JP7377695B2 - ユーザ端末ハードウェア検出方法、装置、コンピュータ装置、および記憶媒体 - Google Patents
ユーザ端末ハードウェア検出方法、装置、コンピュータ装置、および記憶媒体 Download PDFInfo
- Publication number
- JP7377695B2 JP7377695B2 JP2019229349A JP2019229349A JP7377695B2 JP 7377695 B2 JP7377695 B2 JP 7377695B2 JP 2019229349 A JP2019229349 A JP 2019229349A JP 2019229349 A JP2019229349 A JP 2019229349A JP 7377695 B2 JP7377695 B2 JP 7377695B2
- Authority
- JP
- Japan
- Prior art keywords
- digital signal
- deep learning
- user terminal
- learning model
- hardware module
- 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
- 238000001514 detection method Methods 0.000 title claims description 38
- 238000010586 diagram Methods 0.000 claims description 86
- 238000013136 deep learning model Methods 0.000 claims description 65
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000010200 validation analysis Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 3
- 230000006870 function Effects 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
- G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
- G06F11/0742—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function in a data processing system embedded in a mobile device, e.g. mobile phones, handheld devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Description
ユーザ端末のデジタル信号波形図を取得するステップと、
障害分析モデルを利用して、前記デジタル信号波形図に対して特徴識別を行うステップと、
識別された特徴情報と障害タイプデータベース中の特徴情報とを比較するステップと、
比較結果により、前記デジタル信号波形図で表される障害ハードウェアモジュールと、前記障害ハードウェアモジュールの障害タイプを出力するステップとを含む。
前記デジタル信号波形図の内容は、電圧および電流の少なくとも一方を含むことが好ましい。
複数のデジタル信号サンプル波形図を取得するステップと、
前記デジタル信号サンプル波形図をトレーニングセットと検証セットに分けるステップと、
畳み込みニューラルネットワークに基づく深層学習モデルを確立し、前記トレーニングセットを使用して深層学習モデルをトレーニングするステップと、
前記検証セットを使用して、トレーニング済みの深層学習モデルに対して検証を行い、検証結果を統計することによりモデル予測精度を取得するステップと、
前記モデル予測精度が予め設定されたしきい値より小さいかどうかを判断するステップと、
前記モデル予測精度が予め設定されたしきい値以上である場合、トレーニング済みの前記深層学習モデルを前記障害分析モデルとして使用する。
前記モデル予測精度が予め設定されたしきい値より小さいかどうかを判断するステップの後、さらに、
前記モデル予測精度が予め設定されたしきい値より小さい場合、前記深層学習モデルのパラメーターを調整し、前記トレーニングセットを使用して調整済みの深層学習モデルを再トレーニングし、
前記検証セットを使用して、再トレーニングされた深層学習モデルを検証し、各検証結果に従って再統計してモデル予測精度を取得し、再統計されたモデル予測精度が予め設定されたしきい値より小さいかどうかを判断し、
前記再統計されたモデル予測精度が前記予め設定されたしきい値以上である場合、再トレーニング済の深層学習モデルを前記障害分析モデルとし、
前記再統計されたモデル予測精度が予め設定されたしきい値より小さい場合、前記検証セットの検証によって取得されたモデル予測精度が予め設定されたしきい値以上になるまで、上記のステップを繰り返す。
既知の障害ハードウェアモジュールと障害タイプのデジタル信号波形図をトレーニング済みの障害分析モデルに代入するステップと、
前記障害分析モデルを使用して分析することにより、既知の障害ハードウェアモジュール及び障害タイプに対応する特徴情報を取得するステップと、
既知の障害ハードウェアモジュール及び障害タイプと、分析により取得された特徴情報とをマッピング関係を確立し、記憶するステップとを含む。
ユーザ端末のデジタル信号波形図を取得する取得モジュールと、
障害分析モデルを利用して、前記デジタル信号波形図に対して特徴識別を行う識別モジュールと、
識別された特徴情報と障害タイプデータベース中の特徴情報とを比較する比較モジュールと、
比較結果により、前記デジタル信号波形図で表される障害ハードウェアモジュール及び前記障害ハードウェアモジュールの障害タイプを出力する出力モジュールとを含む。
複数のデジタル信号サンプル波形図を取得するステップと、
前記デジタル信号サンプル波形図をトレーニングセットと検証セットに分けるステップと、
畳み込みニューラルネットワークに基づく深層学習モデルを確立し、前記トレーニングセットを使用して深層学習モデルをトレーニングするステップと、
前記検証セットを使用して、トレーニング済みの深層学習モデルに対して検証を行い、検証結果を統計することによりモデル予測精度を取得するステップと、
前記モデル予測精度が予め設定されたしきい値より小さいかどうかを判断するステップと、
前記モデル予測精度が予め設定されたしきい値以上である場合、トレーニング済みの前記深層学習モデルを前記障害分析モデルとして使用するステップと、を備える。
前記検証セットを使用して、再トレーニングされた深層学習モデルを検証し、各検証結果に従って再統計してモデル予測精度を取得し、再統計されたモデル予測精度が予め設定されたしきい値より小さいかどうかを判断し、
前記再統計されたモデル予測精度が前記予め設定されたしきい値以上である場合、再トレーニング済の深層学習モデルを前記障害分析モデルとし、
前記再統計されたモデル予測精度が予め設定されたしきい値より小さい場合、前記検証セットの検証によって取得されたモデル予測精度が予め設定されたしきい値以上になるまで、上記のステップを繰り返し、
前記畳み込みニューラルネットワークに基づく深層学習モデルのパラメーターには、畳み込みカーネルの数、プーリング層(Pooling)の要素の数、および全結合層の要素の数の少なくとも1つが含まれている。
既知の障害ハードウェアモジュールと障害タイプのデジタル信号波形図をトレーニング済みの障害分析モデルに代入するステップと、
前記障害分析モデルを使用して分析して、前記既知の障害ハードウェアモジュール及び障害タイプに対応する特徴情報を取得するステップと、
前記既知の障害ハードウェアモジュール及び障害タイプと、分析により取得された特徴情報とをマッピング関係を確立し、記憶するステップとを含む。
複数のデジタル信号サンプル波形図を取得するステップと、
前記デジタル信号サンプル波形図をトレーニングセットと検証セットに分けるステップと、
畳み込みニューラルネットワークに基づく深層学習モデルを確立し、前記トレーニングセットを使用して深層学習モデルをトレーニングするステップと、
前記検証セットを使用して、トレーニング済みの深層学習モデルに対して検証を行い、検証結果を統計することによりモデル予測精度を取得するステップと、
前記モデル予測精度が予め設定されたしきい値より小さいかどうかを判断するステップと、
前記モデル予測精度が予め設定されたしきい値以上である場合、トレーニング済みの前記深層学習モデルを前記障害分析モデルとするステップと、を含む。
前記検証セットを使用して、再トレーニングされた深層学習モデルを検証し、各検証結果に基づいて再統計してモデル予測精度を取得し、再統計されたモデル予測精度が予め設定されたしきい値より小さいかどうかを判断し、
前記再統計されたモデル予測精度が前記予め設定されたしきい値以上である場合、再トレーニング済の深層学習モデルを前記障害分析モデルとし、
前記再統計されたモデル予測精度が予め設定されたしきい値より小さい場合、前記検証セットの検証によって取得されたモデル予測精度が予め設定されたしきい値以上になるまで、上記のステップを繰り返す。
なお、前記畳み込みニューラルネットワークに基づく深層学習モデルのパラメーターは、畳み込みカーネルの数、プーリング層(Pooling)の要素の数、および全結合層の要素の数の少なくとも1つを含んでいる。
既知の障害ハードウェアモジュールと障害タイプのデジタル信号波形図をトレーニング済みの障害分析モデルに代入するステップと、
前記障害分析モデルを使用して分析することにより、既知の障害ハードウェアモジュール及び障害タイプに対応する特徴情報を取得するステップと、
前記既知の障害ハードウェアモジュール及び障害タイプと、分析により取得された特徴情報とをマッピング関係を確立し、記憶するステップとを含む。
Claims (6)
- ユーザ端末ハードウェア検出装置のユーザ端末ハードウェア検出方法であって、
前記ユーザ端末ハードウェア検出装置は、プロセッサと、コンピュータプログラムを格納するように配設されたメモリとを備え、
前記コンピュータプログラムは、実行されるとき、前記プロセッサに、
オシロスコープによってユーザ端末のハードウェアモジュールの電圧の変化状況を示すデジタル信号波形図を取得するステップと、
畳み込みニューラルネットワークに基づく深層学習モデルである障害分析モデルを利用して、前記デジタル信号波形図の電圧値を含む特徴情報を識別するように、前記デジタル信号波形図に対して特徴識別を行うステップと、
識別された特徴情報と前記ユーザ端末のUSBハードウェアモジュールを含む障害ハードウェアモジュール及び断線障害を含む障害タイプを含む障害タイプデータベース中の既知の前記障害ハードウェアモジュール及び障害タイプに対応する特徴情報とを比較するステップと、
比較結果により、前記デジタル信号波形図の特徴情報に対応する前記障害ハードウェアモジュールと、前記障害ハードウェアモジュールの障害タイプを出力するステップと、
を実行させ、
前記障害分析モデルの構築は、
既知の前記障害ハードウェアモジュール及び前記障害ハードウェアモジュールの障害タイプに対応する前記デジタル信号波形図であるデジタル信号サンプル波形図を複数取得するステップと、
複数の前記デジタル信号サンプル波形図をトレーニングセットと検証セットに分けるステップと、
畳み込みニューラルネットワークに基づく深層学習モデルを確立し、前記トレーニングセットを使用して深層学習モデルをトレーニングするステップと、
トレーニング済みの深層学習モデルを使用して前記検証セットの前記デジタル信号波形図を識別し、識別された特徴情報と前記トレーニングセットの特徴情報と比較して、トレーニング済みの深層学習モデルに対して検証を行い、各検証結果によりモデル予測精度を取得するステップと、
前記モデル予測精度が予め設定されたしきい値より小さいかどうかを判断するステップと、
前記モデル予測精度が予め設定されたしきい値以上である場合、トレーニング済みの前記深層学習モデルを前記障害分析モデルとして使用するステップと、を含むことを特徴とするユーザ端末ハードウェア検出方法。 - 前記モデル予測精度が予め設定されたしきい値より小さいかどうかを判断するステップの後、さらに、
前記モデル予測精度が予め設定されたしきい値より小さい場合、前記深層学習モデルの畳み込みカーネルの数、プーリング層の要素の数、および全結合層の要素の数の少なくとも1つを含んでいるパラメーターを調整し、前記トレーニングセットを使用して調整済みの前記深層学習モデルを再トレーニングし、
再トレーニングされた前記深層学習モデルを使用して前記検証セットの前記デジタル信号波形図を識別し、識別された特徴情報と前記トレーニングセットの特徴情報と比較して、再トレーニング済みの前記深層学習モデルに対して検証を行い、各検証結果により前記モデル予測精度を取得し、前記モデル予測精度が予め設定されたしきい値より小さいかどうかを判断し、
前記モデル予測精度が前記予め設定されたしきい値以上である場合、再トレーニング済の前記深層学習モデルを前記障害分析モデルとし、
前記モデル予測精度が予め設定されたしきい値より小さい場合、前記検証セットの検証によって取得された前記モデル予測精度が予め設定されたしきい値以上になるまで、上記のステップを繰り返することを特徴とする請求項1に記載のユーザ端末ハードウェア検出方法。 - 前記障害タイプデータベースの構築は、
既知の前記障害ハードウェアモジュールと前記障害タイプの前記デジタル信号波形図をデジタル特徴マトリックスに変換し、次に前記デジタル特徴マトリックスをトレーニング済みの前記障害分析モデルに導入するステップと、
前記デジタル特徴マトリックスに対して特徴フィッティングを行うことにより、既知の前記障害ハードウェアモジュール及び前記障害タイプに対応する特徴情報を取得するステップと、
既知の前記障害ハードウェアモジュール及び前記障害タイプと、取得された前記特徴情報とをマッピング関係を確立し、前記障害タイプデータベースに記憶するステップとを含むことを特徴とする請求項1に記載のユーザ端末ハードウェア検出方法。 - オシロスコープによってユーザ端末のハードウェアモジュールの電圧の変化状況を示すデジタル信号波形図を取得する取得モジュールと、
畳み込みニューラルネットワークに基づく深層学習モデルである障害分析モデルを利用して、前記デジタル信号波形図の電圧値を含む特徴情報を識別するように、前記デジタル信号波形図に対して特徴識別を行う識別モジュールと、
識別された特徴情報と前記ユーザ端末のUSBハードウェアモジュールを含む障害ハードウェアモジュール及び断線障害を含む障害タイプを含む障害タイプデータベース中の既知の前記障害ハードウェアモジュール及び障害タイプに対応する特徴情報とを比較する比較モジュールと、
比較結果により、前記デジタル信号波形図の特徴情報に対応する前記障害ハードウェアモジュール及び前記障害ハードウェアモジュールの障害タイプを出力する出力モジュールと、
を含む、
前記障害分析モデルの構築は、
既知の前記障害ハードウェアモジュール及び前記障害ハードウェアモジュールの障害タイプに対応する前記デジタル信号波形図であるデジタル信号サンプル波形図を複数取得するステップと、
複数の前記デジタル信号サンプル波形図をトレーニングセットと検証セットに分けるステップと、
畳み込みニューラルネットワークに基づく深層学習モデルを確立し、前記トレーニングセットを使用して深層学習モデルをトレーニングするステップと、
トレーニング済みの深層学習モデルを使用して前記検証セットの前記デジタル信号波形図を識別し、識別された特徴情報と前記トレーニングセットの特徴情報と比較して、トレーニング済みの深層学習モデルに対して検証を行い、各検証結果によりモデル予測精度を取得するステップと、
前記モデル予測精度が予め設定されたしきい値より小さいかどうかを判断するステップと、
前記モデル予測精度が予め設定されたしきい値以上である場合、トレーニング済みの前記深層学習モデルを前記障害分析モデルとして使用するステップと、を含むことを特徴とするユーザ端末ハードウェア検出装置。 - プロセッサを含むコンピュータ装置であって、
前記プロセッサはメモリに記憶されたコンピュータプログラムを実行することにより、請求項1から3のいずれか1項に記載のユーザ端末ハードウェア検出方法を実現することを特徴とするコンピュータ装置。 - コンピュータプログラムが記憶されたコンピュータ記憶媒体であって、
前記コンピュータプログラムはプロセッサによって実行されることにより、請求項1から3のいずれか1項のユーザ端末ハードウェア検出方法を実現することを特徴とするコンピュータ記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910466019.8 | 2019-05-30 | ||
CN201910466019.8A CN112015603A (zh) | 2019-05-30 | 2019-05-30 | 用户终端硬件检测方法、装置、计算机装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020198075A JP2020198075A (ja) | 2020-12-10 |
JP7377695B2 true JP7377695B2 (ja) | 2023-11-10 |
Family
ID=73500464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019229349A Active JP7377695B2 (ja) | 2019-05-30 | 2019-12-19 | ユーザ端末ハードウェア検出方法、装置、コンピュータ装置、および記憶媒体 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11256974B2 (ja) |
JP (1) | JP7377695B2 (ja) |
CN (1) | CN112015603A (ja) |
TW (1) | TW202046107A (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7481902B2 (ja) * | 2020-05-21 | 2024-05-13 | 株式会社日立製作所 | 管理計算機、管理プログラム、及び管理方法 |
CN112561079A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 分布式的模型训练装置、方法及计算机程序产品 |
US20230051895A1 (en) * | 2021-08-12 | 2023-02-16 | The Boeing Comppany | Method of in-process detection and mapping of defects in a composite layup |
CN113660137B (zh) * | 2021-08-13 | 2024-03-22 | 杭州安恒信息技术股份有限公司 | 车载网络故障检测方法、装置、可读存储介质及电子设备 |
CN113674750B (zh) * | 2021-08-19 | 2023-11-03 | 上海哔哩哔哩科技有限公司 | 数据处理方法及装置 |
CN113914850B (zh) * | 2021-10-21 | 2023-09-26 | 辽宁弘毅科技有限公司 | 一种基于模型的抽油机井综合测试仪故障诊断方法和*** |
CN114330413A (zh) * | 2021-11-25 | 2022-04-12 | 中车永济电机有限公司 | 牵引电机轴承的故障类型辨识及定位方法 |
CN114221887A (zh) * | 2021-12-15 | 2022-03-22 | 山西大学 | 一种网络安全监控***和方法 |
CN114741258B (zh) * | 2022-04-07 | 2023-04-11 | 中咨数据有限公司 | 一种基于大数据的计算机性能控制分析***及方法 |
CN115430347B (zh) * | 2022-07-14 | 2024-04-19 | 上海荣美农业科技有限公司 | 控制器、搅拌设备、控制方法及计算机可读存储介质 |
CN116359642B (zh) * | 2023-03-10 | 2024-01-23 | 湖南金烽信息科技有限公司 | 一种变压器运行状态5g智能监测***与方法 |
CN116434685B (zh) * | 2023-04-27 | 2023-12-08 | 江苏锦花电子股份有限公司 | 一种基于大数据的液晶屏异常显示监管***及方法 |
CN117292576A (zh) * | 2023-10-10 | 2023-12-26 | 漳州建源电力工程有限公司 | 基于物联网的充电车位管理***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003098226A (ja) | 2001-09-25 | 2003-04-03 | Fuji Xerox Co Ltd | プリント基板故障判定方法 |
JP2004287673A (ja) | 2003-03-20 | 2004-10-14 | Fuji Xerox Co Ltd | 故障診断システム、情報処理装置に使用される接続デバイス、プログラム |
JP2011134329A (ja) | 2009-12-23 | 2011-07-07 | Intel Corp | プロセッサ・アーキテクチャ・モデルを効率的に生成するための方法及び装置 |
CN107560506A (zh) | 2016-06-30 | 2018-01-09 | 南京理工大学 | 对地无线电引信全弹道仿真*** |
CN107993538A (zh) | 2017-12-30 | 2018-05-04 | 中国人民解放军陆军军事交通学院镇江校区 | 电路检测维修技能训练考核*** |
CN109579220A (zh) | 2018-10-15 | 2019-04-05 | 平安科技(深圳)有限公司 | 空调***故障检测方法、装置、电子设备 |
US20200233397A1 (en) | 2019-01-23 | 2020-07-23 | New York University | System, method and computer-accessible medium for machine condition monitoring |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5678028A (en) * | 1994-10-25 | 1997-10-14 | Mitsubishi Electric Information Technology Center America, Inc. | Hardware-software debugger using simulation speed enhancing techniques including skipping unnecessary bus cycles, avoiding instruction fetch simulation, eliminating the need for explicit clock pulse generation and caching results of instruction decoding |
-
2019
- 2019-05-30 CN CN201910466019.8A patent/CN112015603A/zh active Pending
- 2019-06-17 TW TW108120956A patent/TW202046107A/zh unknown
- 2019-11-05 US US16/675,015 patent/US11256974B2/en active Active
- 2019-12-19 JP JP2019229349A patent/JP7377695B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003098226A (ja) | 2001-09-25 | 2003-04-03 | Fuji Xerox Co Ltd | プリント基板故障判定方法 |
JP2004287673A (ja) | 2003-03-20 | 2004-10-14 | Fuji Xerox Co Ltd | 故障診断システム、情報処理装置に使用される接続デバイス、プログラム |
JP2011134329A (ja) | 2009-12-23 | 2011-07-07 | Intel Corp | プロセッサ・アーキテクチャ・モデルを効率的に生成するための方法及び装置 |
CN107560506A (zh) | 2016-06-30 | 2018-01-09 | 南京理工大学 | 对地无线电引信全弹道仿真*** |
CN107993538A (zh) | 2017-12-30 | 2018-05-04 | 中国人民解放军陆军军事交通学院镇江校区 | 电路检测维修技能训练考核*** |
CN109579220A (zh) | 2018-10-15 | 2019-04-05 | 平安科技(深圳)有限公司 | 空调***故障检测方法、装置、电子设备 |
US20200233397A1 (en) | 2019-01-23 | 2020-07-23 | New York University | System, method and computer-accessible medium for machine condition monitoring |
Also Published As
Publication number | Publication date |
---|---|
US20200380337A1 (en) | 2020-12-03 |
CN112015603A (zh) | 2020-12-01 |
US11256974B2 (en) | 2022-02-22 |
TW202046107A (zh) | 2020-12-16 |
JP2020198075A (ja) | 2020-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7377695B2 (ja) | ユーザ端末ハードウェア検出方法、装置、コンピュータ装置、および記憶媒体 | |
CN111881991B (zh) | 一种识别欺诈的方法、装置及电子设备 | |
CN107612938A (zh) | 一种网络用户异常行为检测方法、装置、设备及存储介质 | |
WO2019227641A1 (zh) | 一种应用程序测试方法、装置、终端设备及介质 | |
CN109784369A (zh) | H5页面测试方法与装置、电子设备、存储介质 | |
US20220222799A1 (en) | Method for detecting defect in products and electronic device using method | |
JPWO2017115458A1 (ja) | ログ分析システム、方法およびプログラム | |
CN113505272B (zh) | 基于行为习惯的控制方法和装置、电子设备和存储介质 | |
CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
TWI830815B (zh) | 使用者終端故障檢測方法、裝置、電腦裝置及存儲介質 | |
WO2024099359A1 (zh) | 语音检测的方法和装置、电子设备和存储介质 | |
CN111130828A (zh) | 一种智能配网方法、装置及终端设备 | |
CN111585830A (zh) | 一种用户行为分析方法、装置、设备及存储介质 | |
CN111626498A (zh) | 设备运行状态预测方法、装置、设备及存储介质 | |
US20220058530A1 (en) | Method and device for optimizing deep learning model conversion, and storage medium | |
US11527058B2 (en) | Data generating method, and computing device and non-transitory medium implementing same | |
Cook et al. | Estimation of conditional power for cluster-randomized trials with interval-censored endpoints | |
CN110008907B (zh) | 一种年龄的估计方法、装置、电子设备和计算机可读介质 | |
CN110956129A (zh) | 用于生成人脸特征向量的方法、装置、设备和介质 | |
CN113743427B (zh) | 图像识别方法、装置、计算机装置及存储介质 | |
US20220215247A1 (en) | Method and device for processing multiple modes of data, electronic device using method, and non-transitory storage medium | |
CN114143049B (zh) | 异常流量检测方法、装置、存储介质以及电子设备 | |
TW202127327A (zh) | 資料生成方法、裝置、電腦裝置及存儲介質 | |
CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
CN110928788B (zh) | 服务验证方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220127 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230322 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230621 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231010 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231030 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7377695 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |