CN114610559A - 设备运行环境评估方法、判决模型训练方法、电子设备 - Google Patents
设备运行环境评估方法、判决模型训练方法、电子设备 Download PDFInfo
- Publication number
- CN114610559A CN114610559A CN202011406910.1A CN202011406910A CN114610559A CN 114610559 A CN114610559 A CN 114610559A CN 202011406910 A CN202011406910 A CN 202011406910A CN 114610559 A CN114610559 A CN 114610559A
- Authority
- CN
- China
- Prior art keywords
- equipment
- training
- sample
- evaluated
- temperature
- 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
- 238000012549 training Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000011156 evaluation Methods 0.000 title claims abstract description 81
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 16
- 238000013139 quantization Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 2
- 238000013021 overheating Methods 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000017525 heat dissipation Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000013024 troubleshooting 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
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种设备运行环境评估方法、判决模型训练方法、电子设备,该设备运行环境评估方法包括:获取待评估运行环境的环境参数;获取所述待评估运行环境中的待评估设备样本的设备参数和器件参数;根据所述环境参数、所述设备参数和预先训练好的判决模型确定判决场景,根据所述待评估设备样本的器件参数确定所述待评估设备样本在所述判决场景中的设备评估结果;根据所述设备评估结果确定所述待评估运行环境的运行环境评估结果。根据本发明实施例提供的方案,能够在设备正常运行的状态下得出设备运行环境的评估结果,从而为预测运行环境对设备温度的影响提供信息基础。
Description
技术领域
本发明涉及但不限于数据处理领域,尤其涉及一种设备运行环境评估方法、判决模型训练方法、电子设备。
背景技术
电子通信设备在运行过程中会产生热量,在过热状态下运行,会对设备的工作性能和使用寿命造成一定的影响,甚至会导致设备损坏。对于安装在固定位置的设备,散热性能不仅取决于设备本身的散热方式和材料,还取决于具体的运行环境,例如,当设备处于密闭或者靠近热源的运行环境中,散热效果通常较差,很容易造成设备过热。因此,在对设备的运行环境改造或故障排查的过程中,需要对可能造成设备温度过热的每一个因素进行分析。
为了评估运行环境对设备温度的影响,目前主要通过温度检测装置对运行环境的温度进行检测,得出环境温度的实时数据或者变化曲线,与设备温度的数值进行比较。但是必须获取设备处于过热状态下运行环境的温度值,无法在设备正常运行时评估运行环境对设备温度的影响。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供了一种设备运行环境评估方法、判决模型训练方法、电子设备,能够在设备正常运行过程中完成运行环境的评估。
第一方面,本发明实施例提供了一种设备运行环境评估方法,包括:
获取待评估运行环境的环境参数;
获取所述待评估运行环境中的待评估设备样本的设备参数和器件参数;
根据所述环境参数、所述设备参数和预先训练好的判决模型确定判决场景,根据所述待评估设备样本的器件参数确定所述待评估设备样本在所述判决场景中的设备评估结果;
根据所述设备评估结果确定所述待评估运行环境的运行环境评估结果。
第二方面,本发明实施例还提供了一种判决模型训练方法,包括:
确定训练样本集,所述训练样本集包括训练设备样本的训练设备参数样本和所述训练设备样本所处的运行环境的训练环境参数样本;
根据所述训练设备参数样本和所述训练环境参数样本训练所述判决模型,以使所述判决模型能够根据设备参数和环境参数确定判决场景。
第三方面,本发明实施例还提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如第一方面所述的设备运行环境评估方法,或实现如第二方面所述的判决模型训练方法。
第四方面,本发明实施例还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,所述计算机可执行指令用于执行如第一方面所述的设备运行环境评估方法,或实现如第二方面所述的判决模型训练方法。
本发明实施例包括:获取待评估运行环境的环境参数;获取所述待评估运行环境中的待评估设备样本的设备参数和器件参数;根据所述环境参数、所述设备参数和预先训练好的判决模型确定判决场景,根据所述待评估设备样本的器件参数确定所述待评估设备样本在所述判决场景中的设备评估结果;根据所述设备评估结果确定所述待评估运行环境的运行环境评估结果。根据本发明实施例提供的方案,能够在设备正常运行器件完成运行环境的评估,从而为预测运行环境对设备温度的影响提供信息基础。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明一个实施例提供的一种设备运行环境评估方法的流程图;
图2是本发明另一个实施例提供的一种设备运行环境评估方法中确定设备评估结果的流程图;
图3是本发明另一个实施例提供的一种设备运行环境评估方法中根据器件占比确定设备评估结果的流程图;
图4是本发明另一个实施例提供的一种设备运行环境评估方法中根据风险等级确定设备评估结果的流程图;
图5是本发明另一个实施例提供的一种设备运行环境评估方法中根据风险等级确定设备评估结果的流程图;
图6是本发明另一个实施例提供的一种设备运行环境评估方法中确定判决场景的流程图;
图7是本发明另一个实施例提供的一种判决模型训练方法的流程图;
图8是本发明另一个实施例提供的一种判决模型训练方法中确定判决场景的流程图;
图9是本发明另一个实施例提供的一种判决模型训练方法中生成判决条件集的流程图;
图10是本发明另一个实施例提供的一种判决模型训练方法中预处理的流程图;
图11是本发明另一个实施例提供的一种判决模型训练方法中确定器件温度集的流程图;
图12是本发明的原理示例的数据预处理流程图;
图13是本发明的原理示例的判决模型训练流程图;
图14是本发明的原理示例的运行环境评估方法流程图;
图15是本发明另一个实施例提供的电子设备的装置示意图。
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。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明提供了一种设备运行环境评估方法、判决模型训练方法、电子设备,该设备运行环境评估方法包括:获取待评估运行环境的环境参数;获取待评估运行环境中的待评估设备样本的设备参数和器件参数;根据环境参数、设备参数和预先训练好的判决模型确定判决场景,根据待评估设备样本的器件参数确定待评估设备样本在判决场景中的设备评估结果;根据设备评估结果确定待评估运行环境的运行环境评估结果。根据本发明实施例提供的方案,能够在设备正常运行器件完成运行环境的评估,从而为预测运行环境对设备温度的影响提供信息基础。
下面结合附图,对本发明实施例作进一步阐述。
需要说明的是,本发明实施例中的设备可以是各种电子设备和通信设备,为了便于原理的叙述,本发明实施例以常见的远端射频模块(RemoteRadioUnit,RRU)作为示例设备,这并不会对本发明实施例的技术方案造成限制。
如图1所示,图1是本发明一个实施例提供的一种设备运行环境评估方法,该方法包括但不限于有步骤S110、步骤S120、步骤S130和步骤S140。
步骤S110,获取待评估运行环境的环境参数。
需要说明的是,在获取环境参数之前,需要先确定待评估运行环境,待评估运行环境可以是任意需要对设备过热风险进行评估的环境,例如用于安装RRU的室外环境、机房等,本实施例并不对环境的具体选择进行限定,能够用于安装设备即可。
在一实施例中,环境参数可以是任意类型的参数,例如室外环境的气温和气候条件、室内环境的室温等,选取与设备散热相关的环境参数即可,本实施例不作过多的限定。需要说明的是,本领域技术人员可以根据待评估运行环境的不同调整环境参数的获取方式,例如待评估运行环境为室外环境,可以通过环境的地点信息和获取数据的时间信息,从互联网中获取当地的气温信息,又如,待评估运行环境为室内环境,可以通过设置在该室内环境中的温度测量设备获取温度信息,在此不再赘述。
步骤S120,获取待评估设备样本的设备参数和器件参数。
在一实施例中,在获取设备参数和器件参数之前,需要在待评估运行环境中确定待评估设备样本,待评估设备样本可以是任意设备,例如常见的RRU,待评估设备样本的数量可以是任意,所确定的多个待评估设备样本可以是全部相同类型的设备,也可以是同类型不同型号的设备,也可以是不同类型的设备,由于本实施例是通过待评估器件样本进行风险评估,因此能够获取到设备内部的器件参数即可,本实施例并不对设备的种类进行限定。
需要说明的是,设备参数可以是与设备发热量相关的任意参数,例如设备功率、温度值、内存占用等,根据实际需求选取即可,本实施例不多作限定。
在一实施例中,待评估器件样本可以是待评估设备样本内的任意器件,例如待评估设备样本为RRU时,待评估器件样本可以是RRU的光模块、单板、基带、中频、收发信机、功放、电源,也可以是其他在运行过程中能够产生热量的器件,本实施例并不对具体的器件类型作出过多的限定。可以理解的是,器件参数可以是与运行过程中发热相关的参数,例如器件的功率值、工作温度值等,根据实际需求选取具体的参数类型即可。
值得注意的是,对于器件参数的采集,可以是预先设定好具体的待评估器件样本,从待评估设备样本中针对性的进行参数采集,也可以是采集到待评估设备样本中所有能采集的参数后,通过预处理的方式提取出所需要的参数,根据实际情况调整具体方法即可。
步骤S130,根据环境参数、设备参数和预先训练好的判决模型确定判决场景,根据待评估设备样本的器件参数确定待评估设备样本在判决场景中的设备评估结果。
基于上述实施例,环境参数和设备参数为与设备热量相关的参数,通过环境参数和设备参数确定判决场景,能够在待评估运行环境下,将待评估设备样本限定在已知的外界条件,以确定外界对设备热量造成的固定影响,进而通过待评估设备样本内部的器件参数实现待评估运行环境的预测;例如,环境参数为气温,设备参数为设备功率,气温是由气候条件决定的,功率是根据运行需求确定,这两个因素对设备的热量影响是可以确定的,在确定的气温和确定的功率之下,待评估设备样本中的器件参数决定了待评估设备样本的发热趋势,因此在判决场景下,能够根据器件参数在设备处于正常运行的情况下实现待评估环境的预测。
值得注意的是,待评估运行环境可以是首次安装设备的运行环境,也可以是已经安装有若干设备的运行环境,基于上述所述,可以根据待评估环境的环境参数和设备参数确定出判决场景,则通过器件参数得出对待评估设备样本的设备评估结果,因此本实施例并不对运行环境是否首次安装设备作过多的限定。
在一实施例中,设备评估结果可以任意体现形式,能够用于描述待评估设备样本的过热风险或者趋势即可,例如可以划分若干个风险等级,风险等级越高代表设备越容易发生过热,具体的评估结果形式根据实际需求选取即可。
步骤S140,根据设备评估结果确定待评估运行环境的运行环境评估结果。
在一实施例中,在对待评估运行环境的评估过程中,可能会采集多个待评估设备样本,本实施例并非对待评估设备样本的当前温度进行检测,而是对待评估设备样本在待评估运行环境下运行的过热风险进行预估,为了能够更加准确地体现设备热量变化的评估结果,可以通过第二预设比例对待评估运行环境的运行环境评估结果进行确定,例如超过第二预设比例,则认为设备评估结果可以认定为待评估运行环境的运行环境评估结果,又或者将第二预设比例设定为多个比例值的集合,根据设备评估结果满足的比例值确定具体的运行环境评估结果,本实施例不对具体方式作出限定,运行环境评估结果能够由设备评估结果确定即可。
另外,参照图2,器件参数包括待评估设备样本中待评估器件样本的器件温度值,,图1所示实施例的步骤S130中还包括但不限于有以下步骤:
步骤S210,确定判决场景中与器件温度值相对应的判决条件集,判决条件集包括判决温度条件和与判决温度条件相对应的风险等级;
步骤S220,确定器件温度值在判决条件集中所符合的判决温度条件,将所符合的判决温度条件所对应的风险等级确定为待评估器件样本的风险等级;
步骤S230,根据待评估器件样本的器件数量和待评估器件样本的风险等级确定设备评估结果。
在一实施例中,器件参数可以包括器件温度值,采用温度值能够更加直观地体现出待评估器件样本的当前温度情况,能够在判决场景下量化数值的形式确定风险等级,当然也可以用其他类型的参数,在此不再赘述。
在一实施例中,风险等级可以是预先设定好的用于表示过热风险的等级,例如“一级易过温”,具体表达方式和等级数量可以根据实际需求调整,能够用于表达过热风险即可。需要说明的是,由于器件参数为器件温度值,因此判决温度条件可以是用于区分多个风险等级的温度值,例如门限值A和门限值B,其中A>B,当器件温度值大于门限值A,则器件温度值所对应的待评估器件样本的风险等级为最高级,又如,判决温度条件也可以是温度值区间C和温度值区间D,其中温度值区间C和温度值区间D中的数值互不重叠,且温度值区间C中的数值大于温度D中的数值,则当器件温度值属于温度值区间D,则对应的待评估器件样本的风险等级为次高级,依次类推,在此不再赘述。
值得注意的是,通常,每个器件在工作过程中产生的热量是设备热量的其中一个组成部分,因此器件的温度在一定程度上决定了设备本身的发热情况,基于此,在相同设备功率和相同环境温度的情况下,通过器件的温度值能够对设备的温度值进行预估,实质上就是设备在该运行环境下的过热风险。
需要说明的是,由于不同器件有不同的耐热性能,同一个温度值对于不同器件的过热风险并不相同,例如对于一些耐热性较差的器件,即使温度值较低,也有较大的过热风险,因此,判决条件集需要与具体的器件相对应,在确定待评估器件样本之前还需要确定与该器件样本相对应的判决条件集。可以理解的是,判决条件集也可以根据具体器件的不同分别设置,例如可以参考如下表1。
表1不同器件的判决条件集示意表
另外,参照图3,图2所示实施例的步骤S230中还包括但不限于有以下步骤:
步骤S310,确定器件占比,器件占比为风险等级相同的待评估器件样本的数量与待评估器件样本的总数量的比值;
步骤S320,根据器件占比和第一预设比例确定设备评估结果。
基于上述实施例的描述,风险等级为预先设定好的风险等级,因此,在具有多个待评估器件样本的情况下,很可能出现至少两个待评估器件样本确定为相同的风险等级,根据器件占比的计算,能够确定待评估器件样本中各个风险等级的器件占比,以此确定待评估设备样本的风险等级。需要说明的是,根据上述描述,待评估设备样本中所确定的器件占比的数量,和所确定出的风险等级的数量相同,例如,确定出待评估设备样本中确定出的风险等级包括最高级、次高级和低风险,则所能确定的器件占比为三个,分别为最高级的器件占比、次高级的器件占比和低级的器件占比。
需要说明的是,可以直接以最高的器件占比所对应的风险等级作为设备评估结果,当然,由于风险等级为用于描述过热的风险等级,而实际评估过程中,也可能出现待评估设备样本处于正常的状况,即待评估设备样本在待评估运行环境中没有过热风险,例如,第一预设比例设置为30%,确定出待评估设备样本中风险等级包括最高级、次高级、低风险和无风险,对应的器件占比分别为20%、10%、20%和50%,此时满足第一预设比例的风险等级为无风险,因此可以确定设备评估结果为无风险。
另外,在一实施例中,判决温度条件下至少之一:
至少两个互不重叠的温度值区间;
按照数值大小顺序排列的温度值序列。
在一实施例中,判决温度条件可以是预先设定好,也可以是通过神经网络模型训练聚类得出,根据实际需求选取具体的确定方式即可。可以理解的是,至少两个温度值区间可以是相互连续且不重叠的区间,例如[A,B)和[B,C],其中A<B<C,当然也可以是数值上分离的区间,例如[A,B]和[C,D],其中A<B<C<D,本实施例对此不作过多限定。可以理解的是,按照数值大小顺序排列的温度值序列,可以是预先设定的若干个用于判定的温度值,也可以是如上述方式得出温度值区间后,取温度值区间的上界或者下界作为门限值,例如上述方式确定的温度值区间为[A,B]和[C,D],其中A<B<C<D,则可以通过D和B形成温度值序列,当器件温度值大于D,确定风险等级为最高级,依次类推,在此不再赘述。
可以理解的是,除了上述两种方式,还可以采用温度值区间的统计数值作为判决温度条件,例如温度值区间的中值、算数平均值、方差等,本实施例不对此作过多限定。
另外,参照图4,图3所示实施例的步骤S310中还包括但不限于有以下步骤:
步骤S410,根据风险等级由高到低的顺序,依次比对每个风险等级所对应的器件占比和第一预设比例;
步骤S420,当首次比对出风险等级所对应的器件占比大于第一预设比例,将用于比对的风险等级确定为设备评估结果。
在一实施例中,为了评估设备在待评估运行环境中的过热风险,当确定出待评估设备样本中各待评估器件样本的风险等级后,可以按照由高到低的顺序比对第一预设比例,当风险等级用于评估过热风险,可以选取满足条件的最高风险等级,例如,第一预设比例设置为30%,按照风险等级由高到低排列为最高级、次高级和低级,所确定的器件占比分别为35%,40%和25%,由于最高级的器件占比35%>30%,则代表该待评估设备样本已经满足最高的过热风险等级,此时可以该风险等级确定为设备评估结果,而无需再确定后续的风险等级,使得得出的评估结果更能反映设备的过热风险。
值得注意的是,上述对比风险等级的器件占比和第一预设比例的方法仅为其中一个可选的方法,也可以根据实际需求,以器件占比中数值最大的与第一预设比例进行对比,根据实际需求选取具体方式即可。
另外,参照图5,图1所示实施例的步骤S140中还包括但不限于有以下步骤:
步骤S510,确定待评估运行环境中的待评估设备样本的设备数量;
步骤S520,确定设备占比,设备占比为设备评估结果相同的待评估设备样本的数量与待评估设备样本的总数量的比值;
步骤S530,根据设备评估结果所对应的风险等级由高到低的顺序比对设备占比和第二预设比例,当首次比对出设备占比大于第二预设比例,将用于比对的设备占比所对应的设备评估结果确定为运行环境评估结果。
需要说明的是,在待评估运行环境中,若只用一个待评估设备样本进行待评估运行环境的过热风险评估,当待评估设备样本出现故障导致内部器件温度较高的情况下,很有可能所得出的设备评估结果为故障导致的异常结果,因此为了待评估运行环境的准确评估,可以确定至少两个待评估设备样本,以设备占比的方式减少设备故障对待评估运行环境的评估造成的影响。
在一实施例中,设备评估结果相同的待评估设备样本并不限定于相同类型的设备,也可以是不同设备类型的多个待评估设备样本,其设备评估结果相同即可。
在一实施例中,需要说明的是,首次比对出设备占比大于第二预设比例的方式与图4中所示的对比方式相类似,本领域技术人员能够按照类似的方式得出步骤S530中的对比方式,在此不多作赘述。
另外,参照图6,在一实施例中,设备参数包括设备功率值,环境参数包括环境温度值,
图1所示实施例的步骤S130中还包括但不限于有以下步骤:
步骤S610,将设备功率值和环境温度值输入至判决模型,得出判决场景。
在一实施例中,判决场景可以是预先设定好多个场景,通过设备功率值和环境温度值进行确定,也可以是通过预先训练好的判决模型进行确定。可以理解的是,判决模型可以是通过机器学习的方法自动学习得出的模型,本实施例并不对具体的机器学习方法改进,仅对用于机器学习的参数进行选取。例如将设备功率值和环境温度值输入至训练好的判决模型,该判决模型能够输出确定的判决场景即可。
需要说明的是,采用设备功率值和环境温度值对判决场景进行确定,能够将影响热量的外界因素进行限定,从而根据待评估设备样本中的器件温度确定过热风险,例如在确定判决场景后,待评估设备样本中的待评估器件样本所确定的设备评估结果均为高风险,且满足第二预设比例,则代表设备在该待评估运行环境中具有较大的可能性会形成过热,从而实现在设备正常运行的过程中对运行环境的评估。
另外,如图7所示,图7是本发明另一个实施例提供的一种判决模型训练方法,该方法包括但不限于有步骤S710和步骤S720。
步骤S710,确定训练样本集,训练样本集包括训练设备样本的训练设备参数样本和训练设备样本所处的运行环境的训练环境参数样本。
需要说明的是,训练样本集可以是采集于不同运行环境的多个训练设备样本,例如可以通过网管系统对安装于不同地点的多个RRU进行数据的采集,对于采用机器学习进行自动训练的判决模型而已,训练样本集中的样本数量越多,所得出的判决模型越准确,本领域技术人员有动机根据实际情况选取具体的样本数量。
步骤S720,根据训练设备参数样本和训练环境参数样本训练判决模型,以使判决模型能够根据设备参数和环境参数确定判决场景。
在一实施例中,训练设备参数样本的采集可以通过获取设备的原始日志实现,例如对于RRU而言,原始日志中通常保存有内部各器件的参数、RRU所在的地理位置信息和每个参数获取的时间信息,通过原始日志进行数据采集,能够快速获得同一设备在不同时间段内的多个参数,相比起实时获取数据能够进一步加快模型训练的效率。本领域技术人员可以理解的是,原始日志的生成可以是按照设定好的采集时间粒度进行一段时间的参数采集,例如将RRU的采集时间粒度设置为1分钟,采集时长为3天,则每隔1分钟,RRU可以通过内置的温度传感器采集各器件样本的温度参数,并结合时间信息和地点信息保存为原始日志。训练设备样本的功率值可以通过时间信息从原始日志中获取训练设备样本的工作功率,具体的获取方法并非本实施例作出的改进,在此不再赘述。
在一实施例中,训练环境参数样本可以通过地点信息和时间信息获取,例如对于安装在室外的RRU,可以通过地点信息和时间信息从网络中获取该区域的气温值,以该气温值作为训练环境参数样本,又如,对于安装在机房的RRU,地点信息可以是机房名称,通过机房的管理日志可以确定与时间信息相对应的温度值,以该温度值作为训练环境参数样本,根据实际需求选取具体的地点信息的类型即可,本实施例不多作限定。
另外,参照图8,在一实施例中,训练设备参数样本包括训练设备样本的功率样本值,训练环境参数样本包括训练设备样本所处的运行环境的环境温度样本值,在执行图7所示实施例的步骤S720之前还包括但不限于有以下步骤:
步骤S810,根据功率样本值和环境温度样本值确定若干个判决场景。
值得注意的是,基于上述实施例中的描述在判决模型的训练过程中,需要预先确定出若干个判决场景,以使得在对待评估运行环境进行评估时,可以根据环境参数和设备参数的输入,从若干个判决场景中确定出判决场景,从而实现待评估环境的预评估。可以理解的是,判决场景的数量可以是任意,确保每个判决场景中的训练设备参数样本和训练环境参数样本相同即可。
另外,参照图9,在一实施例中,在执行完图8所示实施例的步骤S810还包括但不限于有以下步骤:
步骤S910,在判决场景中,根据训练设备参数样本和预设规则得出至少两个判决温度条件;
步骤S920,确定与判决温度条件相对应的风险等级,根据判决温度条件和风险等级生成判决条件集。
需要说明的是,由于训练样本集中的设备数量较多,因此判决温度条件可以是通过对用于训练的温度参数进行温度值区间的划分得出,也可以是通过数据的聚类得出,具体方式本实施例不多作限定。可以理解的是,风险等级的数量可以是根据判决温度条件确定,例如,判决温度条件为多个温度值区间,则风险等级与温度值区间唯一对应即可。
另外,参照图10,在一实施例中,图7所示实施例的步骤S720还包括但不限于有以下步骤:
步骤S1010,对训练设备参数样本进行数据清洗、滤波和量化处理;
步骤S1020,对训练环境参数样本进行插值处理和量化处理,以使训练环境参数样本与训练设备参数样本的采集粒度相同;
步骤S1030,关联采集时间相同的训练设备参数样本和训练环境参数样本。
在一实施例中,在使用原始日志的数据进行训练之前,还需要对原始日志中的数据进行数据清洗,具体的数据清洗方式并非本实施例作出的改进,采用常见的清洗方式即可。可以理解的是,结合上述实施例所述,原始日志通过定时采集数据得出,因此,为了得出用于训练的数据样本,可以设定每个采集时刻对应一个样本,并且样本字段可以包括:采集时间、设备功率值、设备中的器件温度值,也可以根据实际需求增加其他类型的字段,在此不再赘述;并且,原始日志中采集的数据存在采集失败的情况,因此,还可以对所有的样本进行异常值清晰,例如某个样本的一个或多个字段数值缺失或者无效,则丢弃该样本。
基于上述实施例,为了消除数值波动产生的干扰,可以对训练样本集的设备功率值和器件温度值进行滤波处理,例如可以采用Savitzky-Golay滤波,滤波参数可以设置为:滤波器窗长可以为5,拟合多项式阶数可以取值为3,也可以根据实际需求调整具体数值或者采用其他滤波方式,本实施例不多作限定。
在一实施例中,在设备样本较多的情况下,所得出的数值通常较为分散,而相近的数值对于设备温度的过热风险影响是相近似的,为了便于判决模型的训练,可以将设备功率值和器件温度值进行量化处理,将上述数值划分为多个数值区间,并确定每个数值区间的标识值,以该标识值作为用于训练的数值,例如通过以下公式:其中,Power为功率,size为功率量化粒度,取值5W。需要说明的是,功率量化粒度可以根据设备功率值和器件温度值的取值范围进行调整,本实施例不多作限定。可以理解的是,标识值可以采用平均值或者中值等统计学数值,本实施例不多作限定。
在一实施例中,训练环境参数样本的量化处理可以参考上述实施例的原理和公式,本实施例不多作赘述。需要说明的是,当采用地点信息获取训练环境参数样本,其采集粒度和设备功率值、器件温度值的采集粒度可能不同,例如采用气温值作为训练环境参数样本,而气温值可能是每小时更新一次,相比起设备功率值和器件温度值的采集粒度较大,在此情况下,可以通过插值处理实现数值的对应,例如,在坐标系中将相邻的气温点用直线连接,根据设备功率值和器件温度值的采集粒度从坐标系中获取对应的气温值,也可以采用其他方式实现数据的对应,在此不多作限定。
需要说明的是,基于上述实施例实现了训练环境参数样本、设备功率值和器件温度值的对应之后,还可以通过时间信息实现数据的关联,从而形成用于训练的样本数据,关联后的样本字段可以包括:采集时间、环境温度值信息、设备功率值和器件温度值。
另外,参照图11,训练设备参数样本还包括训练设备样本中训练器件样本的器件温度值,在执行图9所示实施例的步骤S910之前,还包括但不限于有以下步骤:
步骤S1110,确定器件温度集,器件温度集为判决场景中相同训练器件样本的全部器件温度值的集合。
需要说明的是,由于不同的训练器件样本在相同温度下的过热风险并不一定相同,因此,可以在判决场景中将相同的训练器件样本形成器件温度集,根据器件温度集中的温度值形成若干个判决温度条件,能够更准确地体现出具体器件的过热风险。
另外,在一实施例中,预设规则包括如下至少之一:
对器件温度集中的器件温度值进行聚类,得出至少两个温度值区间,将温度值区间的下界值设置为判决温度条件;
或者,
从器件温度集中确定至少两个温度值区间,将所确定的温度值区间设置为判决温度条件;
或者,
从器件温度集中确定为至少两个温度值区间,获取温度值区间的统计值,将统计值确定为判决温度条件。
在一实施例中,聚类可以采用任意现有的聚类方法,例如最大最小距离算法、k-means聚类算法、层次聚类算法等,以下以最大最小距离算法为例,以一个具体示例进行原理说明:
输入的器件温度集为{x1,x2,..,xN},其中N为器件温度集中器件温度值的数量;确定距离门限因子θ=0.3,确定第一个聚类中心为Z1=min(x1,x2,...,xN),确定器件温度距离计算方式:Dij=|xi-xj|;
计算所有器件温度值到聚类中心Z1和Z2的距离Di1和Di2,i=1,2,..,N;计算Dl=max{min(D11,D12),min(D21,D22),..,min(DN1,DN2)},若Dl>θ·D12(其中D12为聚类中心Z1和Z2的距离),则第三个聚类中心Z3=xl,否则结束聚类中心计算;
计算Dj=max{min(D11,D12,D13),min(D21,D22,D23),..,min(DN1,DN2,DN3)},若Dj>θ·D12,则第四个聚类中心Z4=xj,否则结束聚类中心计算;
以此类推,直到最大最小距离不大于θ·D12时,结束聚类中心的计算。在完成聚类中心的计算后,按最近邻原则,将所有器件温度值划分到距离最近的聚类中心所属的类别。
基于上述实施例,根据聚类方法得出了判决场景下某个训练器件样本的若干个温度值范围,在待评估运行环境进行评估时,为了便于器件温度值的比对,根据从聚类得出的每个温度值区间确定若干个判决门限值,从而形成每个训练器件样本的判决门限集。可以理解的是,判决门限值可以取每个温度值区间的下界值,当器件温度值大于该下界值,则代表器件温度值满足该门限,例如器件温度集的聚类结果为{(min 1,max 1),..,(min K,maxK),(min J,max J)},且所有类别按温度下界值的升序排列,则其中min J和min K分别为该器件最高温类别和次高温类别的下界值,当器件温度值大于min J,则可以认定器件温度值至少满足最高温类别所对应的风险等级。
在一实施例中,还可以将器件温度集中的器件温度值按照实际需求的标准确定为至少两个温度值区间,当器件温度值属于任一温度值区间,则认定为器件温度值满足了判决温度条件。可以理解的是,也可以采用温度值区间的数值通过统计学方法计算出统计值,例如采用平均值或者中值等,所得出的统计值可以应用与上述实施例中的判决门限值以相同的方式确定风险等级,在此不再赘述。
以下结合图12至图14,以一个具体示例对本发明实施例的技术方案进行示例性说明。需要说明的是,本示例中的设备以RRU为例,环境参数以气温值为例,设备参数以功率为例,温度条件集以判决门限集为例,判决门限值为器件温度值;同时,为了叙述的方便,本示例的风险等级以“一级易过温”、“二级易过温”和“正常”为例,后续不再赘述。
参照图10,数据采集包括但不限于有以下步骤:
步骤S1210,采集RRU的外场数据,外场数据包括采集时间、设备功率和器件温度。
其中,具体的数据采集方式可以参考图7所示实施例的描述,在此不再赘述。
步骤S1211,对外场数据进行数据清洗、滤波和量化处理。
其中,具体的数据清洗、滤波和量化处理方式可以参考图8所示实施例的描述,在此不再赘述。
步骤S1220,获取气温数据,并对气温数据进行插值处理和量化处理。
其中,具体的插值处理和量化处理方式可以参考图8所示实施例的描述,在此不再赘述。
步骤S1230,关联外场数据和气温数据。
其中,具体的关联方式可以参考图8所示实施例的描述,在此不再赘述。
参照图13,判决模型建立包括但不限于有以下步骤:
步骤S1310,生成训练样本集。
其中,生成训练样本集的具体方式可以参考图7中所示实施例的描述,在此不再赘述。
步骤S1320,将样本集中的样本按照判决场景分类。
其中,具体的判决场景分类方式可以参考图7中所示实施例的描述,在此不再赘述。
步骤S1330,对所有判决场景的器件温度进行聚类。
其中,具体的聚类方式可以参考上述关于预设规则的实施例的描述,在此不再赘述。
步骤S1340,生成所有判决场景的判决门限集。
其中,判决门限集的具体的聚类方式可以参考上述关于预设规则的实施例的描述,在此不再赘述。
参照图14,设备运行环境易过温的检测包括但不限于有以下步骤:
步骤S1410,生成运行环境中的包括多个RRU的检测样本集;
步骤S1420,获取单个RRU样本,根据RRU样本的功率值和运行环境的气温值确定判决场景,在判决场景中确定对应的判决门限集;
步骤S1430,将RRU样本的器件样本与判决门限集的判决门限值进行对比,确定满足各判决门限值的器件占比,当满足最高门限值的器件占比高于第一预设比例,执行步骤S1441,当满足最高门限值的器件占比低于第一预设比例且满足次高门限值的器件占比高于第一预设比例,执行步骤S1442,否则执行步骤S1443;
步骤S1441,将RRU样本标记为一级易过温,执行步骤S1450;
步骤S1442,将RRU样本标记为二级易过温,执行步骤S1450;
步骤S1443,将RRU样本标记为正常,执行步骤S1450;
步骤S1450,判断是否遍历完是否遍历完该RRU样本的所有器件样本,若否,继续执行步骤S1430,若是,当一级易过温的设备占比高于第二预设比例,执行步骤S1451,当一级易过温的设备占比低于第二预设比例且二级易过温的设备占比高于第二预设比例,执行步骤S1452,否则执行步骤S1453;
步骤S1451,将运行环境标记为一级易过温;
步骤S1452,将运行环境标记为二级易过温;
步骤S1453,将运行环境标记为正常。
在一实施例中,通过上述步骤,能够根据RRU样本的功率值和运行环境的气温值确定判决场景,在判决场景中根据RRU样本所对应的判决门限集确定各器件样本的风险等级,并根据器件样本的风险等级进一步确定RRU样本的风险等级,从而完成对运行环境的评估。
另外,参考图15,本发明的一个实施例还提供了一种电子设备1500,该电子设备1500包括:存储器1510、处理器1520及存储在存储器1510上并可在处理器1520上运行的计算机程序。
处理器1520和存储器1510可以通过总线或者其他方式连接。
实现上述实施例的设备运行环境评估方法所需的非暂态软件程序以及指令存储在存储器1510中,当被处理器1520执行时,执行上述实施例中的应用于电子设备1500的设备运行环境评估方法,例如,执行以上描述的图1中的方法步骤S110至S140,图2中的方法步骤S210至S230,图3中的方法步骤S310至S320,图4中的方法步骤S410至S420,图5中的方法步骤S510至S530,图6中的方法步骤S610,或者,执行应用于电子设备的判决模型训练方法,例如,执行以上描述的图7中的方法步骤S710至S720,图8中的方法步骤S810,图9中的方法步骤S910至步骤S920,图10中的方法步骤S1010至步骤S1030,图11中的方法步骤S1110。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外,本发明的一个实施例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存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述电子设备实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的应用于电子设备的设备运行环境评估方法,例如,执行以上描述的图1中的方法步骤S110至S140,图2中的方法步骤S210至S230,图3中的方法步骤S310至S320,图4中的方法步骤S410至S420,图5中的方法步骤S510至S530,图6中的方法步骤S610,或者,执行应用于电子设备的判决模型训练方法,例如,执行以上描述的图7中的方法步骤S710至S720,图8中的方法步骤S810,图9中的方法步骤S910至步骤S920,图10中的方法步骤S1010至步骤S1030,图11中的方法步骤S1110。本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (15)
1.一种设备运行环境评估方法,包括:
获取待评估运行环境的环境参数;
获取所述待评估运行环境中的待评估设备样本的设备参数和器件参数;
根据所述环境参数、所述设备参数和预先训练好的判决模型确定判决场景,根据所述待评估设备样本的器件参数确定所述待评估设备样本在所述判决场景中的设备评估结果;
根据所述设备评估结果确定所述待评估运行环境的运行环境评估结果。
2.根据权利要求1所述的方法,其特征在于,所述器件参数包括所述待评估设备样本中待评估器件样本的器件温度值,所述根据所述待评估设备样本的器件参数确定所述待评估设备样本在所述判决场景中的设备评估结果,包括:
确定所述判决场景中与所述器件温度值相对应的判决条件集,所述判决条件集包括判决温度条件和与所述判决温度条件相对应的风险等级;
确定所述器件温度值在所述判决条件集中所符合的判决温度条件,将所符合的所述判决温度条件所对应的风险等级确定为所述待评估器件样本的风险等级;
根据所述待评估器件样本的器件数量和所述待评估器件样本的风险等级确定所述设备评估结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述待评估器件样本的器件数量和所述待评估器件样本的风险等级确定所述设备评估结果,包括:
确定器件占比,所述器件占比为风险等级相同的所述待评估器件样本的数量与所述待评估器件样本的总数量的比值;
根据所述器件占比和第一预设比例确定所述设备评估结果。
4.根据权利要求2所述的方法,其特征在于,所述判决温度条件包括如下至少之一:
至少两个互不重叠的温度值区间;
按照数值大小顺序排列的温度值序列。
5.根据权利要求2所述的方法,其特征在于,所述根据所述器件占比和第一预设比例确定所述设备评估结果,包括:
根据风险等级由高到低的顺序,依次比对每个风险等级所对应的器件占比和所述第一预设比例;
当首次比对出风险等级所对应的所述器件占比大于所述第一预设比例,将用于比对的风险等级确定为所述设备评估结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述设备评估结果确定所述待评估运行环境的运行环境评估结果,包括:
确定所述待评估运行环境中的待评估设备样本的设备数量;
确定设备占比,所述设备占比为所述设备评估结果相同的所述待评估设备样本的数量与所述待评估设备样本的总数量的比值;
根据所述设备评估结果所对应的风险等级由高到低的顺序比对设备占比和第二预设比例,当首次比对出设备占比大于所述第二预设比例,将用于比对的所述设备占比所对应的所述设备评估结果确定为所述运行环境评估结果。
7.根据权利要求1所述的方法,其特征在于,所述设备参数包括设备功率值,所述环境参数包括环境温度值,所述根据所述环境参数、所述设备参数和预先训练好的判决模型确定判决场景,包括:
将所述设备功率值和所述环境温度值输入至所述判决模型,得出所述判决场景。
8.一种判决模型训练方法,包括:
确定训练样本集,所述训练样本集包括训练设备样本的训练设备参数样本和所述训练设备样本所处的运行环境的训练环境参数样本;
根据所述训练设备参数样本和所述训练环境参数样本训练所述判决模型,以使所述判决模型能够根据设备参数和环境参数确定判决场景。
9.根据权利要求8所述的方法,其特征在于,所述训练设备参数样本包括所述训练设备样本的功率样本值,所述训练环境参数样本包括所述训练设备样本所处的运行环境的环境温度样本值,在所述根据所述训练设备参数样本和所述训练环境参数样本训练所述判决模型之前,包括:
根据所述功率样本值和所述环境温度样本值确定若干个判决场景。
10.根据权利要求9所述的方法,其特征在于,在所述根据所述功率样本值和所述环境温度样本值确定若干个判决场景之后,还包括:
在所述判决场景中,根据所述训练设备参数样本和预设规则得出至少两个判决温度条件;
确定与所述判决温度条件相对应的风险等级,根据所述判决温度条件和所述风险等级生成判决条件集。
11.根据权利要求8所述的方法,其特征在于,在所述获取所述训练设备样本的训练设备参数样本和所述训练设备样本所处环境的训练环境参数样本之后,还包括:
对所述训练设备参数样本进行数据清洗、滤波和量化处理;
对所述训练环境参数样本进行插值处理和量化处理,以使所述训练环境参数样本与所述训练设备参数样本的采集粒度相同;
关联采集时间相同的所述训练设备参数样本和所述训练环境参数样本。
12.根据权利要求10所述的方法,其特征在于,所述训练设备参数样本还包括所述训练设备样本中训练器件样本的器件温度值,在所述根据所述训练设备参数样本和预设规则得出至少两个判决温度条件之前,还包括:
确定器件温度集,所述器件温度集为所述判决场景中相同训练器件样本的全部器件温度值的集合。
13.根据权利要求12所述的方法,其特征在于,所述预设规则包括如下至少之一:
对所述器件温度集中的所述器件温度值进行聚类,得出至少两个温度值区间,将所述温度值区间的下界值设置为所述判决温度条件;
或者,
从所述器件温度集中确定至少两个温度值区间,将所确定的温度值区间设置为所述判决温度条件;
或者,
从所述器件温度集中确定为至少两个温度值区间,获取所述温度值区间的统计值,将所述统计值确定为所述判决温度条件。
14.一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的设备运行环境评估方法,或者实现如权利要求8至13中任意一项所述的判决模型训练方法。
15.一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至7中任意一项所述的设备运行环境评估方法,或者实现如权利要求8至13中任意一项所述的判决模型训练方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011406910.1A CN114610559A (zh) | 2020-12-04 | 2020-12-04 | 设备运行环境评估方法、判决模型训练方法、电子设备 |
PCT/CN2021/124160 WO2022116710A1 (zh) | 2020-12-04 | 2021-10-15 | 设备运行环境评估方法、判决模型训练方法、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011406910.1A CN114610559A (zh) | 2020-12-04 | 2020-12-04 | 设备运行环境评估方法、判决模型训练方法、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114610559A true CN114610559A (zh) | 2022-06-10 |
Family
ID=81852906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011406910.1A Pending CN114610559A (zh) | 2020-12-04 | 2020-12-04 | 设备运行环境评估方法、判决模型训练方法、电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114610559A (zh) |
WO (1) | WO2022116710A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431458A (zh) * | 2023-06-08 | 2023-07-14 | 深圳市华卓智能科技有限公司 | 一种平板电脑智能管理系统与方法 |
CN116431458B (zh) * | 2023-06-08 | 2024-05-31 | 深圳市聚人科技有限公司 | 一种平板电脑智能管理系统与方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997726B (zh) * | 2022-06-30 | 2024-04-09 | 精效悬浮(苏州)科技有限公司 | 一种氮气鼓风机的稳定性能评估方法及系统 |
CN116629726B (zh) * | 2023-05-31 | 2023-11-17 | 常州润来科技有限公司 | 一种精密铜管包装车间的环境监测管理方法及系统 |
CN117032415B (zh) * | 2023-06-29 | 2024-01-30 | 兴容(上海)信息技术股份有限公司 | 一种基于温度变化的设备数据监管系统及方法 |
CN116975567B (zh) * | 2023-07-28 | 2024-03-15 | 上海优立检测技术股份有限公司 | 服务器辐射抗干扰度测试方法、系统、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8266078B2 (en) * | 2009-02-06 | 2012-09-11 | Microsoft Corporation | Platform for learning based recognition research |
CN103326352B (zh) * | 2013-05-21 | 2015-12-09 | 国家电网公司 | 一种配电网电缆线路局部过热风险辨识方法 |
CN110175386B (zh) * | 2019-05-21 | 2022-11-25 | 陕西科技大学 | 变电站电气设备温度预测方法 |
CN111026790A (zh) * | 2019-12-09 | 2020-04-17 | 上海勘察设计研究院(集团)有限公司 | 一种基于数据挖掘的结构安全评估及预报方法 |
-
2020
- 2020-12-04 CN CN202011406910.1A patent/CN114610559A/zh active Pending
-
2021
- 2021-10-15 WO PCT/CN2021/124160 patent/WO2022116710A1/zh active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431458A (zh) * | 2023-06-08 | 2023-07-14 | 深圳市华卓智能科技有限公司 | 一种平板电脑智能管理系统与方法 |
CN116431458B (zh) * | 2023-06-08 | 2024-05-31 | 深圳市聚人科技有限公司 | 一种平板电脑智能管理系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022116710A1 (zh) | 2022-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114610559A (zh) | 设备运行环境评估方法、判决模型训练方法、电子设备 | |
WO2021073114A1 (zh) | 基于统计的异常流量监测方法、装置、设备及存储介质 | |
US20160217378A1 (en) | Identifying anomalous behavior of a monitored entity | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
WO2017113774A1 (zh) | 一种无线通讯系统用户优先级的判别方法及装置 | |
CN103577662A (zh) | 确定家用电器的用电状况或环境状况的方法及设备 | |
CN111046968A (zh) | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN116780781B (zh) | 智能电网接入的功率管理方法 | |
CN111078512A (zh) | 告警记录生成方法、装置、告警设备及存储介质 | |
CN114417971A (zh) | 一种基于k近邻密度峰值聚类的电力数据异常值检测算法 | |
CN117093461A (zh) | 一种时延检测分析的方法、系统、设备和存储介质 | |
CN110597792A (zh) | 基于同期线损数据融合的多级冗余数据融合方法及装置 | |
CN117118810B (zh) | 一种网络通信异常预警方法及系统 | |
CN116562746B (zh) | 一种被服物流站点的被服数据监控方法及相关装置 | |
CN113094448A (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
CN110770753B (zh) | 高维数据实时分析的装置和方法 | |
JP6625839B2 (ja) | 負荷実績データ判別装置、負荷予測装置、負荷実績データ判別方法及び負荷予測方法 | |
WO2020001095A1 (zh) | 一种基于层次化综合质量指标QoX的上下文不确定性消除系统及其工作方法 | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 | |
US20150347213A1 (en) | Apparatus and method for system monitoring | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
CN110569277A (zh) | 一种配置数据信息自动识别与归类方法及系统 | |
KR102458372B1 (ko) | 에너지 절감 냉난방 자동제어를 위한 빅데이터 기반 도시 건물 내 사용자 점유시간 예측시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |