TWI778634B

TWI778634B - 故障分類方法、電子設備及儲存介質

Info

Publication number: TWI778634B
Application number: TW110118834A
Authority: TW
Inventors: 譚富元; 程靖涵
Original assignee: 新加坡商鴻運科股份有限公司
Priority date: 2021-05-25
Filing date: 2021-05-25
Publication date: 2022-09-21
Also published as: TW202247006A

Abstract

本申請提供一種故障分類方法、電子設備及儲存介質，所述方法包括：獲取訓練資料集，訓練資料集包括可複現故障資訊和不可複現故障資訊；篩選出每個可複現故障資訊中的第一關鍵資訊，以及每個不可複現故障資訊中的第二關鍵資訊；計算第一關鍵資訊的第一TF-IDF值以及第二關鍵資訊的第二TF-IDF值；根據第一TF-IDF值和預設的第一閾值確定第一特徵資訊庫；根據第二TF-IDF值和預設的第二閾值確定第二特徵資訊庫；使用第一特徵資訊庫和第二特徵資訊庫訓練故障分類器，並使用訓練完成的故障分類器對目標故障資訊進行分類。透過本申請可以快速地得到故障分類結果。

Description

故障分類方法、電子設備及儲存介質

本申請涉及二元分類技術領域，尤其涉及一種故障分類方法、電子設備及儲存介質。

當銷售給客戶的電子產品發生故障時，所述電子產品將被運回製造工廠由工程師人工判斷產品故障狀態，當故障狀態無法複現時，無法針對故障原因進行維修。當故障可以重現時，能夠根據重現故障狀態針對故障原因進行後續維修、測試作業。該種方式中，若需要人工判別故障狀態，受限於工程師的經驗，例如，可能因工程師訓練不足而導致判斷錯誤。此外，產品運送回原廠過程中耗費時間與金錢成本，甚至增加產品曝於外部環境引發產品折舊、撞擊等風險。

鑒於以上內容，有必要提供一種故障分類方法、電子設備及儲存介質，能提高伺服器的故障分類效率，降低成本。

本申請提供一種故障分類方法，所述方法包括：獲取訓練資料集，所述訓練資料集包括多個可複現故障資訊和多個不可複現故障資訊；篩選出每個所述可複現故障資訊中的多個第一關鍵資訊，以及每個所述不可複現故障資訊中的多個第二關鍵資訊；計算所述第一關鍵資訊的第一TF-IDF值以及所述第二關鍵資訊的第二TF-IDF值；根據所述第一TF-IDF值和預設的第一閾值確定第一特徵資訊庫；根據所述第二TF-IDF值和預設的第二閾值確定第二特徵資訊庫；使用所述第一特徵資訊庫和所述第二特徵資訊庫訓練故障分類器，並使用訓練完成的故障分類器對目標故障資訊進行分類。

在一種可能的實現方式中，所述篩選出每個所述可複現故障資訊中的第一關鍵資訊，以及每個所述不可複現故障資訊中的第二關鍵資訊包括：根據所述可複現故障資訊的嚴重程度從所述可複現故障資訊中篩選出第一嚴重錯誤資訊，將所述第一嚴重錯誤資訊作為所述第一關鍵資訊；根據所述不可複現故障資訊的嚴重程度從所述不可複現故障資訊中篩選出第二嚴重錯誤資訊，將所述第二嚴重錯誤資訊作為所述第二關鍵資訊。

在一種可能的實現方式中，所述根據所述第一TF-IDF值和預設的第一閾值確定第一特徵資訊庫包括：判斷所述第一TF-IDF值是否大於所述第一閾值；若所述第一TF-IDF值大於所述第一閾值，將所述第一TF-IDF值對應的第一關鍵資訊作為所述可複現故障資訊的第一特徵資訊；根據所述第一特徵資訊確定所述第一特徵資訊庫。

在一種可能的實現方式中，所述根據所述第二TF-IDF值和預設的第二閾值確定第二特徵資訊庫包括：判斷所述第二TF-IDF值是否大於所述第二閾值；若所述第二TF-IDF值大於所述第二閾值，將所述第二TF-IDF值對應的第二關鍵資訊作為所述不可複現故障資訊的第二特徵資訊；根據所述第二特徵資訊確定所述第二特徵資訊庫。

