故障诊断方法和装置及模型中原型的获取方法

技术领域

本公开涉及故障诊断技术领域，尤其是一种故障诊断方法和装置及模型中原型的获取方法。

背景技术

故障诊断是IPTV业务等业务智能化运维的一个重要环节。相关技术中，可以利用原型网络进行故障诊断。

发明内容

发明人注意到，相关技术中故障诊断的准确性较低。经过分析，发明人发现，相关技术中，原型网络仅根据业务数据在单一维度的特征进行故障诊断，无法充分挖掘业务数据中蕴含的信息，导致故障诊断的准确性较低。

为了解决上述问题，本公开实施例提出了如下解决方案。

根据本公开实施例的一方面，提供一种故障诊断方法，包括：获取业务数据，所述业务数据包括多个时间窗口中每个时间窗口内的多个第一指标的数据；对所述业务数据进行第一处理，以得到每个第一指标与所述多个时间窗口对应的第一特征数据和第二特征数据；将所述第一特征数据输入高斯原型网络模型的第一组网络层，以得到第三特征数据；将所述第二特征数据输入所述高斯原型网络模型的第二组网络层，以得到第四特征数据，所述第一组网络层中至少一个类型的网络层不属于所述第二组网络层；将所述第三特征数据和所述第四特征数据进行拼接以得到第五特征数据；将所述第五特征数据输入所述高斯原型网络模型的第三组网络层，以得到第六特征数据，所述第三组网络层包括至少一个全连接层；根据所述第六特征数据和所述高斯原型网络模型的原型，进行故障诊断。

在一些实施例中，所述第六特征数据包括编码向量和所述编码向量的协方差矩阵；根据所述第六特征数据和所述高斯原型网络模型的原型，进行故障诊断包括：根据所述编码向量和所述高斯原型网络模型的原型，进行故障诊断。

在一些实施例中，所述第一处理包括：通过季节趋势分解对所述业务数据的每个第一指标的所述多个时间窗口的数据分解，以得到每个时间窗口对应的第一趋势项、第一周期项和第一残差项；根据所述第一趋势项和所述第一周期项确定所述第一特征数据；根据所述第一残差项确定所述第二特征数据。

在一些实施例中，所述第二特征数据包括所述第一残差项的均值、标准差、峰度、偏度中的一个或多个。

在一些实施例中，所述高斯原型网络模型的原型通过如下方式获取：获取经过标注的至少一个故障类别的多份第一样本业务数据，每份第一样本业务数据包括多个第一时间窗口中每个第一时间窗口内的多个第二指标的数据；对至少一份第一样本业务数据进行扩增处理以得到至少一份第二样本业务数据；对至少一组样本业务数据中的每组样本业务数据中的每份样本业务数据进行第二处理，以得到每个第二指标与所述多个第一时间窗口对应的第一样本特征数据和第二样本特征数据，所述至少一组样本业务数据包括第一组样本业务数据，所述第一组样本业务数据属于样本业务数据集，所述样本业务数据集由所述多份第一样本业务数据和所述至少一份第二样本业务数据组成；将所述第一样本特征数据输入所述第一组网络层，以得到第三样本特征数据；将所述第二样本特征数据输入所述第二组网络层，以得到第四样本特征数据；将所述第三样本特征数据和所述第四样本特征数据进行拼接以得到第五样本特征数据；将所述第五样本特征数据输入所述第三组网络层，以得到第六样本特征数据，所述第六样本特征数据包括样本编码向量和所述样本编码向量的样本协方差矩阵；根据所述第一组样本业务数据中每份样本业务数据的第六样本特征数据，确定所述高斯原型网络模型与每个故障类别对应的原型。

根据本公开实施例的另一方面，提供一种高斯原型网络模型中原型的获取方法，包括：获取经过标注的至少一个故障类别的多份第一样本业务数据，每份第一样本业务数据包括多个第一时间窗口中每个第一时间窗口内的多个第二指标的数据；对至少一份第一样本业务数据进行扩增处理以得到至少一份第二样本业务数据；对至少一组样本业务数据中的每组样本业务数据中的每份样本业务数据进行第二处理，以得到每个第二指标与所述多个第一时间窗口对应的第一样本特征数据和第二样本特征数据，所述至少一组样本业务数据包括第一组样本业务数据，所述第一组样本业务数据属于样本业务数据集，所述样本业务数据集由所述多份第一样本业务数据和所述至少一份第二样本业务数据组成；将所述第一样本特征数据输入高斯原型网络模型的第一组网络层，以得到第三样本特征数据；将所述第二样本特征数据输入所述高斯原型网络模型的第二组网络层，以得到第四样本特征数据，所述第一组网络层中至少一个类型的网络层不属于所述第二组网络层；将所述第三样本特征数据和所述第四样本特征数据进行拼接以得到第五样本特征数据；将所述第五样本特征数据输入所述高斯原型网络模型的第三组网络层，以得到第六样本特征数据，所述第六样本特征数据包括样本编码向量和所述样本编码向量的样本协方差矩阵，所述第三组网络层包括至少一个全连接层；根据所述第一组样本业务数据中每份样本业务数据的第六样本特征数据，确定所述高斯原型网络模型与每个故障类别对应的原型。

在一些实施例中，所述第二处理包括：通过季节趋势分解对每组样本业务数据中的每份样本业务数据的每个第二指标的所述多个第一时间窗口的数据分解，以得到每个第一时间窗口对应的第二趋势项、第二周期项和第二残差项；根据所述第二趋势项和所述第二周期项确定所述第一样本特征数据；根据所述第二残差项确定所述第二样本特征数据。

在一些实施例中，所述第二样本特征数据包括所述第二残差项的均值、标准差、峰度、偏度中的一个或多个。

在一些实施例中，所述第一组网络层中的网络层的数量大于所述第二组网络层中网络层的数量。

在一些实施例中，所述第一组网络层包括所述第二组网络层。

在一些实施例中，所述第一组网络层包括一维卷积层、最大池化层、暂退层、全连接层以及线性整流层；和/或所述第二组网络层包括全连接层和线性整流层。

在一些实施例中，所述第三组网络层包括三个全连接层。

在一些实施例中，所述业务数据为IPTV相关的业务数据。

在一些实施例中，确定所述高斯原型网络模型与每个故障类别对应的原型包括：利用公式(1)计算第c个故障类别的所述第一组样本业务数据中的第i份样本业务数据的所述样本编码向量的协方差逆矩阵

其中，

其中，

在一些实施例中，所述至少一组样本业务数据还包括第二组样本业务数据，所述第二组样本业务数据和所述第一组样本业务数据组成所述样本业务数据集；根据所述高斯原型网络模型与第c个故障类别对应的

利用公式(4)计算第c个故障类别的所述第二组样本业务数据中第i份样本业务数据属于

利用公式(5)计算与第c个故障类别的

根据所述损失确定所述高斯原型网络模型与第c个故障类别对应的原型。

在一些实施例中，对至少一份第一样本业务数据进行扩增处理以得到至少一份第二样本业务数据包括：针对任意一份第一样本业务数据，将所述任意一份第一样本业务数据中至少一个第一时间窗口内多个第二指标的数据替换为对应的另一份数据。

在一些实施例中，所述任意一份第一样本业务数据为某一单位时间内的数据，所述另一份数据是所述某一单位时间之前的另一单位时间内所述至少一个第一时间窗口内多个第二指标的数据。

在一些实施例中，所述另一单位时间为所述某一单位时间相邻的前一单位时间。

在一些实施例中，所述多个第一时间窗口包括所述至少一个第一时间窗口和位于所述至少一个第一时间窗口之前的其他第一时间窗口，所述另一份数据是基于所述其他第一时间窗口内多个第二指标的数据预测的。

在一些实施例中，所述另一份数据是利用差分整合移动平均自回归模型预测的。

在一些实施例中，所述至少一个第一时间窗口中每个第一时间窗口对应的另一份数据为对应的另一个第一时间窗口内多个第二指标的数据。

在一些实施例中，所述另一个第一时间窗口为相邻的一个第一时间窗口。

在一些实施例中，所述至少一个第一时间窗口包括至少一对第一时间窗口，每对第一时间窗口包括相邻的两个第一时间窗口。

在一些实施例中，所述相邻的两个第一时间窗口内多个第二指标的数据相互替换。

根据本公开实施例的还一方面，提供一种故障诊断装置，包括：获取模块，被配置为获取业务数据，所述业务数据包括多个时间窗口中每个时间窗口内的多个第一指标的数据；处理模块，被配置为对所述业务数据进行第一处理，以得到每个第一指标与所述多个时间窗口对应的第一特征数据和第二特征数据；输入模块，被配置为将所述第一特征数据输入高斯原型网络模型的第一组网络层，以得到第三特征数据；将所述第二特征数据输入所述高斯原型网络模型的第二组网络层，以得到第四特征数据，所述第一组网络层中至少一个类型的网络层不属于所述第二组网络层；将所述第五特征数据输入所述高斯原型网络模型的第三组网络层，以得到第六特征数据，所述第三组网络层包括至少一个全连接层；拼接模块，被配置为将所述第三特征数据和所述第四特征数据进行拼接以得到第五特征数据；诊断模块，被配置为根据所述第六特征数据和所述高斯原型网络模型的原型，进行故障诊断。

