CN112785081A - 油温预测方法、装置、电子设备和存储介质 - Google Patents
油温预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112785081A CN112785081A CN202110157874.8A CN202110157874A CN112785081A CN 112785081 A CN112785081 A CN 112785081A CN 202110157874 A CN202110157874 A CN 202110157874A CN 112785081 A CN112785081 A CN 112785081A
- Authority
- CN
- China
- Prior art keywords
- oil temperature
- temperature prediction
- model
- prediction result
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
Abstract
本发明提供一种油温预测方法、装置、电子设备和存储介质,所述方法包括:通过将运行数据输入至油温预测模型,得到油温预测模型输出的油温预测结果;其中,油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定油温预测结果。本发明结合回归模型和循环神经网络模型确定油温预测结果,从而可以避免传统单个机器学习模型带来的偏差,进而准确获取油温预测结果,鲁棒性较高。
Description
技术领域
本发明涉及液压系统监测技术领域,尤其涉及一种油温预测方法、装置、电子设备和存储介质。
背景技术
液压油就是利用液体压力能的液压系统使用的液压介质,在液压系统中起着能量传递、抗磨、系统润滑、防腐、防锈、冷却等作用。若液压油温过高,会影响设备的正常运行,甚至引起设备热变形,进而导致设备部分失效。
目前,多采用机器学习模型预测液压油温,从而可以提前对液压油油温过高的情况加以控制,确保液压系统能够正常稳定地运行,但训练完成的机器学习模型往往存在较大误差,造成油温预测结果的准确度较低。
发明内容
本发明提供一种油温预测方法、装置、电子设备和存储介质,用以解决现有技术中油温预测结果准确度较低的缺陷。
本发明提供一种油温预测方法,包括:
确定待预测油温的作业机械对应的运行数据;
将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果;
其中,所述油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;所述油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定所述油温预测结果。
根据本发明提供的一种油温预测方法,所述将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果,具体包括:
将所述运行数据输入至所述油温预测模型的回归模型层,得到所述回归模型层输出的回归模型预测结果;
将所述运行数据输入至所述油温预测模型的循环神经网络模型层,得到所述循环神经网络模型层输出的神经网络预测结果;
将所述回归模型预测结果和所述神经网络预测结果输入至所述油温预测模型的结果融合层,由所述结果融合层对所述回归模型预测结果和所述神经网络预测结果进行加权融合,得到所述结果融合层输出的油温预测结果。
根据本发明提供的一种油温预测方法,所述加权融合应用的权重是基于所述回归模型的评价指标和所述循环神经网络模型的评价指标确定的。
根据本发明提供的一种油温预测方法,所述样本运行数据是对各历史运行数据进行特征工程确定的;
其中,所述特征工程包括数据预处理、数据清洗、特征构建、特征提取以及特征选择中的至少一种。
根据本发明提供的一种油温预测方法,对各历史运行数据进行特征选择包括如下步骤:
确定各历史运行数据与液压油油温的皮尔逊相关系数;
若所述皮尔逊相关系数的绝对值大于阈值,则将对应的历史运行数据作为所述样本运行数据。
根据本发明提供的一种油温预测方法,在基于所述样本运行数据,以及所述样本油温预测结果对所述油温预测模型进行训练之后,还包括:
将测试运行数据输入所述油温预测模型,获取测试结果;
若所述测试结果满足预设条件,则所述油温预测模型完成训练。
根据本发明提供的一种油温预测方法,所述回归模型包括线性回归模型、贝叶斯岭回归模型、支持向量机、梯度提升树GBDT、随机森林中的至少一种;所述循环神经网络模型包括长短期记忆网络LSTM和门控循环单元GRU中的至少一种。
本发明还提供一种油温预测装置,包括:
确定单元,用于确定待预测油温的作业机械对应的运行数据;
预测单元,用于将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果;
