[发明专利]一种基于机器学习的电子设备自动测试方法及系统

说明书

本公开提供了一种基于机器学习的电子设备自动测试方法及系统。其中，一种基于机器学习的电子设备自动测试方法，包括：获取电子设备的测试数据，提取测试数据的特征分量；所述测试数据包括序列化波形数据和非序列化视频和图像数据；对测试数据进行主成分分析，确定不同特征分量的相关性，进而生成特征向量；将特征向量输入至预设故障诊断模型中，输出电子测试故障的预测结果。

技术领域

本公开属于电子测试领域，尤其涉及一种基于机器学习的电子设备自动测试方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

自动测试是当前电子测试领域的主流技术，是以客户端的形式对数据进行采集、录入以及实现数据展示，在服务器端进行数据整合与分析，以阈值判断或专家系统为决策依据的故障诊断技术。自动测试将大量测试资源集中起来，包括测试仪器、测试人员、测试数据在内，满足测试需求的集中实现和决策判断，其中，测试需求的实现以系统化平台化数据采集为主，决策判断以对数据的人为分析和结合具体被测对象的物理模型为主。自动测试从架构实现上多以C/S为主，即客户端/服务器架构，这是由自动测试的测试资源集中性的特点决定的，决策判断以阈值判断和专家知识为主，这是由自动测试的测试数据和测试人员集中性的特点决定的。自动测试相对于传统手动测试实现了测试能力的提升，结合网络化技术的发展和引入，对大量数据的采集和共享能力得到一定程度的提升；结合统计学方法和故障分析建模，具有一定的数据分析和处理能力，尽管自动测试在电子测试领域应用较广，但伴随着电子测试智能化、共享化、精准化、高效化、快速化的测试需求提升，自动测试已逐渐不能满足现代电子智能测试的需求。

传统自动测试多强调在测试环节中减少人力的消耗并提升自动化程度，具有以下几点不足：第一，自动测试技术往往采用集中测试方式，测试技术中的各环节均容易受到地域限制，自动测试技术虽然可以实现某种程度上的数据共享，但是数据智能处理能力依然有限、数据处理效率偏低；第二，自动测试常使用专家知识、阈值判断和简单统计学的分析方法，对数据的深度挖掘能力不足；第三，当前自动测试领域与机器学习结合不够紧密，自动测试在执行过程中，依照测试资源配置和流程采集数据后，通过简单的预处理并利用机器学习算法得到诊断预测结果。此过程中，依托测试的数据采集与基于机器学习的决策获取往往独立运行，未实现智能测试一体化；第四，当前自动测试的智能化程度较低，多依赖于人为经验来开发自动测试流程，然后进行测试行为的开展，这样的自动测试无法根据实时的测试结果并结合智能推断的决策更新测试资源配置与流程，也无法针对特定测试采集的数据精准改进测试资源的消耗。

发明内容

根据本公开的一个或多个实施例的一个方面，提供一种基于机器学习的电子设备自动测试方法，其能够实现测试数据的共享化和测试分析的高效化。

本公开的一种基于机器学习的电子设备自动测试方法，包括：

获取电子设备的测试数据，提取测试数据的特征分量；所述测试数据包括序列化波形数据和非序列化视频和图像数据；

对测试数据进行主成分分析，确定不同特征分量的相关性，进而生成特征向量；

将特征向量输入至预设故障诊断模型中，输出电子测试故障的预测结果。

在一个或多个实施例中，所述基于机器学习的电子设备自动测试方法，还包括：

输出电子测试故障的预测结果的同时，将特征向量的分析结果返回自动测试前端，指导前端测试资源配置与流程的更新和改进。

在一个或多个实施例中，特征向量的分析结果包括冗余特征信息。

在一个或多个实施例中，在提取测试数据的特征分量的过程中，对于序列化数据的特征提取：

对测试采样后得到的一组数据向量的每个分量数组，求取其幅值平方和即为总能量值特征；