CN113218537B - 温度异常检测模型的训练方法、装置、设备和存储介质 - Google Patents

温度异常检测模型的训练方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113218537B
CN113218537B CN202110573478.3A CN202110573478A CN113218537B CN 113218537 B CN113218537 B CN 113218537B CN 202110573478 A CN202110573478 A CN 202110573478A CN 113218537 B CN113218537 B CN 113218537B
Authority
CN
China
Prior art keywords
temperature
anomaly detection
temperature anomaly
temperature data
detection model
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.)
Active
Application number
CN202110573478.3A
Other languages
English (en)
Other versions
CN113218537A (zh
Inventor
曾鸿
林康照
徐晟�
张朝辉
陈成
苏远鹏
凌永兴
苏杰和
王盛霖
王翔宇
莫熙喆
李泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202110573478.3A priority Critical patent/CN113218537B/zh
Publication of CN113218537A publication Critical patent/CN113218537A/zh
Application granted granted Critical
Publication of CN113218537B publication Critical patent/CN113218537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及一种温度异常检测模型的训练方法、装置、计算机设备和存储介质。所述方法包括：获取训练样本集和测试样本集；测试样本集包括多个测试样本温度数据；采用训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型；将各测试样本温度数据输入至训练后的温度异常检测模型，得到温度异常输出结果；根据训练后的温度异常检测模型的模型参数，以及，各测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各测试样本温度数据对应的置信区间；若各置信区间之间的差异满足预设条件，则将训练后的温度异常检测模型，作为训练好的温度异常检测模型。采用本方法能够提高温度数据异常检测精度。

Description

温度异常检测模型的训练方法、装置、设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种温度异常检测模型的训练方法、装置、计算机设备和存储介质。
背景技术
随着信息技术的不断进步和高速发展，对数据的采集、存储和管理手段日益完善的同时实现了全球的信息高速传输和共享。目前爆炸式增长的数据对于数据处理和分析方法提出了很多挑战，尤其是在异常检测领域，异常检测的方法不断涌现。
相关技术中的温度数据异常检测方法往往难以应对海量的温度数据信息，数据特征提取困难且不精确，导致了相关技术中存在对温度数据异常检测准确度不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高温度数据异常检测准确度的温度异常检测模型的训练方法、装置、计算机设备和存储介质。
一种温度异常检测模型的训练方法，包括：
获取样本温度数据；所述样本温度数据包括训练样本集和测试样本集；所述测试样本集包括多个测试样本温度数据；每个所述测试样本温度数据具有对应的温度异常标注结果；
采用所述训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型；
将各所述测试样本温度数据输入至所述训练后的温度异常检测模型，得到所述测试样本温度数据对应的温度异常输出结果；
根据所述训练后的温度异常检测模型的模型参数，以及，各所述测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各所述测试样本温度数据对应的置信区间；
若各所述测试样本温度数据对应的置信区间之间的差异满足预设条件，则将所述训练后的温度异常检测模型，作为训练好的温度异常检测模型。
在其中一个实施例中，所述根据所述训练后的温度异常检测模型的模型参数，以及，各所述测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各所述测试样本温度数据对应的置信区间，包括：
采用所述温度异常输出结果和所述温度异常标注结果之间的差异；
通过预设的置信水平、所述差异和所述模型参数，确定所述测试样本温度数据对应的置信下限和置信上限；
根据所述置信下限和所述置信上限，确定所述测试样本温度数据对应的置信区间。
在其中一个实施例中，所述若各所述测试样本温度数据对应的置信区间之间的差异满足预设条件，则将所述训练后的温度异常检测模型，作为训练好的温度异常检测模型，包括：
若各所述测试样本温度数据对应的置信区间之间的差异小于预设的差异阈值，则获取各所述测试样本温度数据对应的置信区间的区间均值；
将所述区间均值，作为所述训练好的温度异常检测模型的模型置信区间。
在其中一个实施例中，在所述将所述训练后的温度异常检测模型，作为训练好的温度异常检测模型的步骤之后，所述方法还包括：
获取待处理温度数据；
将所述待处理温度数据输入至所述训练好的温度异常检测模型，得到所述待处理温度数据对应的温度异常输出结果；所述温度异常输出结果包括所述待处理温度数据为正常值的置信度；
若所述置信度落入所述模型置信区间，则确定所述待处理温度数据为正常值。
在其中一个实施例中，在所述根据所述训练后的温度异常检测模型的模型参数，以及，各所述测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各所述测试样本温度数据对应的置信区间的步骤之后，所述方法还包括：
若所述测试样本温度数据对应的置信区间的大小大于预设阈值，则确定所述测试样本温度数据为训练样本温度数据；
将所述训练样本温度数据添加至所述训练样本集中。
在其中一个实施例中，所述训练样本集包括多个训练样本温度数据；每个所述训练样本温度数据具有对应的温度异常标注结果，所述采用所述训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型，包括：
将所述训练样本温度数据输入至所述待训练的温度异常检测模型，得到所述训练样本温度数据对应的温度异常检测结果；
基于所述温度异常检测结果与所述温度异常标注结果之间的差异，调整所述待训练的温度异常检测模型的网络参数，直至调整后的温度异常检测模型满足预设的训练条件，得到所述训练后的温度异常检测模型。
在其中一个实施例中，所述基于所述温度异常检测结果与所述温度异常标注结果之间的差异，调整所述待训练的温度异常检测模型的网络参数，包括：
基于所述温度异常检测结果与所述温度异常标注结果之间的差异，获取所述待训练的温度异常检测模型的网络损失值；
若所述网络损失值不在预设的阈值范围内，则根据所述网络损失值调整所述待训练的温度异常检测模型的网络参数。
一种温度异常检测模型的训练装置，所述装置包括：
获取模块，用于获取样本温度数据；所述样本温度数据包括训练样本集和测试样本集；所述测试样本集包括多个测试样本温度数据；每个所述测试样本温度数据具有对应的温度异常标注结果；
训练模块，用于采用所述训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型；
测试模块，用于将各所述测试样本温度数据输入至所述训练后的温度异常检测模型，得到所述测试样本温度数据对应的温度异常输出结果；
确定模块，用于根据所述训练后的温度异常检测模型的模型参数，以及，各所述测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各所述测试样本温度数据对应的置信区间；
判定模块，用于若各所述测试样本温度数据对应的置信区间之间的差异满足预设条件，则将所述训练后的温度异常检测模型，作为训练好的温度异常检测模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述温度异常检测模型的训练方法、装置、计算机设备和存储介质，应用于高纬度的数据检测，通过获取样本温度数据；样本温度数据包括训练样本集和测试样本集；测试样本集包括多个测试样本温度数据；每个测试样本温度数据具有对应的温度异常标注结果；采用训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型；将各测试样本温度数据输入至训练后的温度异常检测模型，得到测试样本温度数据对应的温度异常输出结果；根据训练后的温度异常检测模型的模型参数，以及，各测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各测试样本温度数据对应的置信区间；若各测试样本温度数据对应的置信区间之间的差异满足预设条件，则将训练后的温度异常检测模型，作为训练好的温度异常检测模型。如此，可以快速、精确提取数据的特征；在数据异常检测中不需要进行假设，自动提取海量数据特征的方法；通过大量数据对系统进行训练，从而获得一个精确的数据检测系统。通过训练好的系统对数据进行检测来判断数据是否异常。
附图说明
图1为一个实施例中一种温度异常检测模型的训练方法的应用环境图；
图2为一个实施例中一种温度异常检测模型的训练方法的流程示意图；
图3为一个实施例中一种温度异常输出结果的可视化示意图；
图4为另一个实施例中一种温度异常检测模型的训练方法的流程示意图；
图5为一个实施例中一种温度异常检测模型的训练方法的应用场景流程图；
图6为一个实施例中一种温度异常检测模型的训练装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的温度异常检测模型的训练方法，可以应用于如图1所示的应用环境中。其中，计算机设备110获取样本温度数据；样本温度数据包括训练样本集和测试样本集；测试样本集包括多个测试样本温度数据；每个测试样本温度数据具有对应的温度异常标注结果；然后，计算机设备110采用训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型；然后，计算机设备110将各测试样本温度数据输入至训练后的温度异常检测模型，得到测试样本温度数据对应的温度异常输出结果；然后，计算机设备110根据训练后的温度异常检测模型的模型参数，以及，各测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各测试样本温度数据对应的置信区间；最后，计算机设备110若各测试样本温度数据对应的置信区间之间的差异满足预设条件，则将训练后的温度异常检测模型，作为训练好的温度异常检测模型。计算机设备110可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种温度异常检测模型的训练方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
步骤S210，获取样本温度数据。
其中，温度数据可以是指火箭发动机的入口空气的温度数据。
其中，样本温度数据包括训练样本集和测试样本集；测试样本集包括多个测试样本温度数据；每个测试样本温度数据具有对应的温度异常标注结果。
具体实现中，计算机设备可以获取样本温度数据，同时，计算机设备可以获取原始的温度数据；然后，该原始温度数据进行归一化，得到归一化后的温度数据。然后，计算机设备对归一化后的温度数据进行划分，分为训练样本集和测试样本集。其中，测试样本集包括多个测试样本温度数据；每个测试样本温度数据具有对应的温度异常标注结果。
其中，温度异常检测模型可以采用BP神经网络。
实际应用中，选择750个温度数据作为实验样本，其中的500个数据用于BP神经网络的建立与训练。250个数据(含有部分异常数据)用来对建立的神经网络进行验证。
步骤S220，采用训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型。
具体实现中，计算机设备在获取到训练样本集后，计算机设备则初始化待训练的温度异常检测模型，并采用训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型。
实际应用中，BP神经网络的数据异常检测的训练参数如表1所列。其中,show表示神经网络训练过程中的显示步数,即每隔多少步,显示一次运行结果；lr为神经网络的学习速率；epochs表示神经网络所要进行的最大训练步数；goal则为神经网络的目标精度。
show lr epochs goal
50 0.05 5000 0.001
表一
步骤S230，将各测试样本温度数据输入至训练后的温度异常检测模型，得到测试样本温度数据对应的温度异常输出结果。
具体实现中，计算机设备可以将测试样本集中的各个测试样本温度数据输入至训练后的温度异常检测模型，得到测试样本温度数据对应的温度异常输出结果。
步骤S240，根据训练后的温度异常检测模型的模型参数，以及，各测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各测试样本温度数据对应的置信区间。
具体实现中，计算机设备可以采用温度异常输出结果和温度异常标注结果之间的差异；通过预设的置信水平、差异和模型参数，确定测试样本温度数据对应的置信下限和置信上限；根据置信下限和置信上限，确定测试样本温度数据对应的置信区间。
步骤S250，若各测试样本温度数据对应的置信区间之间的差异满足预设条件，则将训练后的温度异常检测模型，作为训练好的温度异常检测模型。
具体实现中，计算机设备判断各个测试样本温度数据对应的置信区间之间的大小是否接近，即判断各测试样本温度数据对应的置信区间之间的差异满足预设条件；若各个测试样本温度数据对应的置信区间大小接近，计算置信区间均值，得到整个模型的置信区间。并将该训练后的温度异常检测模型，作为训练好的温度异常检测模型。
上述温度异常检测模型的训练方法中，应用于高纬度的数据检测，通过获取样本温度数据；样本温度数据包括训练样本集和测试样本集；测试样本集包括多个测试样本温度数据；每个测试样本温度数据具有对应的温度异常标注结果；采用训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型；将各测试样本温度数据输入至训练后的温度异常检测模型，得到测试样本温度数据对应的温度异常输出结果；根据训练后的温度异常检测模型的模型参数，以及，各测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各测试样本温度数据对应的置信区间；若各测试样本温度数据对应的置信区间之间的差异满足预设条件，则将训练后的温度异常检测模型，作为训练好的温度异常检测模型。如此，可以快速、精确提取数据的特征；在数据异常检测中不需要进行假设，自动提取海量数据特征的方法；通过大量数据对系统进行训练，从而获得一个精确的数据检测系统。通过训练好的系统对数据进行检测来判断数据是否异常。
在另一个实施例中，根据训练后的温度异常检测模型的模型参数，以及，各测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各测试样本温度数据对应的置信区间，包括：采用温度异常输出结果和温度异常标注结果之间的差异；通过预设的置信水平、差异和模型参数，确定测试样本温度数据对应的置信下限和置信上限；根据置信下限和置信上限，确定测试样本温度数据对应的置信区间。
具体实现中，计算机设备在根据训练后的温度异常检测模型的模型参数，以及，各测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各测试样本温度数据对应的置信区间的过程中，计算机设备可以采用温度异常输出结果和温度异常标注结果之间的差异；计算机设备通过预设的置信水平、差异和模型参数，确定测试样本温度数据对应的置信下限和置信上限；最后，计算机设备根据置信下限和置信上限，确定测试样本温度数据对应的置信区间。
具体来说，置信区间是指参数θ，如果有两个统计量满足给定的T∈(0,1),有/>则称/>是θ的一个置信区间，其中/>分别称作置信下限、置信上限，1-T为置信水平。
假设对于一个给定的系统模型，其输入的P个测试样本温度数据为X1,X2,...,XP,其中输出为y1,y2,...,yp，系统模型用f(xi,θ*)表示，其中θ*代表模型参数的真值，模型误差记为X，设模型参数的个数为c，要求p>c.用/>表示用模型进行模拟得到输出结果，相应的用/>表示θ*的估计值，则，/>
假设模型与实际误差是独立分布的，且分配满足N(0,e2)，若采用标准差s2作为方差e2的无偏差估计，则对神经网络模型：
可以得到计算神经网络模型置信水平为1-T的置信区间的基本公式：
如此，可以采用该置信区间的基本公式计算出测试样本温度数据对应的置信下限和置信上限；其中，tT/2表示t分布的T/2分位点，5f(Xi,θ*)为一阶微分矩阵，可以表示为：
是Jacobi矩阵，可以表示为：
其中，在同等的置信水平下，置信区间越小表示结果更精确、更可靠、鲁棒性好。
本实施例的技术方案，通过采用温度异常输出结果和温度异常标注结果之间的差异；并通过预设的置信水平、差异和模型参数，确定测试样本温度数据对应的置信下限和置信上限，最后再根据置信下限和置信上限，准确地确定测试样本温度数据对应的置信区间。
在另一个实施例中，若各测试样本温度数据对应的置信区间之间的差异满足预设条件，则将训练后的温度异常检测模型，作为训练好的温度异常检测模型，包括：若各测试样本温度数据对应的置信区间之间的差异小于预设的差异阈值，则获取各测试样本温度数据对应的置信区间的区间均值；将区间均值，作为训练好的温度异常检测模型的模型置信区间。
具体实现中，若各测试样本温度数据对应的置信区间之间的差异满足预设条件，计算机设备在将训练后的温度异常检测模型，作为训练好的温度异常检测模型的过程中，计算机设备可以获取各测试样本温度数据对应的置信区间之间的差异，当计算机设备检测到各测试样本温度数据对应的置信区间之间的差异小于预设的差异阈值，计算机设备则判断各测试样本温度数据对应的置信区间之间的差异满足预设条件即各测试样本的置信区间大小接近，计算机设备则计算各测试样本温度数据对应的置信区间的区间均值；并将区间均值，作为训练好的温度异常检测模型的模型置信区间。
本实施例的技术方案，若各测试样本温度数据对应的置信区间之间的差异小于预设的差异阈值，则获取各测试样本温度数据对应的置信区间的区间均值；将区间均值，作为训练好的温度异常检测模型的模型置信区间；从而实现结合多个测试样本温度数据对应的置信区间，最终确定该训练好的温度异常检测模型对应的模型置信区间。
在另一个实施例中，在将训练后的温度异常检测模型，作为训练好的温度异常检测模型的步骤之后，方法还包括：获取待处理温度数据；将待处理温度数据输入至训练好的温度异常检测模型，得到待处理温度数据对应的温度异常输出结果；温度异常输出结果包括待处理温度数据为正常值的置信度；若置信度落入模型置信区间，则确定待处理温度数据为正常值。
具体实现中，在计算机设备将训练后的温度异常检测模型，作为训练好的温度异常检测模型后，计算机设备可以获取待处理温度数据；并将该待处理温度数据输入至训练好的温度异常检测模型，得到待处理温度数据对应的温度异常输出结果。其中，该温度异常输出结果包括待处理温度数据为正常值的置信度。
然后，计算机设备则判断该待处理温度数据对应的置信度是否落入该模型置信区间；若置信度落入模型置信区间，计算机设备则确定待处理温度数据为正常值。为了便于本领域技术人员的理解，图3实例性地提供了一种温度异常输出结果的可视化示意图；其中，若检测到温度异常输出结果的数据点落于两条虚线(例如，95％置信区间)内,计算机设备则确定该数据点为正常点；反之,则为异常点。如此，数据中的个别异常值能被实时准确检测出来。
本实施例的技术方案，通过将待处理温度数据输入至训练好的温度异常检测模型，确定待处理温度数据为正常值的置信度；若置信度落入模型置信区间，则确定待处理温度数据为正常值，如此，可以准确地确定待处理温度数据是否为正常的温度数据。
在另一个实施例中，在根据训练后的温度异常检测模型的模型参数，以及，各测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各测试样本温度数据对应的置信区间的步骤之后，方法还包括：若测试样本温度数据对应的置信区间的大小大于预设阈值，则确定测试样本温度数据为训练样本温度数据；将训练样本温度数据添加至训练样本集中。
具体实现中，计算机设备在根据训练后的温度异常检测模型的模型参数，以及，各测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各测试样本温度数据对应的置信区间之后，计算机设备还可以判断各个测试样本温度数据对应的置信区间的大小大于预设阈值；若计算机设备检测到测试样本温度数据对应的置信区间的大小大于预设阈值，计算机设备则将该测试样本温度数据确定为训练样本温度数据；将训练样本温度数据添加至训练样本集中。
本实施例的技术方案，通过在检测到测试样本温度数据对应的置信区间的大小大于预设阈值，则将测试样本温度数据作为训练样本温度数据添加至训练样本集中，实现通过比较各置信区间大小，将明显偏大的置信区间对应的样本放入训练样本集中重新训练。
在另一个实施例中，采用训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型，包括：将训练样本温度数据输入至待训练的温度异常检测模型，得到训练样本温度数据对应的温度异常检测结果；基于温度异常检测结果与温度异常标注结果之间的差异，调整待训练的温度异常检测模型的网络参数，直至调整后的温度异常检测模型满足预设的训练条件，得到训练后的温度异常检测模型。
基于温度异常检测结果与温度异常标注结果之间的差异，调整待训练的温度异常检测模型的网络参数，包括：基于温度异常检测结果与温度异常标注结果之间的差异，获取待训练的温度异常检测模型的网络损失值；若网络损失值不在预设的阈值范围内，则根据网络损失值调整待训练的温度异常检测模型的网络参数。
其中，训练样本集包括多个训练样本温度数据；每个训练样本温度数据具有对应的温度异常标注结果。
具体实现中，计算机设备在采用训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型的过程中，计算机设备可以将训练样本温度数据输入至待训练的温度异常检测模型，得到训练样本温度数据对应的温度异常检测结果；然后，计算机设备再基于温度异常检测结果与温度异常标注结果之间的差异，调整待训练的温度异常检测模型的网络参数。
具体来说，计算机设备可以将温度异常检测结果与温度异常标注结果输入至预设的损失函数，得到损失函数值，作为待训练的温度异常检测模型的网络损失值；然后，计算机设备判断该网络损失值是否在预设的阈值范围内，若网络损失值不在预设的阈值范围内，则根据网络损失值调整待训练的温度异常检测模型的网络参数。
其中，计算机设备可以采用反向传播算法，基于该网络损失值确定出待训练的温度异常检测模型中各个网络节点的参数(如，权重和偏置等)对应的梯度；然后，计算机设备在使用梯度下降的方法，对待训练的温度异常检测模型中各个网络节点的参数进行调整，得到调整后的温度异常检测模型。
当采用训练样本集中的所有训练样本温度数据对温度异常检测模型进行训练完毕后，计算机设备则判定该调整后的温度异常检测模型满足预设的训练条件，得到训练后的温度异常检测模型。
本实施例的技术方案，通过将训练样本温度数据输入至待训练的温度异常检测模型，得到训练样本温度数据对应的温度异常检测结果；基于温度异常检测结果与温度异常标注结果之间的差异，调整待训练的温度异常检测模型的网络参数，直至调整后的温度异常检测模型满足预设的训练条件，从而实现对待训练的温度异常检测模型进行有效训练，实现对待训练的温度异常检测模型中的模型参数进行优化，以得到训练后的温度异常检测模型。
在另一个实施例中，如图4所示，提供了一种温度异常检测模型的训练方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
步骤S402，获取样本温度数据；所述样本温度数据包括训练样本集和测试样本集；所述测试样本集包括多个测试样本温度数据；每个所述测试样本温度数据具有对应的温度异常标注结果。
步骤S404，采用所述训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型。
步骤S406，将各所述测试样本温度数据输入至所述训练后的温度异常检测模型，得到所述测试样本温度数据对应的温度异常输出结果。
步骤S408，采用所述温度异常输出结果和所述温度异常标注结果之间的差异。
步骤S410，通过预设的置信水平、所述差异和所述模型参数，确定所述测试样本温度数据对应的置信下限和置信上限。
步骤S412，根据所述置信下限和所述置信上限，确定所述测试样本温度数据对应的置信区间。
步骤S414，若各所述测试样本温度数据对应的置信区间之间的差异小于预设的差异阈值，则获取各所述测试样本温度数据对应的置信区间的区间均值。
步骤S416，将所述区间均值，作为所述训练好的温度异常检测模型的模型置信区间。
步骤S418，获取待处理温度数据。
步骤S420，将所述待处理温度数据输入至所述训练好的温度异常检测模型，得到所述待处理温度数据对应的温度异常输出结果；所述温度异常输出结果包括所述待处理温度数据为正常值的置信度。
步骤S422，若所述置信度落入所述模型置信区间，则确定所述待处理温度数据为正常值。
需要说明的是，上述步骤的具体限定可以参见上文对一种温度异常检测模型的训练方法的具体限定。
应该理解的是，虽然图2和图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
为了便于本领域技术人员的理解，图5实例性地提供了一种温度异常检测模型的训练方法的应用场景流程图。
在一个实施例中，如图6所示，提供了一种温度异常检测模型的训练装置，包括：
获取模块610，用于获取样本温度数据；所述样本温度数据包括训练样本集和测试样本集；所述测试样本集包括多个测试样本温度数据；每个所述测试样本温度数据具有对应的温度异常标注结果；
训练模块620，用于采用所述训练样本集对待训练的温度异常检测模型进行训练，得到训练后的温度异常检测模型；
测试模块630，用于将各所述测试样本温度数据输入至所述训练后的温度异常检测模型，得到所述测试样本温度数据对应的温度异常输出结果；
确定模块640，用于根据所述训练后的温度异常检测模型的模型参数，以及，各所述测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各所述测试样本温度数据对应的置信区间；
判定模块650，用于若各所述测试样本温度数据对应的置信区间之间的差异满足预设条件，则将所述训练后的温度异常检测模型，作为训练好的温度异常检测模型。
在其中一个实施例中，所述确定模块640，具体用于采用所述温度异常输出结果和所述温度异常标注结果之间的差异；通过预设的置信水平、所述差异和所述模型参数，确定所述测试样本温度数据对应的置信下限和置信上限；根据所述置信下限和所述置信上限，确定所述测试样本温度数据对应的置信区间。
在其中一个实施例中，所述判定模块650，具体用于若各所述测试样本温度数据对应的置信区间之间的差异小于预设的差异阈值，则获取各所述测试样本温度数据对应的置信区间的区间均值；将所述区间均值，作为所述训练好的温度异常检测模型的模型置信区间。
在其中一个实施例中，所述装置还包括：接收模块，用于获取待处理温度数据；输入模块，用于将所述待处理温度数据输入至所述训练好的温度异常检测模型，得到所述待处理温度数据对应的温度异常输出结果；所述温度异常输出结果包括所述待处理温度数据为正常值的置信度；识别模块，用于若所述置信度落入所述模型置信区间，则确定所述待处理温度数据为正常值。
在其中一个实施例中，所述装置还包括：生成模块，用于若所述测试样本温度数据对应的置信区间的大小大于预设阈值，则确定所述测试样本温度数据为训练样本温度数据；添加模块，用于将所述训练样本温度数据添加至所述训练样本集中。
在其中一个实施例中，所述训练样本集包括多个训练样本温度数据；每个所述训练样本温度数据具有对应的温度异常标注结果，所述训练模块620，具体用于将所述训练样本温度数据输入至所述待训练的温度异常检测模型，得到所述训练样本温度数据对应的温度异常检测结果；基于所述温度异常检测结果与所述温度异常标注结果之间的差异，调整所述待训练的温度异常检测模型的网络参数，直至调整后的温度异常检测模型满足预设的训练条件，得到所述训练后的温度异常检测模型。
在其中一个实施例中，所述训练模块620，具体用于基于所述温度异常检测结果与所述温度异常标注结果之间的差异，获取所述待训练的温度异常检测模型的网络损失值；若所述网络损失值不在预设的阈值范围内，则根据所述网络损失值调整所述待训练的温度异常检测模型的网络参数。
关于温度异常检测模型的训练装置的具体限定可以参见上文中对于温度异常检测模型的训练方法的限定，在此不再赘述。上述温度异常检测模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行温度异常检测模型的训练方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种温度异常检测模型的训练方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种温度异常检测模型的训练方法的步骤。此处一种温度异常检测模型的训练方法的步骤可以是上述各个实施例的一种温度异常检测模型的训练方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种温度异常检测模型的训练方法的步骤。此处一种温度异常检测模型的训练方法的步骤可以是上述各个实施例的一种温度异常检测模型的训练方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种温度异常检测模型的训练方法，其特征在于，包括：
获取样本温度数据；所述样本温度数据包括训练样本集和测试样本集；所述测试样本集包括多个测试样本温度数据；每个所述测试样本温度数据具有对应的温度异常标注结果；所述训练样本集包括多个训练样本温度数据；每个所述训练样本温度数据具有对应的温度异常标注结果；
将所述训练样本温度数据输入至待训练的温度异常检测模型，得到所述训练样本温度数据对应的温度异常检测结果；
基于所述温度异常检测结果与所述温度异常标注结果之间的差异，调整所述待训练的温度异常检测模型的网络参数，直至调整后的温度异常检测模型满足预设的训练条件，得到训练后的温度异常检测模型；
将各所述测试样本温度数据输入至所述训练后的温度异常检测模型，得到所述测试样本温度数据对应的温度异常输出结果；
根据所述训练后的温度异常检测模型的模型参数，以及，采用所述温度异常输出结果和所述温度异常标注结果之间的差异；
通过预设的置信水平、所述差异和所述模型参数，确定所述测试样本温度数据对应的置信下限和置信上限；
根据所述置信下限和所述置信上限，确定所述测试样本温度数据对应的置信区间；
若各所述测试样本温度数据对应的置信区间之间的差异满足预设条件，则将所述训练后的温度异常检测模型，作为训练好的温度异常检测模型；
其中，所述若各所述测试样本温度数据对应的置信区间之间的差异满足预设条件，则将所述训练后的温度异常检测模型，作为训练好的温度异常检测模型，包括：
若各所述测试样本温度数据对应的置信区间之间的差异小于预设的差异阈值，则获取各所述测试样本温度数据对应的置信区间的区间均值；
将所述区间均值，作为所述训练好的温度异常检测模型的模型置信区间。
2.根据权利要求1所述的方法，其特征在于，在所述将所述训练后的温度异常检测模型，作为训练好的温度异常检测模型的步骤之后，所述方法还包括：
获取待处理温度数据；
将所述待处理温度数据输入至所述训练好的温度异常检测模型，得到所述待处理温度数据对应的温度异常输出结果；所述温度异常输出结果包括所述待处理温度数据为正常值的置信度；
若所述置信度落入所述模型置信区间，则确定所述待处理温度数据为正常值。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述训练后的温度异常检测模型的模型参数，以及，各所述测试样本温度数据对应的温度异常输出结果和温度异常标注结果，确定各所述测试样本温度数据对应的置信区间的步骤之后，所述方法还包括：
若所述测试样本温度数据对应的置信区间的大小大于预设阈值，则确定所述测试样本温度数据为训练样本温度数据；
将所述训练样本温度数据添加至所述训练样本集中。
4.根据权利要求1所述的方法，其特征在于，所述基于所述温度异常检测结果与所述温度异常标注结果之间的差异，调整所述待训练的温度异常检测模型的网络参数，包括：
基于所述温度异常检测结果与所述温度异常标注结果之间的差异，获取所述待训练的温度异常检测模型的网络损失值；
若所述网络损失值不在预设的阈值范围内，则根据所述网络损失值调整所述待训练的温度异常检测模型的网络参数。
5.一种温度异常检测模型的训练装置，其特征在于，所述装置包括：
获取模块，用于获取样本温度数据；所述样本温度数据包括训练样本集和测试样本集；所述测试样本集包括多个测试样本温度数据；每个所述测试样本温度数据具有对应的温度异常标注结果；所述训练样本集包括多个训练样本温度数据；每个所述训练样本温度数据具有对应的温度异常标注结果；
训练模块，用于将所述训练样本温度数据输入至待训练的温度异常检测模型，得到所述训练样本温度数据对应的温度异常检测结果；基于所述温度异常检测结果与所述温度异常标注结果之间的差异，调整所述待训练的温度异常检测模型的网络参数，直至调整后的温度异常检测模型满足预设的训练条件，得到训练后的温度异常检测模型；
测试模块，用于将各所述测试样本温度数据输入至所述训练后的温度异常检测模型，得到所述测试样本温度数据对应的温度异常输出结果；
确定模块，用于根据所述训练后的温度异常检测模型的模型参数，以及，采用所述温度异常输出结果和所述温度异常标注结果之间的差异；通过预设的置信水平、所述差异和所述模型参数，确定所述测试样本温度数据对应的置信下限和置信上限；根据所述置信下限和所述置信上限，确定所述测试样本温度数据对应的置信区间；
判定模块，用于判定若各所述测试样本温度数据对应的置信区间之间的差异满足预设条件，则将所述训练后的温度异常检测模型，作为训练好的温度异常检测模型；
其中，所述判定模块，还用于判定若各所述测试样本温度数据对应的置信区间之间的差异小于预设的差异阈值，则获取各所述测试样本温度数据对应的置信区间的区间均值；将所述区间均值，作为所述训练好的温度异常检测模型的模型置信区间。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
7.一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，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202110573478.3A 2021-05-25 2021-05-25 温度异常检测模型的训练方法、装置、设备和存储介质 Active CN113218537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110573478.3A CN113218537B (zh) 2021-05-25 2021-05-25 温度异常检测模型的训练方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110573478.3A CN113218537B (zh) 2021-05-25 2021-05-25 温度异常检测模型的训练方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113218537A CN113218537A (zh) 2021-08-06
CN113218537B true CN113218537B (zh) 2024-04-05

Family

ID=77098440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110573478.3A Active CN113218537B (zh) 2021-05-25 2021-05-25 温度异常检测模型的训练方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113218537B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113758652B (zh) * 2021-09-03 2023-05-30 中国南方电网有限责任公司超高压输电公司广州局 换流变压器漏油检测方法、装置、计算机设备和存储介质
CN115014821A (zh) * 2022-05-31 2022-09-06 三一重机有限公司 作业机械异常检测方法、装置及作业机械
CN116629143A (zh) * 2023-07-25 2023-08-22 东方空间技术(山东)有限公司 一种火箭模拟发射参数判读方法、计算设备及存储介质
CN117314269A (zh) * 2023-09-14 2023-12-29 博瀚智能(深圳)有限公司 质检模型管理方法、系统、电子设备及存储介质
CN118518225B (zh) * 2024-07-23 2024-09-24 青岛华尊机械股份有限公司 一种纺织机内部温度测量方法、装置及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803137A (zh) * 2017-01-25 2017-06-06 东南大学 城市轨道交通afc系统实时进站客流量异常检测方法
CN107291911A (zh) * 2017-06-26 2017-10-24 北京奇艺世纪科技有限公司 一种异常检测方法和装置
CN108960303A (zh) * 2018-06-20 2018-12-07 哈尔滨工业大学 一种基于lstm的无人机飞行数据异常检测方法
CN110926651A (zh) * 2019-11-13 2020-03-27 芜湖伊莱特电气有限公司 一种配电柜检测方法与装置
CN110933102A (zh) * 2019-12-11 2020-03-27 支付宝(杭州)信息技术有限公司 基于半监督学习的异常流量检测模型训练方法及装置
CN111210024A (zh) * 2020-01-14 2020-05-29 深圳供电局有限公司 模型训练方法、装置、计算机设备和存储介质
WO2020143304A1 (zh) * 2019-01-07 2020-07-16 平安科技（深圳）有限公司 损失函数优化方法、装置、计算机设备及存储介质
CN111931868A (zh) * 2020-09-24 2020-11-13 常州微亿智造科技有限公司 时间序列数据异常检测方法和装置
CN112070535A (zh) * 2020-09-03 2020-12-11 常州微亿智造科技有限公司 电动汽车价格预测方法和装置
CN112668169A (zh) * 2020-12-21 2021-04-16 广东电网有限责任公司电力科学研究院 基于深度学习的gis导体温度实时估算方法、装置及设备
CN112699946A (zh) * 2020-12-31 2021-04-23 湖南工商大学 一种针对传感监测数据的异常检测方法、装置及相关设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803137A (zh) * 2017-01-25 2017-06-06 东南大学 城市轨道交通afc系统实时进站客流量异常检测方法
CN107291911A (zh) * 2017-06-26 2017-10-24 北京奇艺世纪科技有限公司 一种异常检测方法和装置
CN108960303A (zh) * 2018-06-20 2018-12-07 哈尔滨工业大学 一种基于lstm的无人机飞行数据异常检测方法
WO2020143304A1 (zh) * 2019-01-07 2020-07-16 平安科技（深圳）有限公司 损失函数优化方法、装置、计算机设备及存储介质
CN110926651A (zh) * 2019-11-13 2020-03-27 芜湖伊莱特电气有限公司 一种配电柜检测方法与装置
CN110933102A (zh) * 2019-12-11 2020-03-27 支付宝(杭州)信息技术有限公司 基于半监督学习的异常流量检测模型训练方法及装置
CN111210024A (zh) * 2020-01-14 2020-05-29 深圳供电局有限公司 模型训练方法、装置、计算机设备和存储介质
CN112070535A (zh) * 2020-09-03 2020-12-11 常州微亿智造科技有限公司 电动汽车价格预测方法和装置
CN111931868A (zh) * 2020-09-24 2020-11-13 常州微亿智造科技有限公司 时间序列数据异常检测方法和装置
CN112668169A (zh) * 2020-12-21 2021-04-16 广东电网有限责任公司电力科学研究院 基于深度学习的gis导体温度实时估算方法、装置及设备
CN112699946A (zh) * 2020-12-31 2021-04-23 湖南工商大学 一种针对传感监测数据的异常检测方法、装置及相关设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BP神经网络应用中的前后处理过程研究;陈小前,罗世彬,王振国,陶玉静;系统工程理论与实践(第01期);第65-70页 *

Also Published As

Publication number Publication date
CN113218537A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113218537B (zh) 温度异常检测模型的训练方法、装置、设备和存储介质
CN112508105B (zh) 一种采油机故障检测与检索方法
TWI444844B (zh) 模擬參數校正技術
CN112232407B (zh) 病理图像样本的神经网络模型训练方法、装置
CN111967535B (zh) 一种储粮管理场景温度传感器故障诊断方法及其诊断装置
CN112001110A (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
CN110995461B (zh) 网络故障诊断方法
CN110969200A (zh) 基于一致性负样本的图像目标检测模型训练方法及装置
CN114116829A (zh) 异常数据分析方法、异常数据分析系统和存储介质
CN110232130B (zh) 元数据管理谱系生成方法、装置、计算机设备和存储介质
Colbert et al. Using trajectory measurements to estimate the region of attraction of nonlinear systems
CN108574290B (zh) 受迫振荡的振荡源定位方法、装置、终端及可读存储介质
CN113255927A (zh) 逻辑回归模型训练方法、装置、计算机设备和存储介质
CN117825912A (zh) 一种芯片测试方法、装置、计算机设备及存储介质
US11847187B2 (en) Device identification device, device identification method, and device identification program
CN111308327A (zh) 模拟电路故障定位与故障元件参数辨识方法
CN108133234B (zh) 基于稀疏子集选择算法的社区检测方法、装置及设备
CN116597246A (zh) 模型训练方法、目标检测方法、电子设备及存储介质
CN114511088A (zh) 一种用于结构损伤识别的贝叶斯模型更新方法及系统
CN114492736A (zh) 一种基于梯度的样本学习难度度量方法及装置
CN112488528A (zh) 数据集的处理方法、装置、设备和存储介质
CN112528500A (zh) 一种场景图构造模型的评估方法及评估设备
CN111984812A (zh) 一种特征提取模型生成方法、图像检索方法、装置及设备
CN114494315B (zh) 隧道横断面特征提取方法、装置、设备和存储介质
JP7287093B2 (ja) 学習プログラム、学習方法および学習装置

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
GR01 Patent grant
GR01 Patent grant