[发明专利]一种智能机柜故障预测方法、系统及智能机柜

说明书

本公开提供了一种智能机柜故障预测方法、系统及智能机柜，所述方案包括获取智能机柜各类设备的运行状态；基于LSTM网络构建故障类型预测模型，并基于小波神经网络构建故障时间预测模型；将预训练的故障类型预测模型和时间预测模型相结合，基于所述运行状态数据，对智能机柜进行故障类型和故障发生时间的预测；所述方案利用LSTM网络和小波神经网络来分别预测故障类型和故障时间，能够有效处理故障类型和故障时间之间的关系，从而提高了预测准确度。

技术领域

本公开属于设备故障预测技术领域，尤其涉及一种智能机柜故障预测方法、系统及智能机柜。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

作为各类计算机设备的保护装置，智能机柜不仅要为其内部设备提供多维度防护，还要负责监控设备的运行状态，从而方便用户管理。发明人发现，一直以来，智能机柜着重于发展物理防护功能，而忽略了对机柜内部设备的故障处理，从而增加了智能机柜运营维护的压力。

发明内容

本公开为了解决上述问题，提供了一种智能机柜故障预测方法、系统及智能机柜，所述方案既能获得机柜设备故障种类的预测信息，又能获得故障时间的预测信息，从而为智能机柜的维护提供重要依据。

根据本公开实施例的第一个方面，提供了一种智能机柜故障预测方法，包括：

获取智能机柜各类设备的运行状态；

基于LSTM网络构建故障类型预测模型，并基于小波神经网络构建故障时间预测模型；将预训练的故障类型预测模型和时间预测模型相结合，基于所述运行状态数据，对智能机柜进行故障类型和故障发生时间的预测；

其中，所述故障类型预测模型和时间预测模型的训练，通过对所述智能机柜历史故障数据进行数据预处理，获得关键影响因子和故障发生时间数据集，利用关键影响因子数据集对所述故障类型预测模型进行训练，利用故障发生时间数据集对所述时间预测模型进行训练。

进一步的，所述数据预处理包括如下步骤：

将状态监测数据标记为正常状态和异常状态并保存为历史故障数据；

利用K-means聚类算法对所述历史故障数据进行聚类分析；

筛选出影响智能机柜故障的关键影响因子，构成用于故障类型预测模型训练的关键影响因子数据集。

进一步的，根据智能机柜故障类型预测的具体情况对应故障类型获取不同的故障发生时间数据集，并将故障发生时间送入小波神经网络分别建立故障时间预测模型。

进一步的，所述将预训练的故障类型预测模型和时间预测模型相结合，对智能机柜进行故障类型和故障发生时间的预测，具体包括：

将智能机柜的实时状态监测数据中的关键影响因子作为预训练故障类型预测模型的输入，获得故障类型预测；

将智能机柜设备的运行时长作为预训练的时间预测模型的输入，获得故障发生时间。

根据本公开实施例的第二个方面，提供了一种智能机柜故障预测系统，包括：

数据获取单元，其用于获取智能机柜各类设备的运行状态；

模型构建单元，其用于基于LSTM网络构建故障类型预测模型，并基于小波神经网络构建故障时间预测模型；

结果预测单元，其用于基于所述运行状态数据，对智能机柜进行故障类型和故障发生时间的预测；

其中，所述故障类型预测模型和时间预测模型的训练，通过对所述智能机柜历史故障数据进行数据预处理，获得关键影响因子和故障发生时间数据集，利用关键影响因子数据集对所述故障类型预测模型进行训练，利用故障发生时间数据集对所述时间预测模型进行训练。