本發(fā)明涉及工業(yè)網(wǎng)絡(luò)管理領(lǐng)域，特別是涉及一種工業(yè)網(wǎng)絡(luò)自健康管理方法、裝置及電子設(shè)備。

背景技術(shù)：

1、由于工業(yè)網(wǎng)絡(luò)的特殊性，所以任何故障或者中斷，都有可能造成經(jīng)濟損失甚至人員傷亡。而隨著工業(yè)互聯(lián)網(wǎng)技術(shù)的發(fā)展，工業(yè)網(wǎng)絡(luò)的網(wǎng)絡(luò)規(guī)模的不斷擴大，對網(wǎng)絡(luò)的管理變得越發(fā)困難。目前，存在利用貝葉斯網(wǎng)絡(luò)、機器學(xué)習(xí)、深度學(xué)習(xí)等傳統(tǒng)ai技術(shù)進行異常檢測的方法。但是，由于各種工業(yè)網(wǎng)絡(luò)的制式不統(tǒng)一，問題類似多樣，負樣本極度缺乏，導(dǎo)致基于機器學(xué)習(xí)的技術(shù)，無法解決網(wǎng)絡(luò)多變，從而導(dǎo)致判斷規(guī)則需同步變化的問題，更無法解決精確定位故障的問題，其靈活性和適應(yīng)性不足，無法應(yīng)對當前復(fù)雜工業(yè)網(wǎng)絡(luò)發(fā)展所帶來的自健康管理挑戰(zhàn)，因此，需要對其進行改進。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對由于各種工業(yè)網(wǎng)絡(luò)的制式不統(tǒng)一，問題類似多樣，負樣本極度缺乏，導(dǎo)致基于機器學(xué)習(xí)的技術(shù)，無法解決網(wǎng)絡(luò)多變，從而導(dǎo)致判斷規(guī)則需同步變化的問題，更無法解決精確定位故障的問題，其靈活性和適應(yīng)性不足，無法應(yīng)對當前復(fù)雜工業(yè)網(wǎng)絡(luò)發(fā)展所帶來的自健康管理挑戰(zhàn)的問題，提供一種工業(yè)網(wǎng)絡(luò)自健康管理方法、裝置及電子設(shè)備。

2、本發(fā)明提供的一種工業(yè)網(wǎng)絡(luò)自健康管理方法，該方法包括：

3、將故障判定規(guī)則和歷史案例轉(zhuǎn)化為適合進行embedding處理的短文本形式；

4、對實時采集到的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)進行標準化處理和閾值匹配，并輸出網(wǎng)絡(luò)狀態(tài)描述短句集合；

5、對經(jīng)過標準化處理的狀態(tài)描述短句進行embedding處理和自適應(yīng)聚類；

6、基于聚合后的向量進行相似度檢索；

7、基于檢索到的歷史案例，調(diào)用llm模型進行故障原因的推測和排序，并更新案例庫。

8、在其中一個實施例中，所述將故障判定規(guī)則和歷史案例轉(zhuǎn)化為適合進行embedding處理的短文本形式，包括：

9、將每條故障判定規(guī)則和歷史案例用自然語言進行描述，得到格式一致的文本描述；

10、基于預(yù)訓(xùn)練的embedding模型對文本描述進行向量化處理，并將每條文本描述的embedding結(jié)果存儲在一個向量列表中；

11、基于輕量化的方法構(gòu)建層次化圖譜以編碼相關(guān)關(guān)系，得到層次化圖譜標識，并將層次化圖譜標識保存為該記錄的唯一標識符號；

12、將處理后的規(guī)則和案例分別存儲在規(guī)則庫和歷史案例庫中，并將對應(yīng)的規(guī)則庫和歷史案例庫存入向量數(shù)據(jù)庫中，所述每條記錄包含其對應(yīng)的文本描述、向量表示及其唯一標識符。

13、在其中一個實施例中，所述對實時采集到的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)進行標準化處理和閾值匹配，并輸出網(wǎng)絡(luò)狀態(tài)描述短句集合，包括：

14、獲取網(wǎng)絡(luò)監(jiān)測工具和設(shè)備中收集的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)，并對網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)進行標準化處理，所述網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)包括延遲、丟包率和帶寬利用率；

15、基于標準化處理后的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)，識別超出閾值的指標，并生成相應(yīng)的網(wǎng)絡(luò)狀態(tài)描述短句；

16、將網(wǎng)絡(luò)狀態(tài)描述短句存儲在一個集合中，并輸出網(wǎng)絡(luò)狀態(tài)描述短句集合。

17、在其中一個實施例中，所述基于標準化處理后的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)，識別超出閾值的指標，包括：

18、獲取標準化處理后的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)；

19、將所述網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)輸入llm模型，輸出超出閾值指標結(jié)果，所述llm模型是基于深度神經(jīng)網(wǎng)絡(luò)，以閾值范圍內(nèi)網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)樣本與非閾值范圍內(nèi)網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)樣本為訓(xùn)練數(shù)據(jù)訓(xùn)練得到的。

20、在其中一個實施例中，所述對經(jīng)過標準化處理的狀態(tài)描述短句進行embedding處理和自適應(yīng)聚類，包括：

21、基于預(yù)訓(xùn)練的embedding模型對每個狀態(tài)描述短句進行向量化處理，并輸出高維度的向量表示；

22、將所有的向量表示轉(zhuǎn)換為一個向量集合；

23、基于凝聚層次聚類算法對向量集合進行聚類；

24、調(diào)用llm模型提取每個聚類的語義總結(jié)；

25、使用位置編碼記錄每個短句與其所屬聚類的關(guān)系。

26、在其中一個實施例中，所述基于聚合后的向量進行相似度檢索，包括：

27、基于相似度檢索的指標，計算每個聚合后的向量與規(guī)則庫和歷史案例庫中的所有向量之間的相似度，并將結(jié)果存入列表中，所述相似度檢索的指標為cosine相似度；

28、根據(jù)相似度值對列表進行排序，并輸出相似度最高的前兩個案例結(jié)果；

29、響應(yīng)于相似度最高的前兩個案例結(jié)果均低于閾值，根據(jù)匹配到的規(guī)則記錄的層次圖譜標識符，推導(dǎo)出最相關(guān)案例。

30、在其中一個實施例中，所述基于檢索到的歷史案例，調(diào)用llm模型進行故障原因的推測和排序，并更新案例庫，包括：

31、從相似度檢索中獲得的歷史案例中提取相關(guān)信息，并處理為結(jié)構(gòu)化文本數(shù)據(jù)；

32、調(diào)用llm模型將結(jié)構(gòu)化文本數(shù)據(jù)處理成多個可能的故障原因，且為每個原因賦予一個自信度評分，并將其生成一個故障原因評分列表；

33、基于自信度評分對故障原因進行優(yōu)先級排序；

34、根據(jù)推測結(jié)果更新歷史案例庫，且記錄新的故障信息，并將更新后的案例信息推送給技術(shù)人員確認。

35、在其中一個實施例中，所述根據(jù)推測結(jié)果更新歷史案例庫，且記錄新的故障信息，并將更新后的案例信息推送給技術(shù)人員確認，包括：

36、將當前故障的詳細信息記錄為新的案例，并賦予高置信度標記，所述當前故障的詳細信息包括推測的原因、處理措施和處理結(jié)果；

37、對于未被選取的其他推測原因賦予低置信度標記，并將其記錄到案例庫中；

38、將更新后的案例信息推送給技術(shù)人員確認，所述更新后的案例包括新的案例標識符號、故障描述和推斷依據(jù)。

39、本發(fā)明還提供了一種工業(yè)網(wǎng)絡(luò)自健康管理裝置，包括：

40、轉(zhuǎn)化模塊，用于將故障判定規(guī)則和歷史案例轉(zhuǎn)化為適合進行embedding處理的短文本形式；

41、輸出模塊，用于對實時采集到的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)進行標準化處理和閾值匹配，并輸出網(wǎng)絡(luò)狀態(tài)描述短句集合；

42、聚類模塊，用于對經(jīng)過標準化處理的狀態(tài)描述短句進行embedding處理和自適應(yīng)聚類；

43、檢索模塊，用于基于聚合后的向量進行相似度檢索；

44、更新模塊，用于基于檢索到的歷史案例，調(diào)用llm模型進行故障原因的推測和排序，并更新案例庫。

45、本發(fā)明還提供了一種電子設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上述任一種所述的工業(yè)網(wǎng)絡(luò)自健康管理方法。

46、上述工業(yè)網(wǎng)絡(luò)自健康管理方法、裝置及電子設(shè)備，一方面，通過使用規(guī)則庫來進行補充檢索，同時借助llm模型來快速構(gòu)造歷史案例，使系統(tǒng)在部署早期就能保證較高的故障定位準確率，從而提高自健康管理水平，另一方面，通過建立動態(tài)的故障判定規(guī)則和歷史案例庫，靈活適應(yīng)網(wǎng)絡(luò)變化，實現(xiàn)精確的故障定位。

技術(shù)特征：

1.一種工業(yè)網(wǎng)絡(luò)自健康管理方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的工業(yè)網(wǎng)絡(luò)自健康管理方法，其特征在于，所述將故障判定規(guī)則和歷史案例轉(zhuǎn)化為適合進行embedding處理的短文本形式，包括：

3.根據(jù)權(quán)利要求2所述的工業(yè)網(wǎng)絡(luò)自健康管理方法，其特征在于，所述對實時采集到的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)進行標準化處理和閾值匹配，并輸出網(wǎng)絡(luò)狀態(tài)描述短句集合，包括：

4.根據(jù)權(quán)利要求3所述的工業(yè)網(wǎng)絡(luò)自健康管理方法，其特征在于，所述基于標準化處理后的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)，識別超出閾值的指標，包括：

5.根據(jù)權(quán)利要求1所述的工業(yè)網(wǎng)絡(luò)自健康管理方法，其特征在于，所述對經(jīng)過標準化處理的狀態(tài)描述短句進行embedding處理和自適應(yīng)聚類，包括：

6.根據(jù)權(quán)利要求5所述的工業(yè)網(wǎng)絡(luò)自健康管理方法，其特征在于，所述基于聚合后的向量進行相似度檢索，包括：

7.根據(jù)權(quán)利要求6所述的工業(yè)網(wǎng)絡(luò)自健康管理方法，其特征在于，所述基于檢索到的歷史案例，調(diào)用llm模型進行故障原因的推測和排序，并更新案例庫，包括：

8.根據(jù)權(quán)利要求7所述的工業(yè)網(wǎng)絡(luò)自健康管理方法，其特征在于，所述根據(jù)推測結(jié)果更新歷史案例庫，且記錄新的故障信息，并將更新后的案例信息推送給技術(shù)人員確認，包括：

9.一種工業(yè)網(wǎng)絡(luò)自健康管理裝置，其特征在于，包括：

10.一種電子設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1至8中任一項所述的方法的步驟。

技術(shù)總結(jié)
本發(fā)明涉及一種工業(yè)網(wǎng)絡(luò)自健康管理方法、裝置及電子設(shè)備，該方法包括：將故障判定規(guī)則和歷史案例轉(zhuǎn)化為適合進行Embedding處理的短文本形式；對實時采集到的網(wǎng)絡(luò)監(jiān)測數(shù)據(jù)進行標準化處理和閾值匹配，并輸出網(wǎng)絡(luò)狀態(tài)描述短句集合；對經(jīng)過標準化處理的狀態(tài)描述短句進行Embedding處理和自適應(yīng)聚類；基于聚合后的向量進行相似度檢索；基于檢索到的歷史案例，調(diào)用LLM模型進行故障原因的推測和排序，并更新案例庫。該方法通過使用規(guī)則庫來進行補充檢索，同時借助LLM模型來快速構(gòu)造歷史案例，使系統(tǒng)在部署早期就能保證較高的故障定位準確率，從而提高自健康管理水平，靈活適應(yīng)網(wǎng)絡(luò)變化，實現(xiàn)精確的故障定位。

技術(shù)研發(fā)人員：王艷旭,胡永峰,徐金濤,張惠影,柳卯
受保護的技術(shù)使用者：北京中航通用科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23