[发明专利]一种基于高斯混合隐马尔可夫模型的系统故障预测方法有效
申请号: | 202110597641.X | 申请日: | 2021-05-31 |
公开(公告)号: | CN113342597B | 公开(公告)日: | 2022-04-29 |
发明(设计)人: | 应时;田园;王冰明 | 申请(专利权)人: | 武汉大学 |
主分类号: | G06F11/30 | 分类号: | G06F11/30;G06F16/35;G06F17/18 |
代理公司: | 武汉科皓知识产权代理事务所(特殊普通合伙) 42222 | 代理人: | 许莲英 |
地址: | 430072 湖*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 混合 隐马尔可夫 模型 系统故障 预测 方法 | ||
1.一种基于高斯混合隐马尔可夫模型的系统故障预测方法,其特征在于,包括以下步骤:
步骤1:将原始日志文件数据集通过预处理得到预处理后日志文件数据集,将预处理后日志文件数据集每个预处理后日志文件通过关键词提取方法提取每个预处理后日志文件的多个关键词,进一步构建词频矩阵,将词频矩阵采用凝聚层次聚类法在预处理后日志文件数据集中提取多个聚类后预处理后日志文件,人工标记每个聚类后预处理后日志文件的类型;
步骤2:提取每个聚类后预处理后日志文件的类型的特征,进一步构造每个聚类后预处理后日志文件的类型的特征向量,将所有聚类后预处理后日志文件的类型的特征向量按原始日志文件顺序排列,得到特征向量数据集;
步骤3:在特征向量数据集上,定位指定故障的所有出现位置,在特征向量数据集上定位滑动窗口的起始位置、滑动窗口的截止位置,从滑动窗口的起始位置开始截取滑动窗口内的特征向量序列放入指定故障数据集中,将滑动窗口向后移动滑动步长的距离,继续截取滑动窗口内的特征向量序列放入指定故障数据集中,直到滑动窗口到达或超过滑动窗口的截止位置为止,作为指定故障的数据集;
步骤4:分别设定每种待预测指定故障的高斯混合隐马尔可夫模型的超参数,分别将每种指定故障的数据集作为该高斯混合隐马尔可夫模型训练算法的输入,通过什么算法优化训练每种指定故障的高斯混合隐马尔可夫预测模型的待估计参数,得到优化后每种指定故障的高斯混合隐马尔可夫预测模型的待估计参数,以构建优化后每种指定故障的高斯混合隐马尔可夫预测模型;
步骤5:通过步骤3中滑动窗口截取一段实时日志序列,作为待预测日志序列;通过步骤1方法将待预测日志序列转化成聚类后预处理后日志文件的类型序列,通过步骤2方法将聚类后预处理后日志文件的类型序列转化成特征向量序列,通过步骤4所述优化后每种指定故障的高斯混合隐马尔可夫模型对特征向量序列进行预测,得到预测结果。
2.根据权利要求1所述的基于高斯混合隐马尔可夫模型的系统故障预测方法,其特征在于,步骤1所述预处理为:将原始日志文件数据集通过清洗无意义参数、过滤冗余日志得到预处理后日志文件数据集;
步骤1所述多个聚类后预处理后日志文件,具体公式符号定义为:
其中,lj,i表示第j个采集时刻的预处理后日志文件数据集中第i个日志文件,Nj表示第j个采集时刻的预处理后日志文件数据集中日志文件总数量,i∈[1,Nj],j∈[1,K],K表示采集时刻的数量;
步骤1所述每个聚类后预处理后日志文件的类型,具体公式符号定义为:
其中,ej,i表示第j个采集时刻的预处理后日志文件数据集中第i个日志文件的类型,Nj表示第j个采集时刻的预处理后日志文件数据集中日志文件总数量,i∈[1,Nj],j∈[1,K],K表示采集时刻的数量。
3.根据权利要求1所述的基于高斯混合隐马尔可夫模型的系统故障预测方法,其特征在于,步骤2所述提取每个聚类后预处理后日志文件的类型的特征,具体计算方法为:
其中,表示日志文件类型m在typej中的频数,Fm表示在{type1,type2,...,typeK}中m∈typei为真i∈[1,M]的频数,Nj表示第j个采集时刻的预处理后日志文件数据集中日志文件总数量,m∈[1,M],j∈[1,K],M表示步骤1中聚类后日志文件类型总数量,K表示采集时刻的数量;
步骤2所述每个聚类后预处理后日志文件的类型的特征向量,定义为:
其中,分量表示日志文件类型m在typej中的特征值,m∈[1,M],j∈[1,K],M表示步骤1中聚类后日志文件类型总数量,K表示采集时刻的数量;
步骤2所述特征向量数据集,具体公式符号定义为
V={v1,v2,...,vK}
其中,vj表示对typej提取特征后的特征向量,j∈[1,K]。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉大学,未经武汉大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110597641.X/1.html,转载请声明来源钻瓜专利网。