CN113918398A - 信息抑制方法、装置、计算机设备及可读存储介质 - Google Patents
信息抑制方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN113918398A CN113918398A CN202111415063.XA CN202111415063A CN113918398A CN 113918398 A CN113918398 A CN 113918398A CN 202111415063 A CN202111415063 A CN 202111415063A CN 113918398 A CN113918398 A CN 113918398A
- Authority
- CN
- China
- Prior art keywords
- fault information
- false alarm
- initial
- fault
- information
- 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 60
- 230000001629 suppression Effects 0.000 title claims abstract description 46
- 230000002401 inhibitory effect Effects 0.000 claims abstract description 3
- 238000003062 neural network model Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000010845 search algorithm Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F11/2284—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing by power-on test, e.g. power-on self test [POST]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种信息抑制方法、装置、计算机设备及可读存储介质。在本申请实施例中,获取故障信息;对所述故障信息进行逻辑判断,得到所述故障信息的第一初始虚警判别结果,以及对所述故障信息进行算法判断,得到所述故障信息的第二初始虚警判别结果;获取所述逻辑判断对应的第一参数的第一目标权重,以及获取所述算法判断对应的第二参数的第二目标权重;基于所述第一初始虚警判别结果、所述第二初始虚警判别结果、所述第一目标权重以及所述第二目标权重确定所述故障信息的目标虚警判别结果;若所述目标虚警判别结果为所述故障信息是虚警,则对所述故障信息进行抑制。本申请实施例可以节省存储资源,降低飞机维护的人力成本和时间成本。
Description
技术领域
本发明涉及飞行器领域,特别涉及一种信息抑制方法、装置、计算机设备及可读存储介质。
背景技术
随着航空技术的发展,飞机的复杂度也来越高,对飞机的机内测试(Built-InTest,BIT)的要求也越来越高。
上电测试是机内测试中的一种。在上电测试的过程中,会产生虚警现象,虚警指被测设备实际不存在故障,但却产生故障信息(即被测设备被指示存在故障)的现象。当产生虚警现象时,会浪费存储资源,增加飞机维护的人力成本和时间成本。
发明内容
本申请的实施例提供一种信息抑制方法、装置、计算机设备及可读存储介质,其能够节省存储资源,降低飞机维护的人力成本和时间成本。
为了解决上述技术问题,本申请的实施例公开了如下技术方案:
一方面,提供了一种信息抑制方法,包括:
获取故障信息;
对上述故障信息进行逻辑判断,得到上述故障信息的第一初始虚警判别结果,以及对上述故障信息进行算法判断,得到上述故障信息的第二初始虚警判别结果;
获取上述逻辑判断对应的第一参数的第一目标权重,以及获取上述算法判断对应的第二参数的第二目标权重;
基于上述第一初始虚警判别结果、上述第二初始虚警判别结果、上述第一目标权重以及上述第二目标权重确定上述故障信息的目标虚警判别结果;
若上述目标虚警判别结果为上述故障信息是虚警,则对上述故障信息进行抑制。
可选地,上述对上述故障信息进行逻辑判断,得到上述故障信息的第一初始虚警判别结果,包括:
获取上述故障信息对应的报故***的上电时间;
若上述上电时间小于或等于预设阈值,则将上述第一初始虚警判别结果确定为上述故障信息是虚警。
可选地,在上述获取上述故障信息对应的报故***的上电时间之后,还包括:
若上述上电时间大于上述预设阈值,则对上述故障信息进行字符串提取,得到故障字符串;
基于上述故障字符串确定上述故障信息的第一初始虚警判别结果。
可选地,上述基于上述故障字符串确定上述故障信息的第一初始虚警判别结果,包括:
确定上述故障字符串中的状态矩阵位的状态;
若上述状态矩阵位的状态为异常状态,则将上述第一初始虚警判别结果确定为上述故障信息不是虚警。
可选地,在上述确定上述故障字符串中的状态矩阵位的状态之后,还包括:
若上述状态矩阵位的状态为正常状态,则对上述故障字符串进行特征提取,得到上述故障信息对应的故障类型;
若上述故障信息对应的故障类型为内部故障,则将上述第一初始虚警判别结果确定为上述故障信息不是虚警。
可选地,上述根据上述故障特征值确定上述故障信息对应的故障类型,包括:
若上述故障信息对应的故障类型为外部故障,则查找上述故障信息对应的关联***;
确定上述关联***的电状态;
若上述关联***的电状态为上电状态,则上述第一初始虚警判别结果确定为上述故障信息不是虚警;
若上述关联***的电状态为断电状态,则上述第一初始虚警判别结果确定为上述故障信息是虚警。
可选地,上述对上述故障信息进行算法判断,得到上述故障信息的第二初始虚警判别结果,包括:
将上述故障信息输入至已训练的神经网络模型中进行判断,得到上述故障信息的第二初始虚警判别结果。
可选地,上述将上述故障信息输入至已训练的神经网络模型中进行判断,得到上述故障信息的第二初始虚警判别结果,包括:
获取上述故障信息对应的外部环境参数;
将上述故障信息和上述外部环境参数输入至已训练的神经网络模型中进行判断,得到上述故障信息的第二初始虚警判别结果。
可选地,上述对上述故障信息进行逻辑判断,得到上述故障信息的第一初始虚警判别结果,包括:
对上述故障信息进行逻辑判断,得到上述故障信息的第一初始虚警判别结果;
若上述故障信息的第一初始虚警判别结果为上述故障信息是虚警,则采用第一初始值表示上述第一初始虚警判别结果;
若上述故障信息的第一初始虚警判别结果为上述故障信息不是虚警,则采用第二初始值表示上述第一初始虚警判别结果;
相应地,上述对上述故障信息进行算法判断,得到上述故障信息的第二初始虚警判别结果,包括:
对上述故障信息进行算法判断,得到上述故障信息的第二初始虚警判别结果;
若上述故障信息的第二初始虚警判别结果为上述故障信息是虚警,则采用上述第一初始值表示上述第二初始虚警判别结果;
若上述故障信息的第二初始虚警判别结果为上述故障信息不是虚警,则采用上述第二初始值表示上述第二初始虚警判别结果。
可选地,上述基于上述第一初始虚警判别结果、第二初始虚警判别结果、上述第一目标权重以及上述第二目标权重确定上述故障信息的目标虚警判别结果,包括:
将上述第一初始虚警判别结果与上述第一目标权重相乘,得到第一目标值;
将上述第二初始虚警判别结果与上述第二目标权重相乘,得到第二目标值;
将上述第一目标值与上述第二目标值相加,得到相加结果;
基于上述相加结果确定上述故障信息的目标虚警判别结果。
可选地,上述基于上述相加结果确定上述故障信息的目标虚警判别结果,包括:
若上述相加结果大于预设数值,则将上述故障信息的目标虚警判别结果确定为上述故障信息不是虚警;
若上述相加结果小于或等于预设数值,则将上述故障信息的目标虚警判别结果确定为上述故障信息是虚警。
可选地,上述获取上述逻辑判断对应的第一参数的第一目标权重,以及获取上述算法判断对应的第二参数的第二目标权重,包括:
初始化上述逻辑判断对应的第一参数和上述算法判断对应的第二参数,得到上述第一参数的第一初始权重,以及上述第二参数的第二初始权重;
获取对历史故障信息进行逻辑判断得到的第一历史判别结果,以及获取对历史故障信息进行算法判断得到的第二历史判别结果;
根据上述第一历史判别结果、上述第二历史判别结果、上述第一初始权重和上述第二初始权重确定历史故障信息的最终判别结果;
若上述最终判别结果不满足预设条件,则更新上述第一初始权重和上述第二初始权重,并返回执行获取对历史故障信息进行逻辑判断得到的第一历史判别结果,以及获取对历史故障信息进行算法判断得到的第二历史判别结果;
若上述最终判断结果满足预设条件,则将上述第一初始权重作为第一目标权重,将上述第二初始权重作为第二目标权重。
可选地,在上述获取故障信息之后,还包括:
将上述故障信息作为训练故障信息存储至数据库中;
基于上述数据库中的训练故障信息对上述已训练的神经网络模型进行优化,得到优化后的神经网络模型。
可选地,在上述基于上述数据库中的训练故障信息对上述已训练的神经网络模型进行优化,得到优化后的神经网络模型之后,还包括:
对上述第一目标权重和上述第二目标权重进行修改,得到修改第一目标权重和修改第二目标权重;
相应地,上述基于上述第一初始虚警判别结果、第二初始虚警判别结果、上述第一目标权重以及上述第二目标权重确定上述故障信息的目标虚警判别结果,包括:
基于上述第一初始虚警判别结果、第二初始虚警判别结果、上述修改第一目标权重以及上述修改第二目标权重确定上述故障信息的目标虚警判别结果。
另一方面,提供了一种信息抑制装置,包括:
信息获取模块,用于获取故障信息;
判断模块,用于对上述故障信息进行逻辑判断,得到上述故障信息的第一初始虚警判别结果,以及对上述故障信息进行算法判断,得到上述故障信息的第二初始虚警判别结果;
权重获取模块,用于获取上述逻辑判断对应的第一参数的第一目标权重,以及获取上述算法判断对应的第二参数的第二目标权重;
确定模块,用于基于上述第一初始虚警判别结果、上述第二初始虚警判别结果、上述第一目标权重以及上述第二目标权重确定上述故障信息的目标虚警判别结果;
抑制模块,用于若上述目标虚警判别结果为上述故障信息是虚警,则对上述故障信息进行抑制。
另一方面,提供一种计算机设备,包括处理器和存储器,上述存储器存储有计算机程序,上述处理器用于运行上述存储器内的计算机程序实现本发明实施例提供的信息抑制方法。
另一方面,提供一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序适于处理器进行加载,以执行本发明实施例所提供的任一种信息抑制方法中的步骤。
上述技术方案中的一个技术方案具有如下优点或有益效果:先后获取故障信息;接着对故障信息进行逻辑判断,得到故障信息的第一初始虚警判别结果,以及对故障信息进行算法判断,得到故障信息的第二初始虚警判别结果;其次获取逻辑判断对应的第一参数的第一目标权重,以及获取算法判断对应的第二参数的第二目标权重;基于第一初始虚警判别结果、第二初始虚警判别结果、第一目标权重以及第二目标权重确定故障信息的目标虚警判别结果;若目标虚警判别结果为故障信息是虚警,则对故障信息进行抑制。
即在本申请实施例中,通过同时对故障信息进行逻辑判断和算法判断,得到第一初始虚警判别结果和第二初始虚警判别结果,然后基于第一初始虚警判别结果、第二初始虚警判别结果、第一目标权重以及第二目标权重确定故障信息的目标虚警判别结果,如果目标虚警判别结果为故障信息是虚警,则对故障信息进行抑制,使得不提示和不存储是虚警的故障信息,从而节省存储资源,降低飞机维护的人力成本和时间成本。
上述技术方案中的另一个技术方案具有如下优点或有益效果:根据故障信息的报故***的上电时间确定第一初始虚警判别结果。
上述技术方案中的另一个技术方案具有如下优点或有益效果:根据故障信息中的故障字符串确定第一初始虚警判别结果。
上述技术方案中的另一个技术方案具有如下优点或有益效果:根据故障信息的故障类型确定第一初始虚警判别结果,使得可以排除该故障信息是否是因为关联***导致的,进而提高第一初始虚警判别结果的准确性。
上述技术方案中的另一个技术方案具有如下优点或有益效果:将获取的故障信息作为训练故障信息存储至数据库,然后基于数据库对已训练的神经网络模型进行优化,从而提高第二初始虚警判别结果的准确性。
上述技术方案中的另一个技术方案具有如下优点或有益效果:在对已训练的神经网络模型进行优化之后,修改第一目标权重和第二目标权重,从而提高目标虚警判别结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单介绍,显而易见地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制,其中:
图1为本发明实施例所提供的一种信息抑制方法的流程示意图;
图2为本发明实施例所提供的逻辑判断的流程示意图;
图3为本发明实施例所提供的信息抑制方法的交互示意图;
图4为本发明实施例所提供的信息抑制装置的结构示意图;
图5为本发明实施例所提供的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整的描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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。
在附图中,为清晰起见,可对形状和尺寸进行放大,并将在所有图中使用相同的附图标记来指示相同或相似的部件。
除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“多个”指两个及两个以上。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同,并不排除其他元件或者物件。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本发明实施例提供一种信息抑制方法、装置、计算机设备和可读存储介质。其中,该信息抑制装置可以集成在计算机设备中,该计算机设备可以是终端等设备,也可以是飞行器,也可以是飞机上的维护***。
其中,终端包括但不限于智能手机、平板电脑、笔记本电脑以及台式计算机等。飞行器包括但不限于飞机、无人机以及空间探测器等。
实施例一
下面对本申请实施例提供的信息抑制方法进行详细描述。
请参见图1所示,图1所示的为本发明实施例提供的一种信息抑制方法方法。本实施例提供的方法可以节省存储资源,降低飞机维护的时间成本和人力成本,本实施例提供的方法包括:
S101、获取故障信息。
飞机的机载***(机载***指飞机上的各个***)的上电测试指在***的航线可更换单元(Line Replaceable Unit,LRU)接通电源后,确认飞机上的***或设备是否存在故障而执行的测试。
其中,上电测试可以测试LRU的硬件(LRU的硬件包括LRU的中央处理器(CentralProcessing Unit,CPU)、LRU的随机存取存储器(Random Access Memory,RAM)、LRU的只读存储器(Read Only Memory,ROM)、LRU的计时器、LRU的中断控制器等)、***设备以及任何不自行报告自身健康状态的LRU的子***。
当机载***被测试时,该机载***称为被测***。如果被测***存在故障信息,则该被测***称为报故***。当飞机在上电测试时,如果被测***指示存在故障,则会产生对应的故障信息,计算机设备从而获取到故障信息。
S102、对故障信息进行逻辑判断,得到故障信息的第一初始虚警判别结果,以及对故障信息进行算法判断,得到故障信息的第二初始虚警判别结果。
计算机设备在获取到故障信息之后,可以分别对故障信息进行逻辑判断和算法判断,从而得到故障信息的第一初始虚警判别结果和第二初始虚警判别结果。
逻辑判断指基于故障信息对应的报故***的上电时间、故障信息中的故障字符串对故障信息进行判断的过程。算法判断指采用预设的算法对故障信息进行判断的过程。比如,预设的算法可以为神经网络模型或故障树。
第一初始虚警判别结果可以包括故障信息是虚警和故障信息不是虚警。可选地,计算机设备可以直接输出“是”或者“不是”,“是”表示故障信息是虚警,“不是”表示故障信息不是虚警。或者
或者,也可以采用第一初始值表示故障信息是虚警,第二初始值表示故障信息不是虚警,则计算机设备直接输出第一初始值和第二初始值,即当第一初始虚警判别结果为故障信息是虚警时,计算机设备输出第一初始值,当第二初始虚警判别结果为故障信息不是虚警时,计算机设备输出第二输出值。
比如,第一初始值为0,第二初始值为1,当计算机设备输出0时,表示故障信息是虚警,当计算机设备输出1时,表示故障信息不是虚警。
同理地,第二初始虚警判别结果的表示方式可以参照第一初始虚警判别结果的表示方式,本实施例在此不再赘述。
应注意,如果飞机当前为正在飞行状态,则计算机在获取到故障信息后,可以直接存储和提示该故障信息,如果飞机为在地面状态,再对故障信息进行逻辑判断和算法判断。
在一些实施例中,对故障信息进行逻辑判断,得到故障信息的第一初始虚警判别结果,包括:
获取故障信息对应的报故***的上电时间;
若上电时间小于或等于预设阈值,则将第一初始虚警判别结果确定为故障信息是虚警。
如果上电时间小于或等于预设阈值,说明该故障信息是虚警。当电源开始给报故***供电时,会将报故***的汇条流上的指示设置为1。所以,确定故障信息的报故***的上电时间的过程可以为:
获取将该报故***的汇条流上的指示设置为1的目标时刻,将目标时刻到获取到故障信息的时刻之间的时间间隔作为报故***的上电时间。
如果上电时间大于预设阈值,则可以将第一初始虚警判别结果确定为故障信息不是虚警。
在另一些实施例中,如果上电时间大于预设阈值,则对故障信息进行字符串提取,得到故障字符串;基于故障字符串确定故障信息的第一初始虚警判别结果。
在上电测试之前,可以先设置故障信息的格式,使得故障信息包括故障字符串,并且可以对故障字符串进行定义。
比如,故障字符串可以为32位数字,故障字符串中的第14-29位数字表示故障类型,故障字符串中的第30-31位数字表示状态矩阵位。
又比如,故障字符串可以为64位字符,故障字符串中的第24-39位字符(此时,该字符可以包括数字和字母)表示故障类型,故障字符串中的第40-41位字符表示状态矩阵位。
对于故障字符串中的字符的形式以及个数具体设置,用户可以根据实际情况进行选择,本申请在此不做限定。
在本实施例中,当上电时间大于预设阈值时,并不马上将第一初始虚警判别结果确定为故障信息不是虚警,而是根据故障信息中的故障字符串确定第一初始虚警判别结果,从而提高第一初始虚警判别结果的准确性。
可选地,参照图2,基于故障字符串确定故障信息的第一初始虚警判别结果的过程可以为:
确定故障字符串中的状态矩阵位的状态;
若状态矩阵位的状态为异常状态,则将第一初始虚警判别结果确定为故障信息不是虚警。
若状态矩阵位的状态为正常状态,则对故障字符串进行特征提取,得到故障信息对应的故障类型;
若故障信息对应的故障类型为内部故障,则将第一初始虚警判别结果确定为故障信息不是虚警。
比如,当状态矩阵位为00或11时,状态矩阵位的状态为异常状态,当状态矩阵位为01或10时,状态矩阵位的状态为正常状态。
在本实施例中,可以将各种故障类型存储与故障字符串中,以便当故障字符串中的状态矩阵位的状态为正常状态时,可以从故障字符串中提取到故障类型。如果故障类型为内部故障,说明该故障信息不是虚警。
如果故障信息对应的故障类型为外部故障,说明该故障信息可能是由于报故***的关联***存在故障造成的,则查找故障信息对应的关联***,然后确定关联***的电状态;若关联***的电状态为上电状态,则第一初始虚警判别结果确定为故障信息不是虚警;若关联***的电状态为断电状态,则第一初始虚警判别结果确定为故障信息是虚警。
将B***的输出信息输入至A***后,A***进行上电测试,即当A***进行上电测试时,B***的输出信息作为A***的输入信息,则将B***称为A***的关联***。
需要说明的是,B***的输出信息可以直接作为A***的的输入信息,或者,B***的输出信息也可以间接作为A***的的输入信息,比如B***的输出信息作为C***的输入信息,C***的输出信息作为A***的输入信息,此时,B***也称为A***的关联***。
计算机设备可以基于预先定义的故障逻辑,将故障信息与关联***进行关联存储。比如,故障逻辑为:在C***进行上电测试时,需将A***的输出信息和B***的输出信息作为C***的输入信息,如果在C***进行上电测试时,没有A***的输出信息和/或B***的输出信息输入至C***,则C***产生故障信息。则可以将故障信息与A***和B***进行关联存储。
因此,当故障信息对应的故障类型为外部故障时,查找故障信息对应的关联***:A***和B***。然后确定关联***的电状态,如果关联***的电状态为上电状态,则说明A***的输出信息和B***的输出信息有输入至C***,A***和B***没有问题,报故***存在故障,将第一初始虚警判别结果确定为故障信息不是虚警。
如果关联***的电状态为断电状态,说明该故障信息是由于没有关联***的输入信息导致的,报故***不存在故障,则将第一初始虚警判别结果确定为故障信息是虚警。
其中,确定关联***的电状态的过程可以为:查看关联***的指示,如果关联***的指示为1,则说明关联***的电状态为上电状态,如果关联***的指示不为1,则说明关联***的电状态为断电状态。
在另一些实施例中,对故障信息进行算法判断,得到故障信息的第二初始虚警判别结果,包括:
将故障信息输入至已训练的神经网络模型中进行判断,得到故障信息的第二初始虚警判别结果。
在本实施例中,通过已训练的神经网络模型对故障信息进行算法判断,从而得到故障信息的第二初始虚警判别结果。
对于已训练的神经网络模型的具体类型,用户可以根据实际情况进行选择,比如,在本实施例中,已训练的神经网络模型可以为卷积神经网络或支持向量机(supportvector machines,SVM),本实施例在此不做具体限定。
在另一些实施例中,在将故障信息输入至已训练的神经网络模型中进行判断的过程中,可以同时将故障信息对应的外部环境参数也输入至已训练的神经网络模型中,以便已训练的神经网络模型可以基于外部环境参数对故障信息进行判断。
并且,在将故障信息和外部环境参数输入至已训练的神经网络模型之前,可以先对故障信息和外部环境参数进行预处理,预处理包括但不限于对提取故障信息中的故障字符串、对外部环境参数进行向量化、标准化、缺失值处理以及特征值提取等。
外部环境参数包括飞机构型的配置版本号(由于当飞机构型的配置版本号不相同时,所采用的软件和硬件的版本号也不相同,不同版本号的软件和硬件的功能不相同,则故障逻辑也不相同,因此,外部参数可以包括飞机构型的配置版本号)、报故***的上电时间和报故***的汇条流的指示、报故***的使用寿命时长、报故***的关联***的汇条流的指示、各个机载***之间的关联关系等。
需要说明的是,当将故障信息输入至已训练的神经网络模型进行判断之后,实际得到的是一个概率值,则当第二初始虚警判别结果采用第一初始值和第二初始值表示时,如果概率值小于预设概率,则采用第一初始值表示第二初始虚警判别结果,如果概率值大于或等于预设概率,则采用第二初始值表示第二初始虚警判别结果。
比如,预设概率值为0.5,第一初始值为0,第二初始值为1,0表示第二初始虚警判别结果为故障信息是虚警,1表示第二初始虚警判别结果为故障信息不是虚警。当概率值为0.4时,0.4小于0.5,则采用0表示第二初始虚警判别结果,当概率值为0.6时,0.6大于0.5,则采用1表示第二初始虚警判别结果。
在将故障信息输入至已训练的神经网络模型中进行判断之前,可以先对待训练的神经网络模型进行训练,训练的过程可以为:
获取训练故障信息,利用预设数据字典准则对训练故障信息进行分类,得到训练故障信息的真实标签。将故障信息和故障信息的真实标签输入至待训练的神经网络模型中,得到训练故障信息对应的预测标签,基于预测标签和真实标签确定目标损失值。
如果目标损失值小于预设值,则停止训练,得到已训练的神经网络模型,如果目标损失值大于或等于预设值,则基于目标损失值更新待训练的神经网络模型的网络参数,并返回执行将故障信息和故障信息的真实标签输入至待训练的神经网络模型中,得到训练故障信息对应的预测标签。
预设数据字典准则是一种定义了所有的故障信息的工具,比如,当故障信息的格式为总线名称+“缺失”,则该故障信息的类别为接口故障信息,即预设数据字典准则中定义了接口故障信息的描述方式为总线名称+“缺失”。
S103、获取逻辑判断对应的第一参数的第一目标权重,以及获取算法判断对应的第二参数的第二目标权重。
计算机设备可以在对故障信息进行逻辑判断和算法判断之前,先设置逻辑判断的第一参数的第一目标权重和算法判断的第二参数的第二目标权重并进行存储,在对故障信息进行逻辑判断和算法判断之后,直接从存储空间中获取第一目标权重和第二目标权重。
计算机设备也可以在对故障信息进行逻辑判断和算法判断之后,再设置第一目标权重和第二目标权重。
对于第一目标权重和第二目标权重的设置时间,用户可以根据实际情况进行选择,本申请在此不做具体限定。第一初始权重和第二初始权重的和可以为1。
在一些实施例中,设置第一参数的第一目标权重和第二参数的第二目标权重的过程可以为:
初始化第一参数和第二参数,得到第一参数的第一初始权重和第二参数的第二初始权重。
获取对历史故障信息进行逻辑判断得到的第一历史判别结果,以及获取对历史故障信息进行算法判断得到的第二历史判别结果;
根据第一历史判别结果、第二历史判别结果、第一初始权重和第二初始权重确定历史故障信息的最终判别结果;
若最终判别结果不满足预设条件,则更新第一初始权重和第二初始权重,并返回执行获取对历史故障信息进行逻辑判断得到的第一历史判别结果,以及获取对历史故障信息进行算法判断得到的第二历史判别结果;
若最终判断结果满足预设条件,则将第一初始权重作为第一目标权重,将第二初始权重作为第二目标权重。
更新第一初始权重和第二初始权重的方式,可以是人工根据经验进行更新,也可以是根据预设搜索算法对第一初始权重和第二初始权重进行更新。预设搜索算法可以为最佳优先算法(Best-first Search Strategy)或回溯法(Backtracking)。本实施例在此不做具体限定。
需要说明的是,可以基于已训练的神经网络模型的判别精度和逻辑判断的判别精度确定第一***的取值范围和第二系数的取值范围,然后再根据预设搜索算法,从第一系数的取值范围和第二系数的取值范围中找到第一目标权重和第二目标权重。
判别精度可以基于历史判别结果确定,比如,10个历史判别结果中有5个历史判别结果是准确的,则判别精度为0.5。
但是,当通过已训练的神经网络模型进行算法判断时,由于刚开始数据库中的训练故障信息的数量较少,因此,刚开始时已训练的神经网络模型对故障信息进行算法判断得到的第二历史判别结果的准确性可能不是很高,即此时已训练的神经网络模型的判别精度可能小于逻辑判断的判别精度。
则可以设置最终得到的第一目标权重大于第二目标权重。即在设置预设条件时,可以根据第一目标权重大于第二目标权重进行设置。
并且,此时,第一历史判别结果和第二历史判别结果可以采用判别精度代替,即此时根据逻辑判断的判别精度、算法判断判别精度、第一初始权重和第二初始权重确定历史故障信息的最终判别结果。
其中,根据逻辑判断的判别精度、算法判断判别精度、第一初始权重和第二初始权重确定历史故障信息的最终判别结果的过程可以为:
将逻辑判断的判别精度与第一初始权重相乘,得到第一历史值,将算法判断的判别精度与第二初始权重相乘,得到第二历史值。将第一历史值和第二历史值相加,得到历史相加结果,根据历史相加结果确定最终判别结果。
S104、基于第一初始虚警判别结果、第二初始虚警判别结果、第一目标权重以及第二目标权重确定故障信息的目标虚警判别结果。
在本实施例中,对故障信息的第一初始虚警判别结果和第二初始虚警判别结果进行加权融合,从而得到故障信息的目标虚警判别结果。
其中,对故障信息的第一初始虚警判别结果和第二初始虚警判别结果进行加权融合的方式可以为:
将第一初始虚警判别结果与第一目标权重相乘,得到第一目标值;
将第二初始虚警判别结果与第二目标权重相乘,得到第二目标值;
将第一目标值与第二目标值相加,得到相加结果;
基于相加结果确定故障信息的目标虚警判别结果。
可选地,基于相加结果确定故障信息的目标虚警判别结果的过程可以为:
若相加结果大于预设数值,则将故障信息的目标虚警判别结果确定为故障信息不是虚警;
若相加结果小于或等于预设数值,则将故障信息的目标虚警判别结果确定为故障信息是虚警。
比如,第一目标权重为0.4,第二目标权重为0.6,预设数值为0.5。当第一初始虚警判别结果为1,第二初始虚警判别结果为0,则第一目标值为0.4,第二目标值为0,相加结果为0.4。由于0.4小于0.5,因此,目标虚警判别结果为故障信息是虚警。
当第一初始虚警判别结果为0,第二初始虚警判别结果为1,则第一目标值为0,第二目标值为0.6,相加结果为0.6。由于0.6大于0.5,因此,目标虚警判别结果为故障信息不是虚警。
在本实施例中,通过同时对故障信息进行逻辑判断和算法判断,然后加权融合逻辑判断的结果和算法判断的结果,从而提高故障信息的目标虚警判别结果的准确性。
比如,如图3所示,获取到故障信息之后,对故障信息和外部环境参数分别进行逻辑判断和算法判断,得到第一初始虚警判别结果和第二初始虚警判别结果。然后对第一初始虚警判别结果和第二初始虚警判别结果进行加权融合,得到目标虚警判别结果。
在一些实施例中,由于当计算机设备获取到故障信息之后,可以将故障信息存储至数据库中作为训练故障信息,因此数据库中的训练故障信息会越来越多,则后续可以根据数据库对已训练的神经网络模型进行优化,得到优化的神经网络模型,从而提高神经网络模型的判别精度。
需要说明的是,可以是当检查到数据库中增加的训练故障信息的数量到达预设数量时,根据数据库对已训练的神经网络模型进行优化。或者,也可以是当达到预设时间间隔后,根据数据库对已训练的神经网络模型进行优化。
在本实施例中,对已训练的神经网络模型进行优化,从而提高第二初始虚警判别结果的准确性。
当神经网络模型的判别精度提高时,可以提高第二参数的取值,从而提高目标虚警判别结果的准确性。因此,当对已训练的神经网络模型进行优化之后,可以对第一目标权重和第二目标权重进行修改,得到修改第一目标权重和修改第二目标权重,修改第二目标权重大于第二目标权重,修改第一目标权重小于第一目标权重。
对第一目标权重和第二目标权重可以通过人工进行修改,也可以根据预设搜索算法进行修改。在根据预设搜索算法查找修改第二目标权重和修改第一目标权重的过程中,由于此时优化的神经网络模型的判别精度提高了,因此,可以修改第二系数的取值范围,然后再利用预设搜索算法从第一系数的取值范围和第二系数修改后的取值范围中查找修改第一目标权重和修改第二目标权重,使得修改第二目标权重大于修改第一目标权重。
和/或,在根据预设搜索算法查找修改第二目标权重和修改第一目标权重的过程中,也可以对预设条件进行修改,从而使得修改第二目标权重大于修改第一目标权重。
最后再基于第一初始虚警判别结果、第二初始虚警判别结果、修改第一目标权重以及修改第二目标权重确定故障信息的目标虚警判别结果。即当对已训练的神经网络模型进行优化,对第一目标权重和第二目标权重进行修改之后,如果再获取到故障信息,则利用优化的神经网络模型对故障信息进行算法判断,基于修改第一目标权重和修改第二目标权重确定目标虚警判别结果。
在本实施例中,对第一目标权重和第二目标权重进行修改,从而提高目标虚警判别结果的准确性。
S105、若目标虚警判别结果为故障信息是虚警,则对故障信息进行抑制。
计算机设备在得到目标虚警判别结果之后,如果目标虚警判别结果为故障信息是虚警,则对故障信息进行抑制。对故障信息进行抑制指对不提示和不存储故障信息。
如果目标虚警判别结果为故障信息不是虚警,则对故障信息进行提示和存储,或者先存储后提示,或者先提示后存储。
由上可知,在本申请实施例中,先后获取故障信息;接着对故障信息进行逻辑判断,得到故障信息的第一初始虚警判别结果,以及对故障信息进行算法判断,得到故障信息的第二初始虚警判别结果;其次获取逻辑判断对应的第一参数的第一目标权重,以及获取算法判断对应的第二参数的第二目标权重;基于第一初始虚警判别结果、第二初始虚警判别结果、第一目标权重以及第二目标权重确定故障信息的目标虚警判别结果;若目标虚警判别结果为故障信息是虚警,则对故障信息进行抑制。
即在本申请实施例中,通过同时对故障信息进行逻辑判断和算法判断,得到第一初始虚警判别结果和第二初始虚警判别结果,然后基于第一初始虚警判别结果、第二初始虚警判别结果、第一目标权重以及第二目标权重确定故障信息的目标虚警判别结果,如果目标虚警判别结果为故障信息是虚警,则对故障信息进行抑制,使得不提示和不存储是虚警的故障信息,从而节省存储资源,降低飞机维护的人力成本和时间成本。
实施例二
为了更好地实施以上方法,本发明实施例还提供一种信息抑制装置,例如,如图4所示,该信息抑制装置可以包括:
信息获取模块401,用于获取故障信息。
判断模块402,用于对故障信息进行逻辑判断,得到故障信息的第一初始虚警判别结果,以及对故障信息进行算法判断,得到故障信息的第二初始虚警判别结果。
权重获取模块403,用于获取逻辑判断对应的第一参数的第一目标权重,以及获取算法判断对应的第二参数的第二目标权重。
确定模块404,用于基于第一初始虚警判别结果、第二初始虚警判别结果、第一目标权重以及第二目标权重确定故障信息的目标虚警判别结果。
抑制模块405,用于若目标虚警判别结果为故障信息是虚警,则对故障信息进行抑制。
可选地,判断模块402具体用于执行:
获取故障信息对应的报故***的上电时间;
若上电时间小于或等于预设阈值,则将第一初始虚警判别结果确定为故障信息是虚警。
可选地,判断模块402具体用于执行:
若上电时间大于预设阈值,则对故障信息进行字符串提取,得到故障字符串;
基于故障字符串确定故障信息的第一初始虚警判别结果。
可选地,判断模块402具体用于执行:
若故障字符串未包括状态矩阵位,则将第一初始虚警判别结果确定为故障信息不是虚警。
可选地,判断模块402具体用于执行:
若故障字符串包括状态矩阵位,则对故障字符串进行特征提取,得到故障信息对应的故障类型;
若故障信息对应的故障类型为内部故障,则将第一初始虚警判别结果确定为故障信息不是虚警。
可选地,判断模块402具体用于执行:
若故障信息对应的故障类型为外部故障,则查找故障信息对应的关联***;
确定关联***的电状态;
若关联***的电状态为上电状态,则第一初始虚警判别结果确定为故障信息不是虚警;
若关联***的电状态为断电状态,则第一初始虚警判别结果确定为故障信息是虚警。
可选地,判断模块402具体用于执行:
将故障信息输入至已训练的神经网络模型中进行判断,得到故障信息的第二初始虚警判别结果。
可选地,判断模块402具体用于执行:
获取故障信息对应的外部环境参数;
将故障信息和外部环境参数输入至已训练的神经网络模型中进行判断,得到故障信息的第二初始虚警判别结果。
可选地,判断模块402具体用于执行:
对故障信息进行逻辑判断,得到故障信息的第一初始虚警判别结果;
若故障信息的第一初始虚警判别结果为故障信息是虚警,则采用第一初始值表示第一初始虚警判别结果;
若故障信息的第一初始虚警判别结果为故障信息不是虚警,则采用第二初始值表示第一初始虚警判别结果;
对故障信息进行算法判断,得到故障信息的第二初始虚警判别结果;
若故障信息的第二初始虚警判别结果为故障信息是虚警,则采用第一初始值表示第二初始虚警判别结果;
若故障信息的第二初始虚警判别结果为故障信息不是虚警,则采用第二初始值表示第二初始虚警判别结果。
可选地,确定模块404具体用于执行:
将第一初始虚警判别结果与第一目标权重相乘,得到第一目标值;
将第二初始虚警判别结果与第二目标权重相乘,得到第二目标值;
将第一目标值与第二目标值相加,得到相加结果;
基于相加结果确定故障信息的目标虚警判别结果。
可选地,确定模块404具体用于执行:
若相加结果大于预设数值,则将故障信息的目标虚警判别结果确定为故障信息不是虚警;
若相加结果小于或等于预设数值,则将故障信息的目标虚警判别结果确定为故障信息是虚警。
可选地,权重获取模块403具体用于执行:
初始化逻辑判断对应的第一参数和算法判断对应的第二参数,得到第一参数的第一初始权重,以及第二参数的第二初始权重;
获取对历史故障信息进行逻辑判断得到的第一历史判别结果,以及获取对历史故障信息进行算法判断得到的第二历史判别结果;
根据第一历史判别结果、第二历史判别结果、第一初始权重和第二初始权重确定历史故障信息的最终判别结果;
若最终判别结果不满足预设条件,则更新第一初始权重和第二初始权重,并返回执行获取对历史故障信息进行逻辑判断得到的第一历史判别结果,以及获取对历史故障信息进行算法判断得到的第二历史判别结果;
若最终判断结果满足预设条件,则将第一初始权重作为第一目标权重,将第二初始权重作为第二目标权重。
可选地,该信息抑制装置还包括:
存储模块,用于将故障信息作为训练故障信息存储至数据库中;
优化模块,用于基于数据库中的训练故障信息对已训练的神经网络模型进行优化,得到优化后的神经网络模型。
可选地,该信息抑制装置还包括:
修改模块,用于对第一目标权重和第二目标权重进行修改,得到修改第一目标权重和修改第二目标权重;
相应地,确定模块404具体用于执行:
基于第一初始虚警判别结果、第二初始虚警判别结果、修改第一目标权重以及修改第二目标权重确定故障信息的目标虚警判别结果。
本实施例提供的信息抑制装置的功能与实施例一实现的功能相对应,所以关于本实施例的其他功能可参见实施例一中的内容,在此不再一一赘述。
实施例三
本发明实施例还提供一种计算机设备,如图5所示,其示出了本发明实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储器502、电源503和输入单元504等部件。本领域技术人员可以理解,图5中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器501是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器502内的计算机程序和/或模块,以及调用存储在存储器502内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器501可包括一个或多个处理核心;优选的,处理器501可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。
存储器502可用于存储计算机程序以及模块,处理器501通过运行存储在存储器502的计算机程序以及模块,从而执行各种功能应用以及数据处理。存储器502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计算机程序(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设备的使用所创建的数据等。此外,存储器502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。相应地,存储器502还可以包括存储器控制器,以提供处理器501对存储器502的访问。
计算机设备还包括给各个部件供电的电源503,优选的,电源503可以通过电源管理***与处理器501逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源503还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元504,该输入单元504可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器501会按照如下的指令,将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器502中,并由处理器501来运行存储在存储器502中的计算机程序,从而实现各种功能,比如:
获取故障信息;
对故障信息进行逻辑判断,得到故障信息的第一初始虚警判别结果,以及对故障信息进行算法判断,得到故障信息的第二初始虚警判别结果;
获取逻辑判断对应的第一参数的第一目标权重,以及获取算法判断对应的第二参数的第二目标权重;
基于第一初始虚警判别结果、第二初始虚警判别结果、第一目标权重以及第二目标权重确定故障信息的目标虚警判别结果;
若目标虚警判别结果为故障信息是虚警,则对故障信息进行抑制。
以上各个操作的具体实施以及对应的有益效果可参见前面的实施例,在此不作赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成,或通过计算机程序控制相关的硬件来完成,该计算机程序可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,其中存储有计算机程序,该计算机程序能够被处理器进行加载,以执行本发明实施例所提供的任一种信息抑制方法中的步骤。
以上各个操作的具体实施以及对应的有益效果可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的计算机程序,可以执行本发明实施例所提供的任一种信息抑制方法中的步骤,因此,可以实现本发明实施例所提供的任一种信息抑制方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
其中,根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述信息抑制方法。
以上对本发明实施例所提供的一种信息抑制方法、装置、计算机设备及可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (17)
1.一种信息抑制方法,其特征在于,包括:
获取故障信息;
对所述故障信息进行逻辑判断,得到所述故障信息的第一初始虚警判别结果,以及对所述故障信息进行算法判断,得到所述故障信息的第二初始虚警判别结果;
获取所述逻辑判断对应的第一参数的第一目标权重,以及获取所述算法判断对应的第二参数的第二目标权重;
基于所述第一初始虚警判别结果、所述第二初始虚警判别结果、所述第一目标权重以及所述第二目标权重确定所述故障信息的目标虚警判别结果;
若所述目标虚警判别结果为所述故障信息是虚警,则对所述故障信息进行抑制。
2.如权利要求1所述的信息抑制方法,其特征在于,所述对所述故障信息进行逻辑判断,得到所述故障信息的第一初始虚警判别结果,包括:
获取所述故障信息对应的报故***的上电时间;
若所述上电时间小于或等于预设阈值,则将所述第一初始虚警判别结果确定为所述故障信息是虚警。
3.如权利要求2所述的信息抑制方法,其特征在于,在所述获取所述故障信息对应的报故***的上电时间之后,还包括:
若所述上电时间大于所述预设阈值,则对所述故障信息进行字符串提取,得到故障字符串;
基于所述故障字符串确定所述故障信息的第一初始虚警判别结果。
4.如权利要求3所述的信息抑制方法,其特征在于,所述基于所述故障字符串确定所述故障信息的第一初始虚警判别结果,包括:
确定所述故障字符串中的状态矩阵位的状态;
若所述状态矩阵位的状态为异常状态,则将所述第一初始虚警判别结果确定为所述故障信息不是虚警。
5.如权利要求4所述的信息抑制方法,其特征在于,在所述确定所述故障字符串中的状态矩阵位的状态之后,还包括:
若所述状态矩阵位的状态为正常状态,则对所述故障字符串进行特征提取,得到所述故障信息对应的故障类型;
若所述故障信息对应的故障类型为内部故障,则将所述第一初始虚警判别结果确定为所述故障信息不是虚警。
6.如权利要求5所述的信息抑制方法,其特征在于,所述根据所述故障特征值确定所述故障信息对应的故障类型,包括:
若所述故障信息对应的故障类型为外部故障,则查找所述故障信息对应的关联***;
确定所述关联***的电状态;
若所述关联***的电状态为上电状态,则所述第一初始虚警判别结果确定为所述故障信息不是虚警;
若所述关联***的电状态为断电状态,则所述第一初始虚警判别结果确定为所述故障信息是虚警。
7.如权利要求1所述的信息抑制方法,其特征在于,所述对所述故障信息进行算法判断,得到所述故障信息的第二初始虚警判别结果,包括:
将所述故障信息输入至已训练的神经网络模型中进行判断,得到所述故障信息的第二初始虚警判别结果。
8.如权利要求7所述的信息抑制方法,其特征在于,所述将所述故障信息输入至已训练的神经网络模型中进行判断,得到所述故障信息的第二初始虚警判别结果,包括:
获取所述故障信息对应的外部环境参数;
将所述故障信息和所述外部环境参数输入至已训练的神经网络模型中进行判断,得到所述故障信息的第二初始虚警判别结果。
9.如权利要求1所述的信息抑制方法,其特征在于,所述对所述故障信息进行逻辑判断,得到所述故障信息的第一初始虚警判别结果,包括:
对所述故障信息进行逻辑判断,得到所述故障信息的第一初始虚警判别结果;
若所述故障信息的第一初始虚警判别结果为所述故障信息是虚警,则采用第一初始值表示所述第一初始虚警判别结果;
若所述故障信息的第一初始虚警判别结果为所述故障信息不是虚警,则采用第二初始值表示所述第一初始虚警判别结果;
相应地,所述对所述故障信息进行算法判断,得到所述故障信息的第二初始虚警判别结果,包括:
对所述故障信息进行算法判断,得到所述故障信息的第二初始虚警判别结果;
若所述故障信息的第二初始虚警判别结果为所述故障信息是虚警,则采用所述第一初始值表示所述第二初始虚警判别结果;
若所述故障信息的第二初始虚警判别结果为所述故障信息不是虚警,则采用所述第二初始值表示所述第二初始虚警判别结果。
10.如权利要求9所述的信息抑制方法,其特征在于,所述基于所述第一初始虚警判别结果、所述第二初始虚警判别结果、所述第一目标权重以及所述第二目标权重确定所述故障信息的目标虚警判别结果,包括:
将所述第一初始虚警判别结果与所述第一目标权重相乘,得到第一目标值;
将所述第二初始虚警判别结果与所述第二目标权重相乘,得到第二目标值;
将所述第一目标值与所述第二目标值相加,得到相加结果;
基于所述相加结果确定所述故障信息的目标虚警判别结果。
11.如权利要求10所述的信息抑制方法,其特征在于,所述基于所述相加结果确定所述故障信息的目标虚警判别结果,包括:
若所述相加结果大于预设数值,则将所述故障信息的目标虚警判别结果确定为所述故障信息不是虚警;
若所述相加结果小于或等于预设数值,则将所述故障信息的目标虚警判别结果确定为所述故障信息是虚警。
12.如权利要求1-11任一项所述的信息抑制方法,其特征在于,所述获取所述逻辑判断对应的第一参数的第一目标权重,以及获取所述算法判断对应的第二参数的第二目标权重,包括:
初始化所述逻辑判断对应的第一参数和所述算法判断对应的第二参数,得到所述第一参数的第一初始权重,以及所述第二参数的第二初始权重;
获取对历史故障信息进行逻辑判断得到的第一历史判别结果,以及获取对历史故障信息进行算法判断得到的第二历史判别结果;
根据所述第一历史判别结果、所述第二历史判别结果、所述第一初始权重和所述第二初始权重确定历史故障信息的最终判别结果;
若所述最终判别结果不满足预设条件,则更新所述第一初始权重和所述第二初始权重,并返回执行获取对历史故障信息进行逻辑判断得到的第一历史判别结果,以及获取对历史故障信息进行算法判断得到的第二历史判别结果;
若所述最终判断结果满足预设条件,则将所述第一初始权重作为第一目标权重,将所述第二初始权重作为第二目标权重。
13.如权利要求1所述的信息抑制方法,其特征在于,在所述获取故障信息之后,还包括:
将所述故障信息作为训练故障信息存储至数据库中;
基于所述数据库中的训练故障信息对所述已训练的神经网络模型进行优化,得到优化后的神经网络模型。
14.如权利要求13所述的信息抑制方法,其特征在于,在所述基于所述数据库中的训练故障信息对所述已训练的神经网络模型进行优化,得到优化后的神经网络模型之后,还包括:
对所述第一目标权重和所述第二目标权重进行修改,得到修改第一目标权重和修改第二目标权重;
相应地,所述基于所述第一初始虚警判别结果、第二初始虚警判别结果、所述第一目标权重以及所述第二目标权重确定所述故障信息的目标虚警判别结果,包括:
基于所述第一初始虚警判别结果、第二初始虚警判别结果、所述修改第一目标权重以及所述修改第二目标权重确定所述故障信息的目标虚警判别结果。
15.一种信息抑制装置,其特征在于,包括:
信息获取模块,用于获取故障信息;
判断模块,用于对所述故障信息进行逻辑判断,得到所述故障信息的第一初始虚警判别结果,以及对所述故障信息进行算法判断,得到所述故障信息的第二初始虚警判别结果;
权重获取模块,用于获取所述逻辑判断对应的第一参数的第一目标权重,以及获取所述算法判断对应的第二参数的第二目标权重;
确定模块,用于基于所述第一初始虚警判别结果、所述第二初始虚警判别结果、所述第一目标权重以及所述第二目标权重确定所述故障信息的目标虚警判别结果;
抑制模块,用于若所述目标虚警判别结果为所述故障信息是虚警,则对所述故障信息进行抑制。
16.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的计算机程序,以执行权利要求1至14任一项所述的信息抑制方法。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行权利要求1至14任一项所述的信息抑制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111415063.XA CN113918398A (zh) | 2021-11-25 | 2021-11-25 | 信息抑制方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111415063.XA CN113918398A (zh) | 2021-11-25 | 2021-11-25 | 信息抑制方法、装置、计算机设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113918398A true CN113918398A (zh) | 2022-01-11 |
Family
ID=79248260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111415063.XA Pending CN113918398A (zh) | 2021-11-25 | 2021-11-25 | 信息抑制方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113918398A (zh) |
-
2021
- 2021-11-25 CN CN202111415063.XA patent/CN113918398A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019016209A (ja) | 診断装置、診断方法およびコンピュータプログラム | |
US20210097058A1 (en) | Aircraft fault troubleshooting system using supplemented aircraft maintenance log data | |
CN115330275B (zh) | 一种退役电池的梯次利用方法及装置 | |
CN111143173A (zh) | 一种基于神经网络的服务器故障监测方法及*** | |
CN111552646B (zh) | 用于回归测试的方法和装置 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
US11550707B2 (en) | Systems and methods for generating and executing a test case plan for a software product | |
CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和*** | |
CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
CN109934956B (zh) | 一种飞参数据判读方法、***、设备及介质 | |
CN109884533B (zh) | 电池故障的诊断方法及装置、设备及存储介质 | |
CN113031991B (zh) | 一种嵌入式***的远程自适应升级方法及其装置 | |
CN117556238A (zh) | 一种基于故障预测的电力设备巡检方法及*** | |
CN113918398A (zh) | 信息抑制方法、装置、计算机设备及可读存储介质 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
US10964132B2 (en) | Detecting fault states of an aircraft | |
US11520831B2 (en) | Accuracy metric for regular expression | |
CN114443738A (zh) | 异常数据挖掘方法、装置、设备及介质 | |
CN113590484A (zh) | 算法模型服务测试方法、***、设备及存储介质 | |
CN112395167A (zh) | 一种作业故障预测方法、装置及电子设备 | |
CN114428720A (zh) | 基于p-k的软件缺陷预测方法、装置、电子设备及介质 | |
US20190236268A1 (en) | Behavior determining method, behavior determining apparatus, and non-transitory computer readable medium | |
CN111221704A (zh) | 一种确定办公管理应用***运行状态的方法及*** | |
CN111596641B (zh) | 核电站应急柴油机故障分析方法、装置、存储介质及设备 | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及*** |
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 |