CN117827568A - 测试设备稳定性的监控方法、装置、电子设备和存储介质 - Google Patents
测试设备稳定性的监控方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117827568A CN117827568A CN202211181015.3A CN202211181015A CN117827568A CN 117827568 A CN117827568 A CN 117827568A CN 202211181015 A CN202211181015 A CN 202211181015A CN 117827568 A CN117827568 A CN 117827568A
- Authority
- CN
- China
- Prior art keywords
- test
- target
- determining
- outlier factor
- characteristic value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 349
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 62
- 239000006185 dispersion Substances 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000013101 initial test Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000003908 quality control method Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 101100440934 Candida albicans (strain SC5314 / ATCC MYA-2876) CPH1 gene Proteins 0.000 description 2
- 101100273252 Candida parapsilosis SAPP1 gene Proteins 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003326 Quality management system Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请涉及一种测试设备稳定性的监控方法、装置、电子设备和存储介质,应用于生产质量控制技术领域,其中,方法包括:获取至少两个测试设备各自发送的目标测试数据;根据所述目标测试数据确定各所述测试设备的特征值,所述特征值用于指示所述目标测试数据的离散度;确定每个所述特征值的离群因子,所述离群因子用于指示所述特征值与其他特征值之间的疏密关系;确定目标离群因子对应的所述测试设备为异常测试设备,所述目标离群因子为不满足预设条件的所述离群因子。以解决现有技术中,采用MSA判定测试设备的稳定性的方式,只能针对单个测试设备逐一进行实验判定,实验方案复杂,周期较长的问题。
Description
技术领域
本申请涉及生产质量控制技术领域,尤其涉及一种测试设备稳定性的监控方法、装置、电子设备和存储介质。
背景技术
为提高产品出厂的合格率,产品在生产加工过程中通常存在测试环节,随着智能化的发展,大量生产自动化设备导入,质量关注点由人员执行力向设备稳定性聚焦,意味着质量要求升级,测试设备稳定性能否及时被识别评估显得至关重要。
发明内容
本申请提供了一种测试设备稳定性的监控方法、装置、电子设备和存储介质,用以解决现有技术中,采用MSA判定测试设备的稳定性的方式,只能针对单个测试设备逐一进行实验判定,实验方案复杂,周期较长的问题。
第一方面,本申请实施例提供了一种测试设备稳定性的监控方法,包括:
获取至少两个测试设备各自发送的目标测试数据;
根据所述目标测试数据确定各所述测试设备的特征值,所述特征值用于指示所述目标测试数据的离散度;
确定每个所述特征值的离群因子,所述离群因子用于指示所述特征值与其他特征值之间的疏密关系;
确定目标离群因子对应的所述测试设备为异常测试设备,所述目标离群因子为不满足预设条件的所述离群因子。
可选的,所述获取至少两个测试设备各自发送的目标测试数据,包括:
获取每个所述测试设备发送的至少一个测试项目的初始测试数据;
从所述初始测试数据中,筛选得到目标测试项目对应所述目标测试数据,所述目标测试项目为至少一个所述测试项目中与所述测试设备出现异常情况的关联性最高的测试项目。
可选的,确定与所述测试设备异常关联性最高的测试项目的过程,包括:
获取实验数据,所述实验数据是基于具有至少一个异常项目的所述测试设备进行实验后得到的,所述实验数据中包括所述至少一个测试项目;
