CN117112336B - 智能通信设备异常检测方法、设备、存储介质及装置 - Google Patents
智能通信设备异常检测方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN117112336B CN117112336B CN202311387704.4A CN202311387704A CN117112336B CN 117112336 B CN117112336 B CN 117112336B CN 202311387704 A CN202311387704 A CN 202311387704A CN 117112336 B CN117112336 B CN 117112336B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- features
- preset
- feature
- test
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 238000004891 communication Methods 0.000 title claims abstract description 104
- 230000005856 abnormality Effects 0.000 title claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 171
- 230000002159 abnormal effect Effects 0.000 claims abstract description 148
- 238000012360 testing method Methods 0.000 claims abstract description 120
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000004573 interface analysis Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 230000002087 whitening effect Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 abstract description 20
- 230000008569 process Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013501 data transformation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation 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
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于数据处理技术领域,公开了一种智能通信设备异常检测方法、设备、存储介质及装置,本发明通过对待出厂的智能通信设备分别进行硬件测试、系统测试、接口测试以及环境测试,对各测试项目对应的测试数据集合进行预处理,获得预处理后的目标数据集合;基于预设异常检测模型对目标数据集合进行多模态异常分析,预设异常检测模型是基于OC‑SVM算法构建的模型;基于异常分析结果判断智能通信设备是否满足预设出厂条件,并将判断结果和异常分析结果反馈至预设管理平台,本发明能够精准确定存在异常问题的智能通信设备,并将异常问题对应的分析结果反馈至预设管理平台,以便于维修人员进一步检测,从而提升了检测效率,缩短产品出厂周期。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种智能通信设备异常检测方法、设备、存储介质及装置。
背景技术
目前,随着电子产品更新速度越来越快,用户对产品的性能要求也越来越高,因此为了保证产品的质量以及用户使用体验,都会在产品出厂前进行精细的检查,但是现有的产品检测都是依靠人工逐台检测的方式,并不能实现多种测试场景的集中测试,因此会提高检测成本,进而导致产品检测周期较长,影响出厂效率。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种智能通信设备异常检测方法、设备、存储介质及装置,旨在解决现有技术中通过人工逐台检测的方式,不能实现多种测试场景的集中测试,检测成本较高,导致产品检测周期较长,影响出厂效率的技术问题。
为实现上述目的,本发明提供一种智能通信设备异常检测方法,所述智能通信设备异常检测方法包括以下步骤:
基于硬件测试、系统测试、接口测试以及环境测试对待出厂的智能通信设备进行测试,获得各测试项目对应的测试数据集合;
对所述测试数据集合进行预处理,获得预处理后的目标数据集合;
基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果,所述预设异常检测模型是基于OC-SVM算法构建的模型;
基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台。
可选地,所述预处理包括数据清洗、数据集成、数据变换、数据白化以及数据归约的处理,所述对所述测试数据集合进行预处理,获得预处理后的目标数据集合的步骤,包括:
根据所述测试数据集合对应的属性信息对所述测试数据集合中缺失数据以及噪声数据进行数据清洗,获得清洗后的第一数据集合;
对所述第一数据集合中冗余数据以及匹配数据进行数据集成,获得集成后的第二数据集合;
对所述第二数据集合中非数值类数据进行数值变换处理,获得数据变换后的第三数据集合;
对所述第三数据集合中的数据进行中心化以及缩放处理,获得数据白化后的第四数据集合;
对所述第四数据集合进行压缩,获得数据归约后的目标数据集合。
可选地,所述基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果的步骤,包括:
基于预设异常检测模型中的特征提取模块对所述目标数据集合进行特征提取,获得硬件特征、系统特征、接口特征以及环境特征;
基于所述预设异常检测模型中的异常分析模块对所述硬件特征、所述系统特征、所述接口特征以及所述环境特征进行异常分析,获得异常特征集合;
对所述异常特征集合进行多模态异常分析,获得异常分析结果。
可选地,所述对所述异常特征集合进行多模态异常分析,获得异常分析结果的步骤,包括:
将所述异常特征集合中的异常特征进行特征融合,获得多模态异常融合特征;
基于时序预测算法对所述多模态异常融合特征的风险系数进行预测,获得预测结果;
根据所述预测结果对所述多模态异常融合特征对应的异常问题进行优先级排序,获得异常分析结果。
可选地,所述基于所述预设异常检测模型中的异常分析模块对所述硬件特征、所述系统特征、所述接口特征以及所述环境特征进行异常分析,获得异常特征集合的步骤,包括:
基于所述预设异常检测模型中的异常分析模块将所述硬件特征、所述系统特征、所述接口特征以及所述环境特征转换为低维度空间的特征,获得低维度特征集合;
将所述低维度特征集合与预设标准特征进行对比,根据对比结果判定所述低维度特征集合中是否存在异常,并将存在异常的低维度特征作为新的异常特征集合。
可选地,所述异常分析模块由硬件分析单元、系统分析单元、接口分析单元以及环境分析单元构成;所述基于所述预设异常检测模型中的异常分析模块将所述硬件特征、所述系统特征、所述接口特征以及所述环境特征转换为低维度空间的特征,获得低维度特征集合的步骤,包括:
基于所述硬件分析单元将所述硬件特征中传感器信号转换为低维度特征,获得低维度硬件特征;
基于所述系统分析单元将所述系统特征中系统版本、网络环境以及系统运行速率转换为低维度特征,获得低维度系统特征;
基于所述接口分析单元将所述接口特征中接口电平参数以及接口状态转换为低维度特征,获得低维度接口特征;
基于所述环境分析单元将所述环境特征中包含预设温湿度对应场景下的设备状态转换为低维度特征,获得低维度环境特征;
根据所述低维度硬件特征、所述低维度系统特征、所述低维度接口特征以及所述低维度环境特征确定低维度特征集合。
可选地,所述基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台的步骤,包括:
基于所述异常分析结果中异常特征出现频率与预设频率进行对比,获得频率对比结果;
根据所述频率对比结果判断所述智能通信设备是否满足预设出厂条件,获得判断结果;
若所述智能通信设备不满足所述预设出厂条件,则将所述异常分析结果反馈预设管理平台。
此外,为实现上述目的,本发明还提出一种智能通信设备异常检测设备,所述智能通信设备异常检测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能通信设备异常检测程序,所述智能通信设备异常检测程序配置为实现如上文所述的智能通信设备异常检测的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有智能通信设备异常检测程序,所述智能通信设备异常检测程序被处理器执行时实现如上文所述的智能通信设备异常检测方法的步骤。
此外,为实现上述目的,本发明还提出一种智能通信设备异常检测装置,所述智能通信设备异常检测装置包括:
运行测试模块,用于基于硬件测试、系统测试、接口测试以及环境测试对待出厂的智能通信设备进行测试,获得各测试项目对应的测试数据集合;
数据预处理模块,用于对所述测试数据集合进行预处理,获得预处理后的目标数据集合;
异常分析模块,用于基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果,所述预设异常检测模型是基于OC-SVM算法构建的模型;
异常反馈模块,用于基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台。
本发明对待出厂的智能通信设备分别进行硬件测试、系统测试、接口测试以及环境测试,获得各测试项目对应的测试数据集合;对所述测试数据集合进行预处理,获得预处理后的目标数据集合;基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果,所述预设异常检测模型是基于OC-SVM算法构建的模型;基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台,本发明通过对智能通信设备进行多种场景的测试,并对测试数据进行预处理,从而根据预设异常检测模型对预处理后的数据集合进行异常分析,相较于通过人工逐台检测的方式,不能实现多种测试场景的集中测试,检测成本较高,导致产品检测周期较长,影响出厂效率,本发明能够精准确定存在异常问题的智能通信设备,并将异常问题对应的分析结果反馈至预设管理平台,以便于维修人员进一步检测,从而提升了检测效率,缩短产品出厂周期。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的智能通信设备异常检测设备的结构示意图;
图2为本发明智能通信设备异常检测方法第一实施例的流程示意图;
图3为本发明智能通信设备异常检测方法第二实施例的流程示意图;
图4为本发明智能通信设备异常检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的智能通信设备异常检测设备结构示意图。
如图1所示,该智能通信设备异常检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM),也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对智能通信设备异常检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及智能通信设备异常检测程序。
在图1所示的智能通信设备异常检测设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述智能通信设备异常检测设备通过处理器1001调用存储器1005中存储的智能通信设备异常检测程序,并执行本发明实施例提供的智能通信设备异常检测方法。
基于上述硬件结构,提出本发明智能通信设备异常检测方法的实施例。
参照图2,图2为本发明智能通信设备异常检测方法第一实施例的流程示意图,提出本发明智能通信设备异常检测方法第一实施例。
在本实施例中,所述智能通信设备异常检测方法包括以下步骤:
步骤S10:对待出厂的智能通信设备分别进行硬件测试、系统测试、接口测试以及环境测试,获得各测试项目对应的测试数据集合。
需说明的是,本实施例中的执行主体可以是包含设备异常检测系统的设备,如:计算机、平板、手机或笔记本,所述设备异常检测系统可以与预设管理平台连接,或通过手机APP连接,还可为其他可实现相同或相似功能的设备,本实施例对此不做限制。所述设备异常检测系统可以应用于多种设备检测场景下,如:出厂检测、返厂维修或维修人员上门维修时通过在待检测的笔记本中安插可移动存储U盘,所述U盘里存储有设备异常检测系统等场景,所述设备异常检测系统可以主动连接也可以是被动连接,具体根据应用场景所确定,在本实施例以及下述各实施例中以计算机为例对本发明智能通信设备异常检测方法进行说明。
应理解的是,待出厂的智能通信设备可以是手机、平板、笔记本等具有通信功能的设备,硬件测试包括白盒测试、功能测试、性能测试等,所述系统测试包括软件外观界面测试,软件功能测试,软件性能测试以及软件兼容性测试等。所述接口测试包括正确性测试,可靠性测试,功能测试以及性能测试,环境测试包括在预设温湿度下对设备的状态进行测试,例如:高温下运行状态,低温运行状态或高湿状态下的运行状态。
具体实现中,通过上述方式分别进行测试,获得各个测试项目对应的测试数据集合,相较于现有方式通过人工逐台检测并汇总存在异常的设备数据,进一步做异常分析,本方案能够通过同时集中检测多台设备,并汇总所有设备的测试数据进行异常分析。
步骤S20:对所述测试数据集合进行预处理,获得预处理后的目标数据集合。
需说明的是,所述预处理包含对测试数据集中的数据进行数据清洗、数据集成、数据变换、数据白化以及数据归约等处理,本方案通过对测试数据集合进行预处理可以提升后期模型处理效率。所述预处理后的目标数据集合包含多种数据类型的数据集。
进一步地,上述步骤S20还包括:根据所述测试数据集合对应的属性信息对所述测试数据集合中缺失数据以及噪声数据进行数据清洗,获得清洗后的第一数据集合;对所述第一数据集合中冗余数据以及匹配数据进行数据集成,获得集成后的第二数据集合;对所述第二数据集合中非数值类数据进行数值变换处理,获得数据变换后的第三数据集合;对所述第三数据集合中的数据进行中心化以及缩放处理,获得数据白化后的第四数据集合;对所述第四数据集合进行压缩,获得数据归约后的目标数据集合。
需说明的是,测试数据集合对应的属性信息包含数据类型、属性值等信息,本方案通过属性信息对测试数据集合中缺失数据(即不完整的数据)以及噪声数据(即存在干扰的数据)进行清洗,即将缺失数据以及噪声数据进行筛除,将余下的数据进行集成获得第一数据集合。针对缺失数据的处理通过全局常量、属性平均值填充确实数据,或在数据充足时可以忽略缺失数据,针对噪声数据处理,通过偏离期望值对应的孤立点进行筛除,并通过拟合平滑算法进行修正。
可理解的是,本方案中通过对所述第一数据集合中冗余数据以及匹配数据进行数据集成,获得集成后的第二数据集合,其中,冗余数据是指重复的数据,匹配的数据是指数据类型相同的属性值近似的数据,为便于后期分析,将属性值近似的数据进行集成。其中,多个数据集匹配,可以通过数据结构进行匹配,并对命名相同且实际数据属性相同的数据进行冗余判定,将冗余的数据进行剔除。将筛除后的数据进行集成,获得第二数据集合。
应理解的是,对所述第二数据集合中非数值类数据进行数值变换处理,获得数据变换后的第三数据集合,本方案通过将第二数据集合中非数值类数据通过编码器将其转换为数值,以便于后期模型处理速率更快,将转换后的第三数据集合中的数据进行中心化以及缩放处理,获得数据白化后的第四数据集合,并对第四数据集合进行压缩,获得目标数据集合。
步骤S30:基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果。
需说明的是,所述预设异常检测模型是基于OC-SVM算法构建的模型。OC-SVM算法是用于异常检测的算法,其中,通过利用高斯分布来拟合数据分布是一种比较常见的异常检测方法,特别是在一维的模型下更为容易理解。假设某个数据分布产生于高斯分布,那么在拟合完成之后,测试过程中,只需要查看某些点的概率,通过阈值的方式来确定其是否是异常点,本方案通过将数据数值化后,并通过预设异常检测模型进行异常检测,相较于其他异常检测模型,本方案能够更加直观的确定存在异常的数据。
可理解的是,预设异常检测模型可以是预先训练获得的模型,通过预设异常检测模型对目标数据集合中包含的各数据类型对应的数值信息进行多模态异常分析,获得异常分析结果。
具体实现中,通过预设异常检测模型对目标数据集合进行多模态异常分析,并根据异常分析结果确定设备是否满足出厂条件。
步骤S40:基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台。
需说明的是,通过异常分析结果中存在异常的数据判断所述智能通信设备是否满足预设出厂条件,所述预设出厂条件可以是预先设置的用于判断设备是否符合预设标准,进而能够出厂。所述判断结果包括满足出厂和不满足出厂两种结果。所述预设管理平台可以是与生成线连接的用于进行设备管理以及人员调度的平台。所述预设出厂条件可以是基于历史标准设备对应的数据确定的出厂条件,例如:噪音阈值、设备温度以及风扇速度等数据综合确定的出厂条件。
应理解的是,本方案通过将异常分析结果中存在异常的数据与预设出厂条件对应的标准数据进行对比,根据对比结果判断智能通信设备是否满足预设出厂条件,若对比结果为不一致,则判断智能通信设备不满足预设出厂条件,即需要对智能通信设备进行进一步处理。
具体实现中,通过异常分析结果中的异常数据类型可以确定出现异常的测试项目中检测的数据类型,进而以便于后期维护。
进一步,所述步骤S40还包括:基于所述异常分析结果中异常特征出现频率与预设频率进行对比,获得频率对比结果;根据所述频率对比结果判断所述智能通信设备是否满足预设出厂条件,获得判断结果;若所述智能通信设备不满足所述预设出厂条件,则将所述异常分析结果反馈预设管理平台。
需说明的是,基于异常分析结果中异常特征出现频率与预设频率进行对比,获得频率对比结果,所述预设频率可以是预先设置的用于判断异常特征出现次数是否异常,所述异常特征是基于标准特征参数进行对比确定的异常特征,如:硬件特征、系统特征、接口特征以及环境特征,其中可以包括:噪音阈值、设备温度以及风扇速度等参数,其中通过异常对比结果中包含的异常特征出现的次数与预设频率进行对比,获得频率对比结果,所述频率对比结果包括异常特征出现的次数超过预设频率以及异常特征出现的次数未超过预设频率的两种对比结果。
可理解的是,若异常特征出现的次数超过预设频率,则判定智能通信设备不满足所述预设出厂条件,即异常,若异常特征出现的次数未超过预设频率,则判定智能通信设备满足所述预设出厂条件,即正常。因此所述异常分析结果包括异常和正常两种结果,并将上述异常分析结果反馈至预设管理平台,所述异常分析结果包括出厂判断结果、异常特征参数以及出厂特征参数,预设管理平台可以是预先设置的用于管理出厂设备的平台,可以用于监控设备出厂流程以及安排运维人员复检等。
具体实现中,本方案通过基于异常分析结果中异常特征出现频率与预设频率进行对比,获得频率对比结果;根据频率对比结果判断智能通信设备是否满足预设出厂条件,获得判断结果;若智能通信设备不满足预设出厂条件,则将异常分析结果反馈预设管理平台。
本实施例对待出厂的智能通信设备分别进行硬件测试、系统测试、接口测试以及环境测试,获得各测试项目对应的测试数据集合;对所述测试数据集合进行预处理,获得预处理后的目标数据集合;基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果,所述预设异常检测模型是基于OC-SVM算法构建的模型;基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台,本实施例通过对智能通信设备进行多种场景的测试,并对测试数据进行预处理,从而根据预设异常检测模型对预处理后的数据集合进行异常分析,相较于通过人工逐台检测的方式,不能实现多种测试场景的集中测试,检测成本较高,导致产品检测周期较长,影响出厂效率,本实施例能够精准确定存在异常问题的智能通信设备,并将异常问题对应的分析结果反馈至预设管理平台,以便于维修人员进一步检测,从而提升了检测效率,缩短产品出厂周期。
参照图3,图3为本发明智能通信设备异常检测方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明智能通信设备异常检测方法的第二实施例。
在本实施例中,所述步骤S30还包括:
步骤 S301:基于预设异常检测模型中的特征提取模块对所述目标数据集合进行特征提取,获得硬件特征、系统特征、接口特征以及环境特征。
需说明的是,基于预设异常检测模型中的特征提取模块对所述目标数据集合进行特征提取,获得硬件特征、系统特征、接口特征以及环境特征。所述硬件特征包含设备硬件(如:主板、CPU、硬盘、网卡、BIOS)对应的特征参数,所述特征参数可以是硬件设备对应的传感器信号或硬件序列号,也可以是硬件的数据,例如:内存容量;所述系统特征包括性能特征、软件特征参数以及安全特征。所述接口特征包括视频接口、麦克风接口以及电源接口等,本实施例对具体设备的接口不加以具体限制,具体根据设备类型确定相应的接口,接口特征包括接口对应的接口版本以及接口类型等。环境特征可以是预先设置的多种不同环境温度以及湿度下对设备进行测试时的环境特征,所述环境特征包括温度以及湿度相关参数。
具体实现中,通过预设异常检测模型中的特征提取模块对所述目标数据集合进行特征提取,获得硬件特征、系统特征、接口特征以及环境特征,从而以便于后期根据上述特征进行异常分析。
步骤S302:基于所述预设异常检测模型中的异常分析模块对所述硬件特征、所述系统特征、所述接口特征以及所述环境特征进行异常分析,获得异常特征集合。
应理解的是,异常特征集合可以包括对各类型特征进行异常分析后获得的异常分析结果,所述异常分析结果包括存在异常和不存在异常两种结果。
具体实现中,本方案通过将硬件特征、系统特征、接口特征以及环境特征与预设标准特征对应的参数进行对比,获得参数对比结果,并根据参数对比结果确定异常特征集合,以便于后期根据异常特征集合中异常特征出现次数与预设频率判断所述智能通信设备是否满足预设出厂条件,获得判断结果;若所述智能通信设备不满足所述预设出厂条件,则将所述异常分析结果反馈预设管理平台。
进一步地,所述步骤S302还包括:基于所述预设异常检测模型中的异常分析模块将所述硬件特征、所述系统特征、所述接口特征以及所述环境特征转换为低维度空间的特征,获得低维度特征集合;将所述低维度特征集合与预设标准特征进行对比,根据对比结果判定所述低维度特征集合中是否存在异常,并将存在异常的低维度特征作为新的异常特征集合。
需说明的是,基于预设异常检测模型中的异常分析模块将硬件特征、系统特征、接口特征以及环境特征转换为低维度空间的特征,获得低维度特征集合;将低维度特征集合与预设标准特征进行对比,根据对比结果判定所述低维度特征集合中是否存在异常,并将存在异常的低维度特征作为新的异常特征集合。
可理解的是,本方案中通过将各类型特征对应的特征参数转换为相应的一维数值后,与预设标准状态对应的数值进行对比,获得对比结果。
应理解的是,通过统计对比结果中各数值距离预设标准状态对应数值的离散状态判定是否存在异常,当距离预设标准状态对应的数值超过预设范围内时,判定存在异常,并将存在异常的低纬度特征作为异常特征集合。
具体实现中,本方案中异常分析模块可以是有OC-SVM算法构建的模型,其中OC-SVM算法可以提高通信设备的异常识别率,从而以便于完善后期设备调整。所述预设异常检测模型相较于传统模型通过检测阈值主要依靠人工经验,并不能反馈全部的异常情况,而本方案通过一类支持向量机(OC-SVM)无需设定状态阈值,通过监测数据正负样本量不平衡,即判定异常情况,所述模型仅需要根据正常数据建模,并通过在空间中寻找超平面确定不同于正常数据的异常点。因此本方案能够有效预警异常问题。
进一步地,所述异常分析模块由硬件分析单元、系统分析单元、接口分析单元以及环境分析单元构成;所述基于所述预设异常检测模型中的异常分析模块将所述硬件特征、所述系统特征、所述接口特征以及所述环境特征转换为低维度空间的特征,获得低维度特征集合的步骤,包括:基于所述硬件分析单元将所述硬件特征中传感器信号转换为低维度特征,获得低维度硬件特征;基于所述系统分析单元将所述系统特征中系统版本、网络环境以及系统运行速率转换为低维度特征,获得低维度系统特征;基于所述接口分析单元将所述接口特征中接口电平参数以及接口状态转换为低维度特征,获得低维度接口特征;基于所述环境分析单元将所述环境特征中包含预设温湿度对应场景下的设备状态转换为低维度特征,获得低维度环境特征;根据所述低维度硬件特征、所述低维度系统特征、所述低维度接口特征以及所述低维度环境特征确定低维度特征集合。
需说明的是,基于硬件分析单元将所述硬件特征中传感器信号转换为低维度特征,获得低维度硬件特征;基于系统分析单元将所述系统特征中系统版本、网络环境以及系统运行速率转换为低维度特征,获得低维度系统特征;基于接口分析单元将所述接口特征中接口电平参数以及接口状态转换为低维度特征,获得低维度接口特征;基于环境分析单元将所述环境特征中包含预设温湿度对应场景下的设备状态转换为低维度特征,获得低维度环境特征;根据所述低维度硬件特征、所述低维度系统特征、所述低维度接口特征以及所述低维度环境特征确定低维度特征集合。
可理解的是,通过不同的分析单元对不同的数据特征进行分析,可以有效避免由于特征类型数量过多导致模型处理效率低的问题,而本申请中的各个分析单元都是由神经网络算法构建的。因此本方案通过构建不同的分析模块对特征进行异常分析,相较于现有技术本方案能够实现更加精准的异常分析,以使结果更加精准,避免由于特征关联性导致的判断误差。
具体实现中,本方案通过异常分析模块中包含的硬件分析单元、系统分析单元、接口分析单元以及环境分析单元对特征进行异常分析,其中基于硬件分析单元将所述硬件特征中传感器信号转换为低维度特征,获得低维度硬件特征;基于系统分析单元将系统特征中系统版本、网络环境以及系统运行速率转换为低维度特征,获得低维度系统特征;基于接口分析单元将接口特征中接口电平参数以及接口状态转换为低维度特征,获得低维度接口特征;基于环境分析单元将环境特征中包含预设温湿度对应场景下的设备状态转换为低维度特征,获得低维度环境特征;根据低维度硬件特征、低维度系统特征、低维度接口特征以及低维度环境特征确定低维度特征集合。
步骤S303:对所述异常特征集合进行多模态异常分析,获得异常分析结果。
具体实现中,对所述异常特征集合进行多模态异常分析,获得异常分析结果。所述异常分析结果包含异常问题对应的风险系数以及异常特征。
进一步地,所述步骤S303还包括:将所述异常特征集合中的异常特征进行特征融合,获得多模态异常融合特征;基于时序预测算法对所述多模态异常融合特征的风险系数进行预测,获得预测结果;根据所述预测结果对所述多模态异常融合特征对应的异常问题进行优先级排序,获得异常分析结果。
需说明的是,将异常特征集合中的异常特征进行特征融合,获得多模态异常融合特征;基于时序预测算法对多模态异常融合特征的风险系数进行预测,获得预测结果;根据预测结果对多模态异常融合特征对应的异常问题进行优先级排序,获得异常分析结果。
可理解的是,时序预测算法可以是预先设置的用于根据时间进行预测的模型,通过时间序列对异常融合特征的风险系数进行预测,其中预测可以是根据异常融合特征中异常特征类型以及出现频率进行风险预测,从而确定不同类型的异常特征对应的风险系数,进而根据风险系数对异常问题进行优先级排序,以便于维修检测人员优先处理问题风险大的问题。
具体实现中,将异常特征集合中的异常特征进行特征融合,获得多模态异常融合特征;基于时序预测算法对多模态异常融合特征的风险系数进行预测,获得预测结果;根据预测结果对多模态异常融合特征对应的异常问题进行优先级排序,获得异常分析结果。
本实施例对待出厂的智能通信设备分别进行硬件测试、系统测试、接口测试以及环境测试,获得各测试项目对应的测试数据集合;对所述测试数据集合进行预处理,获得预处理后的目标数据集合;基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果,所述预设异常检测模型是基于OC-SVM算法构建的模型;基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台,本实施例通过对智能通信设备进行多种场景的测试,并对测试数据进行预处理,从而根据预设异常检测模型对预处理后的数据集合进行异常分析,相较于通过人工逐台检测的方式,不能实现多种测试场景的集中测试,检测成本较高,导致产品检测周期较长,影响出厂效率,本实施例能够精准确定存在异常问题的智能通信设备,并将异常问题对应的分析结果反馈至预设管理平台,以便于维修人员进一步检测,从而提升了检测效率,缩短产品出厂周期。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有智能通信设备异常检测程序,所述智能通信设备异常检测程序被处理器执行时实现如上文所述的智能通信设备异常检测方法的步骤。
参照图4,图4为本发明智能通信设备异常检测装置第一实施例的结构框图。
如图4所示,本发明实施例提出的智能通信设备异常检测装置包括:
运行测试模块10,用于对待出厂的智能通信设备分别进行硬件测试、系统测试、接口测试以及环境测试,获得各测试项目对应的测试数据集合;
数据预处理模块20,用于对所述测试数据集合进行预处理,获得预处理后的目标数据集合;
异常分析模块30,用于基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果,所述预设异常检测模型是基于OC-SVM算法构建的模型;
异常反馈模块40,用于基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台。
本实施例对待出厂的智能通信设备分别进行硬件测试、系统测试、接口测试以及环境测试,获得各测试项目对应的测试数据集合;对所述测试数据集合进行预处理,获得预处理后的目标数据集合;基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果,所述预设异常检测模型是基于OC-SVM算法构建的模型;基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台,本实施例通过对智能通信设备进行多种场景的测试,并对测试数据进行预处理,从而根据预设异常检测模型对预处理后的数据集合进行异常分析,相较于通过人工逐台检测的方式,不能实现多种测试场景的集中测试,检测成本较高,导致产品检测周期较长,影响出厂效率,本实施例能够精准确定存在异常问题的智能通信设备,并将异常问题对应的分析结果反馈至预设管理平台,以便于维修人员进一步检测,从而提升了检测效率,缩短产品出厂周期。
进一步地,所述数据预处理模块20还用于根据所述测试数据集合对应的属性信息对所述测试数据集合中缺失数据以及噪声数据进行数据清洗,获得清洗后的第一数据集合;对所述第一数据集合中冗余数据以及匹配数据进行数据集成,获得集成后的第二数据集合;对所述第二数据集合中非数值类数据进行数值变换处理,获得数据变换后的第三数据集合;对所述第三数据集合中的数据进行中心化以及缩放处理,获得数据白化后的第四数据集合;对所述第四数据集合进行压缩,获得数据归约后的目标数据集合。
进一步地,所述异常分析模块30还用于基于预设异常检测模型中的特征提取模块对所述目标数据集合进行特征提取,获得硬件特征、系统特征、接口特征以及环境特征;基于所述预设异常检测模型中的异常分析模块对所述硬件特征、所述系统特征、所述接口特征以及所述环境特征进行异常分析,获得异常特征集合;对所述异常特征集合进行多模态异常分析,获得异常分析结果。
进一步地,所述异常分析模块30还用于将所述异常特征集合中的异常特征进行特征融合,获得多模态异常融合特征;基于时序预测算法对所述多模态异常融合特征的风险系数进行预测,获得预测结果;根据所述预测结果对所述多模态异常融合特征对应的异常问题进行优先级排序,获得异常分析结果。
进一步地,所述异常分析模块30还用于基于所述预设异常检测模型中的异常分析模块将所述硬件特征、所述系统特征、所述接口特征以及所述环境特征转换为低维度空间的特征,获得低维度特征集合;将所述低维度特征集合与预设标准特征进行对比,根据对比结果判定所述低维度特征集合中是否存在异常,并将存在异常的低维度特征作为新的异常特征集合。
进一步地,所述异常分析模块由硬件分析单元、系统分析单元、接口分析单元以及环境分析单元构成,所述异常分析模块30还用于基于所述硬件分析单元将所述硬件特征中传感器信号转换为低维度特征,获得低维度硬件特征;基于所述系统分析单元将所述系统特征中系统版本、网络环境以及系统运行速率转换为低维度特征,获得低维度系统特征;基于所述接口分析单元将所述接口特征中接口电平参数以及接口状态转换为低维度特征,获得低维度接口特征;基于所述环境分析单元将所述环境特征中包含预设温湿度对应场景下的设备状态转换为低维度特征,获得低维度环境特征;根据所述低维度硬件特征、所述低维度系统特征、所述低维度接口特征以及所述低维度环境特征确定低维度特征集合。
进一步地,所述异常反馈模块40还用于基于所述异常分析结果中异常特征出现频率与预设频率进行对比,获得频率对比结果;根据所述频率对比结果判断所述智能通信设备是否满足预设出厂条件,获得判断结果;若所述智能通信设备不满足所述预设出厂条件,则将所述异常分析结果反馈预设管理平台。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的智能通信设备异常检测方法,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种智能通信设备异常检测方法,其特征在于,所述智能通信设备异常检测方法包括以下步骤:
对待出厂的智能通信设备分别进行硬件测试、系统测试、接口测试以及环境测试,获得各测试项目对应的测试数据集合;
对所述测试数据集合进行预处理,获得预处理后的目标数据集合;
基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果,所述预设异常检测模型是基于OC-SVM算法构建的模型;
基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台;
所述基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果的步骤,包括:
基于预设异常检测模型中的特征提取模块对所述目标数据集合进行特征提取,获得硬件特征、系统特征、接口特征以及环境特征;
基于所述预设异常检测模型中的异常分析模块对所述硬件特征、所述系统特征、所述接口特征以及所述环境特征进行异常分析,获得异常特征集合;
将所述异常特征集合中的异常特征进行特征融合,获得多模态异常融合特征;
基于时序预测算法对所述多模态异常融合特征的风险系数进行预测,获得预测结果;
根据所述预测结果对所述多模态异常融合特征对应的异常问题进行优先级排序,获得异常分析结果。
2.如权利要求1所述的智能通信设备异常检测方法,其特征在于,所述对所述测试数据集合进行预处理,获得预处理后的目标数据集合的步骤,包括:
根据所述测试数据集合对应的属性信息对所述测试数据集合中缺失数据以及噪声数据进行数据清洗,获得清洗后的第一数据集合;
对所述第一数据集合中冗余数据以及匹配数据进行数据集成,获得集成后的第二数据集合;
对所述第二数据集合中非数值类数据进行数值变换处理,获得数据变换后的第三数据集合;
对所述第三数据集合中的数据进行中心化以及缩放处理,获得数据白化后的第四数据集合;
对所述第四数据集合进行压缩,获得数据归约后的目标数据集合。
3.如权利要求1所述的智能通信设备异常检测方法,其特征在于,所述基于所述预设异常检测模型中的异常分析模块对所述硬件特征、所述系统特征、所述接口特征以及所述环境特征进行异常分析,获得异常特征集合的步骤,包括:
基于所述预设异常检测模型中的异常分析模块将所述硬件特征、所述系统特征、所述接口特征以及所述环境特征转换为低维度空间的特征,获得低维度特征集合;
将所述低维度特征集合与预设标准特征进行对比,根据对比结果判定所述低维度特征集合中是否存在异常,并将存在异常的低维度特征作为新的异常特征集合。
4.如权利要求3所述的智能通信设备异常检测方法,其特征在于,所述异常分析模块由硬件分析单元、系统分析单元、接口分析单元以及环境分析单元构成;所述基于所述预设异常检测模型中的异常分析模块将所述硬件特征、所述系统特征、所述接口特征以及所述环境特征转换为低维度空间的特征,获得低维度特征集合的步骤,包括:
基于所述硬件分析单元将所述硬件特征中传感器信号转换为低维度特征,获得低维度硬件特征;
基于所述系统分析单元将所述系统特征中系统版本、网络环境以及系统运行速率转换为低维度特征,获得低维度系统特征;
基于所述接口分析单元将所述接口特征中接口电平参数以及接口状态转换为低维度特征,获得低维度接口特征;
基于所述环境分析单元将所述环境特征中包含预设温湿度对应场景下的设备状态转换为低维度特征,获得低维度环境特征;
根据所述低维度硬件特征、所述低维度系统特征、所述低维度接口特征以及所述低维度环境特征确定低维度特征集合。
5.如权利要求1所述的智能通信设备异常检测方法,其特征在于,所述基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台的步骤,包括:
基于所述异常分析结果中异常特征出现频率与预设频率进行对比,获得频率对比结果;
根据所述频率对比结果判断所述智能通信设备是否满足预设出厂条件,获得判断结果;
若所述智能通信设备不满足所述预设出厂条件,则将所述异常分析结果反馈预设管理平台。
6.一种智能通信设备异常检测设备,其特征在于,所述智能通信设备异常检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能通信设备异常检测程序,所述智能通信设备异常检测程序被所述处理器执行时实现如权利要求1至5中任一项所述的智能通信设备异常检测方法。
7.一种存储介质,其特征在于,所述存储介质上存储有智能通信设备异常检测程序,所述智能通信设备异常检测程序被处理器执行时实现如权利要求1至5中任一项所述的智能通信设备异常检测方法。
8.一种智能通信设备异常检测装置,其特征在于,所述智能通信设备异常检测装置包括:
运行测试模块,用于对待出厂的智能通信设备分别进行硬件测试、系统测试、接口测试以及环境测试,获得各测试项目对应的测试数据集合;
数据预处理模块,用于对所述测试数据集合进行预处理,获得预处理后的目标数据集合;
异常分析模块,用于基于预设异常检测模型对所述目标数据集合进行多模态异常分析,获得异常分析结果,所述预设异常检测模型是基于OC-SVM算法构建的模型;
异常反馈模块,用于基于所述异常分析结果判断所述智能通信设备是否满足预设出厂条件,并将判断结果和所述异常分析结果反馈至预设管理平台;
所述异常分析模块,还用于基于预设异常检测模型中的特征提取模块对所述目标数据集合进行特征提取,获得硬件特征、系统特征、接口特征以及环境特征;基于所述预设异常检测模型中的异常分析模块对所述硬件特征、所述系统特征、所述接口特征以及所述环境特征进行异常分析,获得异常特征集合;将所述异常特征集合中的异常特征进行特征融合,获得多模态异常融合特征;基于时序预测算法对所述多模态异常融合特征的风险系数进行预测,获得预测结果;根据所述预测结果对所述多模态异常融合特征对应的异常问题进行优先级排序,获得异常分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311387704.4A CN117112336B (zh) | 2023-10-25 | 2023-10-25 | 智能通信设备异常检测方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311387704.4A CN117112336B (zh) | 2023-10-25 | 2023-10-25 | 智能通信设备异常检测方法、设备、存储介质及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117112336A CN117112336A (zh) | 2023-11-24 |
CN117112336B true CN117112336B (zh) | 2024-01-16 |
Family
ID=88798831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311387704.4A Active CN117112336B (zh) | 2023-10-25 | 2023-10-25 | 智能通信设备异常检测方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117112336B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117309433B (zh) * | 2023-11-30 | 2024-02-27 | 锦图计算技术(深圳)有限公司 | 基于智能座舱的车载智能硬件功能安全检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763681A (zh) * | 2018-05-16 | 2018-11-06 | 华北水利水电大学 | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 |
CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
CN113110961A (zh) * | 2021-04-30 | 2021-07-13 | 平安国际融资租赁有限公司 | 设备异常检测方法、装置、计算机设备及可读存储介质 |
CN115424106A (zh) * | 2022-09-06 | 2022-12-02 | 美的集团股份有限公司 | 台车检测方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8359494B2 (en) * | 2002-12-18 | 2013-01-22 | Globalfoundries Inc. | Parallel fault detection |
DE102006017824B4 (de) * | 2006-04-13 | 2018-10-11 | Dspace Digital Signal Processing And Control Engineering Gmbh | Methode zum Konstruieren einer Diagnosefunktion |
CN112204578B (zh) * | 2018-03-28 | 2024-04-02 | 辉达公司 | 使用机器学习在数据接口上检测数据异常 |
-
2023
- 2023-10-25 CN CN202311387704.4A patent/CN117112336B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763681A (zh) * | 2018-05-16 | 2018-11-06 | 华北水利水电大学 | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 |
CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
CN113110961A (zh) * | 2021-04-30 | 2021-07-13 | 平安国际融资租赁有限公司 | 设备异常检测方法、装置、计算机设备及可读存储介质 |
CN115424106A (zh) * | 2022-09-06 | 2022-12-02 | 美的集团股份有限公司 | 台车检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117112336A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
CN110008082B (zh) | 异常任务智能监测方法、装置、设备及存储介质 | |
CN114742477B (zh) | 企业订单数据处理方法、装置、设备及存储介质 | |
US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
CN112765003B (zh) | 一种基于app行为日志的风险预测方法 | |
JP3718765B2 (ja) | プラント診断装置 | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN111310351B (zh) | 车间设备的状态监测方法、装置、终端设备及存储介质 | |
CN113469151B (zh) | 工业制造中传感器的筛选方法、装置、设备及介质 | |
CN114996258A (zh) | 一种基于数据仓库的接触网故障诊断方法 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN114202256A (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN113836806A (zh) | 一种phm模型构建方法、系统、存储介质及电子设备 | |
CN111212434B (zh) | 一种wifi模组质量预测方法、装置、设备及存储介质 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN116955071A (zh) | 故障分类方法、装置、设备及存储介质 | |
CN113689020A (zh) | 业务信息预测方法、装置、计算机设备和存储介质 | |
CN116126807A (zh) | 一种日志分析方法及相关装置 | |
CN113535458B (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN111078966B (zh) | 液压机远程故障诊断方法、装置和存储介质 | |
CN114355234A (zh) | 一种电源模块的智能化质量检测方法及系统 | |
CN113869373A (zh) | 设备异常检测方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |