隨著工業(yè)大數(shù)據(jù)推進，設(shè)備的智能運維被定義為一個重要的應(yīng)用領(lǐng)域。但何為智能運維？目前還沒有一個明確的定義，但有不少提法，我們將其初略歸納為4種模式：
- 智能決策，如預(yù)測性維修、故障診斷等PHM、運維運作優(yōu)化；
- 智能裝備，將云端分析結(jié)果直接作用到端（如傳感器偏差矯正）；
- 新業(yè)務(wù)模式，如共享備件庫存等；
- 結(jié)合其他新興技術(shù)的新能力（如基于無人機的自動巡檢、基于AR的協(xié)同運維）。
智能運維只所以很難給出一個明確定義，是因為運維業(yè)務(wù)涉及的維度復(fù)雜性。我們可以廣義認為只要能夠提高運維業(yè)務(wù)目標的措施都可以稱為智能運維。
針對智慧運維的行業(yè)特點，古河軟件可以提供以下數(shù)據(jù)建模分析服務(wù)：
- 設(shè)備故障建模預(yù)測
- 設(shè)備生命周期建模預(yù)測
- 電力負荷建模預(yù)測
- 節(jié)能控制建模預(yù)測
- 能源需求建模預(yù)測
- 設(shè)備維修管理模型
- BP神經(jīng)網(wǎng)絡(luò)節(jié)能建模
- 時間序列ARIMA能源分析
- 冰蓄冷策略控制模型
- 地源熱泵冷策略控制模型
- 冷水機機組群控模型
- 報警管理模型
1、LSTM模型
LSTM(Long Short-Term Memory）是一種時間循環(huán)神經(jīng)網(wǎng)絡(luò)，是為了解決一般的RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）存在的長期依賴問題而專門設(shè)計出來的，所有的RNN都具有一種重復(fù)神經(jīng)網(wǎng)絡(luò)模塊的鏈式形式。在標準RNN中，這個重復(fù)的結(jié)構(gòu)模塊只有一個非常簡單的結(jié)構(gòu)，例如一個tanh層。
LSTM論文發(fā)表于1997年。由于*的設(shè)計結(jié)構(gòu)，LSTM適合于處理和預(yù)測時間序列中間隔和延遲非常長的重要事件。LSTM的表現(xiàn)通常比時間遞歸神經(jīng)網(wǎng)絡(luò)及隱馬爾科夫模型（HMM）更好，比如用在不分段連續(xù)手寫識別上。2009年，用LSTM構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)模型贏得過ICDAR手寫識別比賽。LSTM還普遍用于自主語音識別，2013年運用TIMIT自然演講數(shù)據(jù)庫達成17.7%錯誤率的紀錄。作為非線性模型，LSTM可作為復(fù)雜的非線性單元用于構(gòu)造更大型深度神經(jīng)網(wǎng)絡(luò)。
LSTM是RNN的一個優(yōu)秀的變種模型，繼承了大部分RNN模型的特性，同時解決了梯度反傳過程由于逐步縮減而產(chǎn)生的Vanishing Gradient問題。具體到語言處理任務(wù)中，LSTM非常適合用于處理與時間序列高度相關(guān)的問題，可以擬合序列數(shù)據(jù)，通過遺忘門和輸出門忘記部分信息來解決梯度消失的問題
2、ARIMA模型
ARIMA模型（英語：Autoregressive Integrated Moving Average model），差分整合移動平均自回歸模型，又稱整合移動平均自回歸模型（移動也可稱作滑動），是時間序列方法之一。ARIMA(p，d，q)中，AR是“自回歸”，p為自回歸項數(shù)；MA為“滑動平均”，q為滑動平均項數(shù)，d為使之成為平穩(wěn)序列所做的差分次數(shù)（階數(shù)）。“差分”一詞雖未出現(xiàn)在ARIMA的英文名稱中，卻是關(guān)鍵步驟。
AIRIMA時間序列是指將同一統(tǒng)計指標的數(shù)值按其先后發(fā)生的時間順序排列而成的數(shù)列。時間序列分析的主要目的是根據(jù)已有的歷史數(shù)據(jù)對未來進行預(yù)測。
常用的時間序列模型有四種：自回歸模型 AR(p)、移動平均模型 MA(q)、自回歸移動平均模型 ARMA(p,q)、自回歸差分移動平均模型 ARIMA(p,d,q), 可以說前三種都是 ARIMA(p,d,q)模型的特殊形式。模型的具體方程可以查找相關(guān)的專業(yè)書籍及網(wǎng)上的資料。
ARIMA 模型是在平穩(wěn)的時間序列基礎(chǔ)上建立起來的，因此時間序列的平穩(wěn)性是建模的重要前提。檢驗時間序列模型平穩(wěn)的方法一般采用 ADF 單位根檢驗?zāi)Ｐ腿z驗。當然如果時間序列不穩(wěn)定，也可以通過一些操作去使得時間序列穩(wěn)定（比如取對數(shù)，差分），然后進行 ARIMA 模型預(yù)測，得到穩(wěn)定的時間序列的預(yù)測結(jié)果，然后對預(yù)測結(jié)果進行之前使序列穩(wěn)定的操作的逆操作（取指數(shù)，差分的逆操作），就可以得到原始數(shù)據(jù)的預(yù)測結(jié)果。
