CN117891684A - 一种嵌入式计算机硬件故障预测方法和系统 - Google Patents
一种嵌入式计算机硬件故障预测方法和系统 Download PDFInfo
- Publication number
- CN117891684A CN117891684A CN202311847523.5A CN202311847523A CN117891684A CN 117891684 A CN117891684 A CN 117891684A CN 202311847523 A CN202311847523 A CN 202311847523A CN 117891684 A CN117891684 A CN 117891684A
- Authority
- CN
- China
- Prior art keywords
- embedded computer
- computer hardware
- fault
- monitoring information
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及人工智能技术领域,提供一种嵌入式计算机硬件故障预测方法和系统,所述方法通过对待测嵌入式计算机硬件不同位置处的电压、电流、温度、振动、超声、噪音等信息进行采集,再将所采集到的信息输入机器学习模型进行训练,找到故障与采集到信息之间的关联性,即可得到以采集信息表征的嵌入式计算机硬件的当前状态及故障发生概率。本申请增强了整体系统的故障检测效率和准确率,解决现有技术中传统计算机硬件故障检测方法检测效率低和准确率低的技术问题,提高了嵌入式计算机系统的可靠性和安全性。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种嵌入式计算机硬件故障预测方法和系统。
背景技术
嵌入式计算机功能愈渐强大,元器件种类和数量也成倍增加,对故障诊断和定位提出巨大挑战,传统表笔测量式故障检测方法存在检测效率低,人为误差大等不足,无法满足高集成化板卡故障的准确定位和高效排除。因此,需要高智能化和自动化的故障检测/检测系统,来保障嵌入式计算机的稳定运行和出现故障时的迅速维护。
发明内容
有鉴于此,本发明实施例提供了一种嵌入式计算机硬件故障预测方法和系统,以解决现有技术中传统计算机硬件故障检测方法检测效率低、准确率低的技术问题。
本发明第一方面提供了一种嵌入式计算机硬件故障预测方法,具体包括:
采集嵌入式计算机硬件的监测信息,所述监测信息包括所述嵌入式计算机硬件正常状态下的监测信息和所述嵌入式计算机硬件故障状态下的监测信息;
将所述监测信息输入不同的机器学习模型进行训练;
对训练完成的所述机器学习模型分别进行测试,根据测试结果确定预测模型;
获取所述预测模型的参数和各所述参数的权重,根据所述参数和所述权重进行预测算法的编写;
基于编写好的所述预测算法,根据所述嵌入式计算机硬件的实时监测信息进行硬件故障预测,获得所述嵌入式计算机硬件的故障信息,所述故障信息包括所述嵌入式计算机硬件的当前状态、预测故障类型和所述预测故障的发生概率。
进一步的,所述监测信息和所述实时监测信息均通过对不同位置的嵌入式计算机硬件的数据进行周期性采集获取,所述监测信息和所述实时监测信息均包括所述嵌入式计算机硬件运行中和下电后的数据。
进一步的,所述获得所述嵌入式计算机硬件的故障信息之后,还包括:
根据所述嵌入式计算机硬件对应的板卡信息确定故障划分标准,基于所述故障划分标准,对所述故障信息进行故障等级划分。
进一步的,对训练完成的所述机器学习模型进行测试的标准包括准确性、真阳性、假阳性。
本发明第二方面提供了一种嵌入式计算机硬件故障预测系统,基于所述系统实现本发明第一方面所述的一种嵌入式计算机硬件故障预测方法,所述系统包括:数据采集模块、存储模块、处理模块、执行模块,其中,所述数据采集模块用于不同种类和位置的数据采集,所述处理模块用于执行故障识别算法,所述存储模块用于存储数据和算法程序,所述执行模块用于执行所述处理模块发布的命令,所述系统与所述嵌入式计算机硬件相互独立运行。
与现有技术相比,本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括:本发明提供了一种嵌入式计算机硬件故障预测方法,通过实时监测,获取明显的异常数据,并基于人工预测智能故障发生概率,从而提高故障预测的准确性,增强嵌入式计算机的高稳定性和可靠性。
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,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它的附图。
图1是本发明实施例提供的嵌入式计算机硬件故障预测方法流程图;
图2是本发明实施例提供的嵌入式计算机硬件故障预测系统结构示意图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然,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。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本发明提供了一种嵌入式计算机硬件故障预测方法,通过实时监测,获取明显的异常数据,并基于人工预测智能故障发生概率,从而提高故障预测的准确性,增强嵌入式计算机的高稳定性和可靠性。
