CN113064779A - 一种机器出厂诊断方法、系统、设备和存储介质 - Google Patents
一种机器出厂诊断方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN113064779A CN113064779A CN202110239389.5A CN202110239389A CN113064779A CN 113064779 A CN113064779 A CN 113064779A CN 202110239389 A CN202110239389 A CN 202110239389A CN 113064779 A CN113064779 A CN 113064779A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- diagnosed
- equipment
- configuration parameters
- factory
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012797 qualification Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 14
- 238000009530 blood pressure measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012545 processing 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
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Factory Administration (AREA)
Abstract
本发明提出一种机器出厂诊断方法、系统、设备和存储介质，该方法包括以下步骤：获取待诊断设备机型和待诊断设备配置，并均存入数据库作为数据集；基于待诊断设备的配置参数，获取历史预设时间段的出厂记录作为诊断条件的训练集，并根据待诊断设备的配置参数确定诊断条件；采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据，得到机器出厂诊断结果。基于一种机器出厂诊断方法，本发明还提出了一种机器出厂诊断系统，设备和存储介质。本发明提出以最近邻算法的诊断方法，根据历史诊断记录，确定诊断条件，将欧氏距离最小的多个不同配置参数确定为诊断结果，使服务器出厂诊断更加具有针对性和精确性，提高产品出厂合格率。
Description
技术领域
本发明属于机器诊断技术领域，特别涉及一种机器出厂诊断方法、系统、设备和存储介质。
背景技术
当前，所有的电子设备，如服务器、电视、电脑、电能表、手机等在出厂前都要对产品进行出厂前的诊断，确保出厂产品的质量。但是每种产品需要测试什么，怎么能保证测试更加全面而具有针对性，尤其是需要用时比较长的压测，具体应该测试多长时间，对哪些部件哪些性能进行压测。
一般的诊断方案都是根据团队已有方案，在诊断工程师对项目做分析后修改，或者根据客户的需求出诊断方案。以服务器的出厂诊断为例，现有方案大概结构如下：
[RUNIN]
Item#0＝RUNIN_CMD_1
Item#2＝RUNIN_SETUP_ENABLE
Item#10＝RUNIN_HARD_PCYCLE_1
Item#10＝RUNIN_HARD_PCYCLE_2
Item#10＝RUNIN_HARD_PCYCLE_3
Item#10＝RUNIN_SOFT_PCYCLE_1
Item#10＝RUNIN_SOFT_PCYCLE_2
Item#10＝RUNIN_SOFT_PCYCLE_3
Item#1＝RUNIN_DIAGS_1
Item#1＝RUNIN_PERF_TEST
Item#20＝RUNIN_IMTIPT_TEST_1
Item#21＝RUNIN_IMTIPT_TEST_2
Item#25＝RUNIN_IMTIDT_TEST_1
Item#31＝RUNIN_GPU_TEST
Item#32＝RUNIN_SETUP_RECOVER
Item#38＝RUNIN_CMD_2
Item#40＝RUNIN_CMD_3
Item#41＝RUNIN_LAST_CHECK
Item#42＝RUNIN_DIAGS_2
Item#42＝RUNIN_SETUP_CHECK
每一项item的给是工程师根据已有方案并且对项目进行分析得来。这种方式不仅不够精确还需要工程师投入大量的时间和精力。另一方面比如压力测试。具体需要持续多长时间，循环多少次才比较合适。现有的方案给出有时候是看客户需求，有时候是借鉴已有的项目。很显然，这种诊断方案过于传统，不仅需要工程师投入大量的时间和精力，并且科学性不够高。如何使诊断更加具有针对性和精确性，从而提高产品出厂合格率是个亟待解决的技术问题。
发明内容
为了解决上述技术问题，本发明提出了一种机器出厂诊断方法、系统、设备和存储介质，选择合适的特征诊断条件，采用最近邻算法提高机器出厂诊断的针对性和精确性。
为实现上述目的，本发明采用以下技术方案：
一种机器出厂诊断方法，包括以下步骤：
获取待诊断设备机型和待诊断设备配置，并均存入数据库作为数据集；
基于待诊断设备的配置参数，获取历史预设时间段的出厂记录作为诊断条件的训练集，并根据待诊断设备的配置参数确定诊断条件；
采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据，得到机器出厂诊断结果。
进一步的，所述待诊断设备包括服务器。
进一步的，所述待诊断设备配置包括服务器主板型号、服务器主板数量、网卡型号、网卡数量、内存型号、内存数量、硬盘型号和硬盘数量。
进一步的，所述根据待诊断设备的配置参数确定诊断条件包括：
所述主板的性能为支持CPU运行达到额定频率作为第一诊断条件；
所述网卡的性能为网卡速度达到要求速率作为第二诊断条件；
所述内存的性能为单位时间内存入容量最大且延迟最小作为第三诊断条件所述硬盘的性能为每秒最大输入输出数作为第四诊断条件。
进一步的，采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据的的过程为：在数据集中以向量形式计算所述待诊断设备配置参数与训练集之间的欧氏距离，并将欧氏距离最小的多个不同配置参数确定为诊断结果。
进一步的，所述将欧氏距离最小的多个不同配置参数确定为诊断结果包括：
将欧氏距离最小的三个主板的配置参数输出作为第一诊断结果；
将欧氏距离最小的三个网卡的配置参数输出作为第二诊断结果；
将欧氏距离最小的三个内存的配置参数输出作为第三诊断结果；
将欧氏距离最小的三个硬盘的配置参数输出作为第四诊断结果。
本发明还提出了一种机器出厂诊断系统，包括第一获取模块、第二获取模块和计算模块；
所述第一获取模块用于获取待诊断设备机型和待诊断设备配置，并均存入数据库作为数据集；
所述第二获取模块用于基于待诊断设备的配置参数，获取历史预设时间段的出厂记录作为诊断条件的训练集，并根据待诊断设备的配置参数确定诊断条件；
所述计算模块用于采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据，得到机器出厂诊断结果。
进一步的，所述计算模块执行的过程为：
在数据集中以向量形式计算所述待诊断设备配置参数与训练集之间的欧氏距离；
将欧氏距离最小的三个主板的配置参数输出作为第一诊断结果；将欧氏距离最小的三个网卡的配置参数输出作为第二诊断结果；将欧氏距离最小的三个内存的配置参数输出作为第三诊断结果；将欧氏距离最小的三个硬盘的配置参数输出作为第四诊断结果。
一种机器出厂诊断设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现方法步骤。
一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现方法步骤。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明提出一种机器出厂诊断方法、系统、设备和存储介质，该方法包括以下步骤：获取待诊断设备机型和待诊断设备配置，并均存入数据库作为数据集；基于待诊断设备的配置参数，获取历史预设时间段的出厂记录作为诊断条件的训练集，并根据待诊断设备的配置参数确定诊断条件；采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据，得到机器出厂诊断结果。基于一种机器出厂诊断方法，本发明还提出了一种机器出厂诊断系统，设备和存储介质。本发明机器出厂具有的数据量大并且数据易获取的特点的基础上，提出以最近邻算法的诊断方法，通过本方法可以找到已有的相似机器型号，根据历史诊断记录，以及确定诊断条件，将欧氏距离最小的多个不同配置参数确定为诊断结果。本发明中服务器的诊断结果包括第一诊断结果、第二诊断结果、第三诊断结果和第四诊断结果，本发明使服务器出厂诊断更加具有针对性和精确性，从而提高产品出厂合格率。
附图说明
如图1为本发明实施例1一种机器出厂诊断方法流程图；
如图2为本发明实施例2一种机器出厂诊断系统示意图；
如图3为本发明实施例3硬盘诊断方案输出分布图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例1
本发明实施例1提出了一种机器出厂诊断方法。由于产线生产机器数量大，种类多，配置多。机器的出货量可能是千万来计量的。对于服务器，每一个板卡或者相似的板卡可能在多次生产中用到，所以存在最近邻算法进行诊断的条件。
如图1给出了本发明实施例1一种机器出厂诊断方法流程图。
在步骤S101中，获取待诊断设备机型和待诊断设备配置，并均存入数据库作为数据集。本发明中主要是进行服务器设备出厂测试。利用数据库对所有服务器的机型、配置进行尽量详细的记录。待诊断设备配置包括服务器主板型号、服务器主板数量、网卡型号、网卡数量、内存型号、内存数量、硬盘型号和硬盘数量。
在步骤S102中，基于待诊断设备的配置参数，获取历史预设时间段的出厂记录作为诊断条件的训练集，并根据待诊断设备的配置参数确定诊断条件；比如某一型号的硬盘持续压测多个小时没有报错，在多少小时时有压测失败记录，报错原因是什么，用的什么压测工具。
本发明中主板的性能为支持CPU运行达到额定频率作为第一诊断条件；网卡的性能为网卡速度达到要求速率作为第二诊断条件；内存的性能为单位时间内存入容量最大且延迟最小作为第三诊断条件；硬盘的性能为每秒最大输入输出数作为第四诊断条件。
当某一个新的服务器需要投入生产时，服务器主板型号和各个板卡的型号配置也输入到数据库，用于更新补充数据集。
在步骤S103中，采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据，得到机器出厂诊断结果。
在数据集中以向量形式计算所述待诊断设备配置参数与训练集之间的欧氏距离，并将欧氏距离最小的多个不同配置参数确定为诊断结果。将欧氏距离最小的三个主板的配置参数输出作为第一诊断结果；将欧氏距离最小的三个网卡的配置参数输出作为第二诊断结果；将欧氏距离最小的三个内存的配置参数输出作为第三诊断结果；将欧氏距离最小的三个硬盘的配置参数输出作为第四诊断结果。
本发明中的三个作为最近邻算法KNN中K的取值，如果选择较大的K值，就相当于用较大领域中的训练实例进行预测，其优点是可以减少学习的估计误差，但缺点是学习的近似误差会增大。这时候，与输入实例较远(不相似的)训练实例也会对预测器作用，使预测发生错误，且K值的增大就意味着整体的模型变得简单。
K＝N，则完全不足取，因为此时无论输入实例是什么，都只是简单的预测它属于在训练实例中最多的累，模型过于简单，忽略了训练实例中大量有用信息。
在实际应用中，K值一般取一个比较小的数值，例如采用交叉验证法(简单来说，就是一部分样本做训练集，一部分做测试集)来选择最优的K值。本发明中保护的范围不局限于实施例中列出的K的取值。
本发明中服务器的诊断结果包括第一诊断结果、第二诊断结果、第三诊断结果和第四诊断结果。在整个数据库中根据最近邻算法KNN算法搜索相近条件的某几种服务器和板卡。并看他们的诊断方案和诊断结果，从而给出目标服务器的诊断方案。
实施例2
基于本发明实施例1提出的一种机器出厂诊断方法，本发明实施例2还提出了一种机器出厂诊断系统，如图2给出了本发明实施例2一种机器出厂诊断系统示意图，该系统包括第一获取模块、第二获取模块和计算模块；
第一获取模块用于获取待诊断设备机型和待诊断设备配置，并均存入数据库作为数据集；
第二获取模块用于基于待诊断设备的配置参数，获取历史预设时间段的出厂记录作为诊断条件的训练集，并根据待诊断设备的配置参数确定诊断条件；
计算模块用于采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据，得到机器出厂诊断结果。
计算模块执行的过程为：在数据集中以向量形式计算所述待诊断设备配置参数与训练集之间的欧氏距离；将欧氏距离最小的三个主板的配置参数输出作为第一诊断结果；将欧氏距离最小的三个网卡的配置参数输出作为第二诊断结果；将欧氏距离最小的三个内存的配置参数输出作为第三诊断结果；将欧氏距离最小的三个硬盘的配置参数输出作为第四诊断结果。
本发明还提出了一种机器出厂诊断设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现方法步骤。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现方法步骤。
实施例3
本发明实施例3给出了硬盘的诊断案例，首先根据硬盘厂家型号、容量、数据传输速度，找出数据库中与目标硬盘相近的有硬盘A、硬盘B、硬盘C。并且发现随着压测时间的增加，ABC三种硬盘报错概率呈正态分布。如图3为本发明实施例3硬盘诊断方案输出分布图。
从而发现在压测时间较短如Ta时，硬盘几乎没有报错，随着压测时间增加报错概率呈正态分布，在Tb时，出现的报错最多，到达Tc时，报错又几乎没有。所以对于目标硬盘的测试方案我们可以总结出：选择Tc的压测时间比较合适，如果要提高精确度，可以实当增加到Td时常。但是如果测试时间太短，可能起不到压测效果。
通过上面的压测方案，我们可以确定时间在多少时即可以较好的检测出硬盘的问题，又可以不会花费不必要的压测时间。同样的方法我们可以通过测试报错率，判断某一个测试项的设置是否合理，比如某一硬盘通过方案A没有报错，但是方案B报错率比较高，我们就可以采用B来对本次压测。
综上所示，通过选择合适的特征诊断条件，然后根据最近邻算法KNN进行分析，可以方便的制作出更精确的诊断方案。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种机器出厂诊断方法，其特征在于，包括以下步骤：
获取待诊断设备机型和待诊断设备配置，并均存入数据库作为数据集；
基于待诊断设备的配置参数，获取历史预设时间段的出厂记录作为诊断条件的训练集，并根据待诊断设备的配置参数确定诊断条件；
采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据，得到机器出厂诊断结果。
2.根据权利要求1所述的一种机器出厂诊断方法，其特征在于，所述待诊断设备包括服务器。
3.根据权利要求2所述的一种机器出厂诊断方法，其特征在于，所述待诊断设备配置包括服务器主板型号、服务器主板数量、网卡型号、网卡数量、内存型号、内存数量、硬盘型号和硬盘数量。
4.根据权利要求3所述的一种机器出厂诊断方法，其特征在于，所述根据待诊断设备的配置参数确定诊断条件包括：
所述主板的性能为支持CPU运行达到额定频率作为第一诊断条件；
所述网卡的性能为网卡速度达到要求速率作为第二诊断条件；
所述内存的性能为单位时间内存入容量最大且延迟最小作为第三诊断条件所述硬盘的性能为每秒最大输入输出数作为第四诊断条件。
5.根据权利要求4所述的一种机器出厂诊断方法，其特征在于，采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据的的过程为：在数据集中以向量形式计算所述待诊断设备配置参数与训练集之间的欧氏距离，并将欧氏距离最小的多个不同配置参数确定为诊断结果。
6.根据权利要求5所述的一种机器出厂诊断方法，其特征在于，所述将欧氏距离最小的多个不同配置参数确定为诊断结果包括：
将欧氏距离最小的三个主板的配置参数输出作为第一诊断结果；
将欧氏距离最小的三个网卡的配置参数输出作为第二诊断结果；
将欧氏距离最小的三个内存的配置参数输出作为第三诊断结果；
将欧氏距离最小的三个硬盘的配置参数输出作为第四诊断结果。
7.一种机器出厂诊断系统，其特征在于，包括第一获取模块、第二获取模块和计算模块；
所述第一获取模块用于获取待诊断设备机型和待诊断设备配置，并均存入数据库作为数据集；
所述第二获取模块用于基于待诊断设备的配置参数，获取历史预设时间段的出厂记录作为诊断条件的训练集，并根据待诊断设备的配置参数确定诊断条件；
所述计算模块用于采用最近邻算法计算出在诊断条件下待诊断设备数据集距离训练集的最近邻数据，得到机器出厂诊断结果。
8.根据权利要求7所述一种机器出厂诊断系统，其特征在于，所述计算模块执行的过程为：
在数据集中以向量形式计算所述待诊断设备配置参数与训练集之间的欧氏距离；
将欧氏距离最小的三个主板的配置参数输出作为第一诊断结果；将欧氏距离最小的三个网卡的配置参数输出作为第二诊断结果；将欧氏距离最小的三个内存的配置参数输出作为第三诊断结果；将欧氏距离最小的三个硬盘的配置参数输出作为第四诊断结果。
9.一种机器出厂诊断设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任意一项所述的方法步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110239389.5A CN113064779A (zh) | 2021-03-04 | 2021-03-04 | 一种机器出厂诊断方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110239389.5A CN113064779A (zh) | 2021-03-04 | 2021-03-04 | 一种机器出厂诊断方法、系统、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113064779A true CN113064779A (zh) | 2021-07-02 |
Family
ID=76559757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110239389.5A Pending CN113064779A (zh) | 2021-03-04 | 2021-03-04 | 一种机器出厂诊断方法、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113064779A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109839583A (zh) * | 2019-03-26 | 2019-06-04 | 电子科技大学 | 基于改进遗传算法的模拟电路多故障诊断方法 |
| CN110118657A (zh) * | 2019-06-21 | 2019-08-13 | 杭州安脉盛智能技术有限公司 | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 |
| CN110727257A (zh) * | 2019-08-27 | 2020-01-24 | 华润置地控股有限公司 | 基于k均值聚类算法的设备运行诊断方法和装置 |
| CN111078456A (zh) * | 2019-12-26 | 2020-04-28 | 新奥数能科技有限公司 | 设备故障诊断方法、装置、计算机可读存储介质和电子设备 |
| CN111260063A (zh) * | 2020-01-10 | 2020-06-09 | 电子科技大学 | 基于遗传算法的模拟电路故障定位与参数辨识方法 |
| CN111737078A (zh) * | 2020-05-12 | 2020-10-02 | 华南理工大学 | 基于负载类型的自适应云服务器能耗测算方法、系统及设备 |
| CN112084092A (zh) * | 2020-09-11 | 2020-12-15 | 山东英信计算机技术有限公司 | 一种诊断规则的确定方法、装置、设备及存储介质 |
| CN112329276A (zh) * | 2021-01-04 | 2021-02-05 | 国网江西省电力有限公司电力科学研究院 | 一种基于综合能源系统的安全状态分析方法及装置 |
-
2021
- 2021-03-04 CN CN202110239389.5A patent/CN113064779A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109839583A (zh) * | 2019-03-26 | 2019-06-04 | 电子科技大学 | 基于改进遗传算法的模拟电路多故障诊断方法 |
| CN110118657A (zh) * | 2019-06-21 | 2019-08-13 | 杭州安脉盛智能技术有限公司 | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 |
| CN110727257A (zh) * | 2019-08-27 | 2020-01-24 | 华润置地控股有限公司 | 基于k均值聚类算法的设备运行诊断方法和装置 |
| CN111078456A (zh) * | 2019-12-26 | 2020-04-28 | 新奥数能科技有限公司 | 设备故障诊断方法、装置、计算机可读存储介质和电子设备 |
| CN111260063A (zh) * | 2020-01-10 | 2020-06-09 | 电子科技大学 | 基于遗传算法的模拟电路故障定位与参数辨识方法 |
| CN111737078A (zh) * | 2020-05-12 | 2020-10-02 | 华南理工大学 | 基于负载类型的自适应云服务器能耗测算方法、系统及设备 |
| CN112084092A (zh) * | 2020-09-11 | 2020-12-15 | 山东英信计算机技术有限公司 | 一种诊断规则的确定方法、装置、设备及存储介质 |
| CN112329276A (zh) * | 2021-01-04 | 2021-02-05 | 国网江西省电力有限公司电力科学研究院 | 一种基于综合能源系统的安全状态分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9424157B2 (en) | Early detection of failing computers | |
| US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
| TWI510916B (zh) | 儲存裝置壽命監控系統以及其儲存裝置壽命監控方法 | |
| US8024609B2 (en) | Failure analysis based on time-varying failure rates | |
| CN104137078A (zh) | 操作管理设备、操作管理方法和程序 | |
| JP2015026252A (ja) | 異常検知装置及びプログラム | |
| JP7504772B2 (ja) | 異常判定装置、学習装置及び異常判定方法 | |
| CN102884486A (zh) | 故障分析装置、故障分析方法和记录介质 | |
| CN104516808A (zh) | 数据预处理装置及方法 | |
| CN115964361B (zh) | 一种数据增强方法、系统、设备及计算机可读存储介质 | |
| CN111124732A (zh) | 一种磁盘故障的预测方法、系统、设备及存储介质 | |
| CN111813585A (zh) | 慢盘的预测和处理 | |
| CN111061581A (zh) | 一种故障检测方法、装置及设备 | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
| CN103077441A (zh) | 自识别电子产品的预测健康管理方法 | |
| US11585732B2 (en) | Apparatus and method for diagnosing failure of plant | |
| CN109698026B (zh) | 医学设备的故障处理时的组件识别 | |
| CN113064779A (zh) | 一种机器出厂诊断方法、系统、设备和存储介质 | |
| US10776240B2 (en) | Non-intrusive performance monitor and service engine | |
| CN112380127B (zh) | 测试用例回归方法、装置、设备和存储介质 | |
| US11520831B2 (en) | Accuracy metric for regular expression | |
| JP5771318B1 (ja) | 異常診断装置及び異常診断方法 | |
| CN115695159B (zh) | 一种设备诊断方法、装置、设备和存储介质 | |
| JPWO2019239607A1 (ja) | 診断装置、診断方法及びプログラム | |
| CN117407207B (zh) | 一种内存故障处理方法、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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210702 |
|
| RJ01 | Rejection of invention patent application after publication |