[發明專利]一種故障檢測方法、終端以及計算機存儲介質

有效

• 申請號: 202110434674.2
• 申請日: 2021-04-22
• 公開（公告）號: CN113138875B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 尹繼圣
• 申請（專利權）人: 深圳感臻智能股份有限公司
• 主分類號: G06F11/07
• 分類號: G06F11/07;G06K9/62
• 代理公司: 深圳智趣知識產權代理事務所(普通合伙) 44486
• 代理人: 崔艷崢

本發明實施例提出了一種故障檢測方法、終端以及計算機存儲介質，該方法包括：獲取多個設備的狀態數據；對所述狀態數據進行處理，得到訓練數據；基于所述訓練數據以及非監督學習算法得到設備故障預測模型；當獲取到待預測設備的最新數據時，將所述最新數據導入所述設備故障預測模型進行預測；當預測結果確定所述待預測設備為危險設備時，對所述待預測設備進行標記。根據若干設備狀態指標來對設備進行聚類，并獲得非監督模型。得到非監督模型后，在新的設備數據集中運用模型，通過模型可以根據設備狀態指標定位高危設備，解決了現有技術中的問題。

技術領域

本發明涉及故障檢測技術領域，特別涉及一種故障檢測方法、終端以及計算機存儲介質。

背景技術

智能電子設備可能會在使用過程中出現各種各樣的故障，比如軟件方面的代碼bug、硬件方面的元件損壞、環境引起的網絡故障等。故障診斷需要專家來進行，但排查之前往往需要復現問題，這需要花費很多時間，為此，希望通過一些指標的預測，可以幫專家排除一些故障原因。且也希望在設備出現故障之前能獲得一些預警，這樣就能提前采取一些措施。

但是設備故障預測是很困難的，因為智能電子設備設計比較復雜，而可能出現的故障類型又多種多樣。定位問題往往需要上傳日志來獲取出故障前的信息，但是這涉及繁重的人力工作，出現問題后需要想辦法復現問題，這往往是非常困難的，尤其是硬件和資源不足相關的問題。而在用戶家里出現問題的設備，則更難以復現問題。

現有的設備故障預測的方法，除了使用硬性指標進行檢測外，大多使用監督學習方法來對訓練集數據進行訓練，獲得模型后再對新的數據進行預測。具體的，1.通過設置硬性指標檢測，比如當cpu溫度超過90度時視作危險狀態，并開始降頻；2.通過監督學習獲得模型后進行預測；

如果使用硬性指標來預測高危設備，則涉及到很多規則的設計，但因素很多的時候就難以人為去建立合適的規則了。

至于現有的監督學習技術預測設備故障，雖然算法很成熟，但是無法應對很多難以收集監督數據的場景，首先想得到有標記的數據就需要建立一個系統，由專家定位問題并給出詳細的設備指標數據，然后慢慢增加這個系統的數據，這個過程需要持續很久；此外因為本方案的智能電子設備運行的環境是在用戶家中，實驗室環境的數據不一定能反應用戶家中的情況(尤其是環境導致的故障).這都給監督學習方法的使用帶來困難。

發明內容

有鑒于此，本發明提出了涉及一種故障檢測方法、終端以及計算機存儲介質。根據若干設備狀態指標來對設備進行聚類，并獲得非監督模型。得到非監督模型后，在新的設備數據集中運用模型，通過模型可以根據設備狀態指標定位高危設備，解決了現有技術中的問題。

具體的，本發明提出了以下具體的實施例：

本發明實施例提出了一種故障檢測方法，包括：

獲取多個設備的狀態數據；

對所述狀態數據進行處理，得到訓練數據；

基于所述訓練數據以及非監督學習算法得到設備故障預測模型；

當獲取到待預測設備的最新數據時，將所述最新數據導入所述設備故障預測模型進行預測；

當預測結果確定所述待預測設備為危險設備時，對所述待預測設備進行標記。

在一個具體的實施例中，所述設備和/或所述待預測設備為：家庭環境下的安卓設備。

在一個具體的實施例中，所述“獲取多個設備的狀態數據”，包括：

通過kafka和大數據系統持續收集多個設備的狀態信息。

在一個具體的實施例中，所述“獲取多個設備的狀態數據”，包括：

獲取多個設備在預設時間段內所有上報的狀態數據；其中，預設時間段對應當前之前的預設時間。