【技术实现步骤摘要】
本公开涉及数据处理，尤其涉及一种基于因果分析的故障溯源方法及装置、电子设备。
技术介绍
1、工业生产过程中发生的故障可能会在工业系统内部迅速传播，影响生产安全和产品质量。因此，发生故障时需要及时进行故障溯源，确定故障根因节点。但是，由于生产变量之间的相互影响，从故障根因节点到故障检测节点可能存在多条报警路径，并可能包含误报警，导致难以准确进行故障溯源。
技术实现思路
1、有鉴于此，本公开提出了一种基于因果分析的故障溯源方法及装置、电子设备的技术方案。
2、根据本公开的一方面，提供了一种基于因果分析的故障溯源方法，包括：获取待处理数据集，其中，所述待处理数据集包括目标系统发生目标故障时，所述目标系统中与所述目标故障对应的多个相关变量，以及每个所述相关变量在预设时间内的数据序列；对所述待处理数据集进行因果分析，在所述多个相关变量中确定与所述目标故障具有因果关系的因变量；基于贝叶斯网络模型，确定每个所述因变量对应的干预概率，其中，每个所述因变量对应的干预概率用于表示该因变量是故障原因的概率值；根据每个所述因变量对应的干预概率，确定所述目标故障对应的故障原因。
3、在一种可能的实现方式中，所述对所述待处理数据集进行因果分析，在所述多个相关变量中确定因变量，包括：对所述待处理数据集进行分组，确定处理数据组和对照数据组；根据所述处理数据组和所述对照数据组，基于稳定学习算法，确定每个所述相关变量对应的因果回归系数，其中，每个所述相关变量对应的因果回归系数用于表示该相关变量
4、在一种可能的实现方式中，所述对所述待处理数据集进行分组，确定处理数据组和对照数据组，包括：根据每个所述相关变量对应的正常样本均值，确定每个所述相关变量对应的指标向量，其中，每个所述相关变量对应的正常样本均值是该相关变量在所述目标系统处于正常状态下的平均值；根据每个所述相关变量对应的指标向量，将所述待处理数据集划分为所述处理数据组和所述对照数据组。
5、在一种可能的实现方式中，所述根据所述处理数据组和所述对照数据组，基于稳定学习算法，确定每个所述相关变量对应的因果回归系数，包括：根据所述处理数据组和所述对照数据组，确定目标优化问题，其中，所述目标优化问题用于在所述多个相关变量中提取所述因变量；利用所述稳定学习算法，对所述目标优化问题进行求解，确定每个所述相关变量对应的因果回归系数。
6、在一种可能的实现方式中，所述根据每个所述相关变量对应的因果回归系数，在所述多个相关变量中确定所述因变量，包括：对每个所述相关变量对应的因果回归系数进行排序，确定排序后的系数序列，其中，所述系数序列中包括每个所述相关变量对应的因果回归系数的绝对值，且按照绝对值由大到小进行排序；将所述系数序列中包括的每个所述相关变量对应的因果回归系数的绝对值依次进行累加，并将每次累加后确定的累积百分比与预设阈值进行比较；在所述系数序列中前k个相关变量对应的累积百分比小于或等于所述预设阈值，且所述系数序列中前k+1个相关变量对应的累积百分比大于所述预设阈值时，将所述系数序列中前k个相关变量确定为所述因变量。
7、在一种可能的实现方式中，所述基于贝叶斯网络模型，确定每个所述因变量对应的干预概率，包括：根据所述因变量，以及所述目标系统对应的标签数据序列，确定所述目标故障对应的因果图，其中，所述标签数据序列用于表示所述目标系统的在所述预设时间内的工作状态；根据每个所述因变量在预设时间内的数据序列，分别对每个所述因变量进行离散化处理，得到每个所述因变量对应的离散化变量；根据所述因果图和每个所述因变量对应的离散化变量，构建贝叶斯网络模型；根据所述贝叶斯网络模型，确定所述目标故障对应的条件概率表，以及所述因果图中每个节点对应的边缘概率，其中，所述条件概率表用于表示每个所述因变量出现异常时发生所述目标故障的概率，所述边缘概率用于表示每个所述因变量出现异常的概率；根据所述条件概率表和所述边缘概率，确定每个所述因变量对应的干预概率。
8、在一种可能的实现方式中，所述方法还包括：在所述目标系统发生所述目标故障时，获取所述目标系统对应的原始数据集；对所述原始数据集进行数据标准化处理，确定所述待处理数据集。
9、根据本公开的另一方面，提供了一种基于因果分析的故障溯源装置，包括：数据获取模块，获取待处理数据集，其中，所述待处理数据集包括目标系统发生目标故障时，所述目标系统中与所述目标故障对应的多个相关变量，以及每个所述相关变量在预设时间内的数据序列；因变量提取模块，用于对所述待处理数据集进行因果分析，在所述多个相关变量中确定与所述目标故障具有因果关系的因变量；干预概率确定模块，用于基于贝叶斯网络模型，确定每个所述因变量对应的干预概率，其中，每个所述因变量对应的干预概率用于表示该因变量是故障原因的概率值；故障源确定模块，用于根据每个所述因变量对应的干预概率，确定所述目标故障对应的故障原因。
10、根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
11、根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
12、根据本公开的另一方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
13、在本公开实施例中，获取待处理数据集，待处理数据集中包括目标系统发生目标故障时，目标系统中与目标故障对应的多个相关变量，以及每个相关变量在预设时间内的数据序列。对待处理数据集进行因果分析，在多个相关变量中确定与目标故障具有因果关系的因变量，从而可以确定目标故障相关的关键变量，提高故障原因定位的准确性和效率。基于贝叶斯网络模型，确定每个因变量对应的干预概率，根据每个因变量对应的干预概率，可以直接确定目标故障对应的故障原因，相对于传统故障溯源中根据条件概率的推理方法，可以消除混杂因子和中介变量的影响，提高故障溯源结果的准确性，并避免噪声导致故障溯源结果不稳定。
14、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
本文档来自技高网...【技术保护点】
1.一种基于因果分析的故障溯源方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述待处理数据集进行因果分析，在所述多个相关变量中确定因变量，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述待处理数据集进行分组，确定处理数据组和对照数据组，包括：
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述处理数据组和所述对照数据组，基于稳定学习算法，确定每个所述相关变量对应的因果回归系数，包括：
5.根据权利要求2或3所述的方法，其特征在于，所述根据每个所述相关变量对应的因果回归系数，在所述多个相关变量中确定所述因变量，包括：
6.根据权利要求1所述的方法，其特征在于，所述基于贝叶斯网络模型，确定每个所述因变量对应的干预概率，包括：
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
8.一种基于因果分析的故障溯源装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令
...【技术特征摘要】
1.一种基于因果分析的故障溯源方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述待处理数据集进行因果分析，在所述多个相关变量中确定因变量，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述待处理数据集进行分组，确定处理数据组和对照数据组，包括：
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述处理数据组和所述对照数据组，基于稳定学习算法，确定每个所述相关变量对应的因果回归系数，包括：
5.根据权利要求2或3所述的方法，其特征在于，所述根据每...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。