本公开涉及通信技术领域，特别涉及一种基站设备的故障预测方法、基站设备的故障预测装置、基站和计算机可读存储介质。
背景技术：
4g无线基站设备是由bbu(basebandunit，基带单元)和rru(remoterfunit，射频单元)组成。无线基站的bbu和rru之间通信由cpri(commonpublicradiointerface，通用公共无线电接口)光纤通过ir(interfacebetweentherruandthebbu，bbu和rru之间接口)连接。
在存在rru拉远的场景下，经常会出现由于光纤和连接头老化导致的链路中断的故障。因此，此段光路会发生一定的故障率，如果不对其进行及时的处理将会严重的影响网络指标，甚至出现断站、断服的问题。为了保证基站设备的正常运转，提升网络指标，对这些基站设备故障进行预测，提前排除故障，势在必行。
在相关技术中，采用人工巡检的方式检查可能出现的接头松动、线路老化等问题，及时更换器件。或者在故障已经发生之后，专业的运维人员通过告警信息，依靠经验为故障定位，解决故障。
技术实现要素：
本公开的发明人发现上述相关技术中存在如下问题：在故障发生故障后依靠人工经验进行排查，导致故障处理效率低。
鉴于此，本公开提出了一种基站设备的故障预测技术方案，能够提高故障处理效率。
根据本公开的一些实施例，提供了一种基站设备的故障预测方法，包括：根据基站设备的工作运行参数，利用机器学习方法进行故障预测，以确定多个第一预测结果，所述第一预测结果包括至少一个故障属性；根据所述基站设备的硬件属性参数，利用机器学习方法进行故障预测，以确定多个第二预测结果，所述第二预测结果包括与所述第一预测结果同类型的故障属性；筛选出所述故障属性的数值相同的所述第一预测结果和所述第二预测结果，确定为所述基站设备第一故障综合预测结果。
在一些实施例中，所述的故障预测方法，还包括：根据所述故障属性，对所述第一故障综合预测结果以外的所述第一预测结果和所述第二预测结果进行聚类处理；将处理结果为同一类的所述第一预测结果和所述第二预测结果，确定为所述基站设备第二故障综合预测结果，所述第二故障综合预测结果的故障可能性低于所述第一故障综合预测结果。
在一些实施例中，所述的故障预测方法，还包括：将处理结果不为同一类的所述第一预测结果和所述第二预测结果，确定为所述基站设备第三故障综合预测结果，所述第三故障综合预测结果的故障可能性低于所述第二故障综合预测结果。
在一些实施例中，所述的故障预测方法，在进行故障预测之前，还包括：根据工作运行参数和硬件属性参数的数据统计特征，分别对该工作运行参数和该硬件属性参数进行序列异常检测处理，得到处理后的工作运行参数和硬件属性参数。
在一些实施例中，所述工作运行参数包括所述基站设备的接收功率、发射功率、温度、偏置电流、电压、误码率中的至少一项；所述硬件属性参数包括所述基站设备的生产日期、使用年数、建议使用年限、故障历史信息中的至少一项。
在一些实施例中，所述故障属性包括基站编号、基站设备编号，故障发生器件或接口、故障种类中的至少一项，以及故障发生时间。
在一些实施例中，所述工作运行参数的类型根据所述基站设备的历史故障告警信息和相应的故障分类确定。
根据本公开的另一些实施例，提供一种基站设备的故障预测装置，包括：预测单元，用于根据基站设备的工作运行参数，利用机器学习方法进行故障预测，以确定多个第一预测结果，所述第一预测结果包括至少一个故障属性，根据所述基站设备的硬件属性参数，利用机器学习方法进行故障预测，以确定多个第二预测结果，所述第二预测结果包括与所述第一预测结果同类型的故障属性；确定单元，用于筛选出所述故障属性的数值相同的所述第一预测结果和所述第二预测结果，确定为所述基站设备第一故障综合预测结果。
在一些实施例中，所述确定单元根据所述故障属性，对所述第一故障综合预测结果以外的所述第一预测结果和所述第二预测结果进行聚类处理，将处理结果为同一类的所述第一预测结果和所述第二预测结果，确定为所述基站设备第二故障综合预测结果，所述第二故障综合预测结果的故障可能性低于所述第一故障综合预测结果。
在一些实施例中，所述确定单元将处理结果不为同一类的所述第一预测结果和所述第二预测结果，确定为所述基站设备第三故障综合预测结果，所述第三故障综合预测结果的故障可能性低于所述第二故障综合预测结果。
在一些实施例中，所述的故障预测装置，还包括：检测处理单元，用于根据工作运行参数和硬件属性参数的数据统计特征，分别对该工作运行参数和该硬件属性参数进行序列异常检测处理，得到处理后的工作运行参数和硬件属性参数。
在一些实施例中，所述工作运行参数包括所述基站设备的接收功率、发射功率、温度、偏置电流、电压、误码率中的至少一项；所述硬件属性参数包括所述基站设备的生产日期、使用年数、建议使用年限、故障历史信息中的至少一项。
在一些实施例中，所述故障属性包括基站编号、基站设备编号，故障发生器件或接口、故障种类中的至少一项，以及故障发生时间。
在一些实施例中，所述工作运行参数的类型根据所述基站设备的历史故障告警信息和相应的故障分类确定。
根据本公开的又一些实施例，提供一种基站设备的故障预测装置，包括：存储器；和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装置中的指令，执行上述任一个实施例中的基站设备的故障预测方法。
根据本公开的再一些实施例，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一个实施例中的基站设备的故障预测方法。
根据本公开的再一些实施例，提供一种基站，包括：上述任一个实施例所述的基站设备的故障预测装置。
在上述实施例中，分别从运行参数和硬件参数两方面，采用机器学习方法进行故障预测，并结合两方面的预测结果确定综合预测结果。这样，可以在故障发生前从多方面出发进行自动故障预测，从而提高故障处理的效率。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1示出本公开的基站设备的故障预测方法的一些实施例的流程图；
图2示出本公开的基站设备的故障预测方法的另一些实施例的流程图；
图3示出本公开的基站设备的故障预测方法的一些实施例的示意图；
图4示出本公开的基站设备的故障预测方法的另一些实施例的示意图；
图5示出本公开的基站设备的故障预测装置的一些实施例的示意图；
图6示出本公开的基站设备的故障预测装置的另一些实施例的框图；
图7示出本公开的基站设备的故障预测装置的又一些实施例的框图；
图8示出本公开的基站的一些实施例的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：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。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
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授权说明书的一部分。
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示出本公开的基站设备的故障预测方法的一些实施例的流程图。
如图1所示，该方法包括：步骤110，根据工作运行参数预测故障；步骤120，根据硬件属性参数预测故障；和步骤130，确定第一故障综合预测结果。
在步骤110中，根据基站设备的工作运行参数，利用机器学习方法进行故障预测，以确定多个第一预测结果。第一预测结果包括至少一个故障属性。
在一些实施例中，可以通过个分析基站的历史故障告警信息和故障分类等信息，确定可能引起基站设备故障的工作运行参数的类型。例如，故障分类可以包括：rru单板故障、光模块不可用、光模块不在位、光口发射或接收链路故障等。根据故障分类等信息可以确定相关的工作运行参数(如可以通过机器学习方法)。工作运行参数可以包括基站设备的接收功率、发射功率、温度、偏置电流、电压、误码率中的至少一项。
在一些实施例中，机器学习方法可以是支持向量机、决策树、随机森林等人工智能故障预测算法。利用机器学习方法对工作运行参数进行处理可以从运行角度进行故障预测，从而得到多个第一预测结果。例如，多个第一预测结果可以形成故障预测结果集a。
在一些实施例中，每个第一预测结果可以具有至少一个故障属性作为属性。例如，故障属性可以包括基站编号、基站设备编号，故障发生器件或接口、故障种类中的至少一项，以及故障发生时间。
在步骤120中，根据基站设备的硬件属性参数，利用机器学习方法进行故障预测，以确定多个第二预测结果，第二预测结果包括与第一预测结果同类型的故障属性。
在一些实施例中，基站设备可以是bbu、rru、光模块、电源、天线、连接线路等。例如，硬件属性参数可以包括基站设备的生产日期、使用年数、建议使用年限、故障历史信息中的至少一项。
在一些实施例中，利用机器学习方法对硬件属性参数进行处理可以从硬件角度进行故障预测，从而得到多个第二预测结果。例如，多个第二预测结果可以形成故障预测结果集b。第二预测结果包括与第一预测结果同类型的故障属性，以便于与第一预测结果进行比较。
在一些实施例中，在进行故障预测之前，可以先对工作运行参数和硬件属性参数进行数据清洗，然后利用特征工程的相关方法进行处理，得到适当的数据模型用于故障预测。
例如，可以根据工作运行参数和硬件属性参数的数据统计特征，分别对该工作运行参数和该硬件属性参数进行序列异常检测处理，得到处理后的工作运行参数和硬件属性参数用于故障预测。例如，数据统计特征可以包括均值、方差、四分位、陡降点中的一项或多项。
这样，通过多种特征表述处理方法相结合的方式处理工作运行参数和硬件属性参数得到的特征模型，有利于提高预测的准确性。
在步骤130中，筛选出故障属性的数值相同的第一预测结果和第二预测结果，确定为基站设备第一故障综合预测结果。
在一些实施例中，可以对故障预测结果集a中的第一预测结果和故障预测结果集b中的第二预测结果进行重合度检测。例如，可以通过故障属性判断第一预测结果和第二预测结果是否发生在同一段时间段内且其他故障属性相同(即重合度检测条件)；在是的情况下，确定相应的第一预测结果和第二预测结果为第一故障综合预测结果，即预测可能性最大且最紧急的故障。
在一些实施例中，通过重合度判断出了可能性最大且最紧急的故障后，可以通过相似度判断对其他的故障预测结果进行处理，从而进一步确定故障预测结果的可能性大小。例如，可以通过图2中的实施例实现。
图2示出本公开的基站设备的故障预测方法的另一些实施例的流程图。
如图2所示，相比于图1中实施例的方法，本实施例还可以包括：步骤210，进行聚类处理；和步骤220，确定第二故障综合预测结果。
在步骤210中，根据故障属性，对第一故障综合预测结果以外的第一预测结果和第二预测结果进行聚类处理。
在步骤220中，将处理结果为同一类的第一预测结果和第二预测结果，确定为基站设备第二故障综合预测结果，第二故障综合预测结果的故障可能性低于第一故障综合预测结果。
在一些实施例中，可以对故障预测结果集a和故障预测结果集b中第一故障综合预测结果以为的第一预测结果和第二预测结果进行类似度检测。
例如，可以通过聚类分析方法对故障预测结果集a和故障预测结果集b中除第一故障综合预测结果以外的其他预测结果进行处理。将发生在同一时间段内，且故障属性相似的第一预测结果和第二预测结果确定为第二故障综合预测结果(即符合类似度检测条件)，即预测可能性较大，紧急情况次之的故障；将未发生在同一时间段内，且故障属性不相似的第一预测结果和第二预测结果确定为第三故障综合预测结果，即预测可能性较小，紧急情况最低的故障。
在一些实施例中，可以通过上述任一个实施例中的方法对基站的ir光路在一段时间内可能发生的故障进行预测。可以根据基站自身特点，使得从运行和硬件两个角度进预测的结果相互支持。而且，可以通过故障分级，提高预测准确率，并为处理优先级提出合理建议。
图3示出本公开的基站设备的故障预测方法的一些实施例的示意图。
如图3所示，可以先对基站设备的历史故障进行分析，确定可能引起故障的工作运行参数；然后可以对工作运行参数进行预处理和基于数据统计特征的序列异常检测处理；基于处理后的工作运行参数进行故障预测，得到故障预测结果集a。
可以对基站设备的硬件属性参数进行预处理和基于数据统计特征的序列异常检测处理；基于处理后的硬件属性参数进行故障预测，得到故障预测结果集b。
可以利用上述任一个实施例中的重合度检测对故障预测结果集a和故障预测结果集b中的元素进行处理；符合重合度检测判断条件的作为一类故障(即第一故障综合预测结果)。
可以对不符合重合度检测条件的故障预测结果集a和故障预测结果集b中的元素进行上述任一个实施例中的类似度检测处理；符合类似度检测条件的作为二类故障(即第二故障综合预测结果)；不符合类似度检测条件的作为三类故障(即第三故障综合预测结果)。
图4示出本公开的基站设备的故障预测方法的另一些实施例的示意图。
如图4所示，采用上述基站设备的故障预测方法的系统可以分为交互界面、核心控制模块、数据处理模块、数据库模块，数据采集模块等。
交互界面模块可以为用户进行信息交互的界面，可视化呈现预测结果，用户也可反馈所需的信息。
核心控制模块可以通过检测模块和算法模型(如决策树模型)完成基站ir光路故障预测；通过反馈模块反馈修正自学习功能；通过功能接口调配所需的逻辑和数据关系、不同数据的故障检测算法、及故障检测定级条件。
数据处理模块可以将数据库模块的工作运行参数和硬件属性参数分别进行数据清洗；并通过特征工程模块利用合适的混合的特征工程方法(如序列异常检测、四分位方法、陡降点方法等)，生成规定的待处理数据模型。
数据库模块存储无线基站出采集的工作运行参数和硬件属性参数。
数据采集模块可以在日常不同时间段采集不同无线基站的bbu、rru、光接口设备产生的工作运行参数、硬件属性参数、告警数据、业务状态等信息。
在上述实施例中，打破了现有的发生故障后人工排查的方法，通过人工智能算法，从运行和硬件两个角度进行预测，实现故障前预测能力，保障网络稳定性。
根据基站告警历史数据，选择合适的机器学习算法(随机森林算法等)，构建故障预测模型。对工作运行参数采取先选取均值、方差、四分位、陡降点，再基于特征表述进行序列异常检测的处理方法。这样，采用多种特征表述处理方法相结合的方式得到待处理的数据模型。
根据运行和硬件角度的预测结果，利用重合度和类似度的故障定级条件，对故障预测综合结果进行分类，保证预测的准确性，分清故障紧急性。
构建了一套故障预测的呈现装置，将系统预测的结果呈现在前端界面，方便专业人工后期维护和更正故障信息。
在上述实施例中，分别从运行参数和硬件参数两方面，采用机器学习方法进行故障预测，并结合两方面的预测结果确定综合预测结果。这样，可以在故障发生前从多方面出发进行自动故障预测，从而提高故障处理的效率。
图5示出本公开的基站设备的故障预测装置的一些实施例的示意图。
如图5所示，基站设备的故障预测装置5包括预测单元51、确定单元52。
预测单元51根据基站设备的工作运行参数，利用机器学习方法进行故障预测，以确定多个第一预测结果。第一预测结果包括至少一个故障属性；预测单元51根据基站设备的硬件属性参数，利用机器学习方法进行故障预测，以确定多个第二预测结果。第二预测结果包括第一预测结果同类型的故障属性。例如，故障属性包括基站编号、基站设备编号，故障发生器件或接口、故障种类中的至少一项，以及故障发生时间。
在一些实施例中，工作运行参数的类型根据基站设备的历史故障告警信息和相应的故障分类确定。例如，工作运行参数包括基站设备的接收功率、发射功率、温度、偏置电流、电压、误码率中的至少一项。
在一些实施例中，硬件属性参数包括基站设备的生产日期、使用年数、建议使用年限、故障历史信息中的至少一项。
确定单元52筛选出故障属性的数值相同的第一预测结果和第二预测结果，确定为基站设备第一故障综合预测结果。
在一些实施例中，确定单元52根据所障属性，对第一故障综合预测结果以外的第一预测结果和第二预测结果进行聚类处理；确定单元52将处理结果为同一类的第一预测结果和第二预测结果，确定为基站设备第二故障综合预测结果。第二故障综合预测结果的故障可能性低于所述第一故障综合预测结果。
在一些实施例中，确定单元52将处理结果不为同一类的第一预测结果和第二预测结果，确定为基站设备第三故障综合预测结果。第三故障综合预测结果的故障可能性低于第二故障综合预测结果。
在一些实施例中，故障预测装置，还包括检测处理单元53，用于根据工作运行参数和硬件属性参数的数据统计特征，分别对该工作运行参数和该硬件属性参数进行序列异常检测处理，得到处理后的工作运行参数和硬件属性参数。
在上述实施例中，分别从运行参数和硬件参数两方面，采用机器学习方法进行故障预测，并结合两方面的预测结果确定综合预测结果。这样，可以在故障发生前从多方面出发进行自动故障预测，从而提高故障处理的效率。
图6示出本公开的基站设备的故障预测装置的另一些实施例的框图。
如图6所示，该实施例的基站设备的故障预测装置6包括：存储器61以及耦接至该存储器61的处理器62，处理器62被配置为基于存储在存储器61中的指令，执行本公开中任意一个实施例中的基站设备的故障预测方法。
其中，存储器61例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(bootloader)、数据库以及其他程序等。
图7示出本公开的基站设备的故障预测装置的又一些实施例的框图。
如图7所示，该实施例的基站设备的故障预测装置7包括：存储器710以及耦接至该存储器710的处理器720，处理器720被配置为基于存储在存储器710中的指令，执行前述任意一个实施例中的基站设备的故障预测方法。
存储器710例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(bootloader)以及其他程序等。
基站设备的故障预测装置7还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730、740、750以及存储器710和处理器720之间例如可以通过总线760连接。其中，输入输出接口730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740为各种联网设备提供连接接口。存储接口750为sd卡、u盘等外置存储设备提供连接接口。
图8示出本公开的基站的一些实施例的框图。
如图8所示，基站8包括上述任一个实施例中的基站设备的故障预测装置81。
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。
至此，已经详细描述了根据本公开的基站设备的故障预测方法、基站设备的故障预测装置、基站和计算机可读存储介质。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。
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
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。本公开的范围由所附权利要求来限定。
1.一种基站设备的故障预测方法，包括：
根据基站设备的工作运行参数，利用机器学习方法进行故障预测，以确定多个第一预测结果，所述第一预测结果包括至少一个故障属性；
根据所述基站设备的硬件属性参数，利用机器学习方法进行故障预测，以确定多个第二预测结果，所述第二预测结果包括与所述第一预测结果同类型的故障属性；
筛选出所述故障属性的数值相同的所述第一预测结果和所述第二预测结果，确定为所述基站设备第一故障综合预测结果。
2.根据权利要求1所述的故障预测方法，还包括：
根据所述故障属性，对所述第一故障综合预测结果以外的所述第一预测结果和所述第二预测结果进行聚类处理；
将处理结果为同一类的所述第一预测结果和所述第二预测结果，确定为所述基站设备第二故障综合预测结果，所述第二故障综合预测结果的故障可能性低于所述第一故障综合预测结果。
3.根据权利要求2所述的故障预测方法，还包括：
将处理结果不为同一类的所述第一预测结果和所述第二预测结果，确定为所述基站设备第三故障综合预测结果，所述第三故障综合预测结果的故障可能性低于所述第二故障综合预测结果。
4.根据权利要求1所述的故障预测方法，在进行故障预测之前，还包括：
根据工作运行参数和硬件属性参数的数据统计特征，分别对该工作运行参数和该硬件属性参数进行序列异常检测处理，得到处理后的工作运行参数和硬件属性参数。
5.根据权利要求1-4任一项所述的故障预测方法，其中，
所述工作运行参数包括所述基站设备的接收功率、发射功率、温度、偏置电流、电压、误码率中的至少一项；
所述硬件属性参数包括所述基站设备的生产日期、使用年数、建议使用年限、故障历史信息中的至少一项。
6.根据权利要求1-4任一项所述的故障预测方法，其中，
所述故障属性包括基站编号、基站设备编号，故障发生器件或接口、故障种类中的至少一项，以及故障发生时间。
7.根据权利要求1-4任一项所述的故障预测方法，其中，
所述工作运行参数的类型根据所述基站设备的历史故障告警信息和相应的故障分类确定。
8.一种基站设备的故障预测装置，包括：
预测单元，用于根据基站设备的工作运行参数，利用机器学习方法进行故障预测，以确定多个第一预测结果，所述第一预测结果包括至少一个故障属性，根据所述基站设备的硬件属性参数，利用机器学习方法进行故障预测，以确定多个第二预测结果，所述第二预测结果包括与所述第一预测结果同类型的故障属性；
确定单元，用于筛选出所述故障属性的数值相同的所述第一预测结果和所述第二预测结果，确定为所述基站设备第一故障综合预测结果。
9.根据权利要求8所述的故障预测装置，其中，
所述确定单元根据所述故障属性，对所述第一故障综合预测结果以外的所述第一预测结果和所述第二预测结果进行聚类处理，将处理结果为同一类的所述第一预测结果和所述第二预测结果，确定为所述基站设备第二故障综合预测结果，所述第二故障综合预测结果的故障可能性低于所述第一故障综合预测结果。
10.根据权利要求9所述的故障预测装置，其中，
所述确定单元将处理结果不为同一类的所述第一预测结果和所述第二预测结果，确定为所述基站设备第三故障综合预测结果，所述第三故障综合预测结果的故障可能性低于所述第二故障综合预测结果。
11.根据权利要求8所述的故障预测装置，还包括：
检测处理单元，用于根据工作运行参数和硬件属性参数的数据统计特征，分别对该工作运行参数和该硬件属性参数进行序列异常检测处理，得到处理后的工作运行参数和硬件属性参数。
12.一种基站设备的故障预测装置，包括：
存储器；和
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装置中的指令，执行权利要求1-7任一项所述的基站设备的故障预测方法。
13.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一项所述的基站设备的故障预测方法。
14.一种基站，包括：
权利要求8-12任一项所述的基站设备的故障预测装置。
技术总结