CN111833557A - 故障识别方法和装置 - Google Patents
故障识别方法和装置 Download PDFInfo
- Publication number
- CN111833557A CN111833557A CN202010734324.3A CN202010734324A CN111833557A CN 111833557 A CN111833557 A CN 111833557A CN 202010734324 A CN202010734324 A CN 202010734324A CN 111833557 A CN111833557 A CN 111833557A
- Authority
- CN
- China
- Prior art keywords
- fault
- teller machine
- preset
- automatic teller
- fault type
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
- G07F19/20—Automatic teller machines [ATMs]
- G07F19/209—Monitoring, auditing or diagnose of functioning of ATMs
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D11/00—Devices accepting coins; Devices accepting, dispensing, sorting or counting valuable papers
- G07D11/20—Controlling or monitoring the operation of devices; Data handling
- G07D11/22—Means for sensing or detection
- G07D11/235—Means for sensing or detection for monitoring or indicating operating conditions; for detecting malfunctions
Abstract
本公开提供了一种故障识别方法,该方法包括确定针对目标业务对象的监控指标;获取目标业务对象的业务数据;根据业务数据,确定监控指标的指标参数,其中,指标参数包括交易参数、指令参数和状态参数中的至少之一;至少根据指标参数,确定目标业务对象的监控结果。本公开还提供了一种故障识别装置、一种电子设备及一种计算机存储介质。
Description
技术领域
本公开涉及设备管理技术领域,特别是涉及一种故障识别方法和装置。
背景技术
随着人工智能技术的日益成熟,利用大数据进行针对设备的故障识别得以迅速发展。自动柜员机是一种能够提供多种金融业务功能的自助服务设备,自动柜员机的正常运行是保证金融业务健康稳定开展的重要因素,而针对自动柜员机的故障识别对维持自动柜员机的正常运行有着重要意义。
在实现本公开发明构思的过程中,发明人发现在相关技术中进行的针对自动柜员机的故障识别中,故障识别所依据的原始数据类型单一、覆盖性不强,这进而导致针对自动柜员机的故障识别存在准确性不佳、识别效率低的问题。
发明内容
本公开的一个方面提供了一种故障识别方法,该方法可以包括以下操作。获取针对自动柜员机的监控指标的指标参数;在确定上述指标参数异常的情况下,获取上述自动柜员机的运行状态数据,其中,上述运行状态数据包括运行参数数据和传感器数据;利用预设的故障识别模型,确定上述运行状态数据指示的上述自动柜员机的故障类型。
可选地,上述利用预设的故障识别模型,确定上述运行状态数据指示的上述自动柜员机的故障类型,包括针对M种预设故障类型中的每两种预设故障类型,其中,M为大于1的整数,利用针对上述每两种预设故障类型的故障识别模型,分别确定上述运行状态数据指示的第一识别结果,其中,上述第一识别结果指示两种预设故障类型中的其中之一;统计各上述第一识别结果指示的预设故障类型,将其中占比最高的预设故障类型确定为上述自动柜员机的故障类型。
可选地,上述利用预设的故障识别模型,确定上述运行状态数据指示的预设故障类型,以得到上述自动柜员机的故障类型,包括针对M种预设故障类型中的各预设故障类型,其中,M为大于1的整数,利用针对上述各预设故障类型的故障识别模型,分别确定上述运行状态数据指示的第二识别结果,其中,上述第二识别结果指示是否为上述预设故障类型;根据各上述第二识别结果指示的预设故障类型,确定上述自动柜员机的故障类型。
可选地,在M个第二识别结果指示N种预设故障类型的情况下,其中,N为大于1的整数,上述根据各上述第二识别结果指示的预设故障类型,确定上述自动柜员机的故障类型,包括利用预设的多分类模型,确定上述运行状态数据指示的上述N种预设故障类型中的概率值最大的预设故障类型,以作为上述自动柜员机的故障类型。
可选地,上述利用预设的故障识别模型,确定上述运行状态数据指示的上述自动柜员机的故障类型,包括对上述运行状态数据进行归一化处理,得到归一化后的运行状态数据;利用上述预设的故障识别模型,确定上述归一化后的运行状态数据指示的上述自动柜员机的故障类型。
可选地,在确定出上述自动柜员机的故障类型后,上述方法还包括确定上述故障类型是否为可恢复故障类型;以及在上述故障类型为可恢复故障类型的情况下,向上述自动柜员机发送故障恢复指令,以指示上述自动柜员机进行故障恢复;在上述故障类型为不可恢复故障类型的情况下,向预设终端发送故障信息以提示进行人工处理。
