【技术实现步骤摘要】
本申请涉及机器学习，具体而言，涉及一种通讯故障预测方法、装置、设备及存储介质。
技术介绍
1、工业生产中一些通讯设备(例如ate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：人为故障，电机的电气故障、控制故障和机械故障等由于时间、温度等原因造成的故障，这些故障都可能导致流程中断，甚至影响整个生产测试流程。因此，故障的提前预测和分类对于工业安全具有重要意义。
2、目前，现在的通讯故障检测还未涉及到预测领域，而通过对设备进行连续在线的状态监测及数据分析，诊断并预测设备故障的发展趋势，可以提前制定预测性维护计划并实施检维修行为，有效地避免“过剩维修”，防止因不必要的解体拆卸、更换零部件等；也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，同时合理预估机械部件的剩余寿命，使设备在保证安全的情况下合理超期服役。所以综上所述，可以说实施预测性维护是提高设备管理水平的必经之路，也是必然趋势。
技术实现思路
1、有鉴于此，本申请实施例的目的在于提供一种通讯故障预测方法、装置、设备及存储介质，通过采集待预测设备的通讯特征数据输入到构建模型中进行故障预测，构建模型的过程可以是：将采集到的故障特征值首先进行特征提取之后加以机器学习分类(例如：支持向量机)训练；在特征提取部分，使用主成分分析法进行特征提取，提取出的前面若干个主成分，其携带了原始数据的大部分信息，消除相互叠加部分的信息，在总的信息量维持不变的前提下重新分配原变量的变化信息；在特征分类部分，使用支持向量机
2、第一方面，本申请实施例提供一种通讯故障预测方法，所述方法包括：采集待预测设备运行时间段产生的通讯特征数据；将所述通讯特征数据输入构建的故障预测模型进行预测，以获得所述待预测设备的通讯故障类型；其中，所述故障预测模型通过对通讯故障特征数据特征提取后，进行数据挖掘构建模型获得。
3、在上述实现过程中，通过将采集到的故障特征值进行特征提取之后加以机器学习分类训练构建故障预测模型，并采集待预测设备运行不同时段的通讯特征数据输入到构建的故障预测模型中进行故障预测，能够达到根据设备运行不同时段获取的物理量数据预测通讯设备通讯故障的目的，填补了现有技术通讯故障预测的空白，提高了故障预测的准确性。
4、可选地，所述故障预测模型的构建方式，包括：获取待预测设备在运行时间段和报修时间段的通讯故障特征数据；对所述通讯故障特征数据进行特征提取，获得目标特征子集；其中，所述特征子集中的特征与通讯故障类型强相关，且特征之间互不相关；对所述目标特征子集进行分类；对分类后的目标特征子集进行回归拟合，获得故障预测模型。
5、在上述实现过程中，通过对待预测设备已产生故障的通讯特征数据进行特征提取、分类学习、回归拟合构建故障预测模型，相比直接应用原始数据的分类器构建模型，基于特征选择数据集的分类器构建模型总体上提高了准确性。
6、可选地，所述对所述通讯故障特征数据进行特征提取，获得目标特征子集，包括：对所述通讯故障特征数据进行初提取，获得待预测设备的通讯特征；对所述通讯特征进行二次提取，获得特定信号特征集；其中，所述特定信号特征与通讯故障类型相关；采用主成分分析法对所述特定信号特征集进行终提取，获得目标特征子集。
7、在上述实现过程中，通过对通讯故障特征数据进行初提取、二次提取、终提取，将特征从与通讯故障类型相关逐步筛选到强相关，提高了特征提取的针对性、故障预测的准确率。
8、可选地，所述采用主成分分析法对所述特定信号特征集进行终提取，获得目标特征子集，包括：基于特定信号特征集，构建特征矩阵；其中，所述特定信号特征集包括：n组时域的信号特征和频域的信号特征，n为正整数；将所述特征矩阵的每一行进行零均值化，获得协方差矩阵；根据所述协方差矩阵的特征值的大小，对所述协方差矩阵的特征向量进行排序；取排列靠前的特征向量所组成的降维矩阵与所述特征矩阵的乘积，作为目标特征子集。
9、在上述实现过程中，通过采用主成分分析法进行特征提取和筛选，获得特征与通讯故障类型强相关的目标特征子集，提高了特征提取的针对性、故障预测的准确率。
10、可选地，所述对所述目标特征子集进行分类，包括：采用支持向量机算法求解所述目标特征子集的最优分类面；基于所述最优分类面作为分类条件，将所述目标特征子集输入至支持向量机分类器进行学习。
11、在上述实现过程中，通过采用支持向量机算法进行分类学习，提升了分类精度和运行速度。
12、可选地，所述对分类后的目标特征子集进行回归拟合，获得故障预测模型，包括：将分类后的特征子集确定为输入变量；使用最小二乘法或梯度下降法计算所述输入变量的输出系数；根据所述输入变量和所述输出系数进行回归拟合，获得故障预测模型。
13、在上述实现过程中，通过对分类后的特征子集进行回归拟合，得到故障预测模型，提升了模型预测性能。
14、可选地，所述待预测设备包括：ate自动化测试设备；所述通讯故障类型包括：上位机通讯链路异常、资源板异常、测试机通讯异常和信息交互错误。
15、在上述实现过程中，通过选择ate自动化测试设备和四种常见的故障类型进行故障预测，缩短了人工定位问题的耗时，定位手段更加精准和快速，有效地提高了ate设备的安全性和可靠性。
16、第二方面，本申请实施例提供了一种通讯故障预测装置，所述装置包括：采集特征模块，用于采集待预测设备运行时间段产生的通讯特征数据；故障预测模块，用于将所述通讯特征数据输入构建的故障预测模型进行预测，以获得所述待预测设备的通讯故障类型；其中，所述故障预测模型通过对通讯故障特征数据特征提取后，进行数据挖掘构建模型获得。
17、第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行上述的方法的步骤。
18、第四方面，本申请实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
19、为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种通讯故障预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述故障预测模型的构建方式，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述通讯故障特征数据进行特征提取，获得目标特征子集，包括：
4.根据权利要求3所述的方法，其特征在于，所述采用主成分分析法对所述特定信号特征集进行终提取，获得目标特征子集，包括：
5.根据权利要求2所述的方法，其特征在于，所述对所述目标特征子集进行分类，包括：
6.根据权利要求2所述的方法，其特征在于，所述对分类后的目标特征子集进行回归拟合，获得故障预测模型，包括：
7.根据权利要求1-6任一所述的方法，其特征在于，所述待预测设备包括：ATE自动化测试设备；所述通讯故障类型包括：上位机通讯链路异常、资源板异常、测试机通讯异常和信息交互错误。
8.一种通讯故障预测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。
...【技术特征摘要】
1.一种通讯故障预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述故障预测模型的构建方式，包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述通讯故障特征数据进行特征提取，获得目标特征子集，包括：
4.根据权利要求3所述的方法，其特征在于，所述采用主成分分析法对所述特定信号特征集进行终提取，获得目标特征子集，包括：
5.根据权利要求2所述的方法，其特征在于，所述对所述目标特征子集进行分类，包括：
6.根据权利要求2所述的方法，其特征在于，所述对分类后的目标特征子集进行回归拟合，获得故障预测模型，包括：<...
【专利技术属性】
技术研发人员：徐永刚，孙成思，何瀚，王灿，谭尚庚，刘昆奇，
申请(专利权)人：成都态坦测试科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。