其中,所述油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;所述油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定所述油温预测结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述油温预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述油温预测方法的步骤。
本发明提供的油温预测方法、装置、电子设备和存储介质,通过将运行数据输入至油温预测模型,得到油温预测模型输出的油温预测结果;其中,油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定油温预测结果。由此可见,本发明结合回归模型和循环神经网络模型确定油温预测结果,从而可以避免传统单个机器学习模型带来的偏差,进而准确获取油温预测结果,鲁棒性较高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的油温预测方法的流程示意图;
图2是本发明提供的油温预测模型构建方法的流程示意图;
图3是本发明提供的油温预测装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
液压油就是利用液体压力能的液压系统使用的液压介质,在液压系统中起着能量传递、抗磨、系统润滑、防腐、防锈、冷却等作用。对于液压油来说,首先应满足液压装置在工作温度下与启动温度下对液体粘度的要求,由于润滑油的粘度变化直接与液压动作、传递效率和传递精度有关,还要求油的粘温性能和剪切安定性应满足不同用途所提出的各种需求。
若液压油的油温过高,会对设备造成危害。例如油温过高,油液黏度下降,导致泄漏增加,从而降低了容积效率,甚至影响工作机构的正常运动;导致液压机的速度不稳定,影响其工作性能;引起设备热变形,破坏它原有的精度,严重的还会导致液压机的泵、阀和马达等部分失效;加快液压油油液的汽化速度、水分快速蒸发,容易使液压元件产生穴蚀;油温过高还会使油液变质,产生氧化物质(絮状物质),并在过热的元件表面上形成沉积物,堵塞液压元件的控制小孔或缝隙,使液压元件不能正常工作;使液压油油液氧化加剧,降低其使用寿命,严重时会影响液压机的正常使用、缩短液压元件的使用寿命,增加机器的维修成本。
由此可见,液压油温预测可以提前对液压油油温过高的情况加以控制,确保液压系统能够正常稳定地运行,可延长系统和元件的使用寿命,保证设备安全,防止安全事故发生。目前,多通过单个机器学习模型进行油温趋势预测,但在训练单个机器学习模型中可能存在缺乏足够的特征或用于训练模型的相关数据集不全面造成模型偏差,进而导致油温预测结果的准确度较低。
对此,本发明提供一种油温预测方法。图1是本发明提供的油温预测方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤110、确定待预测油温的作业机械对应的运行数据。
具体地,待预测油温的作业机械指待进行油温预测的作业机械,运行数据指与液压油油温相关的特征数据,包括设备数据、环境数据等,如设备的载荷、设备的工作时长、作业机械的环境温度、泵电流数据、泵电压数据、发动机转速数据、进气温度数据、油耗数据等。其中,运行数据可以是采集当前时间段的运行数据,也可以是采集当前时刻的运行数据,即本发明实施例既可以根据某一时间段的运行数据预测未来时间段内的油温,也可以根据某一时刻的运行数据预测未来时刻的油温,还可以根据多个时间段的运行数据预测未来某一时间段的油温等。
步骤120、将运行数据输入至油温预测模型,得到油温预测模型输出的油温预测结果;
其中,油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定油温预测结果。
具体地,若将当前时间段的运行数据输入至油温预测模型,得到的是油温预测模型输出的未来某一时间段或某一时刻的油温预测结果;若将当前时刻的运行数据输入至油温预测模型,得到的是油温预测模型输出的未来某一时刻或某一时间段的油温预测结果。其中,油温预测结果可以是未来某一时间段或某一时刻的液压油温,也可以是未来某一时间段或某一时刻的液压油温变化量,本发明实施例对此不作具体限定。
在将运行数据输入至油温预测模型后,油温预测模型基于回归模型输出的预测结果,以及基于循环神经网络模型输出的预测结果进行融合,进而确定油温预测结果。相较于传统的机理模型需要进行数据提取和数据归纳,本发明实施例基于学习的方式能够更容易挖掘数据规律。相较于传统的单个机器学习模型可能存在缺乏足够的特征或用于训练模型的相关数据集不全面造成模型偏差,本发明实施例结合机器学习回归模型和深度学习循环神经网络模型进行油温预测,避免单个机器学习模型带来的偏差影响,使得获取的油温预测结果具有较高的鲁棒性。
需要说明的是,本发明实施例中的回归模型可以为一个(如线性回归模型),也可以为多个(如线性回归模型+贝叶斯岭回归模型);同样,循环神经网络模型可以为一个(如长短期记忆网络Long Short-Term Memory,LSTM),也可以为多个(如门控循环单元GatedRecurrent Unit,GRU)。
在执行步骤120之前,可以通过训练得到油温预测模型,具体可以通过如下步骤训练油温预测模型:首先,收集大量样本运行数据,通过人工标注确定样本运行数据的样本油温预测结果。随即,基于样本运行数据及其样本油温预测结果对初始模型进行训练,从而得到油温预测模型。需要说明的是,样本运行数据可以是某一时间段的运行数据,可以是某一时刻的运行数据,可以是多个时间段的运行数据,也可以是多个时刻的运行数据,相应地样本油温预测结果可以是与某一时间段对应的下一时间段的油温预测结果,可以是与某一时刻对应的下一时刻的油温预测结果,可以是与多个时间段对应的下一时间段的油温预测结果,可以是与某一时刻对应的多个时刻的油温预测结果,还可以是与某一时间段对应的多个时刻的油温预测结果,本发明实施例对此不作具体限定。
本发明实施例提供的油温预测方法,将运行数据输入至油温预测模型,得到油温预测模型输出的油温预测结果;其中,油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定油温预测结果。由此可见,本发明实施例结合回归模型和循环神经网络模型确定油温预测结果,从而可以避免传统单个机器学习模型带来的偏差,进而准确获取油温预测结果,鲁棒性较高。
基于上述实施例,步骤120具体包括:
将运行数据输入至油温预测模型的回归模型层,得到回归模型层输出的回归模型预测结果;
将运行数据输入至油温预测模型的循环神经网络模型层,得到循环神经网络模型层输出的神经网络预测结果;
将回归模型预测结果和神经网络预测结果输入至油温预测模型的结果融合层,由结果融合层对回归模型预测结果和神经网络预测结果进行加权融合,得到结果预测层输出的油温预测结果。
具体地,回归模型层用于基于回归模型对运行数据进行拟合分析,得到回归模型预测结果。其中,回归模型可以是线性回归模型,也可以是贝叶斯岭回归模型等,回归模型预测结果可以是预测的液压油温,也可以是预测的液压油温变化量,本发明实施例对此不作具体限定。
循环神经网络模型层用于基于循环神经网络模型对运行数据进行分析,得到神经网络预测结果。其中,循环神经网络模型可以是LSTM,也可以是GRU,神经网络预测结果可以是预测的液压油温,也可以是预测的液压油温变化量,本发明实施例对此不作具体限定。
在得到回归模型预测结果和神经网络预测结果之后,基于油温预测模型的结果融合层对回归模型预测结果和神经网络预测结果进行加权融合,得到结果融合层测输出的油温预测结果。
由此可见,油温预测结果融合有回归模型预测结果和神经网络预测结果,从而可以避免单个机器学习模型造成的偏差,使得获取的油温预测结果准确度更高,且具有较高的鲁棒性。
基于上述任一实施例,加权融合应用的权重是基于回归模型的评价指标和循环神经网络模型的评价指标确定的。
具体地,回归模型的评价指标用于评价回归模型的性能,即可以理解为回归模型的评价指标可以用于评价上述回归模型的性能。同样,循环神经网络模型的评价指标用于评价循环神经网络模型的性能,即可以理解为循环神经网络模型的评价指标可以用于评价上述神经网络预测结果的准确程度。
在确定回归模型的评价指标和循环神经网络模型的评价指标之后,可以确定加权融合应用的权重。模型的评价指标越好,设置评价指标对应模型的预测结果所占的权重大,反之,模型的评价指标越差,设置评价指标对应模型的预测结果所占的权重小。油温预测模型的评价指标可以包括均方误差MSE,均方根误差RMSE,平均绝对误差MAE,R方R-Squared中的一种或多种。
由此可见,基于回归模型的评价指标和循环神经网络模型的评价指标确定加权融合应用的权重,即油温预测模型集成有多个模型(集成有回归模型和神经网络),避免单个回归模型或单个循环神经网络模型带来的偏差影响,从而能够准确获取油温预测结果且具有较高的鲁棒性。
基于上述任一实施例,样本运行数据是对各历史运行数据进行特征工程确定的;
其中,特征工程包括数据预处理、数据清洗、特征构建、特征提取以及特征选择中的至少一种。
具体地,特征工程指的是把原始数据(即历史运行数据)转变为模型的训练数据的过程,它的目的就是获取更好的训练数据特征,使得油温预测模型在进行油温预测时的准确程度更高。
通常特征工程包括数据预处理、数据清洗、特征构建、特征提取以及特征选择。其中,在获取的历史运行数据中,不同特征对应的数据往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除数据之间的量纲影响,需要进行数据预处理,以使各数据之间具有可比性。数据清洗是指对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性,从而在用于训练模型时能够提升模型的训练效果。特征构建是指从历史运行数据中找出一些具有物理意义的特征。特征提取是指通过特征转换的方式得到一组具有明显物理或统计意义的特征。特征选择是从特征集合中挑选一组具有明显物理或统计意义的特征子集,剔除不相关或者冗余的特征,减少有效特征的个数,减少模型训练的时间,提高模型的精确度,特征选择的过程可以表示出每个特征的重要性对于模型构建的重要性。
需要说明的是,在对各历史数据进行特征工程时,可以先对各历史数据进行特征选择,然后在特征选择后再进行数据预处理、数据清洗、特征构建、特征提取等处理,从而可以针对有效特征数据进行特征工程,节省对冗余数据进行特征工程的成本,提高特征工程的效率。
由此可见,在对各历史运行数据进行特征工程后确定的样本运行数据,具有较好的训练数据特征,进而在应用于油温预测模型训练时能够提高模型的训练效果。
基于上述任一实施例,对各历史运行数据进行特征选择包括如下步骤:
确定各历史运行数据与液压油油温的皮尔逊相关系数;
若皮尔逊相关系数的绝对值大于阈值,则将对应的历史运行数据作为样本运行数据。
具体地,皮尔逊相关系数用于度量各历史运行数据与液压油油温之间的相关程度,其值介于-1与1之间。若皮尔逊相关系数的绝对值大于阈值,表明对应的历史运行数据对液压油油温的影响较大,即对应的历史运行数据与液压油油温之间的相关程度较高。若皮尔逊相关系数的绝对值大于阈值,则将对应的历史运行数据作为样本运行数据,从而可以选择出训练油温预测模型的有效数据作为样本运行数据,提高模型预测油温的准确程度。
基于上述任一实施例,在基于样本运行数据,以及样本油温预测结果对油温预测模型进行训练之后,还包括:
将测试运行数据输入油温预测模型,获取测试结果;
若测试结果满足预设条件,则油温预测模型完成训练。
具体地,在基于样本运行数据,以及样本油温预测结果对油温预测模型进行训练之后,为了确定训练之后的油温预测模型是否符合要求,需要基于测试运行数据对油温预测模型进行测试验证,若测试结果满足预设条件(如测试结果的准确率达到预设值),表明油温预测模型的训练效果符合要求,可以作为训练完成的模型应用于线上进行实际油温预测。若测试结果不满足预设条件,表明油温预测模型的训练效果不符合要求,需要改变回归模型和/或循环神经网络模型数量、种类、调整模型的超参数或者增加样本运行数据等方法重新对油温预测模型进行训练,直至测试结果满足预设条件。
基于上述任一实施例,回归模型包括线性回归模型、贝叶斯岭回归模型、支持向量机、梯度提升树GBDT、随机森林中的至少一种;所述循环神经网络模型包括长短期记忆网络LSTM和门控循环单元GRU中的至少一种。
具体地,回归模型和/或循环神经网络模型可以包括一种,也可以包括多种,具体回归模型的数量和种类可以以油温预测模型的测试结果为依据,若测试结果不满足预设条件,则可以调整回归模型和/或循环神经网络模型数量、种类。其中,线性回归模型是指因变量和自变量之间的关系是直线型的。贝叶斯岭回归模型将线性模型的参数视为随机变量,并通过模型参数的先验计算其后验。其中,支持向量机包括支持向量分类SVC、支持向量回归SVR等。梯度提升树(Gradient Boosting Decision Tree,GBDT)是一种从它的错误中进行学习的技术。它本质上就是集思广益,集成一堆较差的学习算法进行学习,其中是极端梯度提升(eXtreme Gradient Boosting,XGBoost)是GBDT的改进算法。长短期记忆网络LSTM是一种时间循环神经网络,解决了一般的RNN存在的长期依赖问题。GRU则是LSTM的一个变体,GRU保持了LSTM的效果同时又使结构更加简单。
基于上述任一实施例,如图2所示,本发明提供一种油温预测模型构建方法,该方法包括如下步骤:
首先,挖掘获取液压系统的工况数据,并对工况数据进行抽样。
接着,使用皮尔逊相关系数,从抽样后的工况数据中进行特征选择,选择一段时间内与液压油油温相关程度较高的特征数据及该段时间后的液压油油温趋势组成成对的样本数据。
然后,对成对的样本数据进行特征工程,包括数据预处理、数据清洗、特征构建以及特征提取。
随即,将特征工程后的数据输入油温预测模型,油温预测模型基于传统机器学习模型的预测结果和深度循环神经网络的预测结果进行融合,训练优化油温预测模型。
最后,基于测试集对油温预测模型进行验证,若测试结果满足预设条件,则部署该模型到线上预测;若否,则调整模型结构,调整模型超参数或者增加样本等方法重新训练。
下面对本发明提供的油温预测装置进行描述,下文描述的油温预测装置与上文描述的油温预测方法可相互对应参照。
基于上述任一实施例,本发明提供一种油温预测装置,如图3所示,该装置包括:
确定单元310,用于确定待预测油温的作业机械对应的运行数据;
预测单元320,用于将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果;
其中,所述油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;所述油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定所述油温预测结果。
基于上述任一实施例,所述预测单元320,具体包括:
回归模型预测单元,用于将所述运行数据输入至所述油温预测模型的回归模型层,得到所述回归模型层输出的回归模型预测结果;
神经网络预测单元,用于将所述运行数据输入至所述油温预测模型的循环神经网络模型层,得到所述循环神经网络模型层输出的神经网络预测结果;
结果融合单元,用于将所述回归模型预测结果和所述神经网络预测结果输入至所述油温预测模型的结果融合层,由所述结果融合层对所述回归模型预测结果和所述神经网络预测结果进行加权融合,得到所述结果融合层输出的油温预测结果。
基于上述任一实施例,所述加权融合应用的权重是基于所述回归模型的评价指标和所述循环神经网络模型的评价指标确定的。
基于上述任一实施例,该装置还包括样本确定单元,用于对各历史运行数据进行特征工程确定所述样本运行数据;
其中,所述特征工程包括数据预处理、数据清洗、特征构建、特征提取以及特征选择中的至少一种。
基于上述任一实施例,所述样本确定单元,用于对各历史运行数据进行特征选择,包括:
计算单元,用于确定各历史运行数据与液压油油温的皮尔逊相关系数;
抽样单元,用于若所述皮尔逊相关系数的绝对值大于阈值,则将对应的历史运行数据作为所述样本运行数据。
基于上述任一实施例,还包括:
测试单元,用于在基于所述样本运行数据,以及所述样本油温预测结果对所述油温预测模型进行训练之后,将测试运行数据输入所述油温预测模型,获取测试结果;
判断单元,用于若所述测试结果满足预设条件,则所述油温预测模型完成训练。
基于上述任一实施例,所述回归模型包括线性回归模型、贝叶斯岭回归模型、支持向量机、梯度提升树GBDT、随机森林中的至少一种;所述循环神经网络模型包括长短期记忆网络LSTM和门控循环单元GRU中的至少一种。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行油温预测方法,该方法包括:确定待预测油温的作业机械对应的运行数据;将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果;其中,所述油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;所述油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定所述油温预测结果。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的油温预测方法,该方法包括:确定待预测油温的作业机械对应的运行数据;将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果;其中,所述油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;所述油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定所述油温预测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的油温预测方法,该方法包括:确定待预测油温的作业机械对应的运行数据;将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果;其中,所述油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;所述油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定所述油温预测结果。
以上所描述的装置实施例仅仅是示意性的,其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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种油温预测方法,其特征在于,包括:
确定待预测油温的作业机械对应的运行数据;
将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果;
其中,所述油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;所述油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定所述油温预测结果。
2.根据权利要求1所述的油温预测方法,其特征在于,所述将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果,具体包括:
将所述运行数据输入至所述油温预测模型的回归模型层,得到所述回归模型层输出的回归模型预测结果;
将所述运行数据输入至所述油温预测模型的循环神经网络模型层,得到所述循环神经网络模型层输出的神经网络预测结果;
将所述回归模型预测结果和所述神经网络预测结果输入至所述油温预测模型的结果融合层,由所述结果融合层对所述回归模型预测结果和所述神经网络预测结果进行加权融合,得到所述结果融合层输出的油温预测结果。
3.根据权利要求2所述的油温预测方法,其特征在于,所述加权融合应用的权重是基于所述回归模型的评价指标和所述循环神经网络模型的评价指标确定的。
4.根据权利要求1所述的油温预测方法,其特征在于,所述样本运行数据是对各历史运行数据进行特征工程确定的;
其中,所述特征工程包括数据预处理、数据清洗、特征构建、特征提取以及特征选择中的至少一种。
5.根据权利要求4所述的油温预测方法,其特征在于,对各历史运行数据进行特征选择包括如下步骤:
确定各历史运行数据与液压油油温的皮尔逊相关系数;
若所述皮尔逊相关系数的绝对值大于阈值,则将对应的历史运行数据作为所述样本运行数据。
6.根据权利要求1至5任一项所述的油温预测方法,其特征在于,在基于所述样本运行数据,以及所述样本油温预测结果对所述油温预测模型进行训练之后,还包括:
将测试运行数据输入所述油温预测模型,获取测试结果;
若所述测试结果满足预设条件,则所述油温预测模型完成训练。
7.根据权利要求1至5任一项所述的油温预测方法,其特征在于,所述回归模型包括线性回归模型、贝叶斯岭回归模型、支持向量机、梯度提升树GBDT、随机森林中的至少一种;所述循环神经网络模型包括长短期记忆网络LSTM和门控循环单元GRU中的至少一种。
8.一种油温预测装置,其特征在于,包括:
确定单元,用于确定待预测油温的作业机械对应的运行数据;
预测单元,用于将所述运行数据输入至油温预测模型,得到所述油温预测模型输出的油温预测结果;
其中,所述油温预测模型是基于样本运行数据,以及样本油温预测结果训练得到的;所述油温预测模型用于对回归模型输出的预测结果,以及循环神经网络模型输出的预测结果进行融合,进而确定所述油温预测结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述油温预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述油温预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157874.8A CN112785081A (zh) | 2021-02-04 | 2021-02-04 | 油温预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157874.8A CN112785081A (zh) | 2021-02-04 | 2021-02-04 | 油温预测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785081A true CN112785081A (zh) | 2021-05-11 |
Family
ID=75760949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110157874.8A Pending CN112785081A (zh) | 2021-02-04 | 2021-02-04 | 油温预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785081A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945684A (zh) * | 2021-10-14 | 2022-01-18 | 中国计量科学研究院 | 一种基于大数据的微型空气站自校准方法 |
CN114266200A (zh) * | 2022-02-24 | 2022-04-01 | 山东大学 | 二氧化氮浓度预测方法及系统 |
CN114923273A (zh) * | 2022-05-06 | 2022-08-19 | 青岛海信日立空调系统有限公司 | 一种空调系统及其控制方法 |
CN115906631A (zh) * | 2022-11-21 | 2023-04-04 | 贵州电网有限责任公司 | 一种断路器油温预测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
CN111178585A (zh) * | 2019-12-05 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 基于多算法模型融合的故障接报量预测方法 |
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112254972A (zh) * | 2020-10-26 | 2021-01-22 | 上海三一重机股份有限公司 | 挖掘机油温预警方法、装置、服务器及挖掘机 |
-
2021
- 2021-02-04 CN CN202110157874.8A patent/CN112785081A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
CN111178585A (zh) * | 2019-12-05 | 2020-05-19 | 国网浙江省电力有限公司杭州供电公司 | 基于多算法模型融合的故障接报量预测方法 |
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112254972A (zh) * | 2020-10-26 | 2021-01-22 | 上海三一重机股份有限公司 | 挖掘机油温预警方法、装置、服务器及挖掘机 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113945684A (zh) * | 2021-10-14 | 2022-01-18 | 中国计量科学研究院 | 一种基于大数据的微型空气站自校准方法 |
CN114266200A (zh) * | 2022-02-24 | 2022-04-01 | 山东大学 | 二氧化氮浓度预测方法及系统 |
CN114923273A (zh) * | 2022-05-06 | 2022-08-19 | 青岛海信日立空调系统有限公司 | 一种空调系统及其控制方法 |
CN114923273B (zh) * | 2022-05-06 | 2023-11-07 | 青岛海信日立空调系统有限公司 | 一种空调系统及其控制方法 |
CN115906631A (zh) * | 2022-11-21 | 2023-04-04 | 贵州电网有限责任公司 | 一种断路器油温预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785081A (zh) | 油温预测方法、装置、电子设备和存储介质 | |
Rezamand et al. | Critical wind turbine components prognostics: A comprehensive review | |
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
Li et al. | A novel prediction method for down-hole working conditions of the beam pumping unit based on 8-directions chain codes and online sequential extreme learning machine | |
Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN111340282A (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
Edward et al. | Survival function in the analysis of the factors influencing the reliability of water wells operation | |
CN117639602A (zh) | 电机运行状态自适应调节方法及系统 | |
CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
CN114962390A (zh) | 液压系统故障诊断方法、系统及作业机械 | |
Chen et al. | A generalized degradation tendency tracking strategy for gearbox remaining useful life prediction | |
CN109783832A (zh) | 一种基于贝叶斯修正的液压泵性能退化建模方法 | |
CN106845144A (zh) | 一种基于工业大数据挖掘的状态预测方法 | |
Xie et al. | Correlation analysis of aeroengine operation monitoring using deep learning | |
CN117034001A (zh) | 一种风电机组故障预测方法、装置及电子设备 | |
CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
Lv et al. | General log‐linear Weibull model combining vibration and temperature characteristics for remaining useful life prediction of rolling element bearings | |
Li et al. | Remaining life prediction of cores based on data-driven and physical modeling methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230105 Address after: 314506 room 116, building 4, No. 288, development avenue, Tongxiang Economic Development Zone, Tongxiang City, Jiaxing City, Zhejiang Province Applicant after: Shengjing Intelligent Technology (Jiaxing) Co.,Ltd. Address before: 102206 5th floor, building 6, 8 Beiqing Road, Changping District, Beijing Applicant before: SANY HEAVY INDUSTRY Co.,Ltd. |