行业现场网的故障预测处理方法、装置及设备制造方法及图纸

本发明专利技术提供一种行业现场网的故障预测处理方法、装置及设备，该方法包括：利用新标注样本生成方法和/或异常数据标注方法对训练样本进行补充，得到有标注的行业现场网故障样本集；对所述有标注的行业现场网故障样本集进行故障分类模型训练，得到目标分类模型，所述目标分类模型用于对异常数据进行故障类别预测，输出故障类型；本发明专利技术实施例综合利用已标注的样本数据和大量的未标注数据，使用新标注样本生成方法和异常数据标注方法对标注样本数据进行扩充来获取更为充分的有标注训练样本数据，进而训练分类器来构建故障分类模型，从而实现对故障类别分类更为准确的预测。实现对故障类别分类更为准确的预测。实现对故障类别分类更为准确的预测。

【技术实现步骤摘要】
行业现场网的故障预测处理方法、装置及设备


[0001]本专利技术涉及行业现场网
，尤其是指一种行业现场网的故障预测处理方法、装置及设备。

技术介绍

[0002]行业现场网是行业现场端设备网络接入技术的统称，其连接行业现场末端的各类终端、机器、传感器和系统，满足行业现场对传感、数据、定位、控制、管理等的多样业务需求。随着千行百业进入数字化转型的时代，行业现场网具有终端联网规模激增，组网模式复杂多样，业务运行对网络故障处理和恢复时间容忍度降低等新的特点。在如此复杂的行业现场网络中，当其发生一些网络故障问题，就会影响到企业的正常生产或者用户的使用，给行业客户带来损失。因此，当故障发生后，需要尽快对故障原因进行排查，并明确导致故障发生的具体原因，进而采取相应的有效手段进行维修。
[0003]由于行业现场网具有网元设备数量巨大以及组网模式复杂多样的特点，当行业现场网络中发生故障时，产生故障的原因复杂，导致问题发现与排查时困难较大。传统的以设备为中心、消防员式的网络运维模式已不再适用于行业现场网网络管理新需。目前已有一些研究人员提出基于标注的历史数据利用机器学习算法训练故障分类器模型，用于对现网中网络故障的识别。然而，行业现场网与现网相比，行业现场网的运维还处于起步阶段，没有像现网一样的大量工单数据以及已标注数据，因此，基于较为少量的已有标注数据训练得到的模型准确率较低。例如，基于随机森林分析VoLTE网络故障原因，或者基于全局注意力时域卷积网络的网络故障预测。
[0004]综上，无论是采用随机森林等机器学习方法还是卷积网络等深度学习方法，都是必须基于大量的已标注数据进行模型训练，才能得到可靠地分类故障预测模型。然而行业现场网络中已标注数据较少且网络故障原因复杂，以上两种方法不适用于行业现场网络中的故障诊断。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种行业现场网的故障预测处理方法、装置及设备，以解决现有技术中行业现场网网络标注数据较少且网络故障的原因情况复杂，仅利用已有的标注好的训练样本进行分类预测时准确率较低的问题。
[0006]为了解决上述问题，本专利技术实施例提供一种行业现场网的故障预测处理方法，包括：
[0007]利用新标注样本生成方法和/或异常数据标注方法对训练样本进行补充，得到有标注的行业现场网故障样本集；
[0008]对所述有标注的行业现场网故障样本集进行故障分类模型训练，得到目标分类模型，所述目标分类模型用于对异常数据进行故障类别预测，输出故障类型。
[0009]其中，利用新标注样本生成方法对训练样本进行补充，包括：
[0010]基于BiGAN模型对每一类已标注行业现场网故障样本数据进行训练，学习已标注行业现场网故障样本数据中隐含的分布信息；
[0011]基于所述隐含的分布信息和多个随机隐向量，生成新的标注故障样本。
[0012]其中，利用异常数据标注方法对训练样本进行补充，包括：
[0013]利用未标注的行业现场网网络数据进行BiGAN模型训练，得到第一BiGAN模型；
[0014]根据所述第一BiGAN模型，对未标注的行业现场网网络数据进行异常数据检测，确定未标注的行业现场网网络数据是否为异常数据；
[0015]将异常数据分别输入多个故障分类模型中，得到多个分类标签；
[0016]利用集成学习方法对多个分类标签进行融合，得到所述异常数据的标注标签；所述标注标签用于指示异常数据的故障类型。
[0017]其中，根据所述第一BiGAN模型，对未标注的行业现场网网络数据进行异常数据检测，确定未标注的行业现场网网络数据是否为异常数据，包括：
[0018]根据所述第一BiGAN模型，对未标注的行业现场网网络数据进行异常数据检测，确定所述行业现场网网络数据的重构误差值；
[0019]若所述重构误差值大于第一阈值，确定未标注的行业现场网网络数据为异常数据。
[0020]其中，所述方法还包括：
[0021]根据所述第一BiGAN模型，对未标注的行业现场网网络数据进行异常数据检测，确定各个特征的重构误差值；其中，所述行业现场网网络数据的重构误差值由各个特征的重构误差值确定。
[0022]其中，所述方法还包括：
[0023]对已标注的行业现场网故障样本数据分别进行随机森林模型、支持向量机SVM模型以及K
‑
邻近模型的训练，得到所述多个故障分类模型；所述多个故障分类模型包括：随机森林模型、支持向量机SVM模型以及K
‑
邻近模型。
[0024]其中，所述方法还包括：
[0025]根据第一BiGAN模型，对待预测样本数据进行异常检测，得到各个特征的重构误差值以及所述待预测样本数据的重构误差值；其中，各个特征的重构误差值用于辅助进行故障根因定位和修复；
[0026]在所述待预测样本数据的重构误差值大于第一阈值的情况下，确定所述待预测样本数据为异常数据；
[0027]根据所述目标分类模型对所述异常数据进行故障类别预测，确定所述异常数据的故障类型。
[0028]其中，在行业现场网数字孪生系统中，所述行业现场网的故障预测处理方法在行业现场网数字孪生系统的孪生空间执行；所述方法还包括：
[0029]根据所述异常数据的故障类型和各个特征的重构误差值，对物理空间中的实体进行控制。
[0030]本专利技术实施例还提供一种行业现场网的故障预测处理装置，包括：
[0031]样本补充模块，用于利用新标注样本生成方法和/或异常数据标注方法对训练样本进行补充，得到有标注的行业现场网故障样本集；
[0032]处理模块，用于对所述有标注的行业现场网故障样本集进行故障分类模型训练，得到目标分类模型，所述目标分类模型用于对异常数据进行故障类别预测，输出故障类型。
[0033]其中，所述样本补充模块包括：
[0034]第一补充子模块，用于基于BiGAN模型对每一类已标注行业现场网故障样本数据进行训练，学习已标注行业现场网故障样本数据中隐含的分布信息；
[0035]第二补充子模块，用于基于所述隐含的分布信息和多个随机隐向量，生成新的标注故障样本。
[0036]其中，所述样本补充模块包括：
[0037]第三补充子模块，用于利用未标注的行业现场网网络数据进行BiGAN模型训练，得到第一BiGAN模型；
[0038]第四补充子模块，用于根据所述第一BiGAN模型，对未标注的行业现场网网络数据进行异常数据检测，确定未标注的行业现场网网络数据是否为异常数据；
[0039]第五补充子模块，用于将异常数据分别输入多个故障分类模型中，得到多个分类标签；
[0040]第六补充子模块，用于利用集成学习方法对多个分类标签进行融合，得到所述异常数据的标注标签；所述标注标签用于指示异常数据的故障类型。
[0041]其中，所述第四补充子模块包括：
[0042]第一确定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行业现场网的故障预测处理方法，其特征在于，包括：利用新标注样本生成方法和/或异常数据标注方法对训练样本进行补充，得到有标注的行业现场网故障样本集；对所述有标注的行业现场网故障样本集进行故障分类模型训练，得到目标分类模型，所述目标分类模型用于对异常数据进行故障类别预测，输出故障类型。2.根据权利要求1所述的方法，其特征在于，利用新标注样本生成方法对训练样本进行补充，包括：基于BiGAN模型对每一类已标注行业现场网故障样本数据进行训练，学习已标注行业现场网故障样本数据中隐含的分布信息；基于所述隐含的分布信息和多个随机隐向量，生成新的标注故障样本。3.根据权利要求1所述的方法，其特征在于，利用异常数据标注方法对训练样本进行补充，包括：利用未标注的行业现场网网络数据进行BiGAN模型训练，得到第一BiGAN模型；根据所述第一BiGAN模型，对未标注的行业现场网网络数据进行异常数据检测，确定未标注的行业现场网网络数据是否为异常数据；将异常数据分别输入多个故障分类模型中，得到多个分类标签；利用集成学习方法对多个分类标签进行融合，得到所述异常数据的标注标签；所述标注标签用于指示异常数据的故障类型。4.根据权利要求3所述的方法，其特征在于，根据所述第一BiGAN模型，对未标注的行业现场网网络数据进行异常数据检测，确定未标注的行业现场网网络数据是否为异常数据，包括：根据所述第一BiGAN模型，对未标注的行业现场网网络数据进行异常数据检测，确定所述行业现场网网络数据的重构误差值；若所述重构误差值大于第一阈值，确定未标注的行业现场网网络数据为异常数据。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：根据所述第一BiGAN模型，对未标注的行业现场网网络数据进行异常数据检测，确定各个特征的重构误差值；其中，所述行业现场网网络数据的重构误差值由各个特征的重构误差值确定。6.根据权利要求3所述的方法，其特征在于，所述方法还包括：对已标注的行业现场网故障样本数据分别进行随机森林模型、支持向量机SVM模型以及K
‑
邻近模型的训练，得到所述多个故障分类模型；所述多个故障分类模型包括：随机森林模型、支持向量机SVM模型以及K
‑
邻近模型。7.根据权利要求3所述的方法，其特征在于，所述方法还包括：根据第一BiGAN模型，对待预测样本数据进行异常检测，得到各个特征的重构误差值以及所述待预测样本数据的重构误差值；其中，各个特征的重构误差值用于辅助进行故障根因定位和修复；在所述待预测样本数据的重构误差值大于第一阈值的情况下，确定所述待预测样本数据为异常数据；根据所述目标分类模型对所述异常数据进行故障类别预测，确定所述异常数据的故障
类型。8.根据权利要求1
‑
7任一项所述的方法，其特征在于，在行业现场网数字孪生系统中，所述行业现场网的故障预测处理方法在行业现场网数字孪生系统的孪生空间执行；所述方法还包括：根据所述异常数据的故障类型和各个特征的重构误差值，对物理空间中的实体进行控制。9.一种行业现场网的故障预测处理装置，其特征在于，包括：样本补充模块，用于利用新标注样本生成方法和/或异常数据标注方法对训练样本进行补充，得到有标注的行业现场网故障样本集；处理模块，用于对所述有标注的行业现场网故障样本集进行故障分类模型训练，得到目标分类模型，所述目标分类模型用于对异常数据进行故...

【专利技术属性】
技术研发人员：游树娟，李小涛，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：