在一種可能的實現方式中，所述使用所述第一特徵資訊庫和所述第二特徵資訊庫訓練故障分類器包括：分別從所述第一特徵資訊庫和所述第二特徵資訊庫獲取預設第一比例的特徵資訊，作為目標訓練資料；將所述目標訓練資料登錄至預先搭建的神經網路框架中進行訓練，得到所述故障分類器，所述神經網路框架包括KERAS和TENSORFLOW；分別從所述第一特徵資訊庫和所述第二特徵資訊庫獲取預設第二比例的特徵資訊，作為目標測試資料；使用所述目標測試資料測試所述故障分類器並獲取測試透過率；當所述測試透過率大於預設透過率閾值時，將所述故障分類器作為目標故障分類器。

在一種可能的實現方式中，所述使用訓練完成的故障分類器對目標故障資訊進行分類包括：提取所述目標故障資訊中的第三關鍵資訊；計算所述第三關鍵資訊的第三TF-IDF值；判斷所述第三TF-IDF值是否大於預設的第三閾值；若所述第三TF-IDF值大於所述第三閾值，將所述第三TF-IDF值對應的所述第三關鍵資訊作為所述目標故障資訊的第三特徵資訊；根據所述第三特徵資訊，使用訓練完成的故障分類器對所述目標故障資訊進行分類。

在一種可能的實現方式中，所述方法還包括：即時偵測雲端平臺是否有新檔案上傳；若偵測到新檔案上傳，透過Restful應用程式介面將所述新檔案回傳至本地資料庫；當所述新檔案寫入所述本地資料庫後，調用訓練完成的故障分類器對目標故障資訊進行分類，得到預測值；將所述預測值寫入所述本地資料庫；透過所述Restful應用程式介面回傳所述預測值至所述雲端平臺，在所述雲端平臺上顯示所述預測值。

在一種可能的實現方式中，所述方法還包括：設定更新週期；每隔所述更新週期，對所述分類器進行重新訓練。

本申請還提供一種電子設備，所述電子設備包括處理器和記憶體，所述處理器用於執行所述記憶體中儲存的電腦程式時實現所述的故障分類方法。

本申請還提供一種電腦可讀儲存介質，所述電腦可讀儲存介質上儲存有電腦程式，所述電腦程式被處理器執行時實現所述的故障分類方法。

本申請公開的故障分類方法、電子設備及儲存介質，透過獲取訓練資料集，所述訓練資料集包括多個可複現故障資訊和多個不可複現故障資訊，篩選出每個所述可複現故障資訊中的多個第一關鍵資訊，以及每個所述不可複現故障資訊中的多個第二關鍵資訊，計算所述第一關鍵資訊的第一TF-IDF值以及所述第二關鍵資訊的第二TF-IDF值，根據所述第一TF-IDF值和預設的第一閾值確定第一特徵資訊庫，根據所述第二TF-IDF值和預設的第二閾值確定第二特徵資訊庫，最後使用所述第一特徵資訊庫和所述第二特徵資訊庫訓練故障分類器，並使用訓練完成的故障分類器對目標故障資訊進行分類。透過利用TF-IDF演算法以及分類器進行故障判別，能提高所述故障分類效率，降低成本。

S101~S106:步驟

1:電子設備

11:記憶體

12:處理器

13:通訊匯流排

圖1是本申請實現故障分類方法的較佳實施例的電子設備的結構示意圖。

圖2是本申請公開的一種故障分類方法的較佳實施例的流程圖。

為了使本申請的目的、技術方案和優點更加清楚，下面結合附圖和具體實施例對本申請進行詳細描述。

請參閱圖1，圖1為本申請一實施例的電子設備的示意圖。參閱圖1所示，所述電子設備1包括，但不僅限於，記憶體11和至少一個處理器12上述元件之間可以透過匯流排連接，也可以直接連接。

所述電子設備1可以是電腦、手機、平板電腦、個人數位助理(Personal Digital Assistant，PDA)等安裝有應用程式的設備。本領域技術人員可以理解，所述示意圖1僅僅是電子設備1的示例，並不構成對電子設備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，例如所述電子設備1還可以包括輸入輸出設備、網路接入設備、匯流排等。

如圖2所示，是本申請故障分類方法的較佳實施例的流程圖。根據不同的需求，該流程圖中步驟的順序可以改變，某些步驟可以省略。在本實施方式中，所述故障分類方法包括：

S101、獲取訓練資料集，所述訓練資料集包括多個可複現故障資訊和多個不可複現故障資訊。

在本申請的實施例中，所述可複現故障資訊為當重複性故障發生時，所記錄的當前伺服器的狀態日誌資料，其中所述狀態日誌資料包括所述伺服器的多項資料。例如，產品啟動過程中黑屏，將產品重新開機後仍然黑屏，就可以將黑屏故障確定為所述重複性故障。在實際應用中，若一個故障發生的次數超過預設數量(例如，3次)，可認定所述故障為重複性故障。所述不可複現故障資訊為當偶發性故障發生時，所記錄的當前伺服器的狀態日誌資料，其中所述狀態日誌資料包括所述伺服器的多項資料。例如，產品在使用時宕機，將產品重新開機後恢復正常，就可以將宕機故障確定為所述偶發性故障。其中，偶發性故障可以是指發生次數少於預設數量的故障。

在本實施方式中，可以透過基板管理控制器BMC獲取伺服器運行時的狀態資料。所述狀態資料可以為本地模式用戶端唯一標識Agent ID、伺服器類Category、故障嚴重程度Severity、時間戳記Timestamp、消息Message和消息標識Message ID。在本實施方式中，選取Message ID作為狀態資料。例如，SYS1003代表系統CPU重定(System CPU Resetting)。

S102、篩選出每個所述可複現故障資訊中的多個第一關鍵資訊，以及每個所述不可複現故障資訊中的多個第二關鍵資訊。

在實際應用中，由於每個所述可複現故障資訊和每個所述不可複現故障資訊中包含大量的資料，其中所述資料中既存在一些代表性資料，又存在一些不具代表性的資料。因此需要將所述代表性型資料從大量的資料中提取出來。

在本申請的實施例中，所述Message ID可用於表示故障的嚴重程度，例如，按照嚴重程度的等級可以依次為調試(debugging)、資訊(informational)、警告(warning)、錯誤(error)和嚴重錯誤(critical)多個級別。在本實施方式中，選取嚴重錯誤(critical)級別的Message ID。具體地，提取每個所述可複現故障資訊中的critical級別的Message ID，將所述critical級別的Message ID作為所述第一關鍵資訊。提取每個所述不可複現故障資訊中的critical級別的Message ID，將所述critical級別的Message ID作為所述第二關鍵資訊。

S103、計算所述第一關鍵資訊的第一詞頻-逆文本頻率(term frequency-inverse document frequency，TF-IDF)值以及所述第二關鍵資訊的第二TF-IDF值。

在本申請的實施例中，TF-IDF值是一種用於資訊檢索與文字探勘的常用加權技術，可用來評估單詞對於檔的集合或詞庫中一份文件的重要程度。若所述單詞的TF-IDF值越大，就表示所述單詞對於所述檔的集合或所述詞庫越重要，說明所述單詞具有很好的類別區分能力，適合用來分類。其中TF-IDF值為TF*IDF。TF表示詞頻，計算公式為

。其中n _i,j表示所述單詞在對應的文檔中出現的次數，

表示所述對應的文檔中所有單詞的數量。IDF 表示反文檔頻率，計算公式為

。其中D表示文檔總數，T表示包含所述單詞的文檔的數量。

在本申請的實施例中，所述計算所述第一關鍵資訊的第一TF-IDF值包括：獲取每個所述第一關鍵資訊在對應的可複現故障資訊中出現的數量，記為t1；獲取每個所述對應的可複現故障資訊中資訊的總數量，記為d1；計算每個所述第一關鍵資訊的TF值為t1/d1；確定所述可複現故障資訊和不可複現故障資訊的總數量為D；確定包含所述第一關鍵資訊的可複現故障資訊和不可複現故障資訊的數量為T1；計算所述第一關鍵資訊的IDF值為log

；基於所述第一關鍵資訊的TF值和IDF值得到所述TF-IDF值為

。

在本申請的實施例中，所述計算每個所述第二關鍵資訊的TF-IDF值包括：獲取每個所述第二關鍵資訊在對應的不可複現故障資訊中出現的數量，記為t2；獲取每個所述對應的不可複現故障資訊中資訊的總數量，記為d2；計算所述第二關鍵資訊的TF值為t2/d2；確定包含所述第二關鍵資訊的可複現故障資訊和不可複現故障資訊的數量為T2；計算所述第二關鍵資訊的IDF值為log

；基於所述第二關鍵資訊的TF值和IDF值得到所述TF-IDF值為

。

S104、根據所述第一TF-IDF值和預設的第一閾值確定第一特徵資訊庫。

在本申請的實施例中，透過預先設置一個閾值，並將所述第一關鍵資訊的TF-IDF值與所述閾值進行比對，篩選出所述可複現故障資訊的特徵資訊。

在本申請的實施例中，所述根據所述第一TF-IDF值和預設的第一閾值確定第一特徵資訊庫包括：判斷所述第一TF-IDF值是否大於所述第一閾值；若所述第一TF-IDF值大於所述第一閾值，將所述第一TF-IDF值對應的第一關鍵資訊作為所述可複現故障資訊的第一特徵資訊；根據所述第一特徵資訊確定所述第一特徵資訊庫。

在本申請的實施例中，若所述第一關鍵資訊的TF-IDF值大於所述第一閾值，說明所述第一關鍵資訊在所述可複現故障資訊中出現的頻率高，在所述不可複現故障資訊中出現的頻率低。因此，TF-IDF值大於所述第一閾值的第一關鍵資訊可以用來區分所述可複現故障資訊。

S105、根據所述第二TF-IDF值和預設的第二閾值確定第二特徵資訊庫。

在本申請的實施例中，將所述第二關鍵資訊的TF-IDF值與所述第二閾值進行比對，篩選出所述不可複現故障資訊的特徵資訊。

在本申請的實施例中，所述根據所述第二TF-IDF值和預設的第二閾值確定第二特徵資訊庫包括：判斷所述第二TF-IDF值是否大於所述第二閾值；若所述第二TF-IDF值大於所述第二閾值，將所述第二TF-IDF值對應的第二關鍵資訊作為所述不可複現故障資訊的第二特徵資訊；根據所述第二特徵資訊確定所述第二特徵資訊庫。

在本申請的實施例中，若所述第二關鍵資訊的TF-IDF值大於所述第二閾值，說明所述第二關鍵資訊在所述不可複現故障資訊中出現的頻率高，在所述可複現故障資訊中出現的頻率低。因此，TF-IDF值大於所述第二閾值的第二關鍵資訊可以用來區分所述不可複現故障資訊。

S106、使用所述第一特徵資訊庫和所述第二特徵資訊庫訓練故障分類器，並使用訓練完成的故障分類器對目標故障資訊進行分類。

為了對故障進行分類，需要訓練故障分類器。

在本申請的實施例中，所述使用所述第一特徵資訊庫和所述第二特徵資訊庫訓練故障分類器包括：分別從所述第一特徵資訊庫和所述第二特徵資訊庫獲取預設第一比例的特徵資訊，作為目標訓練資料；將所述目標訓練資料登錄至預先搭建的神經網路框架中進行訓練，得到所述故障分類器，所述神經網路框架包括KERAS和TENSORFLOW；分別從所述第一特徵資訊庫和所述第二特徵資訊庫獲取預設第二比例的特徵資訊，作為目標測試資料；使用所述目標測試資料測試所述故障分類器並獲取測試透過率；當所述測試透過率大於預設透過率閾值時，則將所述故障分類器作為目標故障分類器；當所述測試透過率小於所述預設透過率閾值時，增加目標訓練資料的數量，並以增加後的目標訓練資料重新訓練分類器，直至所述測試透過率大於所述預設透過率閾值。

具體實施時，可以設定更新週期，每隔所述更新週期，對所述分類器進行重新訓練。

在本申請的實施例中，所述使用訓練完成的故障分類器對目標故障資訊進行分類包括：提取所述目標故障資訊中的多個第三關鍵資訊，其中，所述第三關鍵資訊包括所述目標故障資訊中嚴重錯誤級別的狀態資料；計算所述第三關鍵資訊的第三TF-IDF值；判斷所述第三TF-IDF值是否大於預設的第三閾值；若所述第三TF-IDF值大於所述第三閾值，將所述第三TF-IDF值對應的所述第三關鍵資訊作為所述目標故障資訊的第三特徵資訊；使用訓練完成的故障分類器根據所述第三特徵資訊進行分類。

透過採用TF-IDF演算法訓練故障分類模型，使得所述故障分類模型具有泛化特質，能更廣泛的套用在不同產品上。也就是說，若未來有其他產品需要構建可複現/不可複現分類模型，只需要透過所述產品回傳的資料，套用TF-IDF演算法進行模型訓練後便可進行故障分類，識別故障的類型為可複現或不可複現。

所述步驟S106之後，所述方法還包括：即時偵測雲端平臺是否有故障資訊上傳；若偵測到故障資訊上傳，透過Restful應用程式介面將所述故障資訊回傳至本地資料庫；當所述故障資訊寫入所述本地資料庫後，調用訓練完成的故障分類器對目標故障資訊進行分類，得到預測值；將所述預測值寫入所述本地資料庫；透過所述Restful應用程式介面回傳所述預測值至所述雲端平臺，在所述雲端平臺上顯示所述預測值。

請繼續參閱圖1，本實施例中，所述記憶體11可以是電子設備1的內部記憶體，即內置於所述電子設備1的記憶體。在其他實施例中，所述記憶體11也可以是電子設備1的外部記憶體，即外接於所述電子設備1的記憶體。

在一些實施例中，所述記憶體11用於儲存程式碼和各種資料，並在電子設備1的運行過程中實現高速、自動地完成程式或資料的存取。

所述記憶體11可以包括隨機存取記憶體，還可以包括非易失性記憶體，例如硬碟、記憶體、插接式硬碟、智慧儲存卡(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。

在一實施例中，所述處理器12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)、現場可程式設計閘陣列(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也可以是其它任何常規的處理器等。

所述記憶體11中的程式碼和各種資料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，可以儲存在一個電腦可讀取儲存介質中。基於這樣的理解，本申請實現上述實施例方法中的全部或部分流程，例如實現延長電池服務壽命的方法中的步驟，也可以透過電腦程式來指令相關的硬體來完成，所述的電腦程式可儲存於一電腦可讀儲存介質中，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、隨身碟、移動硬碟、磁碟、光碟、電腦記憶體、唯讀記憶體(ROM，Read-Only Memory)等。

可以理解的是，以上所描述的模組劃分，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，在本申請各個實施例中的各功能模組可以集成在相同處理單元中，也可以是各個模組單獨物理存在，也可以兩個或兩個以上模組集成在相同單元中。上述集成的模組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。

最後應說明的是，以上實施例僅用以說明本申請的技術方案而非限制，儘管參照較佳實施例對本申請進行了詳細說明，本領域的普通技術人員應當理解，可以對本申請的技術方案進行修改或等同替換，而不脫離本申請技術方案的精神和範圍。

S101~S106:步驟

Claims

一種故障分類方法，應用在電子設備中，其中，所述故障分類方法包括：獲取訓練資料集，所述訓練資料集包括可複現故障資訊和不可複現故障資訊；篩選出每個所述可複現故障資訊中的第一關鍵資訊，以及每個所述不可複現故障資訊中的第二關鍵資訊；計算每個所述第一關鍵資訊的第一詞頻-逆文本頻率(term frequency-inverse document frequency，TF-IDF)值以及所述第二關鍵資訊的第二TF-IDF值；根據所述第一TF-IDF值和預設的第一閾值確定第一特徵資訊庫；根據所述第二TF-IDF值和預設的第二閾值確定第二特徵資訊庫；使用所述第一特徵資訊庫和所述第二特徵資訊庫訓練故障分類器，並使用訓練完成的故障分類器對目標故障資訊進行分類。
如請求項1所述的故障分類方法，其中，所述篩選出每個所述可複現故障資訊中的第一關鍵資訊，以及每個所述不可複現故障資訊中的第二關鍵資訊包括：根據所述可複現故障資訊的嚴重程度從所述可複現故障資訊中篩選出第一嚴重錯誤資訊，將所述第一嚴重錯誤資訊作為所述第一關鍵資訊；根據所述不可複現故障資訊的嚴重程度從所述不可複現故障資訊中篩選出第二嚴重錯誤資訊，將所述第二嚴重錯誤資訊作為所述第二關鍵資訊。
如請求項1所述的故障分類方法，其中，所述根據所述第一TF-IDF值和預設的第一閾值確定第一特徵資訊庫包括：判斷所述第一TF-IDF值是否大於所述第一閾值；若所述第一TF-IDF值大於所述第一閾值，將所述第一TF-IDF值對應的第一關鍵資訊作為所述可複現故障資訊的第一特徵資訊；根據所述第一特徵資訊確定所述第一特徵資訊庫。
如請求項3所述的故障分類方法，其中，所述根據所述第二TF-IDF值和預設的第二閾值確定第二特徵資訊庫包括：判斷所述第二TF-IDF值是否大於所述第二閾值；若所述第二TF-IDF值大於所述第二閾值，將所述第二TF-IDF值對應的第二關鍵資訊作為所述不可複現故障資訊的第二特徵資訊；根據所述第二特徵資訊確定所述第二特徵資訊庫。
如請求項4所述的故障分類方法，其中，所述使用所述第一特徵資訊庫和所述第二特徵資訊庫訓練故障分類器包括：分別從所述第一特徵資訊庫和所述第二特徵資訊庫獲取預設第一比例的特徵資訊，作為目標訓練資料；將所述目標訓練資料登錄至預先搭建的神經網路框架中進行訓練，得到所述故障分類器，所述神經網路框架包括KERAS和TENSORFLOW；分別從所述第一特徵資訊庫和所述第二特徵資訊庫獲取預設第二比例的特徵資訊，作為目標測試資料；使用所述目標測試資料測試所述故障分類器並獲取測試透過率；當所述測試透過率大於預設透過率閾值時，將所述故障分類器作為目標故障分類器。
如請求項5所述的故障分類方法，其中，所述使用訓練完成的故障分類器對目標故障資訊進行分類包括：提取所述目標故障資訊中的第三關鍵資訊，其中，所述第三關鍵資訊包括所述目標故障資訊中嚴重錯誤級別的狀態資料；計算所述第三關鍵資訊的第三TF-IDF值；判斷所述第三TF-IDF值是否大於預設的第三閾值；若所述第三TF-IDF值大於所述第三閾值，將所述第三TF-IDF值對應的所述第三關鍵資訊作為所述目標故障資訊的第三特徵資訊；根據所述第三特徵資訊，使用訓練完成的故障分類器對所述目標故障資訊進行分類。
如請求項1所述的故障分類方法，其中，所述方法還包括：即時偵測雲端平臺是否有新檔案上傳；若偵測到新檔案上傳，透過Restful應用程式介面將所述新檔案回傳至本地資料庫；當所述新檔案寫入所述本地資料庫後，調用訓練完成的故障分類器對目標故障資訊進行分類，得到預測值；將所述預測值寫入所述本地資料庫；透過所述Restful應用程式介面回傳所述預測值至所述雲端平臺，在所述雲端平臺上顯示所述預測值。
如請求項1所述的故障分類方法，其中，所述方法還包括：設定更新週期；每隔所述更新週期，對所述分類器進行重新訓練。
一種電子設備，其中，所述電子設備包括處理器和記憶體，所述處理器用於執行記憶體中儲存的電腦程式以實現如請求項1至請求項8中任意一項所述的故障分類方法。
一種電腦可讀儲存介質，其中，所述電腦可讀儲存介質儲存有至少一個指令，所述至少一個指令被處理器執行時實現如請求項1至請求項8中任意一項所述的故障分類方法。