[發明專利]基于人工智能的故障節點識別方法、裝置、設備和介質

有效

• 申請號: 202010517479.1
• 申請日: 2020-06-09
• 公開（公告）號: CN111679953B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 陳楨博;鄭立穎;徐亮
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06F16/27;G06N3/04;G06N3/08
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 唐彩琴

1.一種基于人工智能的故障節點識別方法，其特征在于，所述方法包括：

獲取故障系統對應的圖數據，所述圖數據包括故障系統中多個節點以及多個節點之間的調用關系；

獲取所述故障系統中各節點的節點數據；

根據各所述節點的節點數據確定所述故障系統中的各報警節點，并根據各所述報警節點以及所述多個節點之間的調用關系，得到所述故障系統中各報警節點為故障節點的初始檢測結果；

根據所述多個節點之間的調用關系，對各所述報警節點進行分組，得到各報警節點組合；

根據各所述報警節點組合以及各報警節點的初始檢測結果，確定各所述報警節點組合中的故障節點；

所述根據各所述節點的節點數據確定所述故障系統中的各報警節點，并根據各所述報警節點以及所述多個節點之間的調用關系，得到所述故障系統中各報警節點為故障節點的初始檢測結果為通過預先訓練的圖卷積神經網絡模型確定的，所述圖卷積神經網絡模型的訓練方式包括：

獲取訓練樣本數據，所述訓練樣本數據包括訓練圖數據以及各節點的節點訓練數據；

對所述訓練圖數據中各節點進行標注，得到標注有各節點為報警節點、非報警節點、故障節點以及非故障節點的訓練圖數據；

將標注后的所述訓練圖數據以及所述訓練樣本數據輸入構建的初始圖卷積神經網絡模型，通過所述初始圖卷積神經網絡模型對所述訓練樣本數據進行特征提取，得到特征數據；

對所述特征數據進行回歸預測，得到各所述節點為故障節點和非故障節點的預測結果；

基于所述預測結果以及所述標注后的訓練圖數據，確定所述初始圖卷積神經網絡模型的損失值，并通過所述損失值更新所述初始圖卷積神經網絡模型的模型參數；

對所述初始圖卷積神經網絡模型進行迭代處理，得到訓練后的圖卷積神經網絡模型。

2.根據權利要求1所述的方法，其特征在于，所述根據各所述節點的節點數據確定所述故障系統中的各報警節點，包括：

對各所述節點數據進行特征數據的提取，得到各所述節點對應的節點特征；

確定各所述節點的節點標準特征，其中，所述節點標準特征為基于節點在非報警狀態下的節點數據提取的特征；

對各所述節點的節點標準特征以及節點特征進行匹配，得到所述故障系統中的各報警節點。

3.根據權利要求1所述的方法，其特征在于，所述根據所述多個節點之間的調用關系，對各所述報警節點進行分組，得到報警節點組合，包括：

根據所述故障系統中多個節點之間的調用關系，確定任意兩個報警節點之間的節點距離；

以任一報警節點為起始報警節點，確定與所述起始報警節點的節點距離小于或等于節點閾值距離的關聯報警節點；

將所述關聯報警節點作為起始報警節點，并繼續確定與所述關聯報警節點的節點距離小于或等于節點閾值距離的關聯報警節點；

將所述起始報警節點以及對應的關聯報警節點劃分為同一報警節點組合。

4.根據權利要求1所述的方法，其特征在于，所述獲取所述故障系統中各節點的節點數據，包括：

獲取報警系統采集的所述故障系統的報警原始數據；

對所述報警原始數據進行節點報警數據的提取，得到各節點的節點報警數據，所述節點報警數據包括各節點的報警類型、報警頻次以及報警級別中至少一項；

獲取各節點的節點基礎數據，所述節點基礎數據包括節點類型以及節點層級中至少一種；

根據各所述節點報警數據以及所述節點基礎數據生成各節點的節點數據。

5.根據權利要求1至4任一項所述的方法，其特征在于，所述方法還包括：

將所述圖數據以及所述節點數據中的至少一個上傳至區塊鏈，并存儲至區塊鏈的節點中。