可选地,上述故障识别模型的训练方法包括获取已知故障类型的自动柜员机的运行状态样本数据,作为支持向量机SVM算法的训练样本;以上述运行状态样本数据为输入,以上述已知故障类型为输出,训练上述SVM算法,得到上述故障识别模型。
本公开的另一个方面提供了一种故障识别装置,该装置可以包括以下模块。第一获取模块,用于获取针对自动柜员机的监控指标的指标参数;第二获取模块,用于在确定上述指标参数异常的情况下,获取上述自动柜员机的运行状态数据,其中,上述运行状态数据包括运行参数数据和传感器数据;第一处理模块,用于利用预设的故障识别模型,确定上述运行状态数据指示的上述自动柜员机的故障类型。
可选地,上述第一处理模块,包括第一处理子模块和第二处理子模块。针对M种预设故障类型中的每两种预设故障类型,其中,M为大于1的整数,第一处理子模块用于利用针对上述每两种预设故障类型的故障识别模型,分别确定上述运行状态数据指示的第一识别结果,其中,上述第一识别结果指示两种预设故障类型中的其中之一;第二处理子模块用于统计各上述第一识别结果指示的预设故障类型,将其中占比最高的预设故障类型确定为上述自动柜员机的故障类型。
可选地,上述第一处理模块,包括第三处理子模块和第四处理子模块。针对M种预设故障类型中的各预设故障类型,其中,M为大于1的整数,第三处理子模块用于利用针对上述各预设故障类型的故障识别模型,分别确定上述运行状态数据指示的第二识别结果,其中,上述第二识别结果指示是否为上述预设故障类型;第四处理子模块用于根据各上述第二识别结果指示的预设故障类型,确定上述自动柜员机的故障类型。
可选地,在M个第二识别结果指示N种预设故障类型的情况下,其中,N为大于1的整数,上述第四处理子模块,包括第一处理单元,用于利用预设的多分类模型,确定上述运行状态数据指示的上述N种预设故障类型中的概率值最大的预设故障类型,以作为上述自动柜员机的故障类型。
可选地,上述第一处理模块,包括第五处理子模块,用于对上述运行状态数据进行归一化处理,得到归一化后的运行状态数据;第六处理子模块,用于利用上述预设的故障识别模型,确定上述归一化后的运行状态数据指示的上述自动柜员机的故障类型。
可选地,上述装置还包括第二处理模块,用于在确定出上述自动柜员机的故障类型后,确定上述故障类型是否为可恢复故障类型;以及在上述故障类型为可恢复故障类型的情况下,向上述自动柜员机发送故障恢复指令,以指示上述自动柜员机进行故障恢复;在上述故障类型为不可恢复故障类型的情况下,向预设终端发送故障信息以提示进行人工处理。
本公开的另一方面提供了一种电子设备,包括一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现本公开实施例的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,上述指令在被执行时用于实现本公开实施例的方法。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中,
图1示意性示出了根据本公开实施例的故障识别方法和装置的系统架构;
图2示意性示出了根据本公开实施例的故障识别方法的流程图;
图3A示意性示出了根据本公开实施例的另一故障识别方法的流程图;
图3B示意性示出了根据本公开实施例的再一故障识别方法的流程图;
图3C示意性示出了根据本公开实施例的利用SVM算法进行分类的示意图;
图4示意性示出了根据本公开实施例的故障识别装置的框图;以及
图5示意性示出了根据本公开实施例的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性地,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、操作、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、操作、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
本公开的实施例提供了一种故障识别方法以及能够运用该方法的装置,该方法例如可以包括如下操作。首先获取针对自动柜员机的监控指标的指标参数,然后在确定指标参数异常的情况下,获取自动柜员机的运行状态数据,其中,运行状态数据包括运行参数数据和传感器数据,之后利用预设的故障识别模型,确定运行状态数据指示的自动柜员机的故障类型。
图1示意性示出了根据本公开实施例的故障识别方法和装置的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,该系统架构包括至少一个终端(图中示出了多个,如终端101、102、103)和服务器104(也可以是服务器集群,图中未示出)。在系统架构100中,终端(如终端101、102、103)具体可以是自动柜员机。服务器104获取针对自动柜员机的监控指标的指标参数,并在确定指标参数异常的情况下,获取自动柜员机的运行状态数据,其中,运行状态数据包括运行参数数据和传感器数据,然后利用预设的故障识别模型,确定运行状态数据指示的自动柜员机的故障类型。
以下将结合附图和具体实施例详细阐述本公开。
图2示意性示出了根据本公开实施例的故障识别方法的流程图。
如图2所示,该方法可以包括操作S210~S230。
在操作S210,获取针对自动柜员机的监控指标的指标参数。
在本公开实施例中,具体地,获取针对自动柜员机的监控指标的指标参数,针对自动柜员机的监控指标是用于监控自动柜员机是否正常运行的预设指标,具体可以是预设时间段内的使用总时长、业务办理成功率、现金流量、小票打印次数等。其中,现金流量用于指示自动柜员机存入和取出的现金张数。指标参数是自动柜员机的针对各监控指标的实际运行参数,例如可以是自动柜员机在24h内的现金流量数。
在获取针对自动柜员机的监控指标的指标参数时,可以利用爬虫技术或者网络数据包抓取工具,从与自动柜员机关联的数据库中获取指标参数。其中,指标参数可以由自动柜员机每隔预设时长主动发送至数据库中,也可以由监控设备每隔预设时长从自动柜员机中获取并存储在数据库中。
接下来,在操作S220,在确定指标参数异常的情况下,获取自动柜员机的运行状态数据,其中,运行状态数据包括运行参数数据和传感器数据。
在本公开实施例中,具体地,将获取的自动柜员机的指标参数与预设指标参数进行比对,然后基于比对结果确定指标参数是否异常。例如,可以将预设时间段内的现金流量数与预设现金流量数进行比对,当预设时间段内的现金流量数低于预设现金流量数时,确定指标参数异常。其中,预设指标参数为预设的用于表征自动柜员机运行正常的参考指标参数,其具体可以是用于表征自动柜员机运行正常的最低指标参数。预设指标参数可以是领域内公知的针对各监控指标的标准指标参数,也可以是对各监控指标的历史指标参数进行统计和分析后得出的经验指标参数。
在确定指标参数异常的情况下,获取自动柜员机的运行状态数据,运行状态数据是自动柜员机在运行过程中产生的数据,具体可以包括运行参数数据和传感器数据。其中,运行参数数据可以是表征自动柜员机的业务办理性能的数据,例如可以包括预设时间段内的业务办理量、业务办理成功率、业务办理相对差值、单位响应时间等。业务办理相对差值是自动柜员机在相邻两个时间单位内的业务办理量的差值,其可用于表征自动柜员机的业务办理量的变化幅度。单位响应时间是自动柜员机针对单次业务办理的平均反应时间。
传感器数据是利用安装于自动柜员机上的传感器所检测到的数据,可以用于表征自动柜员机硬件方面的性能。其中,安装于自动柜员机上的传感器例如可以包括人体接近传感器、差动变压器式位移传感器、霍尔传感器、光电传感器、热敏传感器和舌簧开关等。
运行状态数据可以通过设备ID、设备编号、设备位置等信息与自动柜员机进行关联。在确定出可能存在故障的目标自动柜员机后,根据目标自动柜员机的设备ID、设备编号、设备位置等信息,从数据库中获取目标自动柜员机的运行状态数据。数据库中存储的运行状态数据,可以由自动柜员机每隔预设时长主动发送至数据库中进行存储,也可以由监控设备每隔预设时长从自动柜员机中获取并发送至数据库中进行存储。
再接下来,在操作S230,利用预设的故障识别模型,确定运行状态数据指示的自动柜员机的故障类型。
在本公开实施例中,具体地,预设的故障识别模型是预先训练得到的,用于对自动柜员机进行故障识别的算法模型。故障识别模型能够根据输入的自动柜员机的运行状态数据,输出运行状态数据指示的故障类型。具体地,故障识别模型可以是支持向量机SVM算法。
在本公开实施例中,自动柜员机的故障类型可以包括送钞电机故障、处理器故障、钞箱故障、验钞模块故障、读卡器故障、键盘故障、凭条打印机故障、日志打印机故障、网络连接故障、显示器故障等。
可选地,利用预设的故障识别模型,确定运行状态数据指示的自动柜员机的故障类型,可以包括对运行状态数据进行归一化处理,得到归一化后的运行状态数据,然后利用预设的故障识别模型,确定归一化后的运行状态数据指示的自动柜员机的故障类型。
由于获取的自动柜员机的运行状态数据可以包括多种类型的数据,例如包括运行参数数据和传感器数据,不同类型的数据可能具有不同的量纲,由于无法对具有不同量纲的数据直接进行计算,因此,需要对获取的运行状态数据进行归一化处理。可选地,可以采用min-max归一化方法对运行状态数据进行线性变换处理,以实现将具有不同量纲的数据映射到[0,1]范围内的无量纲数据。具体地,可以采用式(1)对运行状态数据进行线性变换处理。
式(1)中,x’i为归一化后的运行状态数据,xi为获取到的运行状态数据,xmax为运行状态数据的最大值,xmin为运行状态数据的最小值。其中,运行状态数据的最大值,可以是获取到的运行状态数据中的最大值,也可以是针对该运行状态数据的理论最大值。同理,运行状态数据的最小值,可以是获取到的运行状态数据中的最小值,也可以是针对该运行状态数据的理论最小值。
此外,还可以采用Z-score标准化方法对运行状态数据进行归一化处理。具体地,可以采用式(2)对运行状态数据进行归一化处理。
可选地,在对运行状态数据进行归一化处理之前,还可以对运行状态数据进行预处理,以除去运行状态数据中的冗余或无效数据,具体地,可以对运行状态数据进行离群点剔除、数据差值修复、数据降维处理等预处理操作。
在本公开实施例中,预设的故障识别模型可以采用如下方法训练。首先,获取已知故障类型的自动柜员机的运行状态样本数据,作为支持向量机SVM算法的训练样本,然后,以运行状态样本数据为输入,以已知故障类型为输出,训练SVM算法,得到故障识别模型。
在进行故障识别模型训练时,可以对获取的自动柜员机的运行状态样本数据进行归一化处理,得到归一化后的运行状态样本数据,然后以归一化后的运行状态样本数据为输入,以已知故障类型为输出,训练SVM算法,得到故障识别模型。在训练过程中,可以利用SMO算法对SVM算法进行循环优化训练,直至训练得到符合预设精度的故障识别模型。
其中,在进行SVM算法训练之前,还可以利用不同核函数建立多个SVM算法,然后分别针对各SVM算法进行训练,以得到多个训练后的SVM算法,之后将故障识别准确率最高的训练后的SVM算法,确定为故障识别模型。核函数例如可以采用多项式核函数、拉普拉斯核函数、sigmoid核函数等。
由于SVM算法是一种二分类算法,加之自动柜员机的故障类型可能包括多种,因此需要针对多种预设故障类型,训练多个故障识别模型。具体地,对于M(M为大于1的整数)种预设故障类型,可以分别针对其中的每两种预设故障类型,训练M(M-1)/2个故障识别模型,或者,可以针对各预设故障类型,分别将各故障类型作为一个分类结果,将其余预设故障类型作为另一个分类结果,训练M个故障识别模型。
在本公开实施例中,可选地,在确定出自动柜员机的故障类型后,还可以包括确定故障类型是否为可恢复故障类型。在故障类型为可恢复故障类型的情况下,向自动柜员机发送故障恢复指令,以指示自动柜员机进行故障恢复。在故障类型为不可恢复故障类型的情况下,向预设终端发送故障信息以提示进行人工处理。其中,可恢复故障类型是自动柜员机根据故障恢复指令能够自发执行恢复操作的故障类型,不可恢复故障类型是除可恢复故障类型外的其它故障类型。
其中,针对各预设故障类型,可以根据经验预先设定各故障类型是否为可恢复故障类型,因此,可以根据预先设定的关联关系,确定自动柜员机的故障类型是否为可恢复故障类型。示例性地,在确定出自动柜员机的故障类型为由卡钞导致的送钞电机故障后,根据前述预设的关联关系,确定该故障类型为可恢复故障类型。此时可向自动柜员机发送故障恢复指令,以指示自动柜员机执行以下恢复操作。首先控制送钞电机反转预设圈数,使卡住的钞票向与原传输方向相反的方向回退预设距离,回退完成后,再控制送钞电机正常运转,使卡住的钞票向原传输方向传输至钞箱中,从而使故障恢复。在确定出自动柜员机的故障类型为显示器故障时,根据前述预设的关联关系,确定该故障类型为不可恢复故障类型,向预设终端(例如可以是搭载运维管理系统的主机)发送故障信息以提示进行人工处理。
通过本公开实施例,获取针对自动柜员机的监控指标的指标参数;在确定指标参数异常的情况下,获取自动柜员机的运行状态数据,其中,运行状态数据包括运行参数数据和传感器数据;利用预设的故障识别模型,确定运行状态数据指示的自动柜员机的故障类型。在指标参数指示异常的情况下,获取自动柜员机的运行状态数据,运行状态数据包括运行参数数据和传感器数据,运行状态数据的数据类型丰富、覆盖能力强,根据运行状态数据确定自动柜员机的故障类型,一方面能够有效提高自动柜员机故障识别的识别精度,另一方面也有利于提高自动柜员机故障识别的识别效率。
图3A示意性示出了根据本公开实施例的另一故障识别方法的流程图。
如图3A所示,该方法可以包括操作S210~S220,以及操作S310~S320。
在操作S210,获取针对自动柜员机的监控指标的指标参数。
接下来,在操作S220,在确定指标参数异常的情况下,获取自动柜员机的运行状态数据,其中,运行状态数据包括运行参数数据和传感器数据。
其中,操作S210、S220与前述实施例相同或类似,此处不再赘述。
接下来,在操作S310,针对M种预设故障类型中的每两种预设故障类型,其中,M为大于1的整数,利用针对每两种预设故障类型的故障识别模型,分别确定运行状态数据指示的第一识别结果,其中,第一识别结果指示两种预设故障类型中的其中之一。
在本公开实施例中,具体地,对于M种预设故障类型,分别针对其中的每两种预设故障类型,可以预先训练得到M(M-1)/2个故障识别模型,训练方法与操作S230中记载的训练方法类似或相同,此处不再赘述。
在利用针对每两种预设故障类型的故障识别模型,分别确定运行状态数据指示的第一识别结果时,可以将运行状态数据分别输入M(M-1)/2个故障识别模型中,然后由各故障识别模型输出各第一识别结果,得到运行状态数据指示的M(M-1)/2个第一识别结果。各第一识别结果指示故障识别模型所针对的两种预设故障类型中的其中之一。
接下来,在操作S320,统计各第一识别结果指示的预设故障类型,将其中占比最高的预设故障类型确定为自动柜员机的故障类型。
在本公开实施例中,具体地,分别对M(M-1)/2个第一识别结果所指示的M(M-1)/2个预设故障类型进行统计,得到预设故障类型集,然后将预设故障类型集中占比最高的预设故障类型确定为自动柜员机的故障类型。
图3B示意性示出了根据本公开实施例的又一故障识别方法的流程图。
如图3B所示,该方法可以包括操作S210~S220,以及操作S330~S340。
在操作S210,获取针对自动柜员机的监控指标的指标参数。
接下来,在操作S220,在确定指标参数异常的情况下,获取自动柜员机的运行状态数据,其中,运行状态数据包括运行参数数据和传感器数据。
其中,操作S210、S220与前述实施例相同或类似,此处不再赘述。
接下来,在操作S330,针对M种预设故障类型中的各预设故障类型,其中,M为大于1的整数,利用针对各预设故障类型的故障识别模型,分别确定运行状态数据指示的第二识别结果,其中,第二识别结果指示是否为预设故障类型。
在本公开实施例中,具体地,针对M种预设故障类型,分别将其中各预设故障类型作为一个分类结果,将其余预设故障类型作为另一个分类结果,预先训练得到M个故障识别模型,训练方法与操作S230中记载的训练方法类似或相同,此处不再赘述。
在利用针对各预设故障类型的故障识别模型,分别确定运行状态数据指示的第二识别结果时,可以将运行状态数据分别输入M个故障识别模型中,然后由各故障识别模型输出各第二识别结果,得到运行状态数据指示的M个第二识别结果。各第二识别结果指示是否为故障识别模型所针对的预设故障类型。示例性地,针对A故障类型,图3C示意性示出了根据本公开实施例的利用SVM算法进行分类的示意图,如图3C所示,利用SVM算法对输入的运行状态数据进行二分类,其中,301表示A故障类型对应的运行状态数据,302表示除A故障类型以外的其他故障类型对应的运行状态数据,通过利用SVM算法对输入的运行状态数据进行二分类,得到关于自动柜员机的故障类型是否为A故障类型的第二识别结果。
接下来,在操作S340,根据各第二识别结果指示的预设故障类型,确定自动柜员机的故障类型。
在本公开实施例中,具体地,在M个第二识别结果均指示同一种预设故障类型的情况下,将第二识别结果指示的预设故障类型,确定为自动柜员机的故障类型。
可选地,在M个第二识别结果指示N种预设故障类型的情况下,其中,N为大于1的整数,可以将N种预设故障类型确定为自动柜员机的故障类型。也可以针对N种预设故障类型中的每两种预设故障类型,利用针对每两种预设故障类型的故障识别模型,分别确定运行状态数据指示的第三识别结果,其中,第三识别结果指示两种预设故障类型中的其中之一,然后统计各第三识别结果指示的预设故障类型,将其中占比最高的预设故障类型确定为自动柜员机的故障类型。
具体地,对于M个第二识别结果指示的N种预设故障类型,可以分别针对其中的每两种预设故障类型,预先训练得到N(N-1)/2个故障识别模型。然后将运行状态数据分别输入N(N-1)/2个故障识别模型中,由各故障识别模型输出各第三识别结果,得到运行状态数据指示的N(N-1)/2个第三识别结果。之后分别对N(N-1)/2个第三识别结果所指示的N(N-1)/2个预设故障类型进行统计,得到预设故障类型集,然后将预设故障类型集中占比最高的预设故障类型确定为自动柜员机的故障类型。
可选地,还可利用预设的多分类模型,确定运行状态数据指示的N种预设故障类型中的概率值最大的预设故障类型,并将概率值最大的预设故障类型作为自动柜员机的故障类型。例如利用softmax多分类模型,将获取的自动柜员机的运行状态数据作为输入数据,输入softmax多分类模型中,输入数据经过多层前馈神经网络,得到N种预设故障类型中的概率值最大的预设故障类型。其中,softmax多分类模型包括输入层、三层隐藏层和输出层。
在本公开实施例中,在指标参数指示异常的情况下,获取自动柜员机的运行状态数据,运行状态数据包括运行参数数据和传感器数据,然后利用预设的故障识别模型,确定运行状态数据指示的多种预设故障类型中的一种或多种,以得到自动柜员机的故障类型。本方法能够有效提高自动柜员机的故障识别精度,和提高自动柜员机的故障识别效率,同时还有利于减少自动柜员机故障识别的人力成本,有利于开展针对自动柜员机的及时发现故障、识别故障、解决故障的维护工作,有利于保障自动柜员机的安全稳定运行。
图4示意性示出了根据本公开实施例的故障识别装置的框图。自动柜员机的
如图4所示,该故障识别装置400包括第一获取模块401、第二获取模块402和第一处理模块403。该故障识别装置可以执行上面参考方法实施例部分描述的方法,在此不再赘述。
具体地,第一获取模块401,用于获取针对自动柜员机的监控指标的指标参数;第二获取模块402,用于在确定上述指标参数异常的情况下,获取上述自动柜员机的运行状态数据,其中,上述运行状态数据包括运行参数数据和传感器数据;第一处理模块403,用于利用预设的故障识别模型,确定上述运行状态数据指示的上述自动柜员机的故障类型。
通过本公开实施例,获取针对自动柜员机的监控指标的指标参数;在确定指标参数异常的情况下,获取自动柜员机的运行状态数据,其中,运行状态数据包括运行参数数据和传感器数据;利用预设的故障识别模型,确定运行状态数据指示的自动柜员机的故障类型。在指标参数指示异常的情况下,获取自动柜员机的运行状态数据,运行状态数据包括运行参数数据和传感器数据,运行状态数据的数据类型丰富、覆盖能力强,根据运行状态数据确定自动柜员机的故障类型,一方面能够有效提高自动柜员机故障识别的识别精度,另一方面也有利于提高自动柜员机故障识别的识别效率。
作为一种可选的实施例,第一处理模块包括第一处理子模块和第二处理子模块。针对M种预设故障类型中的每两种预设故障类型,其中,M为大于1的整数,第一处理子模块用于利用针对每两种预设故障类型的故障识别模型,分别确定运行状态数据指示的第一识别结果,其中,第一识别结果指示两种预设故障类型中的其中之一;第二处理子模块用于统计各第一识别结果指示的预设故障类型,将其中占比最高的预设故障类型确定为自动柜员机的故障类型。
作为一种可选的实施例,第一处理模块包括第三处理子模块和第四处理子模块。针对M种预设故障类型中的各预设故障类型,其中,M为大于1的整数,第三处理子模块用于利用针对各预设故障类型的故障识别模型,分别确定运行状态数据指示的第二识别结果,其中,第二识别结果指示是否为预设故障类型;第四处理子模块用于根据各第二识别结果指示的预设故障类型,确定自动柜员机的故障类型。
作为一种可选的实施例,第四处理子模块还包括第一处理单元,用于在M个第二识别结果指示N种预设故障类型的情况下,其中,N为大于1的整数,利用预设的多分类模型,确定运行状态数据指示的N种预设故障类型中的概率值最大的预设故障类型,以作为自动柜员机的故障类型。
作为一种可选的实施例,第一处理模块包括第五处理子模块,用于对运行状态数据进行归一化处理,得到归一化后的运行状态数据;第六处理子模块,用于利用预设的故障识别模型,确定归一化后的运行状态数据指示的自动柜员机的故障类型。
作为一种可选的实施例,该装置还包括第二处理模块,用于在确定出自动柜员机的故障类型后,确定故障类型是否为可恢复故障类型;以及在故障类型为可恢复故障类型的情况下,向自动柜员机发送故障恢复指令,以指示自动柜员机进行故障恢复;在故障类型为不可恢复故障类型的情况下,向预设终端发送故障信息以提示进行人工处理。
在本公开实施例中,在指标参数指示异常的情况下,获取自动柜员机的运行状态数据,运行状态数据包括运行参数数据和传感器数据,然后利用预设的故障识别模型,确定运行状态数据指示的多种预设故障类型中的一种或多种,以得到自动柜员机的故障类型。本方法能够有效提高自动柜员机的故障识别精度,和提高自动柜员机的故障识别效率,同时还有利于减少自动柜员机故障识别的人力成本,有利于开展针对自动柜员机的及时发现故障、识别故障、解决故障的维护工作,有利于保障自动柜员机的安全稳定运行。
需要说明的是,在本公开实施例中,装置部分的实施方式与方法部分的实施方式相同或类似,在此不再赘述。
根据本公开的实施例的模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者根据本公开实施例的模块中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,故障识别装置400包括第一获取模块401、第二获取模块402和第一处理模块403中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,故障识别装置400包括第一获取模块401、第二获取模块402和第一处理模块403中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,故障识别装置400包括第一获取模块401、第二获取模块402和第一处理模块403中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图5示意性示出了根据本公开实施例的电子设备的框图。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500包括处理器510、计算机可读存储介质520。该电子设备500可以执行根据本公开实施例的方法。
具体地,处理器510例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器510还可以包括用于缓存用途的板载存储器。处理器510可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理模块或者是多个处理模块。
计算机可渎存储介质520,例如可以是非易失性的计算机可读存储介质,具体示例包括但不限于:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;等等。
计算机可读存储介质520可以包括计算机程序521,该计算机程序521可以包括代码/计算机可执行指令,其在由处理器510执行时使得处理器510执行根据本公开实施例的方法或其任何变形。
计算机程序521可被配置为具有例如包括计算机程序模块的计算机程序代码。例如,在示例实施例中,计算机程序521中的代码可以包括一个或多个程序模块,例如包括521A、模块521B、……。应当注意,模块的划分方式和个数并不是固定的,本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合,当这些程序模块组合被处理器510执行时,使得处理器510可以执行根据本公开实施例的方法或其任何变形。
根据本公开的实施例,第一获取模块401、第二获取模块402和第一处理模块403中的至少一个可以实现为参考图5描述的计算机程序模块,其在被处理器510执行时,可以实现上面描述的相应操作。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (10)
1.一种故障识别方法,包括:
获取针对自动柜员机的监控指标的指标参数;
在确定所述指标参数异常的情况下,获取所述自动柜员机的运行状态数据,其中,所述运行状态数据包括运行参数数据和传感器数据;
利用预设的故障识别模型,确定所述运行状态数据指示的所述自动柜员机的故障类型。
2.根据权利要求1所述的方法,其中,所述利用预设的故障识别模型,确定所述运行状态数据指示的所述自动柜员机的故障类型,包括:针对M种预设故障类型中的每两种预设故障类型,其中,M为大于1的整数,
利用针对所述每两种预设故障类型的故障识别模型,分别确定所述运行状态数据指示的第一识别结果,其中,所述第一识别结果指示两种预设故障类型中的其中之一;
统计各所述第一识别结果指示的预设故障类型,将其中占比最高的预设故障类型确定为所述自动柜员机的故障类型。
3.根据权利要求1所述的方法,其中,所述利用预设的故障识别模型,确定所述运行状态数据指示的预设故障类型,以得到所述自动柜员机的故障类型,包括:针对M种预设故障类型中的各预设故障类型,其中,M为大于1的整数,
利用针对所述各预设故障类型的故障识别模型,分别确定所述运行状态数据指示的第二识别结果,其中,所述第二识别结果指示是否为所述预设故障类型;
根据各所述第二识别结果指示的预设故障类型,确定所述自动柜员机的故障类型。
4.根据权利要求3所述的方法,其中,
在M个第二识别结果指示N种预设故障类型的情况下,其中,N为大于1的整数,
所述根据各所述第二识别结果指示的预设故障类型,确定所述自动柜员机的故障类型,包括:
利用预设的多分类模型,确定所述运行状态数据指示的所述N种预设故障类型中的概率值最大的预设故障类型,以作为所述自动柜员机的故障类型。
5.根据权利要求1所述的方法,其中,所述利用预设的故障识别模型,确定所述运行状态数据指示的所述自动柜员机的故障类型,包括:
对所述运行状态数据进行归一化处理,得到归一化后的运行状态数据;
利用所述预设的故障识别模型,确定所述归一化后的运行状态数据指示的所述自动柜员机的故障类型。
6.根据权利要求1所述的方法,在确定出所述自动柜员机的故障类型后,还包括:
确定所述故障类型是否为可恢复故障类型;以及
在所述故障类型为可恢复故障类型的情况下,向所述自动柜员机发送故障恢复指令,以指示所述自动柜员机进行故障恢复;
在所述故障类型为不可恢复故障类型的情况下,向预设终端发送故障信息以提示进行人工处理。
7.根据权利要求1至6中任一项所述的方法,其中,所述故障识别模型的训练方法包括:
获取已知故障类型的自动柜员机的运行状态样本数据,作为支持向量机SVM算法的训练样本;
以所述运行状态样本数据为输入,以所述已知故障类型为输出,训练所述SVM算法,得到所述故障识别模型。
8.一种故障识别装置,包括:
第一获取模块,用于获取针对自动柜员机的监控指标的指标参数;
第二获取模块,用于在确定所述指标参数异常的情况下,获取所述自动柜员机的运行状态数据,其中,所述运行状态数据包括运行参数数据和传感器数据;
处理模块,用于利用预设的故障识别模型,确定所述运行状态数据指示的所述自动柜员机的故障类型。
9.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734324.3A CN111833557A (zh) | 2020-07-27 | 2020-07-27 | 故障识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734324.3A CN111833557A (zh) | 2020-07-27 | 2020-07-27 | 故障识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833557A true CN111833557A (zh) | 2020-10-27 |
Family
ID=72925011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010734324.3A Pending CN111833557A (zh) | 2020-07-27 | 2020-07-27 | 故障识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833557A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112242027A (zh) * | 2020-12-18 | 2021-01-19 | 江苏云柜网络技术有限公司 | 快递柜故障处理方法和装置、故障处理设备及存储介质 |
CN114698564A (zh) * | 2022-04-26 | 2022-07-05 | 深圳市中融数字科技有限公司 | 耳标状态的检测方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106021771A (zh) * | 2016-05-30 | 2016-10-12 | 天河国云(北京)科技有限公司 | 一种故障诊断方法及装置 |
WO2018107631A1 (zh) * | 2016-12-15 | 2018-06-21 | 中国科学院沈阳自动化研究所 | 一种基于工业控制网络的入侵检测模型的自动建立方法及装置 |
CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务系统的监控方法及装置 |
CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
-
2020
- 2020-07-27 CN CN202010734324.3A patent/CN111833557A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106021771A (zh) * | 2016-05-30 | 2016-10-12 | 天河国云(北京)科技有限公司 | 一种故障诊断方法及装置 |
WO2018107631A1 (zh) * | 2016-12-15 | 2018-06-21 | 中国科学院沈阳自动化研究所 | 一种基于工业控制网络的入侵检测模型的自动建立方法及装置 |
CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务系统的监控方法及装置 |
CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112242027A (zh) * | 2020-12-18 | 2021-01-19 | 江苏云柜网络技术有限公司 | 快递柜故障处理方法和装置、故障处理设备及存储介质 |
CN112242027B (zh) * | 2020-12-18 | 2021-03-30 | 江苏云柜网络技术有限公司 | 快递柜故障处理方法和装置、故障处理设备及存储介质 |
CN114698564A (zh) * | 2022-04-26 | 2022-07-05 | 深圳市中融数字科技有限公司 | 耳标状态的检测方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11604964B2 (en) | Recognizer, object recognition method, learning apparatus, and learning method for domain adaptation | |
US10740310B2 (en) | Intelligent preprocessing of multi-dimensional time-series data | |
CN111833557A (zh) | 故障识别方法和装置 | |
US20160307071A1 (en) | Fisher vectors meet neural networks: a hybrid visual classification architecture | |
Ribeiro et al. | An end-to-end deep neural architecture for optical character verification and recognition in retail food packaging | |
Yamanaka et al. | Autoencoding binary classifiers for supervised anomaly detection | |
CN107633030B (zh) | 基于数据模型的信用评估方法及装置 | |
CN111797829A (zh) | 一种车牌检测方法、装置、电子设备和存储介质 | |
US20200401855A1 (en) | Apparatus and method with classification | |
CN105808655A (zh) | 一种海量数据异常检查的处理方法、装置及系统 | |
US20220327544A1 (en) | Method and system for detecting fraudulent transactions using a fraud detection model trained based on dynamic time segments | |
CN111325260B (zh) | 数据处理方法及装置、电子设备、计算机可读介质 | |
US20220067568A1 (en) | Computer vision transaction monitoring | |
CN110598620A (zh) | 模型训练方法和装置、目标检测方法和装置 | |
US20210192363A1 (en) | Systems and methods for unsupervised continual learning | |
CN110968689A (zh) | 罪名及法条预测模型的训练方法以及罪名及法条预测方法 | |
Couchot et al. | Steganalysis via a convolutional neural network using large convolution filters for embedding process with same stego key | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
Silva et al. | Assets predictive maintenance using convolutional neural networks | |
Gong et al. | A novel unified deep neural networks methodology for use by date recognition in retail food package image | |
CN116457802A (zh) | 利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止 | |
Davalos et al. | Designing an if–then rules‐based ensemble of heterogeneous bankruptcy classifiers: a genetic algorithm approach | |
CN113420694A (zh) | 快递流水线的堵塞识别方法、系统、电子设备及可读存储介质 | |
CN112614283A (zh) | 薄片介质数据的处理方法、装置、电子设备及存储介质 | |
US20230134508A1 (en) | Electronic device and method with machine learning training |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |