[發(fā)明專利]環(huán)境試驗(yàn)箱故障預(yù)測(cè)方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110361624.6
• 申請(qǐng)日: 2021-04-02
• 公開（公告）號(hào): CN112966879A
• 公開（公告）日: 2021-06-15
• 發(fā)明（設(shè)計(jì)）人: 王平玉;宋詩
• 申請(qǐng)（專利權(quán)）人: 陽光電源股份有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/00;G06N3/08;G06N5/00;G06N20/10;G06N20/20;G06K9/62
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種環(huán)境試驗(yàn)箱故障預(yù)測(cè)方法，其特征在于，包括以下步驟：

獲取試驗(yàn)箱運(yùn)行的歷史參量數(shù)據(jù)，所述歷史參量數(shù)據(jù)包括自變量數(shù)據(jù)和因變量數(shù)據(jù)；

對(duì)所述因變量數(shù)據(jù)進(jìn)行故障類型關(guān)聯(lián)處理，確定有效故障類型；

對(duì)所述歷史參量數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，所述數(shù)據(jù)處理包括異常數(shù)據(jù)處理和/或樣本數(shù)據(jù)平衡化處理，得到標(biāo)準(zhǔn)樣本參量數(shù)據(jù)；

根據(jù)所述有效故障類型及所述標(biāo)準(zhǔn)樣本參量數(shù)據(jù)對(duì)預(yù)設(shè)算法模型進(jìn)行訓(xùn)練，得到故障預(yù)測(cè)模型；

獲取所述試驗(yàn)箱的實(shí)時(shí)監(jiān)測(cè)自變量數(shù)據(jù)；

根據(jù)所述故障預(yù)測(cè)模型和所述實(shí)時(shí)監(jiān)測(cè)自變量數(shù)據(jù)確定故障預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的環(huán)境試驗(yàn)箱故障預(yù)測(cè)方法，其特征在于，所述對(duì)所述因變量數(shù)據(jù)進(jìn)行故障類型關(guān)聯(lián)處理，包括以下步驟：

獲取預(yù)設(shè)關(guān)聯(lián)規(guī)則模型；

根據(jù)所述預(yù)設(shè)關(guān)聯(lián)規(guī)則模型確定所述因變量數(shù)據(jù)的頻繁項(xiàng)集，所述頻繁項(xiàng)集的支持度大于或者等于預(yù)設(shè)最小支持度；

根據(jù)所述頻繁項(xiàng)集進(jìn)行數(shù)據(jù)降維處理，確定有效故障類型。

3.根據(jù)權(quán)利要求1所述的環(huán)境試驗(yàn)箱故障預(yù)測(cè)方法，其特征在于，對(duì)所述歷史參量數(shù)據(jù)進(jìn)行異常數(shù)據(jù)處理，包括以下步驟：

獲取所述自變量數(shù)據(jù)中的預(yù)設(shè)異常數(shù)據(jù)，所述預(yù)設(shè)異常數(shù)據(jù)包括：缺失值數(shù)據(jù)、空值數(shù)據(jù)及錯(cuò)誤值數(shù)據(jù)；

獲取所述預(yù)設(shè)異常數(shù)據(jù)的至少兩個(gè)鄰近樣本數(shù)據(jù)，所述鄰近樣本數(shù)據(jù)與所述預(yù)設(shè)異常數(shù)據(jù)的時(shí)間間隔小于預(yù)設(shè)間隔時(shí)間；

根據(jù)所述至少兩個(gè)鄰近樣本數(shù)據(jù)確定均值樣本數(shù)據(jù)；

根據(jù)所述均值樣本數(shù)據(jù)對(duì)所述預(yù)設(shè)異常數(shù)據(jù)進(jìn)行處理，確定標(biāo)準(zhǔn)樣本數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的環(huán)境試驗(yàn)箱故障預(yù)測(cè)方法，其特征在于，對(duì)所述歷史參量數(shù)據(jù)進(jìn)行樣本數(shù)據(jù)平衡化處理，包括以下步驟：

獲取預(yù)設(shè)過采樣算法模型；

根據(jù)所述預(yù)設(shè)過采樣算法模型對(duì)所述標(biāo)準(zhǔn)樣本數(shù)據(jù)中的少數(shù)類樣本進(jìn)行數(shù)據(jù)擴(kuò)充，確定擴(kuò)充樣本數(shù)據(jù)；

根據(jù)所述標(biāo)準(zhǔn)樣本數(shù)據(jù)及所述擴(kuò)充樣本數(shù)據(jù)確定所述標(biāo)準(zhǔn)樣本參量數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的環(huán)境試驗(yàn)箱故障預(yù)測(cè)方法，其特征在于，所述根據(jù)所述預(yù)設(shè)過采樣算法模型對(duì)所述標(biāo)準(zhǔn)樣本數(shù)據(jù)中的少數(shù)類樣本進(jìn)行數(shù)據(jù)擴(kuò)充，包括以下步驟：

根據(jù)所述少數(shù)類樣本中每個(gè)標(biāo)準(zhǔn)樣本數(shù)據(jù)與其他標(biāo)準(zhǔn)樣本數(shù)據(jù)之間的距離確定所述每個(gè)標(biāo)準(zhǔn)樣本數(shù)據(jù)的k近鄰數(shù)據(jù)集；

獲取所述少數(shù)類樣本中所述每個(gè)標(biāo)準(zhǔn)樣本數(shù)據(jù)的不平衡比例；

根據(jù)所述不平衡比例確定所述k近鄰數(shù)據(jù)集中的近鄰數(shù)據(jù)；

根據(jù)所述每個(gè)標(biāo)準(zhǔn)樣本數(shù)據(jù)、所述近鄰數(shù)據(jù)和預(yù)設(shè)擴(kuò)充函數(shù)確定擴(kuò)充樣本數(shù)據(jù)。

6.根據(jù)權(quán)利要求1所述的環(huán)境試驗(yàn)箱故障預(yù)測(cè)方法，其特征在于，在根據(jù)所述有效故障類型及所述標(biāo)準(zhǔn)樣本參量數(shù)據(jù)對(duì)預(yù)設(shè)算法模型進(jìn)行訓(xùn)練之后，還包括以下步驟：

獲取所述故障預(yù)測(cè)模型的故障預(yù)測(cè)錯(cuò)判率和錯(cuò)判數(shù)據(jù)集；

若所述錯(cuò)判率大于或者等于預(yù)設(shè)錯(cuò)判率閾值，則根據(jù)所述錯(cuò)判數(shù)據(jù)集中的所述有效故障類型及所述標(biāo)準(zhǔn)樣本參量數(shù)據(jù)對(duì)所述故障預(yù)測(cè)模型進(jìn)行二次訓(xùn)練，直至所述錯(cuò)判率小于預(yù)設(shè)錯(cuò)判率閾值。

7.根據(jù)權(quán)利要求1所述的環(huán)境試驗(yàn)箱故障預(yù)測(cè)方法，其特征在于，根據(jù)所述有效故障類型及所述標(biāo)準(zhǔn)樣本參量數(shù)據(jù)對(duì)預(yù)設(shè)算法模型進(jìn)行訓(xùn)練，還包括以下步驟：

構(gòu)建至少一個(gè)自學(xué)習(xí)算法模型；

根據(jù)所述有效故障類型及所述標(biāo)準(zhǔn)樣本參量數(shù)據(jù)對(duì)所述至少一個(gè)自學(xué)習(xí)算法模型進(jìn)行訓(xùn)練，得到至少一個(gè)訓(xùn)練模型，所述至少一個(gè)訓(xùn)練模型與所述至少一個(gè)自學(xué)習(xí)算法模型一一對(duì)應(yīng)；

對(duì)所述至少一個(gè)訓(xùn)練模型進(jìn)行分類評(píng)估，根據(jù)分類評(píng)估結(jié)果確定所述預(yù)設(shè)算法模型。