CN118051409B - 一种ddr5主板板载处理器的运行状态ai监测方法 - Google Patents
一种ddr5主板板载处理器的运行状态ai监测方法 Download PDFInfo
- Publication number
- CN118051409B CN118051409B CN202410451627.2A CN202410451627A CN118051409B CN 118051409 B CN118051409 B CN 118051409B CN 202410451627 A CN202410451627 A CN 202410451627A CN 118051409 B CN118051409 B CN 118051409B
- Authority
- CN
- China
- Prior art keywords
- signal
- state
- extension
- signals
- running state
- 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 71
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 230000000694 effects Effects 0.000 claims abstract description 89
- 230000008859 change Effects 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims description 55
- 238000009826 distribution Methods 0.000 claims description 45
- 238000001228 spectrum Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000002401 inhibitory effect Effects 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 163
- 230000003595 spectral effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及主板运行监控技术领域,具体涉及一种DDR5主板板载处理器的运行状态AI监测方法。本发明获取每种运行指标下的运行状态信号,进行多次延拓并分解;然后获取每次延拓后的每个运行状态信号的重构真实性,并获取每次延拓后每阶状态分量信号中的所有重要信号点,进而获取每次延拓后每个运行状态信号的延拓效果系数,确定每个运行状态信号的最佳延拓运行状态信号,从而通过预设监测模型监测识别处理器的运行状态。本发明通过分析每次延拓后信号的分解效果及各状态分量信号中重要信息点在延拓前后的变化情况,提高了对延拓后对端点效应的抑制效果的评估准确性,从而获取最佳延拓状态信号以提高降噪效果,准确监测处理器的运行状态。
Description
技术领域
本发明涉及主板运行监控技术领域,具体涉及一种DDR5主板板载处理器的运行状态AI监测方法。
背景技术
DDR5主板板载处理器是计算机***的核心组件之一,承担着重要的计算和控制任务。随着***性能的提升,处理器的功耗和发热量也在不断增加,为了确保处理器的稳定运行,实时监测其运行状态至关重要。现在技术中通过采集处理器的各种性能或状态等运行监测数据,应用人工智能(Artificial Intelligence,AI)模型进行分析,实现对处理器运行状态全面、准确的监测。
在监测处理器运行状态的过程中,可能存在因处理器自身损耗或其他外界环境因素干扰导致存在噪声,从而引入误差影响对处理器运行状态监测的准确性。故需对运行监测数据进行降噪预处理,然而在对运行监测数据分解降噪时,由于运行监测数据中存在一定的端点效应使得分解得到的分量失真,故通常需要在原始运行监测数据的端点处进行一定的延拓处理以希望减弱端点效应。然而在延拓后,可能仍存在一定的端点效应影响,影响对原始运行监测数据的降噪效果,进而影响处理器的运行状态监测效果。因此在对数据进行延拓处理后,进一步准确评估延拓处理对端点效应的抑制效果,从而能够调整延拓方式以获取理想的降噪结果是亟待解决的技术问题。
发明内容
为了解决端点效应可能影响对运行监测数据的降噪效果从而导致对处理器的运行状态监测效果差的技术问题,本发明的目的在于提供一种DDR5主板板载处理器的运行状态AI监测方法,所采用的技术方案具体如下:
获取处理器在每种运行指标下的运行状态信号;
根据预设延拓次数将每个所述运行状态信号进行延拓,并分解每次延拓后的每个运行状态信号,获取所有状态分量信号;在每次延拓后,在每个运行状态信号的不同阶所述状态分量信号间,根据分布特征的差异及相同时刻信号点的幅值差异,获取每次延拓后的每个运行状态信号的重构真实性;
在每次延拓后,根据每个运行状态信号与对应所述状态分量信号间的频率差异,结合相同幅值信号点在所有所述状态分量信号中的分布情况,获取每阶所述状态分量信号中每类幅值信号点的筛选系数;根据所述筛选系数获取每次延拓后每阶所述状态分量信号中的所有重要信号点;
根据每次延拓后相邻阶所述状态分量信号间的频率变化差异,及延拓前后同阶所述状态分量信号间的相同幅值的所述重要信号点的所述筛选系数的差异,结合每次延拓后每个运行状态信号的所述重构真实性,获取每次延拓后每个运行状态信号的延拓效果系数;根据所述延拓效果系数确定每个运行状态信号的最佳延拓运行状态信号,并对所有所述最佳延拓状态信号降噪;
将降噪后的所有所述最佳延拓状态信号输入至预设监测模型进行监测识别。
进一步地,所述重构真实性的获取方法包括:
在每次延拓后,在每个运行状态信号的每阶所述状态分量信号中,根据极值分布情况及能量密度,获取每个运行状态信号的每阶所述状态分量信号的分布特征值;
根据重构真实性的计算公式获取每次延拓后每个运行状态信号的重构真实性;重构真实性的计算公式为:
;其中,/>为第/>次延拓后第/>个运行状态信号的重构真实性;/>为运行状态信号中不同阶状态分量信号间的两两组合序号;/>为运行状态信号中不同阶状态分量信号间的两两组合的总数量;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的分布特征值;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的分布特征值;/>为运行状态信号或状态分量信号中的信号点对应时刻的序号;/>为运行状态信号或状态分量信号中的信号点的总数量;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号,在第/>个时刻下的信号点的幅值;为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号,在第/>个时刻下的信号点的幅值。
进一步地,所述分布特征值的获取方法包括:
在每次延拓后,获取每个运行状态信号的每阶所述状态分量信号中的所有极值点,获取相邻极值点对应时刻间隔的均值,将极值点的总数量与所有相邻极值点对应时刻间隔的均值的比值,作为每阶所述状态分量信号的极值分布系数;
在每次延拓后,获取每个运行状态信号的每阶所述状态分量信号的频谱信号,通过最小二乘法拟合所述频谱信号的频谱函数表达式,将每阶所述状态分量信号对应的所述频谱函数表达式进行积分后除以对应所述状态分量信号的频谱信号长度,得到每阶所述状态分量信号的能量密度系数;
将每阶所述状态分量信号的所述极值分布系数与所述能量密度系数的乘积,作为分布特征值。
进一步地,所述筛选系数的获取方法包括:
在每次延拓后,获取每个运行状态信号与对应每阶所述状态分量信号间的主要频率的差值绝对值;
在运行状态信号与对应所有所述状态分量信号中,将所有相同幅值信号点作为同一类幅值信号点,获取每类幅值信号点的质异系数;
将所述差值绝对值与每类幅值信号点的所述质异系数相乘后,进行负相关映射并归一化,得到每次延拓后每个运行状态信号的每阶所述状态分量信号中每类幅值信号点的筛选系数。
进一步地,所述重要信号点的获取方法包括:
在每次迭代后,将每个运行状态信号的每个所述状态分量信号中,所有种类的相同幅值信号点的所述筛选系数进行升序排序,构建序列;获取所述序列的差分序列,将所述差分序列中最大的差分值对应元素序号加1后,得到目标序号;在所述序列中,将序号大于等于所述目标序号的所述筛选系数对应的所有种类的幅值信号点,作为重要信号点。
进一步地,所述延拓效果系数的获取方法包括:
每次延拓后,获取每个运行状态信号的每阶所述状态分量信号,相对相邻前一阶所述状态分量信号的频率差值,获取所有所述频率差值的方差;
在每次延拓前后的同阶所述状态分量信号间,筛选出相同时刻下同为所述重要信号点的信号点,作为待分析信号点,获取相同时刻下的所述待分析信号点间的所述筛选系数的系数差异,并对所有相同时刻下的所述系数差异求均,得到每个同阶所述状态分量信号间的变化参考值;将所有同阶所述状态分量信号间的所述变化参考值求均值后负相关映射并归一化,得到延拓变化系数;
将每次延拓后每个运行状态信号的所述重构真实性,除以所述频率差值的方差后,再乘以所述延拓变化系数,得到每次延拓后的每个运行状态信号的延拓效果系数。
进一步地,所述最佳延拓运行状态信号的获取方法包括:
将每次延拓后所述延拓效果系数最大时对应的运行状态信号,作为对应种类运行指标下的运行状态信号的最佳延拓状态信号。
进一步地,对所述运行状态信号进行延拓的延拓方法包括:
在首次延拓过程中,在每个所述运行状态信号中,将首个端点信号点处的斜率作为第一瞬时斜率,将末尾端点信号点处的瞬时斜率作为第二瞬时斜率,在首个端点信号点处向时序反方向,沿所述第一瞬时斜率对应的切线方向延拓预设数量个信号点;同时在末尾端点信号点处向时序方向,沿所述第二瞬时斜率对应的切线方向延拓预设数量个信号点,得到首次延拓后的每个运行状态信号;
在非首次延拓过程中,在上次延拓后得到的每个运行状态信号的首个端点信号点处,向时序反方向,沿所述第一瞬时斜率延拓预设数量个信号点;同时在上次延拓后得到的每个运行状态信号的末尾端点信号点处,向时序方向,沿所述第二瞬时斜率延拓预设数量个信号点,得到本次延拓后的每个运行状态信号。
进一步地,所述预设监测模型的获取方法包括:
获取每种运行指标下的预设标准运行状态信号;在预设历史时间段内,获取处理器在每种运行指标下的历史运行状态信号,获取所有所述历史运行状态信号的最佳历史延拓状态信号并降噪;
将降噪后的每种运行指标下的所述最佳历史延拓状态信号的信号幅值方差,作为第一信号幅值方差,将对应同种运行指标下的所述预设标准运行状态信号的信号幅值方差,作为第二信号幅值方差;
若所述第一信号幅值方差与所述第二信号幅值方差的差值,大于预设阈值,则将对应运行指标下的所述最佳历史延拓状态信号赋予异常标签;若所述第一信号幅值方差与所述第二信号幅值方差的差值,小于等于预设阈值,则将对应运行指标下的所述最佳历史延拓状态信号赋予正常标签;
根据带有标签的降噪后的每种运行指标下的所述最佳历史延拓状态信号构建训练样本数据,训练神经网络模型,将训练好的神经网络模型作为预设监测模型。
进一步地,所述分解每次延拓后的每个运行状态信号的分解方法为EMD算法。
本发明具有如下有益效果:
本发明实施例获取处理器在每种运行指标下的运行状态信号,进行多次延拓并分解,从而在每次延拓后评估延拓效果,判断是否减弱端点效应,以提高分解降噪效果;然后获取每次延拓后的每个运行状态信号的重构真实性,重构真实性初步反映了每次延拓后的运行状态信号的分解效果,侧面反映本次延拓对端点效应的抑制效果;获取每阶状态分量信号中每类幅值信号点的筛选系数,筛选系数反映了该类幅值信号点是否反映分量的重要频谱特征;根据筛选系数获取每次延拓后每阶状态分量信号中的所有重要信号点,进而根据每次延拓后相邻阶状态分量信号间的频率变化差异,及延拓前后同阶状态分量信号间的相同幅值的重要信号点的筛选系数的差异,结合每次延拓后每个运行状态信号的重构真实性,获取每次延拓后每个运行状态信号的延拓效果系数,以确定每个运行状态信号的最佳延拓运行状态信号,从而将降噪后的所有最佳延拓状态信号输入至预设监测模型进行处理器运行状态的监测。本发明通过分析每次延拓后的分解效果及各状态分量信号中重要信息点在延拓前后的变化情况,提高了对延拓后对端点效应的抑制效果的评估准确性,从而获取最佳延拓状态信号以提高降噪效果,准确监测处理器的运行状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种DDR5主板板载处理器的运行状态AI监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种DDR5主板板载处理器的运行状态AI监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的一种DDR5主板板载处理器的运行状态AI监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种DDR5主板板载处理器的运行状态AI监测方法的流程图,具体包括:
步骤S1,获取处理器在每种运行指标下的运行状态信号。
在本发明的一个实施例中,为对DDR5主板板载处理器的运行状态进行监测,首先获取处理器在每种运行指标下的运行状态信号,其中运行指标包括处理器的温度、电压及负载等,通过处理器的内置传感器或增设外部传感器进行每种运行指标下的运行状态信号的采集。
需要说明的是,运行状态信号的采集时长在此不做限定,实施者可以根据实际需求自行设置;实施者也可根据实际需求设置其他种类的运行指标,每种运行指标的采集频率可以不一致,但后续与同种运行指标下的预设标准运行状态信号的采集频率应当一致。
步骤S2,根据预设延拓次数将每个运行状态信号进行延拓,并分解每次延拓后的每个运行状态信号,获取所有状态分量信号;在每次延拓后,在每个运行状态信号的不同阶状态分量信号间,根据分布特征的差异及相同时刻信号点的幅值差异,获取每次延拓后的每个运行状态信号的重构真实性。
在本发明的一个实施例中,为降低运行状态信号的端点效应,将根据预设延拓次数将每种运行指标下的运行状态信号进行延拓,从而评估每次延拓后延拓效果,判断是否减弱端点效应,进而获取每种运行指标下的最佳延拓状态信号,以提高分解降噪效果。预设延拓次数为10次,实施者可以根据需求自行设置。
优选地,在本发明的一个实施例中,对运行状态信号进行延拓的延拓方法包括:
在首次延拓过程中,在每个运行状态信号中,将首个端点信号点处的斜率作为第一瞬时斜率,将末尾端点信号点处的瞬时斜率作为第二瞬时斜率,在首个端点信号点处向时序反方向,沿第一瞬时斜率对应的切线方向延拓预设数量个信号点;同时在末尾端点信号点处向时序方向,沿第二瞬时斜率对应的切线方向延拓预设数量个信号点,得到首次延拓后的每个运行状态信号;
在非首次延拓过程中,在上次延拓后得到的每个运行状态信号的首个端点信号点处,向时序反方向,沿第一瞬时斜率对应的切线方向延拓预设数量个信号点;同时在上次延拓后得到的每个运行状态信号的末尾端点信号点处,向时序方向,沿第二瞬时斜率对应的切线方向延拓预设数量个信号点,得到本次延拓后的每个运行状态信号。
需要说明的是,首尾端点信号点处的瞬时斜率,实施者可以在运行状态信号上分别选取与两点距离最近的信号点采用斜率公式获取;也可拟合运行状态信号的函数表达式后求导获得;实施者也可采用其他技术手段获取,其均为本领域技术人员熟知的现有技术,在此不赘述;预设数量取1,实施者也可自行设置。
在本发明的另一个实施例中,在每个运行状态信号中分别选取与首个端点信号点和距离其最近的一个极值点间连线的斜率作为端点参考斜率,在对应运行状态信号中,取与对应连线同方向且等长的一段单调信号子段进行对比,找到与端点参考斜率最接近的信号子段作为匹配信号子段,并取匹配信号子段前或后的预设数量个信号点在首个端点信号点处进行延拓;对末尾端点信号点按照同样的方式进行延拓;预设数量取10,实施者可自行设置。在本发明的其他实施例中,实施者也可采用周期性延拓、对称延拓等延拓手段,其均为本领域技术人员熟知的现有技术,在此不赘述。
对每次延拓后的每个运行状态信号进行分解处理,以便分析分量的相关特征来评估其延拓效果。本发明的一个实施例中具体采用EMD算法进行分解操作;实施者也可采用VMD、EEMD等算法,其均是本领域技术人员熟知的现有技术,在此不赘述。
为评估每次延拓后的延拓效果,本发明实施例首先在每次延拓后,在每个运行状态信号的不同阶状态分量信号间,根据分布特征的差异及相同时刻信号点的幅值差异,获取每次延拓后的每个运行状态信号的重构真实性。重构真实性初步反映了每次延拓后的运行状态信号的分解效果,侧面反映了本次延拓后对端点效应的抑制效果。
优选地,在本发明的一个实施例中,考虑到延拓后每个运行状态信号的所有分量越相似,说明分解效果越差,而分量间的极值分布情况及能量密度侧面反映了在信号的频谱特性和振幅特征,极值的分布情况及能量密度越相似,说明分量越相似;同时若不同分量间在所有相同时刻下的信号点幅值的差异越小,则也越说明分量越相似;基于此,重构真实性的获取方法包括:
在每次延拓后,在每个运行状态信号的每阶状态分量信号中,根据极值分布情况及能量密度,获取每个运行状态信号的每阶状态分量信号的分布特征值;根据重构真实性的计算公式获取每次延拓后每个运行状态信号的重构真实性;重构真实性的计算公式为:
;
其中,为第/>次延拓后第/>个运行状态信号的重构真实性;/>为运行状态信号中不同阶状态分量信号间的两两组合序号;/>为运行状态信号中不同阶状态分量信号间的两两组合的总数量;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的分布特征值;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的分布特征值;/>为运行状态信号或状态分量信号中的信号点对应时刻的序号;/>为运行状态信号或状态分量信号中的信号点的总数量;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号,在第/>个时刻下的信号点的幅值;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号,在第/>个时刻下的信号点的幅值。
需要说明的是,对每个运行状态信号延拓后并分解后,将所有对应状态分量信号两两组合对比评估其相似性;反映了每种组合对应的两状态分量信号间的分布特征值差异,该值越大,分量相似度越低,分解效果越好,则重构真实性越大;反映了每种组合对应的两状态分量信号间,在所有相同时刻下对应信号点间的幅值差异,该值越大,分量相似度越低,分解效果越好,则重构真实性越大。
其中,分布特征值的获取方法包括:
在每次延拓后,获取每个运行状态信号的每阶状态分量信号中的所有极值点,获取相邻极值点对应时刻间隔的均值,将极值点的总数量与所有相邻极值点对应时刻间隔的均值的比值,作为每阶状态分量信号的极值分布系数;
在每次延拓后,获取每个运行状态信号的每阶状态分量信号的频谱信号,通过最小二乘法拟合频谱信号的频谱函数表达式,将每阶状态分量信号对应的频谱函数表达式进行积分后除以对应状态分量信号的频谱信号长度,得到每阶状态分量信号的能量密度系数;
将每阶状态分量信号的极值分布系数与能量密度系数的乘积,作为分布特征值。
分布特征值的计算公式为:
;
其中,为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的分布特征值;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号中的极值点的总数量;/>为极值点的序号;/>为第/>个极值点与第/>个极值点对应的时刻间隔;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的频谱函数表达式;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的频谱信号的频率区间下限;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的频谱信号的频率区间上限;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的频谱信号长度即频谱信号的信号曲线长度。
需要说明的是,频谱信号是将状态分量信号进行傅里叶变换以获取,频谱信号长度可以通过弧长积分获取,其与最小二乘法均是本领域现有技术,在此不再赘述。
分布特征值的计算公式中,反映了状态分量信号的变化速率,同时极值点的数量越多,说明状态分量信号的变化越剧烈;/>反映了状态分量信号的频谱信号的能量密度;通过相乘将二者合并得到分布特征值,实施者也可采用其他基础数学运算合并二者。
步骤S3,在每次延拓后,根据每个运行状态信号与对应状态分量信号间的频率差异,结合相同幅值信号点在所有状态分量信号中的分布情况,获取每阶状态分量信号中每类幅值信号点的筛选系数;根据筛选系数获取每次延拓后每阶状态分量信号中的所有重要信号点。
在对延拓后的每个运行状态信号进行模态分解时,理想状态下希望各状态分量信号分别包含运行状态信号中重要振荡特征和频率成分,且各状态分量信号间的频率不重叠,以保证信号在分解过程中的完整性和准确性;而每个状态分量信号中存在部分包含运行状态信号中重要频率特征的信号点,若延拓前后获取的分量信号间的该类信号点未发生重大变动,且本次延拓后得到的分解结果即重构真实性较高的同时,则可认为本次延拓后的延拓效果较高。
本发明实施例将结合重要信号点的变动情况,评估每次延拓后每个运行状态信号的重构真实性,从而在所有延拓过程中筛选出最佳延拓结果。故本发明实施例在每次延拓后,根据每个运行状态信号与对应状态分量信号间的频率差异,结合相同幅值信号点在所有状态分量信号中的分布情况,获取每阶状态分量信号中每类幅值信号点的筛选系数;筛选系数反映了每类幅值信号点的重要性,进而根据筛选系数获取每次延拓后每阶状态分量信号中的所有重要信号点。
优选地,在本发明的一个实施例中,考虑到各状态分量信号与运行状态信号都对应了不同的频率成分,但不同信号都对应一个更为显著或重要的主要频率,状态分量信号与运行状态信号间的主要频率的差异越小,说明该状态分量信号越可能反映运行状态信号的频谱特征;同时考虑到不同幅值的信号点所包含的频谱信息不同,若某类幅值信号点分别在运行状态信号及对应各状态分量信号间,分布的越均匀时,则说明该类幅值信号点中可能越为普遍,其筛选系数应当越小,但当分布越不均匀时,若某个状态分量信号越可能保留运行状态信号的频谱特征时,则说明该类幅值信号点在该状态分量信号中的重要性可能越大,对应的筛选系数越大;而质异系数可以用于评估每类幅值信号点的分布情况;基于此,筛选系数的获取方法包括:
在每次延拓后,获取每个运行状态信号与对应每阶状态分量信号间的主要频率的差值绝对值;
在运行状态信号与对应所有状态分量信号中,将所有相同幅值信号点作为同一类幅值信号点,获取每类幅值信号点的质异系数;
将差值绝对值与每类幅值信号点的质异系数相乘后,进行负相关映射并归一化,得到每次延拓后每个运行状态信号的每阶状态分量信号中每类幅值信号点的筛选系数。
筛选系数的计算公式为:
;
其中,为第/>次延拓后第/>个运行状态信号的第/>阶状态分量信号中,第/>类幅值信号点的筛选系数;/>为以自然常数/>为底数的指数函数;/>为第/>次延拓后第/>个运行状态信号的第/>阶状态分量信号的主要频率;/>为第/>次延拓后第/>个运行状态信号的主要频率;/>为第/>次延拓后第/>个运行状态信号分解得到的状态分量信号的总数量;/>为第/>次延拓后第/>个运行状态信号中第/>类幅值信号点的幅值;/>为第/>次延拓后第/>个运行状态信号的第/>阶状态分量信号中,第/>类幅值信号点的幅值;/>为第/>次延拓后第/>个运行状态信号的第/>阶状态分量信号中,第/>类幅值信号点的质异指数;为预设非零正参数。
需要说明的是,主要频率的获取方法为:对各状态分量信号与运行状态信号进行傅里叶变换,得到其频谱信号,然后利用峰值点检测算法分别获取每个信号中的最大峰值点,将最大峰值点对应的频率作为对应信号的主要频率;质异指数的取值范围为0至1,越趋于0时,说明该类幅值信号点在所有状态分量信号中呈非均匀分布,同时若某个状态分量信号越可能保留运行状态信号的频谱特征,则说明该类幅值信号点越可能分布在该状态分量信号中;预设非零正参数不宜过大,取0.01,实施者也可根据实际情况取0-0.1之间或趋于0的非零正参数;质异指数已是本领域技术人员熟知的现有技术,在此不赘述。
筛选系数的计算公式中,通过乘法将主要频率的差值绝对值与质异指数合并,乘积越小,说明该阶状态分量中该类幅值信号点越可能包含了运行状态信号的重要频率特征,筛选系数越大,通过将乘积负相关映射到指数函数中实现归一化并调整逻辑,实施者也可采用倒数等负相关映射手段,在此不赘述。
获取筛选系数后,根据筛选系数获取每次延拓后每阶状态分量信号中的所有重要信号点。
优选地,在本发明的一个实施例中,重要信号点的获取方法包括:
在每次迭代后,将每个运行状态信号的每个状态分量信号中,所有种类的相同幅值信号点的筛选系数进行升序排序,构建序列;获取序列的差分序列,将差分序列中最大的差分值对应元素序号加1后,得到目标序号;在序列中,将序号大于等于目标序号的筛选系数对应的所有种类的幅值信号点,作为重要信号点。
在本发明的另一个实施例中,实施者也可根据预设阈值筛选重要信号点。
通过构建差分序列选取最大差分值,从而筛选重要信号点,有助于根据各状态分量信号的内部特征,在该状态分量信号中的所有类别幅值信号点中选取相对重要的信号点,相比阈值筛选的适应性更强。
步骤S4,根据每次延拓后相邻阶状态分量信号间的频率变化差异,及延拓前后同阶状态分量信号间的相同幅值的重要信号点的筛选系数的差异,结合每次延拓后每个运行状态信号的重构真实性,获取每次延拓后每个运行状态信号的延拓效果系数;根据延拓效果系数确定每个运行状态信号的最佳延拓运行状态信号,并对所有最佳延拓状态信号降噪。
每次延拓后各阶状态分量信号间的频率越相似,说明分解效果越不好,但若相邻阶状态分量信号间的频率变化越剧烈,说明各阶状态分量信号间的频率变化越不符合线性变化规律,则分解效果可能越差,延拓效果也越差;故本发明实施例根据每次延拓后相邻阶状态分量信号间的频率变化差异,及延拓前后同阶状态分量信号间的相同幅值的重要信号点的筛选系数的差异,结合每次延拓后每个运行状态信号的重构真实性,获取每次延拓后每个运行状态信号的延拓效果系数。
优选地,在本发明的一个实施例中,延拓效果系数的获取方法包括:
每次延拓后,获取每个运行状态信号的每阶状态分量信号,相对相邻前一阶状态分量信号的频率差值,获取所有频率差值的方差;
在每次延拓前后的同阶状态分量信号间,筛选出相同时刻下同为重要信号点的信号点,作为待分析信号点,获取相同时刻下的待分析信号点间的筛选系数的系数差异,并对所有相同时刻下的系数差异求均,得到每个同阶状态分量信号间的变化参考值;将所有同阶状态分量信号间的变化参考值求均值后负相关映射并归一化,得到延拓变化系数;
将每次延拓后每个运行状态信号的重构真实性,除以频率差值的方差后,再乘以延拓变化系数,得到每次延拓后的每个运行状态信号的延拓效果系数。
需要说明的是,相邻阶的状态分量信号的频率可以取主要频率,其在筛选系数的获取步骤中已说明,在此不赘述;实施者也可获取每阶状态分量信号的所有极值点,通过计算相邻极值点的时间间隔,将时间间隔求均后做倒数运算,得到每阶状态分量信号的频率;实施者也可采用其他方法确定其频率,其均为本领域技术人员熟知的现有技术,在此不赘述。
延拓效果系数的计算公式为:
;
其中,为第/>次延拓后第/>个运行状态信号的延拓效果系数;/>为第/>次延拓后第/>个运行状态信号的重构真实性;/>为第/>次延拓后第/>个运行状态信号分解得到的状态分量信号的总数量;/>为第/>次延拓后第/>个运行状态信号的,第/>阶状态分量信号相对第/>阶状态分量信号的频率差值;/>为第/>次延拓后第/>个运行状态信号的所有相邻阶状态分量信号的频率差值的均值;/>为以自然常数/>为底数的指数函数;/>为第/>次延拓前后第/>个运行状态信号的分解结果中,所有状态分量信号的阶数最小值;/>为待分析信号点的总数量;/>为第/>次延拓后第/>个运行状态信号的第/>阶状态分量信号中,第/>个待分析信号点的筛选系数;/>为第/>次延拓后第/>个运行状态信号的第/>阶状态分量信号中,第/>个待分析信号点的筛选系数。
延拓效果系数公式中,重构真实性越大,延拓效果系数越大;频率差值的方差越大,说明相邻阶状态分量信号间的频率变化越剧烈,越不符合线性变化,延拓效果系数越小,通过做分母实现负相关映射调整逻辑;延拓前后的重要信号点的筛选系数变化越大,则说明延拓效果系数越小,通过负相关映射到指数函数中调整逻辑。
需要说明的是,在某些特定情况下,希望根据实际情况和信号特性来综合考虑相邻阶分量之间的频率差异变化来分解信号,以确保准确地捕捉信号的频率成分特征,此时相邻阶状态分量信号间的斜率差异可能不需要呈线性关系,则可令延拓效果系数计算公式中第二项为1,实施者可以根据实际需求自行设置。
在本发明的一个实施例中,将每次延拓后延拓效果系数最大时对应的运行状态信号,作为对应种类运行指标下的运行状态信号的最佳延拓状态信号。
在本发明的另一个实施例中,将延拓次数和对应的延拓效果系数通过最小二乘法拟合延拓效果变化曲线,获取延拓效果变化曲线中的所有拐点,将所有拐点中对应延拓效果系数最大的一次延拓过程所获取的延拓后的运行状态信号,作为最佳延拓状态信号。
将每种运行指标下的最佳延拓状态信号对应的所有状态分量信号进行平滑处理,去除噪声,将所有去噪后的状态分量信号重构,得到降噪后的最佳延拓状态信号。
步骤S5,将降噪后的所有最佳延拓状态信号输入至预设监测模型进行监测识别。
将降噪后的所有运行指标下的最佳延拓状态信号输入值预设监测模型中,进行基于人工智能的异常监测预警。
优选地,在本发明的一个实施例中,预设监测模型的获取方法包括:
获取每种运行指标下的预设标准运行状态信号;在预设历史时间段内,获取处理器在每种运行指标下的历史运行状态信号,获取所有历史运行状态信号的最佳历史延拓状态信号并降噪;
将降噪后的每种运行指标下的最佳历史延拓状态信号的信号幅值方差,作为第一信号幅值方差,将对应同种运行指标下的预设标准运行状态信号的信号幅值方差,作为第二信号幅值方差;
若第一信号幅值方差与第二信号幅值方差的差值,大于预设阈值,则将对应运行指标下的最佳历史延拓状态信号赋予异常标签;若第一信号幅值方差与第二信号幅值方差的差值,小于等于预设阈值,则将对应运行指标下的最佳历史延拓状态信号赋予正常标签;
根据带有标签的降噪后的每种运行指标下的最佳历史延拓状态信号构建训练样本数据,训练神经网络模型,将训练好的神经网络模型作为预设监测模型。
需要说明的是,预设标准运行状态信号为处理器在正常运行状况下的一个参考基准信号,实施者可结合其出厂测试指标,通过实时监测分析处理器在不同工作场景下的正常运行状态信号,从中任选一条正常运行状态信号作为预设标准运行状态信号,在此不做限定;神经网络模型为卷积神经网络模型,对卷积神经网络模型进行训练时,预设历史时间段为当前时刻的过去三个月的时间段,通过历史运行状态信号构建训练集数据,以丰富训练数据,获取更好的训练效果。实施者也可以在降噪后,将最佳延拓状态信号的延拓部分剔除,降低延拓部分对监测识别效果的影响。卷积神经网络模型的训练应用是本领域技术人员熟知的现有技术,在此不赘述。
将降噪后的每种运行指标下最佳延拓状态信号作为神经网络模型的多输入,将对应的标签向量作为多输入对应的输出结果;作为一个示例:共计监测3种运行指标,分别为温度、电压及负载,将三种运行指标对应的降噪后的最佳延拓状态信号同时输入至训练好的预设监测模型中,预设监测模型将自动输出一个结果状态向量如(1、1、0),其中1表示正常标签、0表示异常标签,则该状态向量表示温度及电压指标处于正常状态,而负载指标处于异常状态;当状态向量中存在一个异常状态标签时,则需要发出异常预警,提示相关人员分析处理。
综上所述,本发明实施例获取处理器在每种运行指标下的运行状态信号,进行多次延拓并分解;然后获取每次延拓后的每个运行状态信号的重构真实性;并获取每阶状态分量信号中每类幅值信号点的筛选系数,以获取每次延拓后每阶状态分量信号中的所有重要信号点,进而获取每次延拓后每个运行状态信号的延拓效果系数,以确定每个运行状态信号的最佳延拓运行状态信号,从而将降噪后的所有最佳延拓状态信号输入至预设监测模型进行监测识别。本发明通过分析每次延拓后的分解效果及各状态分量信号中重要信息点在延拓前后的变化情况,提高了对延拓后对端点效应的抑制效果的评估准确性,从而获取最佳延拓状态信号以提高降噪效果,准确监测处理器的运行状态。
一种DDR5主板板载处理器的运行状态信号的降噪方法实施例:
DDR5主板板载处理器在计算机***中承担着重要的计算和控制任务。随着***性能的提升,处理器的功耗和发热量在不断增加,为了确保处理器的稳定运行,实时监测其运行状态至关重要。在监测过程中,可能因处理器自身损耗或其他外界环境因素干扰等,导致各项运行监测数据中存在噪声,故通常需要分解降噪。但在分解降噪过程中,由于运行监测数据存在一定的端点效应使得分解得到的分量失真,故通常需要在端点处进行一定的延拓处理以希望减弱端点效应,且延拓后可能仍存在一定的端点效应影响,影响对原始运行监测数据的降噪效果。本发明提出一种DDR5主板板载处理器的运行状态信号的降噪方法,该方法包括:
步骤S1,获取处理器在每种运行指标下的运行状态信号。
步骤S2,根据预设延拓次数将每个运行状态信号进行延拓,并分解每次延拓后的每个运行状态信号,获取所有状态分量信号;在每次延拓后,在每个运行状态信号的不同阶状态分量信号间,根据分布特征的差异及相同时刻信号点的幅值差异,获取每次延拓后的每个运行状态信号的重构真实性。
步骤S3,在每次延拓后,根据每个运行状态信号与对应状态分量信号间的频率差异,结合相同幅值信号点在所有状态分量信号中的分布情况,获取每阶状态分量信号中每类幅值信号点的筛选系数;根据筛选系数获取每次延拓后每阶状态分量信号中的所有重要信号点。
步骤S4,根据每次延拓后相邻阶状态分量信号间的频率变化差异,及延拓前后同阶状态分量信号间的相同幅值的重要信号点的筛选系数的差异,结合每次延拓后每个运行状态信号的重构真实性,获取每次延拓后每个运行状态信号的延拓效果系数;根据延拓效果系数确定每个运行状态信号的最佳延拓运行状态信号,并对所有最佳延拓状态信号降噪。
其中,步骤S1-S4在上述一种DDR5主板板载处理器的运行状态AI监测方法实施例中已给出了详细说明,不再赘述。
本发明实施例获取处理器在每种运行指标下的运行状态信号,进行多次延拓并分解,从而在每次延拓后评估延拓效果,判断是否减弱端点效应,以提高分解降噪效果;然后获取每次延拓后的每个运行状态信号的重构真实性,重构真实性初步反映了每次延拓后的运行状态信号的分解效果,侧面反映本次延拓后对端点效应的抑制效果;获取每阶状态分量信号中每类幅值信号点的筛选系数,筛选系数反映了该类幅值信号点是否反映分量的重要频谱特征;根据筛选系数获取每次延拓后每阶状态分量信号中的所有重要信号点,进而获取每次延拓后每个运行状态信号的延拓效果系数,以确定每个运行状态信号的最佳延拓运行状态信号并降噪。本发明通过分析每次延拓后的分解效果及各状态分量信号中重要信息点在延拓前后的变化情况,提高了对延拓后对端点效应的抑制效果的评估准确性,从而获取最佳延拓状态信号以提高降噪效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种DDR5主板板载处理器的运行状态AI监测方法,其特征在于,所述方法包括:
获取处理器在每种运行指标下的运行状态信号;
根据预设延拓次数将每个所述运行状态信号进行延拓,并分解每次延拓后的每个运行状态信号,获取所有状态分量信号;在每次延拓后,在每个运行状态信号的不同阶所述状态分量信号间,根据分布特征的差异及相同时刻信号点的幅值差异,获取每次延拓后的每个运行状态信号的重构真实性;
在每次延拓后,根据每个运行状态信号与对应所述状态分量信号间的频率差异,结合相同幅值信号点在所有所述状态分量信号中的分布情况,获取每阶所述状态分量信号中每类幅值信号点的筛选系数;根据所述筛选系数获取每次延拓后每阶所述状态分量信号中的所有重要信号点;
根据每次延拓后相邻阶所述状态分量信号间的频率变化差异,及延拓前后同阶所述状态分量信号间的相同幅值的所述重要信号点的所述筛选系数的差异,结合每次延拓后每个运行状态信号的所述重构真实性,获取每次延拓后每个运行状态信号的延拓效果系数;根据所述延拓效果系数确定每个运行状态信号的最佳延拓运行状态信号,并对所有所述最佳延拓状态信号降噪;
将降噪后的所有所述最佳延拓状态信号输入至预设监测模型进行监测识别;
所述重构真实性的获取方法包括:
在每次延拓后,在每个运行状态信号的每阶所述状态分量信号中,根据极值分布情况及能量密度,获取每个运行状态信号的每阶所述状态分量信号的分布特征值;
根据重构真实性的计算公式获取每次延拓后每个运行状态信号的重构真实性;重构真实性的计算公式为:
;其中,/>为第/>次延拓后第/>个运行状态信号的重构真实性;/>为运行状态信号中不同阶状态分量信号间的两两组合序号;/>为运行状态信号中不同阶状态分量信号间的两两组合的总数量;为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号的分布特征值;/>为第次延拓后第/>个运行状态信号中第/>阶状态分量信号的分布特征值;/>为运行状态信号或状态分量信号中的信号点对应时刻的序号;/>为运行状态信号或状态分量信号中的信号点的总数量;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号,在第/>个时刻下的信号点的幅值;/>为第/>次延拓后第/>个运行状态信号中第/>阶状态分量信号,在第/>个时刻下的信号点的幅值;
所述分布特征值的获取方法包括:
在每次延拓后,获取每个运行状态信号的每阶所述状态分量信号中的所有极值点,获取相邻极值点对应时刻间隔的均值,将极值点的总数量与所有相邻极值点对应时刻间隔的均值的比值,作为每阶所述状态分量信号的极值分布系数;
在每次延拓后,获取每个运行状态信号的每阶所述状态分量信号的频谱信号,通过最小二乘法拟合所述频谱信号的频谱函数表达式,将每阶所述状态分量信号对应的所述频谱函数表达式进行积分后除以对应所述状态分量信号的频谱信号长度,得到每阶所述状态分量信号的能量密度系数;
将每阶所述状态分量信号的所述极值分布系数与所述能量密度系数的乘积,作为分布特征值。
2.根据权利要求1中所述的一种DDR5主板板载处理器的运行状态AI监测方法,其特征在于,所述筛选系数的获取方法包括:
在每次延拓后,获取每个运行状态信号与对应每阶所述状态分量信号间的主要频率的差值绝对值;
在运行状态信号与对应所有所述状态分量信号中,将所有相同幅值信号点作为同一类幅值信号点,获取每类幅值信号点的质异系数;
将所述差值绝对值与每类幅值信号点的所述质异系数相乘后,进行负相关映射并归一化,得到每次延拓后每个运行状态信号的每阶所述状态分量信号中每类幅值信号点的筛选系数。
3.根据权利要求1中所述的一种DDR5主板板载处理器的运行状态AI监测方法,其特征在于,所述重要信号点的获取方法包括:
在每次迭代后,将每个运行状态信号的每个所述状态分量信号中,所有种类的相同幅值信号点的所述筛选系数进行升序排序,构建序列;获取所述序列的差分序列,将所述差分序列中最大的差分值对应元素序号加1后,得到目标序号;在所述序列中,将序号大于等于所述目标序号的所述筛选系数对应的所有种类的幅值信号点,作为重要信号点。
4.根据权利要求1中所述的一种DDR5主板板载处理器的运行状态AI监测方法,其特征在于,所述延拓效果系数的获取方法包括:
每次延拓后,获取每个运行状态信号的每阶所述状态分量信号,相对相邻前一阶所述状态分量信号的频率差值,获取所有所述频率差值的方差;
在每次延拓前后的同阶所述状态分量信号间,筛选出相同时刻下同为所述重要信号点的信号点,作为待分析信号点,获取相同时刻下的所述待分析信号点间的所述筛选系数的系数差异,并对所有相同时刻下的所述系数差异求均,得到每个同阶所述状态分量信号间的变化参考值;将所有同阶所述状态分量信号间的所述变化参考值求均值后负相关映射并归一化,得到延拓变化系数;
将每次延拓后每个运行状态信号的所述重构真实性,除以所述频率差值的方差后,再乘以所述延拓变化系数,得到每次延拓后的每个运行状态信号的延拓效果系数。
5.根据权利要求1中所述的一种DDR5主板板载处理器的运行状态AI监测方法,其特征在于,所述最佳延拓运行状态信号的获取方法包括:
将每次延拓后所述延拓效果系数最大时对应的运行状态信号,作为对应种类运行指标下的运行状态信号的最佳延拓状态信号。
6.根据权利要求1中所述的一种DDR5主板板载处理器的运行状态AI监测方法,其特征在于,对所述运行状态信号进行延拓的延拓方法包括:
在首次延拓过程中,在每个所述运行状态信号中,将首个端点信号点处的斜率作为第一瞬时斜率,将末尾端点信号点处的瞬时斜率作为第二瞬时斜率,在首个端点信号点处向时序反方向,沿所述第一瞬时斜率对应的切线方向延拓预设数量个信号点;同时在末尾端点信号点处向时序方向,沿所述第二瞬时斜率对应的切线方向延拓预设数量个信号点,得到首次延拓后的每个运行状态信号;
在非首次延拓过程中,在上次延拓后得到的每个运行状态信号的首个端点信号点处,向时序反方向,沿所述第一瞬时斜率对应的切线方向延拓预设数量个信号点;同时在上次延拓后得到的每个运行状态信号的末尾端点信号点处,向时序方向,沿所述第二瞬时斜率对应的切线方向延拓预设数量个信号点,得到本次延拓后的每个运行状态信号。
7.根据权利要求1中所述的一种DDR5主板板载处理器的运行状态AI监测方法,其特征在于,所述预设监测模型的获取方法包括:
获取每种运行指标下的预设标准运行状态信号;在预设历史时间段内,获取处理器在每种运行指标下的历史运行状态信号,获取所有所述历史运行状态信号的最佳历史延拓状态信号并降噪;
将降噪后的每种运行指标下的所述最佳历史延拓状态信号的信号幅值方差,作为第一信号幅值方差,将对应同种运行指标下的所述预设标准运行状态信号的信号幅值方差,作为第二信号幅值方差;
若所述第一信号幅值方差与所述第二信号幅值方差的差值,大于预设阈值,则将对应运行指标下的所述最佳历史延拓状态信号赋予异常标签;若所述第一信号幅值方差与所述第二信号幅值方差的差值,小于等于预设阈值,则将对应运行指标下的所述最佳历史延拓状态信号赋予正常标签;
根据带有标签的降噪后的每种运行指标下的所述最佳历史延拓状态信号构建训练样本数据,训练神经网络模型,将训练好的神经网络模型作为预设监测模型。
8.根据权利要求1中所述的一种DDR5主板板载处理器的运行状态AI监测方法,其特征在于,所述分解每次延拓后的每个运行状态信号的分解方法为EMD算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410451627.2A CN118051409B (zh) | 2024-04-16 | 2024-04-16 | 一种ddr5主板板载处理器的运行状态ai监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410451627.2A CN118051409B (zh) | 2024-04-16 | 2024-04-16 | 一种ddr5主板板载处理器的运行状态ai监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118051409A CN118051409A (zh) | 2024-05-17 |
CN118051409B true CN118051409B (zh) | 2024-06-25 |
Family
ID=91053911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410451627.2A Active CN118051409B (zh) | 2024-04-16 | 2024-04-16 | 一种ddr5主板板载处理器的运行状态ai监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118051409B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680581A (zh) * | 2020-05-22 | 2020-09-18 | 电子科技大学 | 极限学习端点延拓的改进lcd机械故障特征提取方法 |
CN116122977A (zh) * | 2022-09-23 | 2023-05-16 | 烟台哈尔滨工程大学研究院 | 一种基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102473286B (zh) * | 2009-07-08 | 2014-12-10 | 工业研究与发展基金会有限公司 | 超分辨率信号重构的方法和*** |
-
2024
- 2024-04-16 CN CN202410451627.2A patent/CN118051409B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680581A (zh) * | 2020-05-22 | 2020-09-18 | 电子科技大学 | 极限学习端点延拓的改进lcd机械故障特征提取方法 |
CN116122977A (zh) * | 2022-09-23 | 2023-05-16 | 烟台哈尔滨工程大学研究院 | 一种基于自适应波形延拓优化eemd的共轨喷油器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118051409A (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6957172B2 (en) | Complex signal decomposition and modeling | |
Eke et al. | Physiological time series: distinguishing fractal noises from motions | |
US7085675B2 (en) | Subband domain signal validation | |
CN110224394B (zh) | 适用于非平稳功率振荡信号特征提取的傅里叶分解算法 | |
CN110717472B (zh) | 基于改进的小波阈值去噪的故障诊断方法及*** | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN108009122B (zh) | 一种改进的hht方法 | |
CN112180315A (zh) | 光纤电流互感器故障特征提取方法、装置及*** | |
CN116629843B (zh) | 智能化柴油发电机组的远程预警与维护决策支持*** | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其*** | |
CN118051409B (zh) | 一种ddr5主板板载处理器的运行状态ai监测方法 | |
CN116044740B (zh) | 基于声信号的泵故障诊断方法 | |
Han et al. | Fault diagnosis of rolling bearings using dual-tree complex wavelet packet transform and time-shifted multiscale range entropy | |
CN117454081A (zh) | 一种机械振动信号的去噪处理方法及装置 | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及*** | |
CN115355166A (zh) | 一种基于短时傅里叶变换的空压机故障诊断方法和*** | |
CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其*** | |
Slišković et al. | Data preprocessing in data based process modeling | |
CN117216489B (zh) | 一种基于互联网的防水涂料质检分析方法及*** | |
CN117874433B (zh) | 一种水处理用深度脱氮生物过滤装备监测*** | |
CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
Avendano et al. | Spectrum estimation and adaptive denoising of eElectrocardiographic signals using Kalman filters | |
AU2001243518B2 (en) | Complex signal decomposition and modeling | |
Neuner et al. | On the detection of change-points in structural deformation analysis | |
Jiang et al. | Probabilistic Wavelet Method for Intelligent Prediction of Turbomachinery Damage |
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 |