CN111382029B - 基于pca和多维监测数据的主板异常诊断方法及装置 - Google Patents
基于pca和多维监测数据的主板异常诊断方法及装置 Download PDFInfo
- Publication number
- CN111382029B CN111382029B CN202010148302.9A CN202010148302A CN111382029B CN 111382029 B CN111382029 B CN 111382029B CN 202010148302 A CN202010148302 A CN 202010148302A CN 111382029 B CN111382029 B CN 111382029B
- Authority
- CN
- China
- Prior art keywords
- data
- mainboard
- monitoring
- low
- statistic
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3031—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a motherboard or an expansion card
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于主成分分析(PCA)和多维监测数据的主板异常诊断方法及装置。其中,诊断方法包括以下步骤:建立监测模型,并根据主板可靠性测试机理和变量相关性分析确定监测模型的输入变量;利用输入变量对监测模型进行训练,以获得训练样本的统计量,并处理训练样本的统计量,确定监测控制界限;读取并处理待监测主板的测试数据,得到测试数据的统计量;判断测试数据的统计量是否超过监测控制界限,若超过,则判定待监测主板异常,若未超过,则判定待监测主板正常。该方法能够及时有效地识别出异常主板,降低主板次品率。
Description
技术领域
本发明涉及主板可靠性测试异常诊断技术领域,特别涉及一种基于主成分分析(PCA) 的主板的可靠性测试过程监控及异常诊断方法及装置。
背景技术
主板又称主机板、系统板、逻辑板、母板、底板等,是构成复杂电子系统,例如互联网高通量路由器的中心。随着互联网高通量路由器的迅速发展和普及,主板的结构和性能也变得越来越复杂,显然,在出售之前,主板的可靠性测试越来越有必要用来确保产品满足企业标准或行业标准,并达到相应的性能。主板的可靠性测试是一个复杂的过程,其实质是把主板放在一些超常规的运行环境中,比如说极限的高温和低温,高低温冲击循环等环境,加速反应主板在使用环境中的状况,来验证其是否达到在研发、设计、制造中预期的质量目标,从而对主板整体进行评估,以确定其可靠性寿命。在测试过程中,主板的潜在缺陷无法被完全直接地检测到,测试者只能通过对主板各个部位的温度,电压以及电流信息这些间接变量的实时监测,实现对主板状态的实时监测和异常诊断。这一过程是一个多变量,强耦合的复杂过程。根据多个变量的监测数据,同时兼顾变量与变量之间的相关关系,以及同一变量在不同时间点上的相关关系,准确地诊断出异常主板目前在技术上存在较大困难。
发明内容
为此,本发明的一个目的在于提出一种基于PCA和多维监测数据的主板异常诊断方法,该方法能够及时、有效、低成本地识别出异常的主板,降低主板次品率。
本发明的另一个目的在于提出一种基于PCA和多维监测数据的主板异常诊断装置。
为达到上述目的,本发明一方面的实施例提出了基于PCA和多维监测数据的主板异常诊断方法,包括以下步骤:建立监测模型,并根据主板可靠性测试机理和变量相关性分析确定所述监测模型的输入变量;利用所述输入变量对所述监测模型进行训练,以获得训练样本的统计量,并处理所述训练样本的统计量,确定监测控制界限;读取并处理待监测主板的测试数据,得到测试数据的统计量;判断所述测试数据的统计量是否超过所述监测控制界限,若超过,则判定所述待监测主板异常,若未超过,则判定所述待监测主板正常。
本发明实施例的基于PCA和多维监测数据的主板异常诊断方法,通过建立一个综合考虑整个可靠性测试过程的监测模型,并给出每个主板的综合健康度作为监测指标,从而能够及时有效的监测主板的健康状况,并且诊断出潜在故障,对于保证主板可靠性和降低主板次品率有较为明显的作用。
另外,根据本发明上述实施例的基于PCA和多维监测数据的主板异常诊断方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述输入变量包括温度,电压和电流三个过程变量。
进一步地,在本发明的一个实施例中,所述利用所述输入变量对所述监测模型进行训练,以获得训练样本的统计量,进一步包括:对所述输入变量进行初始化,组成数据矩阵;对所述数据矩阵进行中心标准化处理,得到标准化数据矩阵;利用PCA法对所述标准化数据矩阵进行特征压缩,以将数据映射至低维空间,获得低维数据矩阵;根据所述低维数据矩阵求得所述测试数据的统计量。
进一步地,在本发明的一个实施例中,所述利用PCA法对所述标准化数据矩阵进行特征压缩,进一步包括:计算所述标准化数据矩阵的样本协方差矩阵;对所述样本协方差矩阵进行特征分解,得到特征向量和特征值;选取预设数量的特征向量和特征值,将数据映射至低维空间中,得到所述低维数据矩阵。
进一步地,在本发明的一个实施例中,当所述待监测主板正常时,还将当前测试数据增添至所述输入变量中,以更新所述监测模型的参数。
为达到上述目的,本发明另一方面的实施例提出了基于PCA和多维监测数据的主板异常诊断装置,包括:建模模块,用于建立监测模型,并根据主板可靠性测试机理和变量相关性分析确定所述监测模型的输入变量;训练模块,用于利用所述输入变量对所述监测模型进行训练,以获得训练样本的统计量,并处理所述训练样本的统计量,确定监测控制界限;测试模块,用于读取并处理待监测主板的测试数据,得到测试数据的统计量;判断模块,用于判断所述测试数据的统计量是否超过所述监测控制界限,若超过,则判定所述待监测主板异常,若未超过,则判定所述待监测主板正常。
另外,根据本发明上述实施例的基于PCA和多维监测数据的主板异常诊断装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述输入变量包括温度,电压和电流三个过程变量。
进一步地,在本发明的一个实施例中,所述训练模块进一步包括:初始化单元,用于对所述输入变量进行初始化,组成数据矩阵;标准化单元,用于对所述数据矩阵进行中心标准化处理,得到标准化数据矩阵;低维映射单元,用于利用PCA法对所述标准化数据矩阵进行特征压缩,以将数据映射至低维空间,获得低维数据矩阵;数据处理单元,用于根据所述低维数据矩阵求得所述测试数据的统计量;确定单元,用于处理所述训练样本的统计量,确定监测控制界限。
进一步地,在本发明的一个实施例中,所述低维映射单元具体用于:计算所述标准化数据矩阵的样本协方差矩阵;对所述样本协方差矩阵进行特征分解,得到特征向量和特征值;选取预设数量的特征向量和特征值,将数据映射至低维空间中,得到所述低维数据矩阵。
进一步地,在本发明的一个实施例中,还包括:更新模块,用于当所述待监测主板正常时,将当前测试数据增添至所述输入变量中,以更新所述监测模型的参数。
本发明附加的方面和优点将在下面的描述中部分给出,或通过本发明的实践了解。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于PCA和多维监测数据的主板异常诊断方法流程图;
图2为根据本发明一个实施例的一块主板上各传感器之间的相关性图;
图3为根据本发明一个实施例的50块正常主板可靠性测试期间各个传感器数据的变化,其中,前两行为温度的变化,中间两行为电压的变化,最后两行为电流的变化;
图4为根据本发明一个实施例的T2统计量的密度估计函数图像;
图5为根据本发明一个实施例的训练样本的T2统计量的值,其中虚线为监测控制上限 UCL;
图6为根据本发明一个实施例的测试样本的T2统计量的值,监测出的异常的主板由黑色的圆圈标注;
图7为根据本发明一个实施例的监测出的异常主板异常的数据图像;
图8为根据本发明一个实施例的基于PCA和多维监测数据的主板异常诊断装置结构示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于PCA和多维监测数据的主板异常诊断方法及装置,首先将参照附图描述根据本发明实施例提出的基于PCA和多维监测数据的主板异常诊断方法。
图1是本发明一个实施例的基于PCA和多维监测数据的主板异常诊断方法流程图。
如图1所示,该基于PCA和多维监测数据的主板异常诊断方法包括以下步骤:
在步骤S1中,建立监测模型,并根据主板可靠性测试机理和变量相关性分析确定监测模型的输入变量。
其中,输入变量包括温度,电压和电流三个过程变量。
换而言之,步骤S1为主板可靠性测试过程监测模型输入变量的选择和确定。具体而言,根据主板可靠性测试机理以及变量相关性分析,选择温度、电压、电流三个过程变量为监测模型的输入变量。每个单板上在不同的位置布有p1个温度传感器,p2个电压传感器,p3个电流传感器。在整个测试过程中,每个温度传感器测得m1个数据,每个电压传感器测得m2个数据,每个电流传感器测得m3个数据。通过前期的变量相关性检验可得到以下结论:同一变量对应的传感器之间相关性较强;而不同变量对应的传感器之间相关性较弱。因此可以对各个变量分别监测,最后根据各个变量的异常辨识指标综合评价主板的健康度。
在步骤S2中,利用输入变量对监测模型进行训练,以获得训练样本的统计量,并处理训练样本的统计量,确定监测控制界限。
进一步地,在本发明的一个实施例中,利用输入变量对监测模型进行训练,以获得训练样本的统计量,进一步包括:
对输入变量进行初始化,组成数据矩阵;
对数据矩阵进行中心标准化处理,得到标准化数据矩阵;
利用PCA法对标准化数据矩阵进行特征压缩,以将数据映射至低维空间,获得低维数据矩阵;
根据低维数据矩阵求得测试数据的统计量。
进一步地,在本发明的一个实施例中,利用PCA法对标准化数据矩阵进行特征压缩,以将数据映射至低维空间,获得低维数据矩阵,进一步包括:
计算标准化数据矩阵的样本协方差矩阵;
对样本协方差矩阵进行特征分解,得到特征向量和特征值;
选取预设数量的特征向量和特征值,将数据映射至低维空间中,得到低维数据矩阵。
也就是说,如图1所示,步骤S2是对监测模型的训练过程,可具体理解为:
步骤S2-1,对输入变量进行初始化;
取n块正常主板的数据作为训练模型的输入数据,组成数据矩阵X=(xij)n×p,其中xij代表第i块主板的第j个数据,i=1,2,…,n,j=1,2,…,p。
步骤S2-2,对数据矩阵进行初始化;
对步骤S1的每个变量分别进行中心标准化处理,得到标准化数据矩阵Y=(yij)n×p,即
步骤S2-3,利用PCA法进行特征压缩,把数据映射至低维空间;
步骤S2-3-1,计算Y=(yij)n×p的样本协方差矩阵C;
步骤S2-3-2,对样本协方差矩阵C进行特征分解,即C=E′ΛE,其中E=(e1,e2,…,epp×p为特征向量组成的矩阵,Λ=diagλ1,λ2,…,λp为特征值组成的对角矩阵。则Y·E为主板的主成分组成的数据矩阵。设前d个主成分能够表达数据变异百分比(percentage)的信息量,则选取前d个特征向量和特征值,把数据映射到d维正交空间上
步骤S2-4,利用Z求各个主板的异常辨识指标;
步骤S2-5,确定T2统计量的监测控制界限;
在步骤S3中,读取并处理待监测主板的测试数据,得到测试数据的统计量。
也就是说,步骤S3为监测实现过程,读取待监测的主板测试数据x(0)= (x01,x02,…,x0p)′,并且将测试数据进行中心标准化处理,计算处理后的测试数据的T2统计量。
在步骤S4中,判断测试数据的统计量是否超过监测控制界限,若超过,则判定待监测主板异常,若未超过,则判定待监测主板正常。
进一步地,在本发明的一个实施例中,当待监测主板正常时,还将当前测试数据增添至输入变量中,以更新监测模型的参数。
可以理解为,当测试数据的T2统计量超过监测控制上限时,判定主板异常;当测试数据T2统计量没有超过监测控制上限时,判定主板正常,并且把该数据放在训练模型中更新训练模型的参数,对训练模型进行评价改进。
下面以近一个月内生产的801块同一型号的主板为对象建立数学模型,对本发明实施例的基于PCA和多维监测数据的主板异常诊断方法做进一步说明。
每一个主板在不同位置上布有6个温度传感器,6个电压传感器,6个电流传感器,在可靠性测试期间分别对温度、电压、电流的特征量进行监控。如图2所示,同一变量对应的传感器之间相关性较强;而不同变量对应的传感器之间相关性较弱,满足了本应用的要求。图3显示了其中50块正常主板在测试期间这些特征量的变化趋势。特征变量随时间的变化趋势较为简单,因此可以利用PCA把数据有效地转化到低维空间。
利用801块主板的数据训练模型,把数据映射到三维空间可以保留95%以上的信息量。然后计算各个训练样本的T2统计量,并且令α=0.05根据其分布得到监测控制上限UCL=12.6235。图4和图5分别为根据训练样本得到的T2统计量的密度估计和T2统计量图像。
将上述训练的模型应用于主板可靠性测试异常诊断中,如图6所示,对256块主板进行诊断,各个测试主板的T2统计量。该监测模型可以准确地监测出,其中3块异常的主板。如图7所示,三块异常主板的异常数据。
综上所述,本发明实施例提出的基于PCA和多维监测数据的主板异常诊断方法,针对主板可靠性测试应用场景,采用基于PCA的过程监测方法对主板可靠性测试过程进行监测,把主板数据映射到了低维的空间,滤掉噪声的干扰同时充分发掘数据内部复杂的结构,最终设计出一种新的异常辨识的综合指标,同时提供了一种异常控制限的确定方法,从而能够及时有效地识别出异常的主板,为主板的可靠度保证提供了技术支持。与现有技术相比,本发明实施例结构简单,复杂度低,运算速度快,且监测快速有效,准确度高,具有较好的实用性和经典性,因此,本发明实施例是一种低成本,高效实用的主板质量监测方法。
其次参照附图描述根据本发明实施例提出的基于PCA和多维监测数据的主板异常诊断装置。
图8是本发明一个实施例的基于PCA和多维监测数据的主板异常诊断装置结构示意图。
如图8所示,该装置10包括:建模模块100、训练模块200、测试模块300、判断模块400和更新模块500。
其中,建模模块100,用于建立监测模型,并根据主板可靠性测试机理和变量相关性分析确定监测模型的输入变量,输入变量包括温度,电压和电流三个过程变量。
训练模块200,用于利用输入变量对监测模型进行训练,以获得训练样本的统计量,并处理训练样本的统计量,确定监测控制界限。
进一步地,在本发明的一个实施例中,训练模块200进一步包括:
初始化单元201,用于对输入变量进行初始化,组成数据矩阵;
标准化单元202,用于对数据矩阵进行中心标准化处理,得到标准化数据矩阵;
低维映射单元203,用于利用PCA法对标准化数据矩阵进行特征压缩,以将数据映射至低维空间,获得低维数据矩阵,其中,低维映射单元203具体为:计算标准化数据矩阵的样本协方差矩阵;对样本协方差矩阵进行特征分解,得到特征向量和特征值;选取预设数量的特征向量和特征值,将数据映射至低维空间中,得到低维数据矩阵。
数据处理单元204,用于根据低维数据矩阵求得测试数据的统计量;
确定单元205,用于处理训练样本的统计量,确定监测控制界限。
测试模块300,用于读取并处理待监测主板的测试数据,得到测试数据的统计量。
判断模块400,用于判断测试数据的统计量是否超过监测控制界限,若超过,则判定待监测主板异常,若未超过,则待监测主板正常。
更新模块500,用于当待监测主板正常时,将当前测试数据增添至输入变量中,以更新监测模型的参数。
根据本发明实施例提出的基于PCA和多维监测数据的主板异常诊断装置,通过建立一个综合考虑整个可靠性测试过程的监测模型,并给出每个主板的综合健康度作为监测指标,从而能够及时有效的监测主板的健康状况,并且诊断出潜在故障,在降低主板次品率方面已有显著效果。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于PCA和多维监测数据的主板异常诊断方法,其特征在于,包括以下步骤:
建立监测模型,并根据主板可靠性测试机理和变量相关性分析确定所述监测模型的输入变量;
利用所述输入变量对所述监测模型进行训练,以获得训练样本的统计量,并处理所述训练样本的统计量,确定监测控制界限;
读取并处理待监测主板的测试数据,得到测试数据的统计量;
判断所述测试数据的统计量是否超过所述监测控制界限,若超过,则判定所述待监测主板异常,若未超过,则判定所述待监测主板正常;
其中,所述利用所述输入变量对所述监测模型进行训练,以获得训练样本的统计量,进一步包括:
对所述输入变量进行初始化,组成数据矩阵;
对所述数据矩阵进行中心标准化处理,得到标准化数据矩阵;
利用PCA法对所述标准化数据矩阵进行特征压缩,以将数据映射至低维空间,获得低维数据矩阵;
根据所述低维数据矩阵求得所述测试数据的统计量。
2.根据权利要求1所述的基于PCA和多维监测数据的主板异常诊断方法,其特征在于,所述输入变量包括温度,电压和电流三个过程变量。
3.根据权利要求1所述的基于PCA和多维监测数据的主板异常诊断方法,其特征在于,所述利用PCA法对所述标准化数据矩阵进行特征压缩,以将数据映射至低维空间,获得低维数据矩阵,进一步包括:
计算所述标准化数据矩阵的样本协方差矩阵;
对所述样本协方差矩阵进行特征分解,得到特征向量和特征值;
选取预设数量的特征向量和特征值,将数据映射至低维空间中,得到所述低维数据矩阵。
4.根据权利要求1所述的基于PCA和多维监测数据的主板异常诊断方法,其特征在于,当所述待监测主板正常时,还将当前测试数据增添至所述输入变量中,以更新所述监测模型的参数。
5.一种基于PCA和多维监测数据的主板异常诊断装置,其特征在于,包括:
建模模块,用于建立监测模型,并根据主板可靠性测试机理和变量相关性分析确定所述监测模型的输入变量;
训练模块,用于利用所述输入变量对所述监测模型进行训练,以获得训练样本的统计量,并处理所述训练样本的统计量,确定监测控制界限;
测试模块,用于读取并处理待监测主板的测试数据,得到测试数据的统计量;
判断模块,用于判断所述测试数据的统计量是否超过所述监测控制界限,若超过,则判定所述待监测主板异常,若未超过,则所述待监测主板正常;
其中,所述训练模块进一步包括:
初始化单元,用于对所述输入变量进行初始化,组成数据矩阵;
标准化单元,用于对所述数据矩阵进行中心标准化处理,得到标准化数据矩阵;
低维映射单元,用于利用PCA法对所述标准化数据矩阵进行特征压缩,以将数据映射至低维空间,获得低维数据矩阵;
数据处理单元,用于根据所述低维数据矩阵求得所述测试数据的统计量;
确定单元,用于处理所述训练样本的统计量,确定监测控制界限。
6.根据权利要求5所述的基于PCA和多维监测数据的主板异常诊断装置,其特征在于,所述输入变量包括温度,电压和电流三个过程变量。
7.根据权利要求5所述的基于PCA和多维监测数据的主板异常诊断装置,其特征在于,所述低维映射单元具体用于:
计算所述标准化数据矩阵的样本协方差矩阵;
对所述样本协方差矩阵进行特征分解,得到特征向量和特征值;
选取预设数量的特征向量和特征值,将数据映射至低维空间中,得到所述低维数据矩阵。
8.根据权利要求5所述的基于PCA和多维监测数据的主板异常诊断装置,其特征在于,还包括:
更新模块,用于当所述待监测主板正常时,将当前测试数据增添至所述输入变量中,以更新所述监测模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148302.9A CN111382029B (zh) | 2020-03-05 | 2020-03-05 | 基于pca和多维监测数据的主板异常诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148302.9A CN111382029B (zh) | 2020-03-05 | 2020-03-05 | 基于pca和多维监测数据的主板异常诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382029A CN111382029A (zh) | 2020-07-07 |
CN111382029B true CN111382029B (zh) | 2021-09-03 |
Family
ID=71217060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148302.9A Active CN111382029B (zh) | 2020-03-05 | 2020-03-05 | 基于pca和多维监测数据的主板异常诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382029B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112988545B (zh) * | 2021-04-20 | 2021-08-17 | 湖南博匠信息科技有限公司 | 一种基于深度学习的vpx设备健康控制方法及系统 |
CN113496261A (zh) * | 2021-07-06 | 2021-10-12 | 中国科学院微小卫星创新研究院 | 一种卫星遥测数据的在轨异常监测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732276A (zh) * | 2015-03-18 | 2015-06-24 | 国家电网公司 | 一种计量生产设施故障在线诊断方法 |
CN105260279A (zh) * | 2015-11-04 | 2016-01-20 | 四川效率源信息安全技术股份有限公司 | 基于smart数据动态诊断硬盘故障的方法和装置 |
US9244794B2 (en) * | 2012-06-22 | 2016-01-26 | Advanced Micro Devices, Inc. | Modular computing architecture enabling diagnostics |
CN106201828A (zh) * | 2016-07-18 | 2016-12-07 | 云南电网有限责任公司信息中心 | 一种基于数据挖掘的虚拟机故障检测方法和系统 |
CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN108710555A (zh) * | 2018-05-23 | 2018-10-26 | 郑州云海信息技术有限公司 | 一种基于监督学习的服务器错误诊断方法 |
CN108959004A (zh) * | 2018-06-28 | 2018-12-07 | 郑州云海信息技术有限公司 | 磁盘故障预测方法、装置、设备及计算机可读存储介质 |
CN109675935A (zh) * | 2019-03-06 | 2019-04-26 | 北京科技大学 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
CN110598802A (zh) * | 2019-09-26 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
CN110674009A (zh) * | 2019-09-10 | 2020-01-10 | 平安普惠企业管理有限公司 | 应用服务器性能监测方法、装置、存储介质及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106371428B (zh) * | 2016-11-11 | 2017-12-19 | 重庆科技学院 | 尾气超标下的垃圾焚烧发电异常检测与早期诊断方法 |
CN110852337A (zh) * | 2018-08-21 | 2020-02-28 | 天津京东深拓机器人科技有限公司 | 异常设备识别方法和装置 |
CN109459993B (zh) * | 2018-12-06 | 2021-06-25 | 湖南师范大学 | 一种流程工业过程在线自适应故障监测与诊断方法 |
CN109407652B (zh) * | 2018-12-10 | 2020-03-06 | 中国石油大学(华东) | 基于主辅pca模型的多变量工业过程故障检测方法 |
-
2020
- 2020-03-05 CN CN202010148302.9A patent/CN111382029B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9244794B2 (en) * | 2012-06-22 | 2016-01-26 | Advanced Micro Devices, Inc. | Modular computing architecture enabling diagnostics |
CN104732276A (zh) * | 2015-03-18 | 2015-06-24 | 国家电网公司 | 一种计量生产设施故障在线诊断方法 |
CN105260279A (zh) * | 2015-11-04 | 2016-01-20 | 四川效率源信息安全技术股份有限公司 | 基于smart数据动态诊断硬盘故障的方法和装置 |
CN106201828A (zh) * | 2016-07-18 | 2016-12-07 | 云南电网有限责任公司信息中心 | 一种基于数据挖掘的虚拟机故障检测方法和系统 |
CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN108710555A (zh) * | 2018-05-23 | 2018-10-26 | 郑州云海信息技术有限公司 | 一种基于监督学习的服务器错误诊断方法 |
CN108959004A (zh) * | 2018-06-28 | 2018-12-07 | 郑州云海信息技术有限公司 | 磁盘故障预测方法、装置、设备及计算机可读存储介质 |
CN109675935A (zh) * | 2019-03-06 | 2019-04-26 | 北京科技大学 | 一种变控制限的ipca轧制过程在线故障诊断方法 |
CN110674009A (zh) * | 2019-09-10 | 2020-01-10 | 平安普惠企业管理有限公司 | 应用服务器性能监测方法、装置、存储介质及电子设备 |
CN110598802A (zh) * | 2019-09-26 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
Non-Patent Citations (1)
Title |
---|
《服务器故障在线诊断、监控分析及失效预报系统的研究》;陈浩;《科技创新与应用》;20150722(第23期);93页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111382029A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2342603B1 (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
CN108490923B (zh) | 用于电气牵引系统的微小故障检测与定位的系统设计方法 | |
US20110307220A1 (en) | Identifying failures in an aeroengine | |
CN101999101B (zh) | 系统运行预测的确定方法 | |
CN111382029B (zh) | 基于pca和多维监测数据的主板异常诊断方法及装置 | |
JP2015170121A (ja) | 異常診断装置及びプログラム | |
He et al. | Multivariate measurement system analysis in multisite testing: An online technique using principal component analysis | |
CN115962797B (zh) | 一种基于温度应力下的传感器可靠性测试方法及系统 | |
US6738450B1 (en) | System and method for cost-effective classification of an object under inspection | |
CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
CN116975567B (zh) | 服务器辐射抗干扰度测试方法、系统、设备及存储介质 | |
CN111351697A (zh) | 一种键合金丝可靠性评价方法 | |
US6678627B1 (en) | Computer program and method for determination of electronic circuit card product life capability under exposure to vibration | |
DE602004011481T2 (de) | Kombinierung von mehreren unabhängigen Informationsquellen für die Klassifizierung von Prüflingen | |
CN110221590B (zh) | 一种基于判别分析的工业过程多故障诊断方法 | |
CN114355094A (zh) | 基于多源信息的产品可靠性薄弱环节综合评估方法和装置 | |
CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
CN114511025A (zh) | 基于加权多传感器融合滤波的风机故障诊断方法、装置 | |
CN112529059B (zh) | 机组电磁振动诊断方法、系统、计算机设备和存储介质 | |
US20140156233A1 (en) | Method and apparatus for electronic circuit simulation | |
EP3839680A1 (en) | Method and device for controlling a machine using principal component analysis | |
CN113642209B (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN112163391B (zh) | 一种在湿度影响下估计薄膜电容器寿命的方法及系统 | |
Ye et al. | Self-learning and adaptive board-level functional fault diagnosis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |