CN113837289A - 模型训练方法、故障预测方法、装置及电子设备 - Google Patents

模型训练方法、故障预测方法、装置及电子设备 Download PDF

Info

Publication number
CN113837289A
CN113837289A CN202111131295.2A CN202111131295A CN113837289A CN 113837289 A CN113837289 A CN 113837289A CN 202111131295 A CN202111131295 A CN 202111131295A CN 113837289 A CN113837289 A CN 113837289A
Authority
CN
China
Prior art keywords
training
target
sequences
prediction
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.)
Granted
Application number
CN202111131295.2A
Other languages
English (en)
Other versions
CN113837289B (zh
Inventor
周鹏程
张超
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.)
Ainnovation Chongqing Technology Co ltd
Original Assignee
Ainnovation Chongqing Technology Co ltd
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 Ainnovation Chongqing Technology Co ltd filed Critical Ainnovation Chongqing Technology Co ltd
Priority to CN202111131295.2A priority Critical patent/CN113837289B/zh
Publication of CN113837289A publication Critical patent/CN113837289A/zh
Application granted granted Critical
Publication of CN113837289B publication Critical patent/CN113837289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本申请涉及一种模型训练方法、故障预测方法、装置及电子设备。模型训练方法包括：从多个历史测点序列中选取出与电机故障相关的多个业务测点序列，多个历史测点序列在样本电机的历史运行阶段获取；从多个历史测点序列中筛选出与多个业务测点序列具有数学相关性的多个数据测点序列；从多个业务测点序列和多个数据测点序列组成的原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列；通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练，获得电机故障预测模型。本申请实施例提供的模型训练方法、故障预测方法、装置及电子设备能够保证故障预测数据的可靠性。

Description

模型训练方法、故障预测方法、装置及电子设备
技术领域
本申请涉及工业设备及流程预测性维护技术领域，具体而言，涉及一种模型训练方法、故障预测方法、装置及电子设备。
背景技术
电机是现代工业的核心动力装置，其能够将电能转换为机械能，广泛应用于传统制造、工程建筑、交通运输业等行业。目前，由于使用工况复杂、产品设计缺陷、工作人员操作不当等原因，电机容易发生故障，且对这种故障并未提供对应的预测方法。
发明内容
本申请的目的在于，提供一种模型训练方法、故障预测方法、装置及电子设备，以解决上述问题。
本申请实施例提供的模型训练方法，包括：
根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列，多个历史测点序列在样本电机的历史运行阶段获取；
从多个历史测点序列中筛选出与多个业务测点序列具有数学相关性的多个数据测点序列；
从多个业务测点序列和多个数据测点序列组成的原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列；
通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练，获得电机故障预测模型。
结合第一方面，本申请实施例还提供了第一方面的第一种可选的实施方式，根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列之前，模型训练方法还包括：
对多个历史测点序列中包括的每个历史测点序列进行数据清洗，数据清洗包括异常值处理、缺失值处理和卡定值处理中的至少一者。
结合第一方面，本申请实施例还提供了第一方面的第二种可选的实施方式，从多个业务测点序列和多个数据测点序列组成的原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列，包括：
根据目标电机故障的现象表征、目标电机故障发生过程中原始特征集中每个测点序列的数据变化，对原始特征集中包括的每个测点序列进行序列相关性检验，获得原始特征集中每个测点序列关于目标电机故障的相关性排序；
根据原始特征集中每个测点序列关于目标电机故障的相关性排序，从原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列。
结合第一方面，本申请实施例还提供了第一方面的第三种可选的实施方式，通过多个目标训练序列集和多个协变量训练序列集，对目标模型进行训练，获得电机故障预测模型之前，模型训练方法还包括：
判断多个目标训练序列中是否存在非稳态的目标训练序列；
若多个目标训练序列中存在非稳态的目标训练序列，则对非稳态的目标训练序列进行稳定性处理。
结合第一方面，本申请实施例还提供了第一方面的第四种可选的实施方式，通过多个目标训练序列集和多个协变量训练序列集，对目标模型进行训练，获得电机故障预测模型之前，模型训练方法还包括：
判断多个协变量训练序列中是否存在用于表征类别的协变量训练序列；
若多个协变量训练序列中用于表征类别的协变量训练序列，则对用于表征类别的协变量训练序列进行编码处理。
结合第一方面，本申请实施例还提供了第一方面的第五种可选的实施方式，通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练，包括：
从多个目标训练序列中选取出第一训练数据采集时刻获取的多个目标训练数据，并输入训练数据集；
从多个协变量训练序列中选取出第二训练数据采集时刻获取多个协变量训练数据，并输入训练数据集，第二训练数据采集时刻为晚于第一训练数据采集时刻，且与第一训练数据采集时刻相邻的训练数据采集时刻；
将训练数据集输入目标模型，对目标模型进行训练，并通过目标模型输出包括第一预测值期望序列和第一预测值方差序列的第一似然函数，目标模型为多层长短期记忆网络模型。
第二方面，本申请实施例提供的故障预测方法，包括：
获取多个目标预测数据和多个协变量预测序列，多个目标预测数据和多个协变量预测序列在目标电机的历史运行阶段获取；
将多个目标预测数据和多个协变量预测序列输入电机故障预测模型，获得用于表征目标电机是否发生故障的故障预测数据，电机故障预测模型通过第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法训练获得。
结合第二方面，本申请实施例还提供了第二方面的第一种可选的实施方式，将多个目标预测数据和多个协变量预测序列输入电机故障预测模型，获得用于表征目标电机是否发生故障的故障预测数据，包括：
将多个目标预测数据，输入首次预测输入集，多个目标预测数据于第一预测数据采集时刻获取；
从多个协变量预测序列中选取出第二预测数据采集时刻获取的多个第一协变量预测数据，并输入首次预测输入集，第二预测数据采集时刻为晚于第一预测数据采集时刻，且与第一预测数据采集时刻相邻的预测数据采集时刻；
将首次预测输入集输入电机故障预测模型，以通过电机故障预测模型输出包括第二预测值期望序列和第二预测值方差序列的第二似然函数；
针对电机故障预测模型每次输出的第二预测值期望序列，将第二预测值期望序列作为待输入预测值期望序列，并与从多个协变量预测序列中选取的于目标预测数据采集时刻获取的多个第二协变量预测数据进行组合，获得非首次预测输入集，并输入电机故障预测模型，以通过电机故障预测模型输出新的第二似然函数，目标预测数据采集时刻为获取待输入预测值期望序列时，输入电机故障预测模型的协变量预测数据所对应预测数据采集时刻的下一预测数据采集时刻。
第三方面，本申请实施例提供的模型训练装置，包括：
业务测点序列选取模块，用于根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列，多个历史测点序列在样本电机的历史运行阶段获取；
数据测点序列选取模块，用于从多个历史测点序列中筛选出与多个业务测点序列具有数学相关性的多个数据测点序列；
序列划分模块，用于从多个业务测点序列和多个数据测点序列组成的原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列；
模型训练模块，用于通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练，获得电机故障预测模型。
第四方面，本申请实施例提供的故障预测装置，包括：
预测数据获取模块，用于获取多个目标预测数据和多个协变量预测序列，多个目标预测数据和多个协变量预测序列在目标电机的历史运行阶段获取；
故障预测模块，用于将多个目标预测数据和多个协变量预测序列输入电机故障预测模型，获得用于表征目标电机是否发生故障的故障预测数据，，电机故障预测模型通过第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法训练获得。
第五方面，本申请实施例提供的电子设备包括控制器和存储器，存储器上存储有计算机程序，控制器用于执行计算机程序，以实现上述第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法，或实现上述第二方面，或第二方面的第一种可选的实施方式所提供的故障预测方法。
第六方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被执行时，实现上述第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法，或实现上述第二方面，或第二方面的第一种可选的实施方式所提供的故障预测方法。
本申请实施例提供的模型训练方法的实施过程中，电机故障预测模型是通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练获得的，其中，多个业务测点序列的获取方式为：根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列，多个数据测点序列的获取方式为：从多个历史测点序列中筛选出与多个业务测点序列具有数学相关性的多个数据测点序列。显然，本申请实施例提供的模型训练方法并非单纯通过多个业务测点序列训练目标模型，更重要的是，考虑到了多个数据测点序列对多个业务测点序列产生的影响，再通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练，因此，在获得电机故障预测模型之后，不仅能够通过电机故障预测模型自动获得用于表征目标电机是否发生故障的故障预测数据，且能够保证电机故障预测模型具有一定的可靠性，从而保证故障预测数据的可靠性。
本申请实施例提供的故障预测方法、装置、电子设备及计算机可读存储介质具有与上述模型训练方法相同的有益效果，此处不作赘述。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种电子设备的示意性结构框图。
图2为本申请实施例提供的一种模型训练方法的步骤流程图。
图3为本申请实施例提供的一种模型训练方法的辅助性说明图。
图4为本申请实施例提供的一种模型训练装置的示意性结构框图。
图5为本申请实施例提供的一种故障预测方法的步骤流程图。
图6为本申请实施例提供的一种故障预测方法的辅助性说明图。
图7为本申请实施例提供的一种模型训练方法和故障预测方法的整体流程示意图。
图8为本申请实施例提供的一种故障预测装置的示意性结构框图。
附图标记：100-电子设备；110-处理器；120-存储器；200-模型训练装置；210-业务测点序列选取模块；220-数据测点序列选取模块；230-序列划分模块；240-模型训练模块；300-故障预测装置；310-预测数据获取模块；320-故障预测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。此外，应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
请参阅图1，为本申请实施例提供的一种电子设备100的示意性结构框图。本申请实施例中，电子设备100可以是终端设备，例如，电脑、个人数字助理(Personal DigitalAssistant，PAD)、移动上网设备(Mobile Internet Device，MID)等，还可以是服务器，本申请实施例对此不作具体限制。
在结构上，电子设备100可以包括处理器110和存储器120。
处理器110和存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。模型训练装置或故障预测装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中。处理器110用于执行存储器120中存储的可执行模块，例如，模型训练装置所包括的软件功能模块及计算机程序等，以实现模型训练方法，故障预测装置所包括的软件功能模块及计算机程序等，以实现故障预测方法。
