一种基于超声信号的服务器故障诊断方法及系统技术方案

本发明专利技术涉及一种基于超声信号的服务器故障诊断方法及系统，方法包括以下步骤：在服务器启动过程中执行BIOS时，接收服务器中电源适配器发出的音频信号，计算得到电源适配器音频信号的能量谱密度；对能量谱密度进行降噪处理；基于训练好的分类模型，根据能量谱密度诊断出服务器故障的种类。与现有技术相比，本发明专利技术根据服务器故障与电源适配器发出的音频信号的关联，通过分析电源适配器的音频信号判定服务器的故障，为机房服务器故障诊断提供了一种新的诊断方法，能应对传统服务器监控技术无法应对的故障问题，可以快速进行故障定位，提高维修效率。高维修效率。高维修效率。

【技术实现步骤摘要】
Fourier transform)，恢复时域信号；
[0016]S15、根据互质采样算法，从频率为(f
s
‑
f)的信号1和频率为(f
‑
f
c
)的信号2中推导出电源适配器音频信号的自相关矩阵；
[0017]S16、基于自相关矩阵，计算出电源适配器音频信号的能量谱密度(PSD，Power Spectral Density)。
[0018]进一步的，步骤S16中，运用多信号分类算法(MUSIC，Multiple Signal Classification)估计出电源适配器音频信号的能量谱密度。
[0019]进一步的，步骤S2包括以下步骤：
[0020]S21、能量谱密度为频域信号，使用多带谱减法对能量谱密度的每一个子频带减去噪声频谱；
[0021]S22、将多带谱减法处理后的数据进行逆短时傅里叶变换恢复时域信号；
[0022]S23、使用极大重叠小波变换(MODWT，maximal overlap discrete wavelet transform)，根据预设置的阈值，将逆短时傅里叶变换后的信号上的小波分量去除，完成能量谱密度的降噪处理。
[0023]进一步的，所述分类模型包括特征提取模型和时间序列分类模型，步骤S3包括以下步骤：
[0024]S31、将降噪处理后的能量谱密度转换到频域；
[0025]S32、通过主成分分析(PCA，principal component analysis)对能量谱密度进行数据降维；<br/>[0026]S33、将降维后的能量谱密度输入训练好的特征提取模型，所述特征提取模型输出信号特征；
[0027]S33、将信号特征输入训练好的时间序列分类模型，所述时间序列分类模型输出服务器故障种类。
[0028]进一步的，所述特征提取模型使用全卷积网络提取数据特征，所述全卷积网络包括卷积层和全局平均池化层，卷积层输出的数据进行批量正则化，全卷积网络的激活函数使用ReLU。
[0029]进一步的，所述服务器故障种类为多种软件故障和多种硬件故障中的一种，如系统漏洞、计算机病毒等软件故障，内存CPU故障等硬件故障。
[0030]一种基于超声信号的服务器故障诊断系统，工作时执行上述的一种基于超声信号的服务器故障诊断方法，包括：
[0031]数据获取模块，在服务器启动过程中执行BIOS(基本输入输出系统)时，接收服务器中电源适配器发出的音频信号，计算得到电源适配器音频信号的能量谱密度；
[0032]降噪处理模块，对能量谱密度进行降噪处理；
[0033]故障识别模块，基于训练好的分类模型，根据能量谱密度诊断出服务器故障的种类。
[0034]进一步的，数据获取模块执行以下步骤：
[0035]A1、在服务器启动过程中执行BIOS基本输入输出系统时，通过扬声器发出频率为f
c
的掩膜信号，使用麦克风以f
s
采样率接收掩膜信号和电源适配器发出的频率为f的音频信号，f
c
与采样率f
s
互质；
[0036]A2、对麦克风接收到的信号进行短时傅里叶变换(STFT，short
‑
time Fourier transform)；
[0037]A3、通过带通滤波从短时傅里叶变换后的数据中提取出两种频带的信号，信号1为电源适配器音频信号在f
s
采样率下混叠后的频率为(f
s
‑
f)的信号，信号2为因为麦克风非线性效应生成的频率为(f
‑
f
c
)的信号；
[0038]A4、对信号1和信号2分别执行逆短时傅里叶变换(ISTFT，inverse short
‑
time Fourier transform)，恢复时域信号；
[0039]A5、根据互质采样算法，从频率为(f
s
‑
f)的信号1和频率为(f
‑
f
c
)的信号2中推导出电源适配器音频信号的自相关矩阵；
[0040]A6、基于自相关矩阵，计算出电源适配器音频信号的能量谱密度(PSD，Power Spectral Density)。
[0041]进一步的，降噪处理模块执行以下步骤：
[0042]B1、能量谱密度为频域信号，使用多带谱减法对能量谱密度的每一个子频带减去噪声频谱；
[0043]B2、将多带谱减法处理后的数据进行逆短时傅里叶变换恢复时域信号；
[0044]B3、使用极大重叠小波变换(MODWT，maximal overlap discrete wavelet transform)，根据预设置的阈值，将逆短时傅里叶变换后的信号上的小波分量去除，完成能量谱密度的降噪处理。
[0045]进一步的，所述分类模型包括特征提取模型和时间序列分类模型，故障识别模块执行以下步骤：
[0046]C1、将降噪处理后的能量谱密度转换到频域；
[0047]C2、通过主成分分析(PCA，principal component analysis)对能量谱密度进行数据降维；
[0048]C3、将降维后的能量谱密度输入训练好的特征提取模型，所述特征提取模型输出信号特征；
[0049]C3、将信号特征输入训练好的时间序列分类模型，所述时间序列分类模型输出服务器故障种类。
[0050]与现有技术相比，本专利技术具有以下有益效果：
[0051](1)根据服务器故障与电源适配器发出的音频信号的关联，通过分析电源适配器的音频信号判定服务器的故障，为机房服务器故障诊断提供了一种新的诊断方法，能应对传统服务器监控技术无法应对的故障问题，可以快速进行故障定位，提高维修效率。
[0052](2)电源适配器发出的音频信号频率较高，因此使用了互质采样法感知高频信号的能量谱密度，使采样率较低的智能手机可以用作诊断设备，降低了设备成本，满足安全性与性能指标，不需要修改原有的装置，不需要特制硬件设备就可以实现服务器故障检测。
[0053](3)采用了降噪算法提高抗干扰性，先对频域上的能量谱密度通过多带谱减法进行初步噪声去除，再转换到时域上，通过极大重叠小波变换进一步去除频谱上的噪声，降噪效果好。
[0054](4)特征提取模型使用全卷积网络(FCN)提取数据特征，该全卷积网络在卷积层之后会进行批量正则化(BN)以防止过拟合，激活函数使用ReLU，最后将结果输入一个全局平
Spectral Density)。本实施例中，运用多信号分类算法(MUSIC，Multiple Signal Classification)估计出电源适配器音频信号的能量谱密度。
[0069]S2、对能量谱密度进行降噪处理；
[0070]步骤S2包括以下步骤：
[0071]S21、能量谱密度为频域信本文档来自技高网...

