CN109740191A - 风传感器剩余使用寿命的预测方法、装置及设备 - Google Patents

Abstract

本发明公开了风传感器剩余使用寿命的预测方法、装置及设备。该方法包括：确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标；基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据；根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。利用该方法，实现了对铁路沿线风监测点中两个风传感器的剩余使用寿命的预测，根据预测的剩余使用寿命，能够保证在风传感器损坏前及时进行更换，从而实现风传感器有效不间断的工作，进而达到提高行车安全系数和运行效率的目的。

Description

风传感器剩余使用寿命的预测方法、装置及设备

技术领域

本发明涉及计算机应用技术领域，尤其涉及风传感器剩余使用寿命的预测方法、装置及设备。

背景技术

在铁路防灾系统中，需要监测铁路沿线的风速风向等信息。因此在实际安装中，沿铁路线间隔数公里就会设立一个风监测点，通过风传感器来监测铁路沿线的风速风向，为了保证监测数据的安全性和准确性，每个风监测点往往配备两个风传感器。这样即使该风监测点有一个传感器出现故障(比如监测数据不能上传时)，依然能正常发送监测信息到综合防灾中心。

但是，按照现有双传感器的配置，即使两个风传感器通讯都正常，也有可能存在潜藏的故障。例如：因设备老化，风传感器上报数据误差逐渐变大，最终超过可接受范围。作为一个高效的铁路防灾系统，如果不能够即时发现风传感器具备监测失效的趋势，只在风传感器损坏之后，才对风传感器进行更换，而在更换之前，损坏的风传感器上报的数据有可能对铁路行车的效率和安全性已经造成影响。

发明内容

本发明实施例提供了风传感器剩余使用寿命的预测方法、装置及设备，能够实现对风传感器剩余使用寿命的有效预测。

第一方面，本发明实施例提供了一种风传感器剩余使用寿命的预测方法，包括：

确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标；

基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据；

根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。

第二方面，本发明实施例提供了一种风传感器剩余使用寿命的预测装置，包括：

预测目标确定模块，用于确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标；

预估数据确定模块，用于基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据；

剩余寿命确定模块，用于根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。

第三方面，本发明实施例提供了一种计算机设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面所述的风传感器剩余使用寿命的预测方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例第一方面提供的风传感器剩余使用寿命的预测方法。

在上述风传感器剩余使用寿命的预测方法、装置及设备中，其预测方法首先确定待预测风监测点，将待预测风监测点中的两个风传感器均作为预测目标；然后根据设定时间段内两预测目标的监测数据及预训练的目标预测模型；最终根据两预测目标的预估监测数据，确定两预测目标的剩余使用寿命。利用该方法，实现了对铁路沿线风监测点中两个风传感器的剩余使用寿命的预测，根据预测的剩余使用寿命，能够保证在风传感器损坏前及时进行更换，从而实现风传感器有效不间断的工作，进而达到提高行车安全系数和运行效率的目的。

附图说明

图1为本发明实施例一提供的一种风传感器剩余使用寿命的预测方法的流程示意图；

图2a为本发明实施例二提供的一种风传感器剩余使用寿命的预测方法的流程示意图；

图2b给出了本发明实施例二中风速差控制图的效果展示图；

图2c给出了本发明实施例二中预测风速差控制图的效果展示图；

图3为本发明实施例三提供的一种风传感器剩余使用寿命的预测装置的结构框图；

图4为本发明实施例四提供的一种计算机设备的硬件结构框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种风传感器剩余使用寿命的预测方法的流程示意图，该方法适用于对风监测点中风传感器的使用寿命进行预测的情况，该方法可以由风传感器剩余使用寿命的预测装置执行，其中，该装置可由软件和/或硬件实现，并一般集成在计算机设备中。

如图1所示，本发明实施例一提供的一种风传感器剩余使用寿命的预测方法，包括如下操作：

S101、确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标。

一般地，风监测点设置于铁路沿线上，每个风监测点中配置两个风传感器，在本实施例中，因风监测点数量较多，不考虑对所有风监测点中的风传感器均进行使用寿命预测，而只考虑对符合预测条件的风监测点的风传感器进行预测，所述待预测风监测点具体可理解为符合预测条件的风监测点，可以根据一定的方法判定风监测点是否存在监测异常事件，并将存在监测异常事件的风监测点作为待预测风监测点。示例性地，可以根据风监测点中风传感器在一定时间段内所产生风速监测数据的数据发展趋势来确定是否存在监测异常事件，还可以根据风监测点中两风传感器的监测数据差的发展趋势来确定是否存在监测异常事件。

可以理解的是，本实施例主要对风传感器的使用寿命进行预测，当一个风监测点为待预测风监测点时，可认为该待预测风监测点中的两个风传感器进行风速监测的监测结果均有可能存在异常，由此，可以将待预测风监测点中的两个风传感器均看作预测目标。

S102、基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据。

本实施例中，所述设定时间段具体可以是风传感器当前及其之前连续一定时间的时间段，示例性的，该设定时间段可以是一年。所述监测数据可以是风传感器监测的风速数据，一般地，以秒为单位对风速进行实时监测，考虑以秒为单位在设定时间段内形成的数据规模非常巨大，本实施例考虑将以秒为单位的实时监测数据优化处理成周平均监测数据。所述目标预测模型具体可理解为一个时间序列预测模型，该目标预测模型可以通过一定的训练数据预先进行训练学习获得，该目标预测模型可以通过将历史及当前时间产生的数据作为输入，由此输出预测的后续可能出现的数据。

本实施例可以对两个风传感器分别采取本步骤获得相应的预估监测数据。具体地，对于任一预测目标，可以将设定时间段内该预测目标的监测数据(如，可以是该预测目标一年内经过平均处理后得到的周平均监测数据)作为目标预测模型的输入数据，然后输出由当前向后设定时间段的预估监测数据(如，可以是当前向后一年的以周为单位的预估监测数据)。

S103、根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。

在本实施例中，获得两预测目标在后续时间段对应的预估监测数据后，可以对预估监测数据的分布趋势进行分析，以确定出预估监测数据开始超过铁路相关部分规定误差上限的时间点，由此可将当前时间到所确定时间点的时间差作为预测目标的剩余使用寿命。

优选地，也可以根据两预测目标的预估监测数据形成两预测目标的数据差趋势图，通过分析数据差趋势图的发展趋势，同样可以确定预测目标的预估监测数据超过铁路相关部分规定误差上限的时间点，同样可以将该时间点与当前时间的时间差作为两预测目标的剩余使用寿命。

本发明实施例一提供的一种风传感器剩余使用寿命的预测方法，首先确定待预测风监测点，将待预测风监测点中的两个风传感器均作为预测目标；然后根据设定时间段内两预测目标的监测数据及预训练的目标预测模型；最终根据两预测目标的预估监测数据，确定两预测目标的剩余使用寿命。利用该方法，实现了对铁路沿线风监测点中两个风传感器的剩余使用寿命的预测，根据预测的剩余使用寿命，能够保证在风传感器损坏前及时进行更换，从而实现风传感器有效不间断的工作，进而达到提高行车安全系数和运行效率的目的。

实施例二

图2a为本发明实施例二提供的一种风传感器剩余使用寿命的预测方法的流程示意图，本实施例以上述实施例一为基础进行优化，在本实施例中，进一步将确定待预测监测点，具体优化为：根据风监测点中两个风传感器的历史监测数据，生成所述风监测点的风速差控制图；如果所述风速差控制图中存在状态异常事件，则将所述风监测点确定为待预测风监测点。

进一步地，本实施例还优化增加了根据所述预测目标的历史监测数据选择并训练目标预测模型，此外，本实施例还将根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命，具体化为：基于所述两预测目标的预估监测数据，获得所述两预测目标的预测风速差控制图；确定所述预测风速差控制图中预测风速差达到设定上限误差时对应的上限时间点；根据所述上限时间点与当前时间点的差值，确定所述两预测目标的剩余使用寿命。

如图2a所示，本发明实施例二提供的一种风传感器剩余使用寿命的预测方法，具体包括如下操作：

S201、根据风监测点中两个风传感器的历史监测数据，生成所述风监测点的风速差控制图。

可以理解的是，设置在铁路沿线的风监测点中一般具备两个风传感器，每个风传感器都可以对风速进行监测，获得相应的监测数据，所述历史监测数据具体可理解为风传感器在给定时间限制内获得的风速监测数据的数据集合，所述给定时间可以是五年、六年甚至更长的时间。在实际应用中，风传感器以秒为单位来获得风速的监测数据，因此，风传感器在一定时间内就会对应较大规模的监测数据，而大规模的监测数据并不利于本步骤风速差控制图的实现，由此，本实施例在实现风速差控制图的生成之前首先考虑对风传感器的历史监测数据进行预处理。

具体地，本实施例对历史监测数据进行预处理的过程可描述为：对一定时间内(例如五年)每个风传感器的监测数据以周为单位进行平均值计算，获得每个风传感器以周为单位的周平均风速。之后，基于确定的每个风传感器的周平均风速，可以计算两个风传感器在相应时间所具备周平均风速的风速差，假设两个风传感器在同一周的周平均风速分别为S1和S2，则风速差ΔS＝S1-S2，最终，本步骤可以形成一个时间周和风速差对应的信息表，且可基于该信息表形成相应的风速差控制图。

示例性的，图2b给出了本发明实施例二中风速差控制图的效果展示图，如图2b所示，风速差控制图中包括了风速差信息表10和风速差曲线11，以及一个横坐标为时间(以周为单位)纵坐标为两风传感器风速差ΔS(以0.1m/s为单位)的坐标示意图，坐标示意图图中的上虚线12和下虚线13分别表示了风速差的上控制线和下控制线，其取值分别为0.6m/s和-0.6m/s，上述取值具体可根据铁总规定的风传感器最大允许误差范围0.3m/s确定，当两个传感器的风速差值大于0.6m/s或小于--0.6m/s时，说明至少有一个传感器的误差范围大于0.3m/s。

S202、如果所述风速差控制图中存在状态异常事件，则将所述风监测点确定为待预测风监测点，并将所述待预测风监测点中的两个风传感器均作为预测目标。

在本实施例中，所述状态异常事件具体可指风速差控制图中连续设定周所对应风速差的绝对值处于持续变大状态。因此，当分析出风速差控制图中存在连续设定周风速差的绝对值处于持续变大趋势时，就认为该风速差控制图对应风监测点中份风传感器出现了异常，可将该风监测点记为待预测风监测点，并将其包括的风传感器作为预测目标。

S203、根据所述预测目标的历史监测数据选择并训练目标预测模型。

本实施例优选采用时间序列预测模型对预测目标进行剩余使用寿命的预测，可以知道的是，时间序列预测模型中包括多种不同类型的预测模型，常见的如自回归(AutoRegression，AR)模型，移动平均(Moving Average，MA)模型，自回归移动平均(Autoregression moving average model，ARMA)模型，和自回归求和移动平均(AutoregressiveIntegrated Moving Average Model，ARIMA)模型，本实施例可根据预测目标历史监测数据的分布趋势从多个类型的模型中选择与其匹配的目标预测模型，然后就可通过目标历史监测数据来训练选择的目标预测模型。

进一步地，所述根据所述预测目标的历史监测数据选择并训练目标预测模型，包括：1)基于所述预测目标的历史监测数据，获得所述预测目标的平稳状态数据；2)根据所述平稳状态数据的自相关系数和偏自相关系数，从给定的时间序列预测模型集合中选择待训练预测模型；3)以时间顺序将所述平稳状态数据划分为训练集和验证集；4)基于所述训练集数据训练所述待训练预测模型，并在达到所述验证集数据的评价标准后停止训练，获得目标预测模型。

具体地，本实施例首先可以基于上述步骤1)根据各预测目标的历史监测数据(默认为预处理后的周平均风速)绘制各预测目标的自相关图和偏自相关图，如果分析出预测目标所对应自相关图和偏自相关图中的数据分布趋势均处于平稳状态，则可直接根据各自的历史监测数据确定相应的自相关系数和偏自相关系数；如果图中数据的分布趋势存在较多峰值，则认为非平稳状态，需要对相应预测目标的历史监测数据进行一阶差分，并基于一阶差分后的数据再次绘制自相关图和偏自相关图，并对绘制图中的数据分布趋势进行分析，若平稳，则基于一阶差分数据确定自相关系数和偏自相关系数，若不平稳，则再次进行二阶差分并再次绘制相应的数据分布图及进行分布趋势判定，如此循环，直至所获得分布图中的数据分布平稳。

确定平稳状态的数据后，本实施例还可以通过上述步骤2)基于平稳状态对应的数据(可能是历史)进行相应预测目标的自相关系数和偏自相关系数确定。确定预测目标的自相关系数和偏自相关系数后，可以结合自相关系数及偏自相关系数与时间序列预测模型中各种类型模型的判定关系，来确定具体采用哪种类型的预测模型对预测目标的寿命进行预测，然后将选定类型的预测模型记为待训练预测模型。示例性地，对于自相关系数及偏自相关系数与时间序列预测模型中各种类型模型的判定关系，可以是，若确定自相关系数和偏自相关系数均属于拖尾类型，则可将ARMA模型确定为待训练预测模型，如果确定自相关系数属于截尾类型，偏自相关系数属于拖尾类型，则可将AR模型确定为待训练预测模型。需要说明的是，很多时候，自相关系数和偏自相关系数所属的类型并不明确，为保证预测结果的准确性，本实施例可以将时间序列模型中包括的所有模型均作为待训练预测模型，然后均进行训练学习，最终通过对输出结果的验证来选出最合适的目标预测模型。

确定出待训练预测模型后，可以基于上述步骤3和步骤4)来实现待训练预测模型的训练和验证，获得可用的目标预测模型。具体地，本实施例可以对各预测目标的历史监测数据(默认为预处理后的周平均风速)以时间顺序来划分训练集和验证集，示例性地，假设获取了当年及其之前五年的历史监测数据，为便于表述，则将当年作为第六年，由此往前推可分别记为第五年、第四年、第三年、第二年以及第一年，然后，可以将第一年、第二年、第三年以及第四年的历史监测数据作为训练集，将第五年和第六年的数据作为验证集。其具体训练过程可表述为：将第一年的数据集作为输入，然后将模型的输出结果与第二年的数据集进行比对，通过比对来调整待训练预测模型中的参数信息，还可将第二年的数据集作为输入，然后将模型的输出结果与第三年的数据集进行比对，同样可通过比对来调整待训练预测模型中的参数信息等。其具体的验证过程可表述为：对于基于训练集训练后的预测模型，将第五年的数据集作为输入，获得相应的输出结果，如果该输出结果作为预测值，将第六年的数据集作为实际值，如果预测值和实际值的比较符合评价标准，则认为该预测模型可作为目标预测模型。

优选地，所述评价标准为：预测值与实际值的均方误差小于第一设定阈值，且所述预测值与实际值的平均绝对误差小于第二设定阈值；其中，所述预测值为验证集数据输入所述预测模型后的输出值，所述实际值为所述验证集数据对应的实际结果值。

S204、基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据。

在本实施例中，所述设定时间段具体可理解为上述S202确定预测目标时，所依据状态异常事件对应的时间长度，示例性地，可以将出现状态异常事件的起始时间到当前时间之间的时间长度确定为设定时间段，并可获取两预测目标分别在该设定时间段内的监测数据，可以知道的是，获得的两预测目标的监测数据同样可是经过了预处理以周为单位进行表示的数据。

本步骤将两预测目标对应的监测数据作为输入数据分别输入至目标预测模型，最终可获得相应的输出数据，所获得输出数据分别可作为相应预测目标的预估监测数据，且所获得的预估监测数据同样以周为单位表示。

S205、基于所述两预测目标的预估监测数据，获得所述两预测目标的预测风速差控制图。

本步骤可以采用上述S201的方式，分别计算两预测目标的预估监测数据的预测风速差，从而根据确定的预测风速差形成相应的预测风速差控制图。

示例性地，图2c给出了本发明实施例二中预测风速差控制图的效果展示图，如图2c所示，该效果展示图中的第一曲线段21为两预测目标在第15周到第21周(可认为是当前周)的风速差变化趋势，可以发现第一曲线段21的变化趋势为持续上升，因此，可认为两预测目标在第15周到第21周出现了状态异常事件，则第15周到第21周之间的时间长度相当于设定时间段，本实施例可将该设定时间段内的各预测目标的监测数据可以作为目标预测模型的输入，之后基于输出的各预测目标的预估监测数据，可以确定出两预测目标第21周至第28周的预测风速差，在图2c的效果展示图中，第二曲线段22展示了两预测目标的预测风速差的变化趋势。

S206、确定所述预测风速差控制图中预测风速差达到设定上限误差时对应的上限时间点。

接上述示例，如图2c所示，图中的上虚线23和下虚线24均表示了风速差的设定上限误差，可以发现，第二曲线段22在第27周时超出了上虚线23。由此可认为，预测风速差达到设定上限误差时对应的上限时间点为第27周。

S207、根据所述上限时间点与当前时间点的差值，确定所述两预测目标的剩余使用寿命。

接上述示例，如图2c所示，假设当前时间点为第21周，上限时间点为第27周，则可确定两预测目标的剩余使用寿命为6周，由此，工作人员可根据预测出的剩余使用寿命，在预测目标未达到误差上限之前进行更换。

本发明实施例二提供的一种风传感器剩余使用寿命的预测方法，具体给出了预测目标的确定过程，同时给出了目标预测模型的选取以及训练过程，此外，还具体给出了基于目标预测模型确定预测目标剩余使用寿命的实现过程，利用该方法，更好的实现了对铁路沿线风监测点中两个风传感器的剩余使用寿命的预测，根据预测的剩余使用寿命，能够保证在风传感器损坏前及时进行更换，从而实现风传感器有效不间断的工作，进而达到提高铁路行车安全系数和行车运行效率的目的。

实施例三

图3为本发明实施例三提供的一种风传感器剩余使用寿命的预测装置的结构框图。该装置适用于对风监测点中风传感器的使用寿命进行预测的情况，该装置可由软件和/或硬件实现，并一般集成在计算机设备中。如图3所示，该装置包括：预测目标确定模块31、预估数据确定模块32以及剩余寿命确定模块33。

其中，预测目标确定模块31，用于确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标；

预估数据确定模块32，用于基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据；

剩余寿命确定模块33，用于根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。

在本实施例中，该装置首先通过预测目标确定模块31确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标；然后通过预估数据确定模块32基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据；最后通过剩余寿命确定模块33根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。

本发明实施例三提供的一种风传感器剩余使用寿命的预测装置，实现了对铁路沿线风监测点中两个风传感器的剩余使用寿命的预测，根据预测的剩余使用寿命，能够保证在风传感器损坏前及时进行更换，从而实现风传感器有效不间断的工作，进而达到提高行车安全系数和运行效率的目的。

进一步地，预测目标确定模块31，具体用于：

根据风监测点中两个风传感器的历史监测数据，生成所述风监测点的风速差控制图；如果所述风速差控制图中存在状态异常事件，则将所述风监测点确定为待预测风监测点，并将所述待预测风监测点中的两个风传感器均作为预测目标。

进一步地，该装置还包括：

预测模型确定模块，用于根据所述预测目标的历史监测数据选择并训练目标预测模型。

进一步地，所述预测模型确定模块，具体用于：

基于所述预测目标的历史监测数据，获得所述预测目标的平稳状态数据；

根据所述平稳状态数据的自相关系数和偏自相关系数，从给定的时间序列预测模型集合中选择待训练预测模型；

以时间顺序将所述平稳状态数据划分为训练集和验证集；

基于所述训练集数据训练所述待训练预测模型，并在达到所述验证集数据的评价标准后停止训练，获得目标预测模型。

进一步地，所述评价标准为：

预测值与实际值的均方误差小于第一设定阈值，且所述预测值与实际值的平均绝对误差小于第二设定阈值；

其中，所述预测值为验证集数据输入所述预测模型后的输出值，所述实际值为所述验证集数据对应的实际结果值。

进一步地，所述剩余寿命确定模块，具体用于：

基于所述两预测目标的预估监测数据，获得所述两预测目标的预测风速差控制图；确定所述预测风速差控制图中预测风速差达到设定上限误差时对应的上限时间点；根据所述上限时间点与当前时间点的差值，确定所述两预测目标的剩余使用寿命。

实施例四

图4为本发明实施例四提供的一种计算机设备的硬件结构示意图，如图4所示，本发明实施例四提供的计算机设备，包括：处理器41和存储装置42。该计算机设备中的处理器可以是一个或多个，图4中以一个处理器41为例，所述处理器41和存储装置42通过总线或其他方式连接，图4中以通过总线连接为例。

该计算机设备中的存储装置42作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中风传感器剩余使用寿命的预测方法对应的程序指令/模块(例如，附图3所示的风传感器剩余使用寿命的预测装置中的模块，包括：预测目标确定模块31、预估数据确定模块32以及剩余寿命确定模块33)。处理器41通过运行存储在存储装置42中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述方法实施例中风传感器剩余使用寿命的预测方法。

存储装置42可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等(如上述实施例中风传感器的监测数据等)。此外，存储装置42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

并且，当上述计算机设备所包括一个或者多个程序被所述一个或者多个处理器41执行时，程序进行如下操作：

确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标；基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据；根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。

此外，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被控制装置执行时实现本发明实施例一或实施例二提供的风传感器剩余使用寿命的预测方法，该方法包括：确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标；基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据；根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种风传感器剩余使用寿命的预测方法，其特征在于，包括：

确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标；

基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据；

根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。

2.根据权利要求1所述的方法，其特征在于，所述确定待预测监测点，包括：

根据风监测点中两个风传感器的历史监测数据，生成所述风监测点的风速差控制图；

如果所述风速差控制图中存在状态异常事件，则将所述风监测点确定为待预测风监测点。

3.根据权利要求1所述的方法，其特征在于，还包括：

根据所述预测目标的历史监测数据选择并训练目标预测模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述预测目标的历史监测数据选择并训练目标预测模型，包括：

基于所述预测目标的历史监测数据，获得所述预测目标的平稳状态数据；

根据所述平稳状态数据的自相关系数和偏自相关系数，从给定的时间序列预测模型集合中选择待训练预测模型；

以时间顺序将所述平稳状态数据划分为训练集和验证集；

基于所述训练集数据训练所述待训练预测模型，并在达到所述验证集数据的评价标准后停止训练，获得目标预测模型。

5.根据权利要求4所述的方法，其特征在于，所述评价标准为：

预测值与实际值的均方误差小于第一设定阈值，且所述预测值与实际值的平均绝对误差小于第二设定阈值；

其中，所述预测值为验证集数据输入所述预测模型后的输出值，所述实际值为所述验证集数据对应的实际结果值。

6.根据权利要求1所述的方法，其特征在于，所述根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命，包括：

基于所述两预测目标的预估监测数据，获得所述两预测目标的预测风速差控制图；

确定所述预测风速差控制图中预测风速差达到设定上限误差时对应的上限时间点；

根据所述上限时间点与当前时间点的差值，确定所述两预测目标的剩余使用寿命。

7.一种风传感器剩余使用寿命的预测装置，其特征在于，包括：

预测目标确定模块，用于确定待预测风监测点，将所述待预测风监测点中的两个风传感器均作为预测目标；

预估数据确定模块，用于基于设定时间段内两预测目标的监测数据及预训练的目标预测模型，分别获得两预测目标的预估监测数据；

剩余寿命确定模块，用于根据所述两预测目标的预估监测数据，确定所述两预测目标的剩余使用寿命。

8.根据权利要求7所述的装置，其特征在于，所述预测目标确定模块，具体用于：

根据风监测点中两个风传感器的历史监测数据，生成所述风监测点的风速差控制图；

如果所述风速差控制图中存在状态异常事件，则将所述风监测点确定为待预测风监测点，并将所述待预测风监测点中的两个风传感器均作为预测目标。

9.一种计算机设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的风传感器剩余使用寿命的预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的风传感器剩余使用寿命的预测方法。