处理器110可以在接收到执行指令后，执行计算机程序。其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图，此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory，EPROM)，以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。
应当理解，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2，为本申请实施例提供的模型训练方法的流程示意图，该方法包括步骤S110、步骤S120、步骤S130和步骤S140，且可以应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的模型训练方法不以图2及以下所示的顺序为限制，以下结合图2对模型训练方法的具体流程及步骤进行描述。
步骤S110，根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列，多个历史测点序列在样本电机的历史运行阶段获取。
本申请实施例中，多个历史测点序列中可以包括样本电机的驱动端轴承、非驱动端轴承、定子、转子的振动和温度等测点序列，以及样本电机本体的转子速度、接入的三相电流、电压等测点序列，同时，还可以包括时间数据、样本电机所作用的工位点、当天室外温度等测点序列，其中，时间数据可以包括月份、每月中的具体日期、每日中的具体小时或分钟等。多个历史测点序列中，每个历史测点序列包括的多个测点数据可以按照预设的训练数据采集间隔获取，而训练数据采集间隔可以是20S、30min或1h，本申请实施例对此不作具体限制。
在获得多个历史测点序列之后，还可以对多个历史测点序列中包括的每个历史测点序列进行数据清洗，其中，数据清洗可以包括异常值处理、缺失值处理和卡定值处理中的至少一者。
其中，异常值即为离群点，实际实施时，在确定出异常值之后，可以对异常值进行合理的赋值处理，例如，计算出异常值前后两个数据的第一均值，并通过第一均值对异常值进行赋值处理。对于缺失值，本申请实施例中，作为一种可选的实施方式，若任意两个数据之间仅存在一个缺失值，则可以计算出这两个数据的第二均值，并通过第二均值对缺失值进行赋值处理，若任意两个数据之间存在多个缺失值，则可以根据这两个数据的变化趋势，并结合这两个数据，分别对多个缺失值进行赋值处理。对于卡定值，本申请实施例中，可以采取如缺失值相同的数据处理方式进行处理，本申请实施例对此不作具体限制。
此外，通常情况下，常见的多种电机故障可以包括驱动端轴承翻边故障、定转子接触故障、静态或动态不对中、断条、需通电器件出现绝缘情况和三相不平衡等。
示例性的，对于驱动端轴承翻边故障，在原理上，当这种故障发生时，会引起驱动端轴承振动和温度这至少两类测点数据发生较大变化，那么，在执行步骤S110时，便可以从多个历史测点序列中至少选取出驱动端轴承振动和温度这两类测点数据，作为与驱动端轴承翻边故障相关的业务测点序列。最终，若需要覆盖驱动端轴承翻边故障、定转子接触故障、静态或动态不对中、断条、需通电器件出现绝缘情况和三相不平衡等多种常见的多种电机故障，则在执行步骤S110时，便可以从多个历史测点序列中至少选取出样本电机的驱动端轴承、定子、转子的振动和温度、样本电机本体的转子速度、接入的三相电流、电压等测点数据。
步骤S120，从多个历史测点序列中筛选出与多个业务测点序列具有数学相关性的多个数据测点序列。
本申请实施例中，可以通过序列相关性检验，从多个历史测点序列中筛选出与多个业务测点序列具有数学相关性的多个数据测点序列。其中，序列相关性检验具体可以采用皮尔森相关系数、余弦相似度、斯皮尔曼相关系数、Kendall Tau相关系数等计算实现，本申请实施例对此不作赘述。
以多个业务测点序列中包括驱动端轴承的温度为例，通常情况下，驱动端轴承的温度除受到驱动端轴承本身发热量的影响之外，当天室外温度也会对其产生影响。例如，当驱动端轴承本身的发热量高于当天室外温度时，驱动端轴承的温度会相对高于驱动端轴承本身的发热量。再例如，当驱动端轴承本身的发热量低于当天室外温度时，驱动端轴承的温度会相对低于驱动端轴承本身的发热量。因此，当天室外温度与驱动端轴承的温度具有数学相关性。
步骤S130，从多个业务测点序列和多个数据测点序列组成的原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列。
对于步骤S130，本申请实施例中，作为一种可选的实施方式，可以根据目标电机故障的现象表征、目标电机故障发生过程中原始特征集中每个测点序列的数据变化，对原始特征集中包括的每个测点序列进行序列相关性检验，获得原始特征集中每个测点序列关于目标电机故障的相关性排序，再根据原始特征集中每个测点序列关于目标电机故障的相关性排序，从原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列。