【技术保护点】

【技术特征摘要】
中任一所述的一种基于超声信号的服务器故障诊断方法，包括：数据获取模块，在服务器启动过程中执行BIOS基本输入输出系统时，接收服务器中电源适配器发出的音频信号，计算得到电源适配器音频信号的能量谱密度；降噪处理模块，对能量谱密度进行降噪处理；故障识别模块，基于训练好的分类模型，根据能量谱密度诊断出服务器故障的种类。8.根据权利要求7所述的一种基于超声信号的服务器故障诊断系统，其特征在于，数据获取模块执行以下步骤：A1、在服务器启动过程中执行BIOS基本输入输出系统时，通过扬声器发出频率为f
c
的掩膜信号，使用麦克风以f
s
采样率接收掩膜信号和电源适配器发出的频率为f的音频信号，f
c
与采样率f
s
互质；A2、对麦克风接收到的信号进行短时傅里叶变换；A3、通过带通滤波从短时傅里叶变换后的数据中提取出两种频带的信号，信号1为电源适配器音频信号在f
s
采样率下混叠后的频率为(f
s
‑
f)的信号，信号2为因为麦克风非线性效应生成的频率为(f
‑
f
c
)的信号；A4、对信号1和信...

【专利技术属性】
技术研发人员：薛广涛，陈昭熹，杨岚青，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：