CN116596336B - 电子设备的状态评估方法、装置、电子设备及存储介质 - Google Patents
电子设备的状态评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116596336B CN116596336B CN202310562035.3A CN202310562035A CN116596336B CN 116596336 B CN116596336 B CN 116596336B CN 202310562035 A CN202310562035 A CN 202310562035A CN 116596336 B CN116596336 B CN 116596336B
- Authority
- CN
- China
- Prior art keywords
- target component
- target
- data
- current
- abnormality
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 112
- 230000005856 abnormality Effects 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000036541 health Effects 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 71
- 238000001514 detection method Methods 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 230000002547 anomalous effect Effects 0.000 claims 6
- 239000000306 component Substances 0.000 description 346
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种电子设备的状态评估方法、装置、电子设备及存储介质，所述方法包括：基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率；基于各目标部件的历史异常数据，确定各目标部件的参考权重；根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，所述当前评估指标用于表征目标部件的当前健康情况；基于各目标部件的当前评估指标，对电子设备的当前状态进行评估。为实现对电子设备状态的有效评估提供了技术支持。
Description
技术领域
本申请涉及数据处理领域，尤其涉及一种电子设备的状态评估方法、装置、电子设备及存储介质。
背景技术
相关技术中，由于对诸如笔记本电脑等电子设备在生产阶段的状态缺乏有效的评估，导致很多电子设备出厂前在工厂端留存的质检记录是合格的，但进入市场后仍然会出现质量异常的情况，带来了极大的售后返修成本。如何对电子设备的状态进行有效的评估成为亟待解决的技术问题。
发明内容
本申请提供了一种电子设备的状态评估方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。
根据本申请的第一方面，提供了一种电子设备的状态评估方法，所述方法包括：
基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率；
基于各目标部件的历史异常数据，确定各目标部件的参考权重；
根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，所述当前评估指标用于表征目标部件的当前健康情况；
基于各目标部件的当前评估指标，对电子设备的当前状态进行评估。
上述方案中，所述基于各目标部件的历史异常数据，确定各目标部件的参考权重，包括：
基于各目标部件的历史异常数据和各目标部件的当前使用数据，确定各目标部件的参考权重。
上述方案中，所述根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，包括：
根据各目标部件的参考权重、当前发生异常的概率以及各目标部件的业务权重值，得到各目标部件的当前评估指标。
上述方案中，所述基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率，包括：
将各目标部件的当前使用数据输入各目标部件的检测模型，得到对各目标部件的当前使用数据的检测结果，所述检测结果用于表征各目标部件在当前发生异常的概率；其中，所述各目标部件的检测模型由各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据对各目标部件的待训练模型进行训练而得到。
上述方案中，还包括：
根据各目标部件的数据特征，对各目标部件的当前使用数据进行预处理，得到各目标部件的目标数据；
所述将各目标部件的当前使用数据输入各目标部件的检测模型，得到对各目标部件的当前使用数据的检测结果，包括：
将各目标部件的目标数据输入各目标部件的检测模型，得到对各目标部件的目标数据的检测结果。
上述方案中，所述基于各目标部件的当前评估指标，对电子设备的当前状态进行评估，包括：
基于各目标部件的当前评估指标，得到电子设备的状态度量值；
根据电子设备的状态度量值，对电子设备的当前状态进行评估。
上述方案中，所述各目标部件的检测模型由各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据对各目标部件的待训练模型进行训练而得到，包括：
将各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练；
所述各目标部件的待训练模型经训练得到的各检测模型用于对各目标部件的当前使用数据是否发生异常进行检测。
上述方案中，所述将各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练，包括：
根据各目标部件的数据特征，对各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据进行预处理，得到各目标部件的目标样本数据；
将各目标部件的目标样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练。
根据本申请的第二方面，提供了一种电子设备的状态评估装置，所述装置包括：
第一获取单元，用于基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率；
确定单元，用于基于各目标部件的历史异常数据，确定各目标部件的参考权重；
第二获取单元，用于根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，所述当前评估指标用于表征目标部件的当前健康情况；
评估单元，用于基于各目标部件的当前评估指标，对电子设备的当前状态进行评估。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请所述的方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本申请所述的方法。
本申请中，基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据以及各目标部件的历史异常数据，即可对电子设备的当前状态进行评估。构建了统一的、全局的状态评估体系，实现了对电子设备状态的有效评估，使电子设备的质量得到保证，大大降低了售后维修成本。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本申请实施例电子设备的状态评估方法的实现流程示意图一；
图2示出了本申请实施例电子设备的状态评估方法的实现流程示意图二；
图3示出了本申请实施例电子设备的状态评估装置的组成结构示意图；
图4示出了本申请实施例一种电子设备的组成结构示意图。
具体实施方式
为使本申请的目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
相关技术中，在诸如笔记本电脑等电子设备的生产阶段，通常会对电子设备进行多项测试以确保电子设备达到出厂标准。这些测试通过对多种用户使用场景的模拟，给出电子设备可以出厂或不可以出厂的测试结果。如果测试结果表征电子设备可以出厂，则将电子设备正常下线出厂即可。如果测试结果表征电子设备不可以出厂，则对该电子设备执行重测复现、维修换件等多种业务策略，确保出厂的所有电子设备通过质量测试。但这种方案只能避免一些诸如无法点亮等定性的质量问题的发生。其产生和留存的数据对于分析售后异常电子设备的问题指导意义极小，无法对电子设备的整体状态进行监控或预测。并且，所有的测试项之间都是独立的、无全局关联的，独立的测试结果各自独立的作为质量控制操作的触发条件，无法构建统一的、全局的状态评估体系。
相关技术中，还会在电子设备的售后阶段对出现异常的电子设备进行统计学分析，并基于统计结果反馈到生产端以排查生产阶段的设备异常情况。这种方案售后数据反馈周期从开始到基本结束长达数月，且该过程需要人力持续收集和反馈大量数据，需要大量的人力和时间成本。除此之外，在等待反馈的过程中，工厂端电子设备和产线配置可能已经发生很大变化。针对历史数据的统计结果，无法动态的对电子设备的状态进行有效评估。如果能够在生产阶段对电子设备的状态进行有效的评估，势必能够节省大量人力和时间成本，保证电子设备的质量，进一步降低售后维修成本。
本申请实施例中，基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率；基于各目标部件的历史异常数据，确定各目标部件的参考权重；根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，所述评估指标用于表征目标部件的健康情况；基于各目标部件的当前评估指标，对电子设备的当前状态进行评估。构建了统一的、全局的状态评估体系，实现了对电子设备状态的有效评估，保证了电子设备的质量。
下面对本申请实施例的电子设备的状态评估方法做详细说明。
本申请实施例提供一种电子设备的状态评估方法，如图1所示，所述方法包括：
S101：基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率。
本申请中，涉及到两种相对而言的时间概念，一种是历史上，一种是当前。在时间轴上，历史时间在前，当前时间在后。可以理解，在历史上产生过异常的目标部件可视为位于当前时间之前的时间上发生过异常的部件。目标部件在当前发生异常的概率可视为在想要检测目标部件是否发生异常的时间上对目标部件是否发生异常的概率进行检测。
本步骤中，电子设备内部包含许多部件。以电子设备为笔记本电脑为例，笔记本电脑内部包含磁盘、CPU（Central Processing Unit，中央处理器）、GPU（graphicsprocessing unit，图形处理器）、存储器、主板、电池等部件。相对于当前而言，目标部件为笔记本电脑在历史上产生过异常的部件。目标部件的数量可以是一个，也可以两个或多个。根据售后阶段工厂端的反馈，可获知笔记本电脑在历史上哪个或哪些部件发生过异常，由此，可从笔记本电脑的全部部件中确定出目标部件。
可以理解，笔记本电脑的目标部件可以是发生过异常的全部部件，也可以是发生过异常的部分部件。示例性地，如果笔记本电脑中电池这个部件发生过异常，但是发生过异常的次数只有一次或者两次，次数较少，而其他部件发生异常次数所占比例都比较高，则电池这个部件可以不作为目标部件参与笔记本电脑的状态评估。也就是说，目标部件可以是电子设备在历史上发生过异常且发生异常的次数所占比例较高如高于第一设定阈值的部件。
目标部件的使用数据指的是目标部件运行时产生的数据。如，以目标部件为CPU为例，CPU的使用数据包括CPU最小频率等数据。以目标部件为GPU为例，GPU的使用数据包括GPU基频设计标准等数据。如果将想要对电子设备状态进行评估的时刻视为当前时刻，则在想要进行评估的时刻用到的如CPU最小频率就可以视为CPU这一目标部件的当前使用数据。GPU基频设计标准数据就可以视为GPU这一目标部件的当前使用数据。
通常情况下，在电子设备的生产阶段对电子设备的状态进行评估，则目标部件的当前使用数据为处于生产阶段的待评估电子设备的目标部件的当前使用数据（如处于生产阶段的笔记本电脑的CPU最小频率、GPU基频设计标准等数据）。基于在历史上产生过异常的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率。
其中，根据在历史上产生过异常的目标部件的当前使用数据获取各目标部件在当前发生异常的概率的技术方案，具体可参见其他说明。
S102：基于各目标部件的历史异常数据，确定各目标部件的参考权重。
本步骤中，各目标部件的参考权重的取值与各目标部件在历史上发生异常的异常权重的取值相同。与各目标部件在历史上发生异常的异常权重相加之和需等于1类似，各目标部件的参考权重相加之和也需等于1。根据售后阶段统计的历史异常数据，得到各目标部件在历史上发生异常的次数。通过各目标部件在历史上发生异常的次数，确定各目标部件在历史上发生异常的异常权重。
示例性地，CPU的历史异常数据包括CPU最小频率异常，假设售后阶段统计到全部目标部件在历史上发生异常的总次数为100次，而其中CPU发生异常的次数为40次，则CPU在历史上发生异常的异常权重为40/100=0.4，GPU发生异常的次数为30次，则GPU在历史上发生的异常权重为30/100=0.3。
S103：根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，所述当前评估指标用于表征目标部件的当前健康情况。
本步骤中，各目标部件的当前评估指标可以是一个用于表征各目标部件健康状况的取值。具体的，以某个目标部件为例，该目标部件的当前评估指标可以为该目标部件的参考权重与该目标部件在当前发生异常的概率的乘积。
基于各目标部件的当前评估指标，得到当前各目标部件在电子设备中的健康状况。如，当目标部件的当前评估指标为一个较高值时，该目标部件在当前状况下处于不健康状态的程度较高。当目标部件的当前评估指标为一个较小值时，该目标部件在当前状况下处于不健康的程度较低。即，处于健康的程度较高。其中，当前评估指标为较高值或较低值是相对而言的。示例性地，假定当前对三台电子设备（如笔记本电脑）进行状态评估，第一台电子设备CPU的当前评估指标的值为15，第二台电子设备CPU的当前评估指标的值为13，第三台电子设备CPU的当前评估指标的值为19。三台电子设备相比，第一台和第三台电子设备CPU的当前评估指标的值相对第二台电子设备而言为较高值，相应地，第二台电子设备CPU的当前评估指标的值相对于第一台和第三台电子设备而言为较低值。再进一步地，第三台电子设备CPU的当前评估指标的值相对第一台电子设备而言为较高值，相应地，第一台电子设备CPU的当前评估指标的值相对于第三台电子设备而言为较低值。也就是说，通过同一目标部件在不同电子设备的当前评估指标之间的比较，可以确定该目标部件在当前状况下处于不健康的程度高低，如前述的第三台电子设备CPU的当前评估指标的值最高，则第三台电子设备CPU在当前状况下处于不健康的程度最高。第二台电子设备CPU的当前评估指标的值最低，则第二台电子设备CPU在当前状况下处于不健康的程度最低。第一台电子设备CPU的当前评估指标的值处于中等，则第一台电子设备CPU在当前状况下处于不健康的程度中等。
S104：基于各目标部件的当前评估指标，对电子设备的当前状态进行评估。
本步骤中，各目标部件的当前评估指标表示当前各目标部件在电子设备中的健康状况，根据每个目标部件当前的健康状况，即可对电子设备当前整体的状态进行评估。
步骤S101~S104中，基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率；基于各目标部件的历史异常数据，确定各目标部件的参考权重；根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，所述当前评估指标用于表征目标部件的当前健康情况；基于各目标部件的当前评估指标，对电子设备的当前状态进行评估。构建了统一的、全局的状态评估体系，实现了对电子设备状态的有效评估，保证了电子设备的出厂质量。
在一个可选的方案中，所述基于各目标部件的历史异常数据，确定各目标部件的参考权重，包括：
基于各目标部件的历史异常数据和各目标部件的当前使用数据，确定各目标部件的参考权重。
本申请中，各目标部件的参考权重也可以通过各目标部件的历史异常数据和各目标部件的当前使用数据共同确定。通常对电子设备状态进行评估是在电子设备的生产阶段进行的，即电子设备各目标部件的当前使用数据可以是电子设备在生产阶段各目标部件的使用数据。相对于生产阶段的各目标部件而言，售后阶段各目标部件的异常数据可以作为电子设备各目标部件的历史异常数据使用。示例性地，如果售后阶段统计到的全部目标部件在历史上的数据异常总次数为100次，其中CPU的数据在历史上发生异常的异常次数为40次，GPU的数据在历史上发生异常的异常次数为30次。如果CPU当前使用数据运行正常（即当前被正常使用），GPU当前使用数据出现异常（即当前使用异常），则截至当前，全部目标部件的数据异常总次数为101次。在101次的总异常次数中，CPU的异常次数占40次，CPU的参考权重为40/101=0.396。而GPU的异常次数占30+1=31次，GPU的参考权重为31/101=0.307。相对于前述的仅通过各目标部件的历史异常数据确定的各目标部件的参考权重而言，如果出现当前使用数据运行异常的目标部件，会导致CPU和GPU的参考权重值均发生了变化。
本申请中，结合了各目标部件的历史异常数据和当前使用数据，确定各目标部件的参考权重，考虑到了历史异常数据和当前使用数据这二者对目标部件的参考权重产生的影响，能够保证各目标部件的参考权重的准确性，且简单易行，易于实施。
其中，结合目标部件当前的实际被使用情况，进行参考权重的计算，可保证参考权重的计算准确性。
在一个可选的方案中，如图2所示，所述根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，包括：
S203：根据各目标部件的参考权重、当前发生异常的概率以及各目标部件的业务权重值，得到各目标部件的当前评估指标。
本申请中，各目标部件的当前评估指标由各目标部件的参考权重、当前发生异常的概率以及各目标部件的业务权重值共同确定。具体的，在参考权重、当前发生异常的概率、业务权重值均为数值的情况下，各目标部件的当前评估指标可以为各目标部件的参考权重、当前发生异常的概率以及各目标部件的业务权重值三者的乘积。
其中，业务权重值表示各目标部件在电子设备中业务层面的重要性。各目标部件的业务权重值可以是预先设置好的值。如，CPU作为电子设备如笔记本电脑的运算和控制核心部件，其所占业务权重值自然较高。比如，将CPU的业务权重设置为0.5。其他部件，如电池、主板等，相对于CPU而言，地位较低，自然地，设置这些部件的业务权重为较低值，比如将电池的业务权重值设置为0.1，主板的业务权重值设置为0.2。采用各目标部件的参考权重、当前发生异常的概率以及各目标部件的业务权重值三者的乘积，作为各目标部件的当前评估指标，可以提高电子设备中业务权重值高的目标部件的当前评估指标，以使对电子设备整体的状态评估倾向于对电子设备影响较大的目标部件。如此，可在生产阶段更好的对出厂后可能出现异常的电子设备进行拦截和追踪，降低电子设备出厂后出现异常的风险。
本申请中，基于各目标部件的参考权重、当前发生异常的概率以及各目标部件的业务权重值得到各目标部件的当前评估指标。考虑到参考权重、当前发生异常的概率、业务权重值这三个因素对评估指标的影响，能够对各目标部件进行更精细化的健康度度量及监控，进而能够实现对电子设备状态的有效评估。
在一个可选的方案中，所述基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率，包括：
将各目标部件的当前使用数据输入各目标部件的检测模型，得到对各目标部件的当前使用数据的检测结果，所述检测结果用于表征各目标部件在当前发生异常的概率；其中，所述各目标部件的检测模型由各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据对各目标部件的待训练模型进行训练而得到。
本申请中，每个目标部件都有一个与之对应的检测模型。各目标部件对应的检测模型用于对各目标部件的当前使用数据进行检测，从而由检测模型预测出各目标部件当前发生异常的概率。其中，各目标部件对应的检测模型均由各目标部件带正常样本标签和带异常样本标签的样本数据对各目标部件的待训练模型进行训练而得到。
将各目标部件的历史数据作为各目标部件的样本数据。根据售后阶段的异常反馈，为出现过异常的历史数据标记为异常样本标签，为没有出现过异常的历史数据标记为正常样本标签。通过将各目标部件的带正常样本标签的历史数据和带异常样本标签的历史数据输入至各目标部件对应的待训练模型，以对各目标部件对应的待训练模型进行训练。
在训练的方案中，可计算训练过程中产生的损失函数值，在损失函数值小于或等于设定的阈值时，训练结束。各目标部件在训练结束时的对应的待训练模型即可作为各目标部件的检测模型。
在应用的方案中，将各目标部件的当前使用数据输入各目标部件的检测模型，由各目标部件的检测模型输出各目标部件当前发生异常的概率。示例性地，当CPU的检测模型输出的CPU当前发生异常的概率为0.8，则CPU当前发生异常的概率较高。或者说，CPU当前大概率会发生异常。当GPU的检测模型输出的GPU当前发生异常的概率为0.2，则GPU当前发生异常的概率较低。或者说，GPU当前大概率不会发生异常。从而得到对各目标部件当前是否可能发生异常的检测结果。
本申请中，利用各目标部件的检测模型预测各目标部件当前发生异常的概率，保证了检测结果的准确性，做到对各目标部件的实时监测、实时调整。其中，每个目标部件通过与之对应的检测模型进行当前发生异常的概率的检测，实现了针对性检测，可保证对各目标部件的检测准确性。
在一个可选的方案中，还包括：
根据各目标部件的数据特征，对各目标部件的当前使用数据进行预处理，得到各目标部件的目标数据；
相应的，所述将各目标部件的当前使用数据输入各目标部件的检测模型，得到对各目标部件的当前使用数据的检测结果，包括：
将各目标部件的目标数据输入各目标部件的检测模型，得到对各目标部件的目标数据的检测结果。
本申请中，还可以对各目标部件的当前使用数据进行预处理，将预处理后的各目标部件的当前使用数据输入各目标部件的检测模型，以得到各目标部件当前发生异常的概率。由于各目标部件的数据维度不同，因此各目标部件数据维度所对应的数据特征也会有所不同。自然地，对各目标部件当前使用数据进行预处理的方式也会有所不同。
示例性地，CPU的数据维度包括CPU最小频率、CPU平均功耗等。对于CPU这一部件而言，CPU的各个数据维度存在取值范围上的差异，CPU的数据维度所对应的数据特征为：各数据维度在取值范围上存在较大差异。对CPU的数据维度进行特征缩放如正则化处理，消除各个数据维度之间取值范围存在较大差异带来的影响。将经过正则化处理的CPU各维度数据作为CPU的目标数据输入到CPU对应的检测模型，得到对CPU的目标数据的检测结果。
主板的数据维度包括S3相关数据维度（计算机待机唤醒数据）、S4相关数据维度（计算机休眠唤醒数据）、Audio（音频）测试数据维度和USB（Universal Serial Bus，通用串行总线）测试数据维度等。由于主板的各数据维度之间本身取值范围差异较小，主板的数据维度所对应的数据特征为：各数据维度在取值范围上趋于统一，因此，并不需要进行如部件CPU的正则化预处理步骤。相比于CPU而言，由于主板的业务权重比较低，因此主板用于检测的数据维度可以是主板的全部数据维度，也可以是根据实际业务需求筛选得到的部分数据维度。因此，对于主板这一目标部件来说，需要对主板进行维度筛选的这一预处理步骤，将主板有用的数据维度筛选出来作为主板的目标数据输入到主板对应的检测模型，得到对主板目标数据的检测结果。
通俗来讲，对于业务权重高的目标部件，可采用正则化处理对其进行预处理，以得到可输入至其所对应的检测模型的目标数据。对于业务权重不高如中等或低的目标部件来说，可采用筛选对其进行预处理，以得到可输入至其所对应的检测模型的表征为特定维度的目标数据。
本申请中，根据不同目标部件的数据特征，对各目标部件的当前使用数据进行预处理，将预处理后的当前使用数据作为各目标部件检测模型的输入进而得到检测结果，保证了检测结果的准确性，进一步保证了对电子设备整体状态评估的有效性与准确性。
在一个可选的方案中，所述基于各目标部件的当前评估指标，对电子设备的当前状态进行评估，包括：
基于各目标部件的当前评估指标，得到电子设备的状态度量值；
根据电子设备的状态度量值，对电子设备的当前状态进行评估。
本申请中，电子设备的当前状态是根据电子设备的状态度量值进行评估的。其中，电子设备的状态度量值基于各目标部件的当前评估指标而得到的。具体的，电子设备的状态度量值与各目标部件的当前评估指标之间的运算关系如公式（1）所示：
公式（1）
其中，表示电子设备的状态度量值。/>代表第i个目标部件当前发生异常的概率。/>代表第i个目标部件的参考权重。/>代表第i个目标部件的业务权重值。/>代表第i个目标部件的当前评估指标。/>代表各目标部件当前评估指标之和。代表各目标部件参考权重之和。i为大于或等于1的整数，表示电子设备中目标部件的总数量。
通过上式（1）得到电子设备的状态度量值。将电子设备的状态度量值与预设状态阈值比较，得到电子设备的当前状态评估结果。示例性地，当电子设备的状态度量值大于预设状态阈值，则表示电子设备的当前状态为健康。当电子设备的状态度量值小于预设状态阈值，则表示电子设备的当前状态为不健康。当电子设备的状态度量值等于预设状态阈值，则表示电子设备的当前状态为亚健康等等。
示例性地，假设电子设备的预设状态阈值为20，当电子设备的状态度量值为15时，此时电子设备的状态度量值小于预设状态阈值，则电子设备的当前状态为不健康。当电子设备的状态度量值为25时，此时电子设备的状态度量值大于预设状态阈值，则电子设备的当前状态为健康。当电子设备的状态度量值刚好为20时，此时电子设备的状态度量值等于预设状态阈值，则电子设备的当前状态为亚健康。前述方案中，是以电子设备的当前状态包括健康、不健康和亚健康为例进行的说明。具体的状态评估标准还可包括其他方式，本申请对此不做具体限定。
本申请中，通过电子设备的状态度量值对电子设备的当前状态进行评估，能够直观的反映电子设备的当前状态是否良好，便于在生产阶段对高风险电子设备及时进行拦截或者复测，对低风险电子设备进行追踪和抽检，降低电子设备在出厂后发生异常的风险。
在一个可选的方案中，所述各目标部件的检测模型由各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据对各目标部件的待训练模型进行训练而得到，包括：
将各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练；
所述各目标部件的待训练模型经训练得到的各检测模型用于对各目标部件的当前使用数据是否发生异常进行检测。
本申请中，各目标部件都有对应的待训练模型，在经过训练后，得到各目标部件对应的检测模型。可以选取基于提升方法的Light GBM（Light Gradient Boosting Machine，梯度提升机）机器学习算法模型作为各目标部件的待训练模型。在这种待训练模型的训练过程中，利用特征子采样、叶子结点数目、树结构最大深度等超参数，对待训练模型进行超参调优，以极小化待训练模型的损失函数。在损失函数极小化的情况下，待训练模型的训练完成或结束。
经过训练后的待训练模型通过精确率Precision、召回率Recall以及二者的调和平均值F1 score这三个评估指标，综合评估训练后的待训练模型的性能优劣。前述三个评估指标的计算方式分别如公式（2）、公式（3）、公式（4）所示：
Precision=公式（2）
Recall=公式（3）
公式（4）
其中，表示实际为正常样本数据，且被经过训练后的待训练模型判断为正常样本数据的数量。/>表示实际为异常样本数据，且被经过训练后的待训练模型判断为异常样本数据的数量。/>表示实际为正常样本数据，但被经过训练后的待训练模型判断为异常样本数据的数量。精确率Precision、召回率Recall以及二者的调和平均值F1 score这三个评估指标的值越高，代表待训练模型经过训练后得到的检测模型的性能越好，检测的结果就越准确。
本申请中，通过带正常标签和带异常标签的各目标部件的样本数据对各目标部件的待训练模型进行训练，且采用评估指标评估训练得到模型的性能优劣，提升了待训练模型训练结果的准确性，为有效评估电子设备的状态提供了基础。
在一个可选的方案中，所述将各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练，包括：
根据各目标部件的数据特征，对各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据进行预处理，得到各目标部件的目标样本数据；
将各目标部件的目标样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练。
本申请中，还可以对各目标部件的样本数据进行预处理。将预处理后的各目标部件的样本数据输入各目标部件的待训练模型，以对各目标部件的待训练模型进行训练。由于各目标部件的样本数据维度不同，因此各目标部件样本数据维度所对应的数据特征也会有所不同。自然地，对各目标部件样本数据进行预处理的方式也会有所不同。
示例性地，CPU的样本数据维度包括CPU最小频率、CPU平均功耗等。对于CPU这一部件而言，CPU的各个样本数据维度存在取值范围上的差异，CPU的样本数据维度所对应的数据特征为：各样本数据维度在取值范围上存在较大差异。对CPU的样本数据维度进行特征缩放如正则化处理，消除各个样本数据维度之间取值范围存在较大差异带来的影响。将经过正则化处理的CPU各维度样本数据作为CPU的目标样本数据输入到CPU对应的待训练模型，对CPU对应的待训练模型进行训练。
主板的样本数据维度包括S3相关数据维度（计算机待机唤醒数据）、S4相关数据维度（计算机休眠唤醒数据）、Audio（音频）测试数据维度和USB测试数据维度等。由于主板的各样本数据维度之间本身取值范围差异较小，主板的样本数据维度所对应的数据特征为：各数据维度在取值范围上趋于统一，因此，并不需要进行如部件CPU的正则化预处理步骤。相比于CPU而言，由于主板的业务权重比较低，因此主板用于训练的样本数据维度可以是主板的全部样本数据维度，也可以是根据实际业务需求筛选得到的部分样本数据维度。因此，对于主板这一目标部件来说，需要对主板进行维度筛选的这一预处理步骤，将主板有用的样本数据维度筛选出来作为主板的目标样本数据输入到主板对应的待训练模型，对主板对应的待训练模型进行训练。
通俗来讲，对于业务权重高的目标部件，可采用正则化处理对其进行预处理，以得到可输入至其所对应的待训练模型的目标样本数据。对于业务权重不高如中等或低的目标部件来说，可采用筛选对其进行预处理，以得到可输入至其所对应的待训练模型的表征为特定维度的目标样本数据。
本申请中，根据不同目标部件的样本数据特征，对各目标部件的样本数据进行预处理，将预处理得到的目标样本数据作为各目标部件待训练模型的输入进而对待训练模型进行训练，保证了训练结果的准确性，进一步保证了对电子设备整体状态评估的有效性与准确性。
本申请实施例提供一种电子设备的状态评估装置，如图3所示，所述装置包括：
第一获取单元301，用于基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率；
确定单元302，用于基于各目标部件的历史异常数据，确定各目标部件的参考权重；
第二获取单元303，用于根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，所述当前评估指标用于表征目标部件的当前健康情况；
评估单元304，用于基于各目标部件的当前评估指标，对电子设备的当前状态进行评估。
在一个可选的方案中，所述确定单元302，用于基于各目标部件的历史异常数据和各目标部件的当前使用数据，确定各目标部件的参考权重。
在一个可选的方案中，所述第二获取单元303，用于根据各目标部件的参考权重、当前发生异常的概率以及各目标部件的业务权重值，得到各目标部件的当前评估指标。
在一个可选的方案中，所述第一获取单元301，用于将各目标部件的当前使用数据输入各目标部件的检测模型，得到对各目标部件的当前使用数据的检测结果，所述检测结果用于表征各目标部件在当前发生异常的概率；其中，所述各目标部件的检测模型由各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据对各目标部件的待训练模型进行训练而得到。
在一个可选的方案中，所述第一获取单元301，用于根据各目标部件的数据特征，对各目标部件的当前使用数据进行预处理，得到各目标部件的目标数据；将各目标部件的目标数据输入各目标部件的检测模型，得到对各目标部件的目标数据的检测结果。
在一个可选的方案中，所述评估单元304，用于基于各目标部件的当前评估指标，得到电子设备的状态度量值；根据电子设备的状态度量值，对电子设备的当前状态进行评估。
在一个可选的方案中，所述第一获取单元301，用于将各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练；所述各目标部件的待训练模型经训练得到的各检测模型用于对各目标部件的当前使用数据是否发生异常进行检测。
在一个可选的方案中，所述第一获取单元301，用于根据各目标部件的数据特征，对各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据进行预处理，得到各目标部件的目标样本数据；将各目标部件的目标样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练。
需要说明的是，本申请实施例的电子设备的状态评估装置，由于该电子设备的状态评估装置解决问题的原理与前述的电子设备的状态评估方法相似，因此电子设备的状态评估装置的实施过程及实施原理、有益效果均可以参见前述方法的实施过程及实施原理、有益效果的描述，重复之处不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
图4示出了可以用来实施本申请的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，电子设备400包括计算单元401，其可以根据存储在只读存储器（ROM）402中的计算机程序或者从存储单元408加载到随机访问存储器（RAM）403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储电子设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如电子设备的状态评估方法。例如，在一些实施例中，电子设备的状态评估方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的电子设备的状态评估方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行电子设备的状态评估方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上***（SOC）、复杂可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***（例如，作为数据服务器）、或者包括中间件部件的计算***（例如，应用服务器）、或者包括前端部件的计算***（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将***的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种电子设备的状态评估方法，其特征在于，所述方法包括：
根据各目标部件的数据特征，对各目标部件的当前使用数据进行预处理，得到各目标部件的目标数据；将各目标部件的目标数据输入各目标部件的检测模型，得到对各目标部件的目标数据的检测结果；所述检测结果用于表征各目标部件在当前发生异常的概率；
基于各目标部件的历史异常数据，确定各目标部件的参考权重；所述各目标部件的参考权重为各目标部件在历史上发生异常的异常权重；
根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，所述当前评估指标用于表征目标部件的当前健康情况；
基于各目标部件的当前评估指标，对电子设备的当前状态进行评估；
其中，所述基于各目标部件的历史异常数据，确定各目标部件的参考权重，包括：基于各目标部件的历史异常数据，获得各目标部件在历史上发生异常的次数；根据各目标部件在历史上发生异常的次数，以及各目标部件在历史上发生异常的总次数，确定各目标部件在历史上发生异常的异常权重。
2.根据权利要求1所述的方法，其特征在于，所述基于各目标部件的历史异常数据，确定各目标部件的参考权重，包括：
基于各目标部件的历史异常数据和各目标部件的当前使用数据，确定各目标部件的参考权重。
3.根据权利要求1所述的方法，其特征在于，所述根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，包括：
根据各目标部件的参考权重、当前发生异常的概率以及各目标部件的业务权重值，得到各目标部件的当前评估指标。
4.根据权利要求1所述的方法，其特征在于，所述各目标部件的检测模型由各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据对各目标部件的待训练模型进行训练而得到。
5.根据权利要求1所述的方法，其特征在于，所述基于各目标部件的当前评估指标，对电子设备的当前状态进行评估，包括：
基于各目标部件的当前评估指标，得到电子设备的状态度量值；
根据电子设备的状态度量值，对电子设备的当前状态进行评估。
6.根据权利要求4所述的方法，其特征在于，所述各目标部件的检测模型由各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据对各目标部件的待训练模型进行训练而得到，包括：
将各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练；
所述各目标部件的待训练模型经训练得到的各检测模型用于对各目标部件的当前使用数据是否发生异常进行检测。
7.根据权利要求6所述的方法，其特征在于，所述将各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练，包括：
根据各目标部件的数据特征，对各目标部件的带正常样本标签的样本数据和带异常样本标签的样本数据进行预处理，得到各目标部件的目标样本数据；
将各目标部件的目标样本数据输入至各目标部件的待训练模型，对各目标部件的待训练模型进行训练。
8.一种电子设备的状态评估装置，其特征在于，所述装置包括：
第一获取单元，用于基于电子设备中在历史上产生过异常的至少一个目标部件中的各目标部件的当前使用数据，获取各目标部件在当前发生异常的概率；
确定单元，用于基于各目标部件的历史异常数据，确定各目标部件的参考权重；所述各目标部件的参考权重为各目标部件在历史上发生异常的异常权重；
第二获取单元，用于根据各目标部件的参考权重以及在当前发生异常的概率，得到各目标部件的当前评估指标，所述当前评估指标用于表征目标部件的当前健康情况；
评估单元，用于基于各目标部件的当前评估指标，对电子设备的当前状态进行评估；
所述第一获取单元，用于根据各目标部件的数据特征，对各目标部件的当前使用数据进行预处理，得到各目标部件的目标数据；将各目标部件的目标数据输入各目标部件的检测模型，得到对各目标部件的目标数据的检测结果；所述检测结果用于表征各目标部件在当前发生异常的概率；
所述确定单元，用于基于各目标部件的历史异常数据，获得各目标部件在历史上发生异常的次数；根据各目标部件在历史上发生异常的次数，以及各目标部件在历史上发生异常的总次数，确定各目标部件在历史上发生异常的异常权重。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310562035.3A CN116596336B (zh) | 2023-05-16 | 2023-05-16 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310562035.3A CN116596336B (zh) | 2023-05-16 | 2023-05-16 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116596336A CN116596336A (zh) | 2023-08-15 |
| CN116596336B true CN116596336B (zh) | 2023-10-31 |
Family
ID=87607603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310562035.3A Active CN116596336B (zh) | 2023-05-16 | 2023-05-16 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596336B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019146315A1 (ja) * | 2018-01-29 | 2019-08-01 | 株式会社日立製作所 | 異常検知システム、異常検知方法、および、プログラム |
| CN110544184A (zh) * | 2019-09-24 | 2019-12-06 | 东北电力大学 | 一种基于运行参数的风机性能分析方法 |
| CN112115417A (zh) * | 2020-08-10 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于概率密度聚类的变压器实时故障概率计算方法 |
| CN112700252A (zh) * | 2021-03-25 | 2021-04-23 | 腾讯科技（深圳）有限公司 | 一种信息安全性检测方法、装置、电子设备和存储介质 |
| CN113361186A (zh) * | 2021-04-28 | 2021-09-07 | 山东大学 | 一种基于完全数据风电机组故障诊断方法 |
| CN113935440A (zh) * | 2021-12-15 | 2022-01-14 | 武汉格蓝若智能技术有限公司 | 一种电压互感器误差状态迭代评估方法及*** |
| CN114297036A (zh) * | 2022-01-05 | 2022-04-08 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
| CN114757517A (zh) * | 2022-04-07 | 2022-07-15 | 苏州双德锐精密机械有限公司 | 一种设备零部件的生产智能管理方法及*** |
| CN114861800A (zh) * | 2022-05-12 | 2022-08-05 | 建信金融科技有限责任公司 | 模型训练方法、概率确定方法、装置、设备、介质及产品 |
| CN115114128A (zh) * | 2021-11-30 | 2022-09-27 | 北京东方计量测试研究所 | 一种卫星健康状态评估***及评估方法 |
| CN115689713A (zh) * | 2022-11-09 | 2023-02-03 | 金蝶软件（中国）有限公司 | 异常风险数据处理方法、装置、计算机设备和存储介质 |
| WO2023041458A2 (de) * | 2021-09-14 | 2023-03-23 | Zf Friedrichshafen Ag | Computerimplementierte verfahren, module und system zur anomalieerkennung in industriellen fertigungsprozessen |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798390B (zh) * | 2017-11-22 | 2023-03-21 | 创新先进技术有限公司 | 一种机器学习模型的训练方法、装置以及电子设备 |
| CN108777873B (zh) * | 2018-06-04 | 2021-03-02 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
| CN110135596A (zh) * | 2019-04-18 | 2019-08-16 | 中国电力科学研究院有限公司 | 一种继电保护***风险评估及故障定位方法及装置 |
-
2023
- 2023-05-16 CN CN202310562035.3A patent/CN116596336B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019146315A1 (ja) * | 2018-01-29 | 2019-08-01 | 株式会社日立製作所 | 異常検知システム、異常検知方法、および、プログラム |
| CN110544184A (zh) * | 2019-09-24 | 2019-12-06 | 东北电力大学 | 一种基于运行参数的风机性能分析方法 |
| CN112115417A (zh) * | 2020-08-10 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于概率密度聚类的变压器实时故障概率计算方法 |
| CN112700252A (zh) * | 2021-03-25 | 2021-04-23 | 腾讯科技（深圳）有限公司 | 一种信息安全性检测方法、装置、电子设备和存储介质 |
| CN113361186A (zh) * | 2021-04-28 | 2021-09-07 | 山东大学 | 一种基于完全数据风电机组故障诊断方法 |
| WO2023041458A2 (de) * | 2021-09-14 | 2023-03-23 | Zf Friedrichshafen Ag | Computerimplementierte verfahren, module und system zur anomalieerkennung in industriellen fertigungsprozessen |
| CN115114128A (zh) * | 2021-11-30 | 2022-09-27 | 北京东方计量测试研究所 | 一种卫星健康状态评估***及评估方法 |
| CN113935440A (zh) * | 2021-12-15 | 2022-01-14 | 武汉格蓝若智能技术有限公司 | 一种电压互感器误差状态迭代评估方法及*** |
| CN114297036A (zh) * | 2022-01-05 | 2022-04-08 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
| CN114757517A (zh) * | 2022-04-07 | 2022-07-15 | 苏州双德锐精密机械有限公司 | 一种设备零部件的生产智能管理方法及*** |
| CN114861800A (zh) * | 2022-05-12 | 2022-08-05 | 建信金融科技有限责任公司 | 模型训练方法、概率确定方法、装置、设备、介质及产品 |
| CN115689713A (zh) * | 2022-11-09 | 2023-02-03 | 金蝶软件（中国）有限公司 | 异常风险数据处理方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116596336A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113127305B (zh) | 异常检测方法及装置 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| Haridy et al. | An optimisation design of the combined np-CUSUM scheme for attributes | |
| CN115409283A (zh) | 设备故障预测方法、设备故障预测装置、设备及存储介质 | |
| CN113095931A (zh) | 贷后风险监控方法、装置及计算机设备 | |
| CN107480703B (zh) | 交易故障检测方法及装置 | |
| Yao et al. | A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification | |
| CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
| CN116596336B (zh) | 电子设备的状态评估方法、装置、电子设备及存储介质 | |
| CN117273450A (zh) | 一种电力***风险评估方法、装置、设备及存储介质 | |
| CN116226644A (zh) | 设备故障类型的确定方法、装置、电子设备及存储介质 | |
| CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
| CN115134386B (zh) | 一种物联网态势感知***、方法、设备及介质 | |
| CN114837902B (zh) | 一种风电机组健康度评估方法、***、设备和介质 | |
| CN114235108B (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 | |
| CN116431505A (zh) | 一种回归测试方法、装置、电子设备、存储介质及产品 | |
| CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
| CN115222278A (zh) | 一种机器人智慧巡检的方法和*** | |
| CN110413482B (zh) | 检测方法和装置 | |
| CN114860563A (zh) | 应用程序测试方法、装置、计算机可读存储介质及设备 | |
| Hu et al. | Adaptive threshold modeling algorithm for monitoring indicators of power network server based on Chebyshev inequality | |
| Voloshko et al. | An improved pre-forecasting analysis of electrical loads of pumping station | |
| CN116302661B (zh) | 一种异常预测方法、装置、电子设备及存储介质 | |
| CN116754898A (zh) | 基于电缆录波的电缆故障诊断方法、装置、设备和介质 | |
| CN117573412A (zh) | ***故障预警方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |