[發明專利]一種智能機柜故障預測方法、系統及智能機柜

在審

• 申請號: 202110407115.2
• 申請日: 2021-04-15
• 公開（公告）號: CN113111585A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 別如國;史紅;王恩峰
• 申請（專利權）人: 德州歐瑞電子通信設備制造有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/04;G06Q10/00;G06Q10/04
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆圣娟

1.一種智能機柜故障預測方法，其特征在于，包括：

獲取智能機柜各類設備的運行狀態；

基于LSTM網絡構建故障類型預測模型，并基于小波神經網絡構建故障時間預測模型；將預訓練的故障類型預測模型和時間預測模型相結合，基于所述運行狀態數據，對智能機柜進行故障類型和故障發生時間的預測；

其中，所述故障類型預測模型和時間預測模型的訓練，通過對所述智能機柜歷史故障數據進行數據預處理，獲得關鍵影響因子和故障發生時間數據集，利用關鍵影響因子數據集對所述故障類型預測模型進行訓練，利用故障發生時間數據集對所述時間預測模型進行訓練。

2.如權利要求1所述的一種智能機柜故障預測方法，其特征在于，所述數據預處理包括如下步驟：

將狀態監測數據標記為正常狀態和異常狀態并保存為歷史故障數據；

利用K-means聚類算法對所述歷史故障數據進行聚類分析；

篩選出影響智能機柜故障的關鍵影響因子，構成用于故障類型預測模型訓練的關鍵影響因子數據集。

3.如權利要求2所述的一種智能機柜故障預測方法，其特征在于，所述篩選出影響智能機柜故障的關鍵影響因子，其具體包括：通過聚類分析對機柜故障類型進行分類；針對各種故障類型進行檢測，基于專家經驗判斷關鍵影響因子。

4.如權利要求1所述的一種智能機柜故障預測方法，其特征在于，根據智能機柜故障類型預測的具體情況對應故障類型獲取不同的故障發生時間數據集，并將故障發生時間送入小波神經網絡分別建立故障時間預測模型。

5.如權利要求1所述的一種智能機柜故障預測方法，其特征在于，所述將預訓練的故障類型預測模型和時間預測模型相結合，對智能機柜進行故障類型和故障發生時間的預測，具體包括：

將智能機柜的實時狀態監測數據中的關鍵影響因子作為預訓練故障類型預測模型的輸入，獲得故障類型預測；

將智能機柜設備的運行時長作為預訓練的時間預測模型的輸入，獲得該類故障發生時間預測結果。

6.一種智能機柜故障預測系統，其特征在于，包括：

數據獲取單元，其用于獲取智能機柜各類設備的運行狀態；

模型構建單元，其用于基于LSTM網絡構建故障類型預測模型，并基于小波神經網絡構建故障時間預測模型；

結果預測單元，其用于將預訓練的故障類型預測模型和時間預測模型相結合，基于所述運行狀態數據，對智能機柜進行故障類型和故障發生時間的預測；

其中，所述故障類型預測模型和時間預測模型的訓練，通過對所述智能機柜歷史故障數據進行數據預處理，獲得關鍵影響因子和故障發生時間數據集，利用關鍵影響因子數據集對所述故障類型預測模型進行訓練，利用故障發生時間數據集對所述時間預測模型進行訓練。

7.如權利要求6所述的一種智能機柜故障預測系統，其特征在于，所述數據預處理包括如下步驟：

將狀態監測數據標記為正常狀態和異常狀態并保存為歷史故障數據；

利用K-means聚類算法對所述歷史故障數據進行聚類分析；

篩選出影響智能機柜故障的關鍵影響因子，構成用于故障類型預測模型訓練的關鍵影響因子數據集。

8.如權利要求6所述的一種智能機柜故障預測系統，其特征在于，所述結果預測單元，將預訓練的故障類型預測模型和時間預測模型相結合，對智能機柜進行故障類型和故障發生時間的預測，具體包括：

將智能機柜的實時狀態監測數據中的關鍵影響因子作為預訓練故障類型預測模型的輸入，獲得故障類型預測；

將智能機柜設備的運行時長作為預訓練的時間預測模型的輸入，獲得該類故障發生時間預測結果。

9.一種智能機柜，包括機柜本體、存儲器、處理器及存儲在存儲器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-7任一項所述的一種智能機柜故障預測方法。

10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現如權利要求1-7任一項所述的一種智能機柜故障預測方法。