一种面向设备价值衰减的故障根因定位方法和装置与流程

本发明涉及计算机，尤其涉及一种面向设备价值衰减的故障根因定位方法和装置。

背景技术：

1、当前，针对设备价值衰减的故障根因定位，现有技术中基于组件间故障关联分析的方法仅能发现组件间的统计关联，无法建立设备宏观经济价值指标与微观日志语义之间的推理链路，难以回答是什么具体故障导致了价值衰减这一业务问题；而基于多模态数据融合的对称注意力架构，各模态特征平等参与融合，缺乏以价值状态主动引导日志分析方向的技术手段，无法聚焦于解释价值异常的关键日志；此外，传统方法依赖人工查阅海量非结构化日志与维修报告，效率低下且高度依赖专家经验，难以实现自动化、智能化的根因定位。

2、因此，亟需一种能够以设备剩余价值指数为引导信号，自动输出可解释故障根因及关联证据的智能化根因定位方法。

技术实现思路

1、本发明提供了一种面向设备价值衰减的故障根因定位方法和系统，该方法能够显著提高设备价值衰减相关故障的发现效率、根因定位准确率和运维智能化水平。

2、第一方面，提供了一种面向设备价值衰减的故障根因定位方法，包括：

3、获取目标设备的剩余价值指数rvi和设备运行日志，剩余价值指数rvi用于量化设备的经济价值衰减程度；

4、根据剩余价值指数rvi，得到状态特征向量，根据设备运行日志，得到文本特征向量；

5、将状态特征向量作为查询向量，以及将文本特征向量作为键向量和值向量，通过注意力机制，得到上下文特征向量；

6、根据上下文特征向量，得到目标设备的剩余价值指数rvi变化的故障根因类别。

7、这样，通过将反映设备经济价值衰减的剩余价值指数rvi编码为状态特征向量，并作为注意力机制的唯一查询向量，同时将设备运行日志编码为文本特征向量作为键和值，以非对称注意力架构主动引导日志语义分析与价值状态关联，最终输出能够直接解释价值衰减的具体故障根因类别，实现了从“价值异常”到“可解释故障原因”的自动化推理，克服了现有技术中缺乏价值状态引导、无法建立宏观指标与微观日志关联的缺陷，显著提升了故障根因定位的智能化水平和准确性。

8、在一些可能的实现方式中，将状态特征向量作为查询向量，以及将文本特征向量作为键向量和值向量，通过注意力机制，得到上下文特征向量，包括：

9、通过注意力机制，计算状态特征向量与各文本特征向量之间的相似度，并对相似度进行归一化处理，得到注意力权重；

10、根据注意力权重对文本特征向量进行加权求和，得到上下文特征向量。

11、这样，通过计算价值状态特征与每条日志特征的相似度并归一化得到注意力权重，再对日志特征进行加权求和，使得高注意力权重的日志信息被显著增强，低权重日志被抑制，从而生成聚焦于价值衰减解释的上下文特征向量，为后续根因分类提供了高质量的特征输入。

12、在一些可能的实现方式中，通过注意力机制，计算状态特征向量与各文本特征向量之间的相似度，并对相似度进行归一化处理，得到注意力权重，包括：

13、计算状态特征向量与各条设备运行日志的文本特征向量之间的点积，得到原始相似度得分；

14、根据文本特征向量的维度对原始相似度得分进行缩放，得到缩放后的得分；

15、根据缩放后的得分，确定各条设备运行日志的注意力权重。

16、这样，采用缩放点积的方式计算注意力权重，一方面通过点积高效地度量状态向量与日志向量的相似性，另一方面通过除以维度的平方根进行缩放，避免了点积值过大导致softmax梯度饱和，保证了注意力权重分布的合理性和训练稳定性。

17、在一些可能的实现方式中，计算状态特征向量与各条设备运行日志的文本特征向量之间的点积，得到原始相似度得分；根据文本特征向量的维度对原始相似度得分进行缩放，得到缩放后的得分；根据缩放后的得分，确定各条设备运行日志的注意力权重，包括：

18、采用如下公式计算注意力权重：

19、

20、其中，q为所述状态特征向量，为第

i条设备运行日志对应的文本特征向量，为特征维度，为第

i条设备运行日志的注意力权重。

21、这样，通过明确的数学公式定义了注意力权重的计算过程，使得每条日志对价值衰减的解释贡献度可量化、可追溯，为后续支撑证据的提取和根因定位的可解释性提供了基础。

22、在一些可能的实现方式中，根据上下文特征向量，得到目标设备的剩余价值指数rvi变化的故障根因类别，包括：

23、将上下文特征向量输入分类器，输出故障根因类别及其置信度，其中，分类器的输出类别包括以下至少一种：散热系统失效、电源系统故障、网络连接问题、存储介质损坏、软件配置错误、硬件老化、外部环境干扰。

24、这样，通过预设覆盖常见设备故障的根因类别，利用分类器自动从融合了价值状态引导信息的上下文特征向量中判别出最可能的故障类型及置信度，实现了从多源异构数据到具体故障根因的端到端映射，避免了人工查阅日志、经验判断的繁琐过程。

25、在一些可能的实现方式中，根据剩余价值指数rvi，得到状态特征向量，包括：

26、将剩余价值指数rvi通过多层感知机映射为预设维度的状态特征向量，其中，多层感知机包括至少一个全连接层和非线性激活函数。

27、这样，通过多层感知机将单一数值的剩余价值指数rvi映射为高维状态特征向量，增强了价值状态的特征表达能力，使其能够与文本特征向量进行有效的点积相似度计算，同时非线性激活函数的引入提升了模型对价值衰减非线性变化的拟合能力。

28、在一些可能的实现方式中，根据设备运行日志，得到文本特征向量，包括：

29、将设备运行日志输入预训练的语言模型，提取每条设备运行日志的语义特征向量，其中，预训练的语言模型为bert。

30、这样，利用bert等预训练语言模型强大的语义理解能力，将原始的自然语言日志转化为富含上下文信息的语义特征向量，为后续与价值状态特征的交互提供了高质量的文本表征，显著提升了模型对日志中隐含故障信息的提取能力。

31、第二方面，提供了一种面向设备价值衰减的故障根因定位装置，包括：

32、第一处理模块，用于获取目标设备的剩余价值指数rvi和设备运行日志，剩余价值指数rvi用于量化设备的经济价值衰减程度；

33、第二处理模块，用于根据剩余价值指数rvi，得到状态特征向量，根据设备运行日志，得到文本特征向量；

34、第三处理模块，用于将状态特征向量作为查询向量，以及将文本特征向量作为键向量和值向量，通过注意力机制，得到上下文特征向量；

35、第四处理模块，用于根据上下文特征向量，得到目标设备的剩余价值指数rvi变化的故障根因类别。

36、在一些可能的实现方式中，第一处理模块具体用于：从设备管理系统获取剩余价值指数rvi，rvi为取值范围在[0,1]之间的连续数值，综合反映设备的残值、预测运维成本和技术代差；从设备日志库获取设备运行日志文本，日志文本包括运行状态记录、告警信息和错误报告中的至少一种。

37、在一些可能的实现方式中，第二处理模块具体用于：

38、将剩余价值指数rvi输入多层感知机，多层感知机包括至少一个全连接层和非线性激活函数，映射为预设维度的状态特征向量；将设备运行日志输入预训练的语言模型，预训练的语言模型为bert、roberta或distilbert，提取每条日志的语义特征向量，形成文本特征向量集合。

39、在一些可能的实现方式中，第三处理模块具体用于：

40、将状态特征向量作为注意力机制中的唯一查询向量，将文本特征向量集合作为注意力机制中的键和值；计算状态特征向量与各文本特征向量之间的点积，得到原始相似度得分；根据文本特征向量的维度对原始相似度得分进行缩放，得到缩放后的得分；通过softmax函数对缩放后的得分进行归一化，得到各条日志的注意力权重；根据注意力权重对文本特征向量进行加权求和，生成上下文特征向量。

41、在一些可能的实现方式中，第三处理模块具体用于：采用如下公式计算注意力权重：

42、

43、其中，q为所述状态特征向量，为第

i条设备运行日志对应的文本特征向量，为特征维度，为第

i条设备运行日志的注意力权重；

44、上下文特征向量，其中为第i条设备运行日志对应的文本特征向量作为的值向量。

45、在一些可能的实现方式中，第四处理模块具体用于：将上下文特征向量输入全连接分类器，分类器的输出层采用softmax激活函数，输出故障根因类别及其置信度；分类器的输出类别包括散热系统失效、电源系统故障、网络连接问题、存储介质损坏、软件配置错误、硬件老化、外部环境干扰以及其他/未知中的至少一种。

46、在一些可能的实现方式中，装置还包括：报告生成模块，用于提取注意力权重大于预设阈值的日志条目，作为故障根因类别的支撑证据，并生成包含故障根因类别、置信度、支撑证据及注意力权重可视化图的分析报告。

47、第三方面，提供了一种电子设备，包括：一个或多个处理器；一个或多个存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述一个或多个存储器中，所述一个或多个程序包括指令，当所述指令被所述一个或多个处理器执行时，使得所述配置设备执行如第一方面所述的方法。

48、第四方面，提供了一种计算机存储介质，所述计算机存储介质存储有指令，所述指令在由计算机执行时使得所述计算机实施第一方面或第二方面所述的方法。

49、第五方面，提供了一种计算机程序产品，所述计算机程序产品存储有指令，所述指令在由计算机执行时使得所述计算机实施第一方面或第二方面所述的方法。

50、第二方面至第五方面的有益效果可参考上文对第一方面的有益效果的介绍，在此不再赘述。