基于所述实验数据计算所述异常项目与所述至少一个测试项目间的关联度;
确定所述关联度最大的所述测试项目为所述目标测试项目。
可选的,各所述目标测试数据中包括至少两条测试数据,所述根据所述目标测试数据确定各所述测试设备的特征值,包括:
基于所述至少两条测试数据计算得到测试均值和测试标准差;
确定所述测试均值和测试标准差为所述特征值。
可选的,所述确定每个所述特征值的离群因子,包括:
计算每个所述特征值与邻域特征值间的可达距离,所述邻域特征值为所述特征值预设邻域内的特征值;
基于所述可达距离计算得到所述特征值的第一局部可达密度;
计算每个所述邻域特征值的第二局部可达密度;
基于所述第一局部可达密度和所述第二局部可达密度,计算得到所述离群因子。
可选的,所述确定目标离群因子,包括:
筛选所述离群因子中大于预设阈值的第一离群因子;
确定所述第一离群因子为所述目标离群因子;或,确定置信度高于第二预设阈值的所述第一离群因子为所述目标离群因子。
可选的,所述确定不满足预设条件的所述离群因子对应的所述测试设备为异常测试设备之后,还包括:
获取所述异常测试设备的设备信息;
将所述特征值的分布情况与所述设备信息进行显示。
第二方面,本申请实施例提供了一种测试设备稳定性的监控装置,包括:
获取模块,用于获取至少两个测试设备各自发送的目标测试数据;
第一确定模块,用于根据所述目标测试数据确定各所述测试设备的特征值,所述特征值用于指示所述目标测试数据的离散度;
第二确定模块,用于确定每个所述特征值的离群因子,所述离群因子用于指示所述特征值与其他特征值之间的疏密关系;
第三确定模块,用于确定不满足预设条件的所述离群因子对应的所述测试设备为异常测试设备。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的测试设备稳定性的监控方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的测试设备稳定性的监控方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,通过获取至少两个测试设备各自发送的目标测试数据;根据所述目标测试数据确定各所述测试设备的特征值,所述特征值用于指示所述目标测试数据的离散度;确定每个所述特征值的离群因子,所述离群因子用于指示所述特征值与其他特征值之间的疏密关系;确定目标离群因子对应的所述测试设备为异常测试设备,所述目标离群因子为不满足预设条件的所述离群因子。如此,在需要对测试设备进行稳定性判定时,能够基于多个测试设备的测试数据进行判定,提高了测试设备稳定性判定的准确性,通过获取的目标测试数据的特征值计算得到的离群因子,确定每个测试设备的测试数据与其他测试数据间的疏密关系,从而确定异常测试设备,能够实现测试设备的实时监控,提高了了测试设备的监控效率,进而能够减少出厂设备的次品率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的测试设备稳定性的监控方法的应用场景图;
图2为本申请一实施例提供的测试设备稳定性的监控方法的流程图;
图3为本申请一实施例提供的测试设备稳定性的监控方法中特征值构成的二维散点图;
图4为本申请一实施例提供的测试设备稳定性的监控方法的测试设备显示示意图;
图5为本申请一实施例提供的测试设备稳定性的监控装置的结构图;
图6为本申请一实施例提供的电子设备的结构图。
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,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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。
本申请发明人发现,不同型号的产品其测试设备各不相同但具有同一特性:均为机加组合件。使用过程中随着时间流逝各部分存在不同程度的损耗,表现为测试设备的不稳定性。TS16949质量管理体系标准中对测试设备稳定性的判定采用经典的质量工具-测量系统分析(MSA)。其通过统计分析的手段,对构成测量系统的各个影响因子进行统计变差分析和研究以得到测量系统是否准确可靠的结论,是质量改进中的一项重要工作。MSA在进行设备稳定性判定前需要进行一系列的准备工作,包括准备实验样本、制定实验方案、实施实验方案等,获取实验数据后输入minitab软件中获得稳定性判定结果。MSA可以用来判定测试设备的稳定性,通过实验验证和产品质量相关数据的表现,结果表明测试设备的不良(一定程度的损耗)会引起产品测试误判,造成人力产能等不必要的浪费。
但MSA通常是针对单个测试设备逐一进行实验判定,实验方案复杂,周期较长。且一般每半年/年进行一次,无法对测试设备进行持续有效的监控。实际工业生产过程中涉及的测试设备上百台,逐一采用MSA进行判定耗时耗力,应用价值较小。
基于上述技术问题,本申请提供了一种测试设备稳定性的监控方法、装置、电子设备和存储介质,用以解决现有技术中,采用MSA判定测试设备的稳定性的方式,只能针对单个测试设备逐一进行实验判定,实验方案复杂,周期较长的问题。
根据本申请一实施例提供了一种测试设备稳定性的监控方法。可选地,在本申请实施例中,上述测试设备稳定性的监控方法可以应用于如图1所示的由终端101和服务器102所构成的硬件环境中。如图1所示,服务器102通过网络与终端101进行连接,可用于为终端或终端上安装的客户端提供服务(如应用服务等),可在服务器上或独立于服务器设置数据库,用于为服务器102提供数据存储服务,上述网络包括但不限于:广域网、城域网或局域网,终端101并不限定于PC、手机、平板电脑等。
本申请实施例的测试设备稳定性的监控方法可以由服务器102来执行,也可以由终端101来执行,还可以是由服务器102和终端101共同执行。其中,终端101执行本申请实施例的测试设备稳定性的监控方法,也可以是由安装在其上的客户端来执行。
以终端执行本申请实施例的测试设备稳定性的监控方法为例,图2是根据本申请实施例的一种可选的测试设备稳定性的监控方法的流程示意图,如图2所示,该方法的流程可以包括以下步骤:
步骤201、获取至少两个测试设备各自发送的目标测试数据。
一些实施例中,对于每个测试设备其测试的异常项目可能不止一项,对每个异常项目得到的测试结果可能也不止一项。测试设备通常配置为满足预设测试条件后,判定被测产品为合格。其中,异常项目可以是在产品在生产或测试程中产生的。
基于此,测试设备在每次测试后,从得到的测试数据中先选取出测试结果为合格的测试数据,从合格的测试数据中,选择目标测试数据,能够降低测试设备监控过程的计算量,提高测试设备的监控效率。
其中,目标测试数据可以是,与所述测试设备异常关联性最高的测试项目对应测试数据。因此,可以通过从测试数据中进行筛选的方式,得到所述目标测试数据。
在一个实施例中,所述获取至少两个测试设备各自发送的目标测试数据,包括:
获取每个所述测试设备发送的至少一个测试项目的初始测试数据;从所述初始测试数据中,筛选得到目标测试项目对应所述目标测试数据,所述目标测试项目为至少一个所述测试项目中与所述测试设备异常关联性最高的测试项目。
一些实施例中,通过确定的目标测试数据对测试设备进行测试,不必对每个测试项目对应的测试数据都进行计算,能够降低测试设备监控过程的计算量,提高测试设备的监控效率。
在一个可选实施例中,确定目标测试项目的方式有多种,例如可以采用如下方式:
获取实验数据,所述实验数据是基于具有至少一个异常项目的所述测试设备进行实验后得到的,所述实验数据中包括所述至少一个测试项目;基于所述实验数据计算所述异常项目与所述至少一个测试项目间的关联度;确定所述关联度最大的所述测试项目为所述目标测试项目。
针对测试设备结构设计,整理结构中易出现损耗或异常的组成部件,形成待识别点(即异常项目)。同时收集测试数据,梳理测试项目并按照占比排序。待识别点和测试项目之间是否存在某些联系,需要通过建立两者之间的相关性来识别。识别方法采用spearman检验的相关性分析方法。
示例性的,以某一5G重点产品为例,对其测试设备异常点(即异常项目)进行梳理,总共整理出射频顶针接触不良、连接器射频头脏污、连接器松动、盖板压合不到位和线损偏大五类异常的待识别点。产品的测试项较多,其中额定功率与发射功率差值、ACPR值和通道衰减值这三项在日常工作中易出现失败项,但与测试设备异常是否存在强相关性以及相关程度的大小需要进行识别。Spearman检验可以有效进行识别,具体操作如下:
第一步:收集数据,以测试设备的异常点获取各测试项的测试值。1代表发生此异常,0为无此异常,记录各异常组合下三个测试项对应的测试结果值,如下表1所示。
表1:
射频顶针接触不良 | 连接器射频头脏污 | 连接器松动 | 盖板压合不到位 | 线损偏大 | 额定功率与发射功率差 | ACPR | 通道衰减值 |
0 | 1 | 0 | 1 | 0 | 1.70280444 | 0.006381708 | 0.980078651 |
1 | 0 | 0 | 1 | 1 | 2.818235848 | 3.843687928 | 2.91573384 |
0 | 1 | 1 | 1 | 0 | 3.399860791 | 2.93785264 | 0.736428057 |
1 | 1 | 0 | 0 | 1 | 2.648438002 | 3.705919563 | 3.398355875 |
1 | 0 | 0 | 0 | 1 | 2.555028645 | 3.584639797 | 2.870295412 |
1 | 1 | 1 | 0 | 1 | 4.938235888 | 6.614836929 | 3.539691456 |
0 | 0 | 0 | 0 | 0 | 0.756547159 | 0.6648052 | 0.384390424 |
1 | 0 | 0 | 0 | 1 | 2.610302255 | 3.723078873 | 2.84260912 |
1 | 0 | 1 | 1 | 1 | 4.856582596 | 5.891343443 | 3.856036774 |
0 | 1 | 1 | 1 | 1 | 4.833626016 | 6.191684782 | 1.799196155 |
1 | 0 | 0 | 1 | 1 | 2.697139705 | 3.573187012 | 3.658709513 |
1 | 0 | 0 | 0 | 1 | 1.953625623 | 3.487844005 | 3.308394247 |
0 | 1 | 1 | 0 | 0 | 3.523637183 | 2.647217455 | 0.939496616 |
0 | 0 | 1 | 0 | 1 | 3.166051328 | 6.475003636 | 1.481067092 |
0 | 1 | 0 | 0 | 0 | 1.085072724 | 0.532663082 | 0.498257642 |
0 | 0 | 0 | 0 | 0 | 0.301617934 | 0.24036499 | 0.448752435 |
1 | 0 | 1 | 1 | 0 | 4.789856265 | 3.45209561 | 2.446682263 |
1 | 1 | 1 | 1 | 1 | 5.731447747 | 6.496061344 | 2.970032077 |
1 | 0 | 1 | 1 | 0 | 4.404057884 | 3.108479774 | 2.999541133 |
0 | 1 | 0 | 0 | 0 | 0.829544213 | 0.986510969 | 0.713987215 |
第二步:编写spearman检验核心计算公式部分的代码,x为自变量,分别代表测试设备的异常点,y为因变量,分别代表受影响的三个测试项。x、y作为模型的输入进行计算,得到两者之间的相关系数和概率值。
计算公式为:
相关系数
其中,i表示每组测试数据中的第i条测试数据,x表示异常点数据,y表示测试项目数据。
基于上述方式,计算得到的测试设备异常和三个测试项之间的相关程度结果表,表2为spearman相关系数表,数值越大表示异常点和测试项之间的相关程度越高,从表中可以看出额定功率与发射功率差这一测试项与每一个异常点均有相关性且相关程度较高。
表2:
进一步的,异常点和测试项之间的相关性的概率值可以基于卡方分布进行计算。
表3为概率值结果表,也为P值,P<0.05,表示两者之间存在强相关性,P值越大,异常点和测试项之间的相关程度越低,与spearman相关系数呈对应关系。
表3
因此,通过上述两张结果表2和表3,可以得出额定功率与发射功率差最易受工位环境影响,其测试值可以用于后续分析。针对每一类型/机型产品都可采用以上方式选择合适的待分析数据。
步骤202、根据所述目标测试数据确定各所述测试设备的特征值,所述特征值用于指示所述目标测试数据的离散度。
一些实施例中,各所述目标测试数据中包括至少两条测试数据,所述根据所述目标测试数据确定各所述测试设备的特征值,包括:
基于所述至少两条测试数据计算得到测试均值和测试标准差;确定所述测试均值和测试标准差为所述特征值。
为使后续异常检测时的数据特征更加显著,本实施例中,采用特征工程构造的方法,从目标测试数据中获取更好的数据特征,以提升检测效果。由于,测试设备通过测试数据确定产品是否合格,同样的,异常测试设备的识别也可以转化为测试项测试数据的异常波动,而异常波动的体现则由目标测试数据的特征向量来表征。
为了更好描述一组数据的特征分布,可以采用统计学中常用原点矩和中心矩指标来表征,数学中也称为均值和标准差。因此,可以用测试设备的一组测试数据的原点矩和中心矩这两个特征,用于表征测试设备的水平,这组特征值作为异常点检测的输入,从而,将测试设备异常的识别转化为多组特征值的异常识别。
步骤203、确定每个所述特征值的离群因子,所述离群因子用于指示所述特征值与其他特征值之间的疏密关系。
其中,对于每种产品和其各个测试工序,按照上述方式选择对应的测试项,测试项对应的测试值在测试通过的范围内波动。由上述分析可知,测试设备测试的一组生产测试数据在一定程度上可代表测试设备水平,而一组数据的质量水平从统计学角度分析可通过均值和标准差体现。因此以测试设备维度,计算每个测试设备测试的一组数据的均值和标注差,对于测试通过的同一类型产品,其数据波动是在设定的范围内且符合同一正态分布的。
基于上述实施例,在设定范围内波动的多组数据(即至少两个测试设备的目标测试数据)中如果出现一组或少数几组较大程度的偏移,表现为均值和标注差的偏移,则可认为是由测试设备异常导致测试数据的波动。对所有测试设备的测试数据同时进行计算和分析,其中某一个或几个的偏移在群体中表现为异常点,因此可采用异常点检测算法进行识别。
本实施例中,采用局部离群因子(LOF)检测算法进行应用,以检测异常测试设备。按照上述相关实施例,筛选出的目标测试数据,并按照测试设备计算均值和标准差,形成二维散点图,参见图3。图3中,一个点代表一个测试设备测试一组目标测试数据得到的均值和标准差。
假设p为待判定的点,定义d(p,o)为p和o两点之间的距离,集合C为所有待判定的点(即所有目标测试数据的特征值所在的点)。定义k-distance为第k距离,dk(p)=d(p,o),并且满足:
在集合C中至少有不包括p在内的k个点o’,满足d(p,o’)≤d(p,o);
在集合C中最多有不包括p在内的k-1个点o’,满足d(p,o’)<d(p,o);
则p的第k距离也就是距离p第k远的点的距离。设定p的第k距离内(包括第k距离)的所有点为点p的第k距离领域Nk(p)。点o到点p的第k可达距离定义为:
reach-dis tan cek(p,o)=max{k-dis tan ce(o),d(p,o)}
点o到点p的第k可达距离,至少是o的第k距离或者为o、p之间的真实距离。其中离o最近的k个点,o到它们的可达距离被认为相等,且都等于dk(o),则点p的第k领域内的点到p的距离之和的计算公式为:
点p的局部可达密度表示为点p的平均可达距离的倒数:
同理,可得到点p的领域内点o的局部可达密度为lrdk(o),领域内的所有点的局部可达密度与点p的局部可达密度之比的和为:
点p的局部离群因子则表示为点p的领域内的局部可达密度与点p的局部可达密度之比的平均数:
根据以上公式计算出每一个点的离群因子值,可通过离群因子值与值1的关系判定p的离群特征,若比值越接近1,说明p的其领域点的密度差不多,p可能与领域同属一簇;若比值越小于1,说明p的密度高于其领域点的密度,p为密集点;若比值越大于1,说明p的密度小于其领域点密度,p越可能为异常点。
步骤204、确定目标离群因子对应的所述测试设备为异常测试设备,所述目标离群因子为不满足预设条件的所述离群因子。
一些实施例中,在计算得到离群因子后,可以通过确定其中不满足预设条件的目标离群因子,从而确定目标离群因子对应的测试设备为异常测试设备,进而实现测试设备的监控。
在一个可选实施例中,所述确定目标离群因子,包括:
筛选所述离群因子中大于预设阈值的第一离群因子;
确定所述第一离群因子为所述目标离群因子;或,确定置信度高于第二预设阈值的所述第一离群因子为所述目标离群因子。
一些实施例中,在计算得到离群因子后,可以通过设置预设阈值的方式,将大于第一预设阈值的离群因子作为异常的离群因子。
为提高目标离群因子确定的准确性及精度,优化参数调整判异阈值的基础上增加置信度的方式。
LOF用于检测离群点,把大部分数据的分布情况作为目前能力,不同于当前能力的数据,由异常情况产生的可能性较大,原因需进一步分析。当数据离群后,置信度达到99.73%才判异,进一步优化离群判断结果。
优选的,可以采用3sigma原则对离群因子进行处理,3sigma又称为标准差法,在统计学上,标准差本身可以体现因子的离散程度,是基于因子的平均值Xmean而定的。3sigma原则表示数值有99.73%的概率落在群体中,凡超过这个区间的误差,就不属于随机误差而是粗大误差,因此属于异常点。
示例性的,将置信度设置为99.73%,跟踪判异的结果对该异常点对应的测试设备进行排查分析,发现该测试设备的对应通道的射频线缆有松动现象,松动现象导致线缆接触不良,仪表读取到的发射功率值偏小,该指标值与正常相比偏小。松动现象除了造成测试数据偏移外,未及时发现的情况下会增加该测试设备复测率,造成测试工时和人力成本增加。对该测试设备进行整改后,观察该测试设备的测试数据,整体数据恢复正常。
在一个可选实施例中,所述确定不满足预设条件的所述离群因子对应的所述测试设备为异常测试设备之后,还包括:
获取所述异常测试设备的设备信息;将所述特征值的分布情况与所述设备信息进行显示。
一些实施例中,在监测到异常测试设备后,为便于相关人员及时获知,通过将异常测试设备的设备信息进行显示,能够使相关人员更加直观的了解到异常测试设备的设备信息,进而采取相应的手段进行维修。
后端可以通过API接口获取生产测试数据,根据产品特点对产品料单代码、通道和频率进行逐一筛选过滤,得到所需数据,输入异常点检测模型中进行计算,并根据前端界面所需展现的数据内容完成python接口的实现。
前端界面采用IOT拖拽式组件实现,具有操作简单,开发快速,界面显示清晰明了的特点。首先要实现多产品选择功能,完成接口输入参数的配置。在选择好对应的产品及测试项参数配置后,显示算法计算得到的结果,以散点图的模式呈现。横轴和纵轴分别为测试设备经过筛选过滤得到一组测试数据计算的均值和标准差,异常点的计算结果通过第三特征体现,如图4所示,图中黑色实心的点为算法判定的正常数据点,黑色空心的点为判异得到的异常测试设备。除了散点图直观展示异常点的离群程度外,还要显示该异常点所包含的异常工位信息以便后续的排查分析。
每个测试设备对每一个产品都会进行多项测试,每一项都有一个测试值及设定的范围。测试完成后会对产品测试通过与否进行一个判定。若产品判定为测试通过,则其测试值在设定的范围内。测试失败的产品,其测试值会超过范围出现较大的偏移,其失败原因有很多,包括产品本身性能异常、测试环境不稳定等,由维修员进行分析判定。而测试通过的产品其测试值在设定的范围内,因此对于同一类型/机型的产品即使在不同的设备进行测试,根据统计学原理,对于测试足够的样本量而言其测试值是符合同一正态分布。
基于以上条件,本申请通过分析测试设备的损耗与测试通过产品的测试值波动之间的关系,基于足够样本量的要求(可选的,数量大于30),选取每个测试设备测试通过的一组产品的测试数据,分别计算每组数据的均值和标准差,用于表征测试设备水平。每组数据的统计量计算值(均值和标准差)形成一个二维数据点,多组数据形成多个数据点,基于局部离群因子检测(LOF)算法对每个数据点计算其离群程度,根据设定的阈值确定离群点,即找到对该组或几组测试数据造成波动的测试设备,并结合实际应用进行算法改进,实现多个测试设备同时监控,用于提前识别设备损耗,及时修正,避免因设备损耗持续恶化造成的产品批量测试不过,从而降低在线生产质量和测试产能的影响。
本申请的测试设备稳定性的监控方法,通过分析生产测试数据和测试设备的相关性,结合生产测试数据特点采用局部离群因子检测算法进行测试设备异常的识别,对所有测试设备进行持续有效的监控,解决了当前仅有测量系统分析判定测试设备的不足之处。同时针对算法应用过程中的精度问题,采用阈值调整和基于3sigma判异原理的限定条件,使其应用更加精确完善。本方法提供从测试设备分析、测试数据计算处理到优化的一系列原理方法,使测试设备监控成为一种全新的管理模式,推动测试设备维护保养升级,进而优化保障机制。
基于同一构思,本申请实施例中提供了一种测试设备稳定性的监控装置,该装置的实施可参见方法实施例部分的描述,重复之处不再赘述,如图5所示,该装置主要包括:
获取模块501,用于获取至少两个测试设备各自发送的目标测试数据;
第一确定模块502,用于根据所述目标测试数据确定各所述测试设备的特征值,所述特征值用于指示所述目标测试数据的离散度;
第二确定模块503,用于确定每个所述特征值的离群因子,所述离群因子用于指示所述特征值与其他特征值之间的疏密关系;
第三确定模块504,用于确定不满足预设条件的所述离群因子对应的所述测试设备为异常测试设备。
基于同一构思,本申请实施例中还提供了一种电子设备,如图6所示,该电子设备主要包括:处理器601、存储器602和通信总线603,其中,处理器601和存储器602通过通信总线603完成相互间的通信。其中,存储器602中存储有可被处理器601执行的程序,处理器601执行存储器602中存储的程序,实现如下步骤:
获取至少两个测试设备各自发送的目标测试数据;
根据所述目标测试数据确定各所述测试设备的特征值,所述特征值用于指示所述目标测试数据的离散度;
确定每个所述特征值的离群因子,所述离群因子用于指示所述特征值与其他特征值之间的疏密关系;
确定目标离群因子对应的所述测试设备为异常测试设备,所述目标离群因子为不满足预设条件的所述离群因子。
上述电子设备中提到的通信总线603可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线603可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器602可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器601的存储装置。
上述的处理器601可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的测试设备稳定性的监控方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种测试设备稳定性的监控方法,其特征在于,包括:
获取至少两个测试设备各自发送的目标测试数据;
根据所述目标测试数据确定各所述测试设备的特征值,所述特征值用于指示所述目标测试数据的离散度;
确定每个所述特征值的离群因子,所述离群因子用于指示所述特征值与其他特征值之间的疏密关系;
确定目标离群因子对应的所述测试设备为异常测试设备,所述目标离群因子为不满足预设条件的所述离群因子。
2.根据权利要求1所述的方法,其特征在于,所述获取至少两个测试设备各自发送的目标测试数据,包括:
获取每个所述测试设备发送的至少一个测试项目的初始测试数据;
从所述初始测试数据中,筛选得到目标测试项目对应所述目标测试数据,所述目标测试项目为至少一个所述测试项目中与所述测试设备异常关联性最高的测试项目。
3.根据权利要求2所述的方法,其特征在于,确定与所述测试设备异常关联性最高的测试项目的过程,包括:
获取实验数据,所述实验数据是基于具有至少一个异常项目的所述测试设备进行实验后得到的,所述实验数据中包括所述至少一个测试项目;
基于所述实验数据计算所述异常项目与所述至少一个测试项目间的关联度;
确定所述关联度最大的所述测试项目为所述目标测试项目。
4.根据权利要求1所述的方法,其特征在于,各所述目标测试数据中包括至少两条测试数据,所述根据所述目标测试数据确定各所述测试设备的特征值,包括:
基于所述至少两条测试数据计算得到测试均值和测试标准差;
确定所述测试均值和测试标准差为所述特征值。
5.根据权利要求1所述的方法,其特征在于,所述确定每个所述特征值的离群因子,包括:
计算每个所述特征值与邻域特征值间的可达距离,所述邻域特征值为所述特征值预设邻域内的特征值;
基于所述可达距离计算得到所述特征值的第一局部可达密度;
计算每个所述邻域特征值的第二局部可达密度;
基于所述第一局部可达密度和所述第二局部可达密度,计算得到所述离群因子。
6.根据权利要求1所述的方法,其特征在于,所述确定目标离群因子,包括:
筛选所述离群因子中大于预设阈值的第一离群因子;
确定所述第一离群因子为所述目标离群因子;或,确定置信度高于第二预设阈值的所述第一离群因子为所述目标离群因子。
7.根据权利要求1所述的方法,其特征在于,所述确定不满足预设条件的所述离群因子对应的所述测试设备为异常测试设备之后,还包括:
获取所述异常测试设备的设备信息;
将所述特征值的分布情况与所述设备信息进行显示。
8.一种测试设备稳定性的监控装置,其特征在于,包括:
获取模块,用于获取至少两个测试设备各自发送的目标测试数据;
第一确定模块,用于根据所述目标测试数据确定各所述测试设备的特征值,所述特征值用于指示所述目标测试数据的离散度;
第二确定模块,用于确定每个所述特征值的离群因子,所述离群因子用于指示所述特征值与其他特征值之间的疏密关系;
第三确定模块,用于确定不满足预设条件的所述离群因子对应的所述测试设备为异常测试设备。
9.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1-7任一项所述的测试设备稳定性的监控方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的测试设备稳定性的监控方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211181015.3A CN117827568A (zh) | 2022-09-27 | 2022-09-27 | 测试设备稳定性的监控方法、装置、电子设备和存储介质 |
PCT/CN2023/113394 WO2024066784A1 (zh) | 2022-09-27 | 2023-08-16 | 测试设备稳定性的监控方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211181015.3A CN117827568A (zh) | 2022-09-27 | 2022-09-27 | 测试设备稳定性的监控方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117827568A true CN117827568A (zh) | 2024-04-05 |
Family
ID=90475974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211181015.3A Pending CN117827568A (zh) | 2022-09-27 | 2022-09-27 | 测试设备稳定性的监控方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117827568A (zh) |
WO (1) | WO2024066784A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118329197B (zh) * | 2024-06-17 | 2024-08-27 | 滕州运城制版有限公司 | 一种印刷版辊的异常监测方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9071535B2 (en) * | 2013-01-03 | 2015-06-30 | Microsoft Technology Licensing, Llc | Comparing node states to detect anomalies |
US10509847B1 (en) * | 2019-02-11 | 2019-12-17 | Sas Institute Inc. | Local outlier factor hyperparameter tuning for data outlier detection |
CN109947625A (zh) * | 2019-03-27 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 一种集群中异常单机的识别方法和装置 |
CN113191432B (zh) * | 2021-05-06 | 2023-07-07 | 中国联合网络通信集团有限公司 | 基于离群因子的虚拟机集群的异常检测方法、设备及介质 |
CN114417090A (zh) * | 2022-01-27 | 2022-04-29 | 北京奇艺世纪科技有限公司 | 一种数据筛选方法、装置、电子设备及存储介质 |
CN114662602A (zh) * | 2022-03-25 | 2022-06-24 | 中国银联股份有限公司 | 一种离群点检测方法、装置、电子设备及存储介质 |
CN114860525A (zh) * | 2022-04-29 | 2022-08-05 | 济南浪潮数据技术有限公司 | 一种硬盘故障检测方法、装置、设备及存储介质 |
CN115008818B (zh) * | 2022-08-05 | 2022-11-08 | 金成技术股份有限公司 | 可促进钣金结构件生产效率的冲压工序优化方法 |
-
2022
- 2022-09-27 CN CN202211181015.3A patent/CN117827568A/zh active Pending
-
2023
- 2023-08-16 WO PCT/CN2023/113394 patent/WO2024066784A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024066784A1 (zh) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126824B (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
US9235463B2 (en) | Device and method for fault management of smart device | |
CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
CN109257383B (zh) | 一种bgp异常检测方法及系统 | |
CN110275878B (zh) | 业务数据检测方法、装置、计算机设备及存储介质 | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
CN108399115B (zh) | 一种运维操作检测方法、装置及电子设备 | |
CN109257120B (zh) | 预测射频电路故障表征参数的优选方法 | |
CN112463773A (zh) | 数据质量确定方法及装置 | |
CN117827568A (zh) | 测试设备稳定性的监控方法、装置、电子设备和存储介质 | |
CN114019139B (zh) | 一种农用地土壤重金属异常数据的探测方法 | |
KR20190060548A (ko) | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 | |
CN114202256A (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN111767938B (zh) | 一种异常数据检测方法、装置及电子设备 | |
CN117171366A (zh) | 用于电网调度运行态势的知识图谱构建方法及系统 | |
WO2024066331A1 (zh) | 网络异常检测方法、装置、电子设备及存储介质 | |
CN116319255A (zh) | 一种基于kpi的根因定位方法、装置、设备及存储介质 | |
EP3833089A1 (en) | Automated narrow peak interference severity estimation | |
CN113778831A (zh) | 一种数据应用性能分析方法、装置、设备和介质 | |
CN117591507B (zh) | 一种用于测控装备的数据质量特性自动化构建方法和系统 | |
CN114564853B (zh) | 一种基于fmea数据的评价报告的生成方法及电子设备 | |
CN117932520B (zh) | 基于数据识别的固体生物废物处理设备监测方法 | |
CN111324775B (zh) | 一种电子天平检测用数据收集分析系统 | |
CN118075090A (zh) | 一种基于机器学习的网络故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |