CN117033160A - 一种数据采集设备故障时间的预测方法 - Google Patents
一种数据采集设备故障时间的预测方法 Download PDFInfo
- Publication number
- CN117033160A CN117033160A CN202311301186.XA CN202311301186A CN117033160A CN 117033160 A CN117033160 A CN 117033160A CN 202311301186 A CN202311301186 A CN 202311301186A CN 117033160 A CN117033160 A CN 117033160A
- Authority
- CN
- China
- Prior art keywords
- equipment
- parameters
- state
- time
- historical
- 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
- 239000011159 matrix material Substances 0.000 claims abstract description 105
- 230000007704 transition Effects 0.000 claims description 21
- 238000013480 data collection Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 5
- 238000004904 shortening Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 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
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据采集设备故障预测领域，具体涉及一种数据采集设备故障时间的预测方法，该方法包括：当数据库中新增数据采集设备的设备参数时，获取数据库中在第一预设时长内存储的历史设备参数；根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数；基于合并设备参数更新数据采集设备的概率矩阵参数、各设备状态的持续时长；根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间。本申请能够预测数据采集设备的设备状态为故障状态的故障时间，提高了检修时间的准确性和数据采集设备的使用效率。
Description
技术领域
本发明涉及数据采集设备故障预测领域，具体而言，涉及一种数据采集设备故障时间的预测方法。
背景技术
随着数据采集设备的长时间使用，数据采集设备设备可能会出现各种各样的故障，例如电机、传感器等。为了保证数据采集设备的使用效率，工作人员根据经验定时对数据采集设备进行检修，但是由于工作人员根据经验确定数据采集设备是否需要检修是不客观，不准确的，导致数据采集设备使用效率不高。
发明内容
有鉴于此，本申请的目的在于提供一种数据采集设备故障时间的预测方法，能够预测数据采集设备的设备状态为故障状态的故障时间，提高了检修时间的准确性和数据采集设备的使用效率。
第一方面，本申请实施例提供了一种数据采集设备故障时间的预测方法，该数据采集设备故障时间的预测方法包括：
当数据库中新增数据采集设备的设备参数时，获取数据库中在第一预设时长内存储的历史设备参数；数据库用于存储数据采集设备产生的设备参数；历史设备参数携带有存储时间；
根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数；
基于合并设备参数更新数据采集设备的概率矩阵参数、各设备状态的持续时长；
根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间。
在一种可能的实施方式中，根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数，包括：
按照固定预设时长，根据历史设备参数的存储时间对历史设备参数进行划分，得到多个历史设备参数集合；
根据存储时间相邻的历史设备参数集合之间的变化量，确定目标变化量；
若目标变化量小于第一预设变化量或大于第二预设变化量，则更新固定预设时长，并跳转到按照固定预设时长，根据历史设备参数的存储时间对历史设备参数进行划分，得到多个历史设备参数集合，以继续执行；
其中，第一预设变化量小于第二预设变化量；
若目标变化量大于等于第一预设变化量且小于等于第二预设变化量，则合并最新的各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的合并设备参数。
在一种可能的实施方式中，计算存储时间相邻的历史设备参数集合之间的变化量，包括：
合并各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的目标设备参数；
计算存储时间相邻的历史设备参数集合对应的目标设备参数之间的差值的绝对值，得到存储时间相邻的历史设备参数集合之间的变化量。
在一种可能的实施方式中，若目标变化量小于第一预设变化量，则更新固定预设时长，包括：
根据预设时长加长速率，加长固定预设时长；
若目标变化量小于第一预设变化量，则更新固定预设时长，包括：
根据预设时长加长速率，缩短固定预设时长。
在一种可能的实施方式中，概率矩阵参数包括包含有当前处于各设备状态的概率的第一概率矩阵、包含有各设备状态之间的转移概率的第二概率矩阵和包含有各设备状态下各设备参数类别对应的概率的第三概率矩阵。
在一种可能的实施方式中，根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间，包括：
对预测设备参数序列中的预测设备参数进行聚类，得到包含所有预测设备参数对应的设备参数类别序列；
根据设备参数类别序列、更新后的第一概率矩阵、更新后的第二概率矩阵和更新后的第三概率矩阵，确定与设备参数类别序列对应的各时刻的设备状态；
根据与设备参数类别序列对应的各时刻的设备状态中，设备状态数量最多的设备状态作为数据采集设备的当前设备状态；
根据更新后的各设备状态的持续时长，确定从当前设备状态转移到设备状态为故障状态的转移时长；
将当前时间与转移时长的和，作为数据采集设备的故障时间。
在一种可能的实施方式中，根据设备参数类别序列、更新后的第一概率矩阵、更新后的第二概率矩阵和更新后的第三概率矩阵，确定与设备参数类别序列对应的各时刻的设备状态，包括：
根据设备参数类别序列、更新后的第一概率矩阵和更新后的第三概率矩阵，确定与预测设备参数序列对应的第一时刻的各设备状态的概率；
针对与预测设备参数序列对应的除第一时刻之外的任意时刻，根据该时刻对应的上一时刻的各设备状态的概率、更新后的第二概率矩阵和更新后的第三概率矩阵，确定从该时刻对应的上一时刻的各设备状态转移到该时刻的各设备状态的概率；
针对与预测设备参数序列对应的最后时刻，根据最后时刻对应的上一时刻的各设备状态转移到最后时刻的各设备状态的概率、更新后的第三概率矩阵，确定最后时刻的设备状态；
根据最后时刻的设备状态、各时刻对应的上一时刻的各设备状态转移到各时刻的各设备状态的概率，确定各时刻对应的上一时刻的设备状态。
第二方面，本申请实施例还提供了一种数据采集设备故障时间的预测装置，该数据采集设备故障时间的预测装置包括：
获取模块，用于当数据库中新增数据采集设备的设备参数时，获取数据库中在第一预设时长内存储的历史设备参数；数据库用于存储数据采集设备产生的设备参数；历史设备参数携带有存储时间；
划分合并模块，用于根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数；
更新模块，用于基于合并设备参数更新数据采集设备的概率矩阵参数、各设备状态的持续时长；
预测模块，用于根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间。
在一种可能的实施方式中，划分合并模块，具体用于按照固定预设时长，根据历史设备参数的存储时间对历史设备参数进行划分，得到多个历史设备参数集合；根据存储时间相邻的历史设备参数集合之间的变化量，确定目标变化量；若目标变化量小于第一预设变化量或大于第二预设变化量，则更新固定预设时长，并跳转到按照固定预设时长，根据历史设备参数的存储时间对历史设备参数进行划分，得到多个历史设备参数集合，以继续执行；其中，第一预设变化量小于第二预设变化量；若目标变化量大于等于第一预设变化量且小于等于第二预设变化量，则合并最新的各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的合并设备参数。
在一种可能的实施方式中，划分合并模块，还用于：
合并各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的目标设备参数；
计算存储时间相邻的历史设备参数集合对应的目标设备参数之间的差值的绝对值，得到存储时间相邻的历史设备参数集合之间的变化量。
在一种可能的实施方式中，划分合并模块，还用于：根据预设时长加长速率，加长固定预设时长；
若目标变化量小于第一预设变化量，则更新固定预设时长，包括：
根据预设时长加长速率，缩短固定预设时长。
在一种可能的实施方式中，概率矩阵参数包括包含有当前处于各设备状态的概率的第一概率矩阵、包含有各设备状态之间的转移概率的第二概率矩阵和包含有各设备状态下各设备参数类别对应的概率的第三概率矩阵。
在一种可能的实施方式中，预测模块，具体用于对预测设备参数序列中的预测设备参数进行聚类，得到包含所有预测设备参数对应的设备参数类别序列；根据设备参数类别序列、更新后的第一概率矩阵、更新后的第二概率矩阵和更新后的第三概率矩阵，确定与设备参数类别序列对应的各时刻的设备状态；根据与设备参数类别序列对应的各时刻的设备状态中，设备状态数量最多的设备状态作为数据采集设备的当前设备状态；根据更新后的各设备状态的持续时长，确定从当前设备状态转移到设备状态为故障状态的转移时长；将当前时间与转移时长的和，作为数据采集设备的故障时间。
在一种可能的实施方式中，预测模块，还用于：
根据设备参数类别序列、更新后的第一概率矩阵和更新后的第三概率矩阵，确定与预测设备参数序列对应的第一时刻的各设备状态的概率；
针对与预测设备参数序列对应的除第一时刻之外的任意时刻，根据该时刻对应的上一时刻的各设备状态的概率、更新后的第二概率矩阵和更新后的第三概率矩阵，确定从该时刻对应的上一时刻的各设备状态转移到该时刻的各设备状态的概率；
针对与预测设备参数序列对应的最后时刻，根据最后时刻对应的上一时刻的各设备状态转移到最后时刻的各设备状态的概率、更新后的第三概率矩阵，确定最后时刻的设备状态；
根据最后时刻的设备状态、各时刻对应的上一时刻的各设备状态转移到各时刻的各设备状态的概率，确定各时刻对应的上一时刻的设备状态。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行如第一方面任一项数据采集设备故障时间的预测方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行如第一方面任一项数据采集设备故障时间的预测方法的步骤。
本申请实施例提供了一种数据采集设备故障时间的预测方法，该方法包括：当数据库中新增数据采集设备的设备参数时，获取数据库中在第一预设时长内存储的历史设备参数；数据库用于存储数据采集设备产生的设备参数；历史设备参数携带有存储时间；根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数；基于合并设备参数更新数据采集设备的概率矩阵参数、各设备状态的持续时长；根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间。本申请每当新增设备参数时，更新数据采集设备的概率矩阵参数、各设备状态的持续时长；基于更新后的概率矩阵参数、各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间，提高了检修时间的准确性和数据采集设备的使用效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例提供的一种数据采集设备故障时间的预测方法的流程图；
图2示出了本申请实施例提供的另一种数据采集设备故障时间的预测方法的流程图；
图3示出了本申请实施例提供的一种数据采集设备故障时间的预测装置的结构示意图；
图4示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。 应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。 此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“数据采集设备故障预测领域”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕“数据采集设备故障预测领域”进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
下面对本申请实施例提供的一种数据采集设备故障时间的预测方法进行详细说明。
参照图1所示，为本申请实施例提供的一种数据采集设备故障时间的预测方法的流程示意图，该数据采集设备故障时间的预测方法的具体执行过程为：
S101、当数据库中新增数据采集设备的设备参数时，获取数据库中在第一预设时长内存储的历史设备参数。
S102、根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数。
S103、基于合并设备参数更新数据采集设备的概率矩阵参数、各设备状态的持续时长。
S104、根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间。
本申请实施例提供了一种数据采集设备故障时间的预测方法，该方法包括：当数据库中新增数据采集设备的设备参数时，获取数据库中在第一预设时长内存储的历史设备参数；数据库用于存储数据采集设备产生的设备参数；历史设备参数携带有存储时间；根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数；基于合并设备参数更新数据采集设备的概率矩阵参数、各设备状态的持续时长；根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间。本申请每当新增设备参数时，更新数据采集设备的概率矩阵参数、各设备状态的持续时长；基于更新后的概率矩阵参数、各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间，提高了检修时间的准确性和数据采集设备的使用效率。
下面对本申请实施例示例性的各步骤进行说明：
S101、当数据库中新增数据采集设备的设备参数时，获取数据库中在第一预设时长内存储的历史设备参数。
在本申请实施方式中，使用Apache Kafka作为高吞吐量的分布式消息队列，将数据采集设备的实时监测数据以事件流的形式传输到流处理框架。并将数据采集设备产生的设备参数存储到数据库中，包括温度、振动、电流、压力等设备参数。将数据库中在第一预设时长内存储的设备参数作为历史设备参数。其中，数据库用于存储数据采集设备产生的设备参数；历史设备参数携带有存储时间。
这里，Kafka提供了高吞吐量和可靠性的消息传输机制，保证了设备数据的实时传输和可持久化存储。
S102、根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数。
数据采集设备可能由于各种异常，导致同一时长内的产生的设备参数非常多，因此根据历史设备参数的存储时间对历史设备参数进行适当的合并，以使合并设备参数的数量适当，以提高更新数据采集设备的概率矩阵参数、各设备状态的持续时长的更新效率，进而提高故障时间的预测效率。
具体地，通过下述步骤根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数：
I、按照固定预设时长，根据历史设备参数的存储时间对历史设备参数进行划分，得到多个历史设备参数集合。
在本申请实施方式中，除最后一个历史设备参数集合以外的每个历史设备参数集合中，历史设备参数的最早存储时间和最晚存储时间之间的差值为固定预设时长。
例如，历史设备参数为存储时间在2:00至5:00之间的所有设备参数，固定预设时长为1小时，那么历史设备参数集合包括2:00至3:00之间的所有历史设备参数的集合、3:00至4:00之间的所有历史设备参数的集合、4:00至5:00之间的所有历史设备参数的集合。
进一步地，通过下述步骤计算存储时间相邻的历史设备参数集合之间的变化量：
步骤一、合并各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的目标设备参数。
在本申请实施方式中，针对每一个历史设备参数集合，将该历史设备参数集合中所有设备参数的平均值、方差、斜率和频域特征中的一种作为该历史设备参数集合对应的目标设备参数。
例如，历史设备参数集合包括2:00至3:00之间的所有历史设备参数的集合A、3:00至4:00之间的所有历史设备参数的集合B、4:00至5:00之间的所有历史设备参数的集合C；则将A和B为存储时间相邻的历史设备参数集合、将B和C为存储时间相邻的历史设备参数集合。
步骤二，计算存储时间相邻的历史设备参数集合对应的目标设备参数之间的差值的绝对值，得到存储时间相邻的历史设备参数集合之间的变化量。
II、根据存储时间相邻的历史设备参数集合之间的变化量，确定目标变化量。
在本申请实施方式中，将所有存储时间相邻的历史设备参数集合中的历史设备参数之间的变化量的平均值、方差、斜率和频域特征中的一种作为目标变化量。
III、若目标变化量小于第一预设变化量或大于第二预设变化量，则更新固定预设时长，并跳转到按照固定预设时长，根据历史设备参数的存储时间对历史设备参数进行划分，得到多个历史设备参数集合，以继续执行。
在本申请实施方式中，若目标变化量小于第一预设变化量或大于第二预设变化量，说明当前划分得到的历史设备参数集合之间的变化量较小或较大，因此需要对用于对历史设备参数进行划分的固定预设时长进行调整，以提高故障时间预测的准确度。
其中，第一预设变化量小于第二预设变化量。
具体地，按照预设时间加长公式，加长固定预设时长；若目标变化量小于第一预设变化量，则更新固定预设时长，包括：根据预设时长加长速率，加长所述固定预设时长。
在本申请实施方式中，将预设时长加长速率和当前的固定预设时长的乘积，与当前的固定预设时长相加，得到更新后的固定预设时长，以加长固定预设时长。
具体地，按照预设时间加长公式，加长固定预设时长；若目标变化量小于第一预设变化量，则更新固定预设时长，包括：根据预设时长加长速率，缩短所述固定预设时长。
在本申请实施方式中，将当前的固定预设时长，减去预设时长加长速率和当前的固定预设时长的乘积，得到更新后的固定预设时长，以缩短固定预设时长。
IV、若目标变化量大于等于第一预设变化量且小于等于第二预设变化量，则合并最新的各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的合并设备参数。
在本申请实施方式中，若目标变化量大于等于第一预设变化量且小于等于第二预设变化量，说明不需要对用于对历史设备参数进行划分的固定预设时长进行调整，则合并最新的各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的合并设备参数。
这里，合并最新的各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的合并设备参数，包括：针对每一个最新的历史设备参数集合，将该历史设备参数集合中所有设备参数的平均值、方差、斜率和频域特征中的一种作为该历史设备参数集合对应的合并设备参数。
S103、基于合并设备参数更新数据采集设备的概率矩阵参数、各设备状态的持续时长。
在本申请实施方式中，设备状态可以为发生故障和未发生故障，也可以分为未发生故障、将要发生故障、发生故障等。其中，概率矩阵参数包括包含有当前处于各设备状态的概率的第一概率矩阵、包含有各设备状态之间的转移概率的第二概率矩阵和包含有各设备状态下各设备参数类别对应的概率的第三概率矩阵。
这里，基于Baum-Welch算法更新第一概率矩阵和第二概率矩阵；确定历史设备参数中设备状态为故障状态的历史设备参数在所有历史设备参数中的占比，得到划分数量；根据划分数量对合并设备参数进行平均划分，得到多个合并设备参数集；将各合并设备参数集中合并设备参数的实际设备状态数量最多的设备状态，确定各合并设备参数集中各合并设备参数的设备状态；对各合并设备参数进行聚类，得到各合并设备参数的设备参数类别；通过下述公式更新第三概率矩阵：
；
其中，为合并设备参数中设备状态为i且设备参数类别为j对应的概率；/>为合并设备参数中设备状态为i且设备参数为j对应的加权系数；/>为中设备状态为i且设备参数为j的所有合并设备参数的多维正态高斯分布。
基于合并设备参数更新各设备状态的持续时长，包括：针对每一个设备状态，将所有合并设备参数集中实际设备状态为该设备状态的合并设备参数的数量的方差，与所有合并设备参数集中实际设备状态为该设备状态的合并设备参数的数量的和之间的比值，确定为更新后的该设备状态的持续时长。
S104、根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态之间的转移时长，预测数据采集设备的设备状态为故障状态的故障时间。
参照图2所示，为本申请实施例提供的另一种数据采集设备故障时间的预测方法的流程示意图，下面对本申请实施例示例性的各步骤进行说明：
S201、对预测设备参数序列中的预测设备参数进行聚类，得到包含所有预测设备参数对应的设备参数类别序列。
在本申请方式中，聚类算法可以是k-means聚类等，具体根据实际情况而定。
S202、根据设备参数类别序列、更新后的第一概率矩阵、更新后的第二概率矩阵和更新后的第三概率矩阵，确定与设备参数类别序列对应的各时刻的设备状态。
通过下述步骤确定与设备参数类别序列对应的各时刻的设备状态：
步骤一、根据设备参数类别序列、更新后的第一概率矩阵和更新后的第三概率矩阵，确定与预测设备参数序列对应的第一时刻的各设备状态的概率。
在本申请实施方式中，将设备参数类别序列中第一时刻的类别序列，确定为第一时刻的设备参数类别；针对每个设备状态，将更新后的第一概率矩阵中该设备状态的概率，与更新后的第三概率矩阵中该设备状态下与第一时刻的设备参数类别对应的概率之间的乘积，确定为第一时刻的该设备状态的概率。
步骤二、针对与预测设备参数序列对应的除第一时刻之外的任意时刻，根据该时刻对应的上一时刻的各设备状态的概率、更新后的第二概率矩阵和更新后的第三概率矩阵，确定从该时刻对应的上一时刻的各设备状态转移到该时刻的各设备状态的概率。
针对每个设备状态，将设备参数类别序列中该时刻的类别序列，确定为该时刻的设备参数类别；针对各设备状态，将该时刻对应的上一时刻的该设备状态的概率、更新后的第二概率矩阵中从该时刻对应的上一时刻的设备状态转移到该设备状态的概率、更新后的第三概率矩阵中该设备状态下与该时刻对应的设备参数类别对应的概率三者之间的乘积，确定为该时刻的该设备状态的概率。
步骤三、针对与预测设备参数序列对应的最后时刻，根据最后时刻对应的上一时刻的各设备状态转移到最后时刻的各设备状态的概率、更新后的第三概率矩阵，确定最后时刻的设备状态。
在本申请实施方式中，针对各设备状态，将最后时刻对应的上一时刻的该设备状态的概率，与更新后的第二概率矩阵中从最后时刻对应的上一时刻的设备状态转移到该设备状态的概率之间的乘积，确定为最后时刻的该设备状态的概率；将最后时刻的各设备状态中概率最高的设备状态，确定为最后时刻的设备状态。
步骤四、根据最后时刻的设备状态、各时刻对应的上一时刻的各设备状态转移到各时刻的各设备状态的概率，确定各时刻对应的上一时刻的设备状态。
在本申请实施方式中，针对每一时刻，将该时刻的各设备状态转移到该时刻对应的下一时刻的设备状态的概率最高的设备状态，确定为该时刻的设备状态。
例如，最后时刻的设备状态为i，则倒数第二时刻的各设备状态转移到最后时刻的设备状态i的概率最高的设备状态，确定为倒数第二时刻的设备状态。
S203、根据与设备参数类别序列对应的各时刻的设备状态中，设备状态数量最多的设备状态作为数据采集设备的当前设备状态。
S204、根据更新后的各设备状态的持续时长，确定从当前设备状态转移到设备状态为故障状态的转移时长。
在本申请实施方式中，从预设设备状态转移路径中，确定从当前设备状态到设备状态为故障状态之间所经过的设备状态；将更新后的各设备状态的持续时长中，每一个从当前设备状态到设备状态为故障状态之间所经过的设备状态的持续时长的和，确定为从所述当前设备状态转移到设备状态为故障状态的转移时长。
S205、将当前时间与转移时长的和，作为数据采集设备的故障时间。
本申请实施例提供了另一种数据采集设备故障时间的预测方法，该方法能够预测数据采集设备的故障时间。
基于同一发明构思，本申请实施例中还提供了与信息处理方法对应的信息处理装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述信息处理方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图3所示，为本申请实施例提供的一种数据采集设备故障时间的预测装置的示意图，该数据采集设备故障时间的预测装置包括：
获取模块301，用于当数据库中新增数据采集设备的设备参数时，获取数据库中在第一预设时长内存储的历史设备参数；数据库用于存储数据采集设备产生的设备参数；历史设备参数携带有存储时间；
划分合并模块302，用于根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数；
更新模块303，用于基于合并设备参数更新数据采集设备的概率矩阵参数、各设备状态的持续时长；
预测模块304，用于根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间。
在一种可能的实施方式中，划分合并模块302，具体用于按照固定预设时长，根据历史设备参数的存储时间对历史设备参数进行划分，得到多个历史设备参数集合；根据存储时间相邻的历史设备参数集合之间的变化量，确定目标变化量；若目标变化量小于第一预设变化量或大于第二预设变化量，则更新固定预设时长，并跳转到按照固定预设时长，根据历史设备参数的存储时间对历史设备参数进行划分，得到多个历史设备参数集合，以继续执行；其中，第一预设变化量小于第二预设变化量；若目标变化量大于等于第一预设变化量且小于等于第二预设变化量，则合并最新的各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的合并设备参数。
在一种可能的实施方式中，划分合并模块302，还用于：
合并各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的目标设备参数；
计算存储时间相邻的历史设备参数集合对应的目标设备参数之间的差值的绝对值，得到存储时间相邻的历史设备参数集合之间的变化量。
在一种可能的实施方式中，划分合并模块302，还用于：根据预设时长加长速率，加长固定预设时长；
若目标变化量小于第一预设变化量，则更新固定预设时长，包括：
根据预设时长加长速率，缩短固定预设时长。
在一种可能的实施方式中，概率矩阵参数包括包含有当前处于各设备状态的概率的第一概率矩阵、包含有各设备状态之间的转移概率的第二概率矩阵和包含有各设备状态下各设备参数类别对应的概率的第三概率矩阵。
在一种可能的实施方式中，预测模块304，具体用于对预测设备参数序列中的预测设备参数进行聚类，得到包含所有预测设备参数对应的设备参数类别序列；根据设备参数类别序列、更新后的第一概率矩阵、更新后的第二概率矩阵和更新后的第三概率矩阵，确定与设备参数类别序列对应的各时刻的设备状态；根据与设备参数类别序列对应的各时刻的设备状态中，设备状态数量最多的设备状态作为数据采集设备的当前设备状态；根据更新后的各设备状态的持续时长，确定从当前设备状态转移到设备状态为故障状态的转移时长；将当前时间与转移时长的和，作为数据采集设备的故障时间。
在一种可能的实施方式中，预测模块304，还用于：
根据设备参数类别序列、更新后的第一概率矩阵和更新后的第三概率矩阵，确定与预测设备参数序列对应的第一时刻的各设备状态的概率；
针对与预测设备参数序列对应的除第一时刻之外的任意时刻，根据该时刻对应的上一时刻的各设备状态的概率、更新后的第二概率矩阵和更新后的第三概率矩阵，确定从该时刻对应的上一时刻的各设备状态转移到该时刻的各设备状态的概率；
针对与预测设备参数序列对应的最后时刻，根据最后时刻对应的上一时刻的各设备状态转移到最后时刻的各设备状态的概率、更新后的第三概率矩阵，确定最后时刻的设备状态；
根据最后时刻的设备状态、各时刻对应的上一时刻的各设备状态转移到各时刻的各设备状态的概率，确定各时刻对应的上一时刻的设备状态。
本申请实施例提供了一种数据采集设备故障时间的预测装置，该装置包括：获取模块301，用于当数据库中新增数据采集设备的设备参数时，获取数据库中在第一预设时长内存储的历史设备参数；数据库用于存储数据采集设备产生的设备参数；历史设备参数携带有存储时间；划分合并模块302，用于根据历史设备参数的存储时间对历史设备参数进行划分合并，得到合并设备参数；更新模块303，用于基于合并设备参数更新数据采集设备的概率矩阵参数、各设备状态的持续时长；预测模块304，用于根据数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间。本申请每当新增设备参数时，更新数据采集设备的概率矩阵参数、各设备状态的持续时长；基于更新后的概率矩阵参数、各设备状态的持续时长，预测数据采集设备的设备状态为故障状态的故障时间，提高了检修时间的准确性和数据采集设备的使用效率。
如图4所示，本申请实施例提供的一种电子设备400，包括：处理器401、存储器402和总线，存储器402存储有处理器401可执行的机器可读指令，当电子设备运行时，处理器401与存储器402之间通过总线通信，处理器401执行机器可读指令，以执行如上述数据采集设备故障时间的预测方法的步骤。
具体地，上述存储器402和处理器401能够为通用的存储器和处理器，这里不做具体限定，当处理器401运行存储器402存储的计算机程序时，能够执行上述数据采集设备故障时间的预测方法。
对应于上述数据采集设备故障时间的预测方法，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述数据采集设备故障时间的预测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述信息处理方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种数据采集设备故障时间的预测方法，其特征在于，所述方法包括：
当数据库中新增数据采集设备的设备参数时，获取所述数据库中在第一预设时长内存储的历史设备参数；所述数据库用于存储所述数据采集设备产生的设备参数；所述历史设备参数携带有存储时间；
根据所述历史设备参数的存储时间对所述历史设备参数进行划分合并，得到合并设备参数；
基于所述合并设备参数更新所述数据采集设备的概率矩阵参数、各设备状态的持续时长；
根据所述数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测所述数据采集设备的设备状态为故障状态的故障时间。
2.根据权利要求1所述的数据采集设备故障时间的预测方法，其特征在于，所述根据所述历史设备参数的存储时间对所述历史设备参数进行划分合并，得到合并设备参数，包括：
按照固定预设时长，根据所述历史设备参数的存储时间对所述历史设备参数进行划分，得到多个历史设备参数集合；
根据存储时间相邻的历史设备参数集合之间的变化量，确定目标变化量；
若所述目标变化量小于第一预设变化量或大于第二预设变化量，则更新所述固定预设时长，并跳转到所述按照固定预设时长，根据所述历史设备参数的存储时间对所述历史设备参数进行划分，得到多个历史设备参数集合，以继续执行；
其中，所述第一预设变化量小于所述第二预设变化量；
若所述目标变化量大于等于第一预设变化量且小于等于所述第二预设变化量，则合并最新的各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的合并设备参数。
3.根据权利要求2所述的数据采集设备故障时间的预测方法，其特征在于，计算所述存储时间相邻的历史设备参数集合之间的变化量，包括：
合并各历史设备参数集合中的历史设备参数，得到各历史设备参数集合对应的目标设备参数；
计算所述存储时间相邻的历史设备参数集合对应的目标设备参数之间的差值的绝对值，得到存储时间相邻的历史设备参数集合之间的变化量。
4.根据权利要求2所述的数据采集设备故障时间的预测方法，其特征在于，若所述目标变化量小于第一预设变化量，则所述更新所述固定预设时长，包括：
根据预设时长加长速率，加长所述固定预设时长；
若所述目标变化量小于第一预设变化量，则所述更新所述固定预设时长，包括：
根据预设时长加长速率，缩短所述固定预设时长。
5.根据权利要求1-4任一项所述的数据采集设备故障时间的预测方法，其特征在于，所述概率矩阵参数包括包含有当前处于各设备状态的概率的第一概率矩阵、包含有各设备状态之间的转移概率的第二概率矩阵和包含有各设备状态下各设备参数类别对应的概率的第三概率矩阵。
6.根据权利要求5所述的数据采集设备故障时间的预测方法，其特征在于，所述根据所述数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测所述数据采集设备的设备状态为故障状态的故障时间，包括：
对所述预测设备参数序列中的预测设备参数进行聚类，得到包含所有预测设备参数对应的设备参数类别序列；
根据所述设备参数类别序列、更新后的第一概率矩阵、更新后的第二概率矩阵和更新后的第三概率矩阵，确定与所述设备参数类别序列对应的各时刻的设备状态；
根据与所述设备参数类别序列对应的各时刻的设备状态中，设备状态数量最多的设备状态作为所述数据采集设备的当前设备状态；
根据更新后的各设备状态的持续时长，确定从所述当前设备状态转移到设备状态为故障状态的转移时长；
将当前时间与所述转移时长的和，作为数据采集设备的故障时间。
7.根据权利要求6所述的数据采集设备故障时间的预测方法，其特征在于，所述根据所述设备参数类别序列、更新后的第一概率矩阵、更新后的第二概率矩阵和更新后的第三概率矩阵，确定与所述设备参数类别序列对应的各时刻的设备状态，包括：
根据所述设备参数类别序列、更新后的第一概率矩阵和更新后的第三概率矩阵，确定与所述预测设备参数序列对应的第一时刻的各设备状态的概率；
针对与所述预测设备参数序列对应的除第一时刻之外的任意时刻，根据所述时刻对应的上一时刻的各设备状态的概率、更新后的第二概率矩阵和更新后的第三概率矩阵，确定从所述时刻对应的上一时刻的各设备状态转移到所述时刻的各设备状态的概率；
针对与所述预测设备参数序列对应的最后时刻，根据所述最后时刻对应的上一时刻的各设备状态转移到所述最后时刻的各设备状态的概率、所述更新后的所述第三概率矩阵，确定所述最后时刻的设备状态；
根据所述最后时刻的设备状态、各时刻对应的上一时刻的各设备状态转移到各时刻的各设备状态的概率，确定各时刻对应的上一时刻的设备状态。
8.一种数据采集设备故障时间的预测装置，其特征在于，所述装置包括：
获取模块，用于当数据库中新增数据采集设备的设备参数时，获取所述数据库中在第一预设时长内存储的历史设备参数；所述数据库用于存储所述数据采集设备产生的设备参数；所述历史设备参数携带有存储时间；
划分合并模块，用于根据所述历史设备参数的存储时间对所述历史设备参数进行划分合并，得到合并设备参数；
更新模块，用于基于所述合并设备参数更新所述数据采集设备的概率矩阵参数、各设备状态的持续时长；
预测模块，用于根据所述数据库中在第二预设时长内存储的预测设备参数序列、更新后的概率矩阵参数和更新后的各设备状态的持续时长，预测所述数据采集设备的设备状态为故障状态的故障时间。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至7任一项所述的数据采集设备故障时间的预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的数据采集设备故障时间的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311301186.XA CN117033160B (zh) | 2023-10-10 | 2023-10-10 | 一种数据采集设备故障时间的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311301186.XA CN117033160B (zh) | 2023-10-10 | 2023-10-10 | 一种数据采集设备故障时间的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117033160A true CN117033160A (zh) | 2023-11-10 |
| CN117033160B CN117033160B (zh) | 2024-01-19 |
Family
ID=88626775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311301186.XA Active CN117033160B (zh) | 2023-10-10 | 2023-10-10 | 一种数据采集设备故障时间的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117033160B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114248781A (zh) * | 2020-09-21 | 2022-03-29 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
| WO2022062724A1 (zh) * | 2020-09-27 | 2022-03-31 | 中兴通讯股份有限公司 | 故障预测方法、装置和计算机可读存储介质 |
| CN114630352A (zh) * | 2020-12-11 | 2022-06-14 | 中国移动通信集团湖南有限公司 | 一种接入设备的故障监测方法和装置 |
| CN116258484A (zh) * | 2023-05-16 | 2023-06-13 | 青岛创新奇智科技集团股份有限公司 | 设备的预测性运维方案生成方法、装置、终端设备和介质 |
| CN116307236A (zh) * | 2023-03-31 | 2023-06-23 | 联想(北京)有限公司 | 故障预测方法、装置、设备及存储介质 |
| CN116610690A (zh) * | 2023-06-01 | 2023-08-18 | 重庆农村商业银行股份有限公司 | 一种模型自动化更新方法、装置、设备及存储介质 |
-
2023
- 2023-10-10 CN CN202311301186.XA patent/CN117033160B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114248781A (zh) * | 2020-09-21 | 2022-03-29 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
| WO2022062724A1 (zh) * | 2020-09-27 | 2022-03-31 | 中兴通讯股份有限公司 | 故障预测方法、装置和计算机可读存储介质 |
| CN114630352A (zh) * | 2020-12-11 | 2022-06-14 | 中国移动通信集团湖南有限公司 | 一种接入设备的故障监测方法和装置 |
| CN116307236A (zh) * | 2023-03-31 | 2023-06-23 | 联想(北京)有限公司 | 故障预测方法、装置、设备及存储介质 |
| CN116258484A (zh) * | 2023-05-16 | 2023-06-13 | 青岛创新奇智科技集团股份有限公司 | 设备的预测性运维方案生成方法、装置、终端设备和介质 |
| CN116610690A (zh) * | 2023-06-01 | 2023-08-18 | 重庆农村商业银行股份有限公司 | 一种模型自动化更新方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117033160B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11240125B2 (en) | System and method for predicting and reducing subscriber churn | |
| EP3093760A1 (en) | Device and method | |
| CN103354924B (zh) | 用于监视性能指标的方法和系统 | |
| CN113434253B (zh) | 集群资源调度方法、装置、设备及存储介质 | |
| US20160055044A1 (en) | Fault analysis method, fault analysis system, and storage medium | |
| CN107423141B (zh) | 信息处理方法及装置 | |
| CN112751726B (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
| US10282245B1 (en) | Root cause detection and monitoring for storage systems | |
| CN106598822A (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
| CN103646670B (zh) | 一种评估存储系统性能的方法和设备 | |
| CN115269108A (zh) | 一种数据处理方法、装置及设备 | |
| CN114021861A (zh) | 一种电力负荷预测方法、装置、终端及存储介质 | |
| CN114500339A (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
| CN114301803A (zh) | 网络质量检测方法、装置、电子设备及存储介质 | |
| CN112540906B (zh) | 基于探针的业务与数据关系智能解析方法及系统 | |
| US10223189B1 (en) | Root cause detection and monitoring for storage systems | |
| CN111258854B (zh) | 模型训练方法、基于预测模型的报警方法和相关装置 | |
| CN117033160B (zh) | 一种数据采集设备故障时间的预测方法 | |
| CN112181498B (zh) | 并发控制方法、装置和设备 | |
| CN111400142B (zh) | 虚拟机的异常监控方法、装置及存储介质 | |
| CN113159463A (zh) | 业务量监控方法和装置 | |
| CN109298989A (zh) | 业务指标阈值获取方法及装置 | |
| CN116523249A (zh) | 一种生产线确定方法、装置、设备和存储介质 | |
| CN114301942B (zh) | 数据上报方法、数据上报装置以及计算机可读存储介质 | |
| CN111339468B (zh) | 信息推送方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |