CN116541251A - 显示设备状态预警方法、装置、设备和计算机可读介质 - Google Patents
显示设备状态预警方法、装置、设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116541251A CN116541251A CN202310808683.2A CN202310808683A CN116541251A CN 116541251 A CN116541251 A CN 116541251A CN 202310808683 A CN202310808683 A CN 202310808683A CN 116541251 A CN116541251 A CN 116541251A
- Authority
- CN
- China
- Prior art keywords
- early warning
- state parameter
- abnormal
- trend data
- parameter sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 114
- 230000004044 response Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开的实施例公开了显示设备状态预警方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括:以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合;对状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合;利用与状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合;利用趋势数据集合、异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合;响应于确定预警信息集合非空,基于预警信息集合中的预警信息执行预警操作。该实施方式可以提高预警的精确度和前置性,减少不必要的损失。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及显示设备状态预警方法、装置、设备和计算机可读介质。
背景技术
显示设备状态预警,是通过一定的方法确定显示设备是否处于异常或故障状态,并进行预警的一项技术。目前,在显示设备状态预警时,通常采用的方式为:通过人工巡查,人眼观察显示设备显示画面的显示情况进行判断。
然而,当采用上述方式对显示设备状态进行预警时,经常会存在如下技术问题:
第一,难以全面的掌握显示设备的各项运行状态,难以及时发现显示设备的异常或故障;
第二,难以提前对显示设备的异常或故障进行感知,往往只能在显示设备已经出现异常或故障而不能正常使用时才能发现,影像显示设备正常连续的使用。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了显示设备状态预警方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种显示设备状态预警方法,该方法包括:以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合,其中,上述状态参数序列集合中的各个状态参数序列对应于同一时间段;对上述状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合;利用与上述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合;利用上述趋势数据集合、上述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合;响应于确定上述预警信息集合非空,基于上述预警信息集合中的预警信息执行预警操作。
第二方面,本公开的一些实施例提供了一种显示设备状态预警装置,装置包括:获取以及拼装单元,被配置成以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合,其中,上述状态参数序列集合中的各个状态参数序列对应于同一时间段;转化单元,被配置成对上述状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合;第一生成单元,被配置成利用与上述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合;第二生成单元,被配置成利用上述趋势数据集合、上述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合;预警单元,被配置成响应于确定上述预警信息集合非空,基于上述预警信息集合中的预警信息执行预警操作。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的显示设备状态预警方法,可以全面、及时发现显示设备的异常或故障,进而可以提前发出预警信息,避免影响显示设备正常连续的使用。具体来说,造成相关的预警不够精确的原因在于:人工巡查的方式具有滞后性。基于此,本公开的一些实施例的显示设备状态预警方法,首先,以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合。由此,可以以预设的频率不间断的获取目标显示设备的各项状态参数,从而全面掌握设备的状态信息。然后,对上述状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合。由此,可以得到显示设备的各个参数在一段时间内的趋势变化,便于后续确定显示设备是否异常。接着,利用与上述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合。由此,可以参照异常趋势数据集合确定显示设备是否异常。再接着,利用上述趋势数据集合、上述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合。最后,响应于确定上述预警信息集合非空,基于上述预警信息集合中的预警信息执行预警操作。由此,可以在确定目标显示设备可能出现异常时,及时的生成预警信息并执行预警操作。进而,便于根据预警信息采取相应措施,避免目标显示设备因异常或故障而停止运行。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的显示设备状态预警方法的一个应用场景的示意图;
图2是根据本公开的显示设备状态预警方法的一些实施例的流程图;
图3是本公开的显示设备状态预警装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的显示设备状态预警方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以以预设的频率获取以及拼装目标显示设备102的各项状态参数,得到状态参数序列集合103,其中,上述状态参数序列集合103中的各个状态参数序列对应于同一时间段。然后,计算设备101可以对上述状态参数序列集合103中的各项状态参数序列进行转化处理,得到趋势数据集合104。接着,计算设备101可以利用与上述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列105,生成异常趋势数据集合106。再接着,计算设备101可以利用上述趋势数据集合104、上述异常趋势数据集合106和预先生成的趋势预测模型107,生成预警信息集合108。最后,计算设备101可以响应于确定上述预警信息集合108非空,基于上述预警信息集合108中的预警信息执行预警操作109。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备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计算设备。
继续参考图2,示出了根据本公开的显示设备状态预警方法的一些实施例的流程200。该显示设备状态预警方法,包括以下步骤:
步骤201,以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合。
在一些实施例中,显示设备状态预警方法的执行主体(如图1所示的计算设备101)可以以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合。其中,上述状态参数序列集合中的各个状态参数序列可以对应于同一时间段。上述各项状态参数的类型可以包括但不限于以下至少一项:显示设备内部运行温度、中央处理器运行温度、中央处理器使用率、内存使用率和存储空间使用率。实践中,上述预设的频率可以根据实际应用需要进行设置,此处不做限定。上述目标显示设备可以是进行状态参数监测的显示设备。
作为示例,上述状态参数序列集合中的各个状态参数序列对应的同一时间段可以是2022年9月9日12:00-13:00。上述预设的频率可以20秒/次。
步骤202,对状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合。
在一些实施例中,上述执行主体对上述状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合,可以包括以下步骤:
将上述状态参数序列集合中的每个状态参数序列转化为正弦曲线数据以生成趋势数据,得到趋势数据集合。
上述正弦曲线数据,可以是将状态参数序列中的各个状态参数按照一定的比例转换为纵轴数值,将每个状态参数的采集时间作为横轴数值而得到的。
步骤203,利用与状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合。
在一些实施例中,上述执行主体可以利用与上述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合。其中,上述异常状态参数序列中的各个异常状态参数序列对应的参数类型可以分别是显示设备内部运行温度、中央处理器运行温度、中央处理器使用率、内存使用率和存储空间使用率。
可以将上述异常状态参数序列集合中的每个异常状态参数序列转化为正弦曲线数据以生成异常趋势数据,得到异常趋势数据集合
步骤204,利用趋势数据集合、异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合。
在一些实施例中,上述执行主体利用上述趋势数据集合、上述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合,可以包括以下步骤:
第一步,利用上述异常趋势数据集合,确定异常均值趋势数据和预警值区间。
在一些实施例的一些可选的实现方式中,上述执行主体利用上述异常趋势数据集合,确定异常均值趋势数据和预警值区间,可以包括以下子步骤:
第一子步骤,对上述异常趋势数据集合中的各个异常趋势数据进行均值处理,得到异常均值趋势数据。其中,上述均值处理可以是将各个异常趋势数据集合中各个异常趋势数据中,对应于同一时间点的各个数值取算数平均值。
第二子步骤,将上述异常均值趋势数据的最大值和最小值之间的取值范围确定为预警值区间。
第二步,基于上述预警值区间,将上述状态参数序列集合中满足预警条件的状态参数序列确定为异常状态参数序列,得到异常状态参数序列集合。其中,上述预警条件是状态参数序列中存在预设时长的状态参数在上述预警值区间内。
实践中,上述预设时长可以根据实际应用的需要进行设置和调整,此处不做限定。作为示例,上述预设市场可以是1分钟。
第三步,根据上述异常状态参数序列集合生成至少一个参数预警信息。
可选的,上述执行主体根据上述异常状态参数序列集合生成至少一个参数预警信息,可以包括以下子步骤:
第一子步骤,响应于确定上述异常状态参数序列集合包括一个异常状态参数序列,生成单一参数预警信息。其中,上述单一参数预警信息可以包括异常状态参数序列对应的参数类型。
第二子步骤,响应于确定上述异常状态参数序列集合包括至少两个异常状态参数序列,生成综合参数预警信息。其中,上述单一参数预警信息可以包括至少两个异常状态参数序列对应的参数类型。
第四步,将上述异常均值趋势数据和上述趋势数据集合中各个趋势数据的趋势均值数据输入上述趋势预测模型,得到相似性数值。其中,上述相似性数值可以表示异常均值趋势数据和各个趋势数据的趋势均值数据之间的相似性。相似性数值越大,异常均值趋势数据和各个趋势数据的趋势均值数据之间的相似性越高。
第五步,利用上述相似性数值,确定趋势预警信息。
可选的,上述执行主体利用上述相似性数值,确定趋势预警信息,可以包括以下子步骤:
第一子步骤,响应于确定上述相似性数值在第一预警区间内,生成一级预警信息。
第二子步骤,响应于确定上述相似性数值在第二预警区间内,生成二级预警信息。
第三子步骤,响应于确定上述相似性数值在第三预警区间内,生成三级预警信息。
实践中,可以根据实际应用的需要设置第一预警区间、第一预警区间和第一预警区间,此处不做限定。
作为示例,上述第一预警区间可以是(70%,80]%。上述第二预警区间可以是(80%,90]%。上述第三预警区间可以是(90%,100]%。上述一级预警信息可以是“蓝色预警”。上述二级预警信息可以是“黄色预警”。上述三级预警信息可以是“红色预警”。
第六步,将上述至少一个参数预警信息和上述趋势预警信息确定为预警信息集合中的预警信息。
可选的,上述趋势预测模型可以通过以下步骤生成:
第一步,设置初始趋势预测模型的各个参数的初始值。
第二步,从预先设置的样本集中选取样本。其中,上述样本包括样本均值趋势数据以及样本均值趋势数据与目标均值趋势数据的样本相似性。
第三步,将上述样本的样本均值趋势数据和上述目标均值趋势数据输入初始趋势预测模型,得到输出相似性。
第四步,确定样本相似性和输出相似性的损失值。
第五步,将损失值与目标损失值进行比较,以及根据比较结果确定初始趋势预测模型是否训练完成。
第六步,响应于确定初始趋势预测模型未训练完成,调整初始趋势预测模型中的相关参数。
上述利用趋势数据集合、异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合的各个步骤作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“难以提前对显示设备的异常或故障进行感知,往往只能在显示设备已经出现异常或故障而不能正常使用时才能发现,影像显示设备正常连续的使用”。导致上述技术问题的因素往往如下:人工巡查的方式具有滞后性,难以对目标显示设备的异常进行预估。如果解决了上述因素,就能达到对异常或故障进行预警,在一定程度上确保目标显示设备的正常运行。为了达到这一效果,本公开引入了异常趋势数据集合和预先生成的趋势预测模型已实现对故障和异常的预估。首先,行主体利用上述异常趋势数据集合,确定异常均值趋势数据和预警值区间。然后,基于上述预警值区间,将上述状态参数序列集合中满足预警条件的状态参数序列确定为异常状态参数序列,得到异常状态参数序列集合。其中,上述预警条件是状态参数序列中存在预设时长的状态参数在上述预警值区间内。接着,根据上述异常状态参数序列集合生成至少一个参数预警信息。再接着,将上述异常均值趋势数据和上述趋势数据集合中各个趋势数据的趋势均值数据输入上述趋势预测模型,得到相似性数值。进一步,利用上述相似性数值,确定趋势预警信息。最后,将上述至少一个参数预警信息和上述趋势预警信息确定为预警信息集合中的预警信息。由此,可以利用以往的异常状态参数序列和预先训练的趋势预测模型,确定趋势数据集合中是否存在表征异常或故障的数据。从而,实现对异常或故障的感知。
可选的,上述执行主体还可以执行以下步骤:
第一步,基于上述趋势数据集合和上述异常趋势数据集合,确定上述目标显示设备的故障概率值。其中,可以将上述目标显示设备的上述趋势数据集合和上述异常趋势数据集合输入至目标故障概率模型,得到故障概率值。
第二步,响应于确定上述故障概率值大于等于故障概率阈值,生成故障提示信息,以及将上述趋势数据集合和上述异常趋势数据集合发送至目标终端。
实践中,可以根据实际应用需要设置上述故障概率阈值,此处不作限定。
可选的,在上述将上述目标显示设备的上述趋势数据集合和上述异常趋势数据集合输入至目标故障概率模型,得到故障概率值之前,上述执行主体还可以执行以下步骤:
第一步,获取样本数据集合,其中,上述样本数据集合中的样本数据可以包括:趋势训练数据集合、异常趋势训练数据集合和故障概率训练值。
第二步,利用上述样本数据集合对初始故障概率模型集合中的每个初始故障概率模型进行训练以生成故障概率模型,得到故障概率模型集合。其中,上述初始故障概率模型集合中的初始故障概率模型可以包括:XGBoost(eXtreme Gradient Boosting,极端梯度提升)模型、LGBoost(light Gradient Boosting,轻量级梯度提升)模型、GBDT(GradientBoosting Decision Tree,梯度提升决策树)、神经网络模型等。
可选的,上述执行主体利用上述样本数据集合对初始故障概率模型集合中的每个初始故障概率模型进行训练以生成故障概率模型,可以包括以下子步骤:
第一子步骤,从上述样本数据集合中选取未被选取过的样本数据作为目标样本数据。
第二子步骤,将目标样本数据的趋势训练数据集合和异常趋势训练数据集合输入初始故障概率模型,得到预测故障概率值。
第三子步骤,确定预测故障概率值与目标样本数据的故障概率训练值之间的故障概率损失值。其中,可以利用损失函数确定预测故障概率值与目标样本数据的故障概率训练值之间的故障概率损失值。损失函数可以包括但不限于交叉熵损失函数、log损失函数。
第四子步骤,将故障概率损失值与目标损失值进行比较,以及根据比较结果确定初始故障概率模型是否训练完成。
其中,故障概率损失值大于目标损失值,可以确定初始故障概率模型未训练完成。故障概率损失值小于等于目标损失值,可以确定初始故障概率模型训练完成。
第五子步骤,响应于确定初始故障概率模型未训练完成,调整初始故障概率模型中的相关参数,以及对初始故障概率模型的训练次数进行更新。
第六子步骤,响应于确定初始故障概率模型训练完成,将故障概率损失值确定为终止故障概率损失值。
第三步,从上述故障概率模型集合中选取故障概率模型作为目标故障概率模型。其中,可以包括以下子步骤:
第一子步骤,从上述故障概率模型集合中选取训练次数最少的故障概率模型作为候选故障概率模型,得到候选故障概率模型集合。
第二子步骤,响应于确定上述候选故障概率模型集合中包括至少两个候选故障概率模型,从上述候选故障概率模型集合中选取终止故障概率损失值最小的候选故障概率模型作为目标故障概率模型。
第三子步骤,响应于确定上述候选故障概率模型集合中包括一个候选故障概率模型,将上述候选故障概率模型集合中的候选故障概率模型确定为目标故障概率模型。
上对初始故障概率模型集合进行训练的步骤,以从及故障概率模型集合中确定目标故障概率模型的述步骤作为本公开的实施例的一个发明点,进一步解决了背景技术提及的技术问题二“难以提前对显示设备的异常或故障进行感知,往往只能在显示设备已经出现异常或故障而不能正常使用时才能发现,影像显示设备正常连续的使用”。导致上述技术问题的因素往往如下:难以提前对显示设备的异常或故障进行感知。如果解决了上述因素,就能达到实现灵活预警的效果。为了达到这一效果,本公开引入了初始故障概率模型,并利用上述样本数据集合对初始故障概率模型集合中的每个初始故障概率模型进行训练,然后,根据终止故障概率损失值的大小确定目标故障概率模型。从而,从多个训练完成的故障概率模型中选取相对最优的故障概率模型作为目标故障概率模型。进而,在一定程度上提高预警的准确性。
步骤205,响应于确定预警信息集合非空,基于预警信息集合中的预警信息执行预警操作。
在一些实施例中,上述执行主体响应于确定上述预警信息集合非空,基于上述预警信息集合中的预警信息执行预警操作,可以包括以下步骤:
第一步,将上述预警信息集合中的预警信息发送至目标终端以供显示。
作为示例,上述目标终端可以是监控终端。
第二步,控制上述目标显示设备终止运行。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的显示设备状态预警方法,可以全面、及时发现显示设备的异常或故障,进而可以提前发出预警信息,避免影响显示设备正常连续的使用。具体来说,造成相关的分割模型分割结果不够精确的原因在于:人工巡查的方式具有滞后性。基于此,本公开的一些实施例的显示设备状态预警方法,首先,以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合。由此,可以以预设的频率不间断的获取目标显示设备的各项状态参数,从而全面掌握设备的状态信息。然后,对上述状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合。由此,可以得到显示设备的各个参数在一段时间内的趋势变化,便于后续确定显示设备是否异常。接着,利用与上述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合。由此,可以参照异常趋势数据集合确定显示设备是否异常。再接着,利用上述趋势数据集合、上述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合。最后,响应于确定上述预警信息集合非空,基于上述预警信息集合中的预警信息执行预警操作。由此,可以在确定目标显示设备可能出现异常时,及时的生成预警信息并执行预警操作。进而,便于根据预警信息采取相应措施,避免目标显示设备因异常或故障而停止运行。
进一步参考图3,作为对上述各图所示方法的实现,本公开提供了一种显示设备状态预警装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,一些实施例的显示设备状态预警装置300包括:获取以及拼装单元301、转化单元302、第一生成单元303、第二生成单元304和预警单元305。其中,获取以及拼装单元301,被配置成以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合,其中,上述状态参数序列集合中的各个状态参数序列对应于同一时间段;转化单元302,被配置成对上述状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合;第一生成单元303,被配置成利用与上述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合;第二生成单元304,被配置成利用上述趋势数据集合、上述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合;预警单元305,被配置成响应于确定上述预警信息集合非空,基于上述预警信息集合中的预警信息执行预警操作。
可以理解的是,显示设备状态预警装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于显示设备状态预警装置300及其中包含的单元,在此不再赘述。
下面参考图4,其示出了适于用来实现本公开的一些实施例的电子设备400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载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。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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该电子设备执行时,使得该电子设备:以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合,其中,上述状态参数序列集合中的各个状态参数序列对应于同一时间段;对上述状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合;利用与上述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合;利用上述趋势数据集合、上述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合;响应于确定上述预警信息集合非空,基于上述预警信息集合中的预警信息执行预警操作。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取以及拼装单元、转化单元、第一生成单元、第二生成单元和预警单元。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,预警单元还可以被描述为“执行预警操作的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
Claims (10)
1.一种显示设备状态预警方法,包括:
以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合,其中,所述状态参数序列集合中的各个状态参数序列对应于同一时间段;
对所述状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合;
利用与所述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合;
利用所述趋势数据集合、所述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合;
响应于确定所述预警信息集合非空,基于所述预警信息集合中的预警信息执行预警操作。
2.根据权利要求1所述的方法,其中,所述利用所述趋势数据集合、所述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合,包括:
利用所述异常趋势数据集合,确定异常均值趋势数据和预警值区间;
基于所述预警值区间,将所述状态参数序列集合中满足预警条件的状态参数序列确定为异常状态参数序列,得到异常状态参数序列集合,其中,所述预警条件是状态参数序列中存在预设时长的状态参数在所述预警值区间内;
根据所述异常状态参数序列集合生成至少一个参数预警信息。
3.根据权利要求2所述的方法,其中,所述利用所述趋势数据集合、所述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合,还包括:
将所述异常均值趋势数据和所述趋势数据集合中各个趋势数据的趋势均值数据输入所述趋势预测模型,得到相似性数值;
利用所述相似性数值,确定趋势预警信息;
将所述至少一个参数预警信息和所述趋势预警信息确定为预警信息集合中的预警信息。
4.根据权利要求2所述的方法,其中,所述利用所述异常趋势数据集合,确定异常均值趋势数据和预警值区间,包括:
对所述异常趋势数据集合中的各个异常趋势数据进行均值处理,得到异常均值趋势数据;
将所述异常均值趋势数据的最大值和最小值之间的取值范围确定为预警值区间。
5.根据权利要求2所述的方法,其中,所述根据所述异常状态参数序列集合生成至少一个参数预警信息,包括:
响应于确定所述异常状态参数序列集合包括一个异常状态参数序列,生成单一参数预警信息;
响应于确定所述异常状态参数序列集合包括至少两个异常状态参数序列,生成综合参数预警信息。
6.根据权利要求1所述的方法,其中,所述趋势预测模型通过以下步骤生成:
设置初始趋势预测模型的各个参数的初始值;
从预先设置的样本集中选取样本,其中,所述样本包括样本均值趋势数据以及样本均值趋势数据与目标均值趋势数据的样本相似性;
将所述样本的样本均值趋势数据和所述目标均值趋势数据输入初始趋势预测模型,得到输出相似性;
确定样本相似性和输出相似性的损失值;
将损失值与目标损失值进行比较,以及根据比较结果确定初始趋势预测模型是否训练完成;
响应于确定初始趋势预测模型未训练完成,调整初始趋势预测模型中的相关参数。
7.根据权利要求3所述的方法,其中,所述利用所述相似性数值,确定趋势预警信息,包括:
响应于确定所述相似性数值在第一预警区间内,生成一级预警信息;
响应于确定所述相似性数值在第二预警区间内,生成二级预警信息;
响应于确定所述相似性数值在第三预警区间内,生成三级预警信息。
8.一种显示设备状态预警装置,包括:
获取以及拼装单元,被配置成以预设的频率获取以及拼装目标显示设备的各项状态参数,得到状态参数序列集合,其中,所述状态参数序列集合中的各个状态参数序列对应于同一时间段;
转化单元,被配置成对所述状态参数序列集合中的各项状态参数序列进行转化处理,得到趋势数据集合;
第一生成单元,被配置成利用与所述状态参数序列集合中的各项状态参数序列的参数类型对应的异常状态参数序列,生成异常趋势数据集合;
第二生成单元,被配置成利用所述趋势数据集合、所述异常趋势数据集合和预先生成的趋势预测模型,生成预警信息集合;
预警单元,被配置成响应于确定所述预警信息集合非空,基于所述预警信息集合中的预警信息执行预警操作。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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1-7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,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310808683.2A CN116541251B (zh) | 2023-07-04 | 2023-07-04 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310808683.2A CN116541251B (zh) | 2023-07-04 | 2023-07-04 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116541251A true CN116541251A (zh) | 2023-08-04 |
CN116541251B CN116541251B (zh) | 2023-10-20 |
Family
ID=87458146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310808683.2A Active CN116541251B (zh) | 2023-07-04 | 2023-07-04 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116541251B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118111250A (zh) * | 2024-03-11 | 2024-05-31 | 昆明理工大学 | 顶吹喷枪控制方法、顶吹喷枪、冶炼设备和计算机可读介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104639368A (zh) * | 2015-01-13 | 2015-05-20 | 中国联合网络通信集团有限公司 | 通信网络设备的故障处理方法及装置 |
CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警系统及方法 |
WO2020073688A1 (zh) * | 2018-10-08 | 2020-04-16 | 平安科技(深圳)有限公司 | 预测网络设备异常的方法、装置、设备及存储介质 |
CN113570473A (zh) * | 2021-06-25 | 2021-10-29 | 深圳供电局有限公司 | 设备故障监测方法、装置、计算机设备和存储介质 |
CN113780329A (zh) * | 2021-04-06 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 用于识别数据异常的方法、装置、服务器和介质 |
US20210397176A1 (en) * | 2018-10-12 | 2021-12-23 | Korea Hydro & Nuclear Power Co., Ltd | Power plant early warning device and method employing multiple prediction model |
CN116112283A (zh) * | 2023-03-02 | 2023-05-12 | 中国南方电网有限责任公司 | 一种基于cnn-lstm的电力系统网络安全态势预测方法及系统 |
CN116221086A (zh) * | 2023-02-24 | 2023-06-06 | 中国平煤神马控股集团有限公司 | 压缩机故障预警方法、装置、电子设备和计算机可读介质 |
CN116292241A (zh) * | 2023-03-14 | 2023-06-23 | 国家石油天然气管网集团有限公司 | 一种输油泵机组的故障诊断预警方法及系统 |
-
2023
- 2023-07-04 CN CN202310808683.2A patent/CN116541251B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104639368A (zh) * | 2015-01-13 | 2015-05-20 | 中国联合网络通信集团有限公司 | 通信网络设备的故障处理方法及装置 |
WO2020073688A1 (zh) * | 2018-10-08 | 2020-04-16 | 平安科技(深圳)有限公司 | 预测网络设备异常的方法、装置、设备及存储介质 |
US20210397176A1 (en) * | 2018-10-12 | 2021-12-23 | Korea Hydro & Nuclear Power Co., Ltd | Power plant early warning device and method employing multiple prediction model |
CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警系统及方法 |
CN113780329A (zh) * | 2021-04-06 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 用于识别数据异常的方法、装置、服务器和介质 |
CN113570473A (zh) * | 2021-06-25 | 2021-10-29 | 深圳供电局有限公司 | 设备故障监测方法、装置、计算机设备和存储介质 |
CN116221086A (zh) * | 2023-02-24 | 2023-06-06 | 中国平煤神马控股集团有限公司 | 压缩机故障预警方法、装置、电子设备和计算机可读介质 |
CN116112283A (zh) * | 2023-03-02 | 2023-05-12 | 中国南方电网有限责任公司 | 一种基于cnn-lstm的电力系统网络安全态势预测方法及系统 |
CN116292241A (zh) * | 2023-03-14 | 2023-06-23 | 国家石油天然气管网集团有限公司 | 一种输油泵机组的故障诊断预警方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118111250A (zh) * | 2024-03-11 | 2024-05-31 | 昆明理工大学 | 顶吹喷枪控制方法、顶吹喷枪、冶炼设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116541251B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091617A (zh) | 联邦学习建模优化方法、电子设备、存储介质及程序产品 | |
EP4141786A1 (en) | Defect detection method and apparatus, model training method and apparatus, and electronic device | |
CN116541251B (zh) | 显示设备状态预警方法、装置、设备和计算机可读介质 | |
CN114928574B (zh) | 信息发送方法、装置、电子设备和计算机可读介质 | |
CN115357470A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN115629938A (zh) | 故障状态类型信息生成方法、装置、设备、介质和产品 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN116881097B (zh) | 用户终端告警方法、装置、电子设备和计算机可读介质 | |
CN112017462B (zh) | 用于生成场景信息的方法、装置、电子设备和介质 | |
CN116107666B (zh) | 程序业务流信息生成方法、装置、电子设备和计算机介质 | |
CN117035842A (zh) | 模型训练方法、业务量预测方法、装置、设备和介质 | |
CN116283487A (zh) | 应用于甲醇制备的控制方法、装置、电子设备和可读介质 | |
CN113486968B (zh) | 摄像机生命周期的监控方法、装置、设备和介质 | |
CN115292081B (zh) | 信息发送方法、装置、电子设备和介质 | |
CN115598455B (zh) | 一种电子信息装备自动测试系统及测试方法 | |
CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
CN116506319B (zh) | 地铁运营系统pis硬件设备运行状态监测方法、装置和介质 | |
CN116934557B (zh) | 行为预测信息生成方法、装置、电子设备和可读介质 | |
CN111338318B (zh) | 用于检测异常的方法和装置 | |
CN117539674B (zh) | 异常处理方法、装置、设备及存储介质 | |
CN116319386A (zh) | 可用性及故障预测方法、装置、电子设备和介质 | |
CN118228200A (zh) | 基于多模态模型的电力设备异常识别方法、装置与设备 | |
CN114036020A (zh) | 故障诊断和报警方法、装置、电子设备和计算机可读介质 | |
CN118245341A (zh) | 业务模型的切换方法、装置、电子设备和计算机可读介质 | |
CN117195833A (zh) | 日志信息转换方法、装置、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |