CN110649980B - 一种故障诊断方法、装置和电子设备 - Google Patents
一种故障诊断方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110649980B CN110649980B CN201910833828.8A CN201910833828A CN110649980B CN 110649980 B CN110649980 B CN 110649980B CN 201910833828 A CN201910833828 A CN 201910833828A CN 110649980 B CN110649980 B CN 110649980B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- training
- decision tree
- training set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/10—Monitoring; Testing of transmitters
- H04B17/15—Performance testing
- H04B17/17—Detection of non-compliance or faulty performance, e.g. response deviations
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Transmitters (AREA)
Abstract
本说明书实施例公开了一种故障诊断方法、装置和电子设备，该方法包括：对从发射机获取的数据进行预处理，得到测试数据；基于所述测试数据以及预设故障推理机制，初步确定故障模块；基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；将所述故障概率大于阈值概率的元件诊断为故障元件。从而，融合专家经验、决策树模型，对发射机故障精准定位、归因分析，提升故障诊断检测率以及隔离率，降低虚警率。
Description
技术领域
本说明书涉及计算机软件技术领域，尤其涉及一种故障诊断方法、装置和电子设备。
背景技术
大功率短波广播发射机是复杂的机电一体化系统，射频电路是发射机的核心部分，由于真空电容器作为调谐元件，要承受一定机械力、大电流、高电压，且在不同工作频率下所需电容量不同呈现阻抗值不同，电容上承受的电压和允许通过的电流不同，工况较为恶劣，因此电容器击穿故障是主要的故障。
目前广电发射台站的故障诊断主要依靠机房专家人工经验进行判断，故障成因较为复杂，需要的知识经验也要求较高，机房人员往往无法胜任此项工作造成发射机停播时间长，严重影响安播事业。
由此，机电设备复杂产品的故障诊断技术长期面临着故障检测率和故障隔离率低、故障虚警率高的挑战。
发明内容
本说明书实施例的目的是提供一种故障诊断方法、装置和电子设备，以提升故障诊断检测率以及隔离率，降低虚警率。
为解决上述技术问题，本说明书实施例是这样实现的：
第一方面，提出了一种故障诊断方法，所述方法包括：
对从发射机获取的数据进行预处理，得到测试数据；
基于所述测试数据以及预设故障推理机制，初步确定故障模块；
基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
将所述故障概率大于阈值概率的元件诊断为故障元件。
第二方面，提出了一种故障诊断装置，所述装置包括：
预处理模块，用于对从发射机获取的数据进行预处理，得到测试数据；
第一确定模块，用于基于所述测试数据以及预设故障推理机制，初步确定故障模块；
第二确定模块，用于基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
诊断模块，用于将所述故障概率大于阈值概率的元件诊断为故障元件。
第三方面，提出了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
对从发射机获取的数据进行预处理，得到测试数据；
基于所述测试数据以及预设故障推理机制，初步确定故障模块；
基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
将所述故障概率大于阈值概率的元件诊断为故障元件。
第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
对从发射机获取的数据进行预处理，得到测试数据；
基于所述测试数据以及预设故障推理机制，初步确定故障模块；
基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
将所述故障概率大于阈值概率的元件诊断为故障元件。
通过本说明书实施例，对从发射机获取的数据进行预处理，得到测试数据；基于所述测试数据以及预设故障推理机制，初步确定故障模块；基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；将所述故障概率大于阈值概率的元件诊断为故障元件。从而，融合专家经验、决策树模型，对发射机故障精准定位、归因分析，提升故障诊断检测率以及隔离率，降低虚警率；另外，可以辅助设备运营人员快速排除故障，提升维修工作效率，降低机器停播率，对保障发射机安全播音具有十分重要的使用价值。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是为本说明书实施例提供的故障诊断方法步骤示意图。
图2是本说明书的一个实施例提供的预设专家知识库的示意图。
图3是本说明书的一个实施例提供的故障诊断装置的结构示意图。
图4是本说明书的一个实施例提供的故障诊断场景示意图。
图5是本说明书的一个实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
随着人工智能、大数据等新一代信息技术的推广应用，广电等机构的发射台亟需开展发射机故障诊断方案，以提高设备的维修保障能力。
广电发射机是机械系统、模拟电路系统、自动控制系统共同作用的较为复杂的设备。发射机台现有的故障诊断经验总结如下：第一，通过机理模型建模对故障进行诊断，该诊断效果不佳，主要原因是射频电路寄生参数分布情况无法通过数学物理建模表达，寄生参数对设备运行参数影响较大，但影响机理目前尚未研究透彻；第二，通过数据驱动的故障诊断模型难以满足业务需求，主要原因是通过现有测量数据仅能进行系统级故障诊断，而机房人员关心的是模块单元乃至元器件级的故障隔离、定位；第三，发射机的运行参数是多种因素共同作用的结果，理想情况下天线阻抗即为射频电路的负载，稳定为300欧姆不变，在理想情况下运行参数取决于内部电容、电感等元器件参数的影响，实际上天线具有随环境因素变化的波动性且不可测量的特性，这个因素大大降低了运行参数的信噪比，而且影响故障诊断准确率。
鉴于此，本说明书实施例提出一种融合专家知识库和决策树模型的故障诊断方法，充分利用专家知识库以及诊断规则构建故障推理机制，并结合决策树模型进行数据分析，提高故障诊断率、隔离率，降低故障虚警率。其中，故障推理机制是以专家知识库为主，专家对发射机的故障诊断是根据长期积累的知识、经验和数据理解而得出的，通过规则推理的方式分析故障的模块层面，降低故障虚警率；数据分析模型以决策树为主，对于发射机射频电路而言，虽然寄生参数对运行参数影响很大，无法使用数学物理模型进行描述，但假设每一台发射机的寄生参数在大修间隔期内也是稳定不变的，电路各支路如果发生故障，对表征在运行参数中的规律变化也是不一样的，因此可以通过数据模型来提高故障隔离率。
应理解，在本说明书实施例中，故障检测率指正确检测出的故障数与故障总数的比值；故障隔离率指故障正确隔离到不大于规定模糊度的故障数与检测到的故障总数之比；故障虚警率是在规定期间内发生的虚警数与同一时间内的故障总数之比。
实施例一
参照图1所示，为本说明书实施例提供的故障诊断方法步骤示意图，应理解，本说明书实施例所涉及的故障诊断方案可以适用于发射机，或是其它与发射机具有相同或相似结构、工作原理的电子设备，本说明书并不对此进行限定。所述方法可以包括以下步骤：
步骤102：对从发射机获取的数据进行预处理，得到测试数据。
在本说明书实施例中，可以从发射机的数据平台获取数据，并对获取的数据进行预处理。其中，所述数据可以是发射机的秒数据，所谓秒数据是指发射机按照1HZ周期采样的设备运行参数。
可选地，在本说明书实施例中，在对从发射机获取的数据进行预处理时，可以采用工况分割、特征提取、屏极阻抗计算中的一种或多种处理，得到测试数据。
一种较优的实现方案，对从发射机获取的数据进行工况分割、特征提取、屏极阻抗计算处理，包括：
--工况分割：对所述数据进行切分，提取发射机开机状态时的秒数据；
--特征提取：从所述秒数据的N个参数中提取故障诊断所需的特征参数；
--屏极阻抗计算：根据预设公式计算高末屏极输出等效阻抗，并选择偏离所述等效阻抗的数据作为测试数据。
具体实现时，工况分割是对秒数据进行切分，提取出发射机开机状态下的秒数据，该过程需要去除黑灯丝、全灯丝、粗调谐、细调谐等开机前的准备状态下的秒数据；特征提取可以是从秒数据的N个参数(例如60个参数)中提取出故障诊断所需的参数，从而将不相关的参数剔除；屏极阻抗计算时，可以根据预设公式(这里所涉及的预设公式可以是计算等效阻抗的原理性公式或是依据所述原理性公式变形得到的修正公式)计算高末屏极输出等效阻抗，如果正常状态在190欧姆附近，那么偏离190欧姆则为故障状态数据，提取故障状态数据为后续进行故障诊断做准备。
步骤104：基于所述测试数据以及预设故障推理机制，初步确定故障模块。
在本说明书实施例中，所述预设故障推理机制基于预设专家知识库以及诊断推理规则确定。
所述预设专家知识库中记录有索引以及对应的故障特征，所述故障特征包括：故障现象、故障原因和故障规则；
一种可实现的方案，所述诊断推理规则至少包括以下内容：
高末栅流异常，则判断宽频带放大器是否正常；
宽频带放大器正常，而高前屏压正常、高前屏流异常，则诊断为高前/高末输入网络故障；
高末栅压为静态工作点参数，则诊断为高末输入网络故障；
高末栅流正常，高末屏压正常，而高末屏流异常，则诊断为3π网络及后端部分故障；
发射机加高压，入射功率阈值功率，则诊断不平衡/平衡转换补偿电容故障。
所述预设专家知识库采用产生式的知识表达方式，具体可以结合诊断推理规则表示故障知识，即：IF故障现象THEN故障原因。参照图2所示，预设专家知识库200包含3种类型数据库：故障现象库202、故障原因库204和故障规则库206。其中，故障现象库202记录发射机每一个运行参数的故障类型及索引号，如表1所示。故障原因库204记录发射机射频电路模块故障原因及索引号，如表2所示。故障规则库206记录发射机基于专家知识的故障推理规则及索引号，如表3所示。
表1：故障现象库内容示意
| 索引 | 故障原因描述 | 索引 | 故障原因描述 |
| 101201 | 3π网络故障 | 101206 | 宽频带放大器及前级故障 |
| 101202 | 高末输入网络故障 | 101207 | 平转部分电容故障 |
| 101203 | 高末电子管故障 | 101208 | PSM模块故障 |
| 101204 | 高前输入网络故障 | 101209 | 天馈线故障 |
| 101205 | 高前电子管故障 | …… | …… |
表2：故障原因库
表3：故障规则库
应理解，预设专家知识库记录的专家经验能够降低故障虚警率的特征在于融合自动调谐的规律，主要以表3所述的“规则101306：IF细调谐超时THEN3π网络故障”、“规则101307:IF粗调谐超时THEN可调电容电机卡死故障”为例。发射机的调谐是调整电路电容、电感、电阻参数，使得电路达到谐振状态的过程。发射机的自动调谐，是在信号驱动下，通过自动控制系统将各级回路自动调谐到所需工作频率，将输出回路和输出功率调整到所需状态。
具体实现时，是通过自动控制系统输出计算机控制指令，驱动电机带动可调电容器、可调电感运动改变电容值和电感值，最终调整为计算得到的谐振参数值。其实，考虑到环境因素引起的天线阻抗变化的失谐，发射机的自动调谐系统可在几秒钟内调整电路参数重新达到谐振状态，而发射机的射频电路一旦发生故障(真空电容器击穿或真空度下降)，自动调谐系统将调整不到谐振状态或在短暂的时间内反复调整但难以重新达到谐振状态，这样会造成细调谐时间超时。而粗调谐超时，是由于电机卡死导致自动调谐系统无法调谐电路的预置参数，这个规则是确定发射机机械系统故障的关键经验。由此，专家知识库中的内容其实就是对历史故障中故障现象、故障原因以及故障规则统计得到。
步骤106：基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率。
其实，预设专家知识库仅可以对模块层面的故障进行定位，而无法对模块中具体元件的故障进行定位分析。而本说明书实施例中，还结合预设诊断模型-即决策树模型对故障模块进一步分析以确定出故障模块中元器件发生故障概率。
可选地，所述预设诊断模型通过以下方式训练得到：
获取发射机的历史故障数据；
从所述历史故障数据中提取多个样本特征集合；
基于所述多个样本特征集合以及样本特征集合对应的样本标签，对决策树模型进行递归训练。
进一步，在对决策树模型进行递归训练之后，还包括：
通过极小化决策树整体的损失函数，对递归训练得到的预设诊断模型进行剪枝修正。
具体实现时，所述故障诊断模型可参照以下步骤训练得到：
从历史数据中提取包含12个特征的故障数据的样本特征集合：X＝{xi1,xi2,xi3,xi4,xi5,xi6,xi7,xi8,xi9,xi10,xi11,xi12}＝{高前屏压VaV1，高前屏流IaV1，高末屏压VaV2，高末屏流IaV2，入射功率Pfwd，高末屏耗APD，高末栅流Ig1V2，高末帘栅流Ig2V2，高末栅压Vg1V2，高末帘栅压Vg2V2，设备告警信息}，通过人工分析对每个样本特征集合进行标记(例如，标记上C102、C133、C251、C252、C261、C262、C271、C275、C281等真空电容器标号)，构建故障训练集D、验证集M、测试集Q；决策树模型的学习目标是根据选择的故障数据样本训练集构建一个故障诊断决策树模型，使它能够对实时发生的故障数据进行正确的故障诊断；故障特征的选择在于选取对训练数据具有分类能力的特征，根据专家对射频电路的参数理解可以选择上述12种特征，其实，也可以选择其它参数，本说明书并不对此进行限定。此外，本提案选择ID3算法作为决策树的学习算法，首先从训练集的特征中选择一个特征作为当前结点的分裂标准，当前结点的最优特征应根据信息增益来选择。
训练集D的样本容量为|D|，有K个故障分类Ck，|Ck|为属于Ck类故障的样本个数，
训练集D的故障特征有12种，某一特征A的取值为{a1,a2,......an}，那么根据特征A的取值将训练集D划分为n个子集D1，D2，D3……Dn，|Di|为Di个样本的个数，
子集Di属于类Ck的样本集合为Dik，|Dik|为Dik的样本个数，那么定义训练集D:
经验熵：
条件经验熵：
信息增益：g(D,A)＝H(D)-H(D/A)
对于训练集D，计算12个特征对训练集D的信息增益，选择信息增益最大的特征Ag；如果Ag的信息增益小于阈值ε(这里根据经验可取0.25)，则该结点为单结点树；否则，对Ag的每一可能值{a1,a2,......an}将训练集D分割为若干个非空子集Dn，将Dn中实际数值最大的故障类标记构建子结点，由结点及子结点构成当前的决策树T；对第i个子结点，以Di为训练集，以A-{Ag}为特征集，递归上述步骤，最终得到决策树T。
在本说明书实施例中，为了防止过拟合对决策树的影响，可以对决策树模型进行剪枝，剪枝通过极小化决策树整体的损失函数来实现。
具体实现时，可设决策树T的叶结点个数为|T|，t是决策树T的叶结点，该叶结点有Nt个样本点，其中k类的样本点有Ntk个，Ht(T)为叶结点t上的经验熵，α≥0为参数，损失函数定义为
将该损失函数的第一项记作C(T)，那么：Cα(T)＝C(T)+α|T|，C(T)表示决策树模型对训练数据的预测误差，|T|表示决策树模型的复杂度，α≥0用于控制两者之间的影响。这里确定α为一个确定值，选择损失函数最小的树作为优化后的决策树。利用训练集对决策树模型进行训练，用验证集验证模型预测的准确率，不断调整模型的剪枝参数α，使模型预测准确率收敛至一个理想的值，经多次训练调整可验证准确率达到80％为最优；导出验证后的决策树模型作为预设诊断模型。
表4：故障数据样本示例
将从所述测试数据中提取的包含预设特征类型的特征数据代入所述预设诊断模型，输出针对每个故障元件的故障概率。
步骤108：将所述故障概率大于阈值概率的元件诊断为故障元件。
在上述预设诊断模型输出的结果中，从中选取概率大于阈值概率的元件作为故障元件。
可选地，在本说明书实施例中，所述方法还包括：为所述故障元件推荐相匹配的维修策略。具体实现时，可以从历史故障维修方案中选取相适配的维修策略进行推荐，以便于工作人员根据维修策略对故障元件进行维修和/或更换。
通过本说明书实施例，对从发射机获取的数据进行预处理，得到测试数据；基于所述测试数据以及预设故障推理机制，初步确定故障模块；基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；将所述故障概率大于阈值概率的元件诊断为故障元件。从而，融合专家经验、决策树模型，对发射机故障精准定位、归因分析，提升故障诊断检测率以及隔离率，降低虚警率；辅助设备运营人员快速排除故障，提升维修工作效率，降低机器停播率，对保障发射机安全播音具有十分重要的使用价值。
实施例二
图3为本说明书的一个实施例提供的故障诊断装置300的结构示意图。请参考图3，在一种软件实施方式中，故障诊断装置300可包括：
预处理模块302，用于对从发射机获取的数据进行预处理，得到测试数据；
第一确定模块304，用于基于所述测试数据以及预设故障推理机制，初步确定故障模块；
第二确定模块306，用于基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
诊断模块308，用于将所述故障概率大于阈值概率的元件诊断为故障元件。
通过本说明书实施例，对从发射机获取的数据进行预处理，得到测试数据；基于所述测试数据以及预设故障推理机制，初步确定故障模块；基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；将所述故障概率大于阈值概率的元件诊断为故障元件。从而，融合专家经验、决策树模型，对发射机故障精准定位、归因分析，提升故障诊断检测率以及隔离率，降低虚警率；辅助设备运营人员快速排除故障，提升维修工作效率，降低机器停播率，对保障发射机安全播音具有十分重要的使用价值。
在本说明书实施例的一种具体实现方式中，所述装置还包括：
推荐模块，用于为所述故障元件推荐相匹配的维修策略。
在本说明书实施例的一种具体实现方式中，所述预处理模块具体用于：
对从发射机获取的数据进行工况分割、特征提取、屏极阻抗计算中的一种或多种处理，得到测试数据。
在本说明书实施例的另一种具体实现方式中，所述预处理模块302对从发射机获取的数据进行工况分割、特征提取、屏极阻抗计算处理时，具体用于：
对所述数据进行切分，提取发射机开机状态时的秒数据；
从所述秒数据的N个参数中提取故障诊断所需的特征参数；
根据预设公式计算高末屏极输出等效阻抗，并选择偏离所述等效阻抗的数据作为测试数据。
在本说明书实施例的另一种具体实现方式中，所述预设故障推理机制基于预设专家知识库以及诊断推理规则确定；
所述预设专家知识库中记录有索引以及对应的故障特征，所述故障特征包括：故障现象、故障原因和故障规则；
所述诊断推理规则至少包括以下内容：
高末栅流异常，则判断宽频带放大器是否正常；
宽频带放大器正常，而高前屏压正常、高前屏流异常，则诊断为高前/高末输入网络故障；
高末栅压为静态工作点参数，则诊断为高末输入网络故障；
高末栅流正常，高末屏压正常，而高末屏流异常，则诊断为3π网络及后端部分故障；
发射机加高压，入射功率阈值功率，则诊断不平衡/平衡转换补偿电容故障。
在本说明书实施例的另一种具体实现方式中，所述预设诊断模型通过以下方式训练得到：
获取发射机的历史故障数据；
从所述历史故障数据中提取多个样本特征集合；
基于所述多个样本特征集合以及样本特征集合对应的样本标签，对决策树模型进行递归训练。
在本说明书实施例的另一种具体实现方式中，在对决策树模型进行递归训练之后，还包括：通过极小化决策树整体的损失函数，对递归训练得到的预设诊断模型进行剪枝修正。
应理解，本说明书实施例的故障诊断装置还可执行图1-中故障诊断装置(或设备)执行的方法，并实现故障诊断装置(或设备)在图1所示实施例的功能，在此不再赘述。
参照图4所示，为本说明书实施例提供的故障诊断场景示意图，该故障诊断场景中可以包括以下系统模块：模型训练模块402、模型应用模块404、发射台大数据处理平台406和面向工作人员的客户端408；
其中，所述的发射台大数据平台406，具有数据采集、数据存储与数据管理、数据分析、数据服务等功能，支撑发射机秒数据的采集、接入、处理、治理工作，并为模型分析提供实时的发射机秒数据服务、为模型训练提供历史积累的发射机秒数据服务。
所述的模型训练模块402是本申请的技术核心，包括预设专家知识库、决策树诊断模型、维修策略模型。模型训练模块402的特征是以预设专家知识库抓住故障情况的基本面，以决策树诊断模型解决专家难以通过数据直接分析的故障，两者的关系是使用预设专家知识库作为第一级诊断可降低虚警率，使用决策树诊断模型作为第二级诊断可以提高故障隔离率，两者的输出结果支撑维修策略模型的决策分析。
之后，在模型应用模块404中，对从发射大数据平台406获取的测试数据进行预处理，然后基于预设专家知识库进行模块层面的故障定位，接着，基于决策树诊断模型进行元件层面的故障定位，最后，基于维修策略模型对定位出的故障元件推荐相适配的维修策略。
实施例三
图5是本说明书的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成共享资源访问控制装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
对从发射机获取的数据进行预处理，得到测试数据；
基于所述测试数据以及预设故障推理机制，初步确定故障模块；
基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
将所述故障概率大于阈值概率的元件诊断为故障元件。
上述如本说明书图1所示实施例揭示的故障诊断装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法，并实现故障诊断装置在图1所示实施例的功能，本说明书实施例在此不再赘述。
当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
通过本说明书实施例，对从发射机获取的数据进行预处理，得到测试数据；基于所述测试数据以及预设故障推理机制，初步确定故障模块；基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；将所述故障概率大于阈值概率的元件诊断为故障元件。从而，融合专家经验、决策树模型，对发射机故障精准定位、归因分析，提升故障诊断检测率以及隔离率，降低虚警率；辅助设备运营人员快速排除故障，提升维修工作效率，降低机器停播率，对保障发射机安全播音具有十分重要的使用价值。
实施例四
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下方法：
对从发射机获取的数据进行预处理，得到测试数据；
基于所述测试数据以及预设故障推理机制，初步确定故障模块；
基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
将所述故障概率大于阈值概率的元件诊断为故障元件。
通过本说明书实施例，对从发射机获取的数据进行预处理，得到测试数据；基于所述测试数据以及预设故障推理机制，初步确定故障模块；基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；将所述故障概率大于阈值概率的元件诊断为故障元件。从而，融合专家经验、决策树模型，对发射机故障精准定位、归因分析，提升故障诊断检测率以及隔离率，降低虚警率；辅助设备运营人员快速排除故障，提升维修工作效率，降低机器停播率，对保障发射机安全播音具有十分重要的使用价值。
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
Claims (9)
1.一种故障诊断方法，其特征在于，所述方法包括：
对从发射机获取的数据进行预处理，得到测试数据；
基于所述测试数据以及预设故障推理机制，初步确定故障模块；
基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
将所述故障概率大于阈值概率的元件诊断为故障元件；
其中，所述预设诊断模型通过以下方式训练得到：
获取发射机的历史故障数据；
从所述历史故障数据中提取多个样本特征集合；
基于所述多个样本特征集合以及样本特征集合对应的样本标签，对决策树模型进行递归训练；
在对决策树模型进行递归训练之后，还包括：
通过极小化决策树整体的损失函数，对递归训练得到的预设诊断模型进行剪枝修正；
所述预设诊断模型参照以下步骤训练得到：
从历史数据中提取包含12个特征的故障数据的样本特征集合：X＝{xi1,xi2,xi3,xi4,xi5,xi6,xi7,xi8,xi9,xi10,xi11,xi12}＝{高前屏压VaV1，高前屏流IaV1，高末屏压VaV2，高末屏流IaV2，入射功率Pfwd，高末屏耗APD，高末栅流Ig1V2，高末帘栅流Ig2V2，高末栅压Vg1V2，高末帘栅压Vg2V2，设备告警信息}，通过人工分析对每个样本特征集合进行标记，构建故障训练集D、验证集M、测试集Q；决策树模型的学习目标是根据选择的故障数据样本训练集构建一个故障诊断决策树模型，使它能够对实时发生的故障数据进行正确的故障诊断；故障特征的选择在于选取对训练数据具有分类能力的特征，根据专家对射频电路的参数理解选择上述12种特征，选择ID3算法作为决策树的学习算法，首先从训练集的特征中选择一个特征作为当前结点的分裂标准，当前结点的最优特征应根据信息增益来选择；
训练集D的样本容量为|D|，有K个故障分类Ck，|Ck|为属于Ck类故障的样本个数，
训练集D的故障特征有12种，某一特征A的取值为{a1,a2,......an}，那么根据特征A的取值将训练集D划分为n个子集D1，D2，D3……Dn，|Di|为Di个样本的个数，
子集Di属于类Ck的样本集合为Dik，|Dik|为Dik的样本个数，那么定义训练集D：
经验熵：
条件经验熵：
信息增益：g(D,A)＝H(D)-H(D/A)
对于训练集D，计算12个特征对训练集D的信息增益，选择信息增益最大的特征Ag；如果Ag的信息增益小于阈值ε，则该结点为单结点树；否则，对Ag的每一可能值{a1,a2,......an}将训练集D分割为若干个非空子集Dn，将Dn中实际数值最大的故障类标记构建子结点，由结点及子结点构成当前的决策树T；对第i个子结点，以Di为训练集，以A-{Ag}为特征集，递归上述步骤，最终得到决策树T。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
为所述故障元件推荐相匹配的维修策略。
3.如权利要求1或2所述的方法，其特征在于，对从发射机获取的数据进行预处理，得到测试数据，具体包括：
对从发射机获取的数据进行工况分割、特征提取、屏极阻抗计算中的一种或多种处理，得到测试数据。
4.如权利要求3所述的方法，其特征在于，对从发射机获取的数据进行工况分割、特征提取、屏极阻抗计算处理，包括：
对所述数据进行切分，提取发射机开机状态时的秒数据；
从所述秒数据的N个参数中提取故障诊断所需的特征参数；
根据预设公式计算高末屏极输出等效阻抗，并选择偏离所述等效阻抗的数据作为测试数据。
5.如权利要求1所述的方法，其特征在于，所述预设故障推理机制基于预设专家知识库以及诊断推理规则确定；
所述预设专家知识库中记录有索引以及对应的故障特征，所述故障特征包括：故障现象、故障原因和故障规则；
所述诊断推理规则至少包括以下内容：
高末栅流异常，则判断宽频带放大器是否正常；
宽频带放大器正常，而高前屏压正常、高前屏流异常，则诊断为高前/高末输入网络故障；
高末栅压为静态工作点参数，则诊断为高末输入网络故障；
高末栅流正常，高末屏压正常，而高末屏流异常，则诊断为3π网络及后端部分故障；
发射机加高压，入射功率阈值功率，则诊断不平衡/平衡转换补偿电容故障。
6.如权利要求1所述的方法，其特征在于，在对决策树模型进行递归训练之后，还包括：
通过极小化决策树整体的损失函数，对递归训练得到的预设诊断模型进行剪枝修正。
7.一种故障诊断装置，其特征在于，所述装置包括：
预处理模块，用于对从发射机获取的数据进行预处理，得到测试数据；
第一确定模块，用于基于所述测试数据以及预设故障推理机制，初步确定故障模块；
第二确定模块，用于基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
诊断模块，用于将所述故障概率大于阈值概率的元件诊断为故障元件；
其中，所述预设诊断模型通过以下方式训练得到：
获取发射机的历史故障数据；
从所述历史故障数据中提取多个样本特征集合；
基于所述多个样本特征集合以及样本特征集合对应的样本标签，对决策树模型进行递归训练；
在对决策树模型进行递归训练之后，还包括：
通过极小化决策树整体的损失函数，对递归训练得到的预设诊断模型进行剪枝修正；
所述预设诊断模型参照以下步骤训练得到：
从历史数据中提取包含12个特征的故障数据的样本特征集合：X＝{xi1,xi2,xi3,xi4,xi5,xi6,xi7,xi8,xi9,xi10,xi11,xi12}＝{高前屏压VaV1，高前屏流IaV1，高末屏压VaV2，高末屏流IaV2，入射功率Pfwd，高末屏耗APD，高末栅流Ig1V2，高末帘栅流Ig2V2，高末栅压Vg1V2，高末帘栅压Vg2V2，设备告警信息}，通过人工分析对每个样本特征集合进行标记，构建故障训练集D、验证集M、测试集Q；决策树模型的学习目标是根据选择的故障数据样本训练集构建一个故障诊断决策树模型，使它能够对实时发生的故障数据进行正确的故障诊断；故障特征的选择在于选取对训练数据具有分类能力的特征，根据专家对射频电路的参数理解选择上述12种特征，选择ID3算法作为决策树的学习算法，首先从训练集的特征中选择一个特征作为当前结点的分裂标准，当前结点的最优特征应根据信息增益来选择；
训练集D的样本容量为|D|，有K个故障分类Ck，|Ck|为属于Ck类故障的样本个数，
训练集D的故障特征有12种，某一特征A的取值为{a1,a2,......an}，那么根据特征A的取值将训练集D划分为n个子集D1，D2，D3……Dn，|Di|为Di个样本的个数，
子集Di属于类Ck的样本集合为Dik，|Dik|为Dik的样本个数，那么定义训练集D：
经验熵：
条件经验熵：
信息增益：g(D,A)＝H(D)-H(D/A)
对于训练集D，计算12个特征对训练集D的信息增益，选择信息增益最大的特征Ag；如果Ag的信息增益小于阈值ε，则该结点为单结点树；否则，对Ag的每一可能值{a1,a2,......an}将训练集D分割为若干个非空子集Dn，将Dn中实际数值最大的故障类标记构建子结点，由结点及子结点构成当前的决策树T；对第i个子结点，以Di为训练集，以A-{Ag}为特征集，递归上述步骤，最终得到决策树T。
8.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
对从发射机获取的数据进行预处理，得到测试数据；
基于所述测试数据以及预设故障推理机制，初步确定故障模块；
基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
将所述故障概率大于阈值概率的元件诊断为故障元件；
其中，所述预设诊断模型通过以下方式训练得到：
获取发射机的历史故障数据；
从所述历史故障数据中提取多个样本特征集合；
基于所述多个样本特征集合以及样本特征集合对应的样本标签，对决策树模型进行递归训练；
在对决策树模型进行递归训练之后，还包括：
通过极小化决策树整体的损失函数，对递归训练得到的预设诊断模型进行剪枝修正；
所述预设诊断模型参照以下步骤训练得到：
从历史数据中提取包含12个特征的故障数据的样本特征集合：X＝{xi1,xi2,xi3,xi4,xi5,xi6,xi7,xi8,xi9,xi10,xi11,xi12}＝{高前屏压VaV1，高前屏流IaV1，高末屏压VaV2，高末屏流IaV2，入射功率Pfwd，高末屏耗APD，高末栅流Ig1V2，高末帘栅流Ig2V2，高末栅压Vg1V2，高末帘栅压Vg2V2，设备告警信息}，通过人工分析对每个样本特征集合进行标记，构建故障训练集D、验证集M、测试集Q；决策树模型的学习目标是根据选择的故障数据样本训练集构建一个故障诊断决策树模型，使它能够对实时发生的故障数据进行正确的故障诊断；故障特征的选择在于选取对训练数据具有分类能力的特征，根据专家对射频电路的参数理解选择上述12种特征，选择ID3算法作为决策树的学习算法，首先从训练集的特征中选择一个特征作为当前结点的分裂标准，当前结点的最优特征应根据信息增益来选择；
训练集D的样本容量为|D|，有K个故障分类Ck，|Ck|为属于Ck类故障的样本个数，
训练集D的故障特征有12种，某一特征A的取值为{a1,a2,......an}，那么根据特征A的取值将训练集D划分为n个子集D1，D2，D3……Dn，|Di|为Di个样本的个数，
子集Di属于类Ck的样本集合为Dik，|Dik|为Dik的样本个数，那么定义训练集D：
经验熵：
条件经验熵：
信息增益：g(D,A)＝H(D)-H(D/A)
对于训练集D，计算12个特征对训练集D的信息增益，选择信息增益最大的特征Ag；如果Ag的信息增益小于阈值ε，则该结点为单结点树；否则，对Ag的每一可能值{a1,a2,......an}将训练集D分割为若干个非空子集Dn，将Dn中实际数值最大的故障类标记构建子结点，由结点及子结点构成当前的决策树T；对第i个子结点，以Di为训练集，以A-{Ag}为特征集，递归上述步骤，最终得到决策树T。
9.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
对从发射机获取的数据进行预处理，得到测试数据；
基于所述测试数据以及预设故障推理机制，初步确定故障模块；
基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；
将所述故障概率大于阈值概率的元件诊断为故障元件；
其中，所述预设诊断模型通过以下方式训练得到：
获取发射机的历史故障数据；
从所述历史故障数据中提取多个样本特征集合；
基于所述多个样本特征集合以及样本特征集合对应的样本标签，对决策树模型进行递归训练；
在对决策树模型进行递归训练之后，还包括：
通过极小化决策树整体的损失函数，对递归训练得到的预设诊断模型进行剪枝修正；
所述预设诊断模型参照以下步骤训练得到：
从历史数据中提取包含12个特征的故障数据的样本特征集合：X＝{xi1,xi2,xi3,xi4,xi5,xi6,xi7,xi8,xi9,xi10,xi11,xi12}＝{高前屏压VaV1，高前屏流IaV1，高末屏压VaV2，高末屏流IaV2，入射功率Pfwd，高末屏耗APD，高末栅流Ig1V2，高末帘栅流Ig2V2，高末栅压Vg1V2，高末帘栅压Vg2V2，设备告警信息}，通过人工分析对每个样本特征集合进行标记，构建故障训练集D、验证集M、测试集Q；决策树模型的学习目标是根据选择的故障数据样本训练集构建一个故障诊断决策树模型，使它能够对实时发生的故障数据进行正确的故障诊断；故障特征的选择在于选取对训练数据具有分类能力的特征，根据专家对射频电路的参数理解选择上述12种特征，选择ID3算法作为决策树的学习算法，首先从训练集的特征中选择一个特征作为当前结点的分裂标准，当前结点的最优特征应根据信息增益来选择；
训练集D的样本容量为|D|，有K个故障分类Ck，|Ck|为属于Ck类故障的样本个数，
训练集D的故障特征有12种，某一特征A的取值为{a1,a2,......an}，那么根据特征A的取值将训练集D划分为n个子集D1，D2，D3……Dn，|Di|为Di个样本的个数，
子集Di属于类Ck的样本集合为Dik，|Dik|为Dik的样本个数，那么定义训练集D：
经验熵：
条件经验熵：
信息增益：g(D,A)＝H(D)-H(D/A)
对于训练集D，计算12个特征对训练集D的信息增益，选择信息增益最大的特征Ag；如果Ag的信息增益小于阈值ε，则该结点为单结点树；否则，对Ag的每一可能值{a1,a2,......an}将训练集D分割为若干个非空子集Dn，将Dn中实际数值最大的故障类标记构建子结点，由结点及子结点构成当前的决策树T；对第i个子结点，以Di为训练集，以A-{Ag}为特征集，递归上述步骤，最终得到决策树T。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910833828.8A CN110649980B (zh) | 2019-09-04 | 2019-09-04 | 一种故障诊断方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910833828.8A CN110649980B (zh) | 2019-09-04 | 2019-09-04 | 一种故障诊断方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110649980A CN110649980A (zh) | 2020-01-03 |
| CN110649980B true CN110649980B (zh) | 2021-09-28 |
Family
ID=68991556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910833828.8A Active CN110649980B (zh) | 2019-09-04 | 2019-09-04 | 一种故障诊断方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110649980B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329809A (zh) * | 2020-09-25 | 2021-02-05 | 国网辽宁省电力有限公司大连供电公司 | 基于决策树算法的高压断路器故障诊断方法 |
| CN112269219A (zh) * | 2020-10-30 | 2021-01-26 | 山东省科学院海洋仪器仪表研究所 | 一种翻斗式降雨量传感器的故障诊断系统及诊断方法 |
| CN112379200B (zh) * | 2020-11-10 | 2024-02-13 | 深圳市康必达控制技术有限公司 | 故障定位及解决方法 |
| CN112580712A (zh) * | 2020-12-15 | 2021-03-30 | 山东山大电力技术股份有限公司 | 一种继电保护装置故障处理辅助决策方法及系统 |
| CN114330006A (zh) * | 2021-12-31 | 2022-04-12 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 可抑制虚警的多故障诊断的方法、系统及计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002051156A (ja) * | 2000-07-12 | 2002-02-15 | Sadao Takaoka | 移動体通信装置による監視システム |
| CN107247450A (zh) * | 2017-05-05 | 2017-10-13 | 武汉理工大学 | 基于贝叶斯网络的断路器故障诊断方法 |
| CN108199795A (zh) * | 2017-12-29 | 2018-06-22 | 北京百分点信息科技有限公司 | 一种设备状态的监测方法和装置 |
| CN108631893A (zh) * | 2017-03-17 | 2018-10-09 | 成都信息工程大学 | 一种gmsk信道干扰检测方法 |
| US10197661B1 (en) * | 2018-02-01 | 2019-02-05 | Cisco Technology, Inc. | Infrastructure enabled smart dual-mode tags |
-
2019
- 2019-09-04 CN CN201910833828.8A patent/CN110649980B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002051156A (ja) * | 2000-07-12 | 2002-02-15 | Sadao Takaoka | 移動体通信装置による監視システム |
| CN108631893A (zh) * | 2017-03-17 | 2018-10-09 | 成都信息工程大学 | 一种gmsk信道干扰检测方法 |
| CN107247450A (zh) * | 2017-05-05 | 2017-10-13 | 武汉理工大学 | 基于贝叶斯网络的断路器故障诊断方法 |
| CN108199795A (zh) * | 2017-12-29 | 2018-06-22 | 北京百分点信息科技有限公司 | 一种设备状态的监测方法和装置 |
| US10197661B1 (en) * | 2018-02-01 | 2019-02-05 | Cisco Technology, Inc. | Infrastructure enabled smart dual-mode tags |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110649980A (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110649980B (zh) | 一种故障诊断方法、装置和电子设备 | |
| KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
| CN106714109B (zh) | 基于众包数据的WiFi指纹库更新方法 | |
| CN110647446B (zh) | 一种日志故障关联与预测方法、装置、设备及存储介质 | |
| US7647326B2 (en) | Method and system for evaluating media-playing sets | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| EP3657347A1 (en) | Machine learning based database anomaly prediction | |
| CN108322917B (zh) | 无线网络接入故障定位方法、设备、系统及存储介质 | |
| CN117092525B (zh) | 电池热失控预警模型的训练方法、装置及电子设备 | |
| CN111819550B (zh) | 一种数据处理方法及网络设备 | |
| CN108463813B (zh) | 一种进行数据处理的方法和装置 | |
| CN110969483B (zh) | 一种识别商户位置的方法、装置及电子设备 | |
| CN116861480A (zh) | 一种敏感数据识别方法、装置、设备及存储介质 | |
| CN115793990A (zh) | 存储器健康状态确定方法、装置、电子设备及存储介质 | |
| US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
| CN113672496B (zh) | 一种基于余弦相似度的测试方法及系统 | |
| CN116318386A (zh) | 光模块的失效预测方法及其系统、存储介质 | |
| CN112800089B (zh) | 一种中间数据存储级别调整方法、存储介质及计算机设备 | |
| EP3836599B1 (en) | Method for detecting permanent failures in mobile telecommunication networks | |
| CN114463345A (zh) | 基于动态自适应网络的多参数乳腺磁共振图像分割方法 | |
| CN113132125A (zh) | 故障原因定位方法、装置、电子设备及存储介质 | |
| CN114257490B (zh) | 无线网络性能告警分析方法及装置 | |
| CN114676855B (zh) | 工单归档处理方法、装置及电子设备 | |
| CN112131083B (zh) | 一种告警事务处理方法及装置 | |
| WO2024140084A1 (zh) | 设备自维护的方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: No.27, 1st floor, building 14, Haidian Road, zhongjiancai District, Beijing 100096 Applicant after: Beijing PERCENT Technology Group Co.,Ltd. Address before: 100096 101 / F, building 14, 27 Jiancai Middle Road, Haidian District, Beijing Applicant before: BEIJING BAIFENDIAN INFORMATION SCIENCE & TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |