CN112015603A - 用户终端硬件检测方法、装置、计算机装置及存储介质 - Google Patents

用户终端硬件检测方法、装置、计算机装置及存储介质 Download PDF

Info

Publication number
CN112015603A
CN112015603A CN201910466019.8A CN201910466019A CN112015603A CN 112015603 A CN112015603 A CN 112015603A CN 201910466019 A CN201910466019 A CN 201910466019A CN 112015603 A CN112015603 A CN 112015603A
Authority
CN
China
Prior art keywords
fault
user terminal
digital signal
deep learning
model
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
Application number
CN201910466019.8A
Other languages
English (en)
Inventor
单江锋
高易韬
张铭棋
庄智显
尹吉祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongfujin Precision Electronics Zhengzhou Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Hongfujin Precision Electronics Zhengzhou Co Ltd
Hon Hai Precision Industry Co Ltd
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 Hongfujin Precision Electronics Zhengzhou Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Hongfujin Precision Electronics Zhengzhou Co Ltd
Priority to CN201910466019.8A priority Critical patent/CN112015603A/zh
Priority to TW108120956A priority patent/TW202046107A/zh
Priority to US16/675,015 priority patent/US11256974B2/en
Priority to JP2019229349A priority patent/JP7377695B2/ja
Publication of CN112015603A publication Critical patent/CN112015603A/zh
Pending legal-status Critical Current

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)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明提供一种用户终端硬件检测方法、用户终端硬件检测装置、计算机装置及计算机存储介质，所述方法包括，获取用户终端的数字信号波形图；对所述数字信号波形图使用故障分析模型进行特征识别；将识别到的特征信息与故障类型数据库中的特征信息进行比对；根据比对结果输出所述数字信息波形图代表的故障硬件模块以及所述故障硬件模块的故障类型。本发明用户终端硬件检测方法可以在不拆开用户终端的前提下完成用户终端的硬件检测，可定位发生故障的硬件模块，避免了在拆机过程中对用户终端硬件造成的损伤。

Description

用户终端硬件检测方法、装置、计算机装置及存储介质
技术领域
本发明涉及终端检测领域，具体涉及一种用户终端硬件检测方法、用户终端硬件检测装置、计算机装置及计算机存储介质。
背景技术
随着科技的发展，人们的生活中离不开各种用户终端产品，如智能手机、平板电脑、智能手表等，由此就会产生用户终端的检修问题。随着电子技术的迅猛发展，用户终端中各种元器件的功能越来越多元化，产品组装技术也越来越精细。现有的用户终端中硬件的检修方式需要将用户终端打开之后对里面的元器件进行检测，由此产生因为拆机而导致的相关元器件的报废，因此需要一种新的用户终端硬件检测方法来解决这一问题。
发明内容
鉴于以上内容，有必要提出一种用户终端硬件检测方法及装置、计算机装置和计算机可读存储介质，可以实现在不拆开用户终端的前提下，完成对用户终端硬件故障的检测。
本申请的第一方面提供一种用户终端硬件检测方法，所述方法包括：
获取用户终端的数字信号波形图；
对所述数字信号波形图使用故障分析模型进行特征识别；
将识别到的特征信息与故障类型数据库中的特征信息进行比对；
根据比对结果输出所述数字信息波形图代表的故障硬件模块以及所述故障硬件模块的故障类型。
优选地，所述数字信号波形图显示的内容包括电压、电流中的至少一个。
优选地，所述故障分析模型为基于卷积神经网络的深度学习模型。
优选地，所述故障分析模型的构建步骤包括：
获取多幅数字信号样本波形图；
将所述数字信号样本波形图分为训练集和验证集；
建立一基于卷积神经网络的深度学习模型，并利用所述训练集对所述深度学习模型进行训练；
利用所述验证集对训练后的深度学习模型进行验证，并根据验证结果统计得到一模型预测准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述深度学习模型作为所述故障分析模型。
优选地，所述判断所述模型预测准确率是否小于预设阈值的步骤之后还包括：
若所述模型预测准确率小于所述预设阈值，调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练；
利用所述验证集对重新训练的深度学习模型进行验证，并根据每一验证结果重新统计得到一模型预测准确率，并判断重新统计得到的模型预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将重新训练完成的深度学习模型作为所述故障分析模型；及
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复上述步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
优选地，所述故障类型数据库通过以下步骤构建得到：
将已知的故障硬件模块及故障类型的数字信号波形图代入训练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件模块及故障类型对应的特征信息；
将所述已知的故障硬件模块以及故障类型与分析得出的特征信息建立映射关系并进行存储。
优选地，所述特征信息为已知故障硬件模块以及所述故障硬件模块的故障类型对应的电压、电流信息。
本申请的第二方面提供一种用户终端硬件检测装置，所述装置包括：
获取模块，用于获取用户终端的数字信号波形图；
识别模块，用于对所述数字信号波形图使用故障分析模型进行特征识别；
比对模块，用于将识别到的特征信息与故障类型数据库中的特征信息进行比；
输出模块，根据比对结果输出所述数字信息波形图代表的故障硬件模块以及所述故障硬件模块的故障类型。
本申请的第三方面提供一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前所述用户终端硬件检测方法。
本申请的第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述用户终端硬件检测方法。
本发明用户终端硬件检测方法可以在不拆开用户终端的前提下完成用户终端的硬件检测，可定位发生故障的硬件模块，避免了在拆机过程中对用户终端硬件造成的损伤。
附图说明
图1是本发明一实施方式提供的用户终端硬件检测方法的应用环境架构示意图。
图2是本发明一实施方式提供的用户终端硬件检测方法流程图。
图3是本发明一实施方式提供的用户终端硬件检测装置的结构示意图。
图4是本发明一实施方式提供的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
参阅图1所示，为本发明实施例一提供的用户终端硬件检测方法的应用环境架构示意图。
本发明中的用户终端硬件检测方法应用在计算机装置1中，所述计算机装置1与示波器2通过网络建立通信连接。所述网络可以是有线网络，也可以是无线网络，例如无线电、无线保真(Wireless Fidelity，WIFI)、蜂窝、卫星、广播等。所述示波器2与用户终端3通过数据线建立连接。
所述计算机装置1可以为安装有用户终端检测软件的电子设备，例如个人电脑、服务器等，其中，所述服务器可以是单一的服务器、服务器集群或云服务器等。
所述示波器2可以用来观察各种不同信号幅度随时间变化的波形曲线，用来测试各种不同的电量，如电压、电流、频率、相位差、幅度等。
所述用户终端3可以为智能电子设备，包括但不限于智能手机、平板电脑、膝上型便捷计算机、台式计算机等。
请参阅图2所示，是本发明一实施方式提供的用户终端硬件检测方法流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
步骤S1、获取用户终端的数字信号波形图。
在本发明一实施方式中，所述获取用户终端3的数字信号波形图的步骤可以是：通过示波器2采集用户终端3的数字信号波形图，示波器2将采集到的数字信号波形图通过有线传输或无线传输的方式发送给计算机装置1。所述数字信号波形图中显示了电压和\或电流的变化情况。
举例而言，若所述用户终端3的语音输入功能出现故障，无法录入声音，可以将所述用户终端3通过数据传输线与示波器2相连接，采集所述用户终端3的电流、电压数字信号波形图。示波器2将采集到的数字信号波形图发送给计算机装置1。
步骤S2、对所述数字信号波形图使用故障分析模型进行特征识别。
在本发明一实施方式中，所述故障分析模型可以为基于卷积神经网络的深度学习模型。
在一实施方式中，所述故障分析模型的构建步骤可以具体包括：
获取多幅数字信号样本波形图；
将所述数字信号样本波形图分为训练集和验证集；
建立一基于卷积神经网络的深度学习模型，并利用所述训练集对所述深度学习模型进行训练；
利用所述验证集对训练后的深度学习模型进行验证，并根据验证结果统计得到一模型预测准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述深度学习模型作为所述故障分析模型。
若所述模型预测准确率小于所述预设阈值，调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练；
利用所述验证集对重新训练的深度学习模型进行验证，并根据每一验证结果重新统计得到一模型预测准确率，并判断重新统计得到的模型预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将重新训练完成的深度学习模型作为所述故障分析模型；
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复上述步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
举例而言，所述故障分析模型的构建步骤可以为：获取预设数量的已知某一故障硬件模块以及所述故障硬件模块的故障类型对应的数字信号波形图，所述预设数量可以根据实际情况进行选择，选择的数量越多所述故障分析模型的精度越精确。并将所述数字信号波形图分为两组，其中一组为训练集，一组为验证集，首先将所述训练集的数字信号波形图转换成数字特征矩阵，其次将所述数字特征矩阵导入基于卷积神经网络的深度学习模型进行特征识别，使用卷积核对所述数字特征矩阵中的元素进行卷积处理，使用池化层对经过卷积层的数据进行简化，去除冗余信息，使用全连接层将池化层的信息通过函数映射的方式转换到全连接层，经过基于卷积神经网络的深度学习模型对所述数字信号波形图进行处理之后，图像的特征信息得到增强，并提取所述特征信息，所述特征信息包括电流和或电压的数值。然后使用验证集中的数字信号波形图使用上述基于卷积神经网络的深度学习模型中的卷积核、池化层、全连接层对所述验证集中的数字信号波形图进行识别，将识别出的电流、电压值与训练集中已知故障硬件模块以及所述故障硬件模块的故障类型中的电流、电压值进行比对，若训练得到的电流电压值的准确率不小于阈值，则训练完成的所述基于卷积神经网络的深度学习模型可以作为所述故障分析模型，若训练得到的电流电压值的准确率小于阈值，则重新调整卷积核的数量、卷积核矩阵中的元素、池化层中元素的数量、全连接层中元素的数量中的一种或几种，调整完成之后，重新使用训练集对所述算法模型进行训练，训练完成后使用验证集对所述算法模型的精度进行验证，直到算法模型的准确率不小于阈值为止。
在本发明一实施方式中，计算机装置1将获取到的用户终端3的数字信号波形图使用训练好的基于卷积神经网络的深度学习模型进行特征识别，得到所述数字信号波形图的特征信息，即电流、电压值。
步骤S3、将识别到的特征信息与故障类型数据库中的特征信息进行比对。
在本发明一实施方式中，所述故障类型数据库中的构建步骤可以包括：
将已知的故障硬件模块及故障类型的数字信号波形图代入训练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件模块及故障类型对应的特征信息；
将所述已知的故障硬件模块以及故障类型与分析得出的特征信息建立映射关系并进行存储。
在本发明一实施方式中，所述特征信息为已知故障硬件模块以及所述故障硬件模块的故障类型对应的电压、电流信息。
举例而言，所述故障类型数据库的构建步骤如下，所述已知故障硬件模块可以是USB硬件模块，所述故障硬件模块的故障类型可以是断路故障，所述用户终端3可以是智能手机，在本实施方式中，选取具有USB硬件模块出现电路断路故障的智能手机，将所述用户终端3依次通过数据线接口与示波器2相连接，所述示波器2依次从所述智能手机中获取表示电流、电压状态的波形图。示波器2将获取到的数字信号波形图发送给计算机装置1。计算机装置1将获取用户终端3的数字信号波形图转换成数字特征矩阵，其次将所述数字特征矩阵导入基于卷积神经网络的深度学习模型进行特征拟合，得到所述数字特征矩阵的特征信息，所述特征信息可以为电流、电压值，并经所述电流电压值与所述故障模块和所述故障模块的故障类型建立映射关系并进行存储。
在本发明又一实施例中，计算机装置1将经过故障分析模型进行特征识别后的信息与故障类型数据库中的信息进行比对，找出与所述特征信息相对应的故障模块和所述故障模块的故障类型。
步骤S4、根据比对结果输出所述数字信息波形图代表的故障硬件模块以及所述故障硬件模块的故障类型。
在本发明一实施方式中，可以将所述数字信息波形图代表的故障硬件模块以及所述故障硬件模块的故障类型在计算机装置1中显示输出。
在本发明的其他实施方式中，也可以将所述故障硬件模块以及所述硬件模块的故障类型发送给预设的其他计算机装置。
上述图2详细介绍了本发明的用户终端硬件检测方法流程图，下面结合第3-4图，对实现所述用户终端硬件检测方法的软件装置的功能模块以及实现所述用户终端硬件检测方法的硬件装置架构进行介绍。
应所述了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3是本发明一实施方式提供的用户终端检测方法的用户终端硬件检测装置的结构示意图。
在一些实施例中，用户终端硬件检测装置10运行于计算机装置中。所述用户终端硬件检测装置10可以包括多个由程序代码段所组成的功能模块。所述用户终端硬件检测装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中，并由所述至少一个处理器所执行，以实现用户终端检测功能。
本实施例中，所述用户终端硬件检测装置10根据其所执行的功能，可以被划分为多个功能模块。参阅图3所示，所述功能模块可以包括：获取模块101、识别模块102、比对模块103、输出模块104。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
获取模块101，用于获取用户终端的数字信号波形图。
在本发明一实施方式中，所述获取用户终端3的数字信号波形图的步骤可以是：通过示波器2采集用户终端3的数字信号波形图，示波器2将采集到的数字信号波形图通过有线传输或无线传输的方式发送给获取模块101。所述数字信号波形图中显示了电压和\或电流的变化情况。
举例而言，若所述用户终端3的语音输入功能出现故障，无法录入声音，可以将所述用户终端3通过数据传输线与示波器2相连接，采集所述用户终端3的电流、电压数字信号波形图。示波器2将采集到的数字信号波形图发送给获取模块101。
识别模块102，用于对所述数字信号波形图使用故障分析模型进行特征识别。
在本发明一实施方式中，所述故障分析模型可以为基于卷积神经网络的深度学习模型。
在一实施方式中，所述故障分析模型的构建步骤可以具体包括：
获取多幅数字信号样本波形图；
将所述数字信号样本波形图分为训练集和验证集；
建立一基于卷积神经网络的深度学习模型，并利用所述训练集对所述深度学习模型进行训练；
利用所述验证集对训练后的深度学习模型进行验证，并根据验证结果统计得到一模型预测准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述深度学习模型作为所述故障分析模型。
若所述模型预测准确率小于所述预设阈值，调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练；
利用所述验证集对重新训练的深度学习模型进行验证，并根据每一验证结果重新统计得到一模型预测准确率，并判断重新统计得到的模型预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将重新训练完成的深度学习模型作为所述故障分析模型；
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复上述步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
举例而言，所述故障分析模型的构建步骤可以为：获取预设数量的已知某一故障硬件模块以及所述故障硬件模块的故障类型对应的数字信号波形图，所述预设数量可以根据实际情况进行选择，选择的数量越多所述故障分析模型的精度越精确。并将所述数字信号波形图分为两组，其中一组为训练集，一组为验证集，首先将所述训练集的数字信号波形图转换成数字特征矩阵，其次将所述数字特征矩阵导入基于卷积神经网络的深度学习模型进行特征识别，使用卷积核对所述数字特征矩阵中的元素进行卷积处理，使用池化层对经过卷积层的数据进行简化，去除冗余信息，使用全连接层将池化层的信息通过函数映射的方式转换到全连接层，经过基于卷积神经网络的深度学习模型对所述数字信号波形图进行处理之后，图像的特征信息得到增强，并提取所述特征信息，所述特征信息包括电流和或电压的数值。然后使用验证集中的数字信号波形图使用上述基于卷积神经网络的深度学习模型中的卷积核、池化层、全连接层对所述验证集中的数字信号波形图进行识别，将识别出的电流、电压值与训练集中已知故障硬件模块以及所述故障硬件模块的故障类型中的电流、电压值进行比对，若训练得到的电流电压值的准确率不小于阈值，则训练完成的所述基于卷积神经网络的深度学习模型可以作为所述故障分析模型，若训练得到的电流电压值的准确率小于阈值，则重新调整卷积核的数量、卷积核矩阵中的元素、池化层中元素的数量、全连接层中元素的数量中的一种或几种，调整完成之后，重新使用训练集对所述算法模型进行训练，训练完成后使用验证集对所述算法模型的精度进行验证，直到算法模型的准确率不小于阈值为止。
在本发明一实施方式中，识别模块102将获取到的用户终端3的数字信号波形图使用训练好的基于卷积神经网络的深度学习模型进行特征识别，得到所述数字信号波形图的特征信息，即电流、电压值。
比对模块103，用于将识别到的特征信息与故障类型数据库中的特征信息进行比对。
在本发明一实施方式中，所述故障类型数据库中的构建步骤可以包括：
将已知的故障硬件模块及故障类型的数字信号波形图代入训练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件模块及故障类型对应的特征信息；
将所述已知的故障硬件模块以及故障类型与分析得出的特征信息建立映射关系并进行存储。
在本发明一实施方式中，所述特征信息为已知故障硬件模块以及所述故障硬件模块的故障类型对应的电压、电流信息。
举例而言，所述故障类型数据库的构建步骤如下，所述已知故障硬件模块可以是USB硬件模块，所述故障硬件模块的故障类型可以是断路故障，所述用户终端3可以是智能手机，在本实施方式中，选取具有USB硬件模块出现电路断路故障的智能手机，将所述用户终端3依次通过数据线接口与示波器2相连接，所述示波器2依次从所述智能手机中获取预设数量的表示电流、电压状态的波形图。示波器2将获取到的数字信号波形图发送给计算机装置1。计算机装置1将获取用户终端3的数字信号波形图转换成数字特征矩阵，其次将所述数字特征矩阵导入基于卷积神经网络的深度学习模型进行特征拟合，得到所述数字特征矩阵的特征信息，所述特征信息可以为电流、电压值，并经所述电流电压值与所述故障模块和所述故障模块的故障类型建立映射关系并进行存储。
在本发明又一实施例中，比对模块103将经过故障分析模型进行特征识别后的信息与故障类型数据库中的信息进行比对，找出与所述特征信息相对应的故障模块和所述故障模块的故障类型。
输出模块104，根据比对结果输出所述数字信息波形图代表的故障硬件模块以及所述故障硬件模块的故障类型。
在本发明一实施方式中，可以将所述数字信息波形图代表的故障硬件模块以及所述硬件模块的故障类型在输出模块104中显示输出。
在本发明的其他实施方式中，也可以将所述故障硬件模块以及所述硬件模块的故障类型发送给预设的其他计算机装置。
图4是本发明一实施方式提供的用户终端检测方法的计算机装置示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如用户终端检测程序。所述处理器30执行所述计算机程序40时实现上述用户终端硬件检测方法实施例中的步骤，例如图2所示的步骤S1～S4。或者，所述处理器30执行所述计算机程序40时实现上述用户终端硬件检测装置实施例中各模块/单元的功能，例如图3中的单元101-104。
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图3中的获取模块101、识别模块102、比对模块103、输出模块104。各模块具体功能参见实施例三。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是计算机装置1的示例，并不构成对计算机装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应所述理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种用户终端硬件检测方法，其特征在于，所述方法包括：
获取用户终端的数字信号波形图；
对所述数字信号波形图使用故障分析模型进行特征识别；
将识别到的特征信息与故障类型数据库中的特征信息进行比对；
根据比对结果输出所述数字信息波形图代表的故障硬件模块以及所述故障硬件模块的故障类型。
2.如权利要求1所述的用户终端硬件检测方法，其特征在于，所述数字信号波形图显示的内容包括电压、电流中的至少一个。
3.如权利要求1所述的用户终端硬件检测方法，其特征在于，所述故障分析模型为基于卷积神经网络的深度学习模型。
4.如权利要求1所述的用户终端硬件检测方法，其特征在于，所述故障分析模型的构建步骤包括：
获取多幅数字信号样本波形图；
将所述数字信号样本波形图分为训练集和验证集；
建立一基于卷积神经网络的深度学习模型，并利用所述训练集对所述深度学习模型进行训练；
利用所述验证集对训练后的深度学习模型进行验证，并根据验证结果统计得到一模型预测准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述深度学习模型作为所述故障分析模型。
5.如权利要求4所述的用户终端硬件检测方法，其特征在于，所述判断所述模型预测准确率是否小于预设阈值的步骤之后还包括：
若所述模型预测准确率小于所述预设阈值，调整所述深度学习模型的参数，并利用所述训练集重新对调整后的深度学习模型进行训练；
利用所述验证集对重新训练的深度学习模型进行验证，并根据每一验证结果重新统计得到一模型预测准确率，并判断重新统计得到的模型预测准确率是否小于所述预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将重新训练完成的深度学习模型作为所述故障分析模型；及
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复上述步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述基于卷积神经网络的深度学习模型的参数包括卷积核的数量、池化层中元素的数量、全连接层中元素的数量中的至少一种。
6.如权利要求1所述的用户终端硬件检测方法，其特征在于，所述故障类型数据库通过以下步骤构建得到：
将已知的故障硬件模块及故障类型的数字信号波形图代入训练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件模块及故障类型对应的特征信息；
将所述已知的故障硬件模块以及故障类型与分析得出的特征信息建立映射关系并进行存储。
7.如权利要求6所述的用户终端硬件检测方法，其特征在于，所述特征信息为已知故障硬件模块以及所述故障硬件模块的故障类型对应的电压、电流信息。
8.一种用户终端硬件检测装置，其特征在于，所述装置包括：
获取模块，用于获取用户终端的数字信号波形图；
识别模块，用于对所述数字信号波形图使用故障分析模型进行特征识别；
比对模块，用于将识别到的特征信息与故障类型数据库中的特征信息进行比；
输出模块，根据比对结果输出所述数字信息波形图代表的故障硬件模块以及所述故障硬件模块的故障类型。
9.一种计算机装置，其特征在于：所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述的用户终端硬件检测方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的用户终端硬件检测方法。
CN201910466019.8A 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 Pending CN112015603A (zh)

Priority Applications (4)

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
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
US16/675,015 US11256974B2 (en) 2019-05-30 2019-11-05 User terminal hardware detection system and method
JP2019229349A JP7377695B2 (ja) 2019-05-30 2019-12-19 ユーザ端末ハードウェア検出方法、装置、コンピュータ装置、および記憶媒体

Applications Claiming Priority (1)

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

Publications (1)

Publication Number Publication Date
CN112015603A true CN112015603A (zh) 2020-12-01

Family

ID=73500464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910466019.8A Pending 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

Country Status (4)

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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434685A (zh) * 2023-04-27 2023-07-14 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***及方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7481902B2 (ja) * 2020-05-21 2024-05-13 株式会社日立製作所 管理計算機、管理プログラム、及び管理方法
CN112561079A (zh) * 2020-12-18 2021-03-26 北京百度网讯科技有限公司 分布式的模型训练装置、方法及计算机程序产品
US20230051895A1 (en) * 2021-08-12 2023-02-16 The Boeing Comppany Method of in-process detection and mapping of defects in a composite layup
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***
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***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***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***与方法
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***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***
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***
CN109579220B (zh) * 2018-10-15 2022-04-12 平安科技（深圳）有限公司 空调***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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116434685A (zh) * 2023-04-27 2023-07-14 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***及方法
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***及方法

Also Published As

Publication number Publication date
JP2020198075A (ja) 2020-12-10
TW202046107A (zh) 2020-12-16
JP7377695B2 (ja) 2023-11-10
US11256974B2 (en) 2022-02-22
US20200380337A1 (en) 2020-12-03

Similar Documents

Publication Publication Date Title
CN112015603A (zh) 用户终端硬件检测方法、装置、计算机装置及存储介质
CN107516534B (zh) 一种语音信息的比对方法、装置及终端设备
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***
US11372388B2 (en) Locking error alarm device and method
CN111881991A (zh) 一种识别欺诈的方法、装置及电子设备
US20220222799A1 (en) Method for detecting defect in products and electronic device using method
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN111352794B (zh) 异常检测方法、装置、计算机装置及存储介质
CN106157972A (zh) 使用局部二进制模式进行声学情境辨识的方法和设备
CN109041064B (zh) 一种伪基站的识别方法、装置及移动终端
CN112711963A (zh) 用户终端故障检测方法、装置、计算机装置及存储介质
CN111784665A (zh) 基于傅里叶变换的oct图像质量评估方法、***及装置
CN109240916B (zh) 信息输出控制方法、装置及计算机可读存储介质
CN107071553B (zh) 一种修改视频语音的方法、装置和计算机可读存储介质
CN110852042A (zh) 字符类型转换方法和装置
CN115186751A (zh) 一种基于s变换的CVT计量误差预测方法、装置及存储介质
CN115798520A (zh) 语音检测的方法和装置、电子设备和存储介质
CN113093967A (zh) 数据生成方法、装置、计算机装置及存储介质
CN109671437B (zh) 一种音频处理方法、音频处理装置及终端设备
CN113555037A (zh) 篡改音频的篡改区域检测方法、装置及存储介质
CN113743427B (zh) 图像识别方法、装置、计算机装置及存储介质
CN112926724A (zh) 注塑成型产品良率的评分方法、装置及电子设备
CN112163583A (zh) 数字表读数的识别方法、识别设备以及计算机可读存储介质
CN114549889A (zh) 细胞密度分类方法及装置、电子装置及存储介质
CN111768799A (zh) 声音识别方法、装置、计算机装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination