故障诊断方法、故障诊断系统、计算机设备及存储介质与流程

1.本技术实施例涉及故障诊断技术领域，具体涉及一种故障诊断方法、故障诊断系统、计算机设备及存储介质。


背景技术：

2.乏燃料后处理产生的放射性废液具有比活度高、释热率高、含核素半衰期长和化学成分复杂等特点，如何安全有效地处理放射性废液是影响核事业可持续发展的重要因素之一。近年来，玻璃固化工艺已用于处理放射性废液。玻璃固化工艺先通过煅烧对放射性废液进行预处理，使其转化为氧化物(称之为煅烧产物)，再将其与玻璃基材按一定配比在熔炉中混合、熔融、浇注，经退火后使放射性核素固定在玻璃网络中形成稳定的玻璃固化体。
3.冷坩埚玻璃固化是利用电源产生高频(105～106hz)电流，再通过感应线圈转换成电磁流透入待加热物料内部形成涡流产生热量，实现待处理物料的加热熔融。冷坩埚主要由高频感应电源、冷坩埚炉体和其他辅助装置组成，其中冷坩埚炉体是由通冷却水的金属弧形块或管组成的容器，工作时金属管内连续通入冷却水，坩埚内熔融物的温度可高达2000℃以上，但坩埚仍保持较低温度(一般小于200℃)，使其在运行过程中炉体近管低温区形成一层2～3cm厚的固态玻璃壳(冷壁)，因此称为冷坩埚。冷坩埚不需耐火材料，不用电极加热，由于熔融的玻璃包容在冷壁之内，减少了对熔炉的腐蚀作用。冷坩埚玻璃固化适用于高、中、低放废液及有机废液处理，具有熔制温度高、处理废物范围广、体积小但处理能力大、退役容易且退役废物少、炉体寿命长等优点。
4.冷坩埚系统运行时可提供大量反馈信号如温度、电压、电流等，通过收集反馈信号并判断反馈信号是否异常，能够对冷坩埚系统可能出现的故障进行诊断。
5.人工神经网络，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。基于人工神经网络的故障诊断方法具有鲁棒性好、容错能力强和学习能力强等特点。然而，现有的故障诊断方法只是根据某个或某些特定的反馈信号或监测数据来诊断对应的故障，而忽视了相同故障或不同故障所引发的相似的信号变化，导致一些故障无法被诊断出。


技术实现要素：

6.根据本技术的第一方面，提出一种故障诊断方法，包括以下步骤：获取目标设备运行的参数信号；根据所述参数信号获得参数向量；建立故障类型与所述参数向量的映射关系；以所述参数向量为输入训练样本，以所述故障类型为输出训练样本，建立故障诊断模型；将所述故障诊断模型应用于所述目标设备的故障诊断。
7.根据本技术的第二方面，提出一种故障诊断系统，包括：获取模块，用于获取目标设备运行的参数信号；处理模块，用于：根据所述参数信号获得参数向量；建立故障类型与所述参数向量的映射关系；以及生成模块，用于根据所述参数向量和所述故障类型，以所述参数向量为输入训练样本，以所述故障类型为输出训练样本，建立故障诊断模型；其中，所
述故障诊断模型应用于所述目标设备的故障诊断。
8.根据本技术的第三方面，提出一种计算机设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现如本技术实施例的故障诊断方法的步骤。
9.根据本技术的第四方面，提出一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如本技术实施例的故障诊断方法的步骤。
附图说明
10.图1是根据本技术实施例的建立故障诊断模型的流程框图；
11.图2是建立故障类型与参数向量的对应关系的具体示例；
12.图3是运用图1的故障诊断模型进行故障诊断的流程框图；
13.图4是根据故障类型向量确定故障数目、种类的具体示例；
14.图5是根据本技术实施例的故障诊断方法的流程示意图；
15.图6是根据本技术实施例的故障诊断系统的模块示意图；
16.图7是根据本技术实施例的一种计算机设备的结构示意图。
17.需要说明的是，附图并不一定按比例来绘制，而是仅以不影响读者理解的示意性方式示出。
具体实施方式
18.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术实施例的附图，对本技术的技术方案进行清楚、完整地描述。显然，所描述的实施例是本技术的一个实施例，而不是全部的实施例。基于所描述的本技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
19.需要说明的是，除非另外定义，本技术使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。若全文中涉及“第一”、“第二”等描述，则该“第一”、“第二”等描述仅用于区别类似的对象，而不能理解为指示或暗示其相对重要性、先后次序或者隐含指明所指示的技术特征的数量，应该理解为“第一”、“第二”等描述的数据在适当情况下可以互换。若全文中出现“和/或”，其含义为包括三个并列方案，以“a和/或b”为例，包括a方案，或b方案，或a和b同时满足的方案。此外，为了便于描述，在这里可以使用空间相对术语，如“上方”、“下方”、“顶部”、“底部”等，仅用来描述如图中所示的一个器件或特征与其他器件或特征的空间位置关系，应当理解为也包含除了图中所示的方位之外的在使用或操作中的不同方位。
20.本技术的故障诊断方法能够应用于涉及物料制备、化工反应等工艺的机械设备，例如用于处理核废物进行玻璃固化工艺的冷坩埚系统。冷坩埚系统运行时能够提供例如物料温度、液位、流速、电压、电流、冷却介质温度等大量与其运行相关的参数信号(或称反馈信号)，这些参数信号能够实时反映系统运行状况，例如当参数信号出现异常时，可能是系统某部件或位置发生了故障，控制系统或工作人员能够根据这些参数信号的变化来监控系统的运行状况，以便及时发现故障，从而对故障采取相关措施，避免形成较大的隐患或造成
安全事故，从而提高设备或系统运行的安全性和可靠性。
21.当反馈信号异常时，可能会由多个不同类型的故障引发，而这些故障的严重程度可能存在差别，运用常规的故障诊断方法容易造成故障判断不准确/不全面、一些故障被忽视，长此以往可能形成较大的隐患或造成安全事故。并且，在多故障同时爆发时，对严重程度较大的故障首先进行处理可能是有利的，这就需要明确故障所在的位置或引发的原因，以便对故障处理。
22.本技术实施例的故障诊断方法用于至少部分解决或减轻上述问题。即使面对海量的反馈信号，通过整理故障类型并且分析故障发生引发的反馈信号的变化，使得故障点和反馈信号建立联系，以便根据反馈信号的变化诊断出所有可能的故障点，优化了故障诊断的全面性，在此基础上，通过进一步对各故障点逐一检查，能够更高效地对各故障采取应对措施，从而阻止事故发生。
23.尽管以下实施例以冷坩埚系统/设备作为目标设备进行描述，然而本公开不限于此。事实上，目标设备可以是任何机械设备或系统，例如煅烧设备、加热设备、冷却设备或任何用于生产、实验等项目的设备。此外，参数信号可以是与目标设备运行相关的数据信号，例如质量、体积、速率、压力等。
24.以下将结合图1和图2来描述根据本技术实施例的建立故障诊断模型的过程。
25.如图1所示，根据故障类型和参数信号建立训练模型，例如以参数信号相关的信息作为输入训练样本，以故障类型相关的信息作为输出训练样本，通过样本学习、训练使两者建立对应关系，该对应关系便是实际用于故障诊断的依据。
26.故障类型用于描述多个、不同的故障事件，例如泄露、堵塞为两个故障类型。故障类型的具体内容与目标设备运行、实施的项目有关，本公开不作限定。故障类型可以根据设备运行、试验数据和历史事件经验等进行确定或划分，可通过例如不限于故障树的方法梳理总结目标设备运行可能发生的全部故障。例如故障类型包括不同的故障模式，以泄露和堵塞为示例，其为两种故障类型。进一步地，还可以根据故障发生的时序划分故障类型。例如以泄露为示例，根据泄露发生后持续的时间不同分为不同的故障类型，如泄露的瞬间为一种故障，泄露持续第一时间为另外一种故障，泄露持续第二时间为另外一种故障，其中，第一时间和第二时间表示时间范围，第一时间小于第二时间，例如第一时间为1小时，第二时间为1天。根据时间划分故障是因为故障发生后持续不同的时间所造成的影响不同，可作为不同的故障类型处理。通过对故障类型进行全面梳理，有助于细化故障种类、从更多方面关注设备的运行状况，从而便于加强对设备运行监控。
27.参数信号用于描述目标设备运行过程中所能够提供的与目标部件或反应物料相关的反馈信号，以目标设备为冷坩埚系统/设备为示例，目标部件例如包括冷坩埚炉体、卸料装置、电源模块、加热模块、冷却模块等，与之相关的反馈信号例如包括冷坩埚炉底温度、卸料口温度、埚内压力、电源功率、高频电源电流、冷却液温度、冷却液流速等。反应物料例如包括煅烧产物、玻璃基料、玻璃熔体等，与之相关的反馈信号例如包括玻璃熔体温度、玻璃熔体在冷坩埚中的液位等。
28.由于故障发生的原因相对较复杂，可能引发一个或多个参数信号的异常，为了便于建立参数信号与故障之间的对应关系，将多个参数信号组合形成参数向量，例如先整理出需要采集获取的参数信号的种类/内容，将各参数信号排列组成参数向量，例如参数向量
为[冷坩埚炉底温度，高频电源电流，
…
，玻璃熔体液位]。
[0029]
为了便于明确参数信号发生变化的情况，使用参数信号状态值来表示参数信号的变化。可根据实验条件等对参数信号的值域进行划分，将参数信号的状态划分为五种：正常、微正偏离、微负偏离、正偏离和负偏离。进一步为便于机器学习训练，使用数值表示上述状态，例如使用
‑
2、
‑
1、0、1和2分别表示参数信号为负偏离状态、微负偏离状态、正常、微正偏离状态和正偏离状态。例如，对于一温度信号，该温度的变化范围为0～100℃，通过划分当温度处于36～85℃时定义该温度信号为正常，当温度处于25～35℃时定义该温度信号为微负偏离，当温度处于0～24℃时定义该温度信号为负偏离，当温度处于86～93℃时定义该温度信号为微正偏离，当温度处于94～100℃时定义该温度信号为正偏离。
[0030]
当确定了所有可能发生的故障类型，并且定义了参数向量，需要分析各故障发生时对应的参数信号的变化情况，即使得每一故障与相应的参数向量对应。如图2所示，假设梳理出全部故障类型为n种，每一种故障发生时将对应一参数向量，该参数向量中信号的内容例如为[温度，电流，电压，
…
，液位]。例如故障1发生时参数信号的变化情况通过参数向量[
‑
1，0，0，
…
，2]表示，故障2发生时参数信号的变化情况通过参数向量[2，1，
‑
2，
…
，0]表示，
…
，故障n发生时参数信号的变化情况通过参数向量[
‑
1，
‑
2，0，
…
，1]表示。由此，本技术通过梳理目标设备运行时可能发生的全部故障，并且分析每一故障发生时所引发的参数信号的变化，使得故障和参数信号的状态变化建立对应关系，相当于精确了故障发生引发的条件，在实际故障诊断过程中，能够很容易根据参数信号的变化情况来诊断故障，并且能够根据相似的参数信号变化诊断出所有可能发生的故障，避免了对个别故障点疏漏，因此能够更大程度确保设备运行环境的安全性和可靠性。
[0031]
相比较通过参数信号的变化来定义故障类型，根据经验扩充故障类型，本公开能够提高故障诊断的精确性和效率，当多故障同时发生时，有利于对多故障进行逐一检查、处理，从而更大程度解除安全隐患。
[0032]
进一步地，为了容易使故障类型与参数向量建立一一对应关系，使用故障类型向量来表示故障发生情况。对于n种故障，故障1发生可表示为[1，0，
…
，0]，故障2发生可表示为[0，1，
…
，0]，
…
，故障n发生可表示为[0，0，
…
，1]。其中，数值“1”表示异常即故障发生，数值“0”表示正常即故障不发生。
[0033]
进一步地，为了便于统计或分析各参数信号的变化情况，可对组成参数向量中的各参数信号进行排序，在一些实施例中，参数向量中的多个参数信号按第一预定顺序排列，该第一预定顺序可以是操作人员设定的任意的顺序，例如使温度、电流、电压，
…
、液位各参数按照[温度，电压，电流，
…
，液位]排序形成参数向量。
[0034]
在一些实施例中，对所有可能的故障类型进行排序，使故障类型按第二预定顺序排列，该第二预定顺序可以是操作人员设定的任意的顺序。当然，可根据实际需求对故障类型进行排序，例如按照故障发生造成的影响大小，将容易引发安全事故的故障类型排在靠前的位置，将影响力弱、容易解决的故障类型排在靠后的位置，这样便于工作人员较快地辨识影响程度大的故障，从而及时对这些故障采取及时有利的措施。
[0035]
参数信号和故障类型的顺序设定可以根据实际情况设置，本公开对此不做限定。
[0036]
进一步地，构建故障诊断模型可采用例如神经网络方法实现，将输入和输出数据之间建立关系，从而便于根据建立的模型找到故障与参数信号变化规律之间的关系，以应
用于实际的故障诊断。可以理解的是，建立故障诊断模型不限于采用神经网络的方法，还可以通过其他建模的方法。
[0037]
接下来，利用建立好的故障诊断模型对实际的故障进行诊断，以下将结合图3和图4来描述根据本技术实施例的应用上述故障诊断模型的过程。
[0038]
图3示出了应用本技术实施例的故障诊断模型进行故障诊断的流程框图。
[0039]
首先需要采集参数信号，该参数信号为前述建立故障诊断模型时所列举的一系列信号，例如参数信号包括温度、电流、电压、
…
、液位。接着将各参数信号按第一预定顺序排列以组成参数向量，如参数向量为[温度，电压，电流，
…
，液位]。进一步地，使用各参数信号的状态值来表示参数向量。接着将参数向量作为输入量输入至已经建立好的模型中，以通过模型计算输出故障类型向量。
[0040]
图4示出了根据故障类型向量来精确确定故障数目、种类的示例。
[0041]
如图4所示，例如输出的故障类型向量为[0.98，0，0.22，
…
，0]，其中，向量中的每一个数值表示某一种故障发生的概率，“0”表示故障不发生的概率较大，“1”表示故障发生的概率较大。在一些实施例中，模型预先设定了故障判断条件，例如根据故障发生的概率大小确定故障是否发生，或者确定故障是否为所要诊断的故障。例如当故障发生概率大于预设值时，判断该故障发生，以预设值为0.66为例，若向量[0.98，0，0.22，
…
，0]中大于0.66的元素(用于描述向量中的数值，一个数值为一个元素)只有一个，则确定故障数目为一个，并且故障发生概率为0.98，即表示实际情况中该故障已经发生的可能性较大。
[0042]
再例如，输出的故障类型向量为[0.35，0.999，0.76，
…
，0]，以预设值为0.66为例，若向量中大于0.66的元素为两个，可确定故障数目为两个，其中，概率为0.999的故障相比较概率为0.76的故障在实际情况中可能更容易发生。进一步地，可根据建模时所设定的故障类型的顺序对故障进行辨识。本实施例中，对于向量[0.35，0.999，0.76，
…
，0]，可确定发生故障的故障类型为故障2和故障3，这样便找出了可能发生的所有故障。
[0043]
进一步地，当多故障同时发生时，需要对每个故障进行检查，防止遗漏，对于影响较大的故障可能需要优先处理，以避免造成安全事故，必要时采取紧急停车等措施。对于影响较小的故障，通过相应的措施或改进实验条件解决，以防微杜渐。
[0044]
为了进一步确定故障，例如确定故障此刻的情况、故障位置等，可借助监控数据实现。例如对于冷坩埚系统，其运行环境具有放射性，工作人员无法近距离接近设备，此时可通过监控系统的实时监控数据来进一步确定故障，监控数据例如包括图像或视频等。
[0045]
通过上述结合图1～4所描述的故障诊断模型建立、应用方案，允许多故障点同时诊断，并且根据预先设定的故障类型的顺序能够快速确定故障种类，提高了故障诊断的精确性和效率。
[0046]
以下将结合图5和6来描述根据本技术实施例的故障诊断方法以及相应的故障诊断系统的程序模块。
[0047]
图5示出了根据本技术实施例的故障诊断方法的流程示意图。如图5所示，方法500可以包括步骤s510、s520、s530、s540和s550。根据本公开，方法500的一些步骤可以单独执行或组合执行，以及可以并行执行或顺序执行，并不局限于图5所示的具体操作顺序。在一些实施例中，方法500可以由图1～4所示的模型建立过程、应用过程来实现，或者由图6的系统模块来执行。
[0048]
图6示出了根据本技术实施例的故障诊断系统的程序模块示意图。在本实施例中，故障诊断系统可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述故障诊断方法。
[0049]
如图6所示，故障诊断系统600包括：获取模块610，用于获取目标设备运行的参数信号；处理模块620，用于：根据参数信号获得参数向量；建立故障类型与参数向量的映射关系；以及生成模块630，用于根据参数向量和故障类型，以参数向量为输入训练样本，以故障类型为输出训练样本，建立故障诊断模型。
[0050]
此外，故障诊断系统600还可以包括图6中未示出的其他模块，例如判断模块，用于根据故障发生的概率判断故障是否发生，或者确定故障数目；输出模块，用于输出发生的故障的数目和故障类型。
[0051]
以下将结合图5和图6描述根据本技术实施例的故障诊断方法。
[0052]
方法500开始于步骤s510，在步骤s510中，可以通过获取模块610来获取目标设备运行的参数信号。
[0053]
在步骤s520中，可以通过处理模块620基于参数信号来获得参数向量。
[0054]
在步骤s530中，可以通过处理模块620来建立故障类型与参数向量的映射关系。
[0055]
在步骤s540中，可以通过生成模块630，以参数向量为输入训练样本，以故障类型为输出训练样本，建立故障诊断模型。
[0056]
在步骤s550中，可以将所建立的故障诊断模型应用于目标设备的故障诊断。
[0057]
示例性的，步骤s510中的参数信号至少包括目标设备运行时的多个目标部件或反应物料的多个参数信号，例如温度、电压、电流等。
[0058]
获取参数信号可通过采集设置于设备上或设备之外的传感器数据实现，传感器数据可以是实时采集的，也可以是采集之后存储在存储单元或数据库中，因此可通过从指定的数据库获取相关的参数信号。
[0059]
在一些实施例中，步骤s520包括：根据每个参数信号的值域确定该参数信号的状态值，状态值表征参数信号为正常或者偏离正常；基于多个参数信号的每个的状态值获得参数向量。
[0060]
例如当参数信号包括温度、电压和电流时，所采集的温度在50～60℃区间波动，根据温度的值域划分，该温度处于正常状态，则温度信号的状态值为0；类似地，确定电压和电流的状态值，以形成参数向量，例如参数向量为[0，1，
‑
1]，该参数向量表示温度处于正常状态，电压处于微正偏离状态，电流处于微负偏离状态。通过定义参数向量，有利于更清晰地观察各参数信号的变化情况。
[0061]
在一些实施例中，步骤s530包括：针对每一种故障类型确定所述参数向量中的各参数信号的状态变化，以将故障类型与相应的参数向量一一对应。
[0062]
例如，故障1为泄露发生的瞬间，可分析该故障发生时各参数的变化情况，例如参数向量由[0，1，
‑
1]变为[
‑
1，0，
‑
1]；故障2为泄露发生后一天，此时参数向量为[
‑
2，0，
‑
1]。通过将故障类型与参数信号的变化一一对应，为故障诊断模型的建立提供了依据并且有助于改善建模的精确性。
[0063]
为了容易使故障类型与参数向量建立一一对应关系，使用故障类型向量来表示故障发生情况。对于n种故障，故障1发生可表示为[1，0，
…
，0]，故障2发生可表示为[0，1，
…
，
0]，
…
，故障n发生可表示为[0，0，
…
，1]。其中，数值“1”表示异常即故障发生，数值“0”表示正常即故障不发生。
[0064]
在一些实施例中，步骤500还包括：将参数向量中的多个参数信号按第一预定顺序排列。
[0065]
在一些实施例中，步骤500还包括：将故障类型按第二预定顺序排列。示例性的，可根据故障发生所造成的影响将容易引发安全事故的故障类型排在靠前的位置，将影响力弱、容易解决的故障类型排在靠后的位置，这样便于工作人员较快地辨识影响程度大的故障，从而及时对这些故障采取及时有利的措施。
[0066]
在一些实施例中，步骤s550包括：获取目标设备运行的多个参数信号；将多个参数信号按第一预定顺序排列，并获得参数向量；将参数向量输入至故障诊断模型，以输出发生故障的数目以及每个故障发生的概率。
[0067]
结合图3，输入一参数向量能够对应输出一故障类型向量，以便根据故障类型向量确定故障的数目和故障类型。其中，以0～1之间的数值大小表示故障发生的概率，“0”表示故障不发生的概率较大，“1”表示故障发生的概率较大。
[0068]
在一些实施例中，步骤500还包括：选择概率大于预设值的故障，当故障的数目为一个时，确定该故障为所要诊断的故障；或者当故障的数目为至少两个时，进一步确定所要诊断的故障。
[0069]
如图4所示，输出的故障类型向量例如为[0.35，0.999，0.76，
…
，0]，当预设值为0.66时，选择故障发生概率大于0.66的故障点，这些故障点很可能已经发生。例如当确定故障点为两个时，还需要对每个故障点进一步确定，以便针对每个故障点进行处理。
[0070]
示例性的，可通过监控数据进一步确定故障。例如对于冷坩埚系统，其运行环境具有放射性，工作人员无法近距离接近设备，此时可通过监控系统的实时监控数据来进一步确定故障，监控数据例如包括图像或视频等。
[0071]
在一些实施例中，步骤500还包括：根据故障在第二预定顺序中所处的位置，确定故障的类型。即根据建模时所设定的故障类型的顺序对故障进行辨识，有助于工作人员更快地确定故障种类，以便针对故障采取及时有利的措施。
[0072]
根据本技术实施例的故障诊断方法，能够针对大量的反馈信号提供一个或多个故障报警输出。尤其当故障发生后瞬间、短期或中长期时间内，不同故障所引发的反馈信号变化可能是类似的，如果故障诊断不到位，容易造成一些故障点遗漏，本技术能够诊断出可能发生的所有故障，以便工作人员再对各故障进行逐一检查，从而进行针对性处理，不仅解决了故障发生引发的安全问题，还提高了故障诊断的效率。
[0073]
图7示出了本技术实施例的一种计算机设备的结构示意图。该计算机设备是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备可以是可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图7所示，计算机设备700至少包括但不限于，可通过系统总线相互通信连接的处理器710、存储器720、网络接口730、以及故障诊断系统740。
[0074]
其中，处理器710例如包括中央处理器(cpu)、数字信号处理器(dsp)、微控制单元(mcu)等。处理器710可以用于执行本公开描述的流程的不同动作的单一处理单元或多个处
理单元。处理器710用于运行存储器720中存储的程序代码或者处理数据，例如运行故障诊断系统740，以实现本技术实施例的故障诊断方法。
[0075]
存储器720至少包括一种类型的计算机可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器720可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器720也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。当然，存储器720还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器720通常用于存储安装于计算机设备的操作系统和各类应用软件，例如本技术实施例的故障诊断系统的程序代码等。此外，存储器720还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0076]
网络接口730可包括无线网络接口或有线网络接口，该网络接口730通常用于在服务器与其他电子装置之间建立通信连接。例如，网络接口730用于通过网络将服务器与外部终端相连，在服务器与外部终端之间的建立数据传输通道和通信连接等。网络可以是企业内部网(intranet)、互联网(internet)、全球移动通讯系统(global system of mo bile communication，gsm)、宽带码分多址(wide band code division multiple access，wcdma)、4g网络、5g网络、蓝牙(bluetooth)、wi
‑
fi等无线或有线网络。
[0077]
计算机设备700还可以包括用于从其他实体接收信号的输入单元750、以及用于向其他实体提供信号的输出单元760。输入单元750和输出单元760可以被布置为单一实体或分离的实体。
[0078]
需要说明的是，计算机设备700还可以包括图7中未示出的其他部件，然而由于其并不影响本领域技术人员理解本公开的实施方式，因此在图7中加以省略。
[0079]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，用于执行图1～5中所示出的流程中的各个动作。
[0080]
处理器可以是单个中央处理器(cpu)，也可以包括两个或更多个处理单元。例如，处理器可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))。处理器还可以包括用于缓存用途的板载存储器。计算机程序指令可以由连接到处理器的计算机程序指令产品来承载。计算机程序指令产品可以包括其上存储有计算机程序指令的计算机可读介质。例如，计算机程序指令产品可以是闪存、随机访问存储器(ram)、只读存储器(rom)等。
[0081]
对于本技术的实施例，还需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合以得到新的实施例。
[0082]
以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，本技术的保护范围应以权利要求的保护范围为准。