其中，目标电机故障可以是驱动端轴承翻边故障、定转子接触故障、静态或动态不对中、断条、需通电器件出现绝缘情况和三相不平衡等常见的多种电机故障中的至少一种。以目标电机故障包括驱动端轴承翻边故障为例，至少会存在驱动端轴承振动，且温度上升两种表征现象，因此，会引起驱动端轴承振动和温度这至少两类测点数据发生较大变化。
此外，步骤S130中涉及的序列相关性检验同样可以采用皮尔森相关系数、余弦相似度、斯皮尔曼相关系数、Kendall Tau相关系数等计算实现，本申请实施例对此不作赘述。
步骤S140，通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练，获得电机故障预测模型。
在获得多个目标训练序列和多个协变量训练序列之后，便可以通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练，获得电机故障预测模型。其中，目标模型可以是多层长短期记忆网络模型(Long Short-Term Memory，LSTM)，且对目标模型进行训练时，可以采用负对数似然损失函数代替传统的平方差损失函数进行，本申请实施例对此不作赘述。
此外，需要说明的是，本申请实施例中，为提高电机故障预测模型的可靠性，在执行步骤S140之前，还可以判断多个目标训练序列中是否存在非稳态的目标训练序列，若多个目标训练序列中存在非稳态的目标训练序列，则对非稳态的目标训练序列进行稳定性处理。其中，稳定性处理可以包括去趋势性、去季节性、差分等操作，本申请实施例对此不作限制。
进一步地，本申请实施例中，为保证模型训练方法的适用性，在执行步骤S140之前，还可以判断多个协变量训练序列中是否存在用于表征类别的协变量训练序列，若多个协变量训练序列中用于表征类别的协变量训练序列，则对用于表征类别的协变量训练序列进行编码处理。其中，编码处理即为嵌入(Embedding)处理，目的在于将用于表征类别的协变量训练序列向量化，例如，可以将样本电机所作用的工位点1转换为向量“00”，将样本电机所作用的工位点2转换为向量“01”，将样本电机所作用的工位点3转换为向量“10”，将样本电机所作用的工位点4转换为向量“11”。
回到步骤S140，本申请实施例中，作为一种可选的实施方式，其可以包括步骤S141、步骤S142和步骤S143。
步骤S141，从多个目标训练序列中选取出第一训练数据采集时刻获取的多个目标训练数据，并输入训练数据集。
为方便描述，本申请实施例中，可以通过Z1i，j1表示多个目标训练序列中的任意目标训练序列，Z1i，j1具体用于表征目标训练序列Z1i中在训练数据采集时刻j1时，采集到的目标训练数据。
步骤S142，从多个协变量训练序列中选取出第二训练数据采集时刻获取多个协变量训练数据，并输入训练数据集，第二训练数据采集时刻为晚于第一训练数据采集时刻，且与第一训练数据采集时刻相邻的训练数据采集时刻。
为方便描述，本申请实施例中，可以通过X1i，j1表示多个协变量训练序列中的任意协变量训练序列，X1i，j1具体用于表征协变量训练序列X1i中在训练数据采集时刻j1时，采集到的协变量训练数据。此外，需要说明的是，本申请实施例中，第一训练数据采集时刻和第二训练数据采集时刻并不特指两个固定时刻，而可以用于表征任意两个相邻的训练数据采集时刻。但可以理解的是，本申请实施例中，在对目标模型进行训练时，是按照训练数据采集时刻的先后顺序，从多个目标训练序列中选取出多个目标训练数据，以及从多个协变量训练序列中选取出多个协变量训练数据，并输入训练数据集的。
步骤S143，将训练数据集输入目标模型，对目标模型进行训练，并通过目标模型输出包括第一预测值期望序列和第一预测值方差序列的第一似然函数。
请结合图4，在执行完一次步骤S141、步骤S142和步骤S143之后，需要多次重复执行步骤S141、步骤S142和步骤S143，直至将训练数据采集时刻最晚的多个目标训练数据，与其对应的多个协变量训练数据输入训练数据集，并按此对目标模型进行训练，以完成对目标模型的训练，获得电机故障预测模型为止，获得的电机故障预测模型能够用于预测目标电机故障。
示例性的，第一次输入训练数据集的多个目标训练数据包括Z11，t1-1、Z12，t1-1……Z1N，t1-1，第一次输入训练数据集的多个目标训练数据包括X11，t1、X12，t1……X1M，t1，按此，对目标模型进行训练，并通过目标模型输出包括第一预测值期望序列E1i，t1和第一预测值方差序列θ1i，t1的第一似然函数L1(E1i，t1|θ1i，t1)。其中，第一预测值期望序列E1i，t1包括E11，t1、E12，t1……E1N，t1这N个维度的训练期望值，第一预测值方差序列θ1i，t1包括θ11，t2、θ12，t2……θ1N，t2这N个维度的预测方差值。
以此类推，直至将多个目标训练序列中训练数据采集时刻最晚的多个目标训练数据(Z11，T1-1、Z12，T1-1……Z1N，T1-1)，与其对应的多个协变量训练数据(X11，T1、X12，T1……X1M，T1)输入训练数据集，并按此对目标模型进行训练，再通过目标模型输出最终的第一似然函数L1(E1i，T1|θ1i，T1)为止，最终的第一似然函数L1(E1i，T1|θ1i，T1)包括最终的第一预测值期望序列E1i，T1和最终的第一预测值方差序列θ1i，T1。其中，第一预测值期望序列E1i，T1包括E11，T1、E12，T1……E1N，T1这N个维度的训练期望值，第一预测值方差序列θ1i，T1包括θ11，T1、θ12，T1……θ1N，T1这N个维度的预测方差值。
需要说明的是，本申请实施例中，0＜i≤N，0＜i≤M，0＜j1≤T1，t1≤T1，且i、N、M、j1、T1和t1为整数。
基于与上述模型训练方法同样的发明构思，本申请实施例还提供了一种模型训练装置200。请参阅图5，本申请实施例提供的模型训练装置200包括业务测点序列选取模块210、数据测点序列选取模块220、序列划分模块230和模型训练模块240。
业务测点序列选取模块210，用于根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列，多个历史测点序列在样本电机的历史运行阶段获取。
数据测点序列选取模块220，用于从多个历史测点序列中筛选出与多个业务测点序列具有数学相关性的多个数据测点序列。
序列划分模块230，用于从多个业务测点序列和多个数据测点序列组成的原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列。
模型训练模块240，用于通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练，获得电机故障预测模型。
本申请实施例提供的模型训练装置200还可以包括数据清洗模块。
数据清洗模块，用于对多个历史测点序列中包括的每个历史测点序列进行数据清洗，数据清洗包括异常值处理、缺失值处理和卡定值处理中的至少一者。
本申请实施例中，序列划分模块230可以包括相关性排序单元和序列划分单元。
相关性排序单元，用于根据目标电机故障的现象表征、目标电机故障发生过程中原始特征集中每个测点序列的数据变化，对原始特征集中包括的每个测点序列进行序列相关性检验，获得原始特征集中每个测点序列关于目标电机故障的相关性排序。
序列划分单元，用于根据原始特征集中每个测点序列关于目标电机故障的相关性排序，从原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列。
本申请实施例提供的模型训练装置200还可以包括第一判断模块和稳定性处理模块。
第一判断模块，用于判断多个目标训练序列中是否存在非稳态的目标训练序列。
稳定性处理模块，用于在多个目标训练序列中存在非稳态的目标训练序列时，对非稳态的目标训练序列进行稳定性处理。
本申请实施例提供的模型训练装置200还可以包括第二判断模块和编码处理模块。
第二判断模块，用于判断多个协变量训练序列中是否存在用于表征类别的协变量训练序列。
编码处理模块，用于在多个协变量训练序列中用于表征类别的协变量训练序列时，对用于表征类别的协变量训练序列进行编码处理。
本申请实施例中，模型训练模块240可以包括第一模型训练单元、第二模型训练单元和第三模型训练单元。
第一模型训练单元，用于从多个目标训练序列中选取出第一训练数据采集时刻获取的多个目标训练数据，并输入训练数据集。
第二模型训练单元，用于从多个协变量训练序列中选取出第二训练数据采集时刻获取多个协变量训练数据，并输入训练数据集，第二训练数据采集时刻为晚于第一训练数据采集时刻，且与第一训练数据采集时刻相邻的训练数据采集时刻。
第三模型训练单元，用于将训练数据集输入目标模型，对目标模型进行训练，并通过目标模型输出包括第一预测值期望序列和第一预测值方差序列的第一似然函数，目标模型为多层LSTM。
由于本申请实施例提供的模型训练装置200是基于与上述模型训练方法同样的发明构思实现的，因此，模型训练装置200中，每个软件模块的具体描述，均可参见模型训练方法实施例中对应步骤的相关描述，此处不作赘述。
请参阅图6，为本申请实施例提供的故障预测方法的流程示意图，该方法包括步骤S210和步骤S220，且可以应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的故障预测方法不以图6及以下所示的顺序为限制，以下结合图6对故障预测方法的具体流程及步骤进行描述。
步骤S210，获取多个目标预测数据和多个协变量预测序列，多个目标预测数据和多个协变量预测序列在目标电机的历史运行阶段获取。
