CN116737510B - 一种基于数据分析的键盘智能监测方法及系统 - Google Patents
一种基于数据分析的键盘智能监测方法及系统 Download PDFInfo
- Publication number
- CN116737510B CN116737510B CN202310989509.2A CN202310989509A CN116737510B CN 116737510 B CN116737510 B CN 116737510B CN 202310989509 A CN202310989509 A CN 202310989509A CN 116737510 B CN116737510 B CN 116737510B
- Authority
- CN
- China
- Prior art keywords
- parameter data
- sub
- book
- preset
- clustering
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 151
- 238000012549 training Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000002955 isolation Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 19
- 230000007704 transition Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F11/3041—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is an input/output interface
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及键盘监测技术领域,特别是一种基于数据分析的键盘智能监测方法及系统,获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本;通过孤立森林算法对若干个所述子参数数据本进行评估,得到若干个最终子参数数据本;根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告,通过定期监测键盘的工作状态,可以及时发现潜在的故障,并进行修复,从而降低维修成本和生产力损失。
Description
技术领域
本发明涉及键盘监测技术领域,特别是一种基于数据分析的键盘智能监测方法及系统。
背景技术
键盘在计算机和其他电子设备中起到了输入和控制的作用,是用户与设备进行交互的重要工具,使得用户能够有效地输入命令、文字和数据,控制设备的运行和操作。键盘故障可能导致按键失灵、键盘卡死、键盘输入错误等问题,通过监测键盘的工作状态,可以及时发现和解决键盘故障,确保键盘的稳定性和可靠性;键盘故障会导致用户在输入过程中出现错误或延迟,这会大大降低用户的工作效率;在某些情况下,键盘故障可能导致输入的数据丢失或错误,这可能会对用户造成重大损失,尤其是在数据输入敏感性高的情况下,如金融交易、数据输入等。通过监测键盘故障,可以预防数据丢失,保护用户和组织的利益。对于组织来说,键盘故障可能需要维修或更换键盘的费用,而且如果键盘故障较为严重,可能导致用户无法正常工作,进一步增加了生产力的损失。因此,通过定期监测键盘的工作状态,可以及时发现潜在的故障,并进行修复,从而降低维修成本和生产力损失。
发明内容
本发明克服了现有技术的不足,提供了一种基于数据分析的键盘智能监测方法及系统。
为达到上述目的本发明采用的技术方案为:
本发明第一方面公开了一种基于数据分析的键盘智能监测方法,包括以下步骤:
获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
构建参数数据本,在多个预设时间节点上连续采集键盘的实际参数数据,并将所采集到的实际参数数据汇聚至所述参数数据本中,采集完毕后,将所述参数数据本输出;
对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本;通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本;
构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本;根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告。
进一步地,本发明的一个较佳实施例中,获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本,具体为:
获取键盘在各种历史工作环境条件之下的历史参数数据,基于卷积神经网络构建预测模型,将键盘在各种历史工作环境条件之下的历史参数数据分为训练集与验证集;
将所述训练集输入所述预测模型中的卷积层进行卷积运算,得到卷积值;将所述卷积值导入预测模型中的池化层中,以对所述卷积值进行池化;在所有卷积层中选取最大卷积值作为对应卷积层的特征值,将所述特征值与训练集中参数数据进行融合,得到局部特征值;
通过交叉损失函数对所述局部特征值进行反向传播训练,直到预测模型收敛至预定的停止条件;最后通过验证集对预测模型进行验证,当验证结果满足预设要求后,保存预测模型所有参数,得到训练完成后的预测模型;
获取键盘的实时工作环境,将所述实时工作环境导入所述训练完成后的预测模型中进行预测,预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
其中,所述预设监测类别包括按键响应时间、按键敲击声、卡键频率、按键力度、按键无响应频率以及错字频率。
进一步地,本发明的一个较佳实施例中,对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本,具体为:
预设聚类簇数目与聚类参数,根据所述聚类簇数目与聚类参数确定出若干个聚类中心;并计算所述参数数据本中的各实际参数数据与各聚类中心之间的曼哈顿距离,基于所述曼哈顿距离确定出各实际参数数据与各聚类中心之间的隶属度矩阵,根据所述隶属度矩阵确定出各实际参数数据与各聚类中心之间的隶属度值;
将各实际参数数据与各聚类中心之间的隶属度值进行大小排序,排序完成后,提取出最大隶属度值,根据所述最大隶属度值将各实际参数数据聚类至对应的聚类中心内,以对参数数据本中的实际参数数据进行持续聚类;当各聚类中心的变动量均小于预设阈值后,则聚类完毕,输出若干个聚类后的初始子参数数据本;
