[发明专利]基于大数据和机器学习的智能运维方法

说明书

本发明属于智能运维技术领域，尤其涉及一种基于大数据和机器学习的智能运维方法。本发明提供提供一种基于大数据和机器学习的智能运维方法，将人工智能与IT运维进行有效的相结合，达到实现智能运维的目的，同时，通过关键性能指标的异常检测以及关键性能指标的故障分析，在减少人力、物力的情况下，确保了高速公路机电设备的正常运行和快速诊断维修，为高速公路的正常运行提供了保障。

技术领域

本发明属于智能运维技术领域，尤其涉及一种基于大数据和机器学习的智能运维方法。

背景技术

随着科学技术的不断发展，各种机电设备广泛应用到高速公路管理中，并且呈现智能化。信息化、网络化发展趋势，极大地提高我国高速公路管理水平。但是高速公路机电系统具有较强的专业性，其技术管理水平要求较高，给高速公路机电管理系统的管理带来很大的难题。因此，在高速公路的管理过程中，加强机电系统的养护工作，不仅有助于延长机电系统的使用寿命，还有助于提高高速公路的管理水平。

因此，如何采用有效的架构统一化地实现远程运维中心的远程运维对高速自动化设备的运行维护、确保高速公路的正常运营具有重要意义。

发明内容

本发明针对上述的高速公路所使用的机电设备的运行维护所存在的技术问题，提出一种设计合理、方法简单且能够有效实现异常数据监测的基于大数据和机器学习的智能运维方法。

为了达到上述目的，本发明采用的技术方案为，本发明提供一种基于大数据和机器学习的智能运维方法，包括以下有效步骤：

a、首先通过运维监控工具获取机电设备的关键性能指标的历史数据；

b、以时间点为横坐标、以关键性能数据为纵坐标构件关键性能指标的线性图；

c、根据b步骤所得到的线性图，标记出关键性能指标中的正常数据部分和异常数据部分；

d、将筛选出来的正常数据部分作为特征信号，并对特征信号进行排列熵计算，使其作为异常数据部分的向量；

e、将排列熵计算的结果带入分类器内进行训练，得到机器学习模型；

f、将新产生的关键性能指标的数据导入到机器学习模型内，即可获知是否异常。

作为优选，还包括以下步骤：

g、将机电设备所有可能发生的故障的关键性能指标进行排列熵计算，形成故障特征向量；

h、将得到的故障特征向量高斯核支持向量机作为基础的训练模型内进行训练，得到机器学习模型；

i、将得到的异常关键性能指标的数据导入机器学习模型，获取故障原因。

作为优选，所述d步骤中，采用过采样和随机采样混合的方法对正常数据部分和异常数据部分进行不平衡处理。

作为优选，所述e步骤中，所述机器学习模型为BP神经网络模型。

与现有技术相比，本发明的优点和积极效果在于，

1、本发明提供提供一种基于大数据和机器学习的智能运维方法，将人工智能与IT运维进行有效的相结合，达到实现智能运维的目的，同时，通过关键性能指标的异常检测以及关键性能指标的故障分析，在减少人力、物力的情况下，确保了高速公路机电设备的正常运行和快速诊断维修，为高速公路的正常运行提供了保障。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。