CN110516355B - 基于预估函数模型的泄漏测试曲线趋势预测方法及系统 - Google Patents

Abstract

本发明提供了一种基于预估函数模型的泄漏测试曲线趋势预测方法及系统，包括：对泄漏历史数据得到的泄漏测试曲线进行归类；对不同类别的泄漏测试曲线进行预估函数模型的估计；通过机器学习对待预测的泄漏测试进行分类；根据分类结果，将待预测的泄漏测试导入对应的预估函数模型进行模型参数的估计；利用获得参数的模型进行泄漏曲线趋势预测。有效地利用历史数据，巧妙地结合机器学习可用于分类的方法，然后采用参数回归的方式获得泄漏测试曲线的描述函数，从而实现泄漏测试的趋势预测，缩短泄漏测试的时间，提高容腔类产品的泄露检测效率。

Description

基于预估函数模型的泄漏测试曲线趋势预测方法及系统

技术领域

本发明涉及测量技术领域，具体地，涉及一种基于预估函数模型的泄漏测试曲线趋势预测方法及系统。

背景技术

目前，容腔密封性检测所采用的差分式质量流量泄漏测试方法，需要经过充气，稳定，到最终给出测试结果的一系列流程。

公开号为：CN203893991U的专利公开了一种密封性测试装置，包括：电控箱，设置在所述电控箱上箱体，设置在所述箱体上的气压表、水槽、进气管、出气管和差分变送器；所述气压表、差分变送器与所述电控箱电联接，所述进、出气管的一端外接至待测产品，所述进、出气管的另一端通过所述气压连接至所述水槽的一侧，所述差分变送器连接至所述水槽两侧。其测试的稳定时间较长，导致单件产品的测试时间过长，极大地限制了检测效率。

所以，研究如何根据测试未稳定时的数据去预测测试曲线的后续趋势，获得泄漏测试稳定后的结果，具有很大的研究价值与意义。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于预估函数模型的泄漏测试曲线趋势预测方法及系统。

根据本发明提供的一种基于预估函数模型的泄漏测试曲线趋势预测方法，包括：

归类步骤：对泄漏历史数据得到的泄漏测试曲线进行归类；

估计步骤：对不同类别的泄漏测试曲线进行预估函数模型的估计；

机器学习分类步骤：通过机器学习对待预测的泄漏测试进行分类；

导入模型步骤：根据分类结果，将待预测的泄漏测试导入对应的预估函数模型进行模型参数的估计；

趋势预测步骤：利用获得参数的模型进行泄漏曲线趋势预测。

优选地，所述归类步骤中，归类的依据包括：

走向：曲线走向的表征值，包括一阶导数、二阶导数；

阈值：曲线泄漏值的量级；

原生数据：通过机器自学习自动提取分类的依据。

优选地，所述估计步骤包括：

根据曲线的走向，对数学初等函数进行组合或嵌套，将模型所得结果与实际走向进行对比，经过修正，得到一个符合误差要求的泄漏曲线的预估函数模型。

优选地，所述数学初等函数包括：xⁿ，lnx

e^x，sinx。

优选地，预估函数模型的估计包括：

根据预估函数模型下的预测曲线的损失值定义预估函数模型的评估指标E为：

式中y_pred为模型预测值，y_t为实际测试值。

优选地，所述机器学习分类步骤包括：

根据历史泄漏测试数据的分类进行标注，获得有标注的数据集；

根据获得的数据集，训练分类器；

将训练获得的分类器用于待检测的泄漏测试数据。

优选地，所述导入模型步骤包括：

采用基于梯度下降的最优化方法通过迭代来获取最优的参数；

设立一组参数下的预估函数模型损失函数为：

loss＝(y_t-y(θ))²

式中y_t为实测数据，y(θ)为预估函数模型在当下参数θ下的预测数据；

设定迭代步数及每步迭代的步长，每次模型参数的迭代更新公式为：

迭代求解的初始值根据历史数据的分析设定，θ_k为参数θ在第k次迭代下的预测数据，α为设定的每次迭代的步长。

优选地，所述趋势预测步骤包括：

将输入变量直接带入已知参数的预估函数模型，计算获得曲线后续走向，实现曲线的趋势预测。

根据本发明提供的一种基于预估函数模型的泄漏测试曲线趋势预测系统，包括：

归类模块：对泄漏历史数据得到的泄漏测试曲线进行归类；

估计模块：对不同类别的泄漏测试曲线进行预估函数模型的估计；

机器学习分类模块：通过机器学习对待预测的泄漏测试进行分类；

导入模型模块：根据分类结果，将待预测的泄漏测试导入对应的预估函数模型进行模型参数的估计；

趋势预测模块：利用获得参数的模型进行泄漏曲线趋势预测。

优选地，所述归类模块中，归类的依据包括：

走向：曲线走向的表征值，包括一阶导数、二阶导数；

阈值：曲线泄漏值的量级；

原生数据：通过机器自学习自动提取分类的依据。

与现有技术相比，本发明具有如下的有益效果：

1)本发明利用了海量的历史测试数据，充分抽象了不同工况下的泄漏测试描述模型，形成了基于该抽象预估函数模型的曲线趋势预测方法；

2)本发明结合了数值化的最优化模型参数求解方法，能够稳定地给出一组局部最优解；

3)本发明根据预估函数模型，可以迅速给出曲线趋势预测，预测方法简单、高效。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明基于预估函数模型的泄漏测试曲线趋势预测方法的流程图；

图2为本发明中一个泄漏测试归类类别的曲线实例图；

图3为本发明方法利用泄漏测试曲线前400s所预测的曲线与原完整曲线叠加对比图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，本发明提供的一种基于预估函数模型的泄漏测试曲线趋势预测方法，包括：

步骤1，根据泄漏测试历史数据得到的泄漏测试曲线进行归类；

步骤2，对不同类别的泄漏测试曲线进行描述函数模型的估计；

步骤3，应用环节中，通过机器学习的分类方法对待预测的某次泄漏测试进行分类；

步骤4，根据类别对应的预估函数模型，将某次泄漏测试数据导入模型进行模型参数的估计；

步骤5，利用获得参数的模型进行泄漏曲线趋势的预测。

所述步骤1中的根据泄漏测试历史数据得到的泄漏测试曲线进行归类，归类的具体依据为：

S1.1、曲线的走向：即曲线的一阶、二阶导数等这些曲线走向的表征值；

S1.2、曲线的值域：曲线泄漏值的大致量级；

S1.3、曲线的原生数据：可通过机器自学习方法自动提取分类的依据。

可选地，所述步骤2中的泄漏测试曲线描述函数模型估计方法，具体为：

根据曲线的大致走向，对数学初等函数进行组合或嵌套，将模型结果与实际走向进行对比，经过经验性地不断尝试及修正，最终给出一个符合误差要求的泄漏曲线的预估函数模型。

常用的初等函数模型有xⁿ，lnx，

e^x，sinx等。

根据曲线的大致走向，对数学初等函数进行组合或嵌套，将模型结果与实际走向进行对比，经过经验性地不断尝试及修正，最终给出一个符合误差要求的泄漏曲线的预估函数模型。

观察图2中曲线的大致走势，根据经验及不断尝试，给出该类型泄漏测试曲线的预估函数模型为：

式中a，b，c，d为待确认的未知参数。

所述步骤2中所涉及的预估曲线描述函数模型的准确性描述评估方法，具体为：

根据预估函数模型下的预测曲线的损失值定义预估函数模型的评估指标E为：

所述步骤3中应用环节，通过机器学习的分类方法对待检测的某次泄漏测试进行分类，具体为：

1)根据历史泄漏测试数据的分类，对它们进行标注，获得有标注的数据集。

2)根据获得的数据集，训练多层感知器或者其他机器学习的分类器。

3)将训练获得的分类器用于待检测的某次泄漏测试数据，实现泄漏测试数据的自动分类。

所述步骤4中对预估函数模型未知参数估计的方法，具体为：

采用基于梯度下降的最优化方法通过迭代来获取最优的当下数据模型描述参数。

设立一组参数下的预估模型损失函数为：

loss＝(y_t-y(θ))²

式中y_t——实测数据，y(θ)——预估函数模型在当下参数θ下的预测数据

设定迭代步数及每部迭代的步长α，每次模型参数的迭代更新公式为：

迭代求解的初始值根据历史数据的分析设定。

对于图3中给出的实例，最终求解结果为：

参数	前400s
		a	-2166159.0
b	1.2325
		c	2.8310
d	0.59933

所述步骤5中的根据获得参数的模型进行泄漏曲线趋势的预测，具体为：

将输入变量直接带入已知参数的待估函数模型，计算获得曲线后续走向，完成曲线的趋势预测。

图3中绘制了预测结果与实际测试数据的对比，最终泄漏量的预测误差为-1.2％。预测效果能够较好的反映曲线后续的趋势。

上述预测方法，有效地利用历史数据，巧妙地结合机器学习可用于分类的方法，然后采用参数回归的方式获得泄漏测试曲线的描述函数，从而实现泄漏测试的趋势预测，缩短泄漏测试的时间，提高容腔类产品(包括但不限于汽车电池包等类似产品)的泄漏检测效率。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (7)

1.一种基于预估函数模型的泄漏测试曲线趋势预测方法，其特征在于，包括：

归类步骤：对泄漏历史数据得到的泄漏测试曲线进行归类；

估计步骤：对不同类别的泄漏测试曲线进行预估函数模型的估计；

机器学习分类步骤：通过机器学习对待预测的泄漏测试进行分类；

导入模型步骤：根据分类结果，将待预测的泄漏测试导入对应的预估函数模型进行模型参数的估计；

趋势预测步骤：利用获得参数的模型进行泄漏曲线趋势预测；

所述归类步骤中，归类的依据包括：

走向：曲线走向的表征值，包括一阶导数、二阶导数；

阈值：曲线泄漏值的量级；

原生数据：通过机器自学习自动提取分类的依据；

所述导入模型步骤包括：

采用基于梯度下降的最优化方法通过迭代来获取最优的参数；

设立一组参数下的预估函数模型损失函数为：

loss＝(y_t-y(θ))²

式中y_t为实测数据，y(θ)为预估函数模型在当下参数θ下的预测数据；

设定迭代步数及每步迭代的步长，每次模型参数的迭代更新公式为：

迭代求解的初始值根据历史数据的分析设定，θ_k为参数θ在第k次迭代下的预测数据，α为设定的每次迭代的步长。

2.根据权利要求1所述的基于预估函数模型的泄漏测试曲线趋势预测方法，其特征在于，所述估计步骤包括：

根据曲线的走向，对数学初等函数进行组合或嵌套，将模型所得结果与实际走向进行对比，经过修正，得到一个符合误差要求的泄漏曲线的预估函数模型。

3.根据权利要求2所述的基于预估函数模型的泄漏测试曲线趋势预测方法，其特征在于，所述数学初等函数包括：xⁿ,lnx,

e^x,sinx。

4.根据权利要求2所述的基于预估函数模型的泄漏测试曲线趋势预测方法，其特征在于，预估函数模型的估计包括：

根据预估函数模型下的预测曲线的损失值定义预估函数模型的评估指标E为：

式中y_pred为模型预测值，y_t为实际测试值。

5.根据权利要求1所述的基于预估函数模型的泄漏测试曲线趋势预测方法，其特征在于，所述机器学习分类步骤包括：

根据历史泄漏测试数据的分类进行标注，获得有标注的数据集；

根据获得的数据集，训练分类器；

将训练获得的分类器用于待检测的泄漏测试数据。

6.根据权利要求1所述的基于预估函数模型的泄漏测试曲线趋势预测方法，其特征在于，所述趋势预测步骤包括：

将输入变量直接带入已知参数的预估函数模型，计算获得曲线后续走向，实现曲线的趋势预测。

7.一种基于预估函数模型的泄漏测试曲线趋势预测系统，其特征在于，包括：

归类模块：对泄漏历史数据得到的泄漏测试曲线进行归类；

估计模块：对不同类别的泄漏测试曲线进行预估函数模型的估计；

机器学习分类模块：通过机器学习对待预测的泄漏测试进行分类；

导入模型模块：根据分类结果，将待预测的泄漏测试导入对应的预估函数模型进行模型参数的估计；

趋势预测模块：利用获得参数的模型进行泄漏曲线趋势预测；

所述归类模块中，归类的依据包括：

走向：曲线走向的表征值，包括一阶导数、二阶导数；

阈值：曲线泄漏值的量级；

原生数据：通过机器自学习自动提取分类的依据；

所述导入模型步骤包括：

采用基于梯度下降的最优化方法通过迭代来获取最优的参数；

设立一组参数下的预估函数模型损失函数为：

loss＝(y_t-y(θ))²

式中y_t为实测数据，y(θ)为预估函数模型在当下参数θ下的预测数据；

设定迭代步数及每步迭代的步长，每次模型参数的迭代更新公式为：

迭代求解的初始值根据历史数据的分析设定，θ_k为参数θ在第k次迭代下的预测数据，α为设定的每次迭代的步长。

Images