CN112306722A - 识别故障的方法、装置、设备和计算机可读介质 - Google Patents
识别故障的方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112306722A CN112306722A CN201910682411.6A CN201910682411A CN112306722A CN 112306722 A CN112306722 A CN 112306722A CN 201910682411 A CN201910682411 A CN 201910682411A CN 112306722 A CN112306722 A CN 112306722A
- Authority
- CN
- China
- Prior art keywords
- time
- unmanned transport
- historical
- transport vehicle
- abnormal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 116
- 238000004891 communication Methods 0.000 claims abstract description 76
- 230000005856 abnormality Effects 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims description 39
- 238000013145 classification model Methods 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了识别故障的方法、装置、设备和计算机可读介质，涉及计算机技术领域。该方法的一具体实施方式包括：获取发生异常的无人运输车的行驶数据；从所述发生异常的无人运输车的行驶数据中提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数；采用预设故障模型，通过所述时间特征参数、所述任务特征参数和所述通讯特征参数的输出结果，识别所述发生异常的无人运输车的故障。该实施方式能够提高识别故障的效率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种识别故障的方法、装置、设备和计算机可读介质。
背景技术
在无人仓中，为了保证仓库高效运营，不仅依靠合理的算法，进行布局优化、任务分配以及调度无人运输车，也要借助稳定的无人运输车性能，及时下线故障车辆，保障上线车辆的稳定高效运行。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：工程师往往通过自身经验识别无人运输车是否发生故障，识别故障的效率较低。
发明内容
有鉴于此，本发明实施例提供一种识别故障的方法、装置、设备和计算机可读介质，能够提高识别故障的效率。
为实现上述目的，根据本发明实施例的一个方面，提供了一种识别故障的方法，包括：
获取发生异常的无人运输车的行驶数据；
从所述发生异常的无人运输车的行驶数据中，提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将所述发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数；
采用预设故障模型，通过所述时间特征参数、所述任务特征参数和所述通讯特征参数的输出结果，识别所述发生异常的无人运输车的故障。
所述采用预设故障模型，通过所述时间特征参数、所述任务特征参数和所述通讯特征参数的输出结果，识别所述发生异常的无人运输车的故障之前，还包括：
从仓库内发生异常的无人运输车的历史行驶数据中，提取历史任务特征参数和历史通讯特征参数，并结合仓库中其他无人运输车历史行驶数据的时间参数，将所述发生异常的无人运输车的历史行驶数据的时间参数，转换为历史时间特征参数；
将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，训练分类模型，得到所述预设故障模型。
所述分类模型包括决策树；
所述将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，训练分类模型，得到所述预设故障模型，包括：
所述将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，采用ID3算法训练所述决策树，得到所述预设故障模型。
所述结合仓库中其他无人运输车行驶数据的时间参数，将所述发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数，包括：
所述时间参数包括所述发生异常的异常发生时间；
在所述发生异常的无人运输车的所述异常发生时间的一段时间内，基于所述其他无人运输车的所述异常发生时间，确定以下参数中的一个或多个，无人运输车发生异常的时间段，预设第一时间段内无人运输车发生异常的数量，以及在预设第二时间段内无人运输车完成的任务数量。
所述时间特征参数包括以下参数中的一个或多个，无人运输车发生异常的时间段，预设第一时间段内无人运输车发生异常的数量，以及在预设第二时间段内无人运输车完成的任务数量；
所述任务特征参数包括无人运输车是否在执行任务期间发生异常和任务类型；
所述通信特征参数包括无人运输车通讯网络是否通畅。
根据本发明实施例的第二方面，提供了一种识别故障的装置，包括：
获取模块，用于获取发生异常的无人运输车的行驶数据；
转换模块，用于从所述发生异常的无人运输车的行驶数据中，提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将所述发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数；
识别模块，用于采用预设故障模型，通过所述时间特征参数、所述任务特征参数和所述通讯特征参数的输出结果，识别所述发生异常的无人运输车的故障。
所述装置还包括训练模块，
所述转换模块，用于从仓库内发生异常的无人运输车的历史行驶数据中，提取历史任务特征参数和历史通讯特征参数，并结合仓库中其他无人运输车的历史行驶数据的时间参数，将所述发生异常的无人运输车的历史行驶数据的时间参数，转换为历史时间特征参数；
所述训练模块，用于将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，训练分类模型，得到所述预设故障模型。
所述分类模型包括决策树；
所述训练模块，具体用于将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，采用ID3算法训练所述决策树，得到所述预设故障模型。
根据本发明实施例的第三方面，提供了一种识别故障的电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的方法。
根据本发明实施例的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述的方法。
上述发明中的一个实施例具有如下优点或有益效果：因为获取发生异常的无人运输车的行驶数据；从发生异常的无人运输车的行驶数据中提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将发生异常的无人运输车辆的转换为时间特征参数；时间特征参数是从时间的角度标识无人运输车的状态；任务特征参数是从所执行任务的角度标识无人运输车的状态；通信特征参数是从通讯角度标识无人运输车的状态。采用预设故障模型，通过时间特征参数、任务特征参数和通讯特征参数的输出结果，识别发生异常的无人运输车的故障。由于预设故障模型是基于历史行驶数据所建立，可以准确输出结果，进而能够提高识别故障的效率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的识别故障的方法的主要流程的示意图；
图2是根据本发明实施例的建立预设故障模型的流程的示意图；
图3是根据本发明实施例的决策树的示意图；
图4是根据本发明实施例的识别故障的装置的主要结构的示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在识别需要下线处理的无人运输车过程中，大多直接统计无人运输车上报的异常数据，对异常数据中数量较多的无人运输车作下线处理。以无人运输车上报异常数据的数量作为下线处理的标准，存在不足之处。
在仓库的实际运营中，有两种情况可能导致无人运输车上报异常。一种是无人运输车硬件故障进而上报异常；另一种是仓库故障而上报异常，如：仓库断电，切换网络；服务器故障；仓库全场关机等。
下线无人运输车的目的在于，检修硬件出现问题的无人运输车。也就是说，需要识别出硬件故障的无人运输车。
目前，工程师往往通过逐一浏览无人运输车上报的各类异常数据，再结合自身经验，标注上报异常数据的无人运输车，存在识别故障效率较低的技术问题。
为了解决识别故障效率较低的技术问题，可以采用以下本发明实施例中的技术方案。
参见图1，图1是根据本发明实施例的识别故障的方法主要流程的示意图，提取任务特征参数和通讯特征参数，将发生异常的无人运输车的行驶数据中的时间参数转换为时间特征参数，采用预设故障模型，可以识别无人运输车的故障。如图1所示，具体包括以下步骤：
S101、获取发生异常的无人运输车的行驶数据。
无人运输车即无需驾驶员的运输车，作为一个示例，无人运输车可以包括自动导引运输车(Automated Guided Vehicle，AGV)。在本发明实施例中，以无人运输车具体为AGV，示例性说明技术方案。
在无人仓中，AGV负责搬运货物。一般来说，AGV有两种状态，即工作状态和非工作状态。在工作状态的情况下，AGV负责搬运货物；在非工作状态的情况下，AGV可以充电或维修等。
AGV与服务器相互耦合，AGV可以将相关数据发送至服务器。服务器与多个AGV耦合。作为一个示例，AGV通过心跳机制与服务器联系。
在本发明的一个实施例中，AGV发生异常时，需要向服务器发送异常时的行驶数据。AGV发送异常的原因有很多中，作为一个示例，AGV与服务器的心跳连接超时，也就是说，AGV未能在指定时间段内与服务器联系，在这样情况下，可以认为AGV发生异常。作为另一个示例，AGV由于断电出现开关机，也可以任务AGV发生异常。当然，在AGV未发生异常的情况下，服务器为了掌握所控制AGV的状态，AGV可以周期性或通过接受服务器的指令，向服务器发送行驶数据。
在本发明的一个实施例中，发生异常的AGV的行驶数据可以包括AGV标识、异常发生时间和异常名称。当然，发生异常的AGV的行驶数据还可以包括AGV地点、AGV行驶速度和AGV所执行任务等信息。
S102、从发生异常的无人运输车的行驶数据中，提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数。
行驶数据是AGV所发送的数据。通过分析发生异常的AGV的行驶数据可以识别AGV的故障。具体来说，可以提取任务特征参数和通信特征参数，并结合仓库中其他AGV行驶数据的时间参数，将发生异常的AGV的行驶数据的时间参数，转换为时间特征参数。
时间特征参数是从时间维度衡量行驶数据的参数。任务特征参数是从所执行任务的维度衡量行驶数据的参数。通信特征参数是从通讯维度衡量行驶数据的参数。
需要说明的是，在本发明实施例中发生异常的AGV的行驶数据可以是离线数据，即通过离线数据识别故障。作为一个示例，发生异常的AGV的行驶数据是在前一天的工作时间段内的行驶数据。通过上述离线数据，能够识别AGV故障，这样在下一个工作时间段内，则将硬件故障的AGV作下线处理，进一步提高仓库中的工作效率。
在本发明的另一个实施例中，发生异常的AGV的行驶数据可以是在线数据，即通过在线数据识别故障。发生异常的AGV的行驶数据是在前一时刻的行驶数据。通过上述在线数据，能够识别AGV故障，将硬件故障的AGV立即作下线处理。那么，时间特征参数，需要结合异常发生时间前的其他AGV的行驶数据进行分析，时间特征参数体现异常发生时间前的其他AGV的行驶数据。
在本发明的一个实施例中，识别AGV故障的过程中，为了提高准确性，可以结合仓库中其他AGV的行驶数据进行识别。作为一个示例，时间参数包括异常发生时间，由于服务器与其他AGV耦合，能够获取其他AGV的行驶数据。进而可以基于其他AGV异常发生时间，将AGV的时间参数转换为时间特征参数。
下面就不同的特征参数，分别进行介绍。
时间特征参数是从时间维度衡量行驶数据的参数。在本发明的一个实施例中，需要结合异常发生时间前后的其他AGV的行驶数据的时间参数进行分析，可以时间特征参数体现异常发生时间相对于其他AGV的行驶数据。
具体来说，时间特征参数包括AGV发生异常的时间段，在预设第一时间段内AGV发生异常的数量，以及在预设第二时间段内完成的任务数量。
示例性的，在发生异常的AGV的异常发生时间的一段时间内，基于其他AGV的异常发生时间，确定以下参数中的一个或多个AGV发生异常的时间段，预设第一时间段内AGV发生异常的数量，以及在预设第二时间段内AGV完成的任务数量。
发生异常的AGV的行驶数据是在线数据的情况下，预设第一时间段，待识别故障AGV异常发生时间为t，预设s秒，第一时间段为[t-s，t]。AGV异常时的行驶数据是离线数据的情况下，预设第一时间段，待识别故障AGV异常发生时间为t，预设s秒，第一时间段为[t，t+s]和[t-s，t]。
也就是说，AGV异常时的行驶数据是在线数据的情况下，第一时间段包括一个子时间段；AGV异常时的行驶数据是离线数据的情况下，第一时间段包括两个子时间段。
可以统计在第一时间段内发生异常的AGV的数量。需要说明的是，统计发生异常原因需要与待识别故障的AGV的异常原因相同，这样才能确保识别的准确性。作为一个示例，待识别故障的AGV的异常原因是心跳连接超时。在统计第一时间段内发生异常的AGV的数量，需要统计异常原因是心跳连接超时发生异常的AGV。作为一个示例，统计[t-s，t]时间段内发生异常的AGV的数量，记为A1；统计[t，t+s]时间段内发生异常的AGV的数量，记为A2。
可以理解的是，在第一时间段内发生异常AGV的数量越多，则待识别故障的AGV的故障是仓库故障的可能性越大，是硬件故障的可能性越小；相应的，在第一时间段内发生异常AGV的数量越少，则待识别故障的AGV的故障是仓库故障的可能性越小，是硬件故障的可能性越大。
AGV发生异常的时间段是：待识别故障的AGV发生异常，与预设顺序的AGV发生异常的时间间隔。
作为一个示例，AGV异常时的行驶数据是在线数据的情况下，待识别故障的AGV第a个发生异常，预设顺序为m，则AGV发生异常的时间段是第a个发生异常，与第a-m个发生异常AGV的时间间隔。
作为另一个示例，AGV异常时的行驶数据是离线数据的情况下，待识别故障的AGV第a个发生异常，预设顺序为m，则AGV发生异常的时间段包括两个子时间段，第一子时间段是第a-m个发生异常AGV，与第a个发生异常的时间间隔，以及第二子时间段是第a个发生异常，与第a+m个发生异常AGV的时间间隔。可以将第一子时间段记为A3，将第二子时间段记为A4。
可以理解的是，AGV发生异常的时间段越长，则待识别故障的AGV的故障是硬件故障的可能性越大，是仓库故障的可能性越小；相应的，AGV发生异常的时间段越短，则待识别故障的AGV的故障是硬件故障的可能性越小，是仓库故障的可能性越大。
在预设第二时间段内AGV完成的任务数量是：在预设第二时间段内AGV已经完成的任务数量。
作为一个示例，发生异常的AGV的行驶数据是在线数据的情况下，预设第二时间段，待识别故障AGV异常发生时间为t，预设z秒，第二时间段为[t-z，t]，统计在第二时间段内已经完成的任务数量。其中，任务是基于场景的不同而预设设置。如：在运输物品的场景中，任务即运输物品。
作为另一个示例，发生异常的AGV的行驶数据是离线数据的情况下，预设第二时间段，待识别故障AGV异常发生时间为t，预设z秒，第二时间段有两个子时间段，第三子时间段[t-z，t]和第四子时间段[t，t+z]，分别统计在第三子时间段内已经完成的任务数量，以及在四子时间段内已经完成的任务数量。将在第三子时间段内已经完成的任务数量记为A5，将在第四子时间段内已经完成的任务数量记为A6。
可以理解的是，在预设第二时间段内AGV已经完成的任务数量越多，则待识别故障的AGV的故障是硬件故障的可能性越小，是仓库故障的可能性越大；相应的，在预设第二时间段内AGV已经完成的任务数量越少，则待识别故障的AGV的故障是硬件故障的可能性越大，是仓库故障的可能性越小。
在本发明的一个实施例中，任务特征参数包括AGV是否在执行任务期间发生异常和任务类型。其中，将AGV是否在执行任务记为A7，将AGV执行任务类型记为A8。其中，当AGV无执行任务的情况下，A8为NULL。
在本发明的一个实施例中，通信特征参数包括AGV通讯网络是否通畅，记为A9。示例性的，AGV通讯网络通畅，A9＝1；AGV通讯网络不通畅，A9＝0。
至此，由时间特征参数、任务特征参数和通讯特征参数，可知在AGV异常时的行驶数据是离线数据的情况下，具体包括：A1、A2、A3、A4、A5、A6、A7、A8和A9，合计9个参数。在AGV异常时的行驶数据是在线数据的情况下，具体包括：A1、A3、A5、A7、A8和A9，合计6个参数。
S103、采用预设故障模型，通过时间特征参数、任务特征参数和通讯特征参数的输出结果，识别发生异常的无人运输车的故障。
在本发明实施例中，预设故障模型是基于AGV异常时的历史行驶数据所建立用于识别AGV故障的模型。
下面就建立预设故障模型进行示例性说明。
可以理解的是，发生异常的AGV的历史行驶数据是在一段时间内统计的AGV发生异常的情况下的行驶数据。
参见图2，图2是根据本发明实施例的建立预设故障模型的流程的示意图，具体包括：
S201、从仓库内发生异常的AGV的历史行驶数据中，提取历史任务特征参数和历史通讯特征参数，并结合其他AGV的历史行驶数据的时间参数，将发生异常的AGV的历史行驶数据的时间参数，转换为历史时间特征参数。
仓库内包括多个AGV，对于每个AGV而言均存在历史行驶数据。可以按照发生异常的原因，将历史行驶数据分为多种。考虑到，历史事件特征参数是从时间的维度衡量行驶数据的参数，则结合其他AGV历史行驶数据的时间参数，将AGV异常时历史行驶数据的时间参数转换为历史时间特征参数。
需要说明的是，提取历史任务特征参数和历史通讯特征参数，将AGV异常时历史行驶数据的时间参数转换为历史时间特征参数，与S102中提取任务特征参数和通讯特征参数，将发生异常的AGV的行驶数据的时间参数，转换为时间特征参数一致，因此不再重复说明。
S202、将历史时间特征参数、历史任务特征参数、历史通讯特征参数和发生异常的AGV的故障标识作为训练数据集，训练分类模型，得到预设故障模型。
发生异常的AGV的故障标识是人工标注得到的，即由工程人员预先标注发生异常的AGV是硬件故障或仓库故障。将历史时间特征参数、历史任务特征参数、历史通讯特征参数和发生异常的AGV的故障标识作为训练数据集。
训练数据集用以训练分类模型，其中，将历史时间特征参数、历史任务特征参数、历史通讯特征参数作为分类模型的输入参数，以发生异常的AGV的故障标识训练分类模型的输出结果，最终得到预设故障模型。其中，分类模型可以是支持向量机、随机森林或决策树等。
可以理解的是，在发生异常的AGV的行驶数据是离线数据的情况下，历史时间特征参数、历史任务特征参数、历史通讯特征参数相应的具体包括9个历史参数。采用上述9个历史参数和发生异常的AGV的故障标识，可以得到适用于离线数据的预设故障模型。需要说明的是，9个历史参数分别为B1至B9，分别与A1至A9相对应，其物理意义相同，不同之处在于A1至A9是用于识别故障的行驶数据，B1至B9是用于训练故障模型的历史行驶数据。
在发生异常的AGV的行驶数据是在线数据的情况下，历史时间特征参数、历史任务特征参数、历史通讯特征参数具体包括6个历史参数。采用上述6个历史参数和发生异常的AGV的故障标识，可以得到适用于在线数据的预设故障模型。
在上述实施例中，通过历史行驶数据可以建立预设故障模型，进而可以准确识别AGV的故障。
下面结合具体数据，示例性说明建立适用于离线数据的预设故障模型。
参见表1，表1是异常原因为心跳两次超时的历史行驶数据示意图，其中，涉及的9个历史参数分别以B1至B9标出。表1中的ID是历史行驶数据的标识。
表1
在本发明的一个实施例中，将历史时间特征参数、历史任务特征参数、历史通讯特征参数和发生异常的AGV的故障标识作为训练数据集，采用ID3算法训练决策树，得到预设故障模型。
具体来说，可以利用表1中的数据作为输入数据，按照下述步骤得到图3中的决策树，图3是根据本发明实施例的决策树的示意图。
表1中所有实例并不属于同一异常原因，由表1可知异常原因包括两种，分别为仓库故障C1和硬件故障C2。那么，计算表1中B1至B9的信息增益，其中B3的信息增益最大，则将B3作为根节点。
下面以确定根节点为例，示例性说明计算信息增益的过程。
首先，计算表1中包括所有数据的训练数据集D的经验熵H(D)。
其中，CK是表示故障类型，K等于1或2；D是训练数据集D中数据数量。
其次，计算特征B对D的经验条件熵H(D|B)。
其中，i是代表数据集D被划分成的类别，i等于1或2。DiK是数据集D中第i类数据属于故障K的数量。
然后，根据公式(1)和公式(2)计算信息增益g(D，B)
g(D，B)＝H(D)-H(D|B) (3)
预设分类数量，示例性的，将特征B分为2类。其中，以表3中的特征B3为例计算信息增益，以平均数为切分点，将参数分为两类，即大于平均数的特征为一类；小于平均数的特征为一类。需要说明的是，经大量的数据严重，将特征B分为2类，识别故障的准确性较高。
计算B的平均数：(5+7+1+2+2+6+9)/7＝4.5，计算特征B3的信息增益：
对于其他特征，按照公式(1)至公式(3)计算信息增益，比较计算得到的信息增益结果，可知g(D，B)最大，则选择B3为根节点。然后，基于信息增益，按照公式(1)至公式(3)在小于上述平均数的一类，以及在大于上述平均数的一类，分别计算除B3外其他节点的信息增益，分别将B5和B6作为子节点。其中，建立图3中左侧的分支。
类似的，将B8和B5作为B6的子节点，建立图3中右侧的分支。至此，基于表1中的数据，示例性建立图3中的决策树。其中，图3中的决策树适用于离线数据，是离线数据的预设故障模块。将图3中的预设故障模型，通过时间特征参数、任务特征参数和通讯特征参数的输出结果，识别AGV的故障。
在上述实施例中，考虑到发生异常的AGV向服务器发送的行驶数据，结合其他AGV的行驶数据，分别从时间、任务和通讯的三个角度转换发生异常的AGV的行驶数据，采用预设故障模型，进而可以识别AGV的故障属于硬件故障还是仓库故障，提高识别故障的效率。对于硬件故障，可以及时下线故障AGV；对于仓库故障，可以迅速维修仓库。
图4是根据本发明实施例的识别故障的装置的主要结构的示意图，识别故障的装置可以实现识别故障的方法，如图4所示，识别故障的装置具体包括：
获取模块401，用于获取发生异常的无人运输车的行驶数据.
转换模块402，用于从发生异常的无人运输车的行驶数据中提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数。
识别模块403，用于采用预设故障模型，通过时间特征参数、任务特征参数和通讯特征参数的输出结果，识别发生异常的无人运输车的故障。
在本发明的一个实施例中，还包括训练模块404，
转换模块402，用于从仓库内发生异常的无人运输车的历史行驶数据中，提取历史任务特征参数和历史通讯特征参数，结合仓库中其他无人运输车历史行驶数据的时间参数，将发生异常的无人运输车的历史行驶数据的时间参数，转换为历史时间特征参数。
训练模块404，用于将历史时间特征参数、历史任务特征参数、历史通讯特征参数和发生异常的无人运输车的故障标识作为训练数据集，训练分类模型，得到预设故障模型。
在本发明的一个实施例中，分类模型包括决策树；
训练模块404，具体用于将历史时间特征参数、历史任务特征参数、历史通讯特征参数和发生异常的无人运输车的故障标识作为训练数据集，采用ID3算法训练决策树，得到预设故障模型。
在本发明的一个实施例中，转换模块402，具体用于时间参数包括所述发生异常的异常发生时间；
在发生异常的无人运输车的异常发生时间的一段时间内，基于其他无人运输车的异常发生时间，确定以下参数中的一个或多个，无人运输车发生异常的时间段，预设第一时间段内无人运输车发生异常的数量，以及在预设第二时间段内无人运输车完成的任务数量。
在本发明的一个实施例中，时间特征参数包括以下参数中的一个或多个，无人运输车发生异常的时间段，预设第一时间段内无人运输车发生异常的数量，以及在预设第二时间段内无人运输车完成的任务数量；
任务特征参数包括无人运输车是否在执行任务期间发生异常和任务类型；
通信特征参数包括无人运输车通讯网络是否通畅。
图5示出了可以应用本发明实施例的识别故障的方法或识别故障的装置的示例性系统架构500。
如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的识别故障的方法一般由服务器505执行，相应地，识别故障的装置一般设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送单元、获取单元、确定单元和第一处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读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一个该设备执行时，使得该设备包括：
获取发生异常的无人运输车的行驶数据；
从所述发生异常的无人运输车的行驶数据中，提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将所述发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数；
采用预设故障模型，通过所述时间特征参数、所述任务特征参数和所述通讯特征参数的输出结果，识别所述发生异常的无人运输车的故障。
根据本发明实施例的技术方案，因为获取发生异常的无人运输车的行驶数据；从发生异常的无人运输车的行驶数据中提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将发生异常的无人运输车辆的转换为时间特征参数；时间特征参数是从时间的角度标识无人运输车的状态；任务特征参数是从所执行任务的角度标识无人运输车的状态；通信特征参数是从通讯角度标识无人运输车的状态。采用预设故障模型，通过时间特征参数、任务特征参数和通讯特征参数的输出结果，识别发生异常的无人运输车的故障。由于预设故障模型是基于历史行驶数据所建立，可以准确输出结果，进而能够提高识别故障的效率。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种识别故障的方法，其特征在于，包括：
获取发生异常的无人运输车的行驶数据；
从所述发生异常的无人运输车的行驶数据中，提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将所述发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数；
采用预设故障模型，通过所述时间特征参数、所述任务特征参数和所述通讯特征参数的输出结果，识别所述发生异常的无人运输车的故障。
2.根据权利要求1所述识别故障的方法，其特征在于，所述采用预设故障模型，通过所述时间特征参数、所述任务特征参数和所述通讯特征参数的输出结果，识别所述发生异常的无人运输车的故障之前，还包括：
从仓库内发生异常的无人运输车的历史行驶数据中，提取历史任务特征参数和历史通讯特征参数，并结合仓库中其他无人运输车历史行驶数据的时间参数，将所述发生异常的无人运输车的历史行驶数据的时间参数，转换为历史时间特征参数；
将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，训练分类模型，得到所述预设故障模型。
3.根据权利要求2所述识别故障的方法，其特征在于，所述分类模型包括决策树；
所述将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，训练分类模型，得到所述预设故障模型，包括：
所述将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，采用ID3算法训练所述决策树，得到所述预设故障模型。
4.根据权利要求1所述识别故障的方法，其特征在于，所述结合仓库中其他无人运输车行驶数据的时间参数，将所述发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数，包括：
所述时间参数包括所述发生异常的异常发生时间；
在所述发生异常的无人运输车的所述异常发生时间的一段时间内，基于所述其他无人运输车的所述异常发生时间，确定以下参数中的一个或多个，无人运输车发生异常的时间段，预设第一时间段内无人运输车发生异常的数量，以及在预设第二时间段内无人运输车完成的任务数量。
5.根据权利要求1所述识别故障的方法，其特征在于，所述时间特征参数包括以下参数中的一个或多个，无人运输车发生异常的时间段，预设第一时间段内无人运输车发生异常的数量，以及在预设第二时间段内无人运输车完成的任务数量；
所述任务特征参数包括无人运输车是否在执行任务期间发生异常和任务类型；
所述通信特征参数包括无人运输车通讯网络是否通畅。
6.一种识别故障的装置，其特征在于，包括：
获取模块，用于获取发生异常的无人运输车的行驶数据；
转换模块，用于从所述发生异常的无人运输车的行驶数据中，提取任务特征参数和通信特征参数，并结合仓库中其他无人运输车行驶数据的时间参数，将所述发生异常的无人运输车辆的行驶数据的时间参数，转换为时间特征参数；
识别模块，用于采用预设故障模型，通过所述时间特征参数、所述任务特征参数和所述通讯特征参数的输出结果，识别所述发生异常的无人运输车的故障。
7.根据权利要求6所述识别故障的装置，其特征在于，所述装置还包括训练模块，
所述转换模块，用于从仓库内发生异常的无人运输车的历史行驶数据中，提取历史任务特征参数和历史通讯特征参数，并结合仓库中其他无人运输车的历史行驶数据的时间参数，将所述发生异常的无人运输车的历史行驶数据的时间参数，转换为历史时间特征参数；
所述训练模块，用于将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，训练分类模型，得到所述预设故障模型。
8.根据权利要求7所述识别故障的装置，其特征在于，所述分类模型包括决策树；
所述训练模块，具体用于将所述历史时间特征参数、所述历史任务特征参数、所述历史通讯特征参数和所述发生异常的无人运输车的故障标识作为训练数据集，采用ID3算法训练所述决策树，得到所述预设故障模型。
9.一种识别故障的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910682411.6A CN112306722A (zh) | 2019-07-26 | 2019-07-26 | 识别故障的方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910682411.6A CN112306722A (zh) | 2019-07-26 | 2019-07-26 | 识别故障的方法、装置、设备和计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112306722A true CN112306722A (zh) | 2021-02-02 |
Family
ID=74330007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910682411.6A Pending CN112306722A (zh) | 2019-07-26 | 2019-07-26 | 识别故障的方法、装置、设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112306722A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112988441A (zh) * | 2021-03-03 | 2021-06-18 | 北京京东乾石科技有限公司 | 异常处理方法和装置 |
| CN114189275A (zh) * | 2021-12-03 | 2022-03-15 | 北京京东乾石科技有限公司 | 物流通信方法、装置、系统、无人机和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107612788A (zh) * | 2017-11-07 | 2018-01-19 | 中国电子科技集团公司第二十八研究所 | 一种时间服务器故障检测方法、设备和系统 |
| CN108427423A (zh) * | 2018-05-07 | 2018-08-21 | 温州大学瓯江学院 | 一种无人仓储智能综合监控调度系统及其控制方法 |
| CN108550264A (zh) * | 2018-06-22 | 2018-09-18 | 泉州创先力智能科技有限公司 | 一种道路监控方法、装置、设备和存储介质 |
| CN108900319A (zh) * | 2018-05-30 | 2018-11-27 | 北京百度网讯科技有限公司 | 故障检测方法和装置 |
| CN108960303A (zh) * | 2018-06-20 | 2018-12-07 | 哈尔滨工业大学 | 一种基于lstm的无人机飞行数据异常检测方法 |
| CN109144835A (zh) * | 2018-08-02 | 2019-01-04 | 广东浪潮大数据研究有限公司 | 一种应用服务故障的自动预测方法、装置、设备及介质 |
| WO2019109741A1 (zh) * | 2017-12-05 | 2019-06-13 | 阿里巴巴集团控股有限公司 | 异常数据访问的识别方法和装置 |
-
2019
- 2019-07-26 CN CN201910682411.6A patent/CN112306722A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107612788A (zh) * | 2017-11-07 | 2018-01-19 | 中国电子科技集团公司第二十八研究所 | 一种时间服务器故障检测方法、设备和系统 |
| WO2019109741A1 (zh) * | 2017-12-05 | 2019-06-13 | 阿里巴巴集团控股有限公司 | 异常数据访问的识别方法和装置 |
| CN108427423A (zh) * | 2018-05-07 | 2018-08-21 | 温州大学瓯江学院 | 一种无人仓储智能综合监控调度系统及其控制方法 |
| CN108900319A (zh) * | 2018-05-30 | 2018-11-27 | 北京百度网讯科技有限公司 | 故障检测方法和装置 |
| CN108960303A (zh) * | 2018-06-20 | 2018-12-07 | 哈尔滨工业大学 | 一种基于lstm的无人机飞行数据异常检测方法 |
| CN108550264A (zh) * | 2018-06-22 | 2018-09-18 | 泉州创先力智能科技有限公司 | 一种道路监控方法、装置、设备和存储介质 |
| CN109144835A (zh) * | 2018-08-02 | 2019-01-04 | 广东浪潮大数据研究有限公司 | 一种应用服务故障的自动预测方法、装置、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| GIUSEPPE MANCO 等: "Fault detection and explanation through big data analysis on sensor streams", EXPERT SYSTEMS WITH APPLICATIONS * |
| 秦荣海;任稷松;郭蔚;赵昌健;贾培伟;: "基于CUSUM算法的网络设备故障预测", 中国科技信息, no. 02 * |
| 贾彩娟;许晖;: "分级多模自适应滤波算法无人机控制系统故障诊断", 火力与指挥控制, no. 07 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112988441A (zh) * | 2021-03-03 | 2021-06-18 | 北京京东乾石科技有限公司 | 异常处理方法和装置 |
| CN112988441B (zh) * | 2021-03-03 | 2024-04-05 | 北京京东乾石科技有限公司 | 异常处理方法和装置 |
| CN114189275A (zh) * | 2021-12-03 | 2022-03-15 | 北京京东乾石科技有限公司 | 物流通信方法、装置、系统、无人机和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110493025B (zh) | 一种基于多层有向图的故障根因诊断的方法及装置 | |
| CN107332765B (zh) | 用于维修路由器故障的方法和装置 | |
| US20180129191A1 (en) | Industrial automation system machine analytics for a connected enterprise | |
| US20230132116A1 (en) | Prediction of impact to data center based on individual device issue | |
| CN111666187B (zh) | 用于检测异常响应时间的方法和装置 | |
| CN111881221A (zh) | 物流服务里客户画像的方法、装置和设备 | |
| CN110347694B (zh) | 一种基于物联网的设备监控方法、装置及系统 | |
| CN112306722A (zh) | 识别故障的方法、装置、设备和计算机可读介质 | |
| CN114429256A (zh) | 数据监测方法、装置、电子设备及存储介质 | |
| CN113934536B (zh) | 面向边缘计算的数据采集方法 | |
| CN114417996A (zh) | 一种分布式光伏组串的异常检测方法、装置和电子设备 | |
| CN112429446A (zh) | 一种变距穿梭车货叉间距校正方法和装置 | |
| CN110505301A (zh) | 一种航空制造车间工业大数据处理框架 | |
| CN113537519B (zh) | 一种识别异常设备的方法和装置 | |
| CN206237041U (zh) | 一种输变电设备电力数据的聚类系统 | |
| CN115130911A (zh) | 机器人执行失败的配送任务的处理方法及装置 | |
| CN114861909A (zh) | 模型质量监控方法、装置、电子设备以及存储介质 | |
| CN110796461B (zh) | 一种评价选品正确性的方法和装置 | |
| CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
| CN112541011A (zh) | 基于rpa和ai的电网终端故障处理方法及装置 | |
| KR20230000128A (ko) | 이동통신 장비 이상 검출 시스템 및 방법 | |
| CN111427930A (zh) | 一种低压光伏储能微网设备监测管理系统、方法及设备 | |
| CN110275812A (zh) | 故障信息处理的方法及终端设备 | |
| CN112711508A (zh) | 面向大规模客户端系统的智能运维服务系统 | |
| Santo Longo et al. | Big Data for advanced monitoring system: an approach to manage system complexity |
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 |