根据本公开实施例的还一方面，提供一种高斯原型网络模型中原型的获取装置，包括：获取模块，被配置为获取经过标注的至少一个故障类别的多份第一样本业务数据，每份第一样本业务数据包括多个第一时间窗口中每个第一时间窗口内的多个第二指标的数据；扩增模块，被配置为对至少一份第一样本业务数据进行扩增处理以得到至少一份第二样本业务数据；处理模块，被配置为对至少一组样本业务数据中的每组样本业务数据中的每份样本业务数据进行第二处理，以得到每个第二指标与所述多个第一时间窗口对应的第一样本特征数据和第二样本特征数据，所述至少一组样本业务数据包括第一组样本业务数据，所述第一组样本业务数据属于样本业务数据集，所述样本业务数据集由所述多份第一样本业务数据和所述至少一份第二样本业务数据组成；输入模块，被配置为将所述第一样本特征数据输入高斯原型网络模型的第一组网络层，以得到第三样本特征数据；将所述第二样本特征数据输入所述高斯原型网络模型的第二组网络层，以得到第四样本特征数据，所述第一组网络层中至少一个类型的网络层不属于所述第二组网络层；将所述第五样本特征数据输入所述高斯原型网络模型的第三组网络层，以得到第六样本特征数据，所述第六样本特征数据包括样本编码向量和所述样本编码向量的样本协方差矩阵，所述第三组网络层包括至少一个全连接层；拼接模块，被配置为将所述第三样本特征数据和所述第四样本特征数据进行拼接以得到第五样本特征数据；确定模块，被配置为根据所述第一组样本业务数据中每份样本业务数据的第六样本特征数据，确定所述高斯原型网络模型与每个故障类别对应的原型。

根据本公开实施例的还一方面，提供一种电子设备，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行上述任意一个实施例所述的方法。

根据本公开实施例的还一方面，提供一种计算机可读存储介质，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述任意一个实施例所述的方法。

根据本公开实施例的还一方面，提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现上述任意一个实施例所述的方法。

在上述实施例中，通过对业务数据进行处理得到每个第一指标对应的第一特征数据和第二特征数据，将第一特征数据和第二特征数据分别输入高斯原型网络模型的不同的第一组网络层和第二组网络层，分别得到第三特征数据和第四特征数据，再将第三特征数据和第四特征数据拼接后输入高斯原型网络模型的第三组网络层以得到第六特征数据，最后根据第六特征数据和高斯原型网络模型的原型进行故障诊断。这样的方式下，根据不同维度的第一特征数据和第二特征数据进行故障诊断，充分挖掘了业务数据中的信息，提高了故障诊断的准确性。

下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本公开一些实施例的故障诊断方法的流程示意图；

图2是根据本公开一些实施例的高斯原型网络模型中原型的获取方法的流程示意图；

图3是根据本公开一些实施例的故障诊断装置的结构示意图；

图4是根据本公开一些实施例的高斯原型网络模型中原型的获取装置的结构示意图；

图5是根据本公开一些实施例的电子设备的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1是根据本公开一些实施例的故障诊断方法的流程示意图。

在步骤102，获取业务数据，该业务数据包括多个时间窗口中每个时间窗口内的多个第一指标的数据。

例如，一共有10个时间窗口和10个第一指标，业务数据包括10个时间窗口内的数据，每个时间窗口内的数据均包括10个第一指标的数据。

在一些实施例中，业务数据是IPTV相关的业务数据。作为一些实现方式，从某个用户的机顶盒获取业务数据。

作为一些实现方式，多个第一指标包括IPTV用户感知指标，例如IPTV网络的抖动次数、卡顿次数、超过需要告警对应的预设时间的时间长度、媒体丢包率、延时因子以及切换失败次数中的一个或多个。

在一些实施例中，如果获取的业务数据存在缺失，则对获取的业务数据进行数据插补。例如，如果某一单位时间(例如天)中某个时间窗口内缺失数据的连续时间长度大于阈值(例如，一个小时)，则将另一单位时间(例如，前一单位时间)的同时间段的数据插补至缺失处；如果某一单位时间(例如天)中某个时间窗口内缺失数据的连续时间长度小于阈值(例如，一个小时)，则在数据缺失处进行线性插补。

在步骤104，对该业务数据进行第一处理，以得到每个第一指标与多个时间窗口对应的第一特征数据和第二特征数据。

应理解，第一特征数据和第二特征数据可以反映每个第一指标的多个时间窗口的数据的特征。

在一些实施例中，第一特征数据和第二特征数据均为向量。

在步骤106，将第一特征数据输入高斯原型网络模型的第一组网络层，以得到第三特征数据。

在步骤108，将第二特征数据输入高斯原型网络模型的第二组网络层，以得到第四特征数据。

这里，第一组网络层和第二组网络层均包括多个网络层。另外，第一组网络层中至少一个类型的网络层不属于第二组网络层。换言之，第二组网络层不包括该至少一个类型的网络层。

在步骤110，将第三特征数据和第四特征数据进行拼接以得到第五特征数据。

例如，第三特征数据为向量X

在步骤112，将第五特征数据输入高斯原型网络模型的第三组网络层，以得到第六特征数据，其中，第三组网络层包括至少一个全连接层。

例如，第三组网络层仅包括一个全连接层；又例如，第三组网络层包括多个全连接层。在一些实施例中，第三组网络层包括三个全连接层。

应理解，每个第一指标的第一特征数据和第二特征数据经过步骤106-步骤112后，均可以得到对应的第六特征数据。换言之，经过步骤112，可以得到多个第一指标中每个第一指标对应的第六特征数据。

在步骤114，根据第六特征数据和高斯原型网络模型的原型，进行故障诊断。

应理解，根据任意一个第一指标对应的第六特征数据和高斯原型网络模型的原型，均可以进行故障诊断。例如，根据某个第一指标对应的第六特征数据和高斯原型网络模型的原型，可以得到该业务指标对应的故障类别。如此，可以得到不同业务指标对应的故障类别。

在一些实施例中，第六特征数据包括编码向量以及编码向量的协方差矩阵。这种情况下，根据第六特征数据中的编码向量和高斯原型网络模型的原型，进行故障诊断。换言之，无需根据编码向量的协方差矩阵进行故障诊断。

例如，编码向量为x∈R

在上述实施例中，通过对业务数据进行处理得到每个第一指标对应的第一特征数据和第二特征数据，将第一特征数据和第二特征数据分别输入高斯原型网络模型的不同的第一组网络层和第二组网络层，分别得到第三特征数据和第四特征数据，再将第三特征数据和第四特征数据拼接后输入高斯原型网络模型的第三组网络层以得到第六特征数据，最后根据第六特征数据和高斯原型网络模型的原型进行故障诊断。这样的方式下，根据不同维度的第一特征数据和第二特征数据进行故障诊断，充分挖掘了业务数据中的信息，提高了故障诊断的准确性。

下面结合一些实施例说明步骤104中的第一处理的过程。

首先，通过季节趋势分解(Seasonal-Trend-Loss)对业务数据的每个第一指标的多个时间窗口的数据分解，以得到每个时间窗口对应的第一趋势项、第一周期项和第一残差项。

然后，根据第一趋势项和第一周期项确定第一特征数据，并根据第一残差项确定第二特征数据。第一特征数据又称为趋势特征；第二特征数据又称为统计特征。

作为一些实现方式，第一特征数据是第一趋势项和第一周期项之和。

作为另一些实现方式，根据如下方式确定第一特征数据。

首先，将第j个第一指标的多个时间窗口的数据分解后得到对应的第一周期项和第一趋势项相加，得到x

然后，采用公式(1)，即分段聚合近似(PAA)的方法将x

其中，1

在上述实施例中，通过季节趋势分解对业务数据进行分解得到两个不同维度的特征数据，更加充分地挖掘了业务数据中蕴含的信息，进一步地提高了故障诊断的准确性。

在一些实施例中，第二特征数据包括第一残差项的均值、标准差、峰度、偏度中的一个。

例如，将第j个第一指标的多个时间窗口的数据分解后得到对应的第一残差项noise

在上述实施例中，通过对第一残差项的数据处理，使得得到的第二特征数据包括第一残差项的均值、标准差、峰度、偏度中的一个。如此，更加充分地挖掘了业务数据中蕴含的信息，进一步地提高了故障诊断的准确性。

在另一些实施例中，第二特征数据包括第一残差项的均值、标准差、峰度、偏度中的多个，例如，两个、三个或四个。例如，第二特征数据包括均值和标准差，或包括峰度和偏度，或包括均值、标准差和峰度，在此不再穷举。

在上述实施例中，通过对第一残差项的数据处理，使得得到的第二特征数据包括第一残差项的均值、标准差、峰度、偏度中的多个。如此，更加充分地挖掘了业务数据中蕴含的信息，更进一步地提高了故障诊断的准确性。

图2是根据本公开一些实施例的高斯原型网络模型中原型的获取方法的流程示意图。

在步骤202，获取经过标注的至少一个故障类别的多份第一样本业务数据，每份第一样本业务数据包括多个第一时间窗口中每个第一时间窗口内的多个第二指标的数据。

例如，利用不同的标签对每个故障类别的多份第一样本业务数据进行标注。例如，标签可以包括：没有故障和有故障，有故障包括用户操作失误、机顶盒网线松动、用户终端故障、宽带网络故障等故障类别。

在一些实施例中，可以获取经过标注的多个故障类别中每个故障类别的多份第一样本业务数据。

在一些实施例中，多个故障类别对应的标签包括“没有故障”和“有故障”，并且标签为“没有故障”的多份第一样本业务数据的数量小于标签为“有故障”的多份第一样本业务数据的数量。例如，对标签为“没有故障”的第一样本业务数据进行下采样，以避免经过标注的样本业务数据分布过度失衡，影响故障诊断的准确性。

在步骤204，对至少一份第一样本业务数据进行扩增处理以得到至少一份第二样本业务数据。

应理解，在对多份第一样本业务数据进行扩增处理后可以得到对应的多份第二样本业务数据。

后文将结合不同实施例介绍扩增处理的一些实现方式。

在步骤206，对至少一组样本业务数据中的每组样本业务数据中的每份样本业务数据进行第二处理，以得到每个第二指标与多个第一时间窗口对应的第一样本特征数据和第二样本特征数据。

这里，至少一组样本业务数据包括第一组样本业务数据，第一组样本业务数据属于样本业务数据集，样本业务数据集由多份第一样本业务数据和步骤204得到的至少一份第二样本业务数据组成。

需要说明的是，在步骤204得到多份第二样本业务数据的情况下，样本业务数据集由多份第一样本业务数据和步骤204得到的多份第二样本业务数据组成。

在一些实现方式中，第二处理可以采用与第一处理不同的方式。在另一些实现方式中，第二处理可以采用与第一处理相同的方式。

在步骤208，将第一样本特征数据输入高斯原型网络模型的第一组网络层，以得到第三样本特征数据。

在步骤210，将第二样本特征数据输入高斯原型网络模型的第二组网络层，以得到第四样本特征数据，第一组网络层中至少一个类型的网络层不属于第二组网络层。

在步骤212，将第三样本特征数据和第四样本特征数据进行拼接以得到第五样本特征数据。

例如，第三样本特征数据为向量X

在步骤214，将第五样本特征数据输入高斯原型网络模型的第三组网络层，以得到第六样本特征数据，第六样本特征数据包括样本编码向量和该样本编码向量的样本协方差矩阵，第三组网络层包括至少一个全连接层。

在一些实施例中，第三组网络层包括三个全连接层。

在步骤216，根据第一组样本业务数据中每份样本业务数据的第六样本特征数据，确定高斯原型网络模型与每个故障类别对应的原型。

在上述实施例中，一方面，通过对样本业务数据进行处理得到每个第一指标对应的第一样本特征数据和第二样本特征数据，将第一样本特征数据和第二样本特征数据分别输入高斯原型网络模型的不同的第一组网络层和第二组网络层，分别得到第三样本特征数据和第四样本特征数据，再将第三样本特征数据和第四样本特征数据拼接后输入高斯原型网络模型的第三组网络层以得到第六样本特征数据，最后根据第六样本特征数据确定高斯原型网络模型与每个故障类别对应的原型。这样的方式下，根据不同维度的第一样本特征数据和第二样本特征数据进行故障诊断，充分挖掘了样本业务数据中的信息，提高了高斯原型网络中原型的准确性。

另一方面，通过对第一样本业务数据进行扩增处理以得到第二样本业务数据，减小了需要标注样本业务数据的数量，避免了因某些场景下(例如IPTV业务场景)网络故障发生频率低、人工诊断故障困难以及人工标注耗费资源大的问题，进一步提高了获取高斯原型网络中的原型的效率。

在一些实施例中，通过季节趋势分解对每组样本业务数据中的每份样本业务数据的每个第二指标的多个第一时间窗口的数据分解，以得到每个第一时间窗口对应的第二趋势项、第二周期项和第二残差项；根据第二趋势项和第二周期项确定第一样本特征数据；根据第二残差项确定第二样本特征数据。如此，通过季节趋势分解对样本业务数据进行分解得到两个不同维度的样本特征数据，更加充分地挖掘了样本业务数据中蕴含的信息，进一步提高了高斯原型网络中原型的准确性。

在一些实施例中，第二样本特征数据包括第二残差项的均值、标准差、峰度、偏度中的一个。

例如，将第j个第二指标的多个时间窗口的数据分解后得到对应的第二残差项noise

在上述实施例中，通过对第二残差项的数据处理，使得得到的第二特征数据包括第二残差项的均值、标准差、峰度、偏度中的一个。如此，更加充分地挖掘了业务数据中蕴含的信息，进一步提高了高斯原型网络中原型的准确性。

在另一些实施例中，第二样本特征数据包括第二残差项的均值、标准差、峰度、偏度中的多个，例如，两个、三个或四个。例如，第二样本特征数据包括均值和标准差，或包括均值、标准差和峰度，又或包括均值、峰度和偏度，在此不再穷举。

在上述实施例中，通过对第二残差项的数据处理，使得得到的第二样本特征数据包括第二残差项的均值、标准差、峰度、偏度中的多个。如此，更加充分地挖掘了业务数据中蕴含的信息，更进一步提高了高斯原型网络中原型的准确性。

在一些实施例中，步骤206中的至少一组样本业务数据还包括第二组样本业务数据，第二组样本业务数据和第一组样本业务数据组成样本业务数据集。

例如，与第c个故障类别对应的一组样本业务数据共包含10份样本业务数据，其中7份样本业务数据属于第一组样本业务数据又称为支撑集，用于构建高斯原型网络中与第c个故障类别对应的

在上述实施例中，通过第一组样本业务数据构建高斯原型网络中与第c个故障类别对应的

在一些实施例中，第一组网络层中的网络层的数量大于第二组网络层中网络层的数量。例如，第一组网络层中的网络层的数量为5，第二组网络层中网络层的数量为2。如此，通过将两个不同维度的特征数据输入两组不同的网络层，在对业务数据进行故障诊断时，充分地挖掘了业务数据中蕴含的信息，提高了故障诊断的准确性。另一方面，在获取高斯原型网络模型的原型时，充分地挖掘了样本业务数据中蕴含的信息，提高了高斯原型网络模型的原型的准确性。

在一些实施例中，第一组网络层包括第二组网络层。如此，在对业务数据进行故障诊断时，更加充分地挖掘了业务数据中蕴含的信息，进一步地提高了故障诊断的准确性。另一方面，在获取高斯原型网络模型的原型时，更加充分地挖掘了样本业务数据中蕴含的信息，进一步地提高了高斯原型网络模型的原型的准确性。

在一些实施例中，第一组网络层包括一维卷积层、最大池化层、暂退层、全连接层以及线性整流层；和/或第二组网络层包括全连接层和线性整流层。

在上述实施例中，在第一组网络层中，一维卷积层提取第一样本特征数据的信息，最大池化层对该信息进行采样，全连接层将卷积后的特征数据进行汇总并映射成二维的特征数据输出以方便后续拼接，暂退层和线性整流层避免了梯度爆炸和梯度消失。第二样本特征数据包括第二残差项的均值、标准差、峰度、偏度中的一个或多个，适合比较简单的网络结构，通过暂退层和线性整流层，有效防止了过度拟合，通过第一组网络层、第二组网络层和第三组网络层，在对业务数据进行故障诊断时，更加充分地挖掘了业务数据中蕴含的信息，进一步提高了故障诊断的准确性。另一方面，在获取高斯原型网络模型的原型时，更加充分地挖掘了样本业务数据中蕴含的信息，提高了高斯原型网络模型的原型的准确性。

下面结合一些实施例说明步骤216的不同实现方式。

在一些实施例中，步骤216通过如下方式实现。

首先，利用公式(2)计算第c个故障类别的第一组样本业务数据中的第i份样本业务数据的样本编码向量的协方差逆矩阵

其中，

然后，利用公式(3)确定高斯原型网络模型与第c个故障类别对应的

其中，

例如，向量

之后，根据高斯原型网络模型与第c个故障类别对应的

在上述实施例中，通过公式(2)、(3)得到高斯原型网络模型与第c个故障类别对应的

作为一些实现方式，以

作为另一些实现方式，根据高斯原型网络模型与第c个故障类别对应的

利用公式(4)计算第c个故障类别的第二组样本业务数据中第i份样本业务数据的样本编码向量与

利用公式(5)即softmax公式，计算第c个故障类别的第二组样本业务数据中第i份样本业务数据属于

利用公式(6)，计算与第c个故障类别对应的损失l：

根据损失确定高斯原型网络模型与第c个故障类别对应的原型。

作为一些实现方式，构造损失函数时，将出现概率较少的故障类别赋予较大的权重，以缓解分布不均对确定高斯原型网络模型中原型产生的不利影响。

在上述实施例中，通过计算第i份样本业务数据与

下面结合不同实施例介绍步骤206的不同实现方式。

在一些实施例中，针对任意一份第一样本业务数据，将任意一份第一样本业务数据中至少一个第一时间窗口内多个第二指标的数据替换为对应的另一份数据。

在上述实施例中，将任意一份第一样本业务数据中至少一个第一时间窗口内多个第二指标的数据替换为对应的另一份数据，实现对样本业务数据的扩增，降低了样本业务数据的数量，进一步提高了构建高斯原型网络模型中原型的效率，并且减少了人力成本。

下面介绍另一份数据的多种实现方式。

作为一些实现方式，任意一份第一样本业务数据为某一单位时间内的数据，另一份数据是某一单位时间之前的另一单位时间内至少一个第一时间窗口内多个第二指标的数据。

在一些实施例中，另一单位时间为某一单位时间相邻的前一单位时间。例如，某一单位时间可以是天、周或月等。以单位时间为天为例，将5月21日19:00-20:00的数据替换为5月20日19:00-20:00的数据，以得到第二样本数据。

作为另一些实现方式，多个第一时间窗口包括至少一个第一时间窗口和位于至少一个第一时间窗口之前的其他第一时间窗口，另一份数据是基于其他第一时间窗口内多个第二指标的数据预测的。

例如，将5月21日0:00-24:00的数据，随机划分为0:00-12:00以及12:00-24:00两段数据，基于0:00-12:00的真实数据生成12:00-24:00的预测数据，并利用预测数据替换12:00-24:00的真实数据，以得到第二样本数据。

在一些实施例中，另一份数据是利用差分整合移动平均自回归模型预测的。差分整合移动平均自回归模型又称为ARIMA模型，是用于进行时间序列预测的模型。

作为再一些实现方式，至少一个第一时间窗口中每个第一时间窗口对应的另一份数据为对应的另一个第一时间窗口内多个第二指标的数据。换言之，利用另一个第一时间窗口内多个第二指标的数据来替换某个第一时间窗口内多个第二指标的数据。

在一些实施例中，任意一份第一样本业务数据中另一个第一时间窗口为相邻的一个第一时间窗口。

例如，将5月21日9:00-10:00的数据替换5月21日10:00-11:00的数据，以得到第二样本业务数据。

在一些情况下，任意一份第一样本业务数据中至少一个第一时间窗口包括至少一对第一时间窗口，每对第一时间窗口包括相邻的两个第一时间窗口。

例如，一对第一时间窗口为5月21日9:00-10:00和5月21日10:00-11:00，将5月21日8:00-9:00的数据替换5月21日9:00-10:00的数据，5月21日11:00-12:00的数据替换5月21日10:00-11:00的数据以得到第二样本业务数据。

在另一些情况下，任意一份第一样本业务数据中至少一个第一时间窗口包括至少一对第一时间窗口，每对第一时间窗口包括相邻的两个第一时间窗口，相邻的两个第一时间窗口内多个第二指标的数据相互替换。

例如，将5月21日8:00-9:00的数据与5月21日9:00-10:00的数据进行相互替换，将5月21日10:00-11:00的数据与5月21日11:00-12:00的数据进行相互替换，以得到第二样本业务数据。

在一些实施例中，在对业务数据进行故障诊断时，将故障诊断结果大于阈值的业务数据加入样本业务数据集，用于获取高斯原型网络模型的原型，进一步地提高了高斯原型网络模型中原型的准确性。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于装置实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

图3是根据本公开一些实施例的故障诊断装置的结构示意图。

如图3所示，故障诊断装置包括获取模块301、处理模块302、输入模块303、拼接模块304和诊断模块305。

获取模块301被配置为获取业务数据，业务数据包括多个时间窗口中每个时间窗口内的多个第一指标的数据。

处理模块302被配置为对业务数据进行第一处理，以得到每个第一指标与多个时间窗口对应的第一特征数据和第二特征数据。

输入模块303被配置为将第一特征数据输入高斯原型网络模型的第一组网络层，以得到第三特征数据；将第二特征数据输入高斯原型网络模型的第二组网络层，以得到第四特征数据，第一组网络层中至少一个类型的网络层不属于第二组网络层；将第五特征数据输入高斯原型网络模型的第三组网络层，以得到第六特征数据，第三组网络层包括至少一个全连接层。

拼接模块304被配置为将第三特征数据和第四特征数据进行拼接以得到第五特征数据。

诊断模块305被配置为根据第六特征数据和高斯原型网络模型的原型，进行故障诊断。

在一些实施例中，故障诊断装置还包括其他模块，以执行以上其他实施例的故障诊断方法。

图4是根据本公开一些实施例的高斯原型网络模型中原型的获取装置的结构示意图。

如图4所示，高斯原型网络模型中原型的获取装置包括获取模块401、扩增模块402、处理模块403、输入模块404、拼接模块405以及确定模块406。

获取模块401被配置为获取经过标注的至少一个故障类别的多份第一样本业务数据，每份第一样本业务数据包括多个第一时间窗口中每个第一时间窗口内的多个第二指标的数据。

扩增模块402被配置为对至少一份第一样本业务数据进行扩增处理以得到至少一份第二样本业务数据。

处理模块403被配置为对至少一组样本业务数据中的每组样本业务数据中的每份样本业务数据进行第二处理，以得到每个第二指标与多个第一时间窗口对应的第一样本特征数据和第二样本特征数据，至少一组样本业务数据包括第一组样本业务数据，第一组样本业务数据属于样本业务数据集，样本业务数据集由多份第一样本业务数据和至少一份第二样本业务数据组成。

输入模块404被配置为将第一样本特征数据输入高斯原型网络模型的第一组网络层，以得到第三样本特征数据；将第二样本特征数据输入高斯原型网络模型的第二组网络层，以得到第四样本特征数据，第一组网络层中至少一个类型的网络层不属于第二组网络层；将第五样本特征数据输入高斯原型网络模型的第三组网络层，以得到第六样本特征数据，第六样本特征数据包括样本编码向量和样本编码向量的样本协方差矩阵，第三组网络层包括至少一个全连接层。

拼接模块405被配置为将第三样本特征数据和第四样本特征数据进行拼接以得到第五样本特征数据。

确定模块406被配置为根据第一组样本业务数据中每份样本业务数据的第六样本特征数据，确定高斯原型网络模型与每个故障类别对应的原型。

在一些实施例中，原型的获取装置还包括其他模块，以执行以上其他实施例的原型的获取方法。

在一些实施例中，故障诊断装置还包括上述任意一个实施例的原型的获取装置。

图5是根据本公开一些实施例的电子设备的结构示意图。

如图5所示，电子设备500包括存储器501以及耦接至该存储器501的处理器502，处理器502被配置为基于存储在存储器501中的指令，执行前述任意一个实施例的方法。

存储器501例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如可以存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。

电子设备500还可以包括输入输出接口503、网络接口504、存储接口505等。这些接口503、504、505之间、以及存储器501与处理器502之间例如可以通过总线506连接。输入输出接口503为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口504为各种联网设备提供连接接口。存储接口505为SD卡、U盘等外置存储设备提供连接接口。

本公开实施例还提供了一种计算机可读存储介质，包括计算机程序指令，该计算机程序指令被处理器执行时实现上述任意一个实施例的方法。

本公开实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任意一个实施例的方法。

至此，已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解，可由计算机程序指令实现流程图中一个流程或多个流程和/或方框图中一个方框或多个方框中指定的功能。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。