測方法，其特征在于，所述基于所述監控數據得到每個預測項對應的訓練樣本，包括：

將所述監控數據按照所述預測項進行分類，得到每個所述預測項對應的監控數據；

選取預設時間窗口下的監控數據作為每個所述預測項的目標訓練，并對所述目標監控數據進行離散化和歸一化處理得到每個所述預測項對應的訓練樣本。

4.根據權利要求1所述故障預測方法，其特征在于，所述提取所述訓練樣本的特征得到所述訓練樣本的特征向量，包括：

提取所述訓練樣本的所有特征項，并剔除與所述預測項無關的特征項得到每個所述預測項對應的目標特征項；

對每個所述訓練樣本的所述目標特征項進行特征組合以便得到每個所述訓練樣本的特征向量。

5.根據權利要求1所述故障預測方法，其特征在于，利用所述特征向量和所述目標向量對機器學習模型進行訓練得到預測模型，包括：

對所述訓練樣本中的正常樣本進行欠采樣得到目標正常樣本，對所述訓練樣本中的故障樣本進行過采樣得到目標故障樣本；

利用所述目標正常樣本和所述目標故障樣本的所述特征向量和所述目標向量對機器學習模型進行訓練得到預測模型。

6.根據權利要求5所述故障預測方法，其特征在于，所述利用所述目標正常樣本和所述目標故障樣本的所述特征向量和所述目標向量對機器學習模型進行訓練得到預測模型，包括：

將所述目標正常樣本和所述目標故障樣本的所述特征向量和所述目標向量輸入所述機器學習模型中，并利用目標算法優化所述機器學習模型的參數，以便得到所述預測模型。

7.根據權利要求1至6中任一項所述故障預測方法，其特征在于，所述機器學習模型包括隨機森林、支持向量機、邏輯會話、神經網絡和強化學習模型中的任幾項；

所述利用所述特征向量和所述目標向量對機器學習模型進行訓練得到預測模型之后，還包括：

基于評估項對所有所述預測模型進行評估以便得到最佳預測模型；

相應的，利用所述預測模型對所述預測項進行故障預測，包括：

利用所述最佳預測模型對所述預測項進行故障預測。

8.一種故障預測裝置，其特征在于，包括：

采集模塊，用于采集監控數據，并基于所述監控數據得到每個預測項對應的訓練樣本；所述訓練樣本的樣本類型包括正常樣本和故障樣本；

提取模塊，用于提取所述訓練樣本的特征得到所述訓練樣本的特征向量，并基于所述訓練樣本的樣本類型確定所述訓練樣本的目標向量；

訓練模塊，用于利用所述特征向量和所述目標向量對機器學習模型進行訓練得到預測模型，利用所述預測模型對所述預測項進行故障預測。

9.一種電子設備，其特征在于，包括：

存儲器，用于存儲計算機程序；

處理器，用于執行所述計算機程序時實現如權利要求1至7任一項所述故障預測方法的步驟。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述故障預測方法的步驟。