[发明专利]一种基于加权因果依赖图的故障预测方法

说明书

本发明针对关联规则挖掘中事件间的因果依赖关系，提出了一种基于加权因果依赖图的故障预测方法。在故障预测阶段采用一种抽象的加权因果依赖图来表示事件规则。包括：S1、根据事件规则构建加权因果依赖图WCDGs；S2、根据事件规则不断更新之前的加权因果依赖图；S3、基于更新后的加权因果依赖图WCDGs预测当一个事件发生时，后续事件(故障事件)发生的概率。与其他预测模型相比，本发明可以更容易地存储和更新事件规则，并且能够在系统的整个生命周期以自启动的方式实现规则的高效更新，满足系统动态性的需求，在提高预测精度的同时大大降低了时间开销。

技术领域

本发明属于信息系统技术领域，尤其涉及一种基于加权因果依赖图的故障预测方法，采用加权因果依赖图(WCDGs)来表示事件规则，在事件规则中增加时间约束来表征事件的因果关联性，并不断自动更新WCDGs，并且利用因果图的正向推理来实现故障预测。

背景技术

近年来，随着网络体系构造的日趋复杂、规模的不断扩大，系统可靠性受到了严重影响，对故障预测方法精确度的要求日益提高。目前国内外一些针对网络设备和大规模系统的故障预测方法可大划分为三类：基于故障追踪的预测方法、基于状态监控的预测方法、基于事件驱动的预测方法。

基于事件驱动的故障预测方法多采用关联规则挖掘和规则推理的方法对系统可能出现的关联故障进行预测。然而传统的关联规则挖掘算法通常不考虑事件之间的发生顺序，不能表达事件之间的因果依赖关系，会严重影响故障预测算法的精确性和可靠性。

为了解现有技术的发展状况，对已有的专利和文献进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：

专利方案1：201310072577.9一种故障预测方法及系统

本发明提供了一种基于核主元分析法的故障预测方法及系统，主要包括计算核主元和根据控制限检测故障两个步骤。本发明针对故障预测采用基于KPCA故障重构的方法，可以很好地解决过程数据的非线性问题，从隐含故障的数据中挖掘出故障方向并估计出故障幅值，同时也考虑了故障的多维特性，可以获得更加精确的故障预测结果。

专利方案2：201811229565.1一种基于梯度提升决策树的设备故障预测方法

本发明提供了一种基于梯度提升决策树的设备故障预测方法，以保证预测结果的精确度和可靠性。该方法包括以下步骤：构建设备故障特征向量，通过设备故障特征向量构建归一化后设备特征向量以及编码后设备特征向量；通过故障大类梯度提升决策树分类模型训练得到最终故障大类预测模型；通过故障小类梯度提升决策树分类模型训练得到最终故障小类预测模型；构建设备寿命预测模型输入特征得到最终设备寿命预测模型。

上述专利方案1的缺陷：该方案采用KPCA故障重构的方法进行故障预测，同时考虑到了故障的多维特性，能较好地解决数据的非线性问题，获得较精确的预测结果。但此方案主要针对与旋转机械进行故障预测，扩展性不强，且该方案采用的核主元分析法对于稍复杂的故障预测场景而言显得较为简单。

上述专利方案2的缺陷：该方案采用梯度提升决策树模型，构建设备故障特征向量，利用梯度提升和回归决策树的组合方式，使得决策模型不断改进，能较好地保证预测模型的精确性和可靠性。但在此专利方案中，未考虑到事件之间的相互依存性和关联性来挖掘关联规则，导致提取到的知识受限，预测精度受限。

故障预测，旨在基于观测时间内的系统历史和当前状态信息来预测系统在未来某段时间内是否会发生故障。基于事件驱动的故障预测方法其主要思想是通过日志事件的关联规则挖掘和规则推理来实现故障预测。这类方法一般包括以下三个步骤：1)日志预处理：进行代表性事件的标识、筛选和过滤。2)关联规则挖掘：挖掘于故障事件一起出现的频繁事件序列，生成故障预测规则。3)在线故障预测：对于实时监测到的事件与知识库中的规则进行模式匹配通过合理的规则推理达到预测的目的。