根据图1所示,本发明提供的一种嵌入式计算机硬件故障预测方法,具体包括:
步骤S100:采集嵌入式计算机硬件的监测信息,所述监测信息包括所述嵌入式计算机硬件正常状态下的监测信息和所述嵌入式计算机硬件故障状态下的监测信息;
具体而言,首先采集嵌入式计算机硬件正常状态下的各类监测信息,如电压、电流、温度、振动、超声等,根据板卡类型选择监测数据类型。然后通过分别模拟每种类型的故障,采集故障状态下的各类监测信息。将采集到的正常状态下的数据和故障状态下的数据中80%用于训练模型,20%用于检验训练结果。
步骤S200:将所述监测信息输入不同的机器学习模型进行训练;
步骤S300:对训练完成的所述机器学习模型分别进行测试,根据测试结果确定预测模型;
具体而言,将采集到的监测信息输入不同的机器学习模型,例如贝叶斯模型、决策树、随机森林、神经网络、支持向量机等,由于不同板卡所适用的机器学习模型有所差别,因此通过机器学习模型进行训练完成后,需要对模型进行测试,以验证不同模型预测的准确性。从模型的准确性、真阳性、假阳性等角度对训练完成的机器学习模型进行测试,并结合Partial Dependence Plot(PDP)、Individual Condition Expectation(ICE)、PermutedFeature Importance(PFI)等方法对预测模型进行解释,最终根据嵌入式计算机的用途和功能确定最佳的预测模型。
步骤S400:获取所述预测模型的参数和各所述参数的权重,根据所述参数和所述权重进行预测算法的编写;
具体而言,将确定的预测模型根据预测模型的参数和权重进行算法编写,并将编写好的算法移植到处理模块,用于将实时采集到的监测信息进行处理及故障预测。
步骤S500:基于编写好的所述预测算法,根据所述嵌入式计算机硬件的实时监测信息进行硬件故障预测,获得所述嵌入式计算机硬件的故障信息,所述故障信息包括所述嵌入式计算机硬件的当前状态、预测故障类型和所述预测故障的发生概率。
进一步的,所述监测信息和所述实时监测信息均通过对不同位置的嵌入式计算机硬件的数据进行周期性采集获取,所述监测信息和所述实时监测信息均包括所述嵌入式计算机硬件运行中和下电后的数据。
进一步的,所述获得所述嵌入式计算机硬件的故障信息之后,还包括:
根据所述嵌入式计算机硬件对应的板卡信息确定故障划分标准,基于所述故障划分标准,对所述故障信息进行故障等级划分。
具体而言,将实时采集到的监测信息输入到存储模块,然后由处理模块提取输入至预测模型中进行运算,将输入的数据与故障类型相匹配,并输出匹配结果。输出以采集到的监测信息表征的嵌入式计算机硬件的当前状态及故障发生概率,并划分事件的紧急程度进行上报,并与故障事件的紧急程度进行匹配,从而做出相应的决策。
优选的,本实施例根据故障事件的紧急程度实施不同的应对措施,一级紧急程度定义为故障会危及嵌入式计算机自身安全,可能会损害计算机的相关部件,此时应对措施为关断电源;二级紧急程度定义为故障存在威胁嵌入式计算机自身安全隐患,甚至发展为一级紧急程度,此时应对措施为发出警报;三级紧急程度定义为嵌入式计算机存在故障但不影响正常功能,此时应对措施为重点监测;四级紧急程度定义为监测数据存在异常,但没有明显的故障特征,此时应对措施为继续监测;五级紧急程度定义为监测数据偶发异常,此时应对措施为记录事件。
根据图2所示,本发明第二方面提供了一种嵌入式计算机硬件故障预测系统,基于所述系统实现本发明所述的一种嵌入式计算机硬件故障预测方法,所述系统包括:数据采集模块、存储模块、处理模块、执行模块,其中,所述数据采集模块用于不同种类和位置的数据采集,所述处理模块用于执行故障识别算法,所述存储模块用于存储数据和算法程序,所述执行模块用于执行所述处理模块发布的命令,所述系统与所述嵌入式计算机硬件相互独立运行。
本发明实施例实现了如下技术效果:
1、本发明通过实时监测,获取明显的异常数据,例如:温度失常,电压丢失等,能够及时做出决策,降低由故障造成的损失,提高系统的稳定性;
2、本发明基于大量数据进行训练,可以得到更加准确的以监测数据反映的故障发生概率,从而对故障的发生进行预测。通过故障类型对其紧急程度进行划分,做出对应的决策,能够实现自主控制,增强系统的可靠性和自修复性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种嵌入式计算机硬件故障预测方法,其特征在于,所述方法包括:
采集嵌入式计算机硬件的监测信息,所述监测信息包括所述嵌入式计算机硬件正常状态下的监测信息和所述嵌入式计算机硬件故障状态下的监测信息;
将所述监测信息输入不同的机器学习模型进行训练;
对训练完成的所述机器学习模型分别进行测试,根据测试结果确定预测模型;
获取所述预测模型的参数和各所述参数的权重,根据所述参数和所述权重进行预测算法的编写;
基于编写好的所述预测算法,根据所述嵌入式计算机硬件的实时监测信息进行硬件故障预测,获得所述嵌入式计算机硬件的故障信息,所述故障信息包括所述嵌入式计算机硬件的当前状态、预测故障类型和所述预测故障的发生概率。
2.根据权利要求1所述的嵌入式计算机硬件故障预测方法,其特征在于,所述方法还包括:
所述监测信息和所述实时监测信息均通过对不同位置的嵌入式计算机硬件的数据进行周期性采集获取,所述监测信息和所述实时监测信息均包括所述嵌入式计算机硬件运行中和下电后的数据。
3.根据权利要求1所述的嵌入式计算机硬件故障预测方法,其特征在于,所述获得所述嵌入式计算机硬件的故障信息之后,还包括:
根据所述嵌入式计算机硬件对应的板卡信息确定故障划分标准,基于所述故障划分标准,对所述故障信息进行故障等级划分。
4.根据权利要求1所述的嵌入式计算机硬件故障预测方法,其特征在于,所述对训练完成的所述机器学习模型分别进行测试,还包括:
对训练完成的所述机器学习模型进行测试的标准包括准确性、真阳性、假阳性。
5.一种嵌入式计算机硬件故障预测系统,其特征在于,基于所述系统实现权利要求1至4任一项所述的一种嵌入式计算机硬件故障预测方法,所述系统包括:
数据采集模块、存储模块、处理模块、执行模块,其中,所述数据采集模块用于不同种类和位置的数据采集,所述处理模块用于执行故障识别算法,所述存储模块用于存储数据和算法程序,所述执行模块用于执行所述处理模块发布的命令,所述系统与所述嵌入式计算机硬件相互独立运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847523.5A CN117891684A (zh) | 2023-12-28 | 2023-12-28 | 一种嵌入式计算机硬件故障预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847523.5A CN117891684A (zh) | 2023-12-28 | 2023-12-28 | 一种嵌入式计算机硬件故障预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117891684A true CN117891684A (zh) | 2024-04-16 |
Family
ID=90645183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311847523.5A Pending CN117891684A (zh) | 2023-12-28 | 2023-12-28 | 一种嵌入式计算机硬件故障预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117891684A (zh) |
-
2023
- 2023-12-28 CN CN202311847523.5A patent/CN117891684A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | An unsupervised spatiotemporal graphical modeling approach for wind turbine condition monitoring | |
CN107111309B (zh) | 利用监督式学习方法的燃气涡轮机故障预测 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
US20170161963A1 (en) | Method of identifying anomalies | |
KR20170045354A (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN113962299A (zh) | 一种核电设备智能运行监测与故障诊断通用模型 | |
Eickmeyer et al. | Data Driven Modeling for System-Level Condition Monitoring on Wind Power Plants. | |
CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及系统 | |
CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
Esmaeili Nezhad et al. | A review of the applications of machine learning in the condition monitoring of transformers | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
CN112668415A (zh) | 一种飞机发动机故障预测方法 | |
Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN117891684A (zh) | 一种嵌入式计算机硬件故障预测方法和系统 | |
Kenyon et al. | Development of an intelligent system for detection of exhaust gas temperature anomalies in gas turbines | |
JP2002169611A (ja) | 故障診断システムおよびその自動設計方法 | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |