一种试验标准生成方法、装置及存储介质与流程

1.本发明涉及试验技术领域，具体而言，涉及一种试验标准生成方法、装置及存储介质。


背景技术：

2.对设备进行试验是检验设备各组成部分可靠性和安全性的重要措施，其试验项目通常是固定的，例如起重机试验的试验项目包括静荷载试验和动荷载试验。但是由于不同试验员操作习惯的不同，会导致不同试验员在进行同一试验项目时得到的试验结果存在差异，例如不同试验员进行同一起重机试验项目时的试验效率和试验油耗不同，导致不同试验员进行同一试验时试验结果的一致性较差。


技术实现要素：

3.本发明解决的问题是如何降低试验员的操作习惯对试验结果的影响，以提高不同试验员进行同一试验时试验结果的一致性。
4.为解决上述问题，本发明提供一种试验标准生成方法、装置及存储介质。
5.第一方面，本发明提供了一种试验标准生成方法，包括：
6.获取多位试验员进行试验的工况数据组合，所述工况数据组合包括至少一个数据特征和与各个所述数据特征对应的特征值时间序列；
7.在所有所述工况数据组合中确定满足预设评估标准的特定工况数据组合，将所述特定工况数据组合中的所有所述数据特征输入训练好的机器学习模型，确定与试验员操作习惯相关的特定数据特征；
8.根据所述特定工况数据组合中与所述特定数据特征对应的所述特征值时间序列确定所述特定数据特征的取值范围，所述特定数据特征及其所述取值范围用作试验标准。
9.可选地，所述特定工况数据组合的数量和所述特定数据特征的数量均为至少一个，所述确定与试验员操作习惯相关的特定数据特征之后，还包括：
10.计算同一所述特定数据特征在各个所述特定工况数据组合中的所述特征值时间序列之间的重合度；
11.将各个所述特定数据特征的所述重合度分别与预设阈值进行对比，根据对比结果保留所述重合度大于或等于所述预设阈值的所述特定数据特征。
12.可选地，所述计算同一所述特定数据特征在各个所述特定工况数据组合中的所述特征值时间序列之间的重合度包括：
13.对于任一所述特定数据特征，分别确定所述特定数据特征在各个所述特定工况数据组合中的所述特征值时间序列的第一方差；
14.计算所述特定数据特征对应的所有所述第一方差的第二方差，所述第二方差用于表征所述特定数据特征对应的所述重合度。
15.可选地，所述根据所述特定工况数据组合中与所述特定数据特征对应的所述特征
值时间序列确定所述特定数据特征的取值范围包括：
16.根据所述特定数据特征的所有所述第一方差确定所述特定数据特征的置信区间；
17.根据所述置信区间的区间值确定所述特定数据特征的取值范围。
18.可选地，该试验标准生成方法还包括：获取各位所述试验员进行试验的试验数据，所述试验数据包括试验时长和/或试验油耗；
19.所述特定工况数据组合包括推荐数据组合和/或不推荐数据组合，所述在所有所述工况数据组合中确定满足预设评估标准的特定工况数据组合包括：
20.在所有所述工况数据组合中确定所述试验时长小于或等于第一预设时长阈值，和/或所述试验油耗小于或等于第一预设油耗阈值的所述工况数据组合为所述推荐数据组合；
21.和/或，
22.在所有所述工况数据组合中确定所述试验时长大于或等于第二预设时长阈值，和/或所述试验油耗大于或等于第二预设油耗阈值的所述工况数据组合为所述不推荐数据组合。
23.可选地，该试验标准生成方法还包括：获取各位所述试验员进行试验的试验数据，所述试验数据包括试验时长和/或试验油耗；
24.所述特定工况数据组合包括推荐数据组合和/或不推荐数据组合，所述在所有所述工况数据组合中确定满足预设评估标准的特定工况数据组合包括：
25.按照所述试验时长从短到长的顺序选取第一预设数量的所述工况数据组合为所述推荐数据组合，和/或，按照所述试验油耗从低到高的顺序选取第二预设数量的所述工况数据组合为所述推荐数据组合；
26.和/或，
27.按照所述试验时长从长到短的顺序选取第三预设数量的所述工况数据组合为所述不推荐数据组合，和/或，按照所述试验油耗从高到低的顺序选取第四预设数量的所述工况数据组合为所述不推荐数据组合。
28.可选地，所述将所述特定工况数据组合中的所有所述数据特征输入训练好的机器学习模型之前，还包括：
29.获取多个不同的带标签的数据特征，所述标签包括与试验员操作习惯相关和与试验员操作习惯无关；
30.采用所有所述带标签的数据特征训练预先建立的机器学习模型，获得所述训练好的机器学习模型。
31.第二方面，本发明提供了一种试验标准生成装置，包括：
32.获取模块，用于获取多位试验员进行试验的工况数据组合，所述工况数据组合包括至少一个数据特征和与各个所述数据特征对应的特征值时间序列；
33.处理模块，用于在所有所述工况数据组合中确定满足预设评估标准的特定工况数据组合，将所述特定工况数据组合中的所有所述数据特征输入训练好的机器学习模型，确定与试验员操作习惯相关的特定数据特征；
34.生成模块，用于根据所述特定工况数据组合中与所述特定数据特征对应的所述特征值时间序列确定所述特定数据特征的取值范围，所述特定数据特征及其所述取值范围用
作试验标准。
35.第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一项所述的试验标准生成方法。
36.第四方面，本发明提供了一种起重机试验监控平台，包括存储器和处理器；
37.所述存储器，用于存储计算机程序；
38.所述处理器，用于当执行所述计算机程序时，实现如第一方面任一项所述的试验标准生成方法。
39.本发明的试验标准生成方法、装置及存储介质的有益效果是：获取多位试验员分别进行试验得到的工况数据组合，每位试验员对应一个工况数据组合，工况数据组合中包括至少一个数据特征及其特征值时间序列。在所有工况数据组合中确定满足预设评估标准的特定工况数据组合，预设评估标准可根据试验标准的优化目标具体设置，例如试验效率最高的工况数据组合。通过训练好的机器学习模型从所有数据特征中筛选出与试验员操作习惯相关的特定数据特征，以满足预设评估标准的特定工况数据组合中的不同时间点的特征值确定特定数据特征的取值范围，以该特定数据特征及其取值范围作为试验标准，该试验标准指导试验员进行试验时，能够使试验结果贴近预设评估标准。本发明生成的试验标准用于指导不同的试验员在进行试验时均使特定数据特征的特征值位于对应的取值范围内，能够降低试验员的操作习惯对试验结果的影响，提高了不同试验员进行同一试验时试验结果的一致性。
附图说明
40.图1为本发明实施例的一种试验标准生成方法的流程示意图；
41.图2为本发明实施例的试验员a进行试验时的数据特征曲线图；
42.图3为本发明实施例的试验员b进行试验时的数据特征曲线图；
43.图4为本发明另一实施例的一种试验标准生成装置的结构示意图。
具体实施方式
44.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。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。
45.应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
46.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
47.需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
48.本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
49.现有技术中，常由多位试验员分别对设备进行试验，然后对所有试验结果进行分析，从各位试验员进行试验得到的所有试验结果中确定设备试验效率最高或试验油耗最低的试验结果为最终试验结果。但是，对于每台设备，均需要多位试验员进行试验，导致试验效率较低，且试验成本较高。
50.如图1所示，本发明提供的一种试验标准生成方法，包括：
51.步骤s100，获取多位试验员进行试验的工况数据组合，所述工况数据组合包括至少一个数据特征和与各个所述数据特征对应的特征值时间序列。
52.具体地，每位试验员进行试验时分别记录各个数据特征在试验过程中的特征值，将试验过程中同一数据特征的特征值按时间顺序排列，得到该试验员进行试验时该数据特征的特征值时间序列。获取多位试验员进行试验的工况数据组合时，还可获取各位试验员进行试验得到的试验数据，试验数据包括试验时长和/或试验油耗，一个试验数据与一位试验员进行试验得到的工况数据组合相对应。
53.需要说明的是，本实施例中以起重机试验为例对试验标准生成方法进行具体描述，但本发明的试验标准生成方法不限于应用在起重机试验中，还可应用于生成其它设备的试验标准。
54.以起重机试验为例，数据特征包括回转角度、起重机臂长、起重机时速、力矩百分比、手柄x,y轴开合幅度、油门踏板幅度等的至少一者，这些特征的数值可通过车端t-box回传的数据统计得到；数据特征还可包括故障率等，该特征的数值可通过试验监控平台获取。
55.示例性地，对于试验员a，假设数据特征包括数据特征1、数据特征2和数据特征3，分别记录试验员a进行起重机试验时数据特征1、数据特征2和数据特征3在试验过程中各个时间点的特征值，将数据特征1的所有特征值按照时间顺序排列，得到试验员a进行起重机试验时数据特征1的特征值时间序列；基于相同的处理过程，可得到试验员a进行起重机试验时数据特征2和数据特征3的特征值时间序列。将试验员a的数据特征1、数据特征2和数据特征3的特征值时间序列在同一张图上展示出来，可得到如图2所示的数据特征曲线图。
56.基于相同的处理过程，可分别得到试验员b进行起重机试验时数据特征1、数据特征2和数据特征3的特征值时间序列。将试验员b的数据特征1、数据特征2和数据特征3的特征值时间序列在同一张图上展示出来，可得到如图3所示的数据特征曲线图。
57.步骤s200，在所有所述工况数据组合中确定满足预设评估标准的特定工况数据组合，将所述特定工况数据组合中的所有所述数据特征输入训练好的机器学习模型，确定与试验员操作习惯相关的特定数据特征。
58.具体地，预设评估标准可根据实际需要进行具体设置，例如预设评估标准可设置为试验油耗最小的n个工况数据组合，或试验时长最短的m个工况数据组合等等，在此不做限制。
59.机器学习模型用于对输入的数据特征进行分类，可采用决策树模型、随机森林模型、朴素贝叶斯模型和支持向量机等能够实现分类功能的机器学习模型。
60.可以理解的是，特定工况数据组合中包括多个数据特征，其中，可能部分数据特征与试验员操作习惯相关，部分数据特征与试验员操作习惯无关，通过训练好的机器学习模型筛选出与试验员操作习惯相关的特定数据特征。
61.以起重机试验为例，与试验员操作习惯相关的特定数据特征包括手柄开合幅度、油门踏板幅度、力矩百分比、时速、臂长、回转角度等。
62.步骤s300，根据所述特定工况数据组合中与所述特定数据特征对应的所述特征值时间序列确定所述特定数据特征的取值范围，所述特定数据特征及其所述取值范围用作试验标准。
63.具体地，操作标准包括推荐操作标准和不推荐操作标准，将特定数据特征及其取值范围用作试验标准，就是每次进行试验时，建议使特定数据特征的特征值位于推荐操作标准对应的取值范围中，不建议使特定数据特征的特征值位于不推荐操作标准对应的取值范围中。
64.对于一个特定数据特征，根据特征值时间序列可确定该特定数据特征的最大值和最小值。若特定工况数据组合的数量为多个，则根据每个特定工况数据组合中对应的特征值时间序列分别确定该特定数据特征在各个特定工况数据组合中的局部最大值和局部最小值，然后将各个特定工况数据组合对应的局部最大值和局部最小值进行对比，确定该特定数据特征全局最大值和全局最小值，全局最小值和全局最大值之间的数值范围就是该特定数据特征的取值范围。
65.或者，对于一个特定数据特征，根据特征值时间序列可确定该特征数据特征在各个时间点的取值，根据这些取值确定该数据特征的取值组合。若特定工况数据组合的数量为多个，则将每个工况数据组合对应的该特定数据特征的取值组合进行合并，得到该特定数据特征的最终取值组合，作为该特定数据特征的取值范围。
66.本实施例中，获取多位试验员分别进行试验得到的工况数据组合，每位试验员对应一个工况数据组合，工况数据组合中包括至少一个数据特征及其特征值时间序列。在所有工况数据组合中确定满足预设评估标准的特定工况数据组合，预设评估标准可根据试验标准的优化目标具体设置，例如试验效率最高的工况数据组合。通过训练好的机器学习模型从所有数据特征中筛选出与试验员操作习惯相关的特定数据特征，以满足预设评估标准的特定工况数据组合中的不同时间点的特征值确定特定数据特征的取值范围，以该特定数据特征及其取值范围作为试验标准，该试验标准指导试验员进行试验时，能够使试验结果贴近预设评估标准。本实施例生成的试验标准用于指导不同的试验员在进行试验时均使特定数据特征的特征值位于对应的取值范围内，能够降低试验员的操作习惯对试验结果的影响，提高了不同试验员进行同一试验时试验结果的一致性。
67.示例性地，相较于现有技术，对于同一型号的设备，本发明仅需要在生成操作标准时需要多位试验员进行试验操作，生成操作标准以后，操作标准能够指导任意一位试验员完成满足预设评估标准的试验，同型号的设备进行试验时，仅需要一名试验员进行操作，有效提高了试验效率，降低了试验成本。
68.可选地，该试验标准生成方法还包括：获取各位所述试验员进行试验的试验数据，
所述试验数据包括试验时长和/或试验油耗。
69.所述特定工况数据组合包括推荐数据组合和/或不推荐数据组合，所述在所有所述工况数据组合中确定满足预设评估标准的特定工况数据组合包括：
70.在所有所述工况数据组合中确定所述试验时长小于或等于第一预设时长阈值，和/或所述试验油耗小于或等于第一预设油耗阈值的所述工况数据组合为所述推荐数据组合；
71.和/或，
72.在所有所述工况数据组合中确定所述试验时长大于或等于第二预设时长阈值，和/或所述试验油耗大于或等于第二预设油耗阈值的所述工况数据组合为所述不推荐数据组合。
73.具体地，第一预设时长阈值、第一预设油耗阈值、第二预设时长阈值和第二预设油耗阈值可根据实际情况具体设置，在此不做限制。对于一个工况数据组合，若其对应的试验时长小于或等于第一预设时长，表示该工况数据组合对应的试验员在进行试验时效率较高；反之，若其对应的试验时长大于或等于第二预设时长阈值，第二预设时长阈值可大于或等于第一预设时长阈值，表示该工况数据组合对应的试验员在进行试验时效率较低。
74.对于一个工况数据组合，若其对应的试验油耗小于或等于第一预设油耗阈值，则表示该工况数据组合对应的试验员在进行试验时耗能较低，比较节能；反之，若其对应的试验油耗大于或等于第二预设油耗阈值，第二预设油耗阈值可大于或等于第一预设油耗阈值，则表示该工况数据组合对应的试验员在进行试验时耗能较高。
75.可选地，该试验标准生成方法还包括：获取各位所述试验员进行试验的试验数据，所述试验数据包括试验时长和/或试验油耗。
76.所述特定工况数据组合包括推荐数据组合和/或不推荐数据组合，所述在所有所述工况数据组合中确定满足预设评估标准的特定工况数据组合包括：
77.按照所述试验时长从短到长的顺序选取第一预设数量的所述工况数据组合为所述推荐数据组合，和/或，按照所述试验油耗从低到高的顺序选取第二预设数量的所述工况数据组合为所述推荐数据组合；
78.和/或，
79.按照所述试验时长从长到短的顺序选取第三预设数量的所述工况数据组合为所述不推荐数据组合，和/或，按照所述试验油耗从高到低的顺序选取第四预设数量的所述工况数据组合为所述不推荐数据组合。
80.具体地，第一预设数量、第二预设数量、第三预设数量和第四预设数量可根据实际情况具体设置，在此不做限制。按照试验时长从短到长的顺序对工况数据组合进行排序，对于试验时长前n位的工况数据组合，表示对应的试验员在进行试验时效率较高；反之，对于试验时长后m位的工况数据组合，表示对应的试验员在进行试验时效率较低，n和m大于或等于1。
81.对于一个工况数据组合，按照试验油耗从低到高的顺序对工况数据组合进行排序，对于试验油耗前p位的工况数据组合，表示对应的试验员在进行试验时耗能较低，比较节能；反之，对于试验油耗后q位的工况数据组合，表示对应的试验员在进行试验时耗能较高，p和q大于或等于1。
82.本可选的实施例中，可根据推荐数据组合中与特定数据特征对应的特征值时间序列确定特定数据特征的推荐取值范围，作为试验的推荐标准；可将不推荐数据组合中与特定数据特征对应的特征值时间序列确定特定数据特征的不推荐取值范围，作为试验的不推荐标准。从大量试验员进行试验的工况数据组合中挖掘出与试验员操作习惯相关的数据特征的推荐取值范围和不推荐取值范围，用于生成试验标准，能够降低不同试验员的操作习惯对试验效率和试验油耗的影响，提高不同试验员进行同一试验时试验结果的一致性。
83.可选地，所述特定工况数据组合的数量和所述特定数据特征的数量均为至少一个，所述确定与试验员操作习惯相关的特定数据特征之后，还包括：
84.计算同一所述特定数据特征在各个所述特定工况数据组合中的所述特征值时间序列之间的重合度。
85.示例性地，假设数据特征1为特定数据特征，工况数据组合1、工况数据组合2和工况数据组合3均为特定工况数据组合，则计算工况数据组合1中数据特征1的特征值时间序列、工况数据组合2中数据特征1的特征值时间序列和工况数据组合3中数据特征1的特征值时间序列之间的重合度。
86.具体地，可采用dtw算法和lcss算法等轨迹相似度算法计算不同的特征值时间序列之间的重合度，具体计算过程为现有技术，在此不做赘述。
87.将各个所述特定数据特征的所述重合度分别与预设阈值进行对比，根据对比结果保留所述重合度大于或等于所述预设阈值的所述特定数据特征。
88.具体地，对于一个特定数据特征，当其重合度大于或等于预设阈值时，表示该特定数据特征受不同试验员操作习惯影响的一致性较高，保留该特定数据特征；当其重合度小于预设阈值时，表示该特定数据特征的特征值波动性较高，可能受其他因素的影响较大，则舍弃该特定数据特征。
89.可以理解的是，推荐数据组合和不推荐数据组合中，与试验员操作习惯相关的特定数据特征可相同，也可不同。
90.本可选的实施例中，通过计算特定数据特征各个特征值时间序列之间的重合度，重合度可反映该特定数据特征是否主要受试验员操作习惯的影响，重合度越高，表示该特定数据特征受试验员操作习惯的影响程度越高，保留重合度较高的特定数据特征，即挖掘出与试验员操作习惯相关性较高的特定数据特征，根据保留的特定数据特征生成操作标准，能够降低不同试验员的操作习惯对试验效率和试验油耗等试验结果的影响。
91.可选地，所述计算同一所述特定数据特征在各个所述特定工况数据组合中的所述特征值时间序列之间的重合度包括：
92.对于任一所述特定数据特征，分别确定所述特定数据特征在各个所述特定工况数据组合中的所述特征值时间序列的第一方差。
93.示例性地，对于数据特征1，确定数据特征1在试验员a对应的特征值时间序列的第一方差，确定数据特征1在试验员b对应的特征值时间序列的第一方差，以此类推。
94.计算所述特定数据特征对应的所有所述第一方差的第二方差，所述第二方差用于表征所述特定数据特征对应的所述重合度。
95.具体地，对于一个特定数据特征，以该特定数据特征的所有第一方差为数据样本，计算第二方差，该第二方差用于表征该特定数据特征的重合度。其中，第二方差越大，表示
重合度越低；第二方差越小，表示重合度越高。可将重合度设为第二方差的倒数，用于进行特定数据特征筛选，或者，将第二方差与预设阈值进行对比，保留第二方差小于或等于预设阈值的特定数据特征。
96.本可选的实施例中，第一方差反映了特定数据特征各个特征值时间序列的离散程度，第二方差反映了特定数据特征各个第一方差的离散程度，第二方差越大，表示特定数据特征的所有第一方差的离散程度高，即部分第一方差大，部分第一方差小，也就是说，特定数据特征对应的部分特征值时间序列的离散程度高，部分特征值时间序列的离散程度小，对应的各个特征值时间序列之间的重合度显然较低；反之，第二方差越小，表示特定数据特征的所有第一方差的离散程度低，各个特征值时间序列的离散程度相近，确定各个特征值时间序列之间的重合度较高。通过计算各个特征值时间序列的第一方差，并根据所有第一方差的第二方差来判断特定数据特征对应的重合度，计算过程简单，计算量小，有效提高了计算效率。
97.可选地，所述根据所述特定工况数据组合中与所述特定数据特征对应的所述特征值时间序列确定所述特定数据特征的取值范围包括：
98.根据所述特定数据特征的所有所述第一方差确定所述特定数据特征的置信区间。
99.具体地，可对特定数据特征的所有第一方差求平均值，根据计算得到的平均方差确定特定数据特征的置信区间，其中，根据方差确定置信区间的过程为现有技术，在此不再赘述。
100.根据所述置信区间的区间值确定所述特定数据特征的取值范围。
101.具体地，可根据置信区间中的最大区间值和最小区间值确定特定数据特征的取值区间，作为其取值范围；或者，可将置信区间内的所有区间值作为取值组合，该取值组合作为特定数据特征的取值范围。
102.对于推荐数据组合，特定数据特征根据各个推荐数据组合对应的第一方差确定置信区间，根据置信区间的区间值确定该特定数据特征的推荐取值范围。
103.对于不推荐数据组合，特定数据特征根据各个不推荐数据组合对应的第一方差确定置信区间，根据置信区间的区间值确定该特定数据特征的不推荐取值范围。
104.本可选的实施例中，通过确定特定数据特征的置信区间，根据置信区间的区间值确定特定数据特征的取值范围，去除置信区间以外的特征值，即置信度较差的数值，能够提高生成的操作标准的准确性，有效降低试验员的操作习惯对试验效率和试验油耗等试验结果的影响。
105.可选地，所述将所述特定工况数据组合中的所有所述数据特征输入训练好的机器学习模型之前，还包括：
106.获取多个不同的带标签的数据特征，所述标签包括与试验员操作习惯相关和与试验员操作习惯无关；
107.采用所有所述带标签的数据特征训练预先建立的机器学习模型，获得所述训练好的机器学习模型。
108.具体地，可预先获取多个数据特征，人工手动对与试验员操作习惯相关的数据特征进行标注，然后采用标注后的数据特征训练机器学习模型，得到训练好的机器学习模型，机器学习模型的具体训练过程为现有技术，在此不再赘述。
109.如图4所示，本发明提供了一种试验标准生成装置，包括：
110.获取模块，用于获取多位试验员进行试验的工况数据组合，所述工况数据组合包括至少一个数据特征和与各个所述数据特征对应的特征值时间序列；
111.处理模块，用于在所有所述工况数据组合中确定满足预设评估标准的特定工况数据组合，将所述特定工况数据组合中的所有所述数据特征输入训练好的机器学习模型，确定与试验员操作习惯相关的特定数据特征；
112.生成模块，用于根据所述特定工况数据组合中与所述特定数据特征对应的所述特征值时间序列确定所述特定数据特征的取值范围，所述特定数据特征及其所述取值范围用作试验标准。
113.本实施例的试验标准生成装置用于实现如上所述的试验标准生成方法，其有益效果与如上所述的试验标准生成方法的有益效果相对应，在此不再赘述。
114.第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一项所述的试验标准生成方法。
115.第四方面，本发明提供了一种起重机试验监控平台，包括存储器和处理器；
116.所述存储器，用于存储计算机程序；
117.所述处理器，用于当执行所述计算机程序时，实现如上所述的试验标准生成方法。
118.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。在本技术中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
119.虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。