CN117250942B - 故障预测方法、模型的确定方法、装置、设备及存储介质 - Google Patents
故障预测方法、模型的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117250942B CN117250942B CN202311516569.9A CN202311516569A CN117250942B CN 117250942 B CN117250942 B CN 117250942B CN 202311516569 A CN202311516569 A CN 202311516569A CN 117250942 B CN117250942 B CN 117250942B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- feature
- fault
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 179
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 230000036961 partial effect Effects 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims description 148
- 230000006854 communication Effects 0.000 claims description 122
- 238000004891 communication Methods 0.000 claims description 101
- 238000012549 training Methods 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 51
- 230000005856 abnormality Effects 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 43
- 230000003993 interaction Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请提供一种故障预测方法、模型的确定方法、装置、设备及存储介质,该故障预测模型的确定方法基于偏最小二乘分析法和历史故障结果对所获取到的历史特征数据进行特征提取;并根据历史特征提取数据确定输入特征提取数据与故障预测结果之间的关系函数,以根据该关系函数确定故障预测模型。该故障预测模型的确定方法通过偏最小二乘分析法可以更加深入地提取出特征提取数据与故障预测结果之间的映射关系,进而根据所提取的映射关系确定关系函数,并基于该关系函数确定出故障预测准确度较高的故障预测模型。
Description
技术领域
本申请涉及故障预测技术领域,具体而言,涉及一种故障预测方法、模型的确定方法、装置、设备及存储介质。
背景技术
工业生产中,集成电路自动测试机(Automatic Test Equipment,ATE)等自动化测试设备的各个组件不可避免地会发生许多故障,例如,电机的电气故障、控制故障和机械故障等,这些故障的发生都可能会导致测试流程的中断,会对整个生产测试流程产生影响。
现有的基于故障预测模型对ATE设备可能发生的故障进行预测的方法,存在故障预测准确度较差的技术问题。
发明内容
有鉴于此,本申请实施例的目的在于提供一种故障预测方法、模型的确定方法、装置、设备及存储介质,用以解决“现有的故障预测模型的故障预测准确度较差”的技术问题。
第一方面,本申请实施例提供了一种故障预测模型的确定方法,该故障预测模型的确定方法,包括:
获取至少一个测试机在通讯过程中的多组历史特征数据以及与所述历史特征数据对应的历史故障结果;其中,每组所述历史特征数据包括所述测试机的通讯信号、测试机温度、测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
基于偏最小二乘分析法和所述历史故障结果对所述历史特征数据进行特征提取,获得历史特征提取数据;
基于历史特征提取数据确定输入特征提取数据与故障预测结果之间的关系函数;
根据所述关系函数确定故障预测模型。
在上述的实现过程中,该故障预测模型的确定方法基于偏最小二乘分析法和历史故障结果对所获取到的历史特征数据进行特征提取;并根据历史特征提取数据确定输入特征提取数据与故障预测结果之间的关系函数,以根据该关系函数确定故障预测模型。该故障预测模型的确定方法通过偏最小二乘分析法可以更加深入地提取出特征提取数据与故障预测结果之间的映射关系,进而根据所提取的映射关系确定关系函数,并基于该关系函数确定出故障预测准确度较高的故障预测模型,解决了“现有的故障预测模型的故障预测准确度较差”的技术问题。
此外,基于偏最小二乘分析法和历史故障结果对历史特征数据进行特征提取,根据特征提取所获得的历史特征提取数据确定“输入特征提取数据与故障预测结果之间的关系函数”,可以大幅降低在关系函数确定过程中的计算量,进而降低了故障预测模型的训练过程的复杂度。
可选地,在本申请实施例中,所述输入特征提取数据包括输入的时域特征数据和输入的频域特征数据;所述基于偏最小二乘分析法和所述历史故障结果对所述历史特征数据进行特征提取,获得历史特征提取数据,包括:对所述历史特征数据进行时域特征提取,获得历史时域特征数据;对所述历史特征数据进行频域特征提取,获得历史频域特征数据;基于偏最小二乘分析法和所述历史故障结果对所述历史时域特征数据以及所述历史频域特征数据进行特征提取,获得历史特征提取数据。
在上述的实现过程中,通过时域特征提取和频域特征提取,可以对所获取的历史特征数据进行更加全面的分析,以获得“与故障类别相关度更高的特征参数(历史时域特征数据和历史频域特征数据)”。再基于偏最小二乘分析法和历史故障结果对“历史时域特征数据和历史频域特征数据”进行特征提取,可以获得与故障预测结果相关度更好的历史特征提取数据,并根据历史特征提取数据确定“输入特征提取数据与故障预测结果之间的关系函数”,进一步提高了故障预测模型的故障预测准确度。
可选地,在本申请实施例中,所述基于偏最小二乘分析法和所述历史故障结果对所述历史时域特征数据以及所述历史频域特征数据进行特征提取,获得历史特征提取数据,包括:根据所述历史时域特征数据以及所述历史频域特征数据确定输入变量矩阵;根据所述历史故障结果确定输出变量矩阵;根据所述输入变量矩阵、所述输出变量矩阵以及所述输入变量矩阵与所述输出变量矩阵之间的预设协方差关系,确定特征向量集;将所述特征向量集中满足预设特征值条件的特征向量确定为所述历史特征提取数据;其中,所述预设特征值条件与所述特征向量集中每一特征向量所对应的特征值的大小相关。
在上述的实现过程中,根据历史时域特征数据以及历史频域特征数据可以确定出携带输入变量信息的输入变量矩阵;根据历史故障结果可以确定出携带输出变量信息的输出变量矩阵;根据预设协方差关系调整输入变量矩阵与输出变量矩阵之间的相关关系,确定与输出变量矩阵所对应的特征向量集;并根据预设特征值条件,从特征向量集中选择对故障预测结果具有较强解释能力的特征向量作为历史特征提取数据。由于历史特征提取数据对故障预测结果具有较强解释能力,根据历史特征提取数据所确定的“输入特征提取数据与故障预测结果之间的关系函数”可以很好的反映出输入特征提取数据与故障预测结果之间的映射关系。因此,基于该故障预测模型的确定方法所得到的故障预测模型,可以在降低模型训练过程中的计算量的同时,提高模型的故障预测准确度。
可选地,在本申请实施例中,所述基于历史特征提取数据确定输入特征提取数据与故障预测结果之间的关系函数,包括:对所述历史特征提取数据进行分组,获得训练提取数据组和测试提取数据组;其中,所述训练提取数据组包括多个训练特征数据,所述测试提取数据组包括多个测试特征数据;计算所述训练特征数据与每一所述测试特征数据之间的距离值;根据所述距离值确定所述测试特征数据中的多个近邻特征数据;其中,所述近邻特征数据的数量根据所述特征向量集中满足所述预设特征值条件的特征向量的数量所确定;根据所述近邻特征数据所对应的历史故障结果,确定所述训练特征数据的故障分类结果;其中,所述故障分类结果包括是否故障以及故障类型;根据所述训练特征数据以及与每一所述训练特征数据对应的故障分类结果,确定输入特征提取数据与所述故障预测结果之间的关系函数。
在上述的实现过程中,通过将历史特征提取数据分为训练提取数据组和测试提取数据组;根据测试提取数据组中的测试提取数据及其对应的历史故障结果,确定每一训练特征数据的故障分类结果(即通过K最近邻分类确定与每一训练特征数据的故障分类结果);可以更加准确地确定与训练特征数据对应的故障分类结果,进而提高基于“训练特征数据以及与每一训练特征数据对应的故障分类结果”所确定的关系函数的准确度,提高了所确定的故障预测模型的故障预测准确度。
可选地,在本申请实施例中,所述历史故障结果包括:未发生故障或者上位机通讯异常、资源板异常、测试机通讯异常和信息交互错误中的至少一种;所述获取至少一个测试机在通讯过程中的多组历史特征数据以及与所述历史特征数据对应的历史故障结果,包括:获取至少一个测试机在通讯过程中的多组历史特征数据;根据所述历史特征数据确定上位机与测试机之间的第一数据交换量、资源板的第二数据交换量、测试机与分选机之间的第三数据交换量以及测试机与分选机之间的分类匹配度;根据所述第一数据交换量以及第一预设交换量阈值,确定是否发生所述上位机通讯异常;根据所述第二数据交换量以及第二预设交换量阈值,确定是否发生所述资源板异常;根据所述第三数据交换量以及第三预设交换量阈值,确定是否发生测试机通讯异常;根据所述分类匹配度的变化状态确定是否发生信息交互错误。
在上述的实现过程中,通过确定与每一组历史特征数据所对应的异常判断数据(上位机与测试机之间的第一数据交换量、资源板的第二数据交换量、测试机与分选机之间的第三数据交换量以及测试机与分选机之间的分类匹配度),并根据异常判断数据以及预设的异常判断条件确定是否发生上位机通讯异常、资源板异常、测试机通讯异常或者信息交互错误,可以得到与历史特征数据对应的历史故障结果。此外,现有的故障预测技术只能定位是否有故障发生,不能精准定位发生何种故障,本申请方案不仅可以判断目标测试机在通讯过程中是否发生故障,还可以预测出目标测试机在通讯过程中所发生的故障类型,进而为后续的故障处理提供参考依据,提高故障处理的效率。
第二方面,本申请实施例还提供了一种故障预测方法,该故障预测方法,包括:
获取目标测试机在通讯过程中的通讯特征数据;其中,所述通讯特征数据包括所述目标测试机的通讯信号、目标测试机温度、目标测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
对所述通讯特征数据进行特征提取,获得特征提取数据;
将所述特征提取数据输入故障预测模型,并根据所述故障预测模型的输出确定所述通讯特征数据对应的故障预测结果;其中,所述故障预测模型根据如上述第一方面任一所述的故障预测模型的确定方法所确定。
第三方面,本申请实施例还提供了一种故障预测装置,该故障预测装置,包括:
通讯特征数据获取模块,用于获取目标测试机在通讯过程中的通讯特征数据;其中,所述通讯特征数据包括所述目标测试机的通讯信号、目标测试机温度、目标测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
特征提取模块,用于对所述通讯特征数据进行特征提取,获得特征提取数据;
故障预测模块,用于将所述特征提取数据输入故障预测模型,并根据所述故障预测模型的输出确定所述通讯特征数据对应的故障预测结果;其中,所述故障预测模型根据如上述第一方面任一所述的故障预测模型的确定方法所确定。
第四方面,本申请实施例还提供了一种故障预测模型的确定装置,该故障预测模型的确定装置,包括:
历史数据获取模块,用于获取至少一个测试机在通讯过程中的历史特征数据以及与所述历史特征数据对应的历史故障结果;其中,所述历史特征数据包括所述测试机的通讯信号、测试机温度、测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
历史特征提取模块,用于基于偏最小二乘分析法对所述历史特征数据进行特征提取,获得历史特征提取数据;
关系函数确定模块,用于基于历史特征提取数据和所述历史故障结果,确定输入特征提取数据与故障结果之间的关系函数;
模型确定模块,用于根据所述关系函数确定故障预测模型。
第五方面,本申请实施例还提供了一种电子设备,包括:存储器和处理器,存储器存储有处理器可执行的计算机程序,计算机程序被处理器执行时,执行如上述第一方面所描述的故障预测装置的确定方法或者如上述第二方面所描述的故障预测方法。
第六方面,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令,该计算机程序指令被一处理器运行时,执行如上述第一方面所描述的故障预测装置的确定方法或者如上述第二方面所描述的故障预测方法。
本申请的有益效果为:通过偏最小二乘分析法可以更加深入地提取出特征提取数据与故障预测结果之间的映射关系,进而根据所提取的映射关系确定关系函数,并基于该关系函数确定出故障预测准确度较高的故障预测模型,解决了“现有的故障预测模型的故障预测准确度较差”的技术问题。基于偏最小二乘分析法和历史故障结果对历史特征数据进行特征提取,根据特征提取所获得的历史特征提取数据确定“输入特征提取数据与故障预测结果之间的关系函数”,可以大幅降低在关系函数确定过程中的计算量,进而降低了故障预测模型的训练过程的复杂度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种故障预测模型的确定方法的流程示意图;
图2为本申请实施例提供的一种特征值偏差图;
图3为本申请实施例提供的一种故障预测方法的流程示意图;
图4为本申请实施例提供的一种故障预测模型的确定装置的结构示意图;
图5为本申请实施例提供的一种故障预测装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
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申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
在本申请实施例的描述中,技术术语“第一”、“第二”等仅用于区别不同对象,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、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个及以上,除非另有明确具体的限定。
请参见图1示出的本申请实施例提供的一种故障预测模型的确定方法的流程示意图。该故障预测模型的确定方法,可以包括以下步骤:
步骤101、获取至少一个测试机在通讯过程中的多组历史特征数据以及与所述历史特征数据对应的历史故障结果;其中,每组所述历史特征数据包括所述测试机的通讯信号、测试机温度、测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
步骤102、基于偏最小二乘分析法和所述历史故障结果对所述历史特征数据进行特征提取,获得历史特征提取数据;
步骤103、基于历史特征提取数据确定输入特征提取数据与故障预测结果之间的关系函数;
步骤104、根据所述关系函数确定故障预测模型。
其中,在步骤101中,测试机可以是ATE设备或者在线测试仪等自动化测试设备。可以随机抽取一个测试机在运行过程中以及报修后的不同时间点的多组历史特征数据,也可以抽取同一型号或者同一性能系列的多个测试机在运行过程中以及报修后的不同时间点的多组历史特征数据。具体地,可以抽取1000组不同时间点的历史特征数据,也可以抽取1500组不同时间点的历史特征数据,所抽取的历史特征数据的组数可以根据实际的模型精度要求进行调整。
其中,在步骤102中,偏最小二乘分析法可以将自变量和因变量分别投影到新的空间中,使得两者之间的相关性最大。通过偏最小二乘分析法可以更加深入地提取出特征提取数据与故障预测结果之间的映射关系,进而根据所提取的映射关系确定关系函数,并基于该关系函数确定出故障预测准确度较高的故障预测模型。
其中,在步骤103中,故障预测结果可以包括是否发生故障,也可以包括是否发生故障以及所发生的故障类型。可以基于历史特征提取数据与历史故障结果确定“输入特征提取数据与故障预测结果之间的关系函数”;也可以将历史特征数据分为两组(训练组和测试组),根据测试组的历史特征数据以及对应的历史故障结果,确定出训练组的历史特征数据的故障分类结果,根据训练组的历史特征数据以及确定出的故障分类结果确定“输入特征提取数据与故障预测结果之间的关系函数”。
其中,在步骤104中,故障预测模型可以根据关系函数确定与所输入的特征提取数据对应的故障预测结果。
由此可见,本申请实施例提供的故障预测模型的确定方法,通过偏最小二乘分析法可以更加深入地提取出特征提取数据与故障预测结果之间的映射关系,进而根据所提取的映射关系确定关系函数,并基于该关系函数确定出故障预测准确度较高的故障预测模型,解决了“现有的故障预测模型的故障预测准确度较差”的技术问题。
在一些可选的实施例中,所述输入特征提取数据包括输入的时域特征数据和输入的频域特征数据;步骤102、基于偏最小二乘分析法和所述历史故障结果对所述历史特征数据进行特征提取,获得历史特征提取数据,包括:对所述历史特征数据进行时域特征提取,获得历史时域特征数据;对所述历史特征数据进行频域特征提取,获得历史频域特征数据;基于偏最小二乘分析法和所述历史故障结果对所述历史时域特征数据以及所述历史频域特征数据进行特征提取,获得历史特征提取数据。
其中,可以基于时域和频域分别对历史特征数据进行特征提取,以获得可能与故障类别直接相关的特征参数(历史时域特征数据和历史频域特征数据)。以测试机的通讯信号为例,在时域中,可以测量测试机的通讯信号的幅度均值、方差、峰值、峰峰值等信号特征;在频域中,可以计算出不同频率范围的通讯功率,例如,低频范围(可以是10-20Hz)的通讯功率、中频范围(可以是40-60Hz)的通讯功率、高频范围(大于100Hz)的通讯功率或者峰值的频率等。所提取的历史时域特征数据和历史频域特征数据的组数可以是48,也可以是36或者其他数值,具体组数可以根据实际的模型精度要求进行确定。
在一些可选的实施例中,上述基于偏最小二乘分析法和所述历史故障结果对所述历史时域特征数据以及所述历史频域特征数据进行特征提取,获得历史特征提取数据,包括:根据所述历史时域特征数据以及所述历史频域特征数据确定输入变量矩阵;根据所述历史故障结果确定输出变量矩阵;根据所述输入变量矩阵、所述输出变量矩阵以及所述输入变量矩阵与所述输出变量矩阵之间的预设协方差关系,确定特征向量集;将所述特征向量集中满足预设特征值条件的特征向量确定为所述历史特征提取数据;其中,所述预设特征值条件与所述特征向量集中每一特征向量所对应的特征值的大小相关。
其中,“输入变量矩阵与输出变量矩阵之间的预设协方差关系”可以是输入变量矩阵与输出变量矩阵之间的协方差尽可能大。可以根据历史时域特征数据以及历史频域特征数据确定输入变量矩阵,根据历史故障结果确定输出变量矩阵/>,对矩阵/>和矩阵/>进行中心化处理,通过计算矩阵/>和矩阵/>的协方差矩阵,得到回归系数矩阵/>;其中,/>;通过/>计算矩阵/>在回归系数矩阵/>下的投影矩阵/>,通过/>计算矩阵/>在回归系数矩阵/>下的投影矩阵/>;重新计算所得到的投影矩阵/>和/>之间的协方差矩阵,根据“协方差矩阵的秩最大的情况下的投影矩阵/>所包括的特征向量”确定特征向量集。具体地,可以基于输入变量矩阵构造投影矩阵/>,基于输出变量矩阵构造投影矩阵;基于约束条件(/>,/>,/>)以及预设协方差关系()确定特征向量集。预设特征值条件可以是选取特征值最大的k个特征向量,作为历史特征提取数据。可以根据特征向量集中的每一特征向量按照特征值的大小进行排列,根据拐点法确定k的具体数值。请参照图2,图2为本申请实施例提供的一种特征值偏差图。其中,图2的横坐标为排序(按照特征值的大小,从大到小进行排列)后的特征向量的序号,纵坐标为不同序号的特征向量对应的特征值。以图2所示的特征值偏差图为例,可以看出,按照特征值的大小进行排列后,前面3个特征值较大但衰减速度很快,而在第3个特征值后面的特征值基本都很小,衰减速度也很慢,根据拐点法确定k=3。
在一些可选的实施例中,步骤103、基于历史特征提取数据确定输入特征提取数据与故障预测结果之间的关系函数,包括:对所述历史特征提取数据进行分组,获得训练提取数据组和测试提取数据组;其中,所述训练提取数据组包括多个训练特征数据,所述测试提取数据组包括多个测试特征数据;计算所述训练特征数据与每一所述测试特征数据之间的距离值;根据所述距离值确定所述测试特征数据中的多个近邻特征数据;其中,所述近邻特征数据的数量根据所述特征向量集中满足所述预设特征值条件的特征向量的数量所确定;根据所述近邻特征数据所对应的历史故障结果,确定所述训练特征数据的故障分类结果;其中,所述故障分类结果包括是否故障以及故障类型;根据所述训练特征数据以及与每一所述训练特征数据对应的故障分类结果,确定输入特征提取数据与所述故障预测结果之间的关系函数。
其中,测试提取数据组可以占所获取的历史特征提取数据的组数的15%或者20%,测试提取数据组与训练提取数据组之间的数据比例关系可以根据实际的模型精度要求进行调整。以历史特征提取数据的组数为1500,测试提取数据组占所获取的历史特征提取数据的组数的20%为例,则测试提取数据组为300组,训练提取数据组为1200组。可以通过计算训练提取数据组中的每一训练特征数据与测试提取数据组中所有测试特征数据之间的欧式距离,找出测试提取数据组中与该训练特征数据最接近的几个测试特征数据并作为近邻特征数据。其中,近邻特征数据的数量可以与“特征向量集中满足预设特征值条件的特征向量的数量”相等。
其中,历史故障结果可以包括未发生故障或者上位机通讯异常、资源板异常、测试机通讯异常和信息交互错误中的至少一种。以近邻特征数据的数量为3为例,若其中两个近邻特征数据的历史故障结果为上位机通讯异常,则相应训练特征数据的故障分类结果为上位机通讯异常;若其中两个近邻特征数据的历史故障结果为未发生故障,则相应训练特征数据的故障分类结果为未发生故障;若其中两个近邻特征数据的历史故障结果为上位机通讯异常且资源板异常,则相应训练特征数据的故障分类结果为上位机通讯异常且资源板异常。
其中,以历史故障结果包括:未发生故障或者上位机通讯异常、资源板异常、测试机通讯异常和信息交互错误中的至少一种为例,历史故障结果具体包括未发生故障(1种可能情况),只发生一种故障(上位机通讯异常、资源板异常、测试机通讯异常或者信息交互错误等4种可能情况),同时发生两种故障(6种可能情况,此处不再详细列举),同时发生三种故障(4种可能情况,此处不再详细列举)以及同时发生四种故障(同时上位机通讯异常、资源板异常、测试机通讯异常和信息交互错误故障,对应1种可能情况)等一共16种可能发生的故障分类结果;可以对上述16种故障分类结果进行标识(例如,分别用0、1、2……15进行标识)。可以将“训练特征数据以及与每一所述训练特征数据对应的故障分类结果(可以是用上述故障标识进行表示的故障分类结果)”输入至回归算法中进行回归关系拟合,得到包括回归关系函数的故障预测模型。具体地,可以将训练特征数据确定为变量,使用最小二乘法或者梯度下降法计算每一变量的回归系数,以得到“输入特征提取数据与故障预测结果之间的回归关系函数”。
在一些可选的实施例中,所述历史故障结果包括:未发生故障或者上位机通讯异常、资源板异常、测试机通讯异常和信息交互错误中的至少一种;步骤101、获取至少一个测试机在通讯过程中的多组历史特征数据以及与所述历史特征数据对应的历史故障结果,包括:获取至少一个测试机在通讯过程中的多组历史特征数据;根据所述历史特征数据确定上位机与测试机之间的第一数据交换量、资源板的第二数据交换量、测试机与分选机之间的第三数据交换量以及测试机与分选机之间的分类匹配度;根据所述第一数据交换量以及第一预设交换量阈值,确定是否发生所述上位机通讯异常;根据所述第二数据交换量以及第二预设交换量阈值,确定是否发生所述资源板异常;根据所述第三数据交换量以及第三预设交换量阈值,确定是否发生测试机通讯异常;根据所述分类匹配度的变化状态确定是否发生信息交互错误。
其中,第一预设交换量阈值可以是2bit/s,在第一数据交换量小于2bit/s的情况下,确定发生上位机通讯异常的故障;第一预设交换量阈值也可以是3 bit/s或者5 bit/s。第二预设交换量阈值可以是4bit/s,在第二数据交换量小于4bit/s的情况下,确定发生资源板异常的故障;第二预设交换量阈值也可以是2 bit/s或者5 bit/s。第三预设交换量阈值可以是5bit/s,在第三数据交换量小于5bit/s的情况下,确定发生测试机通讯异常的故障;第三预设交换量阈值也可以是3 bit/s或者4 bit/s。可以在分类匹配度下降或者低于匹配度阈值的情况下,确定发生信息交互错误的故障。第一预设交换量阈值、第二预设交换量阈值第三预设交换量阈值以及匹配度阈值等具体数值可以根据实际的应用场景(例如,ATE设备的型号或者ATE设备的实际工作环境等)进行调整。
其中,本申请实施例采用偏最小二乘分析法提取出特征提取数据与故障预测结果之间的映射关系,进而根据所提取的映射关系确定关系函数,并基于该关系函数确定出故障预测准确度较高的故障预测模型。相较于“采用主成分分析法提取出特征提取数据与故障预测结果之间的映射关系,进而根据所提取的映射关系确定关系函数,并基于该关系函数确定出的主成分故障预测模型”,本申请的故障预测模型的准确度更高。并且,在具体的故障分类过程中,采用K最近邻分类器确定与每一训练特征数据的故障分类结果,相较于“采用支持向量机确定的与每一训练特征数据的向量机故障分类结果”,基于本申请所提供的实施方式所得到的故障分类结果的准确度更高。
具体地,基于两种特征提取方法(主成分分析法和偏最小二乘分析法),以及两种分类方法(支持向量机和K最近邻)分别建立用于比较的分类模型。针对故障预测的二元问题,建立了二分类模型。最初,支持向量机和K最近邻分类器使用原始数据集(可以是48个特征数据)进行分类器构造。然后使用主成分分析法和偏最小二乘分析法分别对所有48个特征进行过滤,再利用滤波后的最佳特征集进行分类器测试(可以使用同一平台同一标准对特征集进行测试),结果如下表1和下表2所示。可以看出,使用偏最小二乘分析法构建的故障预测模型的准确性与主成分故障预测模型相比有显著改善,“使用偏最小二乘分析法构建的故障预测模型”的算法精度提升了3-4%,并且其运行速度也提升了50%以上。此外,表1的结果还表明,基于K最近邻分类器建立的故障预测模型在二元分类问题中可以获得最高达98.5%的最佳正确分类率。
表1
表2
对于十六分类问题,依据上述建模方法所确定的模型正确分类率如下表3所示。结果表明,基于偏最小二乘分析法以及K最近邻分类器所训练得到的故障预测模型,能更有效地对单故障或多故障进行分类,模型的平均准确率可以在95%左右。然而,从结果可以看出,支持向量机并不适用于多分类问题,对于十六分类的准确率只有63% 左右;其原因可能是噪声或追求完全拟合导致的过拟合(即对训练数据的完全拟合并不具有良好的预测性能)。
表3
请参照图3,图3为本申请实施例提供的一种故障预测方法的流程示意图。该故障预测方法,可以包括以下步骤:
步骤201、获取目标测试机在通讯过程中的通讯特征数据;其中,所述通讯特征数据包括所述目标测试机的通讯信号、目标测试机温度、目标测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
步骤202、对所述通讯特征数据进行特征提取,获得特征提取数据;
步骤203、将所述特征提取数据输入故障预测模型,并根据所述故障预测模型的输出确定所述通讯特征数据对应的故障预测结果;其中,所述故障预测模型根据如第一方面任一所述的故障预测模型的确定方法所确定。
其中,所述特征提取数据可以包括时域特征数据和频域特征数据;步骤202、对所述通讯特征数据进行特征提取,获得特征提取数据,可以包括:对所述通讯特征数据进行时域特征提取,获得所述时域特征数据;对所述通讯特征数据进行频域特征提取,获得所述频域特征数据。
在一些可选的实施例中,所述故障预测结果包括:未发生故障或者上位机通讯异常、资源板异常、测试机通讯异常和信息交互错误中的至少一种;在步骤203、将所述特征提取数据输入故障预测模型,并根据所述故障预测模型的输出确定所述通讯特征数据对应的故障预测结果之后,所述方法还包括:根据所述故障预测结果对所述目标测试机及相关设备进行维修检查。
其中,通过上述故障预测方法可以对目标测试机的通讯故障进行精准的诊断和预测,有效地提高目标测试机的安全性和可靠性,减少灾难性事故的发生。通过该故障预测方法对目标测试机进行连续在线的状态监测及数据分析,还可以诊断并预测出目标测试机的故障发展趋势,以提前制定预测性维护计划并实施检维修行为。还可以有效减少设备停机维修时间,尽早发现故障隐患,避免故障恶化。
请参照图4,图4为本申请实施例提供的一种故障预测装置的结构示意图。该故障预测装置,包括:
通讯特征数据获取模块301,用于获取目标测试机在通讯过程中的通讯特征数据;其中,所述通讯特征数据包括所述目标测试机的通讯信号、目标测试机温度、目标测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
特征提取模块302,用于对所述通讯特征数据进行特征提取,获得特征提取数据;
故障预测模块303,用于将所述特征提取数据输入故障预测模型,并根据所述故障预测模型的输出确定所述通讯特征数据对应的故障预测结果;其中,所述故障预测模型根据如上述第一方面任一所述的故障预测模型的确定方法所确定。
在一些可选的实施例中,所述故障预测结果包括:未发生故障或者上位机通讯异常、资源板异常、测试机通讯异常和信息交互错误中的至少一种;该故障预测装置还包括:维修检查模块,用于根据所述故障预测结果对所述目标测试机及相关设备进行维修检查。
请参照图5,图5为本申请实施例提供的一种故障预测模型的确定装置的结构示意图。该故障预测模型的确定装置,包括:
历史数据获取模块401,用于获取至少一个测试机在通讯过程中的历史特征数据以及与所述历史特征数据对应的历史故障结果;其中,所述历史特征数据包括所述测试机的通讯信号、测试机温度、测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
历史特征提取模块402,用于基于偏最小二乘分析法对所述历史特征数据进行特征提取,获得历史特征提取数据;
关系函数确定模块403,用于基于历史特征提取数据和所述历史故障结果,确定输入特征提取数据与故障结果之间的关系函数;
模型确定模块404,用于根据所述关系函数确定故障预测模型。
在一些可选的实施例中,所述输入特征提取数据包括输入的时域特征数据和输入的频域特征数据;历史特征提取模块402具体用于:对所述历史特征数据进行时域特征提取,获得历史时域特征数据;对所述历史特征数据进行频域特征提取,获得历史频域特征数据;基于偏最小二乘分析法和所述历史故障结果对所述历史时域特征数据以及所述历史频域特征数据进行特征提取,获得历史特征提取数据。
在一些可选的实施例中,所述输入特征提取数据包括输入的时域特征数据和输入的频域特征数据;历史特征提取模块402具体用于:对所述历史特征数据进行时域特征提取,获得历史时域特征数据;对所述历史特征数据进行频域特征提取,获得历史频域特征数据;基于偏最小二乘分析法和所述历史故障结果对所述历史时域特征数据以及所述历史频域特征数据进行特征提取,获得历史特征提取数据。
在一些可选的实施例中,历史特征提取模块402具体还用于:根据所述历史时域特征数据以及所述历史频域特征数据确定输入变量矩阵;根据所述历史故障结果确定输出变量矩阵;根据所述输入变量矩阵、所述输出变量矩阵以及所述输入变量矩阵与所述输出变量矩阵之间的预设协方差关系,确定特征向量集;将所述特征向量集中满足预设特征值条件的特征向量确定为所述历史特征提取数据;其中,所述预设特征值条件与所述特征向量集中每一特征向量所对应的特征值的大小相关。
在一些可选的实施例中,关系函数确定模块403具体用于:对所述历史特征提取数据进行分组,获得训练提取数据组和测试提取数据组;其中,所述训练提取数据组包括多个训练特征数据,所述测试提取数据组包括多个测试特征数据;计算所述训练特征数据与每一所述测试特征数据之间的距离值;根据所述距离值确定所述测试特征数据中的多个近邻特征数据;其中,所述近邻特征数据的数量根据所述特征向量集中满足所述预设特征值条件的特征向量的数量所确定;根据所述近邻特征数据所对应的历史故障结果,确定所述训练特征数据的故障分类结果;其中,所述故障分类结果包括是否故障以及故障类型;根据所述训练特征数据以及与每一所述训练特征数据对应的故障分类结果,确定输入特征提取数据与所述故障预测结果之间的关系函数。
在一些可选的实施例中,所述历史故障结果包括:未发生故障或者上位机通讯异常、资源板异常、测试机通讯异常和信息交互错误中的至少一种;历史数据获取模块401具体用于:获取至少一个测试机在通讯过程中的多组历史特征数据;根据所述历史特征数据确定上位机与测试机之间的第一数据交换量、资源板的第二数据交换量、测试机与分选机之间的第三数据交换量以及测试机与分选机之间的分类匹配度;根据所述第一数据交换量以及第一预设交换量阈值,确定是否发生所述上位机通讯异常;根据所述第二数据交换量以及第二预设交换量阈值,确定是否发生所述资源板异常;根据所述第三数据交换量以及第三预设交换量阈值,确定是否发生测试机通讯异常;根据所述分类匹配度的变化状态确定是否发生信息交互错误。
应理解的是,该故障预测模型的确定装置(故障预测装置)与上述的故障预测模型的确定方法(故障预测方法)实施例对应,能够执行上述方法实施例涉及的各个步骤,该故障预测模型的确定装置(故障预测装置)具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该故障预测模型的确定装置(故障预测装置)包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作***(OperatingSystem,OS)中的软件功能模块。
请参照图6,图6为本申请实施例提供的一种电子设备的结构示意图。本申请实施例提供的一种电子设备500,包括:处理器501和存储器502,这些组件通过通信总线503和/或其他形式的连接机构(未示出) 互连并相互通讯。存储器502存储有处理器501可执行的计算机程序,所述计算机程序被处理器501执行时,执行如上的故障预测模型的确定方法或者故障预测方法。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令,该计算机程序指令被处理器501运行时执行如上的故障预测模型的确定方法或者故障预测方法。
其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-OnlyMemory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请实施例各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例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实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (7)
1.一种故障预测模型的确定方法,其特征在于,所述方法包括:
获取至少一个测试机在通讯过程中的多组历史特征数据以及与所述历史特征数据对应的历史故障结果;其中,每组所述历史特征数据包括所述测试机的通讯信号、测试机温度、测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
基于偏最小二乘分析法和所述历史故障结果对所述历史特征数据进行特征提取,获得历史特征提取数据;
基于历史特征提取数据确定输入特征提取数据与故障预测结果之间的关系函数;
根据所述关系函数确定故障预测模型;
其中,所述输入特征提取数据包括输入的时域特征数据和输入的频域特征数据;所述基于偏最小二乘分析法和所述历史故障结果对所述历史特征数据进行特征提取,获得历史特征提取数据,包括:对所述历史特征数据进行时域特征提取,获得历史时域特征数据;对所述历史特征数据进行频域特征提取,获得历史频域特征数据;基于偏最小二乘分析法和所述历史故障结果对所述历史时域特征数据以及所述历史频域特征数据进行特征提取,获得历史特征提取数据;
其中,所述基于偏最小二乘分析法和所述历史故障结果对所述历史时域特征数据以及所述历史频域特征数据进行特征提取,获得历史特征提取数据,包括:根据所述历史时域特征数据以及所述历史频域特征数据确定输入变量矩阵;根据所述历史故障结果确定输出变量矩阵;根据所述输入变量矩阵、所述输出变量矩阵以及所述输入变量矩阵与所述输出变量矩阵之间的预设协方差关系,确定特征向量集;将所述特征向量集中满足预设特征值条件的特征向量确定为所述历史特征提取数据;其中,所述预设特征值条件与所述特征向量集中每一特征向量所对应的特征值的大小相关;
其中,所述基于历史特征提取数据确定输入特征提取数据与故障预测结果之间的关系函数,包括:对所述历史特征提取数据进行分组,获得训练提取数据组和测试提取数据组;其中,所述训练提取数据组包括多个训练特征数据,所述测试提取数据组包括多个测试特征数据;计算所述训练特征数据与每一所述测试特征数据之间的距离值;根据所述距离值确定所述测试特征数据中的多个近邻特征数据;其中,所述近邻特征数据的数量根据所述特征向量集中满足所述预设特征值条件的特征向量的数量所确定;根据所述近邻特征数据所对应的历史故障结果,确定所述训练特征数据的故障分类结果;其中,所述故障分类结果包括是否故障以及故障类型;根据所述训练特征数据以及与每一所述训练特征数据对应的故障分类结果,确定输入特征提取数据与所述故障预测结果之间的关系函数。
2.根据权利要求1所述的方法,其特征在于,所述历史故障结果包括:未发生故障或者上位机通讯异常、资源板异常、测试机通讯异常和信息交互错误中的至少一种;所述获取至少一个测试机在通讯过程中的多组历史特征数据以及与所述历史特征数据对应的历史故障结果,包括:
获取至少一个测试机在通讯过程中的多组历史特征数据;
根据所述历史特征数据确定上位机与测试机之间的第一数据交换量、资源板的第二数据交换量、测试机与分选机之间的第三数据交换量以及测试机与分选机之间的分类匹配度;
根据所述第一数据交换量以及第一预设交换量阈值,确定是否发生所述上位机通讯异常;
根据所述第二数据交换量以及第二预设交换量阈值,确定是否发生所述资源板异常;
根据所述第三数据交换量以及第三预设交换量阈值,确定是否发生测试机通讯异常;
根据所述分类匹配度的变化状态确定是否发生信息交互错误。
3.一种故障预测方法,其特征在于,所述方法包括:
获取目标测试机在通讯过程中的通讯特征数据;其中,所述通讯特征数据包括所述目标测试机的通讯信号、目标测试机温度、目标测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
对所述通讯特征数据进行特征提取,获得特征提取数据;
将所述特征提取数据输入故障预测模型,并根据所述故障预测模型的输出确定所述通讯特征数据对应的故障预测结果;其中,所述故障预测模型根据如权利要求1或2所述的方法所确定。
4.一种故障预测装置,其特征在于,所述装置包括:
通讯特征数据获取模块,用于获取目标测试机在通讯过程中的通讯特征数据;其中,所述通讯特征数据包括所述目标测试机的通讯信号、目标测试机温度、目标测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
特征提取模块,用于对所述通讯特征数据进行特征提取,获得特征提取数据;
故障预测模块,用于将所述特征提取数据输入故障预测模型,并根据所述故障预测模型的输出确定所述通讯特征数据对应的故障预测结果;其中,所述故障预测模型根据如权利要求1或2所述的方法所确定。
5.一种故障预测模型的确定装置,其特征在于,所述装置包括:
历史数据获取模块,用于获取至少一个测试机在通讯过程中的历史特征数据以及与所述历史特征数据对应的历史故障结果;其中,所述历史特征数据包括所述测试机的通讯信号、测试机温度、测试机压力、通讯板卡数据交换状态、测试机软件运行状态、分选机分类进度、联机线传输速率中的至少一种;
历史特征提取模块,用于基于偏最小二乘分析法对所述历史特征数据进行特征提取,获得历史特征提取数据;
关系函数确定模块,用于基于历史特征提取数据和所述历史故障结果,确定输入特征提取数据与故障预测结果之间的关系函数;
模型确定模块,用于根据所述关系函数确定故障预测模型;
其中,所述输入特征提取数据包括输入的时域特征数据和输入的频域特征数据;所述历史特征提取模块具体用于:对所述历史特征数据进行时域特征提取,获得历史时域特征数据;对所述历史特征数据进行频域特征提取,获得历史频域特征数据;基于偏最小二乘分析法和所述历史故障结果对所述历史时域特征数据以及所述历史频域特征数据进行特征提取,获得历史特征提取数据;
其中,所述历史特征提取模块具体还用于:根据所述历史时域特征数据以及所述历史频域特征数据确定输入变量矩阵;根据所述历史故障结果确定输出变量矩阵;根据所述输入变量矩阵、所述输出变量矩阵以及所述输入变量矩阵与所述输出变量矩阵之间的预设协方差关系,确定特征向量集;将所述特征向量集中满足预设特征值条件的特征向量确定为所述历史特征提取数据;其中,所述预设特征值条件与所述特征向量集中每一特征向量所对应的特征值的大小相关;
其中,所述关系函数确定模块具体用于:对所述历史特征提取数据进行分组,获得训练提取数据组和测试提取数据组;其中,所述训练提取数据组包括多个训练特征数据,所述测试提取数据组包括多个测试特征数据;计算所述训练特征数据与每一所述测试特征数据之间的距离值;根据所述距离值确定所述测试特征数据中的多个近邻特征数据;其中,所述近邻特征数据的数量根据所述特征向量集中满足所述预设特征值条件的特征向量的数量所确定;根据所述近邻特征数据所对应的历史故障结果,确定所述训练特征数据的故障分类结果;其中,所述故障分类结果包括是否故障以及故障类型;根据所述训练特征数据以及与每一所述训练特征数据对应的故障分类结果,确定输入特征提取数据与所述故障预测结果之间的关系函数。
6.一种电子设备,其特征在于,所述电子设备包括:
存储器;
处理器;
所述存储器上存储有所述处理器可执行的计算机程序,所述计算机程序被所述处理器执行时,执行权利要求1-3任一项所述的方法。
7.一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中存储有计算机程序指令,所述计算机程序指令被一处理器运行时,执行权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311516569.9A CN117250942B (zh) | 2023-11-15 | 2023-11-15 | 故障预测方法、模型的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311516569.9A CN117250942B (zh) | 2023-11-15 | 2023-11-15 | 故障预测方法、模型的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117250942A CN117250942A (zh) | 2023-12-19 |
CN117250942B true CN117250942B (zh) | 2024-02-27 |
Family
ID=89131696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311516569.9A Active CN117250942B (zh) | 2023-11-15 | 2023-11-15 | 故障预测方法、模型的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117250942B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005045548A2 (en) * | 2003-11-06 | 2005-05-19 | Elan Group Ltd | System and process for predictively classifying objects |
CN109657982A (zh) * | 2018-12-20 | 2019-04-19 | 三重能有限公司 | 一种故障预警方法及装置 |
CN111680726A (zh) * | 2020-05-28 | 2020-09-18 | 国网上海市电力公司 | 基于近邻成分分析和k近邻学习融合的变压器故障诊断方法和*** |
CN112101142A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市行健自动化股份有限公司 | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 |
CN113156243A (zh) * | 2021-04-09 | 2021-07-23 | 南方电网电动汽车服务有限公司 | 故障预测方法和预测*** |
CN113837596A (zh) * | 2021-09-22 | 2021-12-24 | 广东电网有限责任公司 | 一种故障确定方法、装置、电子设备及存储介质 |
CN115329876A (zh) * | 2022-08-17 | 2022-11-11 | 平安科技(深圳)有限公司 | 一种设备故障处理方法、装置、计算机设备及存储介质 |
CN115545970A (zh) * | 2022-10-13 | 2022-12-30 | 国网山西省电力公司 | 基于数字孪生的电网故障分析方法、***、设备及介质 |
CN115587333A (zh) * | 2022-10-10 | 2023-01-10 | 北京智谱华章科技有限公司 | 一种基于多分类模型的失效分析故障点预测方法及*** |
CN115705279A (zh) * | 2021-08-10 | 2023-02-17 | ***通信集团浙江有限公司 | 一种基于指标数据的智能故障预警方法和装置 |
CN116166993A (zh) * | 2022-12-26 | 2023-05-26 | 国网河北省电力有限公司电力科学研究院 | 电力线路故障类型识别方法及装置、电力***、存储介质 |
CN116225958A (zh) * | 2023-03-23 | 2023-06-06 | 中国工商银行股份有限公司 | 故障预测方法、装置、存储介质及电子设备 |
CN116226646A (zh) * | 2023-05-05 | 2023-06-06 | 国家石油天然气管网集团有限公司 | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 |
CN116304928A (zh) * | 2023-03-21 | 2023-06-23 | 北京思维实创科技有限公司 | 供电设备故障预测方法、装置、设备及存储介质 |
CN116361104A (zh) * | 2023-02-17 | 2023-06-30 | 重庆长安新能源汽车科技有限公司 | 基于大数据的应用故障预测方法、装置、设备及存储介质 |
CN116383606A (zh) * | 2023-03-17 | 2023-07-04 | 无锡市第五人民医院 | 一种分布式医疗设备的恒流温度采集方法及*** |
CN116399588A (zh) * | 2023-03-06 | 2023-07-07 | 太原理工大学 | 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法 |
CN116739154A (zh) * | 2023-05-26 | 2023-09-12 | 华为技术有限公司 | 一种故障预测方法及其相关设备 |
CN116822383A (zh) * | 2023-08-31 | 2023-09-29 | 成都态坦测试科技有限公司 | 设备寿命预测模型构建方法、装置、可读存储介质及设备 |
CN117033990A (zh) * | 2023-06-26 | 2023-11-10 | 华能大理风力发电有限公司祥云分公司 | 一种光伏阵列故障特征提取与建模方法 |
CN117033912A (zh) * | 2023-10-07 | 2023-11-10 | 成都态坦测试科技有限公司 | 一种设备故障预测方法、装置、可读存储介质及电子设备 |
-
2023
- 2023-11-15 CN CN202311516569.9A patent/CN117250942B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005045548A2 (en) * | 2003-11-06 | 2005-05-19 | Elan Group Ltd | System and process for predictively classifying objects |
CN109657982A (zh) * | 2018-12-20 | 2019-04-19 | 三重能有限公司 | 一种故障预警方法及装置 |
CN111680726A (zh) * | 2020-05-28 | 2020-09-18 | 国网上海市电力公司 | 基于近邻成分分析和k近邻学习融合的变压器故障诊断方法和*** |
CN112101142A (zh) * | 2020-08-27 | 2020-12-18 | 深圳市行健自动化股份有限公司 | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 |
CN113156243A (zh) * | 2021-04-09 | 2021-07-23 | 南方电网电动汽车服务有限公司 | 故障预测方法和预测*** |
CN115705279A (zh) * | 2021-08-10 | 2023-02-17 | ***通信集团浙江有限公司 | 一种基于指标数据的智能故障预警方法和装置 |
CN113837596A (zh) * | 2021-09-22 | 2021-12-24 | 广东电网有限责任公司 | 一种故障确定方法、装置、电子设备及存储介质 |
CN115329876A (zh) * | 2022-08-17 | 2022-11-11 | 平安科技(深圳)有限公司 | 一种设备故障处理方法、装置、计算机设备及存储介质 |
CN115587333A (zh) * | 2022-10-10 | 2023-01-10 | 北京智谱华章科技有限公司 | 一种基于多分类模型的失效分析故障点预测方法及*** |
CN115545970A (zh) * | 2022-10-13 | 2022-12-30 | 国网山西省电力公司 | 基于数字孪生的电网故障分析方法、***、设备及介质 |
CN116166993A (zh) * | 2022-12-26 | 2023-05-26 | 国网河北省电力有限公司电力科学研究院 | 电力线路故障类型识别方法及装置、电力***、存储介质 |
CN116361104A (zh) * | 2023-02-17 | 2023-06-30 | 重庆长安新能源汽车科技有限公司 | 基于大数据的应用故障预测方法、装置、设备及存储介质 |
CN116399588A (zh) * | 2023-03-06 | 2023-07-07 | 太原理工大学 | 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法 |
CN116383606A (zh) * | 2023-03-17 | 2023-07-04 | 无锡市第五人民医院 | 一种分布式医疗设备的恒流温度采集方法及*** |
CN116304928A (zh) * | 2023-03-21 | 2023-06-23 | 北京思维实创科技有限公司 | 供电设备故障预测方法、装置、设备及存储介质 |
CN116225958A (zh) * | 2023-03-23 | 2023-06-06 | 中国工商银行股份有限公司 | 故障预测方法、装置、存储介质及电子设备 |
CN116226646A (zh) * | 2023-05-05 | 2023-06-06 | 国家石油天然气管网集团有限公司 | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 |
CN116739154A (zh) * | 2023-05-26 | 2023-09-12 | 华为技术有限公司 | 一种故障预测方法及其相关设备 |
CN117033990A (zh) * | 2023-06-26 | 2023-11-10 | 华能大理风力发电有限公司祥云分公司 | 一种光伏阵列故障特征提取与建模方法 |
CN116822383A (zh) * | 2023-08-31 | 2023-09-29 | 成都态坦测试科技有限公司 | 设备寿命预测模型构建方法、装置、可读存储介质及设备 |
CN117033912A (zh) * | 2023-10-07 | 2023-11-10 | 成都态坦测试科技有限公司 | 一种设备故障预测方法、装置、可读存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
数据驱动的航空发动机气路故障诊断与剩余寿命预测研究;李汶骏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2022年02期);C031-118 * |
舵机多应力加速试验及寿命评估技术研究;赵少康;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2022年04期);C032-60 * |
Also Published As
Publication number | Publication date |
---|---|
CN117250942A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115034248A (zh) | 用于设备的自动诊断方法、***和存储介质 | |
CN113488414B (zh) | 晶圆生产监控方法、***与电子设备 | |
CN111354496B (zh) | 核电厂事故在线诊断及状态跟踪预测方法 | |
CN115392812B (zh) | 一种异常根因定位方法、装置、设备及介质 | |
WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN114077919A (zh) | 用于预测加工异常的*** | |
US11276300B2 (en) | Method for learning latest data considering external influences in early warning system and system for same | |
CN109844779B (zh) | 用于分析测量-良率相关性的方法和*** | |
US20210166362A1 (en) | Wafer map identification method and computer-readable recording medium | |
CN117250942B (zh) | 故障预测方法、模型的确定方法、装置、设备及存储介质 | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
Decker et al. | Does your model think like an engineer? explainable ai for bearing fault detection with deep learning | |
CN111309584B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114674511B (zh) | 一种用于剔除时变环境因素影响的桥梁模态异常预警方法 | |
CN111061254B (zh) | 一种phm***性能的评价方法及*** | |
Ye et al. | Self-learning and adaptive board-level functional fault diagnosis | |
CN106547690A (zh) | 基于新拟合判定标准下的软件可靠性建模方法及装置 | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 | |
CN112148536A (zh) | 检测深度学习芯片的方法、装置、电子设备和计算机存储介质 | |
CN112506784B (zh) | 具备自主学习能力的产品性能评价***及方法 | |
Li et al. | Board-level Functional Test Selection Based on Fault Tree Analysis | |
CN117763432A (zh) | 通讯故障预测方法、装置、设备及存储介质 | |
CN115576850B (zh) | 数据指标测试方法、装置、电子设备及存储介质 | |
CN116067618B (zh) | 一种800g高速光模块的自动化生产及调测方法 | |
CN112506803B (zh) | 大数据测试方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |