故障复现方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本发明专利技术提供一种故障复现方法、装置、电子设备及计算机可读存储介质。所述方法包括：获取终端设备出现故障时的运行数据；对所述运行数据进行故障信息特征提取，获取训练样本集和测试样本集；应用随机森林学习模型对所述训练样本进行训练，建立故障分析模型；应用随机森林学习算法，将所述测试样本输入所述故障分析模型进行分析，获取故障复现结果。本发明专利技术能够节省测试时间，降低测试成本。降低测试成本。降低测试成本。

【技术实现步骤摘要】
故障复现方法、装置、电子设备及计算机可读存储介质


[0001]本专利技术涉及终端测试
，尤其涉及一种故障复现方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]目前，手机等终端设备在出厂前必须经过各项指标的测试验证，在充分暴露问题的基础上进一步解决问题。终端设备在设计、加工和工艺方面可能会存在各种缺陷，有些缺陷是小概率发生事件。但是，为了避免将来产生重大影响或者事故，必须通过问题复现的方式，将问题查找出来，并分析解决。
[0003]现有技术主要通过终端设备中预设的运行程序进行不间断运行的方式进行测试，直到运行出错才对所遇到的问题进行分析处理，这样会占用大量设备的使用时间，必然会提高工作成本，甚至会造成不必要的浪费，而且无法满足过程复杂性的要求。另外，手机等终端设备测试过程出现多个故障并存的现象时有发生，需要人工协助分层级的进行分析，分析过程将花费大量的时间，增加了测试成本。

技术实现思路

[0004]本专利技术提供的故障复现方法、装置、电子设备及计算机可读存储介质，能够节省测试时间，降低测试成本。
[0005]第一方面，本专利技术提供一种故障复现方法，所述方法包括：
[0006]获取终端设备出现故障时的运行数据；
[0007]对所述运行数据进行故障信息特征提取，获取训练样本集和测试样本集；
[0008]应用随机森林学习模型对所述训练样本进行训练，建立故障分析模型；
[0009]应用随机森林学习算法，将所述测试样本输入所述故障分析模型进行分析，获取故障复现结果。
[0010]可选地，所述对所述运行数据进行故障信息特征提取，获取训练样本集和测试样本集包括：
[0011]采用信息熵方法对所述运行数据进行特征提取，构造故障特征向量，随机分配训练样本集和测试样本集。
[0012]可选地，所述应用随机森林学习算法，将所述测试样本输入所述故障分析模型进行分析，获取故障复现结果包括：
[0013]利用Bootstrap方法重采样，随机产生新的训练样本集，并由此生成多棵分类决策树；
[0014]在每棵分类决策树内部节点多个属性中随机选择部分属性作为当前节点的分裂属性集，然后以其中最优的一个属性对该节点进行分裂；
[0015]使每棵分类决策树保持最大限度地成长；
[0016]将生成的多棵分类决策树组成随机森林，对测试样本进行测试，得到对应的类别
结果；
[0017]投票决策，将所述多棵分类决策树中输出最多的类别作为测试样本集所属的类别。
[0018]可选地，所述利用Bootstrap方法重采样，随机产生新的训练样本集包括：
[0019]从原始训练样本集中每次有放回地随机抽取一个样本，抽取的次数与原始训练样本集中样本的个数相同，生成新的训练样本集。
[0020]可选地，在所述应用随机森林学习算法，将所述测试样本输入所述故障分析模型进行分析，获取故障复现结果之后，所述方法还包括：
[0021]根据所述故障复现结果，分析判断故障问题的根源，并存储相关信息。
[0022]第二方面，本专利技术提供一种故障复现装置，所述装置包括：
[0023]数据获取单元，用于获取终端设备出现故障时的运行数据；
[0024]特征提取单元，用于对所述运行数据进行故障信息特征提取，获取训练样本集和测试样本集；
[0025]模型构建单元，用于应用随机森林学习模型对所述训练样本进行训练，建立故障分析模型；
[0026]分析单元，用于应用随机森林学习算法，将所述测试样本输入所述故障分析模型进行分析，获取故障复现结果。
[0027]可选地，所述特征提取单元，还用于采用信息熵方法对所述运行数据进行特征提取，构造故障特征向量，随机分配训练样本集和测试样本集。
[0028]可选地，所述分析单元包括：
[0029]生成模块，用于利用Bootstrap方法重采样，随机产生新的训练样本集，并由此生成多棵分类决策树；
[0030]分裂模块，用于在每棵树内部节点多个属性中随机选择部分属性作为当前节点的分裂属性集，然后以其中最优的一个属性对该节点进行分裂；
[0031]生长模块，用于使每棵树保持最大限度地生长；
[0032]测试模块，用于将生成的多棵分类决策树组成随机森林，对测试样本进行测试，得到对应的类别结果；
[0033]决策模块，用于投票决策，将所述多棵分类决策树中输出最多的类别作为测试样本集所属的类别。
[0034]第三方面，本专利技术提供一种电子设备，所述电子设备包括：
[0035]至少一个处理器；以及
[0036]与所述至少一个处理器通信连接的存储器；其中，
[0037]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上述故障复现方法。
[0038]第四方面，本专利技术提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现上述故障复现方法。
[0039]本专利技术实施例提供的故障复现方法、装置、电子设备及计算机可读存储介质，采用信息熵方法对终端设备出现故障时的运行数据进行特征提取，作为随机森林学习模型决策树的输入变量，应用随机森林学习模型对所述训练样本进行训练，建立故障分析模型，应用
随机森林学习算法，将所述测试样本输入所述故障分析模型进行分析，获取故障复现结果。从而能够通过算法模型将终端设备运行中的偶发故障进行快速定位，进而节省测试时间，降低测试成本。
附图说明
[0040]图1为本专利技术一实施例故障复现方法的流程图；
[0041]图2为本专利技术实施例提供的随机森林算法的流程图；
[0042]图3为本专利技术一实施例故障复现装置的结构示意图。
具体实施方式
[0043]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0044]在产品开发过程中，手机等通信产品在进行SMT(Surface Mounted Technology，表面贴装技术)贴片之后，硬件电路和运行软件一般会存在一定的参数异常以及数据偏差等问题，由于出现的问题存在一定的偶然性，甚至出现小概率事件，为了快速复现故障问题的具体信号，保障每个产品的性能，防止概率事件对产品质量造成重大影响，本专利技术实施例采用仪器设备对手机等终端设备各项参数指标进行在线监测。由于概率性故障状态的识别是故障分析过程中最重要的环节，对于手机等终端设备故障复现分析系统中，提取有效的故障信息特征是构造测试集和样本集的前提，对后续快速复现问题的可靠性和准确度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障复现方法，其特征在于，所述方法包括：获取终端设备出现故障时的运行数据；对所述运行数据进行故障信息特征提取，获取训练样本集和测试样本集；应用随机森林学习模型对所述训练样本进行训练，建立故障分析模型；应用随机森林学习算法，将所述测试样本输入所述故障分析模型进行分析，获取故障复现结果。2.根据权利要求1所述的方法，其特征在于，所述对所述运行数据进行故障信息特征提取，获取训练样本集和测试样本集包括：采用信息熵方法对所述运行数据进行特征提取，构造故障特征向量，随机分配训练样本集和测试样本集。3.根据权利要求1或2所述的方法，其特征在于，所述应用随机森林学习算法，将所述测试样本输入所述故障分析模型进行分析，获取故障复现结果包括：利用Bootstrap方法重采样，随机产生新的训练样本集，并由此生成多棵分类决策树；在每棵分类决策树内部节点多个属性中随机选择部分属性作为当前节点的分裂属性集，然后以其中最优的一个属性对该节点进行分裂；使每棵分类决策树保持最大限度地成长；将生成的多棵分类决策树组成随机森林，对测试样本进行测试，得到对应的类别结果；投票决策，将所述多棵分类决策树中输出最多的类别作为测试样本集所属的类别。4.根据权利要求3所述的方法，其特征在于，所述利用Bootstrap方法重采样，随机产生新的训练样本集包括：从原始训练样本集中每次有放回地随机抽取一个样本，抽取的次数与原始训练样本集中样本的个数相同，生成新的训练样本集。5.根据权利要求1至4任一项所述的方法，其特征在于，在所述应用随机森林学习算法，将所述测试样本输入所述故障分析模型进行分析，获取故障复现结果之后，所述方法还包括：根据所述故障复现结果，分析判断故障问题的根源，并存储相关信...

【专利技术属性】
技术研发人员：刘连，张杰，
申请(专利权)人：展讯通信上海有限公司，
类型：发明
国别省市：