室內分布系統的故障推理方法及裝置與流程
2023-05-09 16:20:52
本發明實施例涉及通信技術領域,尤其涉及一種室內分布系統的故障推理方法及裝置。
背景技術:
隨著科學技術的快速發展,通信網絡的應用越來越普及,智能終端已逐漸成為人民群眾日常生活中廣泛使用的一種現代化通信工具,同時廣大移動用戶對移動通信服務質量的要求也越來越高,他們已不再單單滿足於良好的室外移動通信服務,而且也要求在室內(特別是星級酒店、大型商場、高級寫字樓等)能享受優質的移動通信服務,進而對室內分布系統的應用提出了較高要求。
現有技術中,在室內分布系統出現故障時,檢測室內分布系統故障的主要方式為人為現場檢測,這樣使得對室內分布系統的故障推理完全憑藉工程師個人經驗。
然而,現有技術中,通過人為現場檢測並分析室內分布系統所出現的故障,檢測效率低,工作量大,耗費大量人力物力,並且,對室內分布系統隱性故障原因分析困難,即使藉助儀器儀表仍不能有效判別,使得故障原因經常被淹沒,降低了故障檢測的準確可靠性。
技術實現要素:
本發明實施例提供了一種室內分布系統的故障推理方法及裝置,可以有效對室內分布系統所出現的故障進行快速檢測並分析,有效地提高了對室內分析系統的故障進行檢測的效率和準確率,並且降低了人力物力。
本發明實施例的一方面提供了一種室內分布系統的故障推理方法,包括:
在確定室內分布系統出現故障後,在預設的採集周期內獲取所述室內分布系統所在區域的多個特徵參數向量;
利用多個預設的神經網絡分類器對多個所述特徵參數向量進行分析處理,獲得多個分析結果;
在所述多個分析結果中確定分析結果數值最大的神經網絡分類器,並根據所述神經網絡分類器確定所述室內分布系統的故障原因信息。
如上所述的方法,所述在預設的採集周期內獲取所述室內分布系統所在區域的多個特徵參數向量,具體包括:
在預設的採集周期內獲取所述室內分布系統所在區域的多個特徵數據;
根據所述多個特徵數據確定在所述多個特徵數據中的最大特徵數據和最小特徵數據;
根據所述特徵數據、最大特徵數據和最小特徵數據確定與所述特徵數據相對應的特徵參數向量。
如上所述的方法,根據所述特徵數據、最大特徵數據和最小特徵數據確定與所述特徵數據相對應的特徵參數向量,具體包括:
根據公式對所述特徵數據進行歸一化處理,獲得與所述特徵數據相對應的處理後特徵數據,其中,Min為最小特徵數據,Max為最大特徵數據,x為特徵數據,y為處理後特徵數據;
根據特徵數據x和處理後特徵數據y確定與所述特徵數據x相對應的所述特徵參數向量。
如上所述的方法,所述神經網絡分類器個數與所述特徵參數向量個數相同且一一對應;利用多個預設的神經網絡分類器對多個所述特徵參數向量進行分析處理,獲得多個分析結果,具體包括:
所述神經網絡分類器利用預設的標準向量機函數對所述特徵參數向量進行訓練,獲得多個訓練結果。
如上所述的方法,所述根據所述神經網絡分類器確定所述室內分布系統的故障原因信息,具體包括:
若所述神經網絡分類器的分析結果大於預設的閾值時,則確定所述室內分布系統的故障原因信息為預先設置的與該神經網絡分類器所對應的故障原因集合;或者,
若所述神經網絡分類器的分析結果小於或等於預設的閾值時,則根據用戶經驗確定所述室內分布系統的故障原因信息。
如上所述的方法,在獲得多個訓練結果之後,所述方法還包括:
對所述訓練結果進行分析處理,獲得向量機判別函數;
根據所述向量機判別函數判斷是否對與所述向量機判別函數所對應的故障信息進行學習。
如上所述的方法,根據所述向量機判別函數判斷是否對與所述向量機判別函數所對應的故障信息進行學習,具體包括:
若基於所述特徵數據下的所述向量機判別函數大於0,則確認對該所述特徵數據所對應的故障信息進行學習,和/或,根據所述特徵數據所對應的故障信息更新所述神經網絡分類器;或者,
若基於所述特徵數據下的所述向量機判別函數小於或等於0,則直接獲取預先存儲的與該所述特徵數據相對應的故障信息。
本發明實施例的另一方面提供了一種室內分布系統的故障推理裝置,包括:
獲取模塊,用於在確定室內分布系統出現故障後,在預設的採集周期內獲取所述室內分布系統所在區域的多個特徵參數向量;
分析模塊,用於利用多個預設的神經網絡分類器對多個所述特徵參數向量進行分析處理,獲得多個分析結果;
故障確定模塊,用於在所述多個分析結果中確定分析結果數值最大的神經網絡分類器,並根據所述神經網絡分類器確定所述室內分布系統的故障原因信息。
如上所述的裝置,所述獲取模塊,具體用於:
在預設的採集周期內獲取所述室內分布系統所在區域的多個特徵數據;
根據所述多個特徵數據確定在所述多個特徵數據中的最大特徵數據和最小特徵數據;
根據所述特徵數據、最大特徵數據和最小特徵數據確定與所述特徵數據相對應的特徵參數向量。
如上所述的裝置,所述獲取模塊,具體用於:
根據公式對所述特徵數據進行歸一化處理,獲得與所述特徵數據相對應的處理後特徵數據,其中,Min為最小特徵數據,Max為最大特徵數據,x為特徵數據,y為處理後特徵數據;
根據特徵數據x和處理後特徵數據y確定與所述特徵數據x相對應的所述特徵參數向量。
如上所述的裝置,所述神經網絡分類器個數與所述特徵參數向量個數相同且一一對應;所述分析模塊,具體用於:
所述神經網絡分類器利用預設的標準向量機函數對所述特徵參數向量進行訓練,獲得多個訓練結果。
如上所述的裝置,所述故障確定模塊,具體用於:
若所述神經網絡分類器的分析結果大於預設的閾值時,則確定所述室內分布系統的故障原因信息為預先設置的與該神經網絡分類器所對應的故障原因集合;或者,
若所述神經網絡分類器的分析結果小於或等於預設的閾值時,則根據用戶經驗確定所述室內分布系統的故障原因信息。
如上所述的裝置,所述獲取模塊,還用於在獲得多個訓練結果之後,對所述訓練結果進行分析處理,獲得向量機判別函數;
所述裝置還包括:
學習模塊,用於根據所述向量機判別函數判斷是否對與所述向量機判別函數所對應的故障信息進行學習。
如上所述的裝置,所述學習模塊,具體用於:
若基於所述特徵數據下的所述向量機判別函數大於0,則確認對該所述特徵數據所對應的故障信息進行學習,和/或,根據所述特徵數據所對應的故障信息更新所述神經網絡分類器;或者,
若基於所述特徵數據下的所述向量機判別函數小於或等於0,則直接獲取預先存儲的與該所述特徵數據相對應的故障信息。
本發明提供的室內分布系統的故障推理方法及裝置,通過獲得特徵參數向量,通過該神經網絡分類器對特徵參數向量進行分析,確定分析結果數值最大的神經網絡分類器,從而根據該神經網絡分類器即可確定室內分布系統的故障原因信息,可以有效對室內分布系統所出現的故障進行快速檢測並分析,有效地提高了對室內分析系統的故障進行檢測的效率和準確率,並且降低了人力物力,提高了該故障推理方法的實用性,有利於市場的推廣與應用。
附圖說明
圖1為本發明一實施例提供的一種室內分布系統的故障推理方法的流程示意圖;
圖2為本發明另一實施例提供的一種室內分布系統的故障推理方法的流程示意圖;
圖3為本發明又一實施例提供的一種室內分布系統的故障推理方法的流程示意圖;
圖4為本發明再一實施例提供的一種室內分布系統的故障推理方法的流程示意圖;
圖5為本發明一實施例提供的一種室內分布系統的故障推理裝置的結構示意圖。
圖中,
1、獲取模塊; 2、分析模塊;
3、故障確定模塊; 4、學習模塊。
具體實施方式
下面結合附圖和實施例,對本發明的具體實施方式作進一步詳細描述。以下實例用於說明本發明,但不用來限制本發明的範圍。
圖1為本發明一實施例提供的一種室內分布系統的故障推理方法的流程示意圖;圖2為本發明另一實施例提供的一種室內分布系統的故障推理方法的流程示意圖;圖4為本發明再一實施例提供的一種室內分布系統的故障推理方法的流程示意圖;參考附圖1-2、4可知,本實施例提供了一種室內分布系統的故障推理方法,用於快速查找並檢測室內分布系統的故障信息,具體的,該故障推理方法包括:
S101:在確定室內分布系統出現故障後,在預設的採集周期內獲取室內分布系統所在區域的多個特徵參數向量;
室內分析系統的工作狀態與多個參數有關,例如:室內分布系統的覆蓋性能、幹擾水平、硬體性能以及工程設計等因素,以上任意一個因素工作超出預設的標準預設範圍,均會造成室內分布系統出現故障,而在確定室內分布系統出現故障後,為了能夠快速查找到具體使得室內分布系統出現故障的故障信息,按照預設的採集周期獲取室內分布系統的所在區域的多個特徵參數向量,其中,採集周期可以為出現故障前的半個小時或者出現故障前的半個小時和出現故障後的半個小時等等,具體的,本領域技術人員可以根據具體的設計需求設置,另外,室內分布系統所在區域一般情況下是指室內分布系統所在小區或者所在工作樓等等;進一步的,將在預設的採集周期內獲取室內分布系統所在區域的多個特徵參數向量設置為具體包括:
S1011:在預設的採集周期內獲取室內分布系統所在區域的多個特徵數據;
特徵數據為與室內分布系統工作狀態有關的數據,其中包括與故障信息有關的特徵數據和與故障信息無關的特徵數據,例如:特徵數據可以包括:重疊覆蓋信息、覆蓋外洩信息、上下行不平衡比例信息、覆蓋空洞比例、下行信噪比信息、上行幹擾信息等;當室內分布系統出現故障的原因為幹擾水平,則可以確認上行幹擾信息和下行信噪比信息為與故障信息有關的特徵數據,其他數據為與故障信息無關的特徵數據。
另外,需要說明的是,由於在採集周期按照一定的採集頻率獲取到的特徵數據會比較多,因此,較為優選的,為了提高計算和分析的效率,將本實施例中所指的特徵數據為平均特徵數據;例如:採集周期為5個小時,採集頻率為1小時/次,假設所獲取的5個數據分別為10Mbytes、11Mbytes、10.5Mbytes、10.8Mbytes和11.3Mbytes,此時的上述5個數據均為平均數據,即為在第一個小時內進行平均業務流量為10Mbytes,依次類推。
S1012:根據多個特徵數據確定在多個特徵數據中的最大特徵數據和最小特徵數據;
由於上述數據為在採集周期內獲取的數據信息,那麼針對同一參數數據會包括多個特徵數據,將上述多個特徵數據進行分析比較,即可獲取多個特徵數據中的最大特徵數據和最小特徵數據。
S1013:根據特徵數據、最大特徵數據和最小特徵數據確定與特徵數據相對應的特徵參數向量。
進一步的,將根據特徵數據、最大特徵數據和最小特徵數據確定與特徵數據相對應的特徵參數向量設置為具體包括:
S10131:根據公式對特徵數據進行歸一化處理,獲得與特徵數據相對應的處理後特徵數據,其中,Min為最小特徵數據,Max為最大特徵數據,x為特徵數據,y為處理後特徵數據;其中,0≤y≤1。
S10132:根據特徵數據x和處理後特徵數據y確定與特徵數據x相對應的特徵參數向量。
其中,特徵參數向量由(x,y)構成,當獲取到特徵參數向量之後,可以對該特徵參數向量進行學習訓練,以便於確定室內分布系統的故障信息。
S102:利用多個預設的神經網絡分類器對多個特徵參數向量進行分析處理,獲得多個分析結果;
具體的,由於特徵參數向量數量為多個,因此,為了便於對多個特徵參數向量進行訓練學習,將對特徵參數向量進行訓練學習,將神經網絡分類器的個數設置為與特徵參數向量個數相同,使得一個特徵參數向量對應一個神經網絡分類器;其中,需要說明的是,神經網絡分類器為根據對歷史數據進行分析學習而建立的,在神經網絡分類器內存儲中預先確定的故障信息,其中,故障信息包括:故障類型以及所對應的故障原因等;因此,在利用多個預設的神經網絡分類器對多個特徵參數向量進行分析處理,獲得多個分析結果,具體包括:
S1021:神經網絡分類器利用多個預設的標準向量機函數對多個特徵參數向量進行訓練,獲得多個訓練結果。
本實施例中的標準向量機函數可以為其中,αi、yi和K(dj·di)為標準向量機因數,設特徵參數向量為而通過公式即可確認特徵參數向量其中,x為特徵數據,y為處理後特徵數據;當利用標準向量機函數對沙特正參數向量進行訓練時,即可獲得多個訓練結果。
S103:在多個分析結果中確定分析結果數值最大的神經網絡分類器,並根據神經網絡分類器確定室內分布系統的故障原因信息。
在獲取多個到多個分析結果時,激活區多個訓練結果時,對多個訓練結果進行分析對比,即可獲取多個訓練結果中數值最大的訓練結果,此時,即確定了分析結果數值最大的神經網絡分類器,此時,則說明該神經網絡分類器所對應的故障信息時室內分布系統的故障原因信息的概率最大,為了提高對室內分布系統的故障原因信息確定的準確可靠性,較為優選的,將根據神經網絡分類器確定室內分布系統的故障原因信息設置為具體包括:
S1031:若神經網絡分類器的分析結果大於預設的閾值時,則確定室內分布系統的故障原因信息為預先設置的與該神經網絡分類器所對應的故障原因集合;或者,
其中,閾值時用於判斷分析結果數值最大所對應的神經網絡分類器的故障原因是否為室內分布系統故障所對應的故障原因信息,當該神經網絡分類器的分析結果大於該閾值時,則可以基本確定該神經網絡分類器所對應的故障原因集合即為室內分布系統的故障原因信息,當然的,為了提高對室內分布系統的故障原因確定的準確可靠性,該方法還可以設置為包括:維護人員根據上述神經網絡分類器所對應的故障原因即可確定相應的故障點以及故障原因,維護人員可以到達故障點位置對相應設備進行檢測,判斷上述確認室內分布系統的故障原因信息是否準確。
S1032:若神經網絡分類器的分析結果小於或等於預設的閾值時,則根據用戶經驗確定室內分布系統的故障原因信息。
當該神經網絡分類器的分析結果小於或等於該閾值時,則說明此時神經網絡分類器所對應的故障原因集合不是室內分布系統的故障原因信息,而此時通過該方法也無法準確判斷室內分布系統的故障原因信息,因此,維護或者檢測人員可以根據用戶經驗確定室內分布系統的故障原因信息,以保證室內分布系統的故障原因信息確定的準確可靠性。
本實施例提供的室內分布系統的故障推理方法,通過獲得特徵參數向量,通過該神經網絡分類器對特徵參數向量進行分析,確定分析結果數值最大的神經網絡分類器,從而根據該神經網絡分類器即可確定室內分布系統的故障原因信息,可以有效對室內分布系統所出現的故障進行快速檢測並分析,有效地提高了對室內分析系統的故障進行檢測的效率和準確率,並且降低了人力物力,提高了該故障推理方法的實用性,有利於市場的推廣與應用。
圖3為本發明又一實施例提供的一種室內分布系統的故障推理方法的流程示意圖;在上述實施例的基礎上,繼續參考附圖1-4可知,本實施例在獲得多個訓練結果之後,將方法還包括:
S201:對訓練結果進行分析處理,獲得向量機判別函數;
其中,可以將判別函數設置為X為判別函數的輸入指,e和a為預設參數;在神經網絡分類器利用預設的標準向量機函數對特徵參數向量進行訓練,獲得多個訓練結果之後,為了提高神經網絡分類器的適用能力,根據訓練結果,可以獲得向量機判別函數,以實現對神經網絡分類器中不存在的故障信息(故障點和/或故障原因)進行補充學習。
S202:根據向量機判別函數判斷是否對與向量機判別函數所對應的故障信息進行學習。
具體的,將根據向量機判別函數判斷是否對與向量機判別函數所對應的故障信息進行學習設置為具體包括:
S2021:若基於特徵數據下的向量機判別函數大於0,則確認對該特徵數據所對應的故障信息進行學習,和/或,根據所述特徵數據所對應的故障信息更新所述神經網絡分類器;或者,
在獲取到向量機判別函數之後,可以將每個特徵數據帶入到向量機判斷函數中,進而可以獲得基於特徵數據下的向量機判斷函數值,然後將該向量機判斷函數值與0進行比較,若基於特徵數據下的向量機判斷函數大於0,即此時的向量機判斷函數值大於0,此時則說明對於該特徵數據所對應的神經網絡分類器中的故障信息還不完備,進而確定對該特徵數據所對應的故障信息進行學習,此時,可以看作是對神經網絡分類器進行了更新操作,使得神經網絡分類器中所對應的故障信息更加完備,以提高該神經網絡分類器對室內分布系統故障判別的準確可靠性。
S2022:若基於特徵數據下的向量機判別函數小於或等於0,則直接獲取預先存儲的與該特徵數據相對應的故障信息。
若基於特徵數據下的向量機判斷函數小於或等於0,即此時的向量機判斷函數值小於或等於0,此時則說明對於該特徵數據所對應的神經網絡分類器中的故障信息已經很完備,進而則直接獲取預先存儲的與該特徵數據相對應的故障信息,進而可以確定室內分布系統故障所對應的故障信息。
通過對訓練結果進行分析處理,獲得向量機判別函數,並根據向量機判別函數判斷是否對與向量機判別函數所對應的故障信息進行學習,有效地提高了神經網絡分類器的故障信息的完備性,使得利用神經網絡分類器對特徵參數向量進行分析訓練更加準確可靠,進一步提高了該故障推理方法使用的準確可靠性。
需要注意的是,本技術方案中的神經網絡分類器還可以直接根據室內分布系統的故障信息進行學習訓練,即為上述的根據所述特徵數據所對應的故障信息更新所述神經網絡分類器的過程,具體的,該學習訓練的過程包括對已存在故障信息的網絡分類器進行更新操作和對未存在故障信息的網絡分類器進行自主學習操作。
具體的,若在確認室內分布系統出現故障後,經過分析判斷,該故障類型和故障原因信息存在相應的神經網絡分類器,則可以直接利用該神經網絡分類器確定室內分布系統的故障原因信息,而對於該神經網絡分類器可以按照預設的更新周期進行更新操作,以保證故障分析的準確可靠性。
若在確認室內分布系統出現故障後,經過分析判斷可知,該故障類型和故障原因信息不存在相應的神經網絡分類器,為了增加該室內分布系統的故障推理方法使用的精確度,並提高神經網絡分類器的置信度,則可以根據故障信息和所確定的相應的故障原因建立與該故障類型和故障原因信息相對應的神經網絡分類器,進而可以實現為其他故障情況的判斷提供依據,進一步提高了該故障推理方法的實用性,有利於市場的推廣與應用。
為了更加清楚的了解本技術方案的實現過程,例如以下具體實施例:
經過檢查可以確定該系統已經出現故障,並且不存在相關告警且不存在駐波比異常,進而可以排除告警原因導致RTWP抬升。
在確認系統出現故障後,獲取該系統的特徵數據,根據特徵數據確定該小區特徵參數向量初始值,(RSCP,nRSCP1,nRSCP2,nRSCP3,nRSCP4,nRSCP5,nRSCP6,Ec/No,txpow,mRTWP,sRTWP,isRepeator)。
然後根據特徵參數向量初始值獲取該小區在統計周期類的特徵參數向量平均值,即為上述過程中的特徵參數向量,例如,可以將特徵參數向量設置自為:(-70,-74,-80,-85,-88,-99,-101,-6,5,-92,0,1),其中,最後一個欄位代表是否下掛直放站。
隨後,將所獲取的特徵參數向量輸入到預設的M個個人神經網絡分類器中,實現對特徵參數向量進行分析訓練;
之後,得到輸出值最大的分類器,將該分類器對應的故障原因集合判斷為該小區故障原因,例如,可以確定該小區的故障原因集合按概率排序為{無源器件(耦合器功分器等)故障、直放站故障、饋線進水、高駐波比、RRU故障}。
在確認系統的故障後,維護人員可以到現場進行查驗和維護,以恢復系統的正常運行與使用。
圖5為本發明一實施例提供的一種室內分布系統的故障推理裝置的結構示意圖,參考附圖5可知,本實施例還提供了一種室內分布系統的故障推理裝置,該故障推理裝置用於對室內分布系統的故障進行快速、有效分析,具體包括:
獲取模塊1,用於在確定室內分布系統出現故障後,在預設的採集周期內獲取室內分布系統所在區域的多個特徵參數向量;
該獲取模塊1具體用於:
在預設的採集周期內獲取室內分布系統所在區域的多個特徵數據;
根據多個特徵數據確定在多個特徵數據中的最大特徵數據和最小特徵數據;
根據特徵數據、最大特徵數據和最小特徵數據確定與特徵數據相對應的特徵參數向量。
進一步的,該獲取模塊1具體用於:
根據公式對特徵數據進行歸一化處理,獲得與特徵數據相對應的處理後特徵數據,其中,Min為最小特徵數據,Max為最大特徵數據,x為特徵數據,y為處理後特徵數據;
分析模塊2,用於利用多個預設的神經網絡分類器對多個特徵參數向量進行分析處理,獲得多個分析結果;
其中,神經網絡分類器個數與特徵參數向量個數相同且一一對應;此時,將分析模塊2設置為具體用於:
神經網絡分類器利用預設的標準向量機函數對特徵參數向量進行訓練,獲得多個訓練結果。
故障確定模塊3,用於在多個分析結果中確定分析結果數值最大的神經網絡分類器,並根據神經網絡分類器確定室內分布系統的故障原因信息。
根據特徵數據x和處理後特徵數據y確定與特徵數據x相對應的特徵參數向量。
進一步的,將故障確定模塊3設置為具體用於:
若神經網絡分類器的分析結果大於預設的閾值時,則確定室內分布系統的故障原因信息為預先設置的與該神經網絡分類器所對應的故障原因集合;或者,
若神經網絡分類器的分析結果小於或等於預設的閾值時,則根據用戶經驗確定室內分布系統的故障原因信息。
本實施例對於獲取模塊1、分析模塊2和故障確定模塊3的具體形狀結構不做限定,本領域技術人員可以根據其實現的操作過程對其進行任意設置,只要能夠實現上述操作步驟即可,在此不再贅述;此外,本實施例中獲取模塊1、分析模塊2和故障確定模塊3所能實現操作步驟的具體實現過程和所達到的技術效果與上述實施例中步驟S101-S103、S1011-S1013、S10131-S10132、S1021、S1031-S1032的具體實現過程和所達到的技術效果相同,具體可參考上述陳述內容,在此不再贅述。
本實施例提供的室內分布系統的故障推理裝置,通過獲取模塊1獲得特徵參數向量,分析模塊2通過該神經網絡分類器對特徵參數向量進行分析,確定分析結果數值最大的神經網絡分類器,從而故障確定模塊3根據該神經網絡分類器即可確定室內分布系統的故障原因信息,可以有效對室內分布系統所出現的故障進行快速檢測並分析,有效地提高了對室內分析系統的故障進行檢測的效率和準確率,並且降低了人力物力,提高了該故障推理裝置的實用性,有利於市場的推廣與應用。
在上述實施例的基礎上,繼續參考附圖5可知,本實施例將獲取模塊1設置為還用於:還用於在獲得多個訓練結果之後,對訓練結果進行分析處理,獲得向量機判別函數;
裝置還包括:
學習模塊4,用於根據向量機判別函數判斷是否對與向量機判別函數所對應的故障信息進行學習。
進一步的,將學習模塊4設置為具體用於:
若基於特徵數據下的向量機判別函數大於0,則確認對該特徵數據所對應的故障信息進行學習,和/或,根據所述特徵數據所對應的故障信息更新所述神經網絡分類器;或者,
若基於特徵數據下的向量機判別函數小於或等於0,則直接獲取預先存儲的與該特徵數據相對應的故障信息。
本實施例對於學習模塊4的具體形狀結構不做限定,本領域技術人員可以根據其實現的操作過程對其進行任意設置,只要能夠實現上述操作步驟即可,在此不再贅述;此外,本實施例中獲取模塊1和學習模塊4所能實現操作步驟的具體實現過程和所達到的技術效果與上述實施例中步驟S201-S202、S2021-S2022的具體實現過程和所達到的技術效果相同,具體可參考上述陳述內容,在此不再贅述。
本技術方案提供的室內分布系統的故障推理裝置,可以準確有效地確定室內分布系統的故障原因等信息,並且操作簡單,判斷準確,克服了現有技術中存在的效率低、工作量大、耗費大量人力物力以及故障原因經常被淹沒的問題,進而有效地提高了該故障推理裝置的實用性,有利於市場的推廣與應用。
在本發明所提供的幾個實施例中,應該理解到,所揭露的裝置和方法,可以通過其它的方式實現。例如,以上所描述的裝置實施例僅僅是示意性的,例如,單元的劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式,例如多個單元或組件可以結合或者可以集成到另一個系統,或一些特徵可以忽略,或不執行。另一點,所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口,裝置或單元的間接耦合或通信連接,可以是電性,機械或其它的形式。
作為分離部件說明的單元可以是或者也可以不是物理上分開的,作為單元顯示的部件可以是或者也可以不是物理單元,即可以位於一個地方,或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。
另外,在本發明各個實施例中的各功能單元可以集成在一個處理單元中,也可以是各個單元單獨物理存在,也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現,也可以採用硬體加軟體功能單元的形式實現。
上述以軟體功能單元的形式實現的集成的單元,可以存儲在一個計算機可讀取存儲介質中。上述軟體功能單元存儲在一個存儲介質中,包括若干指令用以使得一臺計算機設備(可以是個人計算機,伺服器,或者網絡設備等)或處理器(processor)執行本發明各個實施例方法的部分步驟。而前述的存儲介質包括:U盤、移動硬碟、只讀存儲器(Read-Only Memory,ROM)、隨機存取存儲器(Random Access Memory,RAM)、磁碟或者光碟等各種可以存儲程序代碼的介質。
本領域技術人員可以清楚地了解到,為描述的方便和簡潔,僅以上述各功能模塊的劃分進行舉例說明,實際應用中,可以根據需要而將上述功能分配由不同的功能模塊完成,即將裝置的內部結構劃分成不同的功能模塊,以完成以上描述的全部或者部分功能。上述描述的裝置的具體工作過程,可以參考前述方法實施例中的對應過程,在此不再贅述。
最後應說明的是:以上各實施例僅用以說明本發明的技術方案,而非對其限制;儘管參照前述各實施例對本發明進行了詳細的說明,本領域的普通技術人員應當理解:其依然可以對前述各實施例所記載的技術方案進行修改,或者對其中部分或者全部技術特徵進行等同替換;而這些修改或者替換,並不使相應技術方案的本質脫離本發明各實施例技術方案的範圍。