通信设备电源故障分析的方法、装置、设备及存储介质与流程

本发明实施例涉及通信设备技术领域，尤其涉及一种通信设备电源故障分析的方法、装置、设备及存储介质。

背景技术：

针对无线通信设备的电源问题，现有技术主要基于动环监控系统进行分析，而现网无线通信设备中有60％的通信设备无法通过动环监控分析电源故障，主要还是依耐于人工方式对故障处理后的结果进行分析，电源故障概率分析上数据准确性较低，且无法将分析结果及时应用于电源故障诊断。

无线通信设备的故障日志仅存在设备后端，属于被动查询，需要工程师在故障发生后，登陆设备侧通过命令方式进行查询，电源故障分析效率低。

技术实现要素：

本发明实施例提供一种通信设备电源故障分析的方法、装置、设备及存储介质，解决了现有技术中的通信设备电源故障分析方法中电源故障分析效率低的技术问题。

第一方面，本发明实施例提供一种通信设备电源故障分析的方法，包括：

获取通信设备故障恢复后的日志关键信息；

对所述日志关键信息进行清洗，获得退服类活动告警信息和清除告警信息相对应的清洗后数据集；

提取所述清洗后数据集中的特征信息；

利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率。

进一步地，如上所述的方法，利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率之前，还包括：

利用贝叶斯算法构建所述故障分析模型；

采用训练集对所述故障分析模型进行训练，以获得训练后的故障分析模型；

其中，所述故障分析模型中至少包括：第一模型和第二模型，所述第一模型为单小区退服时间与供电异常概率模型，所述第二模型为多小区退服时间与供电异常概率模型。

进一步地，如上所述的方法，所述利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率之后，还包括：

利用拉普拉斯算法对获取到的退服告警信息和电源故障概率进行修正。

进一步地，如上所述的方法，所述利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率之后，还包括：

获取所述通信设备故障的历史时间和所述特征信息；

根据所述历史时间确定距离当前时刻的最短时间长；

利用预设的人工神经网络模型对所述电源故障概率、所述最短时间长和所述特征信息进行分析处理，判断电源是否故障。

进一步地，如上所述的方法，所述判断电源是否故障之后，还包括：

若利用所述训练后的故障分析模型所获取的电源故障概率大于或等于预设的概率阈值，且利用所述人工神经网络模型所获取的判断结果为电源故障，则确定所述通信设备的电源发生故障；

若利用所述训练后的故障分析模型所获取的电源故障概率小于预设的概率阈值，且利用所述人工神经网络模型所获取的判断结果为电源非故障，则确定所述通信设备的电源未发生故障。

进一步地，如上所述的方法，还包括：

获取所述通信设备电源工作的实际数据；

根据所述实际数据判断电源发生故障或者电源未发生故障的结论是否正确；

若所述结论正确，则利用该结论所对应的数据对所述训练后的故障分析模型和所述人工神经网络模型进行模型优化，直至所述人工神经网络模型达到预设的优化层次阈值为止。

进一步地，如上所述的方法，所述日志关键信息包括以下信息：小区活动告警信息、小区清除告警信息、小区告警日志信息；

小区告警日志信息包括以下信息：站点标识、小区标识、告警名称、告警发生时间；

所述特征信息至少包括以下特征信息：小区退服信息、日志供电异常信息、时间序列信息、基站和小区关联信息；

所述电源故障概率包括以下至少之一：单个小区电源故障概率，两个小区电源故障概率，多个小区电源故障概率。

第二方面，本发明实施例提供一种通信设备电源故障分析的装置，包括：

获取模块，用于获取通信设备故障恢复后的日志关键信息；

清洗模块，用于对所述日志关键信息进行清洗，获得退服类活动告警信息和清除告警信息相对应的清洗后数据集；

提取模块，用于提取所述清洗后数据集中的特征信息；

分析模块，用于利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率。

进一步地，如上所述的装置，还包括：

构建模块，用于利用贝叶斯算法构建所述故障分析模型；

训练模块，用于采用训练集对所述故障分析模型进行训练，以获得训练后的故障分析模型；

其中，所述故障分析模型中至少包括：第一模型和第二模型，所述第一模型为单小区退服时间与供电异常概率模型，所述第二模型为多小区退服时间与供电异常概率模型。

进一步地，如上所述的装置，还包括：

修正模块，用于利用拉普拉斯算法对获取到的退服告警信息和电源故障概率进行修正。

进一步地，如上所述的装置，还包括：确定模块和判断模块；

所述获取模块，还用于获取所述通信设备故障的历史时间和所述特征信息；

所述确定模块，还用于根据所述历史时间确定距离当前时刻的最短时间长；

所述判断模块，用于利用预设的人工神经网络模型对所述电源故障概率、所述最短时间长和所述特征信息进行分析处理，判断电源是否故障。

进一步地，如上所述的装置，所述确定模块，还用于若利用所述训练后的故障分析模型所获取的电源故障概率大于或等于预设的概率阈值，且利用所述人工神经网络模型所获取的判断结果为电源故障，则确定所述通信设备的电源发生故障；若利用所述训练后的故障分析模型所获取的电源故障概率小于预设的概率阈值，且利用所述人工神经网络模型所获取的判断结果为电源非故障，则确定所述通信设备的电源未发生故障。

进一步地，如上所述的装置，还包括：优化模块；

所述获取模块，还用于获取所述通信设备电源工作的实际数据；

所述判断模块，还用于根据所述实际数据判断电源发生故障或者电源未发生故障的结论是否正确；

所述优化模块，用于若所述结论正确，则利用该结论所对应的数据对所述训练后的故障分析模型和所述人工神经网络模型进行模型优化，直至所述人工神经网络模型达到预设的优化层次阈值为止。

进一步地，如上所述的装置，所述日志关键信息包括以下信息：小区活动告警信息、小区清除告警信息、小区告警日志信息；

小区告警日志信息包括以下信息：站点标识、小区标识、告警名称、告警发生时间；

所述特征信息至少包括以下特征信息：小区退服信息、日志供电异常信息、时间序列信息、基站和小区关联信息；

所述电源故障概率包括以下至少之一：单个小区电源故障概率，两个小区电源故障概率，多个小区电源故障概率。

第三方面，本发明实施例提供一种电子设备，包括：

存储器，处理器以及计算机程序；

其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面任一项所述的方法。

第四方面，本发明实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面中任一项所述的方法。

本发明实施例提供一种通信设备电源故障分析的方法、装置、设备及存储介质，通过获取通信设备故障恢复后的日志关键信息；对日志关键信息进行清洗，获得退服类活动告警信息和清除告警信息相对应的清洗后数据集；提取清洗后数据集中的特征信息；利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率。能够通过主动获取日志关键信息，并通过故障分析模型快速分析出通信设备的电源故障概率，提高了电源故障的分析效率。

应当理解，上述发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的通信设备电源故障分析的方法的流程图；

图2为本发明实施例二提供的通信设备电源故障分析的方法的流程图；

图3为本发明实施例三提供的通信设备电源故障分析的装置的结构示意图；

图4为本发明实施例四提供的通信设备电源故障分析的装置的结构示意图；

图5为本发明实施例五提供的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

本发明实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供的通信设备电源故障分析的方法的流程图，如图1所示，本实施例的执行主体为通信设备电源故障分析的装置，该通信设备电源故障分析的装置可集成在计算机，笔记本电脑或服务器等电子设备中，则本实施例提供的通信设备电源故障分析的方法包括以下几个步骤。

步骤101，获取通信设备故障恢复后的日志关键信息。

具体地，本实施例中，可通过向网元管理系统(简称ems)发送请求命令，从网元管理系统中获取通信设备故障恢复后的日志关键信息。可也预先将通信设备故障恢复后的日志关键信息进行存储，从存储区域获取通信设备故障恢复后的日志关键信息，本实施例中对此不作限定。

其中，日志关键信息可以包括：小区活动告警信息、小区清除告警信息、小区告警日志信息等信息。小区告警日志信息可以包括：站点标识、小区标识、告警名称、告警发生时间等信息。

步骤102，对日志关键信息进行清洗，获得退服类活动告警信息和清除告警信息相对应的清洗后数据集。

具体地，本实施例中，对获取的日志关键信息进行清洗，获得退服类活动告警信息和清除告警信息，其中，退服类活动告警信息和清除告警信息为与非超频闪断相关的对应信息。

由非超频闪断的退服类活动告警信息和清除告警信息构成清洗后的数据集。

步骤103，提取清洗后数据集中的特征信息。

具体地，本实施例中，采用特征提取算法提取清洗后的数据集中的特征信息。其中，特征信息可以包括：小区退服信息、日志供电异常信息、时间序列信息、基站和小区关联信息等。

步骤104，利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率。

具体地，本实施例中，首先构建故障分析模型，然后采用多个通信设备故障恢复后的日志关键信息进行清洗和特征提取后，组成故障分析模型的训练集，对故障分析模型进行训练，获得训练后的故障分析模型。

其中，故障分析模型可以为采用贝叶斯算法进行构建的。

本实施例中，电源故障概率可以为单个小区电源故障概率，两个小区电源故障概率或多个小区电源故障概率。

本实施例提供的通信设备电源故障分析的方法，装置，设备及存储介质，通过获取通信设备故障恢复后的日志关键信息；对日志关键信息进行清洗，获得退服类活动告警信息和清除告警信息相对应的清洗后数据集；提取清洗后数据集中的特征信息；利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率。能够通过主动获取日志关键信息，并通过故障分析模型快速分析出通信设备的电源故障概率，提高了电源故障的分析效率。

实施例二

本发明实施例二提供的通信设备电源故障分析的方法的流程图，如图2所示，本实施例提供的通信设备电源故障分析的方法是在本发明实施例一提供的通信设备电源故障分析的方法的基础上，对步骤101-步骤104的进一步细化，并且还包括了其他步骤，则本实施例提供的通信设备电源故障分析的方法包括以下步骤。

步骤201，利用贝叶斯算法构建故障分析模型。

进一步地，本实施例中，采用贝叶斯算法构建故障分析模型。贝叶斯算法可以为朴素贝叶斯算法。

其中，朴素贝叶斯算法假设在分类确定的条件下，用于分类的特征是条件独立的，即公式(1)成立。

其中，x⁽¹⁾,x⁽²⁾＝x⁽²⁾,…,x⁽ⁿ⁾为样本空间的一个划分，p(x⁽¹⁾)大于等于零。

根据贝叶斯定理及分类特征的条件独立，假设有公式(2)成立

公式(2)即为采用贝叶斯算法构建的故障分析模型，p(y＝ck)根据ck的取值，表示电源故障概率或非故障概率。

步骤202，采用训练集对故障分析模型进行训练，以获得训练后的故障分析模型。

其中，故障分析模型中至少包括：第一模型和第二模型，第一模型为单小区退服时间与供电异常概率模型，第二模型为多小区退服时间与供电异常概率模型。

进一步地，本实施例中，训练集中的训练样本为某通信设备故障恢复后的日志关键信息进行清洗后提取的特征信息。

步骤203，获取通信设备故障恢复后的日志关键信息。

进一步地，本实施例中，日志关键信息包括以下信息：小区活动告警信息、小区清除告警信息、小区告警日志信息。小区告警日志信息包括以下信息：站点标识、小区标识、告警名称、告警发生时间。

步骤204，对日志关键信息进行清洗，获得退服类活动告警信息和清除告警信息相对应的清洗后数据集。

步骤205，提取清洗后数据集中的特征信息。

进一步地，本实施例中，特征信息至少包括以下特征信息：小区退服信息、日志供电异常信息、时间序列信息、基站和小区关联信息。

步骤206，利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率。

进一步地，本实施例中，由于故障分析模型中至少包括：第一模型和第二模型，第一模型为单小区退服时间与供电异常概率模型，第二模型为多小区退服时间与供电异常概率模型。所以利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，获得的电源故障概率包括以下至少之一：单个小区电源故障概率，两个小区电源故障概率，多个小区电源故障概率。

步骤207，利用拉普拉斯算法对获取到的退服告警信息和电源故障概率进行修正。

进一步地，本实施例中，在采用贝叶斯算法构建故障分析模型后，用极大似然估计可能会出现所估计的概率值为零的情况，这会影响到后验概率的计算结果，使分类产生偏差，为了解决这一问题，本实施例中在估计概率时进行“平滑”，即采用拉普拉斯算法对获取到的退服告警信息和电源故障概率进行修正，拉普拉斯算法修正的实质上假设了属性值和类别值均分分布，这相当于在贝叶斯学习过程中额外引入了关于数据的先验。则在故障分析模型中增加了修正系数λ，则故障分析模型为公式(3)所示。

其中，k＝1,2,…,k，j＝1,2,…,n，l＝1,2,…,sj。

其中，修正系数λ的取值为1。

步骤208，获取通信设备故障的历史时间和特征信息。

具体地，本实施例中，通信设备故障的历史时间可以包括历史上发生的故障的历史时间，若发生一次故障，则为一次故障的历史时间，若为多次故障，则包括多次故障的历史时间。

其中，特征信息为步骤205中的特征信息。

步骤209，根据历史时间确定距离当前时刻的最短时间长。

进一步地，本实施例中，在历史时间中确定离当前时间间隔最短的历史时间，计算离当前时间间隔最短的历史时间与当前时刻的差值，获得距离当前时刻的最短时间长。

步骤210，利用预设的人工神经网络模型对电源故障概率、最短时间长和特征信息进行分析处理，判断电源是否故障。

进一步地，本实施例中，将电源故障概率、最短时间长和特征信息输入到人工神经网络模型中，电源故障概率作为人工神经网络模型中的预测因子，最短时间长和特征信息作为人工神经网络模型中的预测变量，人工神经网络模型根据预测因子和预测变量对电源是否有故障进行判断。

其中，人工神经网络网络选用隐藏层可以为30层或更多层，激活函数为relu和sigmoid交叉使用。

步骤211，若利用训练后的故障分析模型所获取的电源故障概率大于或等于预设的概率阈值，且利用人工神经网络模型所获取的判断结果为电源故障，则确定通信设备的电源发生故障，若利用训练后的故障分析模型所获取的电源故障概率小于预设的概率阈值，且利用人工神经网络模型所获取的判断结果为电源非故障，则确定通信设备的电源未发生故障。

进一步地，本实施例中，根据故障分析模型和人工神经网络模型输出的结果进行电源是否发生故障的最终判断。若利用训练后的故障分析模型所获取的电源故障概率大于或等于预设的概率阈值，且利用人工神经网络模型所获取的判断结果为电源故障，则说明两种模型分析的结果方向一致，即电源发生了故障，则确定通信设备的电源发生故障，若利用训练后的故障分析模型所获取的电源故障概率小于预设的概率阈值，且利用人工神经网络模型所获取的判断结果为电源非故障，则说明两种模型分析的结果方向一致，即电源未发生故障，则确定通信设备的电源未发生故障。

其中，预设的概率阈值可通过多次试验后确定，如可以为70％，或其他数值，本实施例中对此不作限定。

步骤212，获取通信设备电源工作的实际数据。

具体地，本实施例中，可从通信设备中获取电源工作的实际数据，在实际数据中包括每个阶段电源的工作状态，是否出现故障，出现故障的时间等信息。

步骤213，根据实际数据判断电源发生故障或者电源未发生故障的结论是否正确。

进一步地，本实施例中，将步骤211中的电源发生故障或电源未发生故障的结论与实际数据中的电源是否发生故障进行对此，判断结论是否正确。

步骤214，若结论正确，则利用该结论所对应的数据对训练后的故障分析模型和人工神经网络模型进行模型优化，直至人工神经网络模型达到预设的优化层次阈值为止。

其中，人工神经网络的预设优化层次阈值可以为30或其他数值，本实施例中对此不作限定。

本实施例提供的通信设备电源故障分析的方法，通过利用贝叶斯算法构建故障分析模型，采用训练集对故障分析模型进行训练，以获得训练后的故障分析模型，获取通信设备故障恢复后的日志关键信息，对日志关键信息进行清洗，获得退服类活动告警信息和清除告警信息相对应的清洗后数据集，提取清洗后数据集中的特征信息，利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率，利用拉普拉斯算法对获取到的退服告警信息和电源故障概率进行修正，能够提高训练后的故障分析模型对电源故障概率进行分析的准确性。

本实施例提供的通信设备电源故障分析的方法，由于在利用贝叶斯算法构建故障分析模型，采用训练集对故障分析模型进行训练，以获得训练后的故障分析模型时，故障分析模型中至少包括：第一模型和第二模型，第一模型为单小区退服时间与供电异常概率模型，第二模型为多小区退服时间与供电异常概率模型，并且对通信设备的电源故障进行分析时，也提取了单小区和多小区的退服信息及供电异常信息，所以能够进行全网中通信设备的电源故障的分析。

本实施例提供的通信设备电源故障分析的方法，在利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率后，获取通信设备故障的历史时间和特征信息，根据历史时间确定距离当前时刻的最短时间长，利用预设的人工神经网络模型对电源故障概率、最短时间长和特征信息进行分析处理，判断电源是否故障，若利用训练后的故障分析模型所获取的电源故障概率大于或等于预设的概率阈值，且利用人工神经网络模型所获取的判断结果为电源故障，则确定通信设备的电源发生故障，若利用训练后的故障分析模型所获取的电源故障概率小于预设的概率阈值，且利用人工神经网络模型所获取的判断结果为电源非故障，则确定通信设备的电源未发生故障。能够根据训练后的故障分析模型和人工神经网络模型的共同分析作用下确定通信设备是否发生电源故障，能够进一步提高分析结果的准确性。

本实施例提供的通信设备电源故障分析的方法，通过获取通信设备电源工作的实际数据；根据实际数据判断电源发生故障或者电源未发生故障的结论是否正确；若结论正确，则利用该结论所对应的数据对训练后的故障分析模型和人工神经网络模型进行模型优化，直至人工神经网络模型达到预设的优化层次阈值为止，能够采用结论正确对应的数据对训练后的故障分析模型和人工神经网络模型进行优化，进而能够使训练后的故障分析模型和人工神经网络模型处在不断优化的过程，能够随着故障分析次数的增多进一步提高故障分析的准确性。

实施例三

图3为本发明实施例三提供的通信设备电源故障分析的装置的结构示意图，如图3所示，本实施例提供的通信设备电源故障分析的装置包括：获取模块31，清洗模块32，提取模块33及分析模块34。

其中，获取模块31，用于获取通信设备故障恢复后的日志关键信息。清洗模块32，用于对日志关键信息进行清洗，获得退服类活动告警信息和清除告警信息相对应的清洗后数据集。提取模块33，用于提取清洗后数据集中的特征信息。分析模块34，用于利用训练后的故障分析模型对清洗后数据集的特征信息进行分析处理，以获得退服告警信息和电源故障概率。

本实施例提供的通信设备电源故障分析的装置可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图4为本发明实施例四提供的通信设备电源故障分析的装置的结构示意图，如图4所示，本实施例提供的通信设备电源故障分析的装置在本发明实施例三提供的通信设备电源故障分析的装置的基础上，进一步地，还包括：构建模块41，训练模块42，修正模块43，确定模块44，判断模块45及优化模块46。

进一步地，构建模块41，用于利用贝叶斯算法构建故障分析模型。训练模块42，用于采用训练集对故障分析模型进行训练，以获得训练后的故障分析模型。其中，故障分析模型中至少包括：第一模型和第二模型，第一模型为单小区退服时间与供电异常概率模型，第二模型为多小区退服时间与供电异常概率模型。

进一步地，修正模块43，用于利用拉普拉斯算法对获取到的退服告警信息和电源故障概率进行修正。

进一步地，获取模块31，还用于获取通信设备故障的历史时间和特征信息。确定模块44，还用于根据历史时间确定距离当前时刻的最短时间长。判断模块45，用于利用预设的人工神经网络模型对电源故障概率、最短时间长和特征信息进行分析处理，判断电源是否故障。

进一步地，确定模块44，还用于若利用训练后的故障分析模型所获取的电源故障概率大于或等于预设的概率阈值，且利用人工神经网络模型所获取的判断结果为电源故障，则确定通信设备的电源发生故障；若利用训练后的故障分析模型所获取的电源故障概率小于预设的概率阈值，且利用人工神经网络模型所获取的判断结果为电源非故障，则确定通信设备的电源未发生故障。

进一步地，获取模块31，还用于获取通信设备电源工作的实际数据。判断模块45，还用于根据实际数据判断电源发生故障或者电源未发生故障的结论是否正确。优化模块46，用于若结论正确，则利用该结论所对应的数据对训练后的故障分析模型和人工神经网络模型进行模型优化，直至人工神经网络模型达到预设的优化层次阈值为止。

进一步地，本实施例中，日志关键信息包括以下信息：小区活动告警信息、小区清除告警信息、小区告警日志信息；小区告警日志信息包括以下信息：站点标识、小区标识、告警名称、告警发生时间；特征信息至少包括以下特征信息：小区退服信息、日志供电异常信息、时间序列信息、基站和小区关联信息；电源故障概率包括以下至少之一：单个小区电源故障概率，两个小区电源故障概率，多个小区电源故障概率。

本实施例提供的通信设备电源故障分析的装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

实施例五

图5为本发明实施例五提供的电子设备的结构示意图，如图5所示，本实施例中，该电子设备包括：存储器51，处理器52以及计算机程序。

其中，计算机程序存储在存储器51中，并被配置为由处理器52执行以实现本发明实施例一提供的通信设备电源故障的分析方法或本发明实施例二提供的通信设备电源故障的分析方法。

相关说明可以对应参见图1至图2的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。

实施例六

本发明实施例六提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本发明实施例一提供的通信设备电源故障的分析方法或本发明实施例二提供的通信设备电源故障的分析方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。