CN114169219A - 一种测试中消耗品的寿命预估方法、装置、设备及介质 - Google Patents
一种测试中消耗品的寿命预估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114169219A CN114169219A CN202111290452.4A CN202111290452A CN114169219A CN 114169219 A CN114169219 A CN 114169219A CN 202111290452 A CN202111290452 A CN 202111290452A CN 114169219 A CN114169219 A CN 114169219A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- consumable
- consumables
- correlation
- memory bank
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种测试中消耗品的寿命预估方法、装置、设备及介质,涉及内存条生产测试量产领域,所述方法包括:对消耗品进行测试,得到所述消耗品的测试结果;若所述消耗品的测试结果为异常结果,判定所述消耗品为异常消耗品;获取多个所述异常消耗品的使用时间值以及获取多个异常消耗品之间的相关性模型;根据所述多个异常消耗品之间的相关性模型和多个所述异常消耗品的使用时间值,预估所述消耗品的寿命阈值。通过根据所述多个异常消耗品之间的相关性模型和多个所述异常消耗品的使用时间值,得出消耗品的寿命阈值,能在消耗品达到寿命阈值前对消耗品进行提前更换,避免了在消耗品损坏的情况下再去更换而使得内存条测试效率降低的问题的发生。
Description
技术领域
本发明涉及内存条生产测试量产领域,尤其涉及一种测试中消耗品的寿命预估方法、装置、设备及介质。
背景技术
内存条生产测试过程中,用于测试的主板和转接板等其它消耗品会有寿命的限制,当测试报警仪器进行报警时不能判断导致报警的原因是由于插内存条的主板和转接板等其它消耗品有问题还是内存条本身质量问题,由于无法知道主板和转接板等其它消耗品的寿命,只能在测试报警仪器进行报警时对主板和转接板等其它消耗品进行检测,从而查看是否是主板和转接板等其它消耗品损坏的原因,导致出现了在主板和转接板等其它消耗品损坏的情况下再去更换主板和转接板等其它消耗品,会使得内存条测试效率降低的问题。
发明内容
本发明提供了一种测试中消耗品的寿命预估方法、装置、设备及介质,以解决现有技术中在主板和转接板等其它消耗品损坏的情况下再去更换主板和转接板等其它消耗品,会使得内存条测试效率降低的问题。
为了解决上述问题,本发明采用以下技术方案:包括:
第一方面,本发明提供了一种测试中消耗品的寿命预估方法,包括:
对消耗品进行测试,得到所述消耗品的测试结果;
若所述消耗品的测试结果为异常结果,判定所述消耗品为异常消耗品;
获取多个所述异常消耗品的使用时间值以及获取多个异常消耗品之间的相关性模型;
根据所述多个异常消耗品之间的相关性模型和多个所述异常消耗品的使用时间值,预估所述消耗品的寿命阈值。
其进一步的技术方案为,所述获取多个所述异常消耗品的使用时间值以及获取多个异常消耗品之间的相关性模型之后,还包括:
若所述异常消耗品的使用时间值小于预设的时间阈值,则将所述异常消耗品的使用时间值在所述多个所述异常消耗品的使用时间值中删除。
其进一步的技术方案为,所述对消耗品进行测试,得到所述消耗品的测试结果之前,还包括:
获取内存条的测试结果;
若所述内存条的测试结果为异常结果,判定所述内存条为异常内存条;
获取所述异常内存条对应的消耗品。
其进一步的技术方案为,所述获取多个异常消耗品之间的相关性模型,包括:
获取多个异常消耗品的原始属性信息;
根据所述原始属性信息,建立所述多个异常消耗品之间的相关性权重关联关系;
根据所述相关性权重关联关系建立所述多个异常消耗品之间的相关性模型。
其进一步的技术方案为,所述多个异常消耗品之间的相关性权重关联关系包括所述多个异常消耗品之间的相关性数值,所述根据所述相关性权重关联关系建立所述多个异常消耗品之间的相关性模型,包括:
以所述多个异常消耗品作为神经元,并以所述多个异常消耗品之间的相关性数值作为神经元的连接权重,建立神经网络,将所述神经网络作为所述相关性模型。
其进一步的技术方案为,所述方法还包括:
根据新增的所述异常消耗品对所述相关性模型进行校正。
其进一步的技术方案为,所述方法还包括:
根据所述消耗品的寿命阈值设置报警时间阈值,所述报警时间阈值比所述消耗品的寿命阈值小;
判断所述消耗品的使用时间值是否大于所述报警时间阈值;
若是,发送报警提示。
第二方面,本发明还提供了一种测试中消耗品的寿命预估装置,包括用于执行如第一方面所述方法的单元。
第三方面,本发明还提供了一种处理器,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面所述的方法的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,其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第一方面所述的方法的步骤。
本发明实施例提供的上述技术方案与现有技术相比具有如下优点:
本发明实施例提供的一种测试中消耗品的寿命预估方法、装置、设备及介质,所述方法通过确定所述消耗品为异常消耗品后,根据所述多个异常消耗品之间的相关性模型和多个所述异常消耗品的使用时间值,得出所述消耗品的寿命阈值,从而能在所述消耗品达到寿命阈值前对所述消耗品进行提前更换,避免了在消耗品损坏的情况下再去更换消耗品而使得内存条测试效率降低的问题的发生。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种测试中消耗品的寿命预估方法的流程示意图;
图2为本发明实施例1提供的一种测试中消耗品的寿命预估方法中获取多个异常消耗品之间的相关性模型的流程示意图;
图3为本发明实施例2提供的一种测试中消耗品的寿命预估方法的流程示意图;
图4为本发明实施例3提供的一种测试中消耗品的寿命预估装置的结构框图;
图5为本发明实施例4提供的一种测试中消耗品的寿命预估装置的结构框图;
图6为本发明实施例5提出的一种处理器的结构示意图。
具体实施方式
为了更充分理解本发明的技术内容,下面结合具体实施例对本发明的技术方案进一步介绍和说明,但不局限于此。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例1
参见图1,结合图2所示,图1为本发明实施例1提供的一种测试中消耗品的寿命预估方法的流程示意图。该方法可应用于处理器中,处理器包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,对此本发明不做具体限定。具体地,如图1所示,该方法包括以下步骤S101-S104。
S101,对消耗品进行测试,得到所述消耗品的测试结果。
处理器接受内存条测试机器上传的内存条的测试结果,当内存条的测试结果为异常结果,处理器判定所述测试结果为异常结果的内存条为异常内存条,从而对所述异常内存条对应的消耗品进行测试,得到所述消耗品的测试结果,所述消耗品为用于插内存条的主板和转接板,或者为内存条测试时要用到的与内存条有关联的设备。
S102,若所述消耗品的测试结果为异常结果,判定所述消耗品为异常消耗品。
当所述消耗品的测试结果为异常结果时,即代表所述消耗品已损坏,则判定所述消耗品为异常消耗品。
S103,获取多个所述异常消耗品的使用时间值以及获取多个异常消耗品之间的相关性模型。
所述异常消耗品的使用时间值即所述异常消耗品从开始配合内存条测试到损坏的时间长度,所述相关性模型是根据多个异常消耗品之间的关系建立的模型。
在一实施例中,所述获取多个异常消耗品之间的相关性模型,包括:
S1031,获取多个异常消耗品的原始属性信息。
获取多个异常消耗品的原始属性信息,这些异常消耗品的原始属性信息可以包括:每个异常消耗品的设备类型、编号、生产厂家、型号、批次及具体位置等信息,设备类型指消耗品中的主板、转接板等其它与内存条有关联的设备。当然,此处列举的原始属性信息,只是其中的一部分信息,还可以包括其他信息,本申请对原始属性信息不作具体的限定。
通过获取多个异常消耗品各自的生产厂家、设备类型、型号、批次及具体位置等信息,能够尽可能全面地考虑到影响消耗品的寿命阈值的因素,从而更准确地预估消耗品的寿命阈值。
S1032,根据所述原始属性信息,建立所述多个异常消耗品之间的相关性权重关联关系。
在获取多个异常消耗品的原始属性信息后,处理器可以根据这些原始属性信息,建立多个异常消耗品之间的相关性权重关联关系。例如,获取的多个异常消耗品的原始属性信息中,其中两个异常消耗品之间的信息相似度越高,那么这两个异常消耗品之间的相关性数值就越大,也即这两个异常消耗品之间的关联关系越强,最终的表现为这两个异常消耗品的寿命阈值越接近。
通过这种方式,原始属性信息更接近的异常消耗品之间,存在更接近的寿命阈值,即同一生产厂家且同一设备类型且同一型号且同一批次的消耗品的寿命阈值一样。
当然,对于原始属性信息有差异的,处理器也可以将差异进行量化,根据差异的程度不同,表现为异常消耗品之间的相关性数值的大小不同,从而最终影响消耗品的寿命阈值不同。处理器将原始属性信息的差异量化的原则,可以视差异程度而定,例如,某两个异常消耗品之间的生产厂家、型号相同,但批次不同,那么,处理器可以根据批次生产时间相隔的长短,来确定两个异常消耗品之间的相关性数值,如,相隔一个月,二者相关性数值为0.5,相隔两个月,二者相关性数值为0.25等,当然,此处只是举例对建立多个异常消耗品之间的相关性权重关联关系的过程进行说明,不能视为对本申请的限定。确定出原始属性信息中的各种信息之间的数值之后,处理器可以综合这些数值,确定出异常消耗品之间的相关性数值。
通过对原始属性信息有差异的异常消耗品之间进行相关性权重关联关系的建立,可以使得测试中消耗品的寿命预估方法的实际应用更加广泛,而非限制于严格的原始属性信息相同的异常消耗品。另外,由于这样的方式使得更多的异常消耗品之间可以相互影响,可以扩大样本的容量,获取到更多更完善的数据,有助于提高对消耗品的寿命阈值预估的准确性,以及能够有助于分析出哪些因素对消耗品寿命阈值影响更大,从而更进一步地提高对预估消耗品的寿命阈值的准确性。
S1033,根据所述相关性权重关联关系建立所述多个异常消耗品之间的相关性模型。
在建立多个异常消耗品之间的相关性权重关联关系后,处理器可以根据相关性权重关联关系形成多个异常消耗品之间的相关性模型。
具体实施中,所述多个异常消耗品之间的相关性权重关联关系包括所述多个异常消耗品之间的相关性数值,所述根据所述相关性权重关联关系建立所述多个异常消耗品之间的相关性模型,包括:以所述多个异常消耗品作为神经元,并以所述多个异常消耗品之间的相关性数值作为神经元的连接权重,建立神经网络,将所述神经网络作为所述相关性模型。
例如,处理器可以通过建立神经网络模型的方式,形成多个异常消耗品之间的相关性模型。例如,处理器可以将多个异常消耗品中每个异常消耗品都作为一个神经元,以多个异常消耗品之间的相关性数值作为神经元的连接权重。而每个神经元的激励值,可以是预设的一个数值,也可以是根据异常消耗品的额定使用寿命确定出的数值。这样,就可以建立起多个异常消耗品之间的神经网络模型,从而以此作为多个异常消耗品之间的相关性模型。当然,此处的以多个异常消耗品之间的相关性数值作为神经元的连接权重,并非意味着只能以相关性数值的数值形式作为神经元的连接权重,也可以是以相关性数值为基础而建立起的函数关系,此处不作为限定。
通过神经网络建立多个异常消耗品之间的相关性模型,可以使得相关性模型能够更明确地表现出每个异常消耗品之间的相关性关系,以及在模型中的任一激励值变化时,与之相关的神经元的激励值迅速随之调整。并且,由于神经网络模型能够自主学习,在数据量不断丰富的过程中,也可以不断地根据实际的数据,对神经元之间的连接权重进行调整,从而使得神经元的激励值代表的异常消耗品的预估寿命阈值,更接近该消耗品的寿命阈值,从而提高对消耗品的寿命阈值预估的准确性。
S104,根据所述多个异常消耗品之间的相关性模型和多个所述异常消耗品的使用时间值,预估所述消耗品的寿命阈值。
处理器可以根据异常消耗品在神经网络模型中对应的神经元,确定出神经网络模型中与该神经元具有关联关系的目标神经元,以及确定出该神经元与目标神经元之间的关联关系。
在确定出异常消耗品对应的神经元和与之关联的目标神经元,以及异常消耗品对应的神经元与目标神经元之间的关联关系后,处理器可以根据关联关系,以及异常消耗品的使用时间值,结合目标神经元的批次生产时间,预估一个新的寿命值,作为对目标神经元对应的消耗品的寿命阈值,同一生产厂家且同一设备类型且同一型号且同一批次的消耗品的寿命阈值相同。
通过这样的方式,可以根据多个消耗品中异常消耗品的使用时间值,从相关性模型中调整与异常消耗品关联的目标神经元对应的消耗品的寿命阈值,从而实现对目标神经元对应的消耗品的寿命阈值的预估。
具体而言,通过一种测试中消耗品的寿命预估方法,确定所述消耗品为异常消耗品后,根据所述多个异常消耗品之间的相关性模型和多个所述异常消耗品的使用时间值,得出所述消耗品的寿命阈值,同时所述消耗品中同一生产厂家且同一设备类型且同一型号且同一批次的消耗品的寿命阈值是一样的,从而能在所述消耗品达到寿命阈值前对所述消耗品进行提前更换,避免了在消耗品损坏的情况下再去更换而使得内存条测试效率降低的问题的发生。
实施例2
参见图3,图3为本发明实施例2提供的一种测试中消耗品的寿命预估方法的流程示意图。实施例2的测试中消耗品的寿命预估方法包括步骤S201-S212,其中步骤S201-S204与上述实施例1中的步骤S101-S104类似,在此不再赘述。下面详细说明本实施例中所增加的步骤S205-S212。
所述对所述消耗品进行测试,得到所述消耗品的测试结果之前,还包括:
S205,获取内存条的测试结果。
S206,若所述内存条的测试结果为异常结果,判定所述内存条为异常内存条。
S207,获取所述异常内存条对应的消耗品。
处理器通过获取内存条测试机器上传的内存条的测试结果,当内存条的测试结果为异常结果,处理器判定所述测试结果为异常结果的内存条为异常内存条,从而对所述异常内存条对应的消耗品进行测试,得到所述消耗品的测试结果,从而达到不用时刻去检测消耗品是否异常,只需在内存条测试机器上传的内存条的测试结果为异常结果时对所述异常内存条对应的消耗品进行测试,达到减轻了测试工作量的效果。
所述获取多个所述异常消耗品的使用时间值以及获取多个异常消耗品之间的相关性模型之后,还包括:
S208,若所述异常消耗品的使用时间值小于预设的时间阈值,则将所述异常消耗品的使用时间值在所述多个所述异常消耗品的使用时间值中删除。
所述预设的时间阈值为用户根据消耗品的性能设定,当所述异常消耗品的使用时间值小于预设的时间阈值的时候则代表所述使用时间值并不是一个正常状态下的值,而是由于其它原因导致使用时间值过小的,因此为了防止小于预设的时间阈值的使用时间值对后续消耗品的寿命阈值预估产生不良影响,将所述异常消耗品的使用时间值在所述多个所述异常消耗品的使用时间值中删除。
所述方法还包括:
S209,根据新增的所述异常消耗品对所述相关性模型进行校正。
根据不断地确定出的新增的所述异常消耗品以及新增的异常消耗品的使用时间值,对相关性模型不断地进行优化,使得相关性模型对消耗品的寿命阈值预估更加准确。
所述方法还包括:
S210,根据所述消耗品的寿命阈值设置报警时间阈值,所述报警时间阈值比所述消耗品的寿命阈值小。
S211,判断所述消耗品的使用时间值是否大于所述报警时间阈值。
S212,若是,发送报警提示。
在确定出消耗品的寿命阈值之后,用户根据所述消耗品的寿命阈值设置一个比所述消耗品的寿命阈值小的报警时间阈值,处理器将所述消耗品的使用时间值与所述报警时间阈值进行比较,在所述消耗品的使用时间值大于所述报警时间阈值时,处理器向维护人员的终端发送报警提示,提示维护人员该消耗品需要更换。其中,报警提示可以包括该消耗品的生产厂家、设备类型、型号、批次及具体位置等,以使维护人员能够尽早做准备,例如提醒维护人员准备好与该消耗品同设备类型的消耗品。
具体而言,通过将小于预设的时间阈值的所述异常消耗品的使用时间值删除,防止对后续消耗品的寿命阈值预估产生不良影响;通过根据内存条测试机器上传的内存条的测试结果为异常结果时,再对所述异常内存条对应的消耗品进行测试,减轻了测试工作量;通过根据新增的所述异常消耗品对所述相关性模型进行校正,使得相关性模型对消耗品的寿命阈值预估更加准确;通过设置报警时间阈值并发送报警提示,能够对所述消耗品进行提前更换。
实施例3
参见图4,本发明实施例还提供了一种测试中消耗品的寿命预估装置400,该测试中消耗品的寿命预估装置400包括第一测试单元401、第一判定单元402、第一获取单元403、第一预估单元404。
第一测试单元401,用于对消耗品进行测试,得到所述消耗品的测试结果;
第一判定单元402,用于若所述消耗品的测试结果为异常结果,判定所述消耗品为异常消耗品;
第一获取单元403,用于获取多个所述异常消耗品的使用时间值以及获取多个异常消耗品之间的相关性模型;
第一预估单元404,用于根据所述多个异常消耗品之间的相关性模型和多个所述异常消耗品的使用时间值,得出所述消耗品的寿命阈值;
在一实施例中,所述获取多个异常消耗品之间的相关性模型,包括:
获取多个异常消耗品的原始属性信息;
根据所述原始属性信息,建立所述多个异常消耗品之间的相关性权重关联关系;
根据所述相关性权重关联关系建立所述多个异常消耗品之间的相关性模型。
在一实施例中,所述多个异常消耗品之间的相关性权重关联关系包括所述多个异常消耗品之间的相关性数值,所述根据所述相关性权重关联关系建立所述多个异常消耗品之间的相关性模型,包括:
以所述多个异常消耗品作为神经元,并以所述多个异常消耗品之间的相关性数值作为神经元的连接权重,建立神经网络,将所述神经网络作为所述相关性模型。
本发明实施例中,通过确定所述消耗品为异常消耗品后,根据所述多个异常消耗品之间的相关性模型和多个所述异常消耗品的使用时间值,得出所述消耗品的寿命阈值,同时所述消耗品中同一生产厂家且相同设备类型且同一型号且同一批次的消耗品的寿命阈值是一样的,从而能在所述消耗品达到寿命阈值前对所述消耗品进行提前更换,避免了在消耗品损坏的情况下再去更换而使得内存条测试效率降低的问题的发生。
实施例4
参见图5,本发明实施例还提供了一种测试中消耗品的寿命预估装置400,该测试中消耗品的寿命预估装置400与实施例3提出的测试中消耗品的寿命预估装置400的区别在于,还包括:第二获取单元405、第二判定单元406、第三获取单元407、第一删除单元408、第一校正单元409、第一设置单元410、第一判断单元411、第一发送单元412。
第二获取单元405,用于获取内存条的测试结果。
第二判定单元406,用于若所述内存条的测试结果为异常结果,判定所述内存条为异常内存条。
第三获取单元407,用于获取所述异常内存条对应的消耗品。
第一删除单元408,用于若所述异常消耗品的使用时间值小于预设的时间阈值,则将所述异常消耗品的使用时间值在所述多个所述异常消耗品的使用时间值中删除。
第一校正单元409,用于根据新增的所述异常消耗品对所述相关性模型进行校正。
第一设置单元410,用于根据所述消耗品的寿命阈值设置报警时间阈值,所述报警时间阈值比所述消耗品的寿命阈值小。
第一判断单元411,用于判断所述消耗品的使用时间值是否大于所述报警时间阈值。
第一发送单元412,用于若所述消耗品的使用时间值大于所述报警时间阈值,发送报警提示。
本发明实施例中,通过将小于预设的时间阈值的所述异常消耗品的使用时间值删除,防止对后续消耗品的寿命阈值预估产生不良影响;通过根据内存条测试机器上传的内存条的测试结果为异常结果时,再对所述异常内存条对应的消耗品进行测试,减轻了测试工作量;通过根据新增的所述异常消耗品对所述相关性模型进行校正,使得相关性模型对消耗品的寿命阈值预估更加准确;设置报警时间阈值并发送报警提示,能够对所述消耗品进行提前更换。
实施例5
参见图6,本发明实施例还提供了一种处理器,包括处理器111、通信接口112、存储器113和通信总线114,其中,处理器111,通信接口112,存储器113通过通信总线114完成相互间的通信。
存储器113,用于存放计算机程序;
处理器111,用于执行存储器113上所存放的程序,实现实施例1提供的测试中消耗品的寿命预估方法。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器111执行时实现如实施例1提供的测试中消耗品的寿命预估方法的步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种测试中消耗品的寿命预估方法,其特征在于,包括:
对消耗品进行测试,得到所述消耗品的测试结果;
若所述消耗品的测试结果为异常结果,判定所述消耗品为异常消耗品;
获取多个所述异常消耗品的使用时间值以及获取多个异常消耗品之间的相关性模型;
根据所述多个异常消耗品之间的相关性模型和多个所述异常消耗品的使用时间值,预估所述消耗品的寿命阈值。
2.根据权利要求1所述的测试中消耗品的寿命预估方法,其特征在于,所述获取多个所述异常消耗品的使用时间值以及获取多个异常消耗品之间的相关性模型之后,还包括:
若所述异常消耗品的使用时间值小于预设的时间阈值,则将所述异常消耗品的使用时间值在所述多个所述异常消耗品的使用时间值中删除。
3.根据权利要求1所述的测试中消耗品的寿命预估方法,其特征在于,所述对消耗品进行测试,得到所述消耗品的测试结果之前,还包括:
获取内存条的测试结果;
若所述内存条的测试结果为异常结果,判定所述内存条为异常内存条;
获取所述异常内存条对应的消耗品。
4.根据权利要求1所述的测试中消耗品的寿命预估方法,其特征在于,所述获取多个异常消耗品之间的相关性模型,包括:
获取多个异常消耗品的原始属性信息;
根据所述原始属性信息,建立所述多个异常消耗品之间的相关性权重关联关系;
根据所述相关性权重关联关系建立所述多个异常消耗品之间的相关性模型。
5.根据权利要求4所述的测试中消耗品的寿命预估方法,其特征在于,所述多个异常消耗品之间的相关性权重关联关系包括所述多个异常消耗品之间的相关性数值,所述根据所述相关性权重关联关系建立所述多个异常消耗品之间的相关性模型,包括:
以所述多个异常消耗品作为神经元,并以所述多个异常消耗品之间的相关性数值作为神经元的连接权重,建立神经网络,将所述神经网络作为所述相关性模型。
6.根据权利要求1所述的测试中消耗品的寿命预估方法,其特征在于,所述方法还包括:
根据新增的所述异常消耗品对所述相关性模型进行校正。
7.根据权利要求1所述的测试中消耗品的寿命预估方法,其特征在于,所述方法还包括:
根据所述消耗品的寿命阈值设置报警时间阈值,所述报警时间阈值比所述消耗品的寿命阈值小;
判断所述消耗品的使用时间值是否大于所述报警时间阈值;
若是,发送报警提示。
8.一种测试中消耗品的寿命预估装置,其特征在于,包括用于执行如权利要求1-7任一项所述方法的单元。
9.一种处理器,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290452.4A CN114169219A (zh) | 2021-11-02 | 2021-11-02 | 一种测试中消耗品的寿命预估方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290452.4A CN114169219A (zh) | 2021-11-02 | 2021-11-02 | 一种测试中消耗品的寿命预估方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169219A true CN114169219A (zh) | 2022-03-11 |
Family
ID=80477799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290452.4A Pending CN114169219A (zh) | 2021-11-02 | 2021-11-02 | 一种测试中消耗品的寿命预估方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169219A (zh) |
-
2021
- 2021-11-02 CN CN202111290452.4A patent/CN114169219A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7107187B1 (en) | Method for modeling system performance | |
CN108829878B (zh) | 一种工业实验数据异常点检测方法及装置 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN111814557A (zh) | 动作流检测方法、装置、设备及存储介质 | |
CN112395118A (zh) | 设备数据检测方法及装置 | |
CN112507605A (zh) | 基于AnoGAN的配电网异常检测方法 | |
CN108363024B (zh) | 一种充电桩故障点定位的方法和装置 | |
CN114169219A (zh) | 一种测试中消耗品的寿命预估方法、装置、设备及介质 | |
CN111367782A (zh) | 回归测试数据自动生成的方法及装置 | |
CN115542236B (zh) | 电能表运行误差估计方法及装置 | |
CN111258863B (zh) | 数据异常检测方法、装置、服务器和计算机可读存储介质 | |
CN112380759A (zh) | 基于深度学习和CoxPH模型的智能电表寿命预测方法 | |
CN113608956B (zh) | 一种硬盘功耗的测试方法、系统及相关装置 | |
CN113869373A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
CN112541177A (zh) | 一种基于数据安全的异常检测方法及系统 | |
CN114328040B (zh) | 一种异常板卡的检测方法、系统、电子设备及存储介质 | |
CN110597703A (zh) | 一种回归测试方法及装置 | |
CN111767938A (zh) | 一种异常数据检测方法、装置及电子设备 | |
CN117387925B (zh) | 一种阻尼器性能连续测试方法及系统 | |
CN112241343A (zh) | 一种慢盘检测方法、装置、电子设备及可读存储介质 | |
CN107102938B (zh) | 测试脚本的更新方法及装置 | |
CN110597729A (zh) | 基于维度的压力测试方法、装置及系统 | |
CN117093821B (zh) | 一种洗衣机能效、水效测定系统和方法 | |
CN113030558B (zh) | 一种识别数据异常的方法、装置、设备及可读存储介质 | |
CN115291528B (zh) | 模型不确定性等级确定方法、装置、系统及存储介质 |
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 |