TW202046107A - 使用者終端硬體檢測方法、裝置、電腦裝置及存儲介質 - Google Patents

使用者終端硬體檢測方法、裝置、電腦裝置及存儲介質 Download PDF

Info

Publication number
TW202046107A
TW202046107A TW108120956A TW108120956A TW202046107A TW 202046107 A TW202046107 A TW 202046107A TW 108120956 A TW108120956 A TW 108120956A TW 108120956 A TW108120956 A TW 108120956A TW 202046107 A TW202046107 A TW 202046107A
Authority
TW
Taiwan
Prior art keywords
user terminal
digital signal
model
deep learning
fault
Prior art date
Application number
TW108120956A
Other languages
English (en)
Inventor
單江鋒
高易韜
張銘棋
莊智顯
尹吉祥
Original Assignee
鴻海精密工業股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 鴻海精密工業股份有限公司 filed Critical 鴻海精密工業股份有限公司
Publication of TW202046107A publication Critical patent/TW202046107A/zh

Links

Images

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
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G06F11/0742—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function in a data processing system embedded in a mobile device, e.g. mobile phones, handheld devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Debugging And Monitoring (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本發明提供一種使用者終端硬體檢測方法、使用者終端硬體檢測裝置、電腦裝置及電腦存儲介質，所述方法包括，獲取使用者終端之數位信號波形圖；對所述數位信號波形圖使用故障分析模型進行特徵識別；將識別到之特徵資訊與故障類型資料庫中之特徵資訊進行比對；根據比對結果輸出所述數位資訊波形圖代表之故障硬體模組以及所述故障硬體模組之故障類型。

Description

使用者終端硬體檢測方法、裝置、電腦裝置及存儲介質
本發明涉及終端檢測領域，具體涉及一種使用者終端硬體檢測方法、使用者終端硬體檢測裝置、電腦裝置及電腦存儲介質。
隨著科技之發展，人們之生活中離不開各種使用者終端產品，如智慧手機、平板電腦、智慧手錶等，由此就會產生使用者終端之檢修問題。隨著電子技術之迅猛發展，使用者終端中各種元器件之功能越來越多元化，產品組裝技術也越來越精細。現有之使用者終端中硬體之檢修方式需要將使用者終端打開之後對裡面之元器件進行檢測，由此產生因為拆機而導致之相關元器件之報廢，因此需要一種新的使用者終端硬體檢測方法來解決這一問題。
鑒於以上內容，有必要提出一種使用者終端硬體檢測方法及裝置、電腦裝置和電腦可讀存儲介質，可以實現在不拆開使用者終端之前提下，完成對使用者終端硬體故障之檢測。
本申請之第一方面提供一種使用者終端硬體檢測方法，所述方法包括： 獲取使用者終端之數位信號波形圖； 對所述數位信號波形圖使用故障分析模型進行特徵識別； 將識別到之特徵資訊與故障類型資料庫中之特徵資訊進行比對； 根據比對結果輸出所述數位資訊波形圖代表之故障硬體模組以及所述故障硬體模組之故障類型。
優選地，所述數位信號波形圖顯示之內容包括電壓、電流中之至少一個。
優選地，所述故障分析模型為基於卷積神經網路之深度學習模型。
優選地，所述故障分析模型之構建步驟包括： 獲取多幅數位信號樣本波形圖； 將所述數位信號樣本波形圖分為訓練集和驗證集； 建立一基於卷積神經網路之深度學習模型，並利用所述訓練集對所述深度學習模型進行訓練； 利用所述驗證集對訓練後之深度學習模型進行驗證，並根據驗證結果統計得到一模型預測準確率； 判斷所述模型預測準確率是否小於預設閾值； 若所述模型預測準確率不小於所述預設閾值，將訓練完成之所述深度學習模型作為所述故障分析模型。
優選地，所述判斷所述模型預測準確率是否小於預設閾值之步驟之後還包括： 若所述模型預測準確率小於所述預設閾值，調整所述深度學習模型之參數，並利用所述訓練集重新對調整後之深度學習模型進行訓練； 利用所述驗證集對重新訓練之深度學習模型進行驗證，並根據每一驗證結果重新統計得到一模型預測準確率，並判斷重新統計得到之模型預測準確率是否小於所述預設閾值； 若所述重新統計得到之模型預測準確率不小於所述預設閾值，將重新訓練完成之深度學習模型作為所述故障分析模型；及 若所述重新統計得到之模型預測準確率小於所述預設閾值，重複上述步驟直至通過所述驗證集驗證得到之模型預測準確率不小於所述預設閾值； 其中，所述基於卷積神經網路之深度學習模型之參數包括卷積核之數量、池化層中元素之數量、全連接層中元素之數量中之至少一種。
優選地，所述故障類型資料庫通過以下步驟構建得到： 將已知之故障硬體模組及故障類型之數位信號波形圖代入訓練好之故障分析模型中； 利用所述故障分析模型分析得出所述已知之故障硬體模組及故障類型對應之特徵資訊； 將所述已知之故障硬體模組以及故障類型與分析得出之特徵資訊建立映射關係並進行存儲。
優選地，所述特徵資訊為已知故障硬體模組以及所述故障硬體模組之故障類型對應之電壓、電流資訊。
本申請之第二方面提供一種使用者終端硬體檢測裝置，所述裝置包括： 獲取模組，用於獲取使用者終端之數位信號波形圖； 識別模組，用於對所述數位信號波形圖使用故障分析模型進行特徵識別； 比對模組，用於將識別到之特徵資訊與故障類型資料庫中之特徵資訊進行比； 輸出模組，根據比對結果輸出所述數位資訊波形圖代表之故障硬體模組以及所述故障硬體模組之故障類型。
本申請之第三方面提供一種電腦裝置，所述電腦裝置包括處理器，所述處理器用於執行記憶體中存儲之電腦程式時實現如前所述使用者終端硬體檢測方法。
本申請之第四方面提供一種電腦存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現如前所述使用者終端硬體檢測方法。
本發明使用者終端硬體檢測方法可以在不拆開使用者終端之前提下完成使用者終端之硬體檢測，可定位發生故障之硬體模組，避免了在拆機過程中對使用者終端硬體造成之損傷。
為了能夠更清楚地理解本發明的上述目的、特徵和優點，下面結合附圖和具體實施例對本發明進行詳細描述。需要說明的是，在不衝突的情況下，本申請的實施例及實施例中的特徵可以相互組合。
在下面的描述中闡述了很多具體細節以便於充分理解本發明，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
除非另有定義，本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在於限制本發明。
參閱圖1所示，為本發明實施例一提供的使用者終端硬體檢測方法的應用環境架構示意圖。
本發明中的使用者終端硬體檢測方法應用在電腦裝置1中，所述電腦裝置1與示波器2通過網路建立通信連接。所述網路可以是有線網路，也可以是無線網路，例如無線電、無線保真（Wireless Fidelity, WIFI）、蜂窩、衛星、廣播等。所述示波器2與使用者終端3通過資料線建立連接。
所述電腦裝置1可以為安裝有使用者終端檢測軟體的電子設備，例如個人電腦、伺服器等，其中，所述伺服器可以是單一的伺服器、伺服器集群或雲伺服器等。
所述示波器2可以用來觀察各種不同信號幅度隨時間變化的波形曲線，用來測試各種不同的電量，如電壓、電流、頻率、相位差、幅度等。
所述使用者終端3可以為智慧電子設備，包括但不限於智慧手機、平板電腦、膝上型便捷電腦、臺式電腦等。
請參閱圖2所示，是本發明一實施方式提供的使用者終端硬體檢測方法流程圖。根據不同的需求，所述流程圖中步驟的順序可以改變，某些步驟可以省略。
步驟S1、獲取使用者終端的數位信號波形圖。 在本發明一實施方式中，所述獲取使用者終端3的數位信號波形圖的步驟可以是：通過示波器2採集使用者終端3的數位信號波形圖，示波器2將採集到的數位信號波形圖通過有線傳輸或無線傳輸的方式發送給電腦裝置1。所述數位信號波形圖中顯示了電壓和\或電流的變化情況。
舉例而言，若所述使用者終端3的語音輸入功能出現故障，無法錄入聲音，可以將所述使用者終端3通過資料傳輸線與示波器2相連接，採集所述使用者終端3的電流、電壓數位信號波形圖。示波器2將採集到的數位信號波形圖發送給電腦裝置1。
步驟S2、對所述數位信號波形圖使用故障分析模型進行特徵識別。
在本發明一實施方式中，所述故障分析模型可以為基於卷積神經網路的深度學習模型。
在一實施方式中，所述故障分析模型的構建步驟可以具體包括： 獲取多幅數位信號樣本波形圖； 將所述數位信號樣本波形圖分為訓練集和驗證集； 建立一基於卷積神經網路的深度學習模型，並利用所述訓練集對所述深度學習模型進行訓練； 利用所述驗證集對訓練後的深度學習模型進行驗證，並根據驗證結果統計得到一模型預測準確率； 判斷所述模型預測準確率是否小於預設閾值； 若所述模型預測準確率不小於所述預設閾值，將訓練完成的所述深度學習模型作為所述故障分析模型。
若所述模型預測準確率小於所述預設閾值，調整所述深度學習模型的參數，並利用所述訓練集重新對調整後的深度學習模型進行訓練； 利用所述驗證集對重新訓練的深度學習模型進行驗證，並根據每一驗證結果重新統計得到一模型預測準確率，並判斷重新統計得到的模型預測準確率是否小於所述預設閾值； 若所述重新統計得到的模型預測準確率不小於所述預設閾值，將重新訓練完成的深度學習模型作為所述故障分析模型； 若所述重新統計得到的模型預測準確率小於所述預設閾值，重複上述步驟直至通過所述驗證集驗證得到的模型預測準確率不小於所述預設閾值； 其中，所述基於卷積神經網路的深度學習模型的參數包括卷積核的數量、池化層中元素的數量、全連接層中元素的數量中的至少一種。
舉例而言，所述故障分析模型的構建步驟可以為：獲取預設數量的已知某一故障硬體模組以及所述故障硬體模組的故障類型對應的數位信號波形圖，所述預設數量可以根據實際情況進行選擇，選擇的數量越多所述故障分析模型的精度越精確。並將所述數位信號波形圖分為兩組，其中一組為訓練集，一組為驗證集，首先將所述訓練集的數位信號波形圖轉換成數位特徵矩陣，其次將所述數位特徵矩陣導入基於卷積神經網路的深度學習模型進行特徵識別，使用卷積核對所述數位特徵矩陣中的元素進行卷積處理，使用池化層對經過卷積層的資料進行簡化，去除冗餘資訊，使用全連接層將池化層的資訊通過函數映射的方式轉換到全連接層，經過基於卷積神經網路的深度學習模型對所述數位信號波形圖進行處理之後，圖像的特徵資訊得到增強，並提取所述特徵資訊，所述特徵資訊包括電流和/或電壓的數值。然後使用驗證集中的數位信號波形圖使用上述基於卷積神經網路的深度學習模型中的卷積核、池化層、全連接層對所述驗證集中的數位信號波形圖進行識別，將識別出的電流、電壓值與訓練集中已知故障硬體模組以及所述故障硬體模組的故障類型中的電流、電壓值進行比對，若訓練得到的電流電壓值的準確率不小於閾值，則訓練完成的所述基於卷積神經網路的深度學習模型可以作為所述故障分析模型，若訓練得到的電流電壓值的準確率小於閾值，則重新調整卷積核的數量、卷積核矩陣中的元素、池化層中元素的數量、全連接層中元素的數量中的一種或幾種，調整完成之後，重新使用訓練集對所述演算法模型進行訓練，訓練完成後使用驗證集對所述演算法模型的精度進行驗證，直到演算法模型的準確率不小於閾值為止。
在本發明一實施方式中，電腦裝置1將獲取到的使用者終端3的數位信號波形圖使用訓練好的基於卷積神經網路的深度學習模型進行特徵識別，得到所述數位信號波形圖的特徵資訊，即電流、電壓值。
步驟S3、將識別到的特徵資訊與故障類型資料庫中的特徵資訊進行比對。
在本發明一實施方式中，所述故障類型資料庫中的構建步驟可以包括： 將已知的故障硬體模組及故障類型的數位信號波形圖代入訓練好的故障分析模型中； 利用所述故障分析模型分析得出所述已知的故障硬體模組及故障類型對應的特徵資訊； 將所述已知的故障硬體模組以及故障類型與分析得出的特徵資訊建立映射關係並進行存儲。
在本發明一實施方式中，所述特徵資訊為已知故障硬體模組以及所述故障硬體模組的故障類型對應的電壓、電流資訊。
舉例而言，所述故障類型資料庫的構建步驟如下，所述已知故障硬體模組可以是USB硬體模組，所述故障硬體模組的故障類型可以是斷路故障，所述使用者終端3可以是智慧手機，在本實施方式中，選取具有USB硬體模組出現電路斷路故障的智慧手機，將所述使用者終端3依次通過資料線介面與示波器2相連接，所述示波器2依次從所述智慧手機中獲取表示電流、電壓狀態的波形圖。示波器2將獲取到的數位信號波形圖發送給電腦裝置1。電腦裝置1將獲取使用者終端3的數位信號波形圖轉換成數位特徵矩陣，其次將所述數位特徵矩陣導入基於卷積神經網路的深度學習模型進行特徵擬合，得到所述數位特徵矩陣的特徵資訊，所述特徵資訊可以為電流、電壓值，並經所述電流電壓值與所述故障模組和所述故障模組的故障類型建立映射關係並進行存儲。
在本發明又一實施例中，電腦裝置1將經過故障分析模型進行特徵識別後的資訊與故障類型資料庫中的資訊進行比對，找出與所述特徵資訊相對應的故障模組和所述故障模組的故障類型。
步驟S4、根據比對結果輸出所述數位資訊波形圖代表的故障硬體模組以及所述故障硬體模組的故障類型。
在本發明一實施方式中，可以將所述數位資訊波形圖代表的故障硬體模組以及所述故障硬體模組的故障類型在電腦裝置1中顯示輸出。
在本發明的其他實施方式中，也可以將所述故障硬體模組以及所述硬體模組的故障類型發送給預設的其他電腦裝置。
上述圖2詳細介紹了本發明的使用者終端硬體檢測方法流程圖，下面結合第3-4圖，對實現所述使用者終端硬體檢測方法的軟體裝置的功能模組以及實現所述使用者終端硬體檢測方法的硬體裝置架構進行介紹。
應所述瞭解，所述實施例僅為說明之用，在專利申請範圍上並不受此結構的限制。
圖3是本發明一實施方式提供的使用者終端檢測方法的使用者終端硬體檢測裝置的結構示意圖。
在一些實施例中，使用者終端硬體檢測裝置10運行於電腦裝置中。所述使用者終端硬體檢測裝置10可以包括多個由程式碼段所組成的功能模組。所述使用者終端硬體檢測裝置10中的各個程式段的程式碼可以存儲於電腦裝置的記憶體中，並由所述至少一個處理器所執行，以實現使用者終端檢測功能。
本實施例中，所述使用者終端硬體檢測裝置10根據其所執行的功能，可以被劃分為多個功能模組。參閱圖3所示，所述功能模組可以包括：獲取模組101、識別模組102、比對模組103、輸出模組104。本發明所稱的模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能的一系列電腦程式段，其存儲在記憶體中。在本實施例中，關於各模組的功能將在後續的實施例中詳述。
獲取模組101，用於獲取使用者終端的數位信號波形圖。
在本發明一實施方式中，所述獲取使用者終端3的數位信號波形圖的步驟可以是：通過示波器2採集使用者終端3的數位信號波形圖，示波器2將採集到的數位信號波形圖通過有線傳輸或無線傳輸的方式發送給獲取模組101。所述數位信號波形圖中顯示了電壓和\或電流的變化情況。
舉例而言，若所述使用者終端3的語音輸入功能出現故障，無法錄入聲音，可以將所述使用者終端3通過資料傳輸線與示波器2相連接，採集所述使用者終端3的電流、電壓數位信號波形圖。示波器2將採集到的數位信號波形圖發送給獲取模組101。
識別模組102，用於對所述數位信號波形圖使用故障分析模型進行特徵識別。 在本發明一實施方式中，所述故障分析模型可以為基於卷積神經網路的深度學習模型。
在一實施方式中，所述故障分析模型的構建步驟可以具體包括： 獲取多幅數位信號樣本波形圖； 將所述數位信號樣本波形圖分為訓練集和驗證集； 建立一基於卷積神經網路的深度學習模型，並利用所述訓練集對所述深度學習模型進行訓練； 利用所述驗證集對訓練後的深度學習模型進行驗證，並根據驗證結果統計得到一模型預測準確率； 判斷所述模型預測準確率是否小於預設閾值； 若所述模型預測準確率不小於所述預設閾值，將訓練完成的所述深度學習模型作為所述故障分析模型。
若所述模型預測準確率小於所述預設閾值，調整所述深度學習模型的參數，並利用所述訓練集重新對調整後的深度學習模型進行訓練； 利用所述驗證集對重新訓練的深度學習模型進行驗證，並根據每一驗證結果重新統計得到一模型預測準確率，並判斷重新統計得到的模型預測準確率是否小於所述預設閾值； 若所述重新統計得到的模型預測準確率不小於所述預設閾值，將重新訓練完成的深度學習模型作為所述故障分析模型； 若所述重新統計得到的模型預測準確率小於所述預設閾值，重複上述步驟直至通過所述驗證集驗證得到的模型預測準確率不小於所述預設閾值； 其中，所述基於卷積神經網路的深度學習模型的參數包括卷積核的數量、池化層中元素的數量、全連接層中元素的數量中的至少一種。
舉例而言，所述故障分析模型的構建步驟可以為：獲取預設數量的已知某一故障硬體模組以及所述故障硬體模組的故障類型對應的數位信號波形圖，所述預設數量可以根據實際情況進行選擇，選擇的數量越多所述故障分析模型的精度越精確。並將所述數位信號波形圖分為兩組，其中一組為訓練集，一組為驗證集，首先將所述訓練集的數位信號波形圖轉換成數位特徵矩陣，其次將所述數位特徵矩陣導入基於卷積神經網路的深度學習模型進行特徵識別，使用卷積核對所述數位特徵矩陣中的元素進行卷積處理，使用池化層對經過卷積層的資料進行簡化，去除冗餘資訊，使用全連接層將池化層的資訊通過函數映射的方式轉換到全連接層，經過基於卷積神經網路的深度學習模型對所述數位信號波形圖進行處理之後，圖像的特徵資訊得到增強，並提取所述特徵資訊，所述特徵資訊包括電流和/或電壓的數值。然後使用驗證集中的數位信號波形圖使用上述基於卷積神經網路的深度學習模型中的卷積核、池化層、全連接層對所述驗證集中的數位信號波形圖進行識別，將識別出的電流、電壓值與訓練集中已知故障硬體模組以及所述故障硬體模組的故障類型中的電流、電壓值進行比對，若訓練得到的電流電壓值的準確率不小於閾值，則訓練完成的所述基於卷積神經網路的深度學習模型可以作為所述故障分析模型，若訓練得到的電流電壓值的準確率小於閾值，則重新調整卷積核的數量、卷積核矩陣中的元素、池化層中元素的數量、全連接層中元素的數量中的一種或幾種，調整完成之後，重新使用訓練集對所述演算法模型進行訓練，訓練完成後使用驗證集對所述演算法模型的精度進行驗證，直到演算法模型的準確率不小於閾值為止。
在本發明一實施方式中，識別模組102將獲取到的使用者終端3的數位信號波形圖使用訓練好的基於卷積神經網路的深度學習模型進行特徵識別，得到所述數位信號波形圖的特徵資訊，即電流、電壓值。
比對模組103，用於將識別到的特徵資訊與故障類型資料庫中的特徵資訊進行比對。
在本發明一實施方式中，所述故障類型資料庫中的構建步驟可以包括： 將已知的故障硬體模組及故障類型的數位信號波形圖代入訓練好的故障分析模型中； 利用所述故障分析模型分析得出所述已知的故障硬體模組及故障類型對應的特徵資訊； 將所述已知的故障硬體模組以及故障類型與分析得出的特徵資訊建立映射關係並進行存儲。
在本發明一實施方式中，所述特徵資訊為已知故障硬體模組以及所述故障硬體模組的故障類型對應的電壓、電流資訊。
舉例而言，所述故障類型資料庫的構建步驟如下，所述已知故障硬體模組可以是USB硬體模組，所述故障硬體模組的故障類型可以是斷路故障，所述使用者終端3可以是智慧手機，在本實施方式中，選取具有USB硬體模組出現電路斷路故障的智慧手機，將所述使用者終端3依次通過資料線介面與示波器2相連接，所述示波器2依次從所述智慧手機中獲取預設數量的表示電流、電壓狀態的波形圖。示波器2將獲取到的數位信號波形圖發送給電腦裝置1。電腦裝置1將獲取使用者終端3的數位信號波形圖轉換成數位特徵矩陣，其次將所述數位特徵矩陣導入基於卷積神經網路的深度學習模型進行特徵擬合，得到所述數位特徵矩陣的特徵資訊，所述特徵資訊可以為電流、電壓值，並經所述電流電壓值與所述故障模組和所述故障模組的故障類型建立映射關係並進行存儲。
在本發明又一實施例中，比對模組103將經過故障分析模型進行特徵識別後的資訊與故障類型資料庫中的資訊進行比對，找出與所述特徵資訊相對應的故障模組和所述故障模組的故障類型。
輸出模組104，根據比對結果輸出所述數位資訊波形圖代表的故障硬體模組以及所述故障硬體模組的故障類型。
在本發明一實施方式中，可以將所述數位資訊波形圖代表的故障硬體模組以及所述硬體模組的故障類型在輸出模組104中顯示輸出。
在本發明的其他實施方式中，也可以將所述故障硬體模組以及所述硬體模組的故障類型發送給預設的其他電腦裝置。
圖4是本發明一實施方式提供的使用者終端檢測方法的電腦裝置示意圖。
所述電腦裝置1包括記憶體20、處理器30以及存儲在所述記憶體20中並可在所述處理器30上運行的電腦程式40，例如使用者終端檢測程式。所述處理器30執行所述電腦程式40時實現上述使用者終端硬體檢測方法實施例中的步驟，例如圖2所示的步驟S1~S4。或者，所述處理器30執行所述電腦程式40時實現上述使用者終端硬體檢測裝置實施例中各模組/單元的功能，例如圖3中的單元101-104。
示例性的，所述電腦程式40可以被分割成一個或多個模組/單元，所述一個或者多個模組/單元被存儲在所述記憶體20中，並由所述處理器30執行，以完成本發明。所述一個或多個模組/單元可以是能夠完成特定功能的一系列電腦程式指令段，所述指令段用於描述所述電腦程式40在所述電腦裝置1中的執行過程。例如，所述電腦程式40可以被分割成圖3中的獲取模組101、識別模組102、比對模組103、輸出模組104。各模組具體功能參見實施例三。
所述電腦裝置1可以是桌上型電腦、筆記本、掌上型電腦及雲端伺服器等計算設備。本領域技術人員可以理解，所述示意圖僅僅是電腦裝置1的示例，並不構成對電腦裝置1的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件，例如所述電腦裝置1還可以包括輸入輸出設備、網路接入設備、匯流排等。
所稱處理器30可以是中央處理單元(Central Processing Unit，CPU)，還可以是其他通用處理器、數位訊號處理器 (Digital Signal Processor，DSP)、專用積體電路 (Application Specific Integrated Circuit，ASIC)、現成可程式設計閘陣列 (Field-Programmable Gate Array，FPGA) 或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可以是微處理器或者所述處理器30也可以是任何常規的處理器等，所述處理器30是所述電腦裝置1的控制中心，利用各種介面和線路連接整個電腦裝置1的各個部分。
所述記憶體20可用於存儲所述電腦程式40和/或模組/單元，所述處理器30通過運行或執行存儲在所述記憶體20內的電腦程式和/或模組/單元，以及調用存儲在記憶體20內的資料，實現所述電腦裝置1的各種功能。所述記憶體20可主要包括存儲程式區和存儲資料區，其中，存儲程式區可存儲作業系統、至少一個功能所需的應用程式（比如聲音播放功能、圖像播放功能等）等；存儲資料區可存儲根據電腦裝置1的使用所創建的資料（比如音訊資料、電話本等）等。此外，記憶體20可以包括高速隨機存取記憶體，還可以包括非易失性記憶體，例如硬碟、記憶體、插接式硬碟，智慧存儲卡（Smart Media Card, SMC），安全數位（Secure Digital, SD）卡，快閃記憶體卡（Flash Card）、至少一個磁碟記憶體件、快閃記憶體器件、或其他易失性固態記憶體件。
所述電腦裝置1集成的模組/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個電腦可讀取存儲介質中。基於這樣的理解，本發明實現上述實施例方法中的全部或部分流程，也可以通過電腦程式來指令相關的硬體來完成，所述的電腦程式可存儲於一電腦可讀存儲介質中，所述電腦程式在被處理器執行時，可實現上述各個方法實施例的步驟。其中，所述電腦程式包括電腦程式代碼，所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括：能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄介質、U盤、移動硬碟、磁碟、光碟、電腦記憶體、唯讀記憶體（ROM，Read-Only Memory）、隨機存取記憶體（RAM，Random Access Memory）、電載波信號、電信信號以及軟體分發介質等。需要說明的是，所述電腦可讀介質包含的內容可以根據司法管轄區內立法和專利實踐的要求進行適當的增減，例如在某些司法管轄區，根據立法和專利實踐，電腦可讀介質不包括電載波信號和電信信號。
在本發明所提供的幾個實施例中，應所述理解到，所揭露的電腦裝置和方法，可以通過其它的方式實現。例如，以上所描述的電腦裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式。
另外，在本發明各個實施例中的各功能單元可以集成在相同處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在相同單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用硬體加軟體功能模組的形式實現。
對於本領域技術人員而言，顯然本發明不限於上述示範性實施例的細節，而且在不背離本發明的精神或基本特徵的情況下，能夠以其他的具體形式實現本發明。因此，無論從哪一點來看，均應將實施例看作是示範性的，而且是非限制性的，本發明的範圍由所附權利要求而不是上述說明限定，因此旨在將落在權利要求的等同要件的含義和範圍內的所有變化涵括在本發明內。不應將權利要求中的任何附圖標記視為限制所涉及的權利要求。此外，顯然“包括”一詞不排除其他單元或步驟，單數不排除複數。電腦裝置權利要求中陳述的多個單元或電腦裝置也可以由同一個單元或電腦裝置通過軟體或者硬體來實現。第一，第二等詞語用來表示名稱，而並不表示任何特定的順序。
最後應說明的是，以上實施例僅用以說明本發明的技術方案而非限制，儘管參照較佳實施例對本發明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或等同替換，而不脫離本發明技術方案的精神和範圍。
1:電腦裝置 2:示波器 3:使用者終端 10:使用者終端硬體檢測裝置 101:獲取模組 102:識別模組 103:比對模組 104:輸出模組 20:記憶體 30:處理器 40:電腦程式
圖1是本發明一實施方式提供之使用者終端硬體檢測方法之應用環境架構示意圖。
圖2是本發明一實施方式提供之使用者終端硬體檢測方法流程圖。
圖3是本發明一實施方式提供之使用者終端硬體檢測裝置之結構示意圖。
圖4是本發明一實施方式提供之電腦裝置示意圖。

Claims (10)

  1. 一種使用者終端硬體檢測方法，所述方法包括： 獲取使用者終端的數位信號波形圖； 對所述數位信號波形圖使用故障分析模型進行特徵識別； 將識別到的特徵資訊與故障類型資料庫中的特徵資訊進行比對； 根據比對結果輸出所述數位資訊波形圖代表的故障硬體模組以及所述故障硬體模組的故障類型。
  2. 如申請專利範圍第1項所述之使用者終端硬體檢測方法，其中，所述數位信號波形圖顯示的內容包括電壓、電流中的至少一個。
  3. 如申請專利範圍第1項所述之使用者終端硬體檢測方法，其中，所述故障分析模型為基於卷積神經網路的深度學習模型。
  4. 如申請專利範圍第1項所述之使用者終端硬體檢測方法，其中，所述故障分析模型的構建步驟包括： 獲取多幅數位信號樣本波形圖； 將所述數位信號樣本波形圖分為訓練集和驗證集； 建立一基於卷積神經網路的深度學習模型，並利用所述訓練集對所述深度學習模型進行訓練； 利用所述驗證集對訓練後的深度學習模型進行驗證，並根據驗證結果統計得到一模型預測準確率； 判斷所述模型預測準確率是否小於預設閾值； 若所述模型預測準確率不小於所述預設閾值，將訓練完成的所述深度學習模型作為所述故障分析模型。
  5. 如申請專利範圍第4項所述之使用者終端硬體檢測方法，其中，所述判斷所述模型預測準確率是否小於預設閾值的步驟之後還包括： 若所述模型預測準確率小於所述預設閾值，調整所述深度學習模型的參數，並利用所述訓練集重新對調整後的深度學習模型進行訓練； 利用所述驗證集對重新訓練的深度學習模型進行驗證，並根據每一驗證結果重新統計得到一模型預測準確率，並判斷重新統計得到的模型預測準確率是否小於所述預設閾值； 若所述重新統計得到的模型預測準確率不小於所述預設閾值，將重新訓練完成的深度學習模型作為所述故障分析模型；及 若所述重新統計得到的模型預測準確率小於所述預設閾值，重複上述步驟直至通過所述驗證集驗證得到的模型預測準確率不小於所述預設閾值； 其中，所述基於卷積神經網路的深度學習模型的參數包括卷積核的數量、池化層中元素的數量、全連接層中元素的數量中的至少一種。
  6. 如申請專利範圍第1項所述之使用者終端硬體檢測方法，其中，所述故障類型資料庫通過以下步驟構建得到： 將已知的故障硬體模組及故障類型的數位信號波形圖代入訓練好的故障分析模型中； 利用所述故障分析模型分析得出所述已知的故障硬體模組及故障類型對應的特徵資訊； 將所述已知的故障硬體模組以及故障類型與分析得出的特徵資訊建立映射關係並進行存儲。
  7. 如申請專利範圍第6項所述之使用者終端硬體檢測方法，其中，所述特徵資訊為已知故障硬體模組以及所述故障硬體模組的故障類型對應的電壓、電流資訊。
  8. 一種使用者終端硬體檢測裝置，所述裝置包括： 獲取模組，用於獲取使用者終端的數位信號波形圖； 識別模組，用於對所述數位信號波形圖使用故障分析模型進行特徵識別； 比對模組，用於將識別到的特徵資訊與故障類型資料庫中的特徵資訊進行比； 輸出模組，根據比對結果輸出所述數位資訊波形圖代表的故障硬體模組以及所述故障硬體模組的故障類型。
  9. 一種電腦裝置，其中所述電腦裝置包括處理器及記憶體，所述處理器用於執行記憶體中存儲之電腦程式時實現如申請專利範圍1-7任一項所述之使用者終端硬體檢測方法。
  10. 一種電腦存儲介質，其上存儲有電腦程式，其中所述電腦程式被處理器執行時實現如申請專利範圍1-7中任一項所述之使用者終端硬體檢測方法。
TW108120956A 2019-05-30 2019-06-17 使用者終端硬體檢測方法、裝置、電腦裝置及存儲介質 TW202046107A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910466019.8A CN112015603A (zh) 2019-05-30 2019-05-30 用户终端硬件检测方法、装置、计算机装置及存储介质
CN201910466019.8 2019-05-30

Publications (1)

Publication Number Publication Date
TW202046107A true TW202046107A (zh) 2020-12-16

Family

ID=73500464

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108120956A TW202046107A (zh) 2019-05-30 2019-06-17 使用者終端硬體檢測方法、裝置、電腦裝置及存儲介質

Country Status (4)

Country Link
US (1) US11256974B2 (zh)
JP (1) JP7377695B2 (zh)
CN (1) CN112015603A (zh)
TW (1) TW202046107A (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113660137B (zh) * 2021-08-13 2024-03-22 杭州安恒信息技术股份有限公司 车载网络故障检测方法、装置、可读存储介质及电子设备
CN113674750B (zh) * 2021-08-19 2023-11-03 上海哔哩哔哩科技有限公司 数据处理方法及装置
CN113914850B (zh) * 2021-10-21 2023-09-26 辽宁弘毅科技有限公司 一种基于模型的抽油机井综合测试仪故障诊断方法和系统
CN114330413A (zh) * 2021-11-25 2022-04-12 中车永济电机有限公司 牵引电机轴承的故障类型辨识及定位方法
CN114221887A (zh) * 2021-12-15 2022-03-22 山西大学 一种网络安全监控系统和方法
CN114741258B (zh) * 2022-04-07 2023-04-11 中咨数据有限公司 一种基于大数据的计算机性能控制分析系统及方法
CN115430347B (zh) * 2022-07-14 2024-04-19 上海荣美农业科技有限公司 控制器、搅拌设备、控制方法及计算机可读存储介质
CN116359642B (zh) * 2023-03-10 2024-01-23 湖南金烽信息科技有限公司 一种变压器运行状态5g智能监测系统与方法
CN116434685B (zh) * 2023-04-27 2023-12-08 江苏锦花电子股份有限公司 一种基于大数据的液晶屏异常显示监管系统及方法
CN117292576A (zh) * 2023-10-10 2023-12-26 漳州建源电力工程有限公司 基于物联网的充电车位管理系统及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5678028A (en) * 1994-10-25 1997-10-14 Mitsubishi Electric Information Technology Center America, Inc. Hardware-software debugger using simulation speed enhancing techniques including skipping unnecessary bus cycles, avoiding instruction fetch simulation, eliminating the need for explicit clock pulse generation and caching results of instruction decoding
JP3885537B2 (ja) 2001-09-25 2007-02-21 富士ゼロックス株式会社 プリント基板故障判定方法、及び、プリント基板故障判定装置
JP2004287673A (ja) 2003-03-20 2004-10-14 Fuji Xerox Co Ltd 故障診断システム、情報処理装置に使用される接続デバイス、プログラム
US20110153529A1 (en) 2009-12-23 2011-06-23 Bracy Anne W Method and apparatus to efficiently generate a processor architecture model
CN107560506B (zh) 2016-06-30 2020-05-22 南京理工大学 对地无线电引信全弹道仿真系统
CN107993538A (zh) * 2017-12-30 2018-05-04 中国人民解放军陆军军事交通学院镇江校区 电路检测维修技能训练考核系统
CN109579220B (zh) 2018-10-15 2022-04-12 平安科技（深圳）有限公司 空调系统故障检测方法、装置、电子设备
US20200233397A1 (en) * 2019-01-23 2020-07-23 New York University System, method and computer-accessible medium for machine condition monitoring

Also Published As

Publication number Publication date
CN112015603A (zh) 2020-12-01
US11256974B2 (en) 2022-02-22
JP2020198075A (ja) 2020-12-10
US20200380337A1 (en) 2020-12-03
JP7377695B2 (ja) 2023-11-10

Similar Documents

Publication Publication Date Title
TW202046107A (zh) 使用者終端硬體檢測方法、裝置、電腦裝置及存儲介質
US10621972B2 (en) Method and device extracting acoustic feature based on convolution neural network and terminal device
CN110991170B (zh) 基于电子病历信息的中文疾病名称智能标准化方法与系统
US20220207707A1 (en) Image defect detection method, electronic device using the same
WO2020042583A1 (zh) 潜力绩优人员类型识别方法、系统、计算机装置及介质
TWI830815B (zh) 使用者終端故障檢測方法、裝置、電腦裝置及存儲介質
TW202029011A (zh) 螺絲鎖附異常警報方法、裝置、電腦裝置及存儲介質
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN115825313B (zh) 色谱信息检测方法、装置、电子设备和计算机可读介质
CN112259078A (zh) 一种音频识别模型的训练和非正常音频识别的方法和装置
CN109697083B (zh) 数据的定点化加速方法、装置、电子设备及存储介质
CN109783367B (zh) 接口测试方法、装置、计算机装置及存储介质
TW202123026A (zh) 資料歸檔方法、裝置、電腦裝置及存儲介質
CN115798520A (zh) 语音检测的方法和装置、电子设备和存储介质
CN115953803A (zh) 人体识别模型的训练方法及装置
US11527058B2 (en) Data generating method, and computing device and non-transitory medium implementing same
TW202127327A (zh) 資料生成方法、裝置、電腦裝置及存儲介質
TW202133041A (zh) 指紋圖像的特徵提取方法、裝置及電腦可讀存儲介質
TWI735001B (zh) 數據模型選擇優化方法、裝置、電腦裝置及存儲介質
TW202101205A (zh) 參數同步方法、電腦裝置及存儲介質
TWI712033B (zh) 聲音識別方法、裝置、電腦裝置及存儲介質
TW202145062A (zh) 圖像識別方法、裝置、電腦裝置及存儲介質
TWI748867B (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
CN110928788B (zh) 服务验证方法及设备
US20220044061A1 (en) Data labeling model training method, electronic device and storage medium