TWI727323B - 返修板檢測裝置、方法及電腦可讀取存儲介質 - Google Patents
返修板檢測裝置、方法及電腦可讀取存儲介質 Download PDFInfo
- Publication number
- TWI727323B TWI727323B TW108117936A TW108117936A TWI727323B TW I727323 B TWI727323 B TW I727323B TW 108117936 A TW108117936 A TW 108117936A TW 108117936 A TW108117936 A TW 108117936A TW I727323 B TWI727323 B TW I727323B
- Authority
- TW
- Taiwan
- Prior art keywords
- rework
- board
- model
- information
- feature
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
-
- 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
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
一種返修板檢測方法,包括:獲取多個返修板之返修資訊;從所述返修資訊中提取預設特徵資訊;對提取得到之預設特徵資訊進行解析處理,以得到訓練特徵;基於所述訓練特徵建立並訓練得到返修板檢測模型;及接收並將待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板之檢測結果。本發明還提供一種返修板檢測裝置及電腦可讀取存儲介質。
Description
本發明涉及工業互聯網技術領域,尤其涉及一種返修板檢測裝置、方法及電腦可讀取存儲介質。
隨著電子通信技術之發展,通信設備之出貨量居高不下。當客戶發現通信設備發生故障時,一般會退回給該設備廠商進行維修。以伺服器主機板為例,客戶退回之返修主機板需進行進一步維修之故障主機板佔據約50%~60%,而其他返修主機板並不需要維修。習知之做法是對所有退回之返修主機板進行測試,以找出其中需要維修之故障主機板。維修後再將返修主機板返回給客戶,由於存於很多不需要進行維修之返修主機板,將會造成了人力工時、測試成本、運費等損失。
有鑑於此,有必要提供一種返修板檢測裝置、方法及電腦可讀取存儲介質,其能實現確定返修板是否需要維修,可減少不必要之損失。
本發明一實施方式提供一種返修板檢測方法,所述方法包括:獲取多個返修板之返修資訊;從所述返修資訊中提取預設特徵資訊;對提取得到之預設特徵資訊進行解析處理,以得到訓練特徵;基於所述訓練特徵建立並訓
練得到返修板檢測模型;及接收並將待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板之檢測結果。
優選地,所述獲取多個返修板之返修資訊之步驟包括:從每一所述返修板之基板管理控制器中獲取所述返修資訊。
優選地,所述預設特徵資訊包括以下一種或多種:系統資訊目錄代碼、系統資訊目錄、資訊分類、狀態資訊產生時間、狀態資訊、狀態資訊代碼、硬體位置資訊、硬體名稱、硬體位址資料。
優選地,所述對提取得到之預設特徵資訊進行解析處理,以得到訓練特徵之步驟包括:獲取所述預設特徵資訊對應之特徵值清單;對所述特徵值清單中之每一特徵值進行編碼,並基於預設真值轉換規則將所述預設特徵資訊包含之特徵值轉換為真值,以建立得到特徵真值表;及將所述特徵真值表及所述預設特徵資訊對應之返修板之檢測結果作為所述訓練特徵。
優選地,所述基於所述訓練特徵建立並訓練得到返修板檢測模型之步驟包括:建立機器學習模型,並利用所述訓練特徵對所述機器學習模型進行訓練得到所述返修板檢測模型;其中,於所述返修板檢測模型中,每一所述特徵值可訓練得到一權重值,以使得所述返修板檢測模型基於每一所述特徵值之權重值得到所述待測返修板之檢測結果。
優選地,所述預設真值轉換規則包括:若所述特徵值清單中之一特徵值於所述預設特徵資訊中出現過,則將該特徵值轉換為真值“1”,若所述特徵值清單中之一特徵值於所述預設特徵資訊中未出現過,則將該特徵值轉換為真值“0”。
優選地,所述基於所述訓練特徵建立並訓練得到返修板檢測模型之步驟包括:將所述訓練特徵劃分為訓練集及驗證集;建立機器學習模型,並利用所述訓練集對所述機器學習模型進行訓練,其中所述機器學習模型包括輸
入層、多個隱藏層及輸出層;利用所述驗證集對訓練後之機器學習模型進行驗證,並根據每一驗證結果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,則將訓練完成之所述機器學習模型作為所述返修板檢測模型。
