本發(fā)明涉及人工智能，具體為一種用于工業(yè)交換機(jī)的故障檢測可視化處理系統(tǒng)及方法。

背景技術(shù)：

1、工業(yè)交換機(jī)在工業(yè)自動(dòng)化和控制系統(tǒng)中起著關(guān)鍵作用，它們用于連接和管理工業(yè)網(wǎng)絡(luò)中的各種設(shè)備和傳感器，確保數(shù)據(jù)的可靠傳輸。然而，隨著工業(yè)自動(dòng)化水平的提高和工業(yè)網(wǎng)絡(luò)規(guī)模的擴(kuò)大，工業(yè)交換機(jī)的穩(wěn)定性和可靠性面臨越來越大的挑戰(zhàn)。一旦工業(yè)交換機(jī)發(fā)生故障，可能會導(dǎo)致整個(gè)工業(yè)系統(tǒng)的癱瘓，造成巨大的損失。因此，實(shí)時(shí)監(jiān)測和診斷工業(yè)交換機(jī)的運(yùn)行狀態(tài)，及時(shí)發(fā)現(xiàn)和處理故障，已成為工業(yè)自動(dòng)化領(lǐng)域的研究熱點(diǎn)。

2、許多現(xiàn)有系統(tǒng)只能在故障發(fā)生后進(jìn)行診斷，缺乏對故障的早期預(yù)警和預(yù)測能力，難以及時(shí)采取預(yù)防措施，減少故障帶來的影響?，F(xiàn)有系統(tǒng)通常在本地進(jìn)行所有的數(shù)據(jù)處理和模型訓(xùn)練，計(jì)算資源有限，處理速度慢，難以實(shí)時(shí)應(yīng)對大量數(shù)據(jù)的處理需求。許多現(xiàn)有系統(tǒng)缺乏智能分析能力，無法自動(dòng)追蹤故障源頭，分析故障傳播路徑，并基于歷史數(shù)據(jù)提供修復(fù)建議和預(yù)防措施。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種用于工業(yè)交換機(jī)的故障檢測可視化處理系統(tǒng)及方法，以解決上述背景技術(shù)中提出的問題。

2、為了解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

3、一種用于工業(yè)交換機(jī)的故障檢測可視化處理方法，所述方法包括：

4、s100、從不同數(shù)據(jù)源收集工業(yè)交換機(jī)的運(yùn)行數(shù)據(jù)，所述數(shù)據(jù)源包括傳感器數(shù)據(jù)、日志數(shù)據(jù)和流量數(shù)據(jù)，進(jìn)行多源數(shù)據(jù)融合，構(gòu)建為多源數(shù)據(jù)融合數(shù)據(jù)集，記錄進(jìn)入歷史數(shù)據(jù)；

5、s200、從工業(yè)交換機(jī)的歷史數(shù)據(jù)中提取異常特征，使用隨機(jī)森林算法訓(xùn)練故障診斷模型，將實(shí)時(shí)數(shù)據(jù)輸入模型，進(jìn)行故障預(yù)測和診斷；

6、s300、根據(jù)用戶需求，設(shè)計(jì)可視化界面，使用若干種圖形展示工業(yè)交換機(jī)的運(yùn)行狀態(tài)和故障信息；提供實(shí)時(shí)刷新、歷史回溯和故障定位的功能；

7、s400、在發(fā)現(xiàn)故障后，自動(dòng)追蹤故障源頭，分析故障傳播路徑，基于故障類型和歷史數(shù)據(jù)，使用貝葉斯網(wǎng)絡(luò)基于歷史數(shù)據(jù)建立傳感器數(shù)據(jù)、日志數(shù)據(jù)和流量數(shù)據(jù)之間的關(guān)聯(lián)模型，提供修復(fù)建議和預(yù)防措施；

8、s500、分析需要進(jìn)行初步故障檢測的數(shù)據(jù)，在工業(yè)交換機(jī)本地進(jìn)行初步故障檢測，用于減少數(shù)據(jù)傳輸延遲，過濾掉正常數(shù)據(jù)后，將剩余數(shù)據(jù)和模型訓(xùn)練任務(wù)移至云端，實(shí)時(shí)同步邊緣與云端數(shù)據(jù)。

9、根據(jù)步驟s100，從安裝在工業(yè)交換機(jī)上的各類傳感器收集傳感器數(shù)據(jù)，所述傳感器包括溫度傳感器、電壓傳感器和振動(dòng)傳感器；從交換機(jī)的系統(tǒng)日志中收集日志數(shù)據(jù)，所述系統(tǒng)日志包括啟動(dòng)日志、錯(cuò)誤日志和事件日志，日志數(shù)據(jù)記錄交換機(jī)的操作歷史和異常事件；從交換機(jī)的網(wǎng)絡(luò)接口采集流量數(shù)據(jù)，流量數(shù)據(jù)反映網(wǎng)絡(luò)的運(yùn)行狀態(tài)和性能；

10、對采集到的原始數(shù)據(jù)進(jìn)行清洗，去除噪聲數(shù)據(jù)和異常值，將不同來源的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的格式，對各數(shù)據(jù)源的時(shí)間戳進(jìn)行對齊，進(jìn)行多源數(shù)據(jù)融合，構(gòu)建為多源數(shù)據(jù)融合數(shù)據(jù)集。

11、根據(jù)步驟s100，通過溫度傳感器收集溫度數(shù)據(jù)，記錄時(shí)間和溫度值，通過電壓傳感器收集電壓數(shù)據(jù)，記錄時(shí)間和電壓值，通過振動(dòng)傳感器收集振動(dòng)數(shù)據(jù)，記錄時(shí)間和振動(dòng)強(qiáng)度值，通過啟動(dòng)日志，記錄交換機(jī)的啟動(dòng)時(shí)間、啟動(dòng)過程中的事件，通過錯(cuò)誤日志，記錄交換機(jī)運(yùn)行過程中發(fā)生的錯(cuò)誤信息，通過事件日志記錄工業(yè)交換機(jī)系統(tǒng)的各類事件；將所有數(shù)據(jù)統(tǒng)一為json格式，每條記錄包含時(shí)間戳和數(shù)據(jù)值；

12、進(jìn)行多源數(shù)據(jù)融合時(shí)需要對數(shù)據(jù)提取特征，從傳感器數(shù)據(jù)中提取溫度、電壓和振動(dòng)的平均值、最大值、最小值、標(biāo)準(zhǔn)差、變化率、峰值持續(xù)時(shí)間和異常次數(shù)，從日志數(shù)據(jù)中提取關(guān)鍵事件的時(shí)間、事件類型和錯(cuò)誤代碼，從流量數(shù)據(jù)提取流量的總量、峰值、平均值和傳輸速率；

13、創(chuàng)建數(shù)據(jù)庫，所述數(shù)據(jù)庫中的表包含所有特征字段，對于每個(gè)時(shí)間點(diǎn)，將不同數(shù)據(jù)源中的特征值進(jìn)行匹配和整合，構(gòu)建為多源數(shù)據(jù)融合數(shù)據(jù)集。

14、根據(jù)步驟s200，從工業(yè)交換機(jī)的歷史數(shù)據(jù)中提取異常特征的步驟如下：

15、s201-1、針對一段時(shí)間內(nèi)的溫度平均值，評估工業(yè)交換機(jī)的熱穩(wěn)定性；針對最高溫度和最低溫度，檢測溫度是否超出安全范圍；針對溫度波動(dòng)的標(biāo)準(zhǔn)差，評估溫度穩(wěn)定性；針對溫度的變化率，識別溫度突變情況；針對溫度超過某一閾值的峰值持續(xù)時(shí)間，識別過熱情況；針對溫度的異常次數(shù)，用于判斷工業(yè)交換機(jī)是否存在異常熱現(xiàn)象，所述異常次數(shù)表示超過預(yù)設(shè)閾值的次數(shù)；

16、s201-2、針對一段時(shí)間內(nèi)的電壓平均值，評估供電穩(wěn)定性；針對最高電壓和最低電壓，檢測電壓是否超出安全范圍；針對電壓波動(dòng)的標(biāo)準(zhǔn)差，評估供電穩(wěn)定性；針對電壓的變化率，識別電壓突變情況；針對電壓超過某一閾值的峰值持續(xù)時(shí)間，識別過壓或欠壓情況；針對電壓的異常次數(shù)，用于判斷工業(yè)交換機(jī)是否存在異常供電現(xiàn)象；

17、s201-3、針對一段時(shí)間內(nèi)的振動(dòng)平均值，評估工業(yè)交換機(jī)的振動(dòng)強(qiáng)度；針對最高振動(dòng)和最低振動(dòng)，檢測振動(dòng)是否超出安全范圍；針對振動(dòng)波動(dòng)的標(biāo)準(zhǔn)差，評估振動(dòng)穩(wěn)定性；針對振動(dòng)的變化率，識別振動(dòng)的突變情況；針對振動(dòng)超過某一閾值的峰值持續(xù)時(shí)間，識別過振動(dòng)情況；針對振動(dòng)的異常次數(shù)，判斷工業(yè)交換機(jī)是否存在異常振動(dòng)現(xiàn)象；

18、s201-4、針對交換機(jī)每次啟動(dòng)的時(shí)間，提取啟動(dòng)過程中事件的發(fā)生時(shí)間和類型，識別啟動(dòng)過程中的異常行為；針對錯(cuò)誤日志中的錯(cuò)誤發(fā)生時(shí)間，提取錯(cuò)誤類型和錯(cuò)誤代碼，識別錯(cuò)誤類型，統(tǒng)計(jì)一段時(shí)間內(nèi)的錯(cuò)誤發(fā)生頻次，評估工業(yè)交換機(jī)的穩(wěn)定性；針對工業(yè)交換機(jī)系統(tǒng)中各類事件的發(fā)生時(shí)間，提取事件類型和描述，識別常見和異常事件，統(tǒng)計(jì)一段時(shí)間內(nèi)的事件發(fā)生頻次；

19、s201-5、針對一段時(shí)間內(nèi)的流量總量，評估網(wǎng)絡(luò)負(fù)載；針對一段時(shí)間內(nèi)的流量峰值，識別網(wǎng)絡(luò)流量的高峰時(shí)段；針對一段時(shí)間內(nèi)的平均流量，評估網(wǎng)絡(luò)的日常使用情況；針對一段時(shí)間內(nèi)的數(shù)據(jù)傳輸速率，評估網(wǎng)絡(luò)性能。

20、根據(jù)步驟s200，使用隨機(jī)森林算法訓(xùn)練故障診斷模型并對實(shí)時(shí)數(shù)據(jù)進(jìn)行故障預(yù)測和診斷的步驟如下：

21、s202-1、根據(jù)歷史數(shù)據(jù)，將數(shù)據(jù)集中的每條記錄進(jìn)行標(biāo)簽化，分為“正常狀態(tài)”和“故障狀態(tài)”，將數(shù)據(jù)集按比例劃分為訓(xùn)練集和測試集；

22、s202-2、設(shè)置隨機(jī)森林的超參數(shù)，所述超參數(shù)包括決策樹的數(shù)量、每棵樹的最大深度和最小樣本分裂數(shù)，使用設(shè)置的超參數(shù)初始化隨機(jī)森林模型；

23、s202-3、從訓(xùn)練集中隨機(jī)抽樣生成多組樣本子集，每組子集用于訓(xùn)練一棵決策樹；在每棵決策樹的分裂過程中，從全部特征中隨機(jī)選擇一部分特征進(jìn)行分裂，以減少相關(guān)性和過擬合；

24、s202-4、根據(jù)選定的特征和樣本子集，計(jì)算各分裂點(diǎn)的基尼指數(shù)或信息增益，選擇最佳分裂點(diǎn)，逐層構(gòu)建決策樹，直到滿足停止條件；

25、s202-5、將所有構(gòu)建好的決策樹組合成一個(gè)隨機(jī)森林模型，通過投票綜合各決策樹的預(yù)測結(jié)果；

26、s202-6、將測試集數(shù)據(jù)輸入訓(xùn)練好的隨機(jī)森林模型，進(jìn)行故障預(yù)測；計(jì)算模型的準(zhǔn)確率、召回率和f1分?jǐn)?shù)，評估模型性能；生成混淆矩陣，分析模型的分類效果，識別誤判和漏判情況；

27、s202-7、從隨機(jī)森林模型中提取各特征的重要性評分，識別對故障診斷有重要影響的特征；根據(jù)特征重要性分析結(jié)果，優(yōu)化特征提取和選擇，去除冗余特征；

28、s202-8、使用網(wǎng)格搜索，調(diào)整隨機(jī)森林的超參數(shù)，尋找最佳參數(shù)組合；進(jìn)行k折交叉驗(yàn)證，評估不同參數(shù)組合下模型的性能，選擇最優(yōu)模型；通過剪枝和增加正則化，防止模型過擬合；根據(jù)優(yōu)化結(jié)果，更新隨機(jī)森林模型；

29、s202-9、將實(shí)時(shí)提取的特征輸入訓(xùn)練好的隨機(jī)森林模型，模型輸出預(yù)測結(jié)果，判斷當(dāng)前狀態(tài)是否存在故障前兆或異常行為；將預(yù)測結(jié)果反饋到監(jiān)控系統(tǒng)，進(jìn)行實(shí)時(shí)預(yù)警和故障診斷。

30、根據(jù)步驟s202-8，使用網(wǎng)格搜索調(diào)整隨機(jī)森林的超參數(shù)時(shí)，首先，確定隨機(jī)森林模型中需要調(diào)整的超參數(shù)，包括樹的數(shù)量n_estimators、最大樹深度max_depth、最小樣本分割數(shù)min_samples_split、最小樣本葉子數(shù)min_samples_leaf等。其中，n_estimators：從50到200之間，每隔50取一個(gè)值；max_depth：從10到50之間，每隔10取一個(gè)值；min_samples_split：從2到10之間，每隔2取一個(gè)值；min_samples_leaf：從1到5之間，每隔1取一個(gè)值；通過遍歷所有超參數(shù)的取值范圍，生成所有可能的參數(shù)組合；對于每個(gè)參數(shù)組合，訓(xùn)練隨機(jī)森林模型，使用預(yù)定的評價(jià)指標(biāo)對模型性能進(jìn)行評估。

31、進(jìn)行k折交叉驗(yàn)證時(shí)，將數(shù)據(jù)集分成k個(gè)等大小的子集，對于每個(gè)參數(shù)組合，進(jìn)行k次訓(xùn)練和驗(yàn)證，每次使用k個(gè)子集中的k-1個(gè)進(jìn)行訓(xùn)練，剩下的1個(gè)子集進(jìn)行驗(yàn)證，每次訓(xùn)練和驗(yàn)證后，記錄模型的性能指標(biāo)，對k次驗(yàn)證的結(jié)果進(jìn)行平均，得到該參數(shù)組合的平均性能指標(biāo)，比較所有參數(shù)組合的平均性能指標(biāo)，選擇性能最優(yōu)的參數(shù)組合。

32、在構(gòu)建決策樹時(shí)，通過設(shè)置最大樹深度max_depth來限制樹的生長，防止生成過深的樹。設(shè)置最小樣本分割數(shù)min_samples_split，確保每次分裂至少有一定數(shù)量的樣本，從而減少樹的復(fù)雜度。設(shè)置最小樣本葉子數(shù)min_samples_leaf，保證每個(gè)葉子節(jié)點(diǎn)至少有一定數(shù)量的樣本，避免過擬合。通過增加樹的數(shù)量n_estimators，讓模型更加穩(wěn)定，減小單顆樹過擬合的風(fēng)險(xiǎn)。使用袋裝bootstrap采樣技術(shù)，訓(xùn)練每棵樹時(shí)使用不同的樣本子集，使得每棵樹都具有一定的隨機(jī)性，提高模型的泛化能力。引入特征選擇，通過限制每次分裂時(shí)考慮的特征數(shù)量max_features，讓模型更加簡單，有助于防止過擬合。

33、根據(jù)步驟s300，可視化界面包括以下區(qū)域：儀表盤區(qū)域顯示實(shí)時(shí)數(shù)據(jù)，歷史數(shù)據(jù)圖表區(qū)域展示各項(xiàng)指標(biāo)的歷史變化趨勢，故障信息區(qū)域顯示故障記錄和詳細(xì)信息，操作區(qū)域提供用戶交互功能；

34、通過與工業(yè)交換機(jī)的數(shù)據(jù)接口進(jìn)行實(shí)時(shí)通信，定期獲取最新的傳感器數(shù)據(jù)、日志數(shù)據(jù)和流量數(shù)據(jù)；將最新數(shù)據(jù)更新到可視化界面，刷新圖表和儀表盤；允許用戶設(shè)置自動(dòng)刷新頻率；

35、提供日期和時(shí)間范圍選擇功能，用戶能夠選擇特定時(shí)間段，查看該時(shí)段內(nèi)的歷史數(shù)據(jù)；根據(jù)用戶選擇的時(shí)間范圍，從數(shù)據(jù)庫中查詢相應(yīng)的歷史數(shù)據(jù)，并在圖表區(qū)域展示各項(xiàng)指標(biāo)的歷史變化趨勢；提供時(shí)間軸滑動(dòng)功能，用戶能夠通過滑動(dòng)時(shí)間軸瀏覽不同時(shí)間點(diǎn)的歷史數(shù)據(jù)；

36、在故障信息區(qū)域，實(shí)時(shí)顯示最新的故障記錄，用戶點(diǎn)擊某條故障記錄，能夠查看該故障的詳細(xì)信息；提供故障趨勢分析圖表，展示不同類型故障的歷史發(fā)生頻次和變化趨勢；如果工業(yè)交換機(jī)安裝在不同地理位置，提供故障定位地圖，顯示各故障的發(fā)生地點(diǎn)和分布情況。

37、根據(jù)步驟s400，從故障記錄中提取相關(guān)的傳感器數(shù)據(jù)、日志數(shù)據(jù)和流量數(shù)據(jù)，分析故障發(fā)生前的異常特征，確定故障源頭；結(jié)合傳感器數(shù)據(jù)、日志數(shù)據(jù)和流量數(shù)據(jù)，進(jìn)行多源數(shù)據(jù)關(guān)聯(lián)分析，識別與故障相關(guān)的事件和行為；對故障發(fā)生前的時(shí)間序列數(shù)據(jù)進(jìn)行分析，識別出故障傳播的時(shí)間點(diǎn)和路徑；

38、使用貝葉斯網(wǎng)絡(luò)基于歷史數(shù)據(jù)建立傳感器數(shù)據(jù)、日志數(shù)據(jù)和流量數(shù)據(jù)之間的關(guān)聯(lián)模型，將不同數(shù)據(jù)源之間的關(guān)聯(lián)關(guān)系進(jìn)行表示；當(dāng)檢測到故障時(shí)，通過關(guān)聯(lián)模型分析各數(shù)據(jù)源之間的關(guān)系，識別故障傳播路徑；確定哪些數(shù)據(jù)特征和事件是相互關(guān)聯(lián)的，并生成對應(yīng)的時(shí)間順序；在關(guān)聯(lián)模型中，識別出關(guān)鍵節(jié)點(diǎn)，所述關(guān)鍵節(jié)點(diǎn)包括異常傳感器、錯(cuò)誤日志和流量峰值；根據(jù)關(guān)鍵節(jié)點(diǎn)和時(shí)間序列數(shù)據(jù)，追蹤故障傳播路徑；

39、根據(jù)故障類型，將故障進(jìn)行分類，每種故障類型對應(yīng)不同的修復(fù)方法和預(yù)防措施；將當(dāng)前故障與歷史數(shù)據(jù)中的故障記錄進(jìn)行匹配，找出相似故障的處理經(jīng)驗(yàn)和結(jié)果；根據(jù)故障類型和歷史數(shù)據(jù)，使用預(yù)定義的規(guī)則生成修復(fù)建議；使用隨機(jī)森林算法，根據(jù)歷史故障數(shù)據(jù)和修復(fù)記錄，自動(dòng)生成修復(fù)建議。

40、使用貝葉斯網(wǎng)絡(luò)建立關(guān)聯(lián)模型時(shí)，將每種數(shù)據(jù)特征定義為貝葉斯網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)，定義各節(jié)點(diǎn)之間的先驗(yàn)依賴關(guān)系，使用k2算法從歷史數(shù)據(jù)中學(xué)習(xí)節(jié)點(diǎn)之間的依賴關(guān)系，構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)；

41、使用歷史數(shù)據(jù)，通過貝葉斯估計(jì)，計(jì)算貝葉斯網(wǎng)絡(luò)中各節(jié)點(diǎn)的條件概率表，對貝葉斯網(wǎng)絡(luò)模型進(jìn)行參數(shù)優(yōu)化；使用貝葉斯網(wǎng)絡(luò)進(jìn)行故障傳播路徑分析，推理溫度異常、電壓波動(dòng)和振動(dòng)異常之間的因果關(guān)系，確定故障傳播路徑；在實(shí)時(shí)故障檢測過程中，根據(jù)最新數(shù)據(jù)動(dòng)態(tài)更新貝葉斯網(wǎng)絡(luò)模型，通過實(shí)時(shí)推理確定當(dāng)前故障的傳播路徑和源頭；使用測試數(shù)據(jù)集驗(yàn)證貝葉斯網(wǎng)絡(luò)模型的準(zhǔn)確性和性能，評估故障源頭識別和傳播路徑分析的效果；根據(jù)驗(yàn)證結(jié)果，對貝葉斯網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，進(jìn)行結(jié)構(gòu)調(diào)整和參數(shù)更新。

42、根據(jù)步驟s500，使用預(yù)定義的閾值和規(guī)則進(jìn)行初步故障檢測，使用簡單線性回歸對關(guān)鍵特征進(jìn)行初步故障檢測，當(dāng)溫度超過安全范圍、電壓發(fā)生波動(dòng)或振動(dòng)強(qiáng)度超標(biāo)時(shí)，觸發(fā)故障檢測；對已檢測出的故障和異常數(shù)據(jù)進(jìn)行標(biāo)記，并將標(biāo)記數(shù)據(jù)保存在本地；過濾掉正常數(shù)據(jù)，僅傳輸標(biāo)記數(shù)據(jù)和相關(guān)特征到云端；

43、邊緣設(shè)備和云端服務(wù)器之間建立雙向數(shù)據(jù)同步機(jī)制，采用增量同步方式，僅傳輸新增和變化的數(shù)據(jù)；邊緣設(shè)備和云端服務(wù)器共享故障檢測信息，云端服務(wù)器生成的建議和預(yù)防措施，通過同步機(jī)制反饋給邊緣設(shè)備。

44、一種用于工業(yè)交換機(jī)的故障檢測可視化處理系統(tǒng)，其特征在于，包括：

45、多源數(shù)據(jù)融合模塊：包括：數(shù)據(jù)采集單元和數(shù)據(jù)融合單元；其中，數(shù)據(jù)采集單元負(fù)責(zé)從不同數(shù)據(jù)源收集工業(yè)交換機(jī)的運(yùn)行數(shù)據(jù)，所述數(shù)據(jù)源包括傳感器數(shù)據(jù)、日志數(shù)據(jù)和流量數(shù)據(jù)，數(shù)據(jù)融合單元負(fù)責(zé)進(jìn)行多源數(shù)據(jù)融合，構(gòu)建為多源數(shù)據(jù)融合數(shù)據(jù)集，記錄進(jìn)入歷史數(shù)據(jù)；

46、故障診斷模塊：包括：特征提取單元、模型訓(xùn)練單元和實(shí)時(shí)預(yù)測單元；其中，特征提取單元負(fù)責(zé)從工業(yè)交換機(jī)的歷史數(shù)據(jù)中提取異常特征，模型訓(xùn)練單元使用隨機(jī)森林算法訓(xùn)練故障診斷模型，實(shí)時(shí)預(yù)測單元負(fù)責(zé)將實(shí)時(shí)數(shù)據(jù)輸入模型，進(jìn)行故障預(yù)測和診斷；

47、可視化界面模塊：包括：用戶界面單元和功能交互單元；其中，用戶界面單元根據(jù)用戶需求，設(shè)計(jì)可視化界面，使用若干種圖形展示工業(yè)交換機(jī)的運(yùn)行狀態(tài)和故障信息，功能交互單元提供實(shí)時(shí)刷新、歷史回溯和故障定位的功能；

48、故障分析模塊：包括：故障追蹤單元和貝葉斯網(wǎng)絡(luò)單元；其中，故障追蹤單元在發(fā)現(xiàn)故障后，自動(dòng)追蹤故障源頭，分析故障傳播路徑，貝葉斯網(wǎng)絡(luò)單元基于故障類型和歷史數(shù)據(jù)，使用貝葉斯網(wǎng)絡(luò)基于歷史數(shù)據(jù)建立傳感器數(shù)據(jù)、日志數(shù)據(jù)和流量數(shù)據(jù)之間的關(guān)聯(lián)模型，提供修復(fù)建議和預(yù)防措施；

49、邊緣計(jì)算模塊：包括：初步檢測單元、數(shù)據(jù)傳輸單元和數(shù)據(jù)同步單元；其中，初步檢測單元分析需要進(jìn)行初步故障檢測的數(shù)據(jù)，在工業(yè)交換機(jī)本地進(jìn)行初步故障檢測，用于減少數(shù)據(jù)傳輸延遲，數(shù)據(jù)傳輸單元負(fù)責(zé)過濾掉正常數(shù)據(jù)后，將剩余數(shù)據(jù)和模型訓(xùn)練任務(wù)移至云端，數(shù)據(jù)同步單元負(fù)責(zé)實(shí)時(shí)同步邊緣與云端數(shù)據(jù)。

50、與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果是：

51、本發(fā)明使用隨機(jī)森林算法訓(xùn)練故障診斷模型，將實(shí)時(shí)數(shù)據(jù)輸入模型，進(jìn)行故障預(yù)測和診斷，提供早期預(yù)警，減少故障帶來的影響。

52、本發(fā)明在工業(yè)交換機(jī)本地進(jìn)行初步故障檢測，減少數(shù)據(jù)傳輸延遲，提高實(shí)時(shí)性；將復(fù)雜的數(shù)據(jù)處理和模型訓(xùn)練任務(wù)移至云端執(zhí)行，利用云端強(qiáng)大的計(jì)算能力，提高處理效率。

53、本發(fā)明在發(fā)現(xiàn)故障后，自動(dòng)追蹤故障源頭，分析故障傳播路徑，基于故障類型和歷史數(shù)據(jù)，使用貝葉斯網(wǎng)絡(luò)建立數(shù)據(jù)關(guān)聯(lián)模型，提供修復(fù)建議和預(yù)防措施，提高故障處理的智能化水平。