[發明專利]模型訓練方法、故障預測方法、裝置及電子設備

在審

• 申請號: 202111131295.2
• 申請日: 2021-09-26
• 公開（公告）號: CN113837289A
• 公開（公告）日: 2021-12-24
• 發明（設計）人: 周鵬程;張超
• 申請（專利權）人: 創新奇智（重慶）科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/2458;G06Q10/00;G06Q50/06
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 蔣姍

1.一種模型訓練方法，其特征在于，包括：

根據電機故障原理，從多個歷史測點序列中選取出與電機故障相關的多個業務測點序列，所述多個歷史測點序列在樣本電機的歷史運行階段獲取；

從所述多個歷史測點序列中篩選出與所述多個業務測點序列具有數學相關性的多個數據測點序列；

從所述多個業務測點序列和所述多個數據測點序列組成的原始特征集中選取出與目標電機故障的相關性排序靠前的多個目標訓練序列，以及與目標電機故障的相關性排序靠后的多個協變量訓練序列；

通過所述多個目標訓練序列和所述多個協變量訓練序列，對目標模型進行訓練，獲得電機故障預測模型。

2.根據權利要求1所述的模型訓練方法，其特征在于，所述根據電機故障原理，從多個歷史測點序列中選取出與電機故障相關的多個業務測點序列之前，所述模型訓練方法還包括：

對所述多個歷史測點序列中包括的每個歷史測點序列進行數據清洗，所述數據清洗包括異常值處理、缺失值處理和卡定值處理中的至少一者。

3.根據權利要求1所述的模型訓練方法，其特征在于，所述從所述多個業務測點序列和所述多個數據測點序列組成的原始特征集中選取出與目標電機故障的相關性排序靠前的多個目標訓練序列，以及與目標電機故障的相關性排序靠后的多個協變量訓練序列，包括：

根據目標電機故障的現象表征、目標電機故障發生過程中所述原始特征集中每個測點序列的數據變化，對所述原始特征集中包括的每個測點序列進行序列相關性檢驗，獲得所述原始特征集中每個測點序列關于目標電機故障的相關性排序；

根據所述原始特征集中每個測點序列關于目標電機故障的相關性排序，從所述原始特征集中選取出與目標電機故障的相關性排序靠前的多個目標訓練序列，以及與目標電機故障的相關性排序靠后的多個協變量訓練序列。

4.根據權利要求1所述的模型訓練方法，其特征在于，所述通過所述多個目標訓練序列集和所述多個協變量訓練序列集，對目標模型進行訓練，獲得電機故障預測模型之前，所述模型訓練方法還包括：

判斷所述多個目標訓練序列中是否存在非穩態的目標訓練序列；

若所述多個目標訓練序列中存在非穩態的目標訓練序列，則對所述非穩態的目標訓練序列進行穩定性處理。

5.根據權利要求1所述的模型訓練方法，其特征在于，所述通過所述多個目標訓練序列集和所述多個協變量訓練序列集，對目標模型進行訓練，獲得電機故障預測模型之前，所述模型訓練方法還包括：

判斷所述多個協變量訓練序列中是否存在用于表征類別的協變量訓練序列；

若所述多個協變量訓練序列中用于表征類別的協變量訓練序列，則對所述用于表征類別的協變量訓練序列進行編碼處理。

6.根據權利要求1所述的模型訓練方法，其特征在于，所述通過所述多個目標訓練序列和所述多個協變量訓練序列，對目標模型進行訓練，包括：

從所述多個目標訓練序列中選取出第一訓練數據采集時刻獲取的多個目標訓練數據，并輸入訓練數據集；

從所述多個協變量訓練序列中選取出第二訓練數據采集時刻獲取多個協變量訓練數據，并輸入訓練數據集，所述第二訓練數據采集時刻為晚于所述第一訓練數據采集時刻，且與所述第一訓練數據采集時刻相鄰的訓練數據采集時刻；

將所述訓練數據集輸入目標模型，對所述目標模型進行訓練，并通過所述目標模型輸出包括第一預測值期望序列和第一預測值方差序列的第一似然函數，所述目標模型為多層長短期記憶網絡模型。

7.一種故障預測方法，其特征在于，包括：

獲取多個目標預測數據和多個協變量預測序列，所述多個目標預測數據和所述多個協變量預測序列在目標電機的歷史運行階段獲取；

將所述多個目標預測數據和所述多個協變量預測序列輸入電機故障預測模型，獲得用于表征所述目標電機是否發生故障的故障預測數據，所述電機故障預測模型通過權利要求1～6中任意一項所述的模型訓練方法訓練獲得。