CN111507483A - 返修板检测装置、方法及计算机可读存储介质 - Google Patents

返修板检测装置、方法及计算机可读存储介质 Download PDF

Info

Publication number
CN111507483A
CN111507483A CN201910094308.XA CN201910094308A CN111507483A CN 111507483 A CN111507483 A CN 111507483A CN 201910094308 A CN201910094308 A CN 201910094308A CN 111507483 A CN111507483 A CN 111507483A
Authority
CN
China
Prior art keywords
repair
information
rework
board
training
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.)
Pending
Application number
CN201910094308.XA
Other languages
English (en)
Inventor
廖明癸
穆少平
王洪波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fulian Technology Service Tianjin Co ltd
Original Assignee
Hongfujin Precision Electronics Tianjin Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hongfujin Precision Electronics Tianjin Co Ltd filed Critical Hongfujin Precision Electronics Tianjin Co Ltd
Priority to CN201910094308.XA priority Critical patent/CN111507483A/zh
Priority to US16/389,465 priority patent/US11113165B2/en
Priority to EP19174717.9A priority patent/EP3690658B1/en
Priority to TW108117936A priority patent/TWI727323B/zh
Priority to JP2019136896A priority patent/JP6920378B2/ja
Publication of CN111507483A publication Critical patent/CN111507483A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • 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
    • G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06F11/2273—Test methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Tests Of Electronic Circuits (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种返修板检测方法，包括：获取多个返修板的返修信息；从所述返修信息中提取预设特征信息；对提取得到的预设特征信息进行解析处理，以得到训练特征；基于所述训练特征建立并训练得到返修板检测模型；及接收并将待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板的检测结果。本发明还提供一种返修板检测装置及计算机可读存储介质。上述返修板检测装置、方法及计算机可读存储介质，通过利用机学习算法来确定返修板是否需要维修，可减少不必要的损失。

Description

返修板检测装置、方法及计算机可读存储介质
技术领域
本发明涉及工业互联网技术领域，尤其涉及一种返修板检测装置、方法及计算机可读存储介质。
背景技术
随着电子通信技术的发展，通信设备的出货量居高不下。当客户发现通信设备发生故障时，一般会退回给该设备厂商进行维修。以服务器主板为例，客户退回的返修主板需进行进一步维修的故障主板占据约50％～60％，而其他返修主板并不需要维修。现有的做法是对所有退回的返修主板进行测试，以找出其中需要维修的故障主板。维修后再将返修主板返回给客户，由于存在很多不需要进行维修的返修主板，将会造成了人力工时、测试成本、运费等损失。
发明内容
有鉴于此，有必要提供一种返修板检测装置、方法及计算机可读存储介质，其能实现确定返修板是否需要维修，可减少不必要的损失。
本发明一实施方式提供一种返修板检测方法，所述方法包括：
获取多个返修板的返修信息；
从所述返修信息中提取预设特征信息；
对提取得到的预设特征信息进行解析处理，以得到训练特征；
基于所述训练特征建立并训练得到返修板检测模型；及
接收并将待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板的检测结果。
优选地，所述获取多个返修板的返修信息的步骤包括：
从每一所述返修板的基板管理控制器中获取所述返修信息。
优选地，所述预设特征信息包括以下一种或多种：系统信息目录代码、系统信息目录、信息分类、状态信息产生时间、状态信息、状态信息代码、硬件位置信息、硬件名称、硬件地址数据。
优选地，所述对提取得到的预设特征信息进行解析处理，以得到训练特征的步骤包括：
获取所述预设特征信息对应的特征值清单；
对所述特征值清单中的每一特征值进行编码，并基于预设真值转换规则将所述预设特征信息包含的特征值转换为真值，以建立得到特征真值表；及
将所述特征真值表及所述预设特征信息对应的返修板的检测结果作为所述训练特征。
优选地，所述基于所述训练特征建立并训练得到返修板检测模型的步骤包括：
建立机器学习模型，并利用所述训练特征对所述机器学习模型进行训练得到所述返修板检测模型；
其中，在所述返修板检测模型中，每一所述特征值可以训练得到一权重值，以使得所述返修板检测模型基于每一所述特征值的权重值得到所述待测返修板的检测结果。
优选地，所述预设真值转换规则包括：若所述特征值清单中的一特征值在所述预设特征信息中出现过，则将该特征值转换为真值“1”，若所述特征值清单中的一特征值在所述预设特征信息中未出现过，则将该特征值转换为真值“0”。
优选地，所述基于所述训练特征建立并训练得到返修板检测模型的步骤包括：
将所述训练特征划分为训练集及验证集；
建立机器学习模型，并利用所述训练集对所述机器学习模型进行训练，其中所述机器学习模型包括输入层、多个隐藏层及输出层；
利用所述验证集对训练后的机器学习模型进行验证，并根据每一验证结果得到一模型预测准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，则将训练完成的所述机器学习模型作为所述返修板检测模型。
优选地，所述判断所述模型预测准确率是否小于预设阈值的步骤之后还包括：
若所述模型预测准确率小于所述预设阈值，则调整所述机器学习模型的参数，并利用所述训练集重新对调整后的机器学习模型进行训练；
利用所述验证集对重新训练的机器学习模型进行验证，并根据每一验证结果重新统计得到一模型预测准确率，并判断重新统计得到的模型预测准确率是否小于预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，则将所述重新训练得到的机器学习模型作为所述返修板检测模型；及
若所述重新统计得到的模型预测准确率仍小于所述预设阈值，则重复上述步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值。
优选地，所述接收并将待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板的检测结果的步骤包括：
接收待测返修板的返修信息；
将所述待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板是正常返修板的概率值，或者得到所述待测返修板是异常返修板的概率值；
判断所述概率值是否大于等于预设概率；及
根据判断结果得到所述待测返修板的检测结果。
本发明一实施方式提供一种返修板检测装置，所述返修板检测装置包括处理器及存储器，所述存储器上存储有若干计算机程序，所述处理器用于执行存储器中存储的计算机程序时实现上述所述的返修板检测方法的步骤
本发明一实施方式还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，多条所述指令可被一个或者多个处理器执行，以实现上述所述的返修板检测方法的步骤。
与现有技术相比，上述返修板检测装置、方法及计算机可读存储介质，基于机器学习算法与从多个返修板样本中提取得到的训练特征来建立并训练得到返修板检测模型，并利用该返修板检测实现识别出目标返修板是否需要维修，可减少不必要的损失，可有效地避免返修板退回浪费运费、时间、人力成本等。
附图说明
图1是本发明一实施方式的返修板检测装置的运用架构示意图。
图2是本发明一实施方式的返修板检测系统的功能模块图。
图3是本发明一实施方式的返修板检测方法的流程图。
主要元件符号说明
Figure BDA0001964126310000041
Figure BDA0001964126310000051
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
进一步需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
请参阅图1，为本发明返修板检测装置较佳实施例的示意图。
所述返修板检测装置100包括存储器10、处理器20以及存储在所述存储器10中并可在所述处理器20上运行的计算机程序30，例如返修板检测程序。所述处理器20执行所述计算机程序30时实现返修板检测方法实施例中的步骤，例如图3所示的步骤S300～S308。或者，所述处理器20执行所述计算机程序30时实现返修板检测系统实施例中各模块的功能，例如图2中的模块101～105。
所述计算机程序30可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器10中，并由所述处理器20执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序30在所述返修板检测装置100中的执行过程。例如，所述计算机程序30可以被分割成图2中的获取模块101、提取模块102、解析模块103、训练模块104及检测模块105。各模块具体功能参见返修板检测系统实施例中各模块的功能。
所述返修板检测装置100可以是桌上型计算机、掌上电脑、服务器等计算设备。本领域技术人员可以理解，所述示意图仅是返修板检测装置100的示例，并不构成对返修板检测装置100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述返修板检测装置100还可以包括输入输出设备、网络接入设备、总线等。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者所述处理器20也可以是任何常规的处理器等，所述处理器20可以利用各种接口和线路连接整个返修板检测装置100的各个部分。
所述存储器10可用于存储所述计算机程序30和/或模块/单元，所述处理器20通过运行或执行存储在所述存储器10内的计算机程序和/或模块/单元，以及调用存储在存储器10内的数据，实现所述返修板检测装置100的各种功能。所述存储器10可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
图2为本发明返修板检测系统较佳实施例的功能模块图。
参阅图2所示，所述返修板检测系统40可以包括获取模块101、提取模块102、解析模块103、训练模块104及检测模块105。在一实施方式中，上述模块可以为存储于所述存储器10中且可被所述处理器20调用执行的可程序化软件指令。可以理解的是，在其他实施方式中，上述模块也可为固化于所述处理器20中的程序指令或固件(firmware)。
所述获取模块101用于获取多个返修板的返修信息。
在一实施方式中，所述返修板可以是指被客户退回的服务器主板、电脑主板等。可以预先建立一样本数据库，所述样本数据库存储有多个返修板的返修信息，且每一返修板已经确定是正常返修板还是异常返修板，所述正常返修板可以是指不需要进行维修的返修板，所述异常返修板可以是指需要进行维修的返修板。
在一实施方式中，所述获取模块101可以通过与所述样本数据库进行通信，来获取多个返修板的返修信息。多个返修板的具体数量可以根据后续的模型训练需求来确定，在此不做限定。
可以理解的，所述获取模块101获取的多个返修板的返修信息包括多个正常返修板的返修信息及多个异常返修板的返修信息，进而可以提高模型训练的准确性。
在一实施方式中，返修板的返修信息优选存储在该返修板的基板管理控制器(BMC)中。
所述提取模块102用于从所述返修信息中提取预设特征信息。
在一实施方式中，由于返修板的返修信息包含有返修板的各种数据，该些数据可以是指基板管理控制器中所存储的所有数据。但进行模型训练时，并不需要用到所有数据，所述提取模块102可以从所述返修信息中提取预设特征信息。
在一实施方式中，所述预设特征信息包括以下一种或多种：系统信息目录代码(Agent ID)、系统信息目录(Category)、信息分类(Severity)、状态信息产生时间(Timestamp)、状态信息(Message)、状态信息代码(Message ID)、硬件位置信息(FQDD)、硬件名称(Arg)、硬件地址数据(Raw Event Date)。
可以理解的，每一返修板均可提取得到一预设特征信息，不同的返修板的预设特征信息的具体内容可能不相同。
所述解析模块103用于对提取得到的预设特征信息进行解析处理，以得到训练特征。
在一实施方式中，当提取得到预设特征信息后，还需要对所述预设特征信息进行解析处理，以将所述预设特征信息转换为可用于模型训练的训练特征。进而，多个返修板可以得到多个训练特征。
在一实施方式中，所述解析模块103可以通过以下方式实现对提取得到的预设特征信息进行解析处理：获取所述预设特征信息对应的特征值清单；对所述特征值清单中的每一特征值进行编码，并基于预设真值转换规则将所述预设特征信息包含的特征值转换为真值，以建立得到特征真值表；及将所述特征真值表及所述预设特征信息对应的返修板的检测结果作为所述训练特征。
可以理解的，所述特征值清单汇集了所述预设特征信息可能出现的所有特征值的集合。所述预设特征信息包含的特征值可以是所述特征值清单中的部分或者全部特征值。
在一实施方式中，所述预设真值转换规则可以是：若所述特征值清单中的一特征值在所述预设特征信息中出现过，则将该特征值转换为真值“1”，若所述特征值清单中的一特征值在所述预设特征信息中未出现过，则将该特征值转换为真值“0”。
举例而言，以300块返修板为例，返修板编号为PPID1、PPID2、PPID3、...、PPID300。所述预设特征信息为状态信息，所述状态信息对应的特征值清单包括4000种特征值(假设4000种特征值分别为INFO1、INFO2、INFO3、INFO4、...、INFO4000)，每一特征值需要进行编码，比如编码为1、2、3、4、...、4000，每一编码即对应一特征值。假设返修板PPID1(正常返修板)的状态信息包含的特征值为：INFO1、INFO4、INFO5...、INFO4000，返修板PPID2(异常返修板)的状态信息包含的特征值为：INFO2、INFO4、INFO5...、INFO4000，返修板PPID3(异常返修板)的状态信息包含的特征值为：INFO2、INFO3、...、INFO4000，返修板PPID4(正常返修板)的状态信息包含的特征值为：INFO2、INFO3、INFO4、...、INFO4000，返修板PPID300(异常返修板)的状态信息包含的特征值为：INFO1、INFO3、INFO5、...、INFO4000。
然后判断所述特征值清单中的一特征值在每一返修板的状态信息中是否出现过，若所述特征值清单中的一特征值在所述状态信息中出现过，则将该特征值转换为真值“1”，若所述特征值清单中的一特征值在所述状态信息中未出现过，则将该特征值转换为真值“0”。进而可以得到如下所示的特征真值表：
Figure BDA0001964126310000091
该特征真值表还可以增加一个栏位来记录每一返修板的检查结果，进而得到如下表所示的训练特征：
Figure BDA0001964126310000092
Figure BDA0001964126310000101
在上表中，“Y”表示该返修板为正常返修板，“N”表示该返修板为异常返修板。
可以理解的，当所述预设特征信息为状态信息代码或者其他一个或多个信息时，同样可以通过上述方式来得到基于状态信息代码的训练特征，在此不再详述。
所述训练模块104用于基于所述训练特征建立并训练得到返修板检测模型。
在一实施方式中，所述返修板检测模型可以是基于机器学习模型(比如神经网络模型)和多个训练特征训练出来的模型。具体地，所述训练模块104可以先建立一机器学习模型，所述机器学习模型包括输入层、多个隐藏层及输出层，再利用多个训练特征对所述机器学习模型进行训练得到所述返修板检测模型。
所述机器学习模型的输入层用于接收多个训练特征，每一隐藏层包括多个节点(神经元)，每一隐藏层中的每一节点被配置成对来自该模型中的相邻下层的至少一个节点的输出执行线性或非线性变换。其中，上层隐藏层的节点的输入可以基于相邻下层中的一个节点或若干节点的输出，每个隐藏层具有对应的权值。在对该模型进行训练时，可以通过利用有监督的学习过程来进行模型的训练，得到各个隐藏层的初始权值。可以通过向后传播(Back propagation，BP)算法来对各隐藏层的权值的进行调节，所述机器学习模型的输出层用于接收来自最后一层隐藏层的输出信号。
在一实施方式中，所述训练模块104基于所述训练特征建立并训练得到返修板检测模型的方式可以具体包括：
a1.将所述训练特征划分为训练集及验证集(比如80％的训练特征划分为训练集，20％的训练特征划分为验证集)；
a2.建立机器学习模型，并利用所述训练集对所述机器学习模型进行训练；
a3.利用所述验证集对训练后的机器学习模型进行验证，并根据每一验证结果统计得到一模型预测准确率；
a4.判断所述模型预测准确率是否小于预设阈值；
a5.若所述模型预测准确率不小于所述预设阈值，将训练完成的所述机器学习模型作为所述返修板检测模型。
a6.若所述模型预测准确率小于所述预设阈值，调整所述机器学习模型的参数，并利用所述训练集重新对调整后的机器学习模型进行训练，直到验证集验证得到的模型预测准确率不小于所述预设阈值，其中所述神经网络模型的参数可以包括总层数、每一层的神经元数等。
在一实施方式中，所述调整所述机器学习模型的参数可以是调整所述机器学习模型的总层数和/或每一层的神经元数。所述训练集用于对机器学习模型进行训练，所述验证集用于对训练后的机器学习模型进行验证。
在一实施方式中，所述训练模块104将所述验证集中的每一训练特征输入至训练后的机器学习模型进行验证，并根据每一验证结果可以统计得到一模型预测准确率；再判断所述模型预测准确率是否小于预设阈值；若所述中间模型预测准确率不小于所述预设阈值，表明训练后的机器学习模型满足使用需求，可以直接将所述训练后的机器学习模型作为所述返修板检测模型；若所述模型预测准确率小于所述预设阈值时，表明该训练后的机器学习模型还需要进行改善，此时可以调整所述机器学习模型的参数，并利用所述训练集重新对调整后的机器学习模型进行训练，然后再次利用所述验证集对重新训练后的机器学习模型进行验证得到一新的模型预测准确率，再判断该新的模型预测准确率是否小于预设阈值，若该新的模型预测准确率不小于所述预设阈值，表明重新训练得到的模型满足使用需求，可以作为所述返修板检测模型；如果该新的模型预测准确率仍然小于所述预设阈值，需要再次重复上述步骤直至通过验证集得到的模型预测准确率不小于所述预设阈值。
在一实施方式中，所述预设阈值可以根据实际使用需求进行设定，例如所述预设阈值设置为90％，即模型预测准确率需不小于90％。
所述检测模块105用于接收并将待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板的检测结果。
在一实施方式中，当完成返修板检测模型训练后，即可利用所述返修板检测模型对待测返修板进行检查，以判断待测返修板是正常返修板还是异常返修板，可以直接将接收到的待测返修板的返修信息传至所述返修板检测模型中，获取所述返修板检测模型的输出即可得到所述待测返修板的检测结果。所述检测结果即为所述待测返修板是正常返修板还是异常返修板。
在一实施方式中，所述检测模块105可以通过以下方式得到所述待测返修板的检测结果：接收待测返修板的返修信息；将所述待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板是正常返修板的概率值，或者得到所述待测返修板是异常返修板的概率值；判断所述概率值是否大于等于预设概率；及根据判断结果得到所述待测返修板的检测结果。
举例而言，设定待测返修板是正常返修板的概率值大于等于98％，表明待测返修板是正常返修板，无需维修，若得到待测返修板是正常返修板的概率值小于98％，判定该待测返修板是异常返修板，需要进行检测维修。
在一实施方式中，所述训练模块104利用所述训练特征对所述返修板检测模型进行训练过程中，可以得到特征真值表中每一特征值的权重值，所述检测模块105可以根据修板检测模型中的预设计算算法及每一特征值的权重值计算得到所述待测返修板是正常返修板的概率值，或者计算得到所述待测返修板是异常返修板的概率值。
图3为本发明一实施方式中返修板检测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S300，获取多个返修板的返修信息。
步骤S302，从所述返修信息中提取预设特征信息。
步骤S304，对提取得到的预设特征信息进行解析处理，以得到训练特征。
步骤S306，基于所述训练特征建立并训练得到返修板检测模型。
步骤S308，接收并将待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板的检测结果。
上述返修板检测装置、方法及计算机可读存储介质，基于机器学习算法与从多个返修板样本中提取得到的训练特征来建立并训练得到返修板检测模型，并利用该返修板检测实现识别出目标返修板是否需要维修，可减少不必要的损失，可有效地避免返修板退回浪费运费、时间、人力成本等。
对本领域的技术人员来说，可以根据本发明的发明方案和发明构思结合生产的实际需要做出其他相应的改变或调整，而这些改变和调整都应属于本发明所公开的范围。

Claims (11)

1.一种返修板检测方法，其特征在于，所述方法包括：
获取多个返修板的返修信息；
从所述返修信息中提取预设特征信息；
对提取得到的预设特征信息进行解析处理，以得到训练特征；
基于所述训练特征建立并训练得到返修板检测模型；及
接收并将待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板的检测结果。
2.如权利要求1所述的方法，其特征在于，所述获取多个返修板的返修信息的步骤包括：
从每一所述返修板的基板管理控制器中获取所述返修信息。
3.如权利要求1所述的方法，其特征在于，所述预设特征信息包括以下一种或多种：系统信息目录代码、系统信息目录、信息分类、状态信息产生时间、状态信息、状态信息代码、硬件位置信息、硬件名称、硬件地址数据。
4.如权利要求1-3任意一项所述的方法，其特征在于，所述对提取得到的预设特征信息进行解析处理，以得到训练特征的步骤包括：
获取所述预设特征信息对应的特征值清单；
对所述特征值清单中的每一特征值进行编码，并基于预设真值转换规则将所述预设特征信息包含的特征值转换为真值，以建立得到特征真值表；及
将所述特征真值表及所述预设特征信息对应的返修板的检测结果作为所述训练特征。
5.如权利要求4所述的方法，其特征在于，所述基于所述训练特征建立并训练得到返修板检测模型的步骤包括：
建立机器学习模型，并利用所述训练特征对所述机器学习模型进行训练得到所述返修板检测模型；
其中，在所述返修板检测模型中，每一所述特征值可以训练得到一权重值，以使得所述返修板检测模型基于每一所述特征值的权重值得到所述待测返修板的检测结果。
6.如权利要求4所述的方法，其特征在于，所述预设真值转换规则包括：若所述特征值清单中的一特征值在所述预设特征信息中出现过，则将该特征值转换为真值“1”，若所述特征值清单中的一特征值在所述预设特征信息中未出现过，则将该特征值转换为真值“0”。
7.如权利要求1-3任意一项所述的方法，其特征在于，所述基于所述训练特征建立并训练得到返修板检测模型的步骤包括：
将所述训练特征划分为训练集及验证集；
建立机器学习模型，并利用所述训练集对所述机器学习模型进行训练，其中所述机器学习模型包括输入层、多个隐藏层及输出层；
利用所述验证集对训练后的机器学习模型进行验证，并根据每一验证结果得到一模型预测准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，则将训练完成的所述机器学习模型作为所述返修板检测模型。
8.如权利要求7所述的方法，其特征在于，所述判断所述模型预测准确率是否小于预设阈值的步骤之后还包括：
若所述模型预测准确率小于所述预设阈值，则调整所述机器学习模型的参数，并利用所述训练集重新对调整后的机器学习模型进行训练；
利用所述验证集对重新训练的机器学习模型进行验证，并根据每一验证结果重新统计得到一模型预测准确率，并判断重新统计得到的模型预测准确率是否小于预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，则将所述重新训练得到的机器学习模型作为所述返修板检测模型；及
若所述重新统计得到的模型预测准确率仍小于所述预设阈值，则重复上述步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值。
9.如权利要求1所述的方法，其特征在于，所述接收并将待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板的检测结果的步骤包括：
接收待测返修板的返修信息；
将所述待测返修板的返修信息传至所述返修板检测模型中，以得到所述待测返修板是正常返修板的概率值，或者得到所述待测返修板是异常返修板的概率值；
判断所述概率值是否大于等于预设概率；及
根据判断结果得到所述待测返修板的检测结果。
10.一种返修板检测装置，所述返修板检测装置包括处理器及存储器，所述存储器上存储有若干计算机程序，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-9任一项所述的返修板检测方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，多条所述指令可被一个或者多个处理器执行，以实现如权利要求1-9任一项所述的返修板检测方法的步骤。
CN201910094308.XA 2019-01-30 2019-01-30 返修板检测装置、方法及计算机可读存储介质 Pending CN111507483A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910094308.XA CN111507483A (zh) 2019-01-30 2019-01-30 返修板检测装置、方法及计算机可读存储介质
US16/389,465 US11113165B2 (en) 2019-01-30 2019-04-19 Method for detecting repair-necessary motherboards and device using the method
EP19174717.9A EP3690658B1 (en) 2019-01-30 2019-05-15 Method for detecting repair-necessary motherboards and device using the method
TW108117936A TWI727323B (zh) 2019-01-30 2019-05-23 返修板檢測裝置、方法及電腦可讀取存儲介質
JP2019136896A JP6920378B2 (ja) 2019-01-30 2019-07-25 再修理用基板の検出装置、方法およびコンピュータ読み取り可能な記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910094308.XA CN111507483A (zh) 2019-01-30 2019-01-30 返修板检测装置、方法及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111507483A true CN111507483A (zh) 2020-08-07

Family

ID=66597504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910094308.XA Pending CN111507483A (zh) 2019-01-30 2019-01-30 返修板检测装置、方法及计算机可读存储介质

Country Status (5)

Country Link
US (1) US11113165B2 (zh)
EP (1) EP3690658B1 (zh)
JP (1) JP6920378B2 (zh)
CN (1) CN111507483A (zh)
TW (1) TWI727323B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590390A (zh) * 2020-04-30 2021-11-02 鸿富锦精密电子(郑州)有限公司 动态智能测试方法、系统、计算机装置及存储介质
JP2022019456A (ja) 2020-07-17 2022-01-27 ソニーセミコンダクタソリューションズ株式会社 発光装置および表示装置
US11539540B1 (en) * 2021-11-30 2022-12-27 International Business Machines Corporation Ameliorative resource action during an e-conference
CN115442980B (zh) * 2022-08-16 2023-12-05 无锡市恒通电器有限公司 一种抗潮湿的电路板元器件布局方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160261455A1 (en) * 2015-03-06 2016-09-08 Quanta Computer Inc. Automatic debug information collection
WO2017219548A1 (zh) * 2016-06-20 2017-12-28 乐视控股（北京）有限公司 用户属性预测方法及装置
CN107665353A (zh) * 2017-09-15 2018-02-06 平安科技（深圳）有限公司 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质
CN108446676A (zh) * 2018-05-03 2018-08-24 南京信息工程大学 基于有序编码及多层随机投影的人脸图像年龄判别方法
US20180293501A1 (en) * 2017-03-31 2018-10-11 H2O.Ai Inc. Time-based ensemble machine learning model
US20180365595A1 (en) * 2016-03-04 2018-12-20 Alibaba Group Holding Limited Training Method and Training System for Machine Learning System

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5919267A (en) * 1997-04-09 1999-07-06 Mcdonnell Douglas Corporation Neural network fault diagnostics systems and related method
US20050257095A1 (en) * 2004-04-21 2005-11-17 Gateway, Inc. Apparatus and method for detecting and indicating faults on a motherboard
TWI269990B (en) * 2005-02-04 2007-01-01 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes with generic embedded devices
TW200722990A (en) * 2005-12-14 2007-06-16 Inventec Corp Power-on self test debugging system and method
TW201109913A (en) * 2009-09-02 2011-03-16 Inventec Corp Main system board error-detecting system and its pluggable error-detecting board
CN102110042A (zh) * 2009-12-25 2011-06-29 鸿富锦精密工业（深圳）有限公司 主板开机自检代码检测系统及方法
TWI446161B (zh) * 2010-12-30 2014-07-21 Ibm 處理一多處理器資訊處理系統之一故障處理器的裝置及方法
TW201333484A (zh) 2012-02-08 2013-08-16 Ind Tech Res Inst 設備異常的偵測裝置與方法
CN103246583A (zh) * 2012-02-09 2013-08-14 鸿富锦精密工业（深圳）有限公司 具有bmc固件修复功能的电子装置及修复方法
JP6319313B2 (ja) 2013-08-22 2018-05-09 日本電気株式会社 特徴変換学習装置、特徴変換学習方法およびコンピュータプログラム
TW201535108A (zh) * 2014-02-14 2015-09-16 Hon Hai Prec Ind Co Ltd 電腦檢測系統及方法
US9846637B2 (en) 2015-12-02 2017-12-19 Fujitsu Limited Machine learning based software program repair
US10360114B2 (en) * 2016-02-24 2019-07-23 Quanta Computer Inc. Hardware recovery systems
JP6193428B1 (ja) 2016-03-17 2017-09-06 株式会社東芝 特徴選択装置、特徴選択方法およびプログラム
US20170308447A1 (en) * 2016-04-26 2017-10-26 Quanta Computer Inc. Methods and systems for analyzing record and usage in post package repair
CN109214446B (zh) 2018-08-27 2023-09-15 平安科技（深圳）有限公司 潜力绩优人员类型识别方法、系统、终端及计算机可读存储介质
CN109189501A (zh) * 2018-09-17 2019-01-11 郑州云海信息技术有限公司 一种bmc固件运行方法、修复方法、装置、设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160261455A1 (en) * 2015-03-06 2016-09-08 Quanta Computer Inc. Automatic debug information collection
US20180365595A1 (en) * 2016-03-04 2018-12-20 Alibaba Group Holding Limited Training Method and Training System for Machine Learning System
WO2017219548A1 (zh) * 2016-06-20 2017-12-28 乐视控股（北京）有限公司 用户属性预测方法及装置
US20180293501A1 (en) * 2017-03-31 2018-10-11 H2O.Ai Inc. Time-based ensemble machine learning model
CN107665353A (zh) * 2017-09-15 2018-02-06 平安科技（深圳）有限公司 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质
CN108446676A (zh) * 2018-05-03 2018-08-24 南京信息工程大学 基于有序编码及多层随机投影的人脸图像年龄判别方法

Also Published As

Publication number Publication date
EP3690658B1 (en) 2021-09-08
US20200241986A1 (en) 2020-07-30
EP3690658A1 (en) 2020-08-05
JP6920378B2 (ja) 2021-08-18
JP2020123308A (ja) 2020-08-13
TWI727323B (zh) 2021-05-11
TW202028975A (zh) 2020-08-01
US11113165B2 (en) 2021-09-07

Similar Documents

Publication Publication Date Title
CN111507483A (zh) 返修板检测装置、方法及计算机可读存储介质
US11971959B2 (en) Data test method, electronic device and storage medium
CN111401609A (zh) 车流量时间序列的预测方法及预测装置
CN110175278B (zh) 网络爬虫的检测方法及装置
CN108876213B (zh) 基于区块链的产品管理方法、装置、介质及电子设备
CN109783385B (zh) 一种产品测试方法和装置
CN113592019A (zh) 基于多模型融合的故障检测方法、装置、设备及介质
CN110955590A (zh) 界面检测方法、图像处理方法、装置、电子设备及存储介质
CN110888625A (zh) 基于需求变更和项目风险对代码质量进行控制的方法
CN115952081A (zh) 一种软件测试方法、装置、存储介质及设备
CN115729815A (zh) 基于加权随机的模糊测试方法、装置、设备及存储介质
CN113516251B (zh) 一种机器学习系统及模型训练方法
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN111651500A (zh) 用户身份识别方法、电子设备及存储介质
CN111783883A (zh) 一种异常数据的检测方法及装置
CN111639903A (zh) 一种针对架构变更的评审处理方法及相关设备
CN110968518A (zh) 自动化测试日志文件的分析方法及装置
CN112395179B (zh) 一种模型训练方法、磁盘预测方法、装置及电子设备
CN115205619A (zh) 检测模型的训练方法、检测方法、装置和存储介质
CN115587017A (zh) 数据处理方法、装置、电子设备及存储介质
CN113282496B (zh) 接口自动测试方法、装置、设备及存储介质
CN115801309A (zh) 基于大数据的计算机终端接入安全验证方法及系统
CN114928467A (zh) 一种网络安全运维关联分析方法及系统
CN114416417A (zh) 系统异常监测方法、装置、设备及存储介质
CN114218574A (zh) 一种数据检测方法、装置、电子设备以及存储介质

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. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin

Applicant after: Fulian precision electronics (Tianjin) Co.,Ltd.

Address before: No.80 Haiyun street, Binhai New Area Economic and Technological Development Zone, Tianjin 300457

Applicant before: HONGFUJIN PRECISION ELECTRONICS (TIANJIN) Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220928

Address after: No. 81, Haitong Street, Export Processing Zone, Tianjin Economic and Technological Development Zone, Binhai New Area, Tianjin 300457

Applicant after: Fulian Technology Service (Tianjin) Co.,Ltd.

Address before: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin

Applicant before: Fulian precision electronics (Tianjin) Co.,Ltd.

RJ01 Rejection of invention patent application after publication

Application publication date: 20200807