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,則調整所述機器學習模型之參數,並利用所述訓練集重新對調整後之機器學習模型進行訓練;利用所述驗證集對重新訓練之機器學習模型進行驗證,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,則將所述重新訓練得到之機器學習模型作為所述返修板檢測模型;及若所述重新統計得到之模型預測準確率仍小於所述預設閾值,則重複上述步驟直至藉由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。
優選地,所述接收並將待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板之檢測結果之步驟包括:接收待測返修板之返修資訊;將所述待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板是正常返修板之概率值,或者得到所述待測返修板是異常返修板之概率值;判斷所述概率值是否大於等於預設概率;及根據判斷結果得到所述待測返修板之檢測結果
本發明一實施方式提供一種返修板檢測裝置,所述返修板檢測裝置包括處理器及記憶體,所述記憶體上存儲有複數電腦程式,所述處理器用於執行記憶體中存儲之電腦程式時實現上述所述之返修板檢測方法之步驟。
本發明一實施方式還提供一種電腦可讀取存儲介質,所述電腦可讀取存儲介質存儲有多條指令,多條所述指令可被一個或者多個處理器執行,
以實現上述所述之返修板檢測方法之步驟。
與習知技術相比,上述返修板檢測裝置、方法及電腦可讀取存儲介質,基於機器學習演算法與從多個返修板樣本中提取得到之訓練特徵來建立並訓練得到返修板檢測模型,並利用該返修板檢測實現識別出目標返修板是否需要維修,可減少不必要之損失,可有效地避免返修板退回浪費運費、時間、人力成本等。
10:記憶體
20:處理器
30:電腦程式
40:返修板檢測系統
101:獲取模組
102:提取模組
103:解析模組
104:訓練模組
105:檢測模組
100:返修板檢測裝置
圖1是本發明一實施方式之返修板檢測裝置之運用架構示意圖。
圖2是本發明一實施方式之返修板檢測系統之功能模組圖。
圖3是本發明一實施方式之返修板檢測方法之流程圖。
請參閱圖1,為本發明返修板檢測裝置較佳實施例之示意圖。
所述返修板檢測裝置100包括記憶體10、處理器20以及存儲於所述記憶體10中並可於所述處理器20上運行之電腦程式30,例如返修板檢測程式。所述處理器20執行所述電腦程式30時實現返修板檢測方法實施例中之步驟,例如圖3所示之步驟S300~S308。或者,所述處理器20執行所述電腦程式30時實現返修板檢測系統實施例中各模組之功能,例如圖2中之模組101~105。
所述電腦程式30可被分割成一個或多個模組/單元,所述一個或者多個模組/單元被存儲於所述記憶體10中,並由所述處理器20執行,以完成本發明。所述一個或多個模組/單元可是能夠完成特定功能之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30於所述返修板檢測裝置100中之執行過程。例如,所述電腦程式30可被分割成圖2中之獲取模組101、提取模組102、
解析模組103、訓練模組104及檢測模組105。各模組具體功能參見返修板檢測系統實施例中各模組之功能。
所述返修板檢測裝置100可是桌上型電腦、掌上型電腦、伺服器等計算設備。本領域技術人員可理解,所述示意圖僅是返修板檢測裝置100之示例,並不構成對返修板檢測裝置100之限定,可包括比圖示更多或更少之部件,或者組合某些部件,或者不同之部件,例如所述返修板檢測裝置100還可包括輸入輸出設備、網路接入設備、匯流排等。
所稱處理器20可是中央處理單元(Central Processing Unit,CPU),還可是其他通用處理器、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。通用處理器可是微處理器或者所述處理器20亦可是任何常規之處理器等,所述處理器20可利用各種介面與線路連接整個返修板檢測裝置100之各個部分。
所述記憶體10可用於存儲所述電腦程式30與/或模組/單元,所述處理器20藉由運行或執行存儲於所述記憶體10內之電腦程式與/或模組/單元,以及調用存儲於記憶體10內之資料,實現所述返修板檢測裝置100之各種功能。所述記憶體10可包括高速隨機存取記憶體,還可包括非易失性記憶體,例如硬碟機、記憶體、插接式硬碟機,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。
圖2為本發明返修板檢測系統較佳實施例之功能模組圖。
參閱圖2所示,返修板檢測系統40可包括獲取模組101、提取模組102、解析模組103、訓練模組104及檢測模組105。於一實施方式中,上述
模組可為存儲於所述記憶體10中且可被所述處理器20調用執行之可程式化軟體指令。可理解之是,於其他實施方式中,上述模組亦可為固化於所述處理器20中之程式指令或固件(firmware)。
所述獲取模組101用於獲取多個返修板之返修資訊。
於一實施方式中,所述返修板可是指被客戶退回之伺服器主機板、電腦主機板等。可預先建立一樣本資料庫,所述樣本資料庫存儲有多個返修板之返修資訊,且每一返修板已經確定是正常返修板還是異常返修板,所述正常返修板可是指不需要進行維修之返修板,所述異常返修板可是指需要進行維修之返修板。
於一實施方式中,所述獲取模組101可藉由與所述樣本資料庫進行通信,來獲取多個返修板之返修資訊。多個返修板之具體數量可根據後續之模型訓練需求來確定,於此不做限定。
可理解所述獲取模組101獲取之多個返修板之返修資訊包括多個正常返修板之返修資訊及多個異常返修板之返修資訊,進而可提高模型訓練之準確性。
於一實施方式中,返修板之返修資訊優選存儲於該返修板之基板管理控制器(BMC)中。
所述提取模組102用於從所述返修資訊中提取預設特徵資訊。
於一實施方式中,由於返修板之返修資訊包含有返修板之各種資料,該些資料可是指基板管理控制器中所存儲之所有資料。但進行模型訓練時,並不需要用到所有資料,所述提取模組102可從所述返修資訊中提取預設特徵資訊。
於一實施方式中,所述預設特徵資訊包括以下一種或多種:系統資訊目錄代碼(Agent ID)、系統資訊目錄(Category)、資訊分類(Severity)、
狀態資訊產生時間(Timestamp)、狀態資訊(Message)、狀態資訊代碼(Message ID)、硬體位置資訊(FQDD)、硬體名稱(Arg)、硬體位址資料(Raw Event Date)。
可理解每一返修板均可提取得到一預設特徵資訊,不同之返修板之預設特徵資訊之具體內容可能不相同。
所述解析模組103用於對提取得到之預設特徵資訊進行解析處理,以得到訓練特徵。
於一實施方式中,當提取得到預設特徵資訊後,還需要對所述預設特徵資訊進行解析處理,以將所述預設特徵資訊轉換為可用於模型訓練之訓練特徵。進而,多個返修板可得到多個訓練特徵。
於一實施方式中,所述解析模組103可藉由以下方式實現對提取得到之預設特徵資訊進行解析處理:獲取所述預設特徵資訊對應之特徵值清單;對所述特徵值清單中之每一特徵值進行編碼,並基於預設真值轉換規則將所述預設特徵資訊包含之特徵值轉換為真值,以建立得到特徵真值表;及將所述特徵真值表及所述預設特徵資訊對應之返修板之檢測結果作為所述訓練特徵。
可理解所述特徵值清單彙集了所述預設特徵資訊可能出現之所有特徵值之集合。所述預設特徵資訊包含之特徵值可是所述特徵值清單中之部分或者全部特徵值。
於一實施方式中,所述預設真值轉換規則可是:若所述特徵值清單中之一特徵值於所述預設特徵資訊中出現過,則將該特徵值轉換為真值“1”,若所述特徵值清單中之一特徵值於所述預設特徵資訊中未出現過,則將該特徵值轉換為真值“0”。
舉例而言,以300塊返修板為例,返修板編號為PPID1、PPID2、PPID3、...、PPID300。所述預設特徵資訊為狀態資訊,所述狀態資訊對應之特
徵值清單包括4000種特徵值(假設4000種特徵值分別為INFO1、INFO2、INFO3、INFO4、...、INFO4000),每一特徵值需要進行編碼,比如編碼為1、2、3、4、...、4000,每一編碼即對應一特徵值。假設返修板PPID1(正常返修板)之狀態資訊包含之特徵值為:INFO1、INFO4、INFO5...、INFO4000,返修板PPID2(異常返修板)之狀態資訊包含之特徵值為:INFO2、INFO4、INFO5...、INFO4000,返修板PPID3(異常返修板)之狀態資訊包含之特徵值為:INFO2、INFO3、...、INFO4000,返修板PPID4(正常返修板)之狀態資訊包含之特徵值為:INFO2、INFO3、INFO4、...、INFO4000,返修板PPID300(異常返修板)之狀態資訊包含之特徵值為:INFO1、INFO3、INFO5、...、INFO4000。
然後判斷所述特徵值清單中之一特徵值於每一返修板之狀態資訊中是否出現過,若所述特徵值清單中之一特徵值於所述狀態資訊中出現過,則將該特徵值轉換為真值“1”,若所述特徵值清單中之一特徵值於所述狀態資訊中未出現過,則將該特徵值轉換為真值“0”。進而可得到如下所示之特徵真值表:
於上表中,“Y”表示該返修板為正常返修板,“N”表示該返修板為異常返修板。
可理解當所述預設特徵資訊為狀態資訊代碼或者其他一個或多個資訊時,同樣可藉由上述方式來得到基於狀態資訊代碼之訓練特徵,於此不再詳述。
所述訓練模組104用於基於所述訓練特徵建立並訓練得到返修板檢測模型。
於一實施方式中,所述返修板檢測模型可是基於機器學習模型(比如神經網路模型)與多個訓練特徵訓練出來之模型。具體地,所述訓練模組104可先建立一機器學習模型,所述機器學習模型包括輸入層、多個隱藏層及輸出層,再利用多個訓練特徵對所述機器學習模型進行訓練得到所述返修板檢測模型。
所述機器學習模型之輸入層用於接收多個訓練特徵,每一隱藏層包括多個節點(神經元),每一隱藏層中之每一節點被配置成對來自該模型中之相鄰下層之至少一個節點之輸出執行線性或非線性變換。其中,上層隱藏層之節
點之輸入可基於相鄰下層中之一個節點或複數節點之輸出,每個隱藏層具有對應之權值。於對該模型進行訓練時,可藉由利用有監督之學習過程來進行模型之訓練,得到各個隱藏層之初始權值。可藉由向後傳播(Back propagation,BP)演算法來對各隱藏層之權值之進行調節,所述機器學習模型之輸出層用於接收來自最後一層隱藏層之輸出信號。
於一實施方式中,所述訓練模組104基於所述訓練特徵建立並訓練得到返修板檢測模型之方式可具體包括:a1.將所述訓練特徵劃分為訓練集及驗證集(比如80%之訓練特徵劃分為訓練集,20%之訓練特徵劃分為驗證集);a2.建立機器學習模型,並利用所述訓練集對所述機器學習模型進行訓練;a3.利用所述驗證集對訓練後之機器學習模型進行驗證,並根據每一驗證結果統計得到一模型預測準確率;a4.判斷所述模型預測準確率是否小於預設閾值;a5.若所述模型預測準確率不小於所述預設閾值,將訓練完成之所述機器學習模型作為所述返修板檢測模型;a6.若所述模型預測準確率小於所述預設閾值,調整所述機器學習模型之參數,並利用所述訓練集重新對調整後之機器學習模型進行訓練,直到驗證集驗證得到之模型預測準確率不小於所述預設閾值,其中所述神經網路模型之參數可包括總層數、每一層之神經元數等。
於一實施方式中,所述調整所述機器學習模型之參數可是調整所述機器學習模型之總層數與/或每一層之神經元數。所述訓練集用於對機器學習模型進行訓練,所述驗證集用於對訓練後之機器學習模型進行驗證。
於一實施方式中,所述訓練模組104將所述驗證集中之每一訓練特徵輸入至訓練後之機器學習模型進行驗證,並根據每一驗證結果可統計得到
一模型預測準確率;再判斷所述模型預測準確率是否小於預設閾值;若所述中間模型預測準確率不小於所述預設閾值,表明訓練後之機器學習模型滿足使用需求,可直接將所述訓練後之機器學習模型作為所述返修板檢測模型;若所述模型預測準確率小於所述預設閾值時,表明該訓練後之機器學習模型還需要進行改善,此時可調整所述機器學習模型之參數,並利用所述訓練集重新對調整後之機器學習模型進行訓練,然後再次利用所述驗證集對重新訓練後之機器學習模型進行驗證得到一新之模型預測準確率,再判斷該新之模型預測準確率是否小於預設閾值,若該新之模型預測準確率不小於所述預設閾值,表明重新訓練得到之模型滿足使用需求,可作為所述返修板檢測模型;如果該新之模型預測準確率仍然小於所述預設閾值,需要再次重複上述步驟直至藉由驗證集得到之模型預測準確率不小於所述預設閾值。
於一實施方式中,所述預設閾值可根據實際使用需求進行設定,例如所述預設閾值設置為90%,即模型預測準確率需不小於90%。
所述檢測模組105用於接收並將待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板之檢測結果。
於一實施方式中,當完成返修板檢測模型訓練後,即可利用所述返修板檢測模型對待測返修板進行檢查,以判斷待測返修板是正常返修板還是異常返修板,可直接將接收到之待測返修板之返修資訊傳至所述返修板檢測模型中,獲取所述返修板檢測模型之輸出即可得到所述待測返修板之檢測結果。所述檢測結果即為所述待測返修板是正常返修板還是異常返修板。
於一實施方式中,所述檢測模組105可藉由以下方式得到所述待測返修板之檢測結果:接收待測返修板之返修資訊;將所述待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板是正常返修板之概率值,或者得到所述待測返修板是異常返修板之概率值;判斷所述概率值是否大
於等於預設概率;及根據判斷結果得到所述待測返修板之檢測結果。
舉例而言,設定待測返修板是正常返修板之概率值大於等於98%,表明待測返修板是正常返修板,無需維修,若得到待測返修板是正常返修板之概率值小於98%,判定該待測返修板是異常返修板,需要進行檢測維修。
於一實施方式中,所述訓練模組104利用所述訓練特徵對所述返修板檢測模型進行訓練過程中,可得到特徵真值表中每一特徵值之權重值,所述檢測模組105可根據修板檢測模型中之預設計算演算法及每一特徵值之權重值計算得到所述待測返修板是正常返修板之概率值,或者計算得到所述待測返修板是異常返修板之概率值。
圖3為本發明一實施方式中返修板檢測方法之流程圖。根據不同之需求,所述流程圖中步驟之順序可改變,某些步驟可省略。
步驟S300,獲取多個返修板之返修資訊。
步驟S302,從所述返修資訊中提取預設特徵資訊。
步驟S304,對提取得到之預設特徵資訊進行解析處理,以得到訓練特徵。
步驟S306,基於所述訓練特徵建立並訓練得到返修板檢測模型。
步驟S308,接收並將待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板之檢測結果。
上述返修板檢測裝置、方法及電腦可讀取存儲介質,基於機器學習演算法與從多個返修板樣本中提取得到之訓練特徵來建立並訓練得到返修板檢測模型,並利用該返修板檢測實現識別出目標返修板是否需要維修,可減少不必要之損失,可有效地避免返修板退回浪費運費、時間、人力成本等。
綜上所述,本發明符合發明專利要件,爰依法提出專利申請。惟,以上所述者僅為本發明之較佳實施方式,本發明之範圍並不以上述實施方式為
限,舉凡熟悉本案技藝之人士爰依本發明之精神所作之等效修飾或變化,皆應涵蓋於以下申請專利範圍內。
Claims (10)
- 一種返修板檢測方法,所述方法包括:獲取多個返修板之返修資訊;從所述返修資訊中提取預設特徵資訊;獲取所述預設特徵資訊對應之特徵值清單;對所述特徵值清單中之每一特徵值進行編碼,並基於預設真值轉換規則將所述預設特徵資訊包含之特徵值轉換為真值,以建立得到特徵真值表;將所述特徵真值表及所述預設特徵資訊對應之返修板之檢測結果作為訓練特徵;基於所述訓練特徵建立並訓練得到返修板檢測模型;及接收並將待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板之檢測結果;其中,於所述返修板檢測模型中,每一所述特徵值可訓練得到一權重值,以使得所述返修板檢測模型基於每一所述特徵值之權重值得到所述待測返修板之檢測結果。
- 如請求項1所述之方法,其中所述獲取多個返修板之返修資訊之步驟包括:從每一所述返修板之基板管理控制器中獲取所述返修資訊。
- 如請求項1所述之方法,其中所述預設特徵資訊包括以下一種或多種:系統資訊目錄代碼、系統資訊目錄、資訊分類、狀態資訊產生時間、狀態資訊、狀態資訊代碼、硬體位置資訊、硬體名稱、硬體位址資料。
- 如請求項1所述之方法,其中所述基於所述訓練特徵建立並訓練得到返修板檢測模型之步驟包括:建立機器學習模型,並利用所述訓練特徵對所述機器學習模型進行訓練得到所 述返修板檢測模型。
- 如請求項1所述之方法,其中所述預設真值轉換規則包括:若所述特徵值清單中之一特徵值於所述預設特徵資訊中出現過,則將該特徵值轉換為真值“1”,若所述特徵值清單中之一特徵值於所述預設特徵資訊中未出現過,則將該特徵值轉換為真值“0”。
- 如請求項1至3中任意一項所述之方法,其中所述基於所述訓練特徵建立並訓練得到返修板檢測模型之步驟包括:將所述訓練特徵劃分為訓練集及驗證集;建立機器學習模型,並利用所述訓練集對所述機器學習模型進行訓練,其中所述機器學習模型包括輸入層、多個隱藏層及輸出層;利用所述驗證集對訓練後之機器學習模型進行驗證,並根據每一驗證結果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,則將訓練完成之所述機器學習模型作為所述返修板檢測模型。
- 如請求項6所述之方法,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,則調整所述機器學習模型之參數,並利用所述訓練集重新對調整後之機器學習模型進行訓練;利用所述驗證集對重新訓練之機器學習模型進行驗證,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,則將所述重新訓練得到之機器學習模型作為所述返修板檢測模型;及 若所述重新統計得到之模型預測準確率仍小於所述預設閾值,則重複上述步驟直至藉由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。
- 如請求項1所述之方法,其中所述接收並將待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板之檢測結果之步驟包括:接收待測返修板之返修資訊;將所述待測返修板之返修資訊傳至所述返修板檢測模型中,以得到所述待測返修板是正常返修板之概率值,或者得到所述待測返修板是異常返修板之概率值;判斷所述概率值是否大於等於預設概率;及根據判斷結果得到所述待測返修板之檢測結果。
- 一種返修板檢測裝置,所述返修板檢測裝置包括處理器及記憶體,所述記憶體上存儲有複數電腦程式,所述處理器用於執行記憶體中存儲之電腦程式時實現如請求項1至8中任一項所述之返修板檢測方法之步驟。
- 一種電腦可讀取存儲介質,所述電腦可讀取存儲介質存儲有多條指令,多條所述指令可被一個或者多個處理器執行,以實現如請求項1至8中任一項所述之返修板檢測方法之步驟。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094308.X | 2019-01-30 | ||
CN201910094308.XA CN111507483A (zh) | 2019-01-30 | 2019-01-30 | 返修板检测装置、方法及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202028975A TW202028975A (zh) | 2020-08-01 |
TWI727323B true TWI727323B (zh) | 2021-05-11 |
Family
ID=66597504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108117936A TWI727323B (zh) | 2019-01-30 | 2019-05-23 | 返修板檢測裝置、方法及電腦可讀取存儲介質 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11113165B2 (zh) |
EP (1) | EP3690658B1 (zh) |
JP (1) | JP6920378B2 (zh) |
CN (1) | CN111507483A (zh) |
TW (1) | TWI727323B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590390A (zh) * | 2020-04-30 | 2021-11-02 | 鸿富锦精密电子(郑州)有限公司 | 动态智能测试方法、系统、计算机装置及存储介质 |
JP2022019456A (ja) | 2020-07-17 | 2022-01-27 | ソニーセミコンダクタソリューションズ株式会社 | 発光装置および表示装置 |
US11539540B1 (en) * | 2021-11-30 | 2022-12-27 | International Business Machines Corporation | Ameliorative resource action during an e-conference |
CN115442980B (zh) * | 2022-08-16 | 2023-12-05 | 无锡市恒通电器有限公司 | 一种抗潮湿的电路板元器件布局方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI269990B (en) * | 2005-02-04 | 2007-01-01 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes with generic embedded devices |
TW201333688A (zh) * | 2012-02-09 | 2013-08-16 | Hon Hai Prec Ind Co Ltd | 具有bmc固件修復功能的電子裝置及修復方法 |
TW201333484A (zh) * | 2012-02-08 | 2013-08-16 | Ind Tech Res Inst | 設備異常的偵測裝置與方法 |
TWI446161B (zh) * | 2010-12-30 | 2014-07-21 | Ibm | 處理一多處理器資訊處理系統之一故障處理器的裝置及方法 |
TW201535108A (zh) * | 2014-02-14 | 2015-09-16 | Hon Hai Prec Ind Co Ltd | 電腦檢測系統及方法 |
TWI571736B (zh) * | 2015-03-06 | 2017-02-21 | 廣達電腦股份有限公司 | 自動除錯資訊收集之方法及系統 |
TWI588649B (zh) * | 2016-02-24 | 2017-06-21 | 廣達電腦股份有限公司 | 硬體修復方法、硬體修復系統以及計算機可讀取儲存裝置 |
TWI626537B (zh) * | 2016-04-26 | 2018-06-11 | 廣達電腦股份有限公司 | 分析包裝後修復的紀錄與使用的方法及系統 |
CN109189501A (zh) * | 2018-09-17 | 2019-01-11 | 郑州云海信息技术有限公司 | 一种bmc固件运行方法、修复方法、装置、设备及介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
US20050257095A1 (en) * | 2004-04-21 | 2005-11-17 | Gateway, Inc. | Apparatus and method for detecting and indicating faults on a motherboard |
TW200722990A (en) * | 2005-12-14 | 2007-06-16 | Inventec Corp | Power-on self test debugging system and method |
TW201109913A (en) * | 2009-09-02 | 2011-03-16 | Inventec Corp | Main system board error-detecting system and its pluggable error-detecting board |
CN102110042A (zh) * | 2009-12-25 | 2011-06-29 | 鸿富锦精密工业(深圳)有限公司 | 主板开机自检代码检测系统及方法 |
WO2015025472A1 (ja) | 2013-08-22 | 2015-02-26 | 日本電気株式会社 | 特徴変換学習装置、特徴変換学習方法およびプログラム記憶媒体 |
US9846637B2 (en) | 2015-12-02 | 2017-12-19 | Fujitsu Limited | Machine learning based software program repair |
CN107153630B (zh) * | 2016-03-04 | 2020-11-06 | 阿里巴巴集团控股有限公司 | 一种机器学习系统的训练方法和训练系统 |
JP6193428B1 (ja) | 2016-03-17 | 2017-09-06 | 株式会社東芝 | 特徴選択装置、特徴選択方法およびプログラム |
CN106126597A (zh) * | 2016-06-20 | 2016-11-16 | 乐视控股(北京)有限公司 | 用户属性预测方法及装置 |
US11416751B2 (en) | 2017-03-31 | 2022-08-16 | H2O.Ai Inc. | Time-based ensemble machine learning model |
CN107665353A (zh) * | 2017-09-15 | 2018-02-06 | 平安科技(深圳)有限公司 | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 |
CN108446676B (zh) * | 2018-05-03 | 2020-08-25 | 南京信息工程大学 | 基于有序编码及多层随机投影的人脸图像年龄判别方法 |
CN109214446B (zh) | 2018-08-27 | 2023-09-15 | 平安科技(深圳)有限公司 | 潜力绩优人员类型识别方法、系统、终端及计算机可读存储介质 |
-
2019
- 2019-01-30 CN CN201910094308.XA patent/CN111507483A/zh active Pending
- 2019-04-19 US US16/389,465 patent/US11113165B2/en active Active
- 2019-05-15 EP EP19174717.9A patent/EP3690658B1/en active Active
- 2019-05-23 TW TW108117936A patent/TWI727323B/zh active
- 2019-07-25 JP JP2019136896A patent/JP6920378B2/ja active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI269990B (en) * | 2005-02-04 | 2007-01-01 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes with generic embedded devices |
TWI446161B (zh) * | 2010-12-30 | 2014-07-21 | Ibm | 處理一多處理器資訊處理系統之一故障處理器的裝置及方法 |
TW201333484A (zh) * | 2012-02-08 | 2013-08-16 | Ind Tech Res Inst | 設備異常的偵測裝置與方法 |
TW201333688A (zh) * | 2012-02-09 | 2013-08-16 | Hon Hai Prec Ind Co Ltd | 具有bmc固件修復功能的電子裝置及修復方法 |
TW201535108A (zh) * | 2014-02-14 | 2015-09-16 | Hon Hai Prec Ind Co Ltd | 電腦檢測系統及方法 |
TWI571736B (zh) * | 2015-03-06 | 2017-02-21 | 廣達電腦股份有限公司 | 自動除錯資訊收集之方法及系統 |
TWI588649B (zh) * | 2016-02-24 | 2017-06-21 | 廣達電腦股份有限公司 | 硬體修復方法、硬體修復系統以及計算機可讀取儲存裝置 |
TWI626537B (zh) * | 2016-04-26 | 2018-06-11 | 廣達電腦股份有限公司 | 分析包裝後修復的紀錄與使用的方法及系統 |
CN109189501A (zh) * | 2018-09-17 | 2019-01-11 | 郑州云海信息技术有限公司 | 一种bmc固件运行方法、修复方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2020123308A (ja) | 2020-08-13 |
EP3690658B1 (en) | 2021-09-08 |
US11113165B2 (en) | 2021-09-07 |
TW202028975A (zh) | 2020-08-01 |
CN111507483A (zh) | 2020-08-07 |
JP6920378B2 (ja) | 2021-08-18 |
US20200241986A1 (en) | 2020-07-30 |
EP3690658A1 (en) | 2020-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI727323B (zh) | 返修板檢測裝置、方法及電腦可讀取存儲介質 | |
US11971959B2 (en) | Data test method, electronic device and storage medium | |
CN110175278B (zh) | 网络爬虫的检测方法及装置 | |
CN111078456B (zh) | 设备故障诊断方法、装置、计算机可读存储介质和电子设备 | |
KR20190060547A (ko) | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
US20070180411A1 (en) | Method and apparatus for comparing semiconductor-related technical systems characterized by statistical data | |
US20220221843A1 (en) | Anomaly detection in high-volume manufacturing lines | |
Ye et al. | Information-theoretic syndrome and root-cause analysis for guiding board-level fault diagnosis | |
CN115587017A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN115129019A (zh) | 生产线故障分析模型的训练方法及生产线故障分析方法 | |
Ye et al. | Knowledge-driven board-level functional fault diagnosis | |
CN114692887A (zh) | 半监督学习系统及半监督学习方法 | |
CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
CN117194963B (zh) | 工业fdc质量根因分析方法、设备及存储介质 | |
TWI840640B (zh) | 半監督學習系統及半監督學習方法 | |
TWI778634B (zh) | 故障分類方法、電子設備及儲存介質 | |
US20220383158A1 (en) | Method for classifying failure consumer devices on-line, electronic device employing method, and computer readable storage medium | |
WO2022266833A1 (zh) | 一种根因分析方法及相关设备 | |
Liu et al. | Use Machine Learning Based Smart Sampling to Improve System Level Testing Efficiency | |
Li et al. | Board-level Functional Test Selection Based on Fault Tree Analysis | |
CN114706856A (zh) | 故障处理方法及装置、电子设备和计算机可读存储介质 |