在各初始子参数数据本中选取任意一个实际参数数据,计算该实际参数数据与该初始子参数数据本中剩余实际参数数据之间的簇内平均曼哈顿距离;计算该实际参数数据与其余初始子参数数据本中所有实际参数数据之间的簇外平均曼哈顿距离;
根据所述簇内平均曼哈顿距离与簇外平均曼哈顿距离计算得到各初始子参数数据本对应的轮廓系数;将轮廓系数大于预设轮廓系数对应的初始子参数数据本重复以上步骤进行继续迭代;直至所有初始子参数数据本的轮廓系数均不大于预设轮廓系数,则获取最终聚类结果,得到若干个子参数数据本。
进一步地,本发明的一个较佳实施例中,通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本,具体为:
构建孤立森林模型,将所述子参数数据本导入所述孤立森林模型中,根据所述子参数数据本的实际参数数据建立若干棵子树;
对于每棵子树,随机选择一个特征点与切分点,根据所述特征点与切分点将各棵子树进行划分孤立,得到若干棵孤立树;获取每棵孤立树的树深度与路径长度,根据所述树深度与路径长度计算出各实际参数数据的孤立得分;
逐一判断各实际参数数据的孤立得分是否大于预设得分,若实际参数数据的孤立得分大于预设得分,则将孤立得分大于预设得分的实际参数数据标定为聚类异常数据,并将该聚类异常数据在对应的子参数数据本中剔除;
将该聚类异常数据输入至其余子参数数据本中,并获取该聚类异常数据在其余子参数数据本中的孤立得分;若该聚类异常数据在其余子参数数据本中的孤立得分均大于预设得分,则将该聚类异常数据彻底剔除;
若该聚类异常数据在其余子参数数据本中的孤立得分存在不大于预设得分的情况,则将该聚类异常数据在其余子参数数据本中的孤立得分进行大小排序,排序完成后,提取出最小孤立得分,将该聚类异常数据输入至与最小孤立得分相对应的子参数数据本中;
当对所有子参数数据本中的实际参数数据筛选完毕后,输出若干个最终子参数数据本。
进一步地,本发明的一个较佳实施例中,构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本,具体为:
构建数据库,将各预设监测类别的预测参数数据本导入所述数据库中,得到特性数据库;
将所述最终子参数数据本导入所述特性数据库中,通过灰色关联分析法获取所述最终子参数数据本与对应的预测参数数据本之间基于时间序列的关联度,将基于时间序列上的关联度进行加权求和得到整体关联度;
根据所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相似度指数,根据所述相似度指数确定出所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相对重合度;
将所述相对重合度与预设相对重合度进行比较;若所述相对重合度大于预设相对重合度,则将该最终子参数数据本标定为正常数据本;若所述相对重合度不大于预设相对重合度,则将该最终子参数数据本标定为异常数据本;
重复以上步骤,直至对所有最终子参数数据本均配对完毕,输出所有异常数据本。
进一步地,本发明的一个较佳实施例中,根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告,具体为:
构建马尔科夫故障预测模型,并将所述异常数据本导入所述马尔科夫故障预测模型中进行预测,以预测得到键盘内各部件的故障概率;并将故障概率大于预设故障概率的部件标记为可能运行异常部件;
获取可能运行异常部件对应的性能临界点,根据所述性能临界点确定出评价指标,通过层次分析法计算所述评价指标与对应的可能运行异常部件之间的评价分数,根据所述评价分数确定出各可能运行异常部件的故障权重值;将各可能运行异常部件的故障权重值与预设权重值进行比较;
若各可能运行异常部件的故障权重值均不大于预设权重值,则说明键盘各部件运行正常,此时生成第一监测报告,并将所述第一监测报告输出;
若存在至少一个可能运行异常部件的故障权重值大于预设权重值,则将故障权重值大于预设权重值对应的可能运行异常部件标定为故障部件,此时基于所述故障部件生成第二监测报告,并将所述第二监测报告输出。
本发明第二方面公开了一种基于数据分析的键盘智能监测系统,所述键盘智能监测系统包括存储器与处理器,所述存储器中存储有键盘智能监测方法程序,当所述键盘智能监测方法程序被所述处理器执行时,实现如下步骤:
获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
构建参数数据本,在多个预设时间节点上连续采集键盘的实际参数数据,并将所采集到的实际参数数据汇聚至所述参数数据本中,采集完毕后,将所述参数数据本输出;
对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本;通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本;
构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本;根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告。
进一步地,本发明的一个较佳实施例中,获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本,具体为:
获取键盘在各种历史工作环境条件之下的历史参数数据,基于卷积神经网络构建预测模型,将键盘在各种历史工作环境条件之下的历史参数数据分为训练集与验证集;
将所述训练集输入所述预测模型中的卷积层进行卷积运算,得到卷积值;将所述卷积值导入预测模型中的池化层中,以对所述卷积值进行池化;在所有卷积层中选取最大卷积值作为对应卷积层的特征值,将所述特征值与训练集中参数数据进行融合,得到局部特征值;
通过交叉损失函数对所述局部特征值进行反向传播训练,直到预测模型收敛至预定的停止条件;最后通过验证集对预测模型进行验证,当验证结果满足预设要求后,保存预测模型所有参数,得到训练完成后的预测模型;
获取键盘的实时工作环境,将所述实时工作环境导入所述训练完成后的预测模型中进行预测,预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
其中,所述预设监测类别包括按键响应时间、按键敲击声、卡键频率、按键力度、按键无响应频率以及错字频率。
进一步地,本发明的一个较佳实施例中,构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本,具体为:
构建数据库,将各预设监测类别的预测参数数据本导入所述数据库中,得到特性数据库;
将所述最终子参数数据本导入所述特性数据库中,通过灰色关联分析法获取所述最终子参数数据本与对应的预测参数数据本之间基于时间序列的关联度,将基于时间序列上的关联度进行加权求和得到整体关联度;
根据所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相似度指数,根据所述相似度指数确定出所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相对重合度;
将所述相对重合度与预设相对重合度进行比较;若所述相对重合度大于预设相对重合度,则将该最终子参数数据本标定为正常数据本;若所述相对重合度不大于预设相对重合度,则将该最终子参数数据本标定为异常数据本;
重复以上步骤,直至对所有最终子参数数据本均配对完毕,输出所有异常数据本。
进一步地,本发明的一个较佳实施例中,根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告,具体为:
构建马尔科夫故障预测模型,并将所述异常数据本导入所述马尔科夫故障预测模型中进行预测,以预测得到键盘内各部件的故障概率;并将故障概率大于预设故障概率的部件标记为可能运行异常部件;
获取可能运行异常部件对应的性能临界点,根据所述性能临界点确定出评价指标,通过层次分析法计算所述评价指标与对应的可能运行异常部件之间的评价分数,根据所述评价分数确定出各可能运行异常部件的故障权重值;将各可能运行异常部件的故障权重值与预设权重值进行比较;
若各可能运行异常部件的故障权重值均不大于预设权重值,则说明键盘各部件运行正常,此时生成第一监测报告,并将所述第一监测报告输出;
若存在至少一个可能运行异常部件的故障权重值大于预设权重值,则将故障权重值大于预设权重值对应的可能运行异常部件标定为故障部件,此时基于所述故障部件生成第二监测报告,并将所述第二监测报告输出。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;构建参数数据本,在多个预设时间节点上连续采集键盘的实际参数数据,并将所采集到的实际参数数据汇聚至所述参数数据本中,采集完毕后,将所述参数数据本输出;对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本;通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本;构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本;根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告,通过本方法定期监测键盘的工作状态,可以及时发现潜在的故障,并进行修复,从而降低维修成本和生产力损失,确保键盘的正常工作状态,提高用户体验、工作效率,预防数据丢失,减少维修成本。
附图说明
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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他实施例的附图。
图1为一种基于数据分析的键盘智能监测方法的第一方法流程图;
图2为一种基于数据分析的键盘智能监测方法的第二方法流程图;
图3为一种基于数据分析的键盘智能监测方法的第三方法流程图;
图4为一种基于数据分析的键盘智能监测系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面公开了一种基于数据分析的键盘智能监测方法,包括以下步骤:
S102:获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
S104:构建参数数据本,在多个预设时间节点上连续采集键盘的实际参数数据,并将所采集到的实际参数数据汇聚至所述参数数据本中,采集完毕后,将所述参数数据本输出;
S106:对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本;通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本;
S108:构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本;根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告。
进一步地,本发明的一个较佳实施例中,获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本,如图2所示,具体为:
S202:获取键盘在各种历史工作环境条件之下的历史参数数据,基于卷积神经网络构建预测模型,将键盘在各种历史工作环境条件之下的历史参数数据分为训练集与验证集;
S204:将所述训练集输入所述预测模型中的卷积层进行卷积运算,得到卷积值;将所述卷积值导入预测模型中的池化层中,以对所述卷积值进行池化;在所有卷积层中选取最大卷积值作为对应卷积层的特征值,将所述特征值与训练集中参数数据进行融合,得到局部特征值;
S206:通过交叉损失函数对所述局部特征值进行反向传播训练,直到预测模型收敛至预定的停止条件;最后通过验证集对预测模型进行验证,当验证结果满足预设要求后,保存预测模型所有参数,得到训练完成后的预测模型;
S208:获取键盘的实时工作环境,将所述实时工作环境导入所述训练完成后的预测模型中进行预测,预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
其中,所述预设监测类别包括按键响应时间、按键敲击声、卡键频率、按键力度、按键无响应频率以及错字频率。
需要说明的是,工作环境包括温度、湿度、粉尘度、振动度以及环境分贝等。通过在数据储存器中获取键盘在各种历史工作环境条件之下的历史参数数据,如在工作环境为30摄氏度以及湿度为湿度为40%的历史工作环境下对应的按键响应时间与按键敲击声等,从而根据历史参数数据训练得到训练完成后的预测模型;然后再通过安装在键盘内的温度传感器、湿度传感器等一系列传感器获取键盘的实时工作环境,然后将实时工作环境导入所述训练完成后的预测模型中进行预测,预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本,如在当前工作环境条件之下对应的预设按键响应时间、按键敲击声、卡键频率。其中,预测参数数据本中记载有如预设按键响应时间、按键敲击声、卡键频率对应的参数,如基于时间序列的键盘的预设按键响应时间。通过以上步骤能够根据当前工作环境条件预测得到基于时间序列的键盘的各预设监测类别对应的预测参数数据本。
进一步地,本发明的一个较佳实施例中,对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本,具体为:
预设聚类簇数目与聚类参数,根据所述聚类簇数目与聚类参数确定出若干个聚类中心;并计算所述参数数据本中的各实际参数数据与各聚类中心之间的曼哈顿距离,基于所述曼哈顿距离确定出各实际参数数据与各聚类中心之间的隶属度矩阵,根据所述隶属度矩阵确定出各实际参数数据与各聚类中心之间的隶属度值;
将各实际参数数据与各聚类中心之间的隶属度值进行大小排序,排序完成后,提取出最大隶属度值,根据所述最大隶属度值将各实际参数数据聚类至对应的聚类中心内,以对参数数据本中的实际参数数据进行持续聚类;当各聚类中心的变动量均小于预设阈值后,则聚类完毕,输出若干个聚类后的初始子参数数据本;
在各初始子参数数据本中选取任意一个实际参数数据,计算该实际参数数据与该初始子参数数据本中剩余实际参数数据之间的簇内平均曼哈顿距离;计算该实际参数数据与其余初始子参数数据本中所有实际参数数据之间的簇外平均曼哈顿距离;
根据所述簇内平均曼哈顿距离与簇外平均曼哈顿距离计算得到各初始子参数数据本对应的轮廓系数;将轮廓系数大于预设轮廓系数对应的初始子参数数据本重复以上步骤进行继续迭代;直至所有初始子参数数据本的轮廓系数均不大于预设轮廓系数,则获取最终聚类结果,得到若干个子参数数据本。
其中,所述参数数据包括按键响应时间、按键敲击声、卡键频率、按键力度、按键无响应频率以及错字频率对应的数值。
需要说明的是,当需要对键盘进行监测时,通过各传感器等监测设备在多个预设时间节点上连续采集键盘的实际参数数据,并将所采集到的实际参数数据汇聚至所述参数数据本中,从而形成一个庞大的数据本。当采集完毕后,由于参数数据本中拥有大量的、杂乱无章的各种参数数据,如监测终端不知道哪些是按键响应时间对应的参数以及哪些是卡键频率对应的参数等。因此在本发明中通过模糊C均值算法对采集后的参数数据本中的数据进行分类,通过预设聚类簇数目 C,确定聚类参数(通常取 2),然后确定出N个聚类中心,对于每个数据点和聚类中心,根据距离计算隶属度矩阵,隶属度值表示数据点属于某个簇的可能性,隶属度值在0到1之间,隶属度值为越接近1表示数据点越属于该聚类,属度值为越接近0表示数据点越不属于该聚类。轮廓系数是一种评价聚类效果的指标,能够在一定程度上反映出聚类簇的紧密程度和分离程度,其值介于-1 和1之间;轮廓系数越接近1,表示聚类效果越好;越接近-1表示聚类效果较差。通过以上方法能够将杂乱无章的参数数据进行分类,从而得到各预设监测类别对应的子参数数据本,能够对所采集得到的不同类型的参数数据进行快速分类,提高系统鲁棒性。
进一步地,本发明的一个较佳实施例中,通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本,具体为:
构建孤立森林模型,将所述子参数数据本导入所述孤立森林模型中,根据所述子参数数据本的实际参数数据建立若干棵子树;
对于每棵子树,随机选择一个特征点与切分点,根据所述特征点与切分点将各棵子树进行划分孤立,得到若干棵孤立树;获取每棵孤立树的树深度与路径长度,根据所述树深度与路径长度计算出各实际参数数据的孤立得分;
逐一判断各实际参数数据的孤立得分是否大于预设得分,若实际参数数据的孤立得分大于预设得分,则将孤立得分大于预设得分的实际参数数据标定为聚类异常数据,并将该聚类异常数据在对应的子参数数据本中剔除;
将该聚类异常数据输入至其余子参数数据本中,并获取该聚类异常数据在其余子参数数据本中的孤立得分;若该聚类异常数据在其余子参数数据本中的孤立得分均大于预设得分,则将该聚类异常数据彻底剔除;
若该聚类异常数据在其余子参数数据本中的孤立得分存在不大于预设得分的情况,则将该聚类异常数据在其余子参数数据本中的孤立得分进行大小排序,排序完成后,提取出最小孤立得分,将该聚类异常数据输入至与最小孤立得分相对应的子参数数据本中;
当对所有子参数数据本中的实际参数数据筛选完毕后,输出若干个最终子参数数据本。
其中,若干个最终子参数数据本中分别存储有按键响应时间、按键敲击声、卡键频率、按键力度、按键无响应频率以及错字频率等类型对应的实际参数数据。如某一最终子参数数据本中存储有在预设时间段内所采集到的基于时间序列的按键响应时间的数值。
需要说明的是,由于模糊C均值算法存在一定的局限性,其在对数据进行聚类时,有可能会出现聚类错误的情况,如将某些温度数据聚类至湿度聚类中心内部,影响聚类后各数据本的精度。通过利用得到的孤立树计算样本的孤立程度,孤立程度通过数据在孤立树中所经过的路径长度来测量,路径长度越短,样本越容易被孤立,即可能是聚类异常数据,孤立得分越接近100说明该数据越不属于该聚类中心,预设得分设置为95以上,如果某数据的孤立得分大于预设得分,说明该数据并不属于该聚类中心,则将该数据标定为聚类异常数据,并将该聚类异常数据在对应的子参数数据本中剔除。接着再获取该聚类异常数据在其余子参数数据本中的孤立得分,若该聚类异常数据在其余子参数数据本中的孤立得分均大于预设得分,说明该数据也并不属于其他聚类中心,此时则将该聚类异常数据彻底剔除。若该聚类异常数据在其余子参数数据本中的孤立得分存在不大于预设得分的情况,则将该聚类异常数据在其余子参数数据本中的孤立得分进行大小排序,排序完成后,提取出最小孤立得分,将该聚类异常数据输入至与最小孤立得分相对应的子参数数据本中,从而将该数据聚类至合理的聚类中心上。通过以上步骤能够提高数据聚类的合理性与可靠性,提高数据样本的可靠性,以提高监测精度。
进一步地,本发明的一个较佳实施例中,构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本,具体为:
构建数据库,将各预设监测类别的预测参数数据本导入所述数据库中,得到特性数据库;
将所述最终子参数数据本导入所述特性数据库中,通过灰色关联分析法获取所述最终子参数数据本与对应的预测参数数据本之间基于时间序列的关联度,将基于时间序列上的关联度进行加权求和得到整体关联度;
根据所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相似度指数,根据所述相似度指数确定出所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相对重合度;
将所述相对重合度与预设相对重合度进行比较;若所述相对重合度大于预设相对重合度,则将该最终子参数数据本标定为正常数据本;若所述相对重合度不大于预设相对重合度,则将该最终子参数数据本标定为异常数据本;
重复以上步骤,直至对所有最终子参数数据本均配对完毕,输出所有异常数据本。
需要说明的是,当得到各预设监测类别的最终子参数数据本后,通过灰色关联分析法计算各预设监测类别的最终子参数数据本与其对应的预测参数数据本之间的相对重合度,若所述相对重合度大于预设相对重合度,则说明该最终子参数数据正常;若所述相对重合度不大于预设相对重合度,则说明该最终子参数数据异常。举例来说,当对参数数据本中对各实际参数数据进行分类得到对应的最终子参数数据本后,通过将预测得到的按键响应时间对应的预测参数数据本与对应的最终子参数数据本进行比较配对,若两者的相对重合度大于预设相对重合度,说明键盘的按键响应时间正常;若两者的相对重合度不大于预设相对重合度,说明键盘的按键响应时间异常。通过以上方法能够有效识别出键盘在当前工作环境条件之下的工作参数是否正常。
需要说明的是,灰色关联分析法是一种基于灰色系统理论的数据分析方法,通过求解相应的关联函数,获取参考序列与比较序列之间的关联程度。关联系数的取值范围为0到1,值越接近1,表示两个序列的关联程度越高;值越接近0,表示关联程度越低。灰色关联分析法是一种有效、简便的多因素关联性分析方法。
进一步地,本发明的一个较佳实施例中,根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告,如图3所示,具体为:
S302:构建马尔科夫故障预测模型,并将所述异常数据本导入所述马尔科夫故障预测模型中进行预测,以预测得到键盘内各部件的故障概率;并将故障概率大于预设故障概率的部件标记为可能运行异常部件;
S304:获取可能运行异常部件对应的性能临界点,根据所述性能临界点确定出评价指标,通过层次分析法计算所述评价指标与对应的可能运行异常部件之间的评价分数,根据所述评价分数确定出各可能运行异常部件的故障权重值;将各可能运行异常部件的故障权重值与预设权重值进行比较;
S306:若各可能运行异常部件的故障权重值均不大于预设权重值,则说明键盘各部件运行正常,此时生成第一监测报告,并将所述第一监测报告输出;
S308:若存在至少一个可能运行异常部件的故障权重值大于预设权重值,则将故障权重值大于预设权重值对应的可能运行异常部件标定为故障部件,此时基于所述故障部件生成第二监测报告,并将所述第二监测报告输出。
需要说明的是,马尔科夫故障预测模型基于马尔科夫性质,适用于一些状态变化比较稳定、关联度较高的故障预测场景。通过分析历史数据,估计系统在不同状态之间的转移概率。根据状态定义和转移概率估计,构建马尔科夫转移概率矩阵。矩阵的行和列分别代表当前状态和下一个状态,矩阵中的元素表示从当前状态转移到下一个状态的概率。通过马尔科夫链的迭代计算,可以预测系统在未来时刻的状态。给定当前状态和转移概率矩阵,可以计算下一个状态的概率分布。通过迭代计算,可以预测系统可能出现的故障概率。将获取得到的异常数据本导入所述马尔科夫故障预测模型中,得到键盘内相应部件故障概率,如键盘卡键频率和复位弹簧有关,当键盘卡键频率越大,复位弹簧故障概率越大。各部件性能临界点可以理解为部件寿命极限,如复位弹簧的总复位次数等。层次分析法的核心思想是将复杂的决策问题分解为一系列层次结构,通过判断和比较不同层次的因素及其对决策目标的重要性,最终得出最合适的权重值,通过对两两因素进行比较赋值,使用1-9之间的数值来表示相对权重,其中1表示相等重要性,9表示绝对重要性。通过以上步骤可以根据异常数据本进一步分析出键盘相应的部件是否发生了故障。
综上所述,通过本方法定期监测键盘的工作状态,可以及时发现潜在的故障,并进行修复,从而降低维修成本和生产力损失,确保键盘的正常工作状态,提高用户体验、工作效率,预防数据丢失,减少维修成本。
此外,所述监测方法还包括以下步骤:
通过大数据网络获取键盘中各部件在不同寿命阶段所对应的预设寿命曲线图,构建知识图谱,将各部件在不同寿命阶段所对应的预设寿命曲线图导入所述知识图谱中;
获取最终子参数数据本,基于所述最终子参数数据本构建对应部件的实时寿命曲线图;
将所述实时寿命曲线图导入所述知识图谱中,通过哈希算法计算所述实时寿命曲线图与各预设寿命曲线图之间的哈希值,得到多个哈希值;
将多个所述哈希值进行大小排序,排序完成后,提取出最大哈希值,获取与最大哈希值对应的预设寿命曲线图,根据与最大哈希值对应的预设寿命曲线图确定出键盘对应部件的寿命阶段,根据所述寿命阶段确定出该部件的剩余寿命。
需要说明的是,哈希值越大说明两曲线图越相似,重合度越高。通过该以上方法能够根据获取得到的最终子参数数据本预测出对应部件的剩余寿命。
此外,所述监测方法还包括以下步骤:
获取键盘中各部件对应的剩余寿命,将所述剩余寿命与预设剩余寿命进行比较;
若所述剩余寿命小于预设剩余寿命,则获取剩余寿命小于预设剩余寿命对应的部件;并获取剩余寿命小于预设剩余寿命对应的部件的历史工作环境参数;
根据所述历史工作环境参数生成关联性文本,根据所述关联性文本建立检索标签,根据所述检索标签对大数据网络进行检索,得到多个修护方案;
获取多个维护方案对应的维护成功率,并将多个维护方案对应的维护成功率进行大小排序,提取出最大维护成功率对应的维护方案,将最大维护成功率对应的维护方案输出。
需要说明的是,若监测出某部件的剩余寿命低于预设剩余寿命,说明该部件因受工作环境的影响导致其寿命损耗速率过大,不能够满足预设使用要求;此时通过本方法根据该部件的历史工作环境参数生成相应的维护方案,进而根据该维护方案对相应部件进行维护,使得维护更加合理,保证键盘的整体使用寿命能够满足预设要求。
此外,所述监测方法还包括以下步骤:
在预设时间内接收键盘内部各传感器所反馈的信号信息,并判断在预设时间内能够接收到传感器反馈的信号信息;
若不能,则将对应的传感器标定为故障部件;
若能,则判断在预设时间内传感器所反馈信号的间断频率;若所述间断频率大于预设间断频率,将对应的传感器标定为故障部件。
需要说明的是,通过以上方法能够实时判断出键盘内传感器是否发生了故障,能够及时发现故障的传感器,及时知会用户检修更换,以确保所采集到的键盘参数数据的可靠性。
如图4所示,本发明第二方面公开了一种基于数据分析的键盘智能监测系统,所述键盘智能监测系统包括存储器77与处理器99,所述存储器77中存储有键盘智能监测方法程序,当所述键盘智能监测方法程序被所述处理器99执行时,实现如下步骤:
获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
构建参数数据本,在多个预设时间节点上连续采集键盘的实际参数数据,并将所采集到的实际参数数据汇聚至所述参数数据本中,采集完毕后,将所述参数数据本输出;
对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本;通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本;
构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本;根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于数据分析的键盘智能监测方法,其特征在于,包括以下步骤:
获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
构建参数数据本,在多个预设时间节点上连续采集键盘的实际参数数据,并将所采集到的实际参数数据汇聚至所述参数数据本中,采集完毕后,将所述参数数据本输出;
对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本;通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本;
构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本;根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告;
其中,通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本,具体为:
构建孤立森林模型,将所述子参数数据本导入所述孤立森林模型中,根据所述子参数数据本的实际参数数据建立若干棵子树;
对于每棵子树,随机选择一个特征点与切分点,根据所述特征点与切分点将各棵子树进行划分孤立,得到若干棵孤立树;获取每棵孤立树的树深度与路径长度,根据所述树深度与路径长度计算出各实际参数数据的孤立得分;
逐一判断各实际参数数据的孤立得分是否大于预设得分,若实际参数数据的孤立得分大于预设得分,则将孤立得分大于预设得分的实际参数数据标定为聚类异常数据,并将该聚类异常数据在对应的子参数数据本中剔除;
将该聚类异常数据输入至其余子参数数据本中,并获取该聚类异常数据在其余子参数数据本中的孤立得分;若该聚类异常数据在其余子参数数据本中的孤立得分均大于预设得分,则将该聚类异常数据彻底剔除;
若该聚类异常数据在其余子参数数据本中的孤立得分存在不大于预设得分的情况,则将该聚类异常数据在其余子参数数据本中的孤立得分进行大小排序,排序完成后,提取出最小孤立得分,将该聚类异常数据输入至与最小孤立得分相对应的子参数数据本中;
当对所有子参数数据本中的实际参数数据筛选完毕后,输出若干个最终子参数数据本;
其中,根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告,具体为:
构建马尔科夫故障预测模型,并将所述异常数据本导入所述马尔科夫故障预测模型中进行预测,以预测得到键盘内各部件的故障概率;并将故障概率大于预设故障概率的部件标记为可能运行异常部件;
获取可能运行异常部件对应的性能临界点,根据所述性能临界点确定出评价指标,通过层次分析法计算所述评价指标与对应的可能运行异常部件之间的评价分数,根据所述评价分数确定出各可能运行异常部件的故障权重值;将各可能运行异常部件的故障权重值与预设权重值进行比较;
若各可能运行异常部件的故障权重值均不大于预设权重值,则说明键盘各部件运行正常,此时生成第一监测报告,并将所述第一监测报告输出;
若存在至少一个可能运行异常部件的故障权重值大于预设权重值,则将故障权重值大于预设权重值对应的可能运行异常部件标定为故障部件,此时基于所述故障部件生成第二监测报告,并将所述第二监测报告输出。
2.根据权利要求1所述的一种基于数据分析的键盘智能监测方法,其特征在于,获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本,具体为:
获取键盘在各种历史工作环境条件之下的历史参数数据,基于卷积神经网络构建预测模型,将键盘在各种历史工作环境条件之下的历史参数数据分为训练集与验证集;
将所述训练集输入所述预测模型中的卷积层进行卷积运算,得到卷积值;将所述卷积值导入预测模型中的池化层中,以对所述卷积值进行池化;在所有卷积层中选取最大卷积值作为对应卷积层的特征值,将所述特征值与训练集中参数数据进行融合,得到局部特征值;
通过交叉损失函数对所述局部特征值进行反向传播训练,直到预测模型收敛至预定的停止条件;最后通过验证集对预测模型进行验证,当验证结果满足预设要求后,保存预测模型所有参数,得到训练完成后的预测模型;
获取键盘的实时工作环境,将所述实时工作环境导入所述训练完成后的预测模型中进行预测,预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
其中,所述预设监测类别包括按键响应时间、按键敲击声、卡键频率、按键力度、按键无响应频率以及错字频率。
3.根据权利要求1所述的一种基于数据分析的键盘智能监测方法,其特征在于,对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本,具体为:
预设聚类簇数目与聚类参数,根据所述聚类簇数目与聚类参数确定出若干个聚类中心;并计算所述参数数据本中的各实际参数数据与各聚类中心之间的曼哈顿距离,基于所述曼哈顿距离确定出各实际参数数据与各聚类中心之间的隶属度矩阵,根据所述隶属度矩阵确定出各实际参数数据与各聚类中心之间的隶属度值;
将各实际参数数据与各聚类中心之间的隶属度值进行大小排序,排序完成后,提取出最大隶属度值,根据所述最大隶属度值将各实际参数数据聚类至对应的聚类中心内,以对参数数据本中的实际参数数据进行持续聚类;当各聚类中心的变动量均小于预设阈值后,则聚类完毕,输出若干个聚类后的初始子参数数据本;
在各初始子参数数据本中选取任意一个实际参数数据,计算该实际参数数据与该初始子参数数据本中剩余实际参数数据之间的簇内平均曼哈顿距离;计算该实际参数数据与其余初始子参数数据本中所有实际参数数据之间的簇外平均曼哈顿距离;
根据所述簇内平均曼哈顿距离与簇外平均曼哈顿距离计算得到各初始子参数数据本对应的轮廓系数;将轮廓系数大于预设轮廓系数对应的初始子参数数据本重复以上步骤进行继续迭代;直至所有初始子参数数据本的轮廓系数均不大于预设轮廓系数,则获取最终聚类结果,得到若干个子参数数据本。
4.根据权利要求1所述的一种基于数据分析的键盘智能监测方法,其特征在于,构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本,具体为:
构建数据库,将各预设监测类别的预测参数数据本导入所述数据库中,得到特性数据库;
将所述最终子参数数据本导入所述特性数据库中,通过灰色关联分析法获取所述最终子参数数据本与对应的预测参数数据本之间基于时间序列的关联度,将基于时间序列上的关联度进行加权求和得到整体关联度;
根据所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相似度指数,根据所述相似度指数确定出所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相对重合度;
将所述相对重合度与预设相对重合度进行比较;若所述相对重合度大于预设相对重合度,则将该最终子参数数据本标定为正常数据本;若所述相对重合度不大于预设相对重合度,则将该最终子参数数据本标定为异常数据本;
重复以上步骤,直至对所有最终子参数数据本均配对完毕,输出所有异常数据本。
5.一种基于数据分析的键盘智能监测系统,其特征在于,所述键盘智能监测系统包括存储器与处理器,所述存储器中存储有键盘智能监测方法程序,当所述键盘智能监测方法程序被所述处理器执行时,实现如下步骤:
获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
构建参数数据本,在多个预设时间节点上连续采集键盘的实际参数数据,并将所采集到的实际参数数据汇聚至所述参数数据本中,采集完毕后,将所述参数数据本输出;
对所述参数数据本中的实际参数数据进行聚类,得到若干个子参数数据本;通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本;
构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本;根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告;
其中,通过孤立森林算法对若干个所述子参数数据本进行评估,得到聚类异常数据,并对所述聚类异常数据进行重新聚类,得到若干个最终子参数数据本,具体为:
构建孤立森林模型,将所述子参数数据本导入所述孤立森林模型中,根据所述子参数数据本的实际参数数据建立若干棵子树;
对于每棵子树,随机选择一个特征点与切分点,根据所述特征点与切分点将各棵子树进行划分孤立,得到若干棵孤立树;获取每棵孤立树的树深度与路径长度,根据所述树深度与路径长度计算出各实际参数数据的孤立得分;
逐一判断各实际参数数据的孤立得分是否大于预设得分,若实际参数数据的孤立得分大于预设得分,则将孤立得分大于预设得分的实际参数数据标定为聚类异常数据,并将该聚类异常数据在对应的子参数数据本中剔除;
将该聚类异常数据输入至其余子参数数据本中,并获取该聚类异常数据在其余子参数数据本中的孤立得分;若该聚类异常数据在其余子参数数据本中的孤立得分均大于预设得分,则将该聚类异常数据彻底剔除;
若该聚类异常数据在其余子参数数据本中的孤立得分存在不大于预设得分的情况,则将该聚类异常数据在其余子参数数据本中的孤立得分进行大小排序,排序完成后,提取出最小孤立得分,将该聚类异常数据输入至与最小孤立得分相对应的子参数数据本中;
当对所有子参数数据本中的实际参数数据筛选完毕后,输出若干个最终子参数数据本;
其中,根据所述异常数据本对键盘各部件进行故障监测,生成第一监测报告或第二监测报告,具体为:
构建马尔科夫故障预测模型,并将所述异常数据本导入所述马尔科夫故障预测模型中进行预测,以预测得到键盘内各部件的故障概率;并将故障概率大于预设故障概率的部件标记为可能运行异常部件;
获取可能运行异常部件对应的性能临界点,根据所述性能临界点确定出评价指标,通过层次分析法计算所述评价指标与对应的可能运行异常部件之间的评价分数,根据所述评价分数确定出各可能运行异常部件的故障权重值;将各可能运行异常部件的故障权重值与预设权重值进行比较;
若各可能运行异常部件的故障权重值均不大于预设权重值,则说明键盘各部件运行正常,此时生成第一监测报告,并将所述第一监测报告输出;
若存在至少一个可能运行异常部件的故障权重值大于预设权重值,则将故障权重值大于预设权重值对应的可能运行异常部件标定为故障部件,此时基于所述故障部件生成第二监测报告,并将所述第二监测报告输出。
6.根据权利要求5所述的一种基于数据分析的键盘智能监测系统,其特征在于,获取键盘在各种历史工作环境条件之下的历史参数数据,根据所述历史参数数据建立预测模型,根据所述预测模型预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本,具体为:
获取键盘在各种历史工作环境条件之下的历史参数数据,基于卷积神经网络构建预测模型,将键盘在各种历史工作环境条件之下的历史参数数据分为训练集与验证集;
将所述训练集输入所述预测模型中的卷积层进行卷积运算,得到卷积值;将所述卷积值导入预测模型中的池化层中,以对所述卷积值进行池化;在所有卷积层中选取最大卷积值作为对应卷积层的特征值,将所述特征值与训练集中参数数据进行融合,得到局部特征值;
通过交叉损失函数对所述局部特征值进行反向传播训练,直到预测模型收敛至预定的停止条件;最后通过验证集对预测模型进行验证,当验证结果满足预设要求后,保存预测模型所有参数,得到训练完成后的预测模型;
获取键盘的实时工作环境,将所述实时工作环境导入所述训练完成后的预测模型中进行预测,预测得到键盘在当前工作环境条件之下各预设监测类别的预测参数数据本;
其中,所述预设监测类别包括按键响应时间、按键敲击声、卡键频率、按键力度、按键无响应频率以及错字频率。
7.根据权利要求5所述的一种基于数据分析的键盘智能监测系统,其特征在于,构建数据库,将各预设监测类别的预测参数数据本与各最终子参数数据本导入所述数据库中进行配对,以配对出异常数据本,具体为:
构建数据库,将各预设监测类别的预测参数数据本导入所述数据库中,得到特性数据库;
将所述最终子参数数据本导入所述特性数据库中,通过灰色关联分析法获取所述最终子参数数据本与对应的预测参数数据本之间基于时间序列的关联度,将基于时间序列上的关联度进行加权求和得到整体关联度;
根据所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相似度指数,根据所述相似度指数确定出所述整体关联度确定出所述最终子参数数据本与对应的预测参数数据本之间的相对重合度;
将所述相对重合度与预设相对重合度进行比较;若所述相对重合度大于预设相对重合度,则将该最终子参数数据本标定为正常数据本;若所述相对重合度不大于预设相对重合度,则将该最终子参数数据本标定为异常数据本;
重复以上步骤,直至对所有最终子参数数据本均配对完毕,输出所有异常数据本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989509.2A CN116737510B (zh) | 2023-08-08 | 2023-08-08 | 一种基于数据分析的键盘智能监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310989509.2A CN116737510B (zh) | 2023-08-08 | 2023-08-08 | 一种基于数据分析的键盘智能监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116737510A CN116737510A (zh) | 2023-09-12 |
CN116737510B true CN116737510B (zh) | 2023-11-28 |
Family
ID=87909861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310989509.2A Active CN116737510B (zh) | 2023-08-08 | 2023-08-08 | 一种基于数据分析的键盘智能监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116737510B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289778B (zh) * | 2023-11-27 | 2024-03-26 | 惠州市鑫晖源科技有限公司 | 一种工控主机电源健康状态的实时监测方法 |
CN117494072B (zh) * | 2023-12-29 | 2024-04-19 | 深圳永泰数能科技有限公司 | 一种基于数据融合的换电柜运行状态监测方法及系统 |
CN118509333A (zh) * | 2024-07-12 | 2024-08-16 | 西安乾景防务技术有限公司 | 一种基于python的射频测试网络构建与评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133135A (zh) * | 2017-05-02 | 2017-09-05 | 电子科技大学 | 一种基于统计学与声音定位的键盘按键检测方法 |
CN112231181A (zh) * | 2020-12-08 | 2021-01-15 | 平安科技(深圳)有限公司 | 数据异常更新检测方法、装置、计算机设备及存储介质 |
CN113902334A (zh) * | 2021-10-28 | 2022-01-07 | 上海众源网络有限公司 | 一种事件异常波动检测方法、系统、电子设备及存储介质 |
CN113919559A (zh) * | 2021-09-28 | 2022-01-11 | 南京南瑞继保电气有限公司 | 一种综合能源系统设备参数超短期预测方法及装置 |
CN114840374A (zh) * | 2022-07-04 | 2022-08-02 | 南通华豪巨电子科技有限公司 | 一种键盘按键检测方法与系统 |
CN116089218A (zh) * | 2023-02-10 | 2023-05-09 | 杭州谐云科技有限公司 | 基于Kubernetes的历史数据和趋势分析的动态基线告警方法及系统 |
-
2023
- 2023-08-08 CN CN202310989509.2A patent/CN116737510B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133135A (zh) * | 2017-05-02 | 2017-09-05 | 电子科技大学 | 一种基于统计学与声音定位的键盘按键检测方法 |
CN112231181A (zh) * | 2020-12-08 | 2021-01-15 | 平安科技(深圳)有限公司 | 数据异常更新检测方法、装置、计算机设备及存储介质 |
CN113919559A (zh) * | 2021-09-28 | 2022-01-11 | 南京南瑞继保电气有限公司 | 一种综合能源系统设备参数超短期预测方法及装置 |
CN113902334A (zh) * | 2021-10-28 | 2022-01-07 | 上海众源网络有限公司 | 一种事件异常波动检测方法、系统、电子设备及存储介质 |
CN114840374A (zh) * | 2022-07-04 | 2022-08-02 | 南通华豪巨电子科技有限公司 | 一种键盘按键检测方法与系统 |
CN116089218A (zh) * | 2023-02-10 | 2023-05-09 | 杭州谐云科技有限公司 | 基于Kubernetes的历史数据和趋势分析的动态基线告警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116737510A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
CN110837866A (zh) | 基于XGBoost的电力二次设备缺陷程度评估方法 | |
CN112257963B (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN118051827A (zh) | 基于深度学习的电网故障预测方法 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN113435759A (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN118211882A (zh) | 一种基于大数据的产品质量管理系统及方法 | |
CN117371861B (zh) | 基于数字化的家政服务质量智能分析方法及系统 | |
CN113221442B (zh) | 一种电厂设备健康评估模型的构建方法及装置 | |
CN117254980B (zh) | 一种基于注意力机制的工业网络安全风险评估方法及系统 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN116126807A (zh) | 一种日志分析方法及相关装置 | |
CN115858763A (zh) | 多模态数据融合的城管事件分析方法及其应用 | |
CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 |
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 |