[发明专利]处理器系统故障的预测与诊断方法和装置

说明书

本发明提供了一种处理器系统故障的预测与诊断方法和装置，处理器系统故障的预测与诊断方法包括以下步骤：利用数据清洗方法，构建结构化的故障样本数据集；利用贝叶斯网络模型，建立处理器系统故障的传播关系网络；利用LSTM网络，级联所述贝叶斯网络模型，对所述处理器系统的故障进行预测和诊断。所述处理器系统故障的预测与诊断装置适用于执行所述处理器系统故障的预测与诊断方法。该方法可以利用数据驱动的方式实现处理器系统“故障源‑系统失效行为”的双向概率推理，并利用模型级联的方式实现处理器系统故障的失效类型预测。

技术领域

本发明涉及多部件系统故障的预测与诊断技术领域，尤其涉及一种处理器系统故障的预测与诊断方法和装置。

背景技术

在航天领域，会采用运行稳定性高的处理器系统进行程序控制、数据传输以及状态监控。但空间环境中的高能电子会在器件表面积累，到达一定阈值时，就会引起逻辑的翻转，导致处理器系统软件错误的发生，进而会给处理器系统的稳定运行带来隐患。因此，早期对处理器系统的健康评估尤为重要，处理器系统的健康评估包括处理器系统的故障诊断与预测两个方面，其中，故障诊断是指系统发出故障信号时，通过对当前系统故障特征的分析，实现对故障源的定位，而故障预测是指故障未发生时，利用系统当前观测节点特征来预测可能发生的故障类型。

目前，故障诊断模型有基于信号特征分析和基于数据驱动两种，其中，信号特征分析是通过信号处理后阈值判定来进行故障源定位，而数据驱动是利用历史数据进行训练产生故障源定位模型。常见的故障预测模型有基于模型和基于数据驱动两种，其中基于模型的方法要求研究对象系统的数据模型是已知的，而数据驱动是利用历史数据进行训练产生故障预测模型。因此，现有技术中，故障诊断模型和故障预测模型通常是分立的，不仅使用不便，而且维护成本高。

进一步地，就故障诊断而言，目前大部分算法只支持单节点的故障诊断，而处理器系统的故障类型和故障原因相对复杂，而且组件之间存在层次性和故障的传播性，致使其在产生故障后难以定位原因；就故障预测而言，考虑到时序的动态性，进而需要动态时序算法来进行故障的预测，但处理器系统中间时刻状态是无法获取的，进而需要一种间接方式来实现处理器系统的故障预测。

因此，如何提供一种多节点的故障诊断算法，成为本领域技术人员亟待解决的问题。

需要说明的是，公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明的第一个目的是提供一种用于预测与诊断处理器系统故障的方法，第二个目的是提供一种用于预测与诊断处理器系统故障的装置。

为实现本发明的第一个目的，本发明通过以下技术方案予以实现：一种处理器系统故障的预测与诊断方法，包括以下步骤：

S100：利用数据清洗方法，构建结构化的故障样本数据集；

S200：利用贝叶斯网络模型，建立处理器系统故障的传播关系网络；

S300：利用LSTM网络，级联所述贝叶斯网络模型，对所述处理器系统的故障进行预测和诊断。

可选地，在执行步骤S100之前，还包括确定故障注入点及观测节点，注入故障并收集故障时序数据，以得到故障样本初始数据集。

可选地，步骤S100中，所述利用数据清洗方式，构建结构化的故障样本数据集包括，

按照预设的标准化规则，对所述故障样本初始数据集进行标准化；

使用标准化后的所述故障样本初始数据集，对所述处理器系统的失效行为标注，构建故障源、观测节点和失效标签组成的所述结构化的故障样本数据集。

可选地，所述预设的标准化规则包括所述故障时序数据的非数值、常值的过滤、特征值区间收缩以及观测节点异常判定。