CN115543741A - 基板管理控制器的故障监测方法、装置、设备和存储介质 - Google Patents
基板管理控制器的故障监测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115543741A CN115543741A CN202211197782.3A CN202211197782A CN115543741A CN 115543741 A CN115543741 A CN 115543741A CN 202211197782 A CN202211197782 A CN 202211197782A CN 115543741 A CN115543741 A CN 115543741A
- Authority
- CN
- China
- Prior art keywords
- management controller
- fault
- identifier
- value
- image
- 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 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 239000000758 substrate Substances 0.000 claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 230000003287 optical effect Effects 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 23
- 239000003086 colorant Substances 0.000 claims description 18
- 230000008439 repair process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06F11/07—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种基板管理控制器的故障监测方法、装置、设备和存储介质，所述方法包括：获取基板管理控制器上各个传感器的实时温度值；基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；基于所述第一标识在预构建的三维模拟系统中生成第一图像；将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。本申请通过综合考虑相关多个传感器的情况进行判断是否发生故障，提高了故障监测的准确率，并对故障信息进行解析，可以快速对故障进行定位和修复，进一步提高了基板管理控制器运行的可靠性，更加有利于保证系统的平稳运行，在一定程度提高了产品的稳定性。
Description
技术领域
本申请涉及故障监测的技术领域，特别是涉及一种基板管理控制器的故障监测方法、装置、设备和存储介质。
背景技术
服务器计算机的一种，它比普通计算机运行更快、负载更高、价格更贵，且具有可靠性，易扩展性，可管理性等特点，可靠性是服务器的一个重要特性，即能够及时识别故障，并对故障进行处理，对故障的处理也体现了管理性，管理性即可选择BMC系统，对服务器进行远程监控和控制。
BMC(基板管理控制器)是独立于服务器的一个系统，可对服务器进行远程控制，对故障进行监控，目前BMC故障预测尚未成熟，误报率较高，单一传感器存在较大的监测偏差，无法准确预测且监控服务器当前的故障状态。
因此，亟需提出一种能够提高故障监测准确率的基板管理控制器的故障监测方法、装置、设备和存储介质。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高故障监测准确率的基板管理控制器的故障监测方法、装置、和存储介质。
一方面，提供一种基板管理控制器的故障监测方法，所述方法包括：
步骤A：获取基板管理控制器上各个传感器的实时温度值；
步骤B：基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；
步骤C：基于所述第一标识在预构建的三维模拟系统中生成第一图像；
步骤D：将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
在其中一个实施例中，还包括：在所述获取基板管理控制器上各个传感器的实时温度值之前，所述方法还包括：获取数据库中基板管理控制器的历史故障信息，所述历史故障信息包括以下至少一项：故障发生时间、故障发生位置、故障发生原因和故障修复方法；利用聚类分析策略对所述历史故障信息进行分类，对分类后的历史故障信息及其对应的第一标识进行转码处理生成第二标识；将所述第二标识存储于数据库中。
在其中一个实施例中，所述方法还包括：当所述基板管理控制器发生故障时，提取所述第一标识和所述第二标识的特征值并进行比较：若所述第一标识的特征值大于所述第二标识的特征值，则提取所述第二标识对应的历史故障信息并发送至后台服务器；若所述第一标识的特征值小于/等于所述第二标识的特征值，则由工作人员确定故障信息并同步存入所述数据库中。
在其中一个实施例中，还包括：所述基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识包括：利用数据拟合公式及预设的规则获取所述实时温度值对应的光学三原色值；根据所述光学三原色值提取对应的颜色并生成所述第一标识。
在其中一个实施例中，还包括：所述数据拟合公式为：
y＝aR+bG+cB+d
其中，y为温度值，R、G、B为光学三原色中的值，a、b、c、d为拟合系数；
所述数据拟合公式的生成步骤包括：
定义所述光学三原色所对应的温度值分别为：绿色对应[0,50)摄氏度，黄色对应[50,60]摄氏度，红色对应[60，+∞)摄氏度；
基于预设点的R值、G值和B值求解得到拟合系数a、b、c、d，所述预设点个数大于3；
基于所述拟合系数和所述实时温度值，利用所述预设的规则求解对应的R、G、B值。
在其中一个实施例中，还包括：所述基于所述第一标识在预构建的三维模拟系统中生成第一图像包括：获取所述基板管理控制器各个传感器基准点的位置和几何特征信息；对所述基准点的位置和几何特征信息进行关联，生成特征集合；基于所述特征集合构建三维空间信息，网格化处理所述三维空间信息形成三维模型；将所述第一标识在所述三维模型中的对应位置进行标记，标记好后截取所需要的二维图生成所述第一图像。
在其中一个实施例中，还包括：所述将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障包括：将所述第一图像输入所述卷积神经网络中；将所述卷积神经网络中输出结果z与0、1进行比较：若|z-0|小于预设值，则判断所述基板管理控制器未发生故障；若|1-z|小于预设值，则判断所述基板管理控制器发生故障。
另一方面，提供了一种基板管理控制器的故障监测装置，所述装置包括：
数据获取模块，用于获取基板管理控制器上各个传感器的实时温度值；
标识生成模块，用于基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；
图像生成模块，用于基于所述第一标识在预构建的三维模拟系统中生成第一图像；
故障判断模块，用于将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
再一方面，提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现以下步骤：
步骤A：获取基板管理控制器上各个传感器的实时温度值；
步骤B：基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；
步骤C：基于所述第一标识在预构建的三维模拟系统中生成第一图像；
步骤D：将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
又一方面，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以下步骤：
步骤A：获取基板管理控制器上各个传感器的实时温度值；
步骤B：基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；
步骤C：基于所述第一标识在预构建的三维模拟系统中生成第一图像；
步骤D：将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
上述基板管理控制器的故障监测方法、装置、设备和存储介质，所述方法包括：获取基板管理控制器上各个传感器的实时温度值；基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；基于所述第一标识在预构建的三维模拟系统中生成第一图像；将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障，本申请为解决传感器监测不准确误报率高的问题，提出了一种不再根据单一传感器的变化情况来监测是否发生故障，而是通过综合考虑相关多个传感器的情况进行判断是否发生故障，提高了故障监测的准确率，并对故障信息进行解析，可以快速对故障进行定位和修复，提高了基板管理控制器运行的可靠性，更加有利于保证系统的平稳运行，在一定程度提高了产品的稳定性。
附图说明
图1为一个实施例中基板管理控制器的故障监测方法的应用环境图；
图2为一个实施例中基板管理控制器的故障监测方法的流程示意图；
图3为一个实施例中基板管理控制器的故障监测装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基板管理控制器的故障监测方法，可以应用于如图1所示的应用环境中。终端102通过网络与设置于服务器104上的数据处理平台进行通信，其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
实施例1
在一个实施例中，如图2所示，提供了一种基板管理控制器的故障监测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
S1：获取基板管理控制器上各个传感器的实时温度值。
需要说明的是，在所述获取基板管理控制器上各个传感器的实时温度值之前，所述方法还包括：
获取数据库中基板管理控制器的历史故障信息，所述历史故障信息包括以下至少一项：故障发生时间、故障发生位置、故障发生原因和故障修复方法；
利用聚类分析策略对所述历史故障信息进行分类，对分类后的历史故障信息及其对应的第一标识进行转码处理生成第二标识，其中，聚类分析算法可以是基于划分的聚类算法(如K-Means算法)、基于密度的空间聚类算法(如DBSCAN算法)。
示例性的，以K-Means算法为例：
(1)从所述相关数据信息中选择k个对象作为初始聚类中心；
(2)计算每个聚类对象到聚类中心的距离来划分；
(3)再次计算每个聚类中心；
(4)计算标准测度函数，直到达到最大迭代次数,则停止，否则，继续步骤(2)、(3)进行操作。
利用数据编码转换器将分类后的历史故障信息及其对应的第一标识进行转码处理生成第二标识；
将所述第二标识存储于数据库中。
本实施例将相关数据进行分类为后续的提取历史故障信息提供便利，在基板管理控制器出现故障时，可以优先提取相同分类或者出现概率排序在前的相关数据进行比对，提高了数据分析的效率。
S2：基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识。
需要说明的是，该步骤具体为：
利用数据拟合公式及预设的规则获取所述实时温度值对应的光学三原色值(RGB值)；
根据所述光学三原色值提取对应的颜色并生成所述第一标识。
其中，所述数据拟合公式为：
y＝aR+bG+cB+d
其中，y为温度值，R、G、B为光学三原色中的值，a、b、c、d为拟合系数；
进一步的，所述数据拟合公式的生成步骤包括：
定义所述光学三原色所对应的温度值分别为：绿色对应[0,50)摄氏度，黄色对应[50,60]摄氏度，红色对应[60，+∞)摄氏度；
基于预设点的R值、G值和B值求解得到拟合系数a、b、c、d，所述预设点个数大于3；
基于所述拟合系数和所述实时温度值，利用所述预设的规则求解对应的R、G、B值；
其中，预设的规则为：
当温度值区间在[0,50)及[50,60]内时，R的取值为0～255的整数，根据颜色定义G为255，B为0，根据数据拟合公式计算R的值，若计算出来的R为小数则四舍五入取整；
当温度值区间在[60,+∞)内时，R的取值为100～255的整数，根据颜色定义G为0，B为0，根据数据拟合公式计算R的值，若计算出来的R为小数则四舍五入取整。
S3：基于所述第一标识在预构建的三维模拟系统中生成第一图像。
需要说明的是，该步骤具体为：
获取所述基板管理控制器各个传感器基准点的位置和几何特征信息；
对所述基准点的位置和几何特征信息进行关联，生成特征集合；
基于所述特征集合构建三维空间信息，网格化处理所述三维空间信息形成三维模型，将所述三维模型导入三维模拟系统中；
在所述三维模拟系统中将所述第一标识在所述三维模型中的对应位置进行标记，形成有色彩的三维模型，即为通过色彩的颜色可以判别出传感器的温度值，标记好后截取所需要的二维图生成所述第一图像，此处所需要的二维图可以指的是包含多个传感器温度值的色彩图。
S4：将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
需要说明的是，该步骤具体为：
定义图像的像素为256*256，此处定义的像素值可以很好的分切到基板管理控制器上所有的器件，在选择CNN卷积神经网络为两层选择ReLU激励的CONVlayer(卷积层)，之后为全连接层和输出层，将所述第一图像输入所述卷积神经网络中，第一层CONVlayer选择7*7的卷积核，个数为64个，Strip为2，通过ReLU激励活得64个特征的像素为127*127的图，第二次CONVlayer选择5*5的卷积核，个数为16个，Strip为1，通过ReLU激励活得16个特征的像素为127*127的图，再通过1000个神经元的全连接层，完成输出，得到输出结果，其中，此处选择的卷积核及其个数、Strip个数和神经元个数可以使判断结果更加精确；
进一步的，将所述卷积神经网络中输出结果z与0、1进行比较：
若|z-0|小于预设值，则判断所述基板管理控制器未发生故障；
若|1-z|小于预设值，则判断所述基板管理控制器发生故障。
即所述卷积神经网络中输出结果z越接近于1则表明发生故障，当所述卷积神经网络中输出结果z越接近于0则表明未发生故障。
更进一步的，当所述基板管理控制器发生故障时，提取所述第一标识和所述第二标识的特征值并进行比较：
若所述第一标识的特征值大于所述第二标识的特征值，则提取所述第二标识对应的历史故障信息并发送至后台服务器，当服务器后台接收该信息时即可立马判断出故障发生位置或故障发生时间或故障发生原因或故障修复方法，可以提高故障修复的效率；
若所述第一标识的特征值小于/等于所述第二标识的特征值，则由工作人员确定故障信息并同步存入所述数据库中，该同步存如步骤与步骤S1中历史故障信息预存方法相同，此处不再赘述。
上述基板管理控制器的故障监测方法中，所述方法包括：获取基板管理控制器上各个传感器的实时温度值；基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；基于所述第一标识在预构建的三维模拟系统中生成第一图像；将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障，本申请为解决传感器监测不准确误报率高的问题，提出了一种不再根据单一传感器的变化情况来监测是否发生故障，而是通过综合考虑相关多个传感器的情况进行判断是否发生故障，提高了故障监测的准确率，并对故障信息进行解析，可以快速对故障进行定位和修复，提高了基板管理控制器运行的可靠性，更加有利于保证系统的平稳运行，在一定程度提高了产品的稳定性。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例2
在一个实施例中，如图3所示，提供了一种基板管理控制器的故障监测装置，包括：数据获取模块、标识生成模块、图像生成模块和故障判断模块，其中：
数据获取模块，用于获取基板管理控制器上各个传感器的实时温度值；
标识生成模块，用于基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；
图像生成模块，用于基于所述第一标识在预构建的三维模拟系统中生成第一图像；
故障判断模块，用于将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
所述装置还包括：数据预存模块，用于获取数据库中基板管理控制器的历史故障信息，所述历史故障信息包括以下至少一项：故障发生时间、故障发生位置、故障发生原因和故障修复方法；利用聚类分析策略对所述历史故障信息进行分类，对分类后的历史故障信息及其对应的第一标识进行转码处理生成第二标识；将所述第二标识存储于数据库中。
所述装置还包括：故障相关信息判断模块，用于当所述基板管理控制器发生故障时，提取所述第一标识和所述第二标识的特征值并进行比较：若所述第一标识的特征值大于所述第二标识的特征值，则提取所述第二标识对应的历史故障信息并发送至后台服务器；若所述第一标识的特征值小于/等于所述第二标识的特征值，则由工作人员确定故障信息并同步存入所述数据库中。
作为一种较优的实施方式，本发明实施例中，所述标识生成模块具体用于：
利用数据拟合公式及预设的规则获取所述实时温度值对应的光学三原色值；
根据所述光学三原色值提取对应的颜色并生成所述第一标识；
其中，所述数据拟合公式为：
y＝aR+bG+cB+d
其中，y为温度值，R、G、B为光学三原色中的值，a、b、c、d为拟合系数；
所述数据拟合公式的生成步骤包括：
定义所述光学三原色所对应的温度值分别为：绿色对应[0,50)摄氏度，黄色对应[50,60]摄氏度，红色对应[60，+∞)摄氏度；
基于预设点的R值、G值和B值求解得到拟合系数a、b、c、d，所述预设点个数大于3；
基于所述拟合系数和所述实时温度值，利用所述预设的规则求解对应的R、G、B值。
作为一种较优的实施方式，本发明实施例中，所述图像生成模块具体用于：
获取所述基板管理控制器各个传感器基准点的位置和几何特征信息；
对所述基准点的位置和几何特征信息进行关联，生成特征集合；
基于所述特征集合构建三维空间信息，网格化处理所述三维空间信息形成三维模型；
将所述第一标识在所述三维模型中的对应位置进行标记，标记好后截取所需要的二维图生成所述第一图像。
作为一种较优的实施方式，本发明实施例中，所述故障判断模块具体用于：
将所述第一图像输入所述卷积神经网络中；
将所述卷积神经网络中输出结果z与0、1进行比较：
若|z-0|小于预设值，则判断所述基板管理控制器未发生故障；
若|1-z|小于预设值，则判断所述基板管理控制器发生故障。
关于基板管理控制器的故障监测装置的具体限定可以参见上文中对于基板管理控制器的故障监测方法的限定，在此不再赘述。上述基板管理控制器的故障监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例3
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基板管理控制器的故障监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：
步骤A：获取基板管理控制器上各个传感器的实时温度值；
步骤B：基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；
步骤C：基于所述第一标识在预构建的三维模拟系统中生成第一图像；
步骤D：将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取数据库中基板管理控制器的历史故障信息，所述历史故障信息包括以下至少一项：故障发生时间、故障发生位置、故障发生原因和故障修复方法；
利用聚类分析策略对所述历史故障信息进行分类，对分类后的历史故障信息及其对应的第一标识进行转码处理生成第二标识；
将所述第二标识存储于数据库中。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当所述基板管理控制器发生故障时，提取所述第一标识和所述第二标识的特征值并进行比较：
若所述第一标识的特征值大于所述第二标识的特征值，则提取所述第二标识对应的历史故障信息并发送至后台服务器；
若所述第一标识的特征值小于/等于所述第二标识的特征值，则由工作人员确定故障信息并同步存入所述数据库中。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
利用数据拟合公式及预设的规则获取所述实时温度值对应的光学三原色值；
根据所述光学三原色值提取对应的颜色并生成所述第一标识；
其中，所述数据拟合公式为：
y＝aR+bG+cB+d
其中，y为温度值，R、G、B为光学三原色中的值，a、b、c、d为拟合系数；
所述数据拟合公式的生成步骤包括：
定义所述光学三原色所对应的温度值分别为：绿色对应[0,50)摄氏度，黄色对应[50,60]摄氏度，红色对应[60，+∞)摄氏度；
基于预设点的R值、G值和B值求解得到拟合系数a、b、c、d，所述预设点个数大于3；
基于所述拟合系数和所述实时温度值，利用所述预设的规则求解对应的R、G、B值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述基板管理控制器各个传感器基准点的位置和几何特征信息；
对所述基准点的位置和几何特征信息进行关联，生成特征集合；
基于所述特征集合构建三维空间信息，网格化处理所述三维空间信息形成三维模型；
将所述第一标识在所述三维模型中的对应位置进行标记，标记好后截取所需要的二维图生成所述第一图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述第一图像输入所述卷积神经网络中；
将所述卷积神经网络中输出结果z与0、1进行比较：
若|z-0|小于预设值，则判断所述基板管理控制器未发生故障；
若|1-z|小于预设值，则判断所述基板管理控制器发生故障。
实施例4
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤A：获取基板管理控制器上各个传感器的实时温度值；
步骤B：基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；
步骤C：基于所述第一标识在预构建的三维模拟系统中生成第一图像；
步骤D：将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取数据库中基板管理控制器的历史故障信息，所述历史故障信息包括以下至少一项：故障发生时间、故障发生位置、故障发生原因和故障修复方法；
利用聚类分析策略对所述历史故障信息进行分类，对分类后的历史故障信息及其对应的第一标识进行转码处理生成第二标识；
将所述第二标识存储于数据库中。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当所述基板管理控制器发生故障时，提取所述第一标识和所述第二标识的特征值并进行比较：
若所述第一标识的特征值大于所述第二标识的特征值，则提取所述第二标识对应的历史故障信息并发送至后台服务器；
若所述第一标识的特征值小于/等于所述第二标识的特征值，则由工作人员确定故障信息并同步存入所述数据库中。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
利用数据拟合公式及预设的规则获取所述实时温度值对应的光学三原色值；
根据所述光学三原色值提取对应的颜色并生成所述第一标识；
其中，所述数据拟合公式为：
y＝aR+bG+cB+d
其中，y为温度值，R、G、B为光学三原色中的值，a、b、c、d为拟合系数；
所述数据拟合公式的生成步骤包括：
定义所述光学三原色所对应的温度值分别为：绿色对应[0,50)摄氏度，黄色对应[50,60]摄氏度，红色对应[60，+∞)摄氏度；
基于预设点的R值、G值和B值求解得到拟合系数a、b、c、d，所述预设点个数大于3；
基于所述拟合系数和所述实时温度值，利用所述预设的规则求解对应的R、G、B值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述基板管理控制器各个传感器基准点的位置和几何特征信息；
对所述基准点的位置和几何特征信息进行关联，生成特征集合；
基于所述特征集合构建三维空间信息，网格化处理所述三维空间信息形成三维模型；
将所述第一标识在所述三维模型中的对应位置进行标记，标记好后截取所需要的二维图生成所述第一图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述第一图像输入所述卷积神经网络中；
将所述卷积神经网络中输出结果z与0、1进行比较：
若|z-0|小于预设值，则判断所述基板管理控制器未发生故障；
若|1-z|小于预设值，则判断所述基板管理控制器发生故障。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基板管理控制器的故障监测方法，其特征在于，所述方法包括：
获取基板管理控制器上各个传感器的实时温度值；
基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；
基于所述第一标识在预构建的三维模拟系统中生成第一图像；
将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
2.根据权利要求1所述的基板管理控制器的故障监测方法，其特征在于，在所述获取基板管理控制器上各个传感器的实时温度值之前，所述方法还包括：
获取数据库中基板管理控制器的历史故障信息，所述历史故障信息包括以下至少一项：故障发生时间、故障发生位置、故障发生原因和故障修复方法；
利用聚类分析策略对所述历史故障信息进行分类，对分类后的历史故障信息及其对应的第一标识进行转码处理生成第二标识；
将所述第二标识存储于数据库中。
3.根据权利要求1所述的基板管理控制器的故障监测方法，其特征在于，所述方法还包括：
当所述基板管理控制器发生故障时，提取所述第一标识和所述第二标识的特征值并进行比较：
若所述第一标识的特征值大于所述第二标识的特征值，则提取所述第二标识对应的历史故障信息并发送至后台服务器；
若所述第一标识的特征值小于/等于所述第二标识的特征值，则由工作人员确定故障信息并同步存入所述数据库中。
4.根据权利要求1所述的基板管理控制器的故障监测方法，其特征在于，所述基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识包括：
利用数据拟合公式及预设的规则获取所述实时温度值对应的光学三原色值；
根据所述光学三原色值提取对应的颜色并生成所述第一标识。
5.根据权利要求4所述的基板管理控制器的故障监测方法，其特征在于，所述数据拟合公式为：
y＝aR+bG+cB+d
其中，y为温度值，R、G、B为光学三原色中的值，a、b、c、d为拟合系数；
所述数据拟合公式的生成步骤包括：
定义所述光学三原色所对应的温度值分别为：绿色对应[0,50)摄氏度，黄色对应[50,60]摄氏度，红色对应[60，+∞)摄氏度；
基于预设点的R值、G值和B值求解得到拟合系数a、b、c、d，所述预设点个数大于3；
基于所述拟合系数和所述实时温度值，利用所述预设的规则求解对应的R、G、B值。
6.根据权利要求1所述的基板管理控制器的故障监测方法，其特征在于，所述基于所述第一标识在预构建的三维模拟系统中生成第一图像包括：
获取所述基板管理控制器各个传感器基准点的位置和几何特征信息；
对所述基准点的位置和几何特征信息进行关联，生成特征集合；
基于所述特征集合构建三维空间信息，网格化处理所述三维空间信息形成三维模型；
将所述第一标识在所述三维模型中的对应位置进行标记，标记好后截取所需要的二维图生成所述第一图像。
7.根据权利要求1所述的基板管理控制器的故障监测方法，其特征在于，所述将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障包括：
将所述第一图像输入所述卷积神经网络中；
将所述卷积神经网络中输出结果z与0、1进行比较：
若|z-0|小于预设值，则判断所述基板管理控制器未发生故障；
若|1-z|小于预设值，则判断所述基板管理控制器发生故障。
8.一种基板管理控制器的故障监测装置，其特征在于，所述装置包括：
数据获取模块，用于获取基板管理控制器上各个传感器的实时温度值；
标识生成模块，用于基于数据拟合策略确定所述实时温度值对应的光学三原色值并形成第一标识；
图像生成模块，用于基于所述第一标识在预构建的三维模拟系统中生成第一图像；
故障判断模块，用于将所述第一图像输入预设的卷积神经网络，基于所述卷积神经网络的输出结果判断所述基板管理控制器是否发生故障。
9.一种计算机设备，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权利要求1至7中任一项所述方法的步骤。
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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211197782.3A CN115543741A (zh) | 2022-09-29 | 2022-09-29 | 基板管理控制器的故障监测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211197782.3A CN115543741A (zh) | 2022-09-29 | 2022-09-29 | 基板管理控制器的故障监测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115543741A true CN115543741A (zh) | 2022-12-30 |
Family
ID=84732315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211197782.3A Pending CN115543741A (zh) | 2022-09-29 | 2022-09-29 | 基板管理控制器的故障监测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115543741A (zh) |
-
2022
- 2022-09-29 CN CN202211197782.3A patent/CN115543741A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| US7243049B1 (en) | Method for modeling system performance | |
| CN112884092B (zh) | Ai模型生成方法、电子设备及存储介质 | |
| CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| CN113343847B (zh) | 异常数据检测方法、装置、计算机设备和可读存储介质 | |
| CN109992473B (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
| CN110941555A (zh) | 测试用例推荐方法、装置、计算机设备和存储介质 | |
| CN115237710A (zh) | 服务器温度预测方法、装置、计算机设备和存储介质 | |
| CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| CN116997867A (zh) | 用于预测技术设施的运行的方法和系统 | |
| CN117521977B (zh) | 基于智慧平台的数据处理方法、装置、设备及存储介质 | |
| CN111679953B (zh) | 基于人工智能的故障节点识别方法、装置、设备和介质 | |
| CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
| CN115543741A (zh) | 基板管理控制器的故障监测方法、装置、设备和存储介质 | |
| WO2020124977A1 (zh) | 生产数据处理方法、装置、计算机设备和存储介质 | |
| CN110838940A (zh) | 地下电缆巡检任务配置方法和装置 | |
| CN113282876B (zh) | 异常检测中一维时间序列数据生成方法、装置和设备 | |
| CN115271117A (zh) | 一种换流站内部设备故障诊断方法、装置、计算机设备 | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| US11544620B2 (en) | System and method for context-based training of a machine learning model | |
| CN113689020A (zh) | 业务信息预测方法、装置、计算机设备和存储介质 | |
| CN109801012A (zh) | 储罐计量数据的处理方法、装置、计算机设备和存储介质 | |
| CN118353761A (zh) | 物联网通信设备的告警数据处理方法、装置、设备和介质 | |
| US20220083569A1 (en) | Information processing apparatus, information processing method, non-transitory computer readable medium | |
| CN110704218B (zh) | 数据处理方法、装置、计算机设备和存储介质 |
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 |