故障预测、模型构建方法、装置、处理器及可读存储介质
阅读：837发布：2020-05-08
专利汇可以提供故障预测、模型构建方法、装置、处理器及可读存储介质专利检索，专利查询，专利分析的服务。并且本 发明 实施例 提供一种故障预测、模型构建方法、装置、处理器及可读存储介质，属于计算机领域。该方法包括：获得与所述设备的故障信息相关的多种参数的参数值；将所述参数值输入设备故障 预测模型 中，获得针对所述设备的故障类型和/或故障发生时间进行预测的预测结果，其中所述故障预测模型为对所述设备的 训练数据 预先进行 机器学习 后得到的用于输出所述预测结果的模型。本发明可以对重要的故障进行提前预测，以便提前对注 水 泵 进行保养维护，避免维修的高额 费用 ，在经济上取得较好的收益。，下面是故障预测、模型构建方法、装置、处理器及可读存储介质专利的具体信息内容。
1.一种设备故障预测方法，其特征在于，该方法包括：
获得与所述设备的故障信息相关的多种参数的参数值；
将所述参数值输入设备故障预测模型中，获得针对所述设备的故障类型和/或故障发生时间进行预测的预测结果，其中所述故障预测模型为对所述设备的训练数据预先进行机器学习后得到的用于输出所述预测结果的模型。
2.根据权利要求1所述的设备故障预测方法，其特征在于，所述参数的参数值包括所述设备的实时生产监测数据；以及
所述训练数据包括所述设备的基础数据、历史生产监测数据和历史已知结果故障数据。
3.根据权利要求2所述的设备故障预测方法，其特征在于，所述设备为注水泵；以及，所述基础数据包括：注水泵的类型、生产厂家、型号、额定扬程、额定电流、额定工作压力；和/或，
所述生产监测数据包括：注水泵的生产流量、温度、压力、功率、振动加速度；和/或，所述历史已知结果故障数据包括：离心式注水泵发生轴承内外环损坏、不对中、不平衡、机械松动或基础松动故障时的故障数据，以及往复式注水泵发生敲缸、拉缸、活塞卡咬、活塞杆断裂、曲轴断裂、气阀故障时的故障数据。
4.一种故障预测模型构建方法，其特征在于，包括：
获取训练数据，所述训练数据包括设备的基础数据、历史生产监测数据和历史已知结果故障数据；
对所述训练数据进行机器学习，挖掘出所述设备的历史已知故障与设备基础数据、及故障发生前生产监测数据变化趋势之间的关联与影响关系，得到对所述设备的故障类型和/或故障发生时间进行预测的故障预测模型。
5.根据权利要求4所述的故障预测模型构建方法，其特征在于，所述方法还包括：
将所述训练数据划分为测试数据和建模数据，
对所述建模数据，采用不同的机器学习方法进行机器学习，得到多个故障预测模型；
采用所述测试数据对所述多个故障预测模型进行测试，筛选出最优的故障预测模型。
6.根据权利要求4或5所述的故障预测模型构建方法，其特征在于，所述机器学习方法包括：逻辑回归、支持向量机、朴素贝叶斯、决策树、随机森林。
7.一种设备故障预测装置，其特征在于，该装置包括：
获取单元以及处理单元，其中，
所述获取单元用于获得与所述设备的故障信息相关的多种参数的参数值；
所述处理单元用于将所述参数值输入设备故障预测模型中，获得针对所述设备的故障类型和/或故障发生时间进行预测的预测结果，其中所述故障预测模型为对所述设备的训练数据预先进行机器学习后得到的用于输出所述预测结果的模型。
8.一种故障预测模型构建装置，其特征在于，包括：
采集单元以及建模单元，其中，
所述采集单元用于获取训练数据，所述训练数据包括设备的基础数据、历史生产监测数据和历史已知结果故障数据；
所述建模单元用于对所述训练数据进行机器学习，挖掘出所述设备的历史已知故障与设备基础数据、及故障发生前生产监测数据变化趋势之间的关联与影响关系，得到对所述设备的故障类型和/或故障发生时间进行预测的故障预测模型。
9.一种处理器，其特征在于，用于运行程序，其中，所述程序被运行时用于执行：
如权利要求1-3任意一项所述的设备故障预测方法；或
如权利要求4-6任意一项所述的故障预测模型构建方法。
10.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行：
如权利要求1-3任意一项所述的设备故障预测方法；或
如权利要求4-6任意一项所述的故障预测模型构建方法。
故障预测、模型构建方法、装置、处理器及可读存储介质
技术领域
[0001] 本发明涉及计算机，具体地涉及故障预测、模型构建方法、装置、处理器及可读存储介质。
背景技术
[0002] 对于各领域上使用的设备，在长时间运行工作后都难免由于各样的原因出现故障，在故障发生之后均会造成一定损失，有的甚至会对人身安全产生威胁，在故障发生时再发现和处理为时已晚。
[0005] 离心注水泵包括动力端与叶轮端，电机带动轴上的叶轮进行高速旋转，充满在叶轮内的液体在离心力的作用下，从叶轮中心沿着叶片间的流道甩向叶轮的四周，由于液体受到叶片的作用，使压力和速度同时增加；往复式注水泵包括动力端与液力端，动力端将电机的旋转运动通过曲轴连杆机构转变为十字头的往复机械运动，液力端在柱塞与阀芯的共同作用下通过柱塞的往复运动将动能转化为液体的压能，曲轴连杆机构、十字头、柱塞位于泵体内，与柱塞连接的阀芯位于泵头体内，泵头体的一端与输入管线连接，另一端与输出管线连接。
[0006] 注水泵在不间断的运行中会中会出现各种故障，其中离心式注水泵会发生轴承内外环损坏、不对中、不平衡以及机械松动或基础松动等故障。往复式注水泵会发生敲缸、拉缸、活塞卡咬、活塞杆断裂、曲轴断裂以及气阀故障等故障。
[0007] 注水泵的生产故障可以靠人工巡检观察、声音经验判断和基于振动监测的频谱分析等方法进行分析与诊断，但每当故障已经发生时再进行相应的处理，往往会因为注水泵的停机维修直接影响生产作业效率，同时经过多次的损坏维修过程，会对注水泵整体的寿命造成很大程度的影响。
发明内容
[0008] 本发明实施例的目的是提供一种故障预测、模型构建方法、装置、处理器及可读存储介质，该故障预测、模型构建方法、装置、处理器及可读存储介质可以对重要的故障进行提前预测，以便提前对注水泵进行保养维护，避免维修的高额费用，在经济上取得较好的收益。
[0009] 为了实现本发明的目的，本发明实施例提供一种设备故障预测方法，该方法包括：获得与所述设备的故障信息相关的多种参数的参数值；将所述参数值输入设备故障预测模型中，获得针对所述设备的故障类型和/或故障发生时间进行预测的预测结果，其中所述故障预测模型为对所述设备的训练数据预先进行机器学习后得到的用于输出所述预测结果的模型。
[0010] 优选地，所述参数的参数值包括所述设备的实时生产监测数据；以及所述训练数据包括所述设备的基础数据、历史生产监测数据和历史已知结果故障数据。
[0011] 优选地，所述设备为注水泵；以及，所述基础数据包括：注水泵的类型、生产厂家、型号、额定扬程、额定电流、额定工作压力；和/或，所述生产监测数据包括：注水泵的生产流量、温度、压力、功率、振动加速度；和/或，所述历史已知结果故障数据包括：离心式注水泵发生轴承内外环损坏、不对中、不平衡、机械松动或基础松动故障时的故障数据，以及往复式注水泵发生敲缸、拉缸、活塞卡咬、活塞杆断裂、曲轴断裂、气阀故障时的故障数据。
[0012] 本发明实施例还提供一种故障预测模型构建方法，包括：获取训练数据，所述训练数据包括设备的基础数据、历史生产监测数据和历史已知结果故障数据；对所述训练数据进行机器学习，挖掘出所述设备的历史已知故障与设备基础数据、及故障发生前生产监测数据变化趋势之间的关联与影响关系，得到对所述设备的故障类型和/或故障发生时间进行预测的故障预测模型。
[0013] 优选地，所述方法还包括：将所述训练数据划分为测试数据和建模数据，对所述建模数据，采用不同的机器学习方法进行机器学习，得到多个故障预测模型；采用所述测试数据对所述多个故障预测模型进行测试，筛选出最优的故障预测模型。
[0015] 本发明实施例还提供一种设备故障预测装置，该装置包括：获取单元以及处理单元，其中，所述获取单元用于获得与所述设备的故障信息相关的多种参数的参数值；所述处理单元用于将所述参数值输入设备故障预测模型中，获得针对所述设备的故障类型和/或故障发生时间进行预测的预测结果，其中所述故障预测模型为对所述设备的训练数据预先进行机器学习后得到的用于输出所述预测结果的模型。
[0016] 优选地，所述参数的参数值包括所述设备的实时生产监测数据；以及所述训练数据包括所述设备的基础数据、历史生产监测数据和历史已知结果故障数据。
[0017] 优选地，所述设备为注水泵；以及，所述基础数据包括：注水泵的类型、生产厂家、型号、额定扬程、额定电流、额定工作压力；和/或，所述生产监测数据包括：注水泵的生产流量、温度、压力、功率、振动加速度；和/或，所述历史已知结果故障数据包括：离心式注水泵发生轴承内外环损坏、不对中、不平衡、机械松动或基础松动故障时的故障数据，以及往复式注水泵发生敲缸、拉缸、活塞卡咬、活塞杆断裂、曲轴断裂、气阀故障时的故障数据。
[0018] 本发明实施例还提供一种故障预测模型构建装置，包括：采集单元以及建模单元，其中，所述采集单元用于获取训练数据，所述训练数据包括设备的基础数据、历史生产监测数据和历史已知结果故障数据；所述建模单元用于对所述训练数据进行机器学习，挖掘出所述设备的历史已知故障与设备基础数据、及故障发生前生产监测数据变化趋势之间的关联与影响关系，得到对所述设备的故障类型和/或故障发生时间进行预测的故障预测模型。
[0019] 优选地，所述建模单元还用于：将所述训练数据划分为测试数据和建模数据，对所述建模数据，采用不同的机器学习方法进行机器学习，得到多个故障预测模型；采用所述测试数据对所述多个故障预测模型进行测试，筛选出最优的故障预测模型。
[0020] 优选地，所述机器学习方法包括：逻辑回归、支持向量机、朴素贝叶斯、决策树、随机森林。
[0021] 本发明实施例还提供一种处理器，用于运行程序，其中，所述程序被运行时用于执行：上文所述的设备故障预测方法；或上文所述的故障预测模型构建方法。
[0022] 本发明实施例还提供一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行：上文所述的设备故障预测方法；或上文所述的故障预测模型构建方法。
[0023] 通过上述技术方案，首先获得与设备的故障信息相关的多种参数的参数值；然后将参数值输入设备故障预测模型中，通过设备故障预测模型获得针对设备的故障类型和/或故障发生时间的预测结果，可以在故障发生之前对重要的故障进行提前预测，以便提前对注水泵进行保养维护，并提前优化生产计划以保证生产的连续不间断，同时用保养维护的低廉费用替代维修的高额费用，在经济上取得较好的收益。
[0026] 图1是本发明一实施例提供的设备故障预测方法的流程图；
[0027] 图2是本发明一实施例提供的故障预测模型构建方法的流程图；
[0028] 图3是本发明一实施例提供的故障预测模型筛选方法的流程图；
[0029] 图4是本发明一实施例提供的设备故障预测装置的结构示意图；以及[0030] 图5是本发明一实施例提供的故障预测模型构建装置的结构示意图。
[0031] 附图标记说明
[0032] 1 获取单元 2 处理单元
[0033] 3 采集单元 4 建模单元。
具体实施方式
[0034] 以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
[0035] 图1是本发明一实施例提供的设备故障预测方法的流程图。如图1所示，该方法包括：
[0036] 步骤S11，获得与所述设备的故障信息相关的多种参数的参数值；
[0037] 步骤S12，将所述参数值输入设备故障预测模型中，获得针对所述设备的故障类型和/或故障发生时间进行预测的预测结果，其中所述故障预测模型为对所述设备的训练数据预先进行机器学习后得到的用于输出所述预测结果的模型。
[0038] 在本发明实施例中，参数的参数值可以包括设备的实时生产监测数据，在更换设备之后，还可以包括设备的基础数据。以设备为注水泵为例，生产监测数据包括但不限于：注水泵的生产流量、温度、压力、功率和振动加速度；基础数据包括但不限于：注水泵的类型、生产厂家、型号、额定扬程、额定电流和额定工作压力。其它设备也可以同样包括类似的数据，在此不再赘述。
[0039] 在采集到上述参数的参数值之后，将参数的参数值输入到设备的故障预测模型中，故障预测模型根据每台设备不同的特征及目前的生产监测数据的变化趋势，对注水泵未来的故障进行预测，输出包括设备的故障类型和/或故障发生时间的预测结果。故障预测模型的构建方式将在下文说明。
[0040] 本发明在设备还未发生故障时，对设备生产未来可能发生的故障类型和/或故障发生时间进行预测，给出设备的具体故障类型和故障发生时间，用户可以根据具体故障类型和故障发生时间，有目的性有针对性地提前制定相应的措施。
[0041] 图2是本发明一实施例提供的故障预测模型构建方法的流程图。如图2所示，该方法包括：
[0042] 步骤S21，获取训练数据，所述训练数据包括设备的基础数据、历史生产监测数据和历史已知结果故障数据；
[0043] 步骤S22，对所述训练数据进行机器学习，挖掘出所述设备的历史已知故障与设备基础数据、及故障发生前生产监测数据变化趋势之间的关联与影响关系，得到对所述设备的故障类型和/或故障发生时间进行预测的故障预测模型。
[0044] 在本发明实施例中，训练数据可以包括设备的基础数据、历史生产监测数据和历史已知结果故障数据。以注水泵为例，历史已知结果故障数据可以包括但不限于：离心式注水泵发生轴承内外环损坏、不对中、不平衡以及机械松动或基础松动故障时的故障数据，以及往复式注水泵发生敲缸、拉缸、活塞卡咬、活塞杆断裂、曲轴断裂以及气阀故障时的故障数据。
[0045] 在获得上述训练数据之后，采用机器学习方法对上述训练数据进行处理，主要是让机器找到基础数据和历史生产监测数据与历史已知结果故障数据之间的关系，让机器能够生成模型，获得故障发生前生产监测数据变化趋势(历史生产监测数据是在不断变化的)和基础数据对历史已知故障的影响，从而得到故障预测模型。
[0046] 在本发明实施例中，机器学习方法可以包括但不限于：逻辑回归、支持向量机、朴素贝叶斯、决策树以及随机森林。
[0047] 本发明实施例还可以在获得训练数据之后，对训练数据进行预处理。具体为可以删除异常的历史生产监测数据以及异常的历史已知结果故障数据，并补充缺失的历史生产监测数据以及异常的历史已知结果故障数据以使数据完整。
[0048] 其中，数据的补充可以采用回归预测补充、中位数补充或多重插补补充，其中，回归预测补充以一个或几个自变量作为依据，来预测其它缺失变量发展变动趋势和水平，从而补充缺失变量；中位数补充即利用数据中的中位数来补充缺失数据；多重插补补充依据贝叶斯估计，认为待填补的值是随机的，其值来源于其他数据的值。进行数据填补时候，首先，利用已其他数据的值产生k个完整数据集合。其次，对每个完整的插补数据集进行统计分析。最后，利用评分函数进行选择，选择最适合的一个插补数据集。
[0049] 图3是本发明一实施例提供的故障预测模型筛选方法的流程图。如图3所示，该方法包括：
[0050] 步骤S31，将所述训练数据划分为测试数据和建模数据，对所述建模数据，采用不同的机器学习方法进行机器学习，得到多个故障预测模型；
[0051] 步骤S32，采用所述测试数据对所述多个故障预测模型进行测试，筛选出最优的故障预测模型。
[0052] 在本实施例中，由于有多种机器学习方法都可以建立故障预测模型，因此可以从多种机器学习方法中筛选出最适合本设备的机器学习算法，以得到最优的故障预测模型。即，针对每种机器学习方法，通过五折交叉法，即将训练数据分成五份，轮流将其中4份作为建模数据进行建模，1份作为测试数据进行建模后的测试，如此进行试验，测试每种机器学习算法建立的每个故障预测模型的准确度，找到最合适的机器学习算法(建立的模型准确度最高)，也可以得出最优的故障预测模型。
[0053] 图4是本发明一实施例提供的设备故障预测装置的结构示意图。如图4所示，该装置包括：获取单元1以及处理单元2，其中，所述获取单元1用于获得与所述设备的故障信息相关的多种参数的参数值；所述处理单元2用于将所述参数值输入设备故障预测模型中，获得针对所述设备的故障类型和/或故障发生时间进行预测的预测结果，其中所述故障预测模型为对所述设备的训练数据预先进行机器学习后得到的用于输出所述预测结果的模型。
[0054] 优选地，所述参数的参数值包括所述设备的实时生产监测数据；以及所述训练数据包括所述设备的基础数据、历史生产监测数据和历史已知结果故障数据。
[0055] 优选地，所述设备为注水泵；以及，所述基础数据包括：注水泵的类型、生产厂家、型号、额定扬程、额定电流、额定工作压力；和/或，所述生产监测数据包括：注水泵的生产流量、温度、压力、功率、振动加速度；和/或，所述历史已知结果故障数据包括：离心式注水泵发生轴承内外环损坏、不对中、不平衡、机械松动或基础松动故障时的故障数据，以及往复式注水泵发生敲缸、拉缸、活塞卡咬、活塞杆断裂、曲轴断裂、气阀故障时的故障数据。
[0056] 图5是本发明一实施例提供的故障预测模型构建装置的结构示意图。如图5所示，该装置包括：采集单元3以及建模单元4，其中，所述采集单元3用于获取训练数据，所述训练数据包括设备的基础数据、历史生产监测数据和历史已知结果故障数据；所述建模单元4用于对所述训练数据进行机器学习，挖掘出所述设备的历史已知故障与设备基础数据、及故障发生前生产监测数据变化趋势之间的关联与影响关系，得到对所述设备的故障类型和/或故障发生时间进行预测的故障预测模型。
[0057] 优选地，所述建模单元4还用于：将所述训练数据划分为测试数据和建模数据，对所述建模数据，采用不同的机器学习方法进行机器学习，得到多个故障预测模型；采用所述测试数据对所述多个故障预测模型进行测试，筛选出最优的故障预测模型。
[0058] 优选地，所述机器学习方法包括：逻辑回归、支持向量机、朴素贝叶斯、决策树、随机森林。
[0059] 上述的装置的实施例与上文所述的方法的实施例类似，在此不再赘述。
[0060] 本发明实施例还提供一种处理器，用于运行程序，其中，所述程序被运行时用于执行：上文所述的设备故障预测方法；或上文所述的故障预测模型构建方法。
[0061] 通过上述技术方案，首先获得与设备的故障信息相关的多种参数的参数值；然后将参数值输入设备故障预测模型中，通过设备故障预测模型获得针对设备的故障类型和/或故障发生时间的预测结果，可以在故障发生之前对重要的故障进行提前预测，以便提前对注水泵进行保养维护，并提前优化生产计划以保证生产的连续不间断，同时用保养维护的低廉费用替代维修的高额费用，在经济上取得较好的收益。
[0062] 本发明实施例还提供一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行：上文所述的设备故障预测方法；或上文所述的故障预测模型构建方法。
[0063] 所述设备故障预测装置和故障预测模型构建装置包括处理器和存储器，上述获取单元1、处理单元2、采集单元3、建模单元4和测试单元5等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0066] 本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上文所述的设备故障预测方法或上文所述的故障预测模型构建方法。
[0067] 本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上文所述的设备故障预测方法或上文所述的故障预测模型构建方法。
[0068] 本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
[0069] 获得与所述设备的故障信息相关的多种参数的参数值；将所述参数值输入设备故障预测模型中，获得针对所述设备的故障类型和/或故障发生时间进行预测的预测结果，其中所述故障预测模型为对所述设备的训练数据预先进行机器学习后得到的用于输出所述预测结果的模型。
[0070] 其中，所述参数的参数值包括所述设备的实时生产监测数据；以及所述训练数据包括所述设备的基础数据、历史生产监测数据和历史已知结果故障数据。
[0071] 其中，所述设备为注水泵；以及，所述基础数据包括：注水泵的类型、生产厂家、型号、额定扬程、额定电流、额定工作压力；和/或，所述生产监测数据包括：注水泵的生产流量、温度、压力、功率、振动加速度；和/或，所述历史已知结果故障数据包括：离心式注水泵发生轴承内外环损坏、不对中、不平衡、机械松动或基础松动故障时的故障数据，以及往复式注水泵发生敲缸、拉缸、活塞卡咬、活塞杆断裂、曲轴断裂、气阀故障时的故障数据。
[0072] 处理器执行程序时还可以实现以下步骤：
[0073] 获取训练数据，所述训练数据包括设备的基础数据、历史生产监测数据和历史已知结果故障数据；对所述训练数据进行机器学习，挖掘出所述设备的历史已知故障与设备基础数据、及故障发生前生产监测数据变化趋势之间的关联与影响关系，得到对所述设备的故障类型和/或故障发生时间进行预测的故障预测模型。
[0074] 将所述训练数据划分为测试数据和建模数据，对所述建模数据，采用不同的机器学习方法进行机器学习，得到多个故障预测模型；采用所述测试数据对所述多个故障预测模型进行测试，筛选出最优的故障预测模型。
[0075] 本文中的设备可以是服务器、PC、PAD、手机等。
[0077] 获得与所述设备的故障信息相关的多种参数的参数值；将所述参数值输入设备故障预测模型中，获得针对所述设备的故障类型和/或故障发生时间进行预测的预测结果，其中所述故障预测模型为对所述设备的训练数据预先进行机器学习后得到的用于输出所述预测结果的模型。
[0078] 其中，所述参数的参数值包括所述设备的实时生产监测数据；以及所述训练数据包括所述设备的基础数据、历史生产监测数据和历史已知结果故障数据。
[0079] 其中，所述设备为注水泵；以及，所述基础数据包括：注水泵的类型、生产厂家、型号、额定扬程、额定电流、额定工作压力；和/或，所述生产监测数据包括：注水泵的生产流量、温度、压力、功率、振动加速度；和/或，所述历史已知结果故障数据包括：离心式注水泵发生轴承内外环损坏、不对中、不平衡、机械松动或基础松动故障时的故障数据，以及往复式注水泵发生敲缸、拉缸、活塞卡咬、活塞杆断裂、曲轴断裂、气阀故障时的故障数据。
[0080] 还适于执行初始化有如下方法步骤的程序：
[0081] 获取训练数据，所述训练数据包括设备的基础数据、历史生产监测数据和历史已知结果故障数据；对所述训练数据进行机器学习，挖掘出所述设备的历史已知故障与设备基础数据、及故障发生前生产监测数据变化趋势之间的关联与影响关系，得到对所述设备的故障类型和/或故障发生时间进行预测的故障预测模型。
[0082] 将所述训练数据划分为测试数据和建模数据，对所述建模数据，采用不同的机器学习方法进行机器学习，得到多个故障预测模型；采用所述测试数据对所述多个故障预测模型进行测试，筛选出最优的故障预测模型。
[0083] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
[0084] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0085] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0086] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0088] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
[0089] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0090] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0091] 本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 空调的检测方法和装置 | 2020-05-11 | 416 |
| 基于滑动输入来确定输入字符的系统和方法 | 2020-05-08 | 699 |
| 用于运行机器人控制系统的方法、设备和计算机程序 | 2020-05-08 | 549 |
| 基于序回归学习的数值模式订正的方法 | 2020-05-08 | 743 |
| 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法 | 2020-05-08 | 852 |
| 一种基于区块链的安全SVM训练方法 | 2020-05-08 | 630 |
| 基于神经网络的k-NN算法中k值预测方法及装置 | 2020-05-08 | 116 |
| 基于GAN的染色体结构异常检测方法、系统及存储介质 | 2020-05-08 | 611 |
| 一种用于5G系统的智慧组网方法 | 2020-05-11 | 4 |
| 一种Web站点安全防护方法及装置 | 2020-05-08 | 388 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