[发明专利]一种故障检测方法、终端以及计算机存储介质

说明书

本发明实施例提出了一种故障检测方法、终端以及计算机存储介质，该方法包括：获取多个设备的状态数据；对所述状态数据进行处理，得到训练数据；基于所述训练数据以及非监督学习算法得到设备故障预测模型；当获取到待预测设备的最新数据时，将所述最新数据导入所述设备故障预测模型进行预测；当预测结果确定所述待预测设备为危险设备时，对所述待预测设备进行标记。根据若干设备状态指标来对设备进行聚类，并获得非监督模型。得到非监督模型后，在新的设备数据集中运用模型，通过模型可以根据设备状态指标定位高危设备，解决了现有技术中的问题。

技术领域

本发明涉及故障检测技术领域，特别涉及一种故障检测方法、终端以及计算机存储介质。

背景技术

智能电子设备可能会在使用过程中出现各种各样的故障，比如软件方面的代码bug、硬件方面的元件损坏、环境引起的网络故障等。故障诊断需要专家来进行，但排查之前往往需要复现问题，这需要花费很多时间，为此，希望通过一些指标的预测，可以帮专家排除一些故障原因。且也希望在设备出现故障之前能获得一些预警，这样就能提前采取一些措施。

但是设备故障预测是很困难的，因为智能电子设备设计比较复杂，而可能出现的故障类型又多种多样。定位问题往往需要上传日志来获取出故障前的信息，但是这涉及繁重的人力工作，出现问题后需要想办法复现问题，这往往是非常困难的，尤其是硬件和资源不足相关的问题。而在用户家里出现问题的设备，则更难以复现问题。

现有的设备故障预测的方法，除了使用硬性指标进行检测外，大多使用监督学习方法来对训练集数据进行训练，获得模型后再对新的数据进行预测。具体的，1.通过设置硬性指标检测，比如当cpu温度超过90度时视作危险状态，并开始降频；2.通过监督学习获得模型后进行预测；

如果使用硬性指标来预测高危设备，则涉及到很多规则的设计，但因素很多的时候就难以人为去建立合适的规则了。

至于现有的监督学习技术预测设备故障，虽然算法很成熟，但是无法应对很多难以收集监督数据的场景，首先想得到有标记的数据就需要建立一个系统，由专家定位问题并给出详细的设备指标数据，然后慢慢增加这个系统的数据，这个过程需要持续很久；此外因为本方案的智能电子设备运行的环境是在用户家中，实验室环境的数据不一定能反应用户家中的情况(尤其是环境导致的故障).这都给监督学习方法的使用带来困难。

发明内容

有鉴于此，本发明提出了涉及一种故障检测方法、终端以及计算机存储介质。根据若干设备状态指标来对设备进行聚类，并获得非监督模型。得到非监督模型后，在新的设备数据集中运用模型，通过模型可以根据设备状态指标定位高危设备，解决了现有技术中的问题。

具体的，本发明提出了以下具体的实施例：

本发明实施例提出了一种故障检测方法，包括：

获取多个设备的状态数据；

对所述状态数据进行处理，得到训练数据；

基于所述训练数据以及非监督学习算法得到设备故障预测模型；

当获取到待预测设备的最新数据时，将所述最新数据导入所述设备故障预测模型进行预测；

当预测结果确定所述待预测设备为危险设备时，对所述待预测设备进行标记。

在一个具体的实施例中，所述设备和/或所述待预测设备为：家庭环境下的安卓设备。

在一个具体的实施例中，所述“获取多个设备的状态数据”，包括：

通过kafka和大数据系统持续收集多个设备的状态信息。

在一个具体的实施例中，所述“获取多个设备的状态数据”，包括：

获取多个设备在预设时间段内所有上报的状态数据；其中，预设时间段对应当前之前的预设时间。