一种基于深度学习的炼钢系统预警方法和系统技术方案

一种基于深度学习的炼钢系统预警方法，包括：用预设样本库中的炼钢系统历史监控数据和对应的系统预警级别作为深度信念网模型的学习数据，提取出历史监控数据中的深层特征；利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果的初始模型；利用BP反向传播算法对初始模型进行优化，得到系统预警模型；实时获取炼钢系统监控数据，将获取炼钢系统监控数据输入到系统预警模型，得到当前炼钢系统预警级别，达到对炼钢系统进行预警目的。本发明专利技术使得监控数据经过深度学习模型完全自动分类，解决了专家依赖的问题，并且达到更好的系统预警效果。

【技术实现步骤摘要】
一种基于深度学习的炼钢系统预警方法和系统
本专利技术属于自动化运维
，特别涉及基于深度学习的一种基于深度学习的炼钢系统预警方法和系统。
技术介绍
传统炼钢系统维护以手工操作为主、简单脚本为辅的模式，存在操作风险隐患大、故障定位时间长、配套工作效率低、数据运用不充分、智能化水平不足等问题。具体的存在以下几个问题：1.运维操作依赖手工处理，存在操作风险隐患；2.故障排查定位时间长，不利于业务快速恢复；3.缺乏高效的自动化工具，运维工作效率低下；4.运维数据分析利用不充分，难以满足预测性监控需要；5.机房智能化应用不足，管理水平有待提高。随着智能化技术发展，产生了智能化运维系统，智能化运维系统的发展可分为二个阶段。第一阶段是基于理解和模仿人类逻辑，典型代表是“专家系统”，它会产生各种规则。第二个阶段是机器学习，机器学习通过数据统计和概率分布发现数据之间的规律和问题，如回归、随机森林、支持向量机等方法。这一阶段的突出特点是需要专家提前确定数据特征，不同的特征对应不同的算法。虽然智能运维系统第两个阶段基本实现了自动化运维，但仍然存在几个缺陷。第一，配置逻辑流程不能太复杂，否则只能通过代码来实现。第二，当只有几个节点时，规则很好定义，但是如果有大量节点，则很难同时定义成千上万条规则。第三，对于大型开放网络，运维人员不知道该网络何时会产生一个新角色以及该角色与其他角色之间的关系，当出现问题再来制定监控规则时已出现了损失。第四，需要专家提前确定数据特征，然而有些数据特征确定有难度时，运维系统无法运行。<br>
技术实现思路
鉴于上述问题，提出了本以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度学习的炼钢系统预警方法和系统。一种基于深度学习的炼钢系统预警方法，包括：S100.利用预设样本库中的炼钢系统历史监控数据和对应的系统预警级别作为深度信念网模型的学习数据，无监督的对深度信念网模型进行训练，提取出历史监控数据中的深层特征；S200.利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果；S300.利用BP反向传播算法对初始模型进行优化，得到系统预警模型；S400.实时获取炼钢系统监控数据，将获取炼钢系统监控数据输入到系统预警模型，得到当前炼钢系统预警级别，达到对炼钢系统进行预警目的。进一步地，预设样本库中的炼钢系统历史监控数据可以由炼钢系统中的监控信息、日志文件获取。进一步地，S100中，在输入层输入数据，通过无监督的深度学习结构得到深层特征。进一步地，深度信念网模型，通过多层限制性玻尔兹曼机进行网络预训练，得到了输入数据的分布参数的权重矩阵W。进一步地，深度信念网模型学习网络参数至少包括：学习率、迭代次数、批次大小、激活函数、隐含层的数目和单元数、权重初始化、Dropout方法。进一步地，S300方法包括：使用交叉迭代的方法优化深层自编码机和固定类中心的聚类；基于聚类分析的结果，对每一个簇进行进一步数据分析，获取预警信息之间的内在规律，形成系统预警模型。本专利技术还公开了一种基于深度学习的炼钢系统预警系统，其特征在于，包括：数据库模块、深度学习模块、聚类算法模块；其中：数据库模块，用于存储炼钢系统历史监控数据和对应的系统预警级别数据，将所述数据作为深度学习模块训练数据；深度学习模块，利用炼钢系统历史监控数据和对应的系统预警级别数据，无监督进行训练，提取出历史监控数据中的深层特征；聚类算法模块，利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果，利用BP反向传播算法对深度学习提取的特征和预聚类结果优化，得到系统预警模型。进一步地，深度学习模块，通过多层限制性玻尔兹曼机进行网络预训练，得到了输入数据的分布参数的权重矩阵W。进一步地，如权利要求7的一种基于深度学习的炼钢系统预警系统，其特征在于，聚类算法模块聚类方法方法包括：使用交叉迭代的方法优化深层自编码机和固定类中心的聚类；基于聚类分析的结果，对每一个簇进行进一步数据分析，获取预警信息之间的内在规律，形成系统预警模型。本专利技术的有益效果是：本专利技术提出了一种基于深度学习的系统预警方法和系统，从监控信息、日志文件等获取源数据，把获得的数据离散取样得到时间序列的数据集。使用训练数据集对深度学习模型进行训练训练，挖掘出预警信息产生的内在规律以及在故障出现之前一段时间的数据的综合特征变化，最终得到稳定的深度学习算法系统预警模型，通过系统预警模型对系统预测警告，本专利技术使得监控数据经过深度学习模型完全自动分类，解决了专家依赖的问题，并且达到更好的系统预警效果。本专利技术的其它特征和优点将在随后的说明书中阐述，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术实施例一中，一种基于深度学习的系统预警方法流程图。具体实施方式下面将参照附图更详细地描述本公开专利技术的示例性实施例。虽然附图中显示了本公开专利技术的示例性实施例，然而应当理解，可以以各种形式实现本公开专利技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开专利技术，并且能够将本公开专利技术的范围完整的传达给本领域的技术人员。为了解决现有技术预警系统对专家经验过于依赖的问题，本专利技术实施例提供了一种基于深度学习的系统预警方法和系统。实施例1本实施例公开了一种基于深度学习的炼钢系统预警方法，其特征在于，包括：S100.利用预设样本库中的炼钢系统历史监控数据和对应的系统预警级别作为深度信念网模型的学习数据，无监督的对深度信念网模型进行训练，提取出历史监控数据中的深层特征。在一些优选实施例中，S100中，在输入层输入数据通过无监督的深度学习结构得到深层特征。具体的，输入模型的原始数据是经过处理以后，符合模型输入格式要求的数据。其中，日志信息处理方法包括：CPU、Load、内存、磁盘、IO、网络相关、内核参数、ss统计输出、端口采集、核心服务的进程存活信息采集、关键业务进程资源消耗、NTPoffset采集、DNS解析采集等。人历史监控数据处理信息包括：通过人工处理的数据信息以及处理过程。在一些优选实施例中，通过多层限制性玻尔兹曼机进行网络预训练，得到了输入数据的分布参数的权重矩阵W。在一些优选实施例中，深度信念网模型学习网络参数至少包括：学习率、迭代次数、批次大小、激活函数、隐含层的数目和单元数、权重初始化、Dropout方法。S200.利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果。在本实施例中，在预聚类层中本文档来自技高网...

【技术保护点】
1.一种基于深度学习的炼钢系统预警方法，其特征在于，包括：/nS100.利用预设样本库中的炼钢系统历史监控数据和对应的系统预警级别作为深度信念网模型的学习数据，无监督的对深度信念网模型进行训练，提取出历史监控数据中的深层特征；/nS200.利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果的初始模型；/nS300.利用BP反向传播算法对初始模型进行优化，得到系统预警模型；/nS400.实时获取炼钢系统监控数据，将获取炼钢系统监控数据输入到系统预警模型，得到当前炼钢系统预警级别，达到对炼钢系统进行预警目的。/n

【技术特征摘要】
1.一种基于深度学习的炼钢系统预警方法，其特征在于，包括：
S100.利用预设样本库中的炼钢系统历史监控数据和对应的系统预警级别作为深度信念网模型的学习数据，无监督的对深度信念网模型进行训练，提取出历史监控数据中的深层特征；
S200.利用模糊聚类算法对提取出的深层特征表示进行预聚类，得到预聚类结果的初始模型；
S300.利用BP反向传播算法对初始模型进行优化，得到系统预警模型；
S400.实时获取炼钢系统监控数据，将获取炼钢系统监控数据输入到系统预警模型，得到当前炼钢系统预警级别，达到对炼钢系统进行预警目的。


2.如权利要求1的一种基于深度学习的炼钢系统预警方法，其特征在于，预设样本库中的炼钢系统历史监控数据由炼钢系统中的监控信息、日志文件获取。


3.如权利要求1的一种基于深度学习的炼钢系统预警方法，其特征在于，S100中，在输入层输入数据，通过无监督的深度学习结构得到深层特征。


4.如权利要求1的一种基于深度学习的炼钢系统预警方法，其特征在于，深度信念网模型，通过多层限制性玻尔兹曼机进行网络预训练，得到了输入数据的分布参数的权重矩阵W。


5.如权利要求1的一种基于深度学习的炼钢系统预警方法，其特征在于，深度信念网模型学习网络参数至少包括：学习率、迭代次数、批次大小、激活函数、隐含层的数目和单元数、权重初始化、Dro...

【专利技术属性】
技术研发人员：冯纯博，彭超，
申请(专利权)人：宝信软件武汉有限公司，
类型：发明
国别省市：湖北;42