CN119398762A 基于深度神经网络的运维数据分析优化系统及方法 （陕西瑞亚智能技术有限公司）

基于深度神经网络的运维数据分析优化系本发明提供的基于深度神经网络的运维数中的特征稀疏性和设备生命周期中的数据漂移2获取设备的第一数据与第二数据，将第一数据与第二数据进行根据预处理后的第一数据与第二数据构建高纬稀疏矩阵，并采用低采用增量学习算法对知识迁移后的故障预测模型进行更新，获得更新后将设备生命周期阶段特征、预处理后的第一数据与第二数据将第一数据与第二数据按照时间排序对齐，并将按照时间;;3备状态的潜在特征；v为nxr的矩阵，用于表示传感器数据与设备状态之间的关系；和代表了高维稀疏矩阵的低维特征，mxr的矩阵中，m表示设备运行状态的r表示通过交叉验证确定的低维秩；nxr的矩阵中，n表示特征维度，r表示通过交叉验证确定的低维秩；r与n的相对数值关系为r≤n；根据设备生命周期阶段和特征重要性评估，为每个低维特征分配;根据处于不同生命周期阶段中的第一数据训练决策树模型，并根据训采用深度神经网络构建故障预测模型，将设备的第一数据与第二数据作为输入层特对初步的故障预测模型进行训练，将综合特征向量作为训练数据提取初步的故障预测模型中的初步特征表示，基于设备在不同生命4通过领域适应将设备当前生命周期阶段的数据映射至处于训练阶段的故障预测模型基于深度神经网络的多任务学习，对故障预测与生命周期阶段识别的进行知识迁移，将第二数据输入至知识迁移后的故障预测模型，通过在线随机梯度9.基于深度神经网络的运维数据分析优化系统，所述系统应用上述权利要求1_8任意预处理单元，用于获取设备的第一数据与第二数据，将第一数据与矩阵分解单元，用于根据预处理后的第一数据与第二数据构建高纬稀知识迁移单元，用于引入多阶段迁移学习机制，对训练更新单元，用于采用增量学习算法对知识迁移后的故障预测模型预测输出单元，用于将设备生命周期阶段特征、预处理后的第一数5[0003]相关技术的运维数据分析中，常规机器学习方法往往无术中高维数据中的特征稀疏性和设备生命周期中的数6[0015]作为本发明优选的方案，根据预处理后的第一数据与第二数据构建高纬稀疏矩;;n的相对数值关系为rsn。;7[0024]通过领域适应将设备当前生命周期阶段的数据映射至处于训练阶段的故障预测8态调整设备的运维策略，确保在设备的不同生命周期阶段采取最合适的维护和检测措施；[0038]图1为本发明实施例提供的基于深度神经网络的运维数据分析优化方法的流程[0039]图2为本发明实施例提供的基于深度神经网络的运维数据分析优化系统的整体框9运行时长是设备自启用以来的累计运行时间；运行状态是设备在不同时间点的运行状态，的表现；故障类型与故障时间是记录设备历史上的故障类型及故障发生的时间与持续时;;表示通过交叉验证确定的低维秩；nxr的矩阵中，n表示特征维度，r表示通过交叉验证K;并保留关键信息，通过SVD提取的低维特征矩阵能够有效提取设备状态的潜在信息和传感;i个低维特征的初步权重；fi是第i个低维特征；y是故障预测的目标变量；corr(fy)表示第i个特征fi与目标变量y之间的相关性；d是低维特征的总数。权重均为本领域公知的技术手段实现，其具体实施方法和步骤已为相关技术文献所公开，通过领域适应将设备当前生命周期阶段的数据映射至处于训练阶段的故障预测的故障预测模型；增量式的学习方式使得模型能够实时学习和适应设备的最新运行数