本申请实施例中，多个目标预测数据的测点数据类型与上述模型训练方法中，多个目标训练序列的测点数据类型相同。例如，多个目标训练序列中包括驱动端轴承振动这类测点数据组成的一个目标训练序列，同时，包括温度这类测点数据组成的另一个目标训练序列，则多个目标预测数据中同样包括驱动端轴承振动和温度。同样的，本申请实施例中，多个协变量预测序列与上述模型训练方法中，多个协变量训练序列的测点数据类型相同，本申请实施例对此不作赘述。
步骤S220，将多个目标预测数据和多个协变量预测序列输入电机故障预测模型，获得用于表征目标电机是否发生故障的故障预测数据。
对于步骤S220，本申请实施例中，作为一种可选的实施方式，其可以包括步骤S221、步骤S222、步骤S223和步骤S224。
步骤S221，将多个目标预测数据，输入首次预测输入集，多个目标预测数据于第一预测数据采集时刻获取。请结合图7，为方便描述，本申请实施例中，多个目标预测数据中的任意目标预测数据可以通过Z2i，t2-1表示，其中，第一预测数据采集时刻为t2-1，也即，多个目标预测数据可以表征为Z21，t2-1、Z22，t2-1……Z2N，t2-1。
步骤S222，从多个协变量预测序列中选取出第二预测数据采集时刻获取的多个第一协变量预测数据，并输入首次预测输入集，第二预测数据采集时刻为晚于第一预测数据采集时刻，且与第一预测数据采集时刻相邻的预测数据采集时刻。
为方便描述，本申请实施例中，可以通过X2i，j2表示多个协变量预测序列中的任意协变量预测序列，具体用于表征协变量预测序列X2i中在预测数据采集时刻j2时，采集到的协变量预测数据。基于此，第二预测数据采集时刻获取的多个第一协变量预测数据包括X21，t2、X22，t2……X2M，t2。
步骤S223，将首次预测输入集输入电机故障预测模型，以通过电机故障预测模型输出包括第二预测值期望序列和第二预测值方差序列的第二似然函数。
首次预测输入集中包括多个目标预测数据Z21，t2-1、Z22，t2-1……Z2N，t2-1和多个第一协变量预测数据X21，t2、X22，t2……X2M，t2。将首次预测输入集输入电机故障预测模型之后，通过电机故障预测模型输出包括第二预测值期望序列E2i，t2和第二预测值方差序列θ2i，t2的第二似然函数L2(E2i，t2|θ2i，t2)。其中，第二预测值期望序列E2i，t2包括E21，t2、E22，t2……E2N，t2这N个维度的预测期望值，同样，第二预测值方差序列θ2i，t2包括θ21，t2、θ22，t2……θ2N，t2这N个维度的预测方差值。
步骤S224，针对电机故障预测模型每次输出的第二预测值期望序列，将第二预测值期望序列作为待输入预测值期望序列，并与从多个协变量预测序列中选取的于目标预测数据采集时刻获取的多个第二协变量预测数据进行组合，获得非首次预测输入集，并输入电机故障预测模型，以通过电机故障预测模型输出新的第二似然函数，目标预测数据采集时刻为获取待输入预测值期望序列时，输入电机故障预测模型的协变量预测数据所对应预测数据采集时刻的下一预测数据采集时刻。
以针对电机故障预测模型输出的第二预测值期望序列E2i，t2为例，可以将第二预测值期望序列E2i，t2作为待输入预测值期望序列，并与从多个协变量预测序列中选取的于t2+1时刻获取的多个第二协变量预测数据X21，t2+1、X22，t2+1……X2M，t2+1进行组合，获得非首次预测输入集，并输入电机故障预测模型，以通过电机故障预测模型输出新的第二似然函数L2(E2i，t2+1|θ2i，t2+1)，包括第二预测值期望序列E2i，t2+1和第二预测值方差序列θ2i，t2+1。其中，第二预测值期望序列E2i，t2+1包括E21，t2+1、E22，t2+1……E2N，t2+1这N个维度的预测期望值，第二预测值方差序列θ2i，t2+1包括θ21，t2+1、θ22，t2+1……θ2N，t2+1这N个维度的预测方差值。
以此类推，直至将多个协变量预测序列中预测数据采集时刻最晚的多个第二协变量预测数据X2i，T2(X2 1，T2、X22，T2……X2M，T2)，与其对应的第二预测值期望序列E2i，T2-1(E21，T2-1、E22，T2-1……E2N，T2-1)作为非首次预测输入集，并输入电机故障预测模型，以通过电机故障预测模型输出最终的第二似然函数L2(E2i，T2|θ2i，T2)，包括最终的第二预测值期望序列E2i，T2(E21，T2、E22，T2……E2N，T2)和最终的第二预测值方差序列θ2i，T2(θ21，T2、θ22，T2……θ2N，T2)。其中，第二预测值期望序列E2i，T2包括E21，T2、E22，T2……E2N，T2这N个维度的预测期望值，第二预测值方差序列θ2i，T2包括θ21，T2、θ22，T2……θ2N，T2这N个维度的预测方差值。
最后，将每一次获得的第二似然函数L2作为故障预测数据，用于预测目标电机是否存在发生目标电机故障的可能。
具体的预测方式可以是：在每获得一条第二似然函数L2之后，根据该条第二似然函数L2中，每个维度的预测期望值和预测方差值，获得该维度对应的目标取值范围，再与对应时刻采集到的，且该维度对应的实际测量值进行对比。若对应时刻采集到的，且与该维度对应的实际测量值超出该维度对应的目标取值范围，则认为发生一次异常。若该条第二似然函数L2中，存在超过第一目标数量个维度对应的比较结果为异常，则获得一次异常标定结果，且在连续获得第二目标数量个异常标定结果之后，认为预测目标电机存在发生目标电机故障的可能。其中，目标取值范围可以是E1i，j1±3θ1i，j1。其中，第一目标数量和第二目标数量可以根据实际需求设定，本申请实施例对此不作赘述。
示例性的，在获得第二似然函数L2(E2i，t2|θ2i，t2)之后，根据第二似然函数L2(E2i，t2|θ2i，t2)中，第一维度的预测期望值E21，t2和预测方差值θ21，t2，获得该维度对应的目标取值范围(E21，t2±3θ21，t2)，再与对应时刻(也即，t2时刻)采集到的，且与第一维度对应的实际测量值Z31，t2进行对比。若实际测量值Z31，t2超出第一维度对应的目标取值范围(E21，t2±3θ21，t2)，则认为发生一次异常，同样的，若t2时刻，实际测量值Z32，t2超出第二维度对应的目标取值范围(E22，t2±3θ22，t2)，则认为又发生一次异常。若第二似然函数L2(E2i，t2|θ2i，t2)中，存在超过第一目标数量个维度对应的比较结果为异常，则获得一次异常标定结果。此后，若在获得第二似然函数L2(E2i，t2+1|θ2i，t2+1)之后，又获得一次异常标定结果，则认为连续获得了两次异常标定结果，且在连续获得第二目标数量个异常标定结果之后，认为预测目标电机存在发生目标电机故障的可能。
同样，需要说明的是，本申请实施例中，0＜i≤N，0＜i≤M，0＜j2≤T1，t2≤T2，且i、N、M、j2、T2和t2为整数。
进一步地，本申请实施例中，模型训练方法和故障预测方法的一种整理流程可以如图7所示，具体可参见所述模型训练方法实施例和故障预测方法实施例中的相关描述，此处不作赘述。
基于与上述故障预测方法同样的发明构思，本申请实施例还提供了一种故障预测装置300。请参阅图8，本申请实施例提供的故障预测装置300包括预测数据获取模块310和故障预测模块320。
预测数据获取模块，用于获取多个目标预测数据和多个协变量预测序列，多个目标预测数据和多个协变量预测序列在目标电机的历史运行阶段获取.
故障预测模块，用于将多个目标预测数据和多个协变量预测序列输入电机故障预测模型，获得用于表征目标电机是否发生故障的故障预测数据。
本申请实施例中，故障预测模块320可以包括第一故障预测单元、第二故障预测单元、第三故障预测单元和第四故障预测单元。
第一故障预测单元，用于将多个目标预测数据，输入首次预测输入集，多个目标预测数据于第一预测数据采集时刻获取。
第二故障预测单元，用于从多个协变量预测序列中选取出第二预测数据采集时刻获取的多个第一协变量预测数据，并输入首次预测输入集，第二预测数据采集时刻为晚于第一预测数据采集时刻，且与第一预测数据采集时刻相邻的预测数据采集时刻。
第三故障预测单元，用于将首次预测输入集输入电机故障预测模型，以通过电机故障预测模型输出包括第二预测值期望序列和第二预测值方差序列的第二似然函数。
第四故障预测单元，用于针对电机故障预测模型每次输出的第二预测值期望序列，将第二预测值期望序列作为待输入预测值期望序列，并与从多个协变量预测序列中选取的于目标预测数据采集时刻获取的多个第二协变量预测数据进行组合，获得非首次预测输入集，并输入电机故障预测模型，以通过电机故障预测模型输出新的第二似然函数，目标预测数据采集时刻为获取待输入预测值期望序列时，输入电机故障预测模型的协变量预测数据所对应预测数据采集时刻的下一预测数据采集时刻。
由于本申请实施例提供的故障预测装置300是基于与上述故障预测方法同样的发明构思实现的，因此，故障预测装置300中，每个软件模块的具体描述，均可参见故障预测方法实施例中对应步骤的相关描述，此处不作赘述。
此外，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被执行时，实现上述方法实施例所提供的模型训练方法或故障预测方法，具体可参见上述方法实施例，本申请实施例中对此不作赘述。
综上所述，本申请实施例提供的模型训练方法的实施过程中，电机故障预测模型是通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练获得的，其中，多个业务测点序列的获取方式为：根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列，多个数据测点序列的获取方式为：从多个历史测点序列中筛选出与多个业务测点序列具有数学相关性的多个数据测点序列。显然，本申请实施例提供的模型训练方法并非单纯通过多个业务测点序列训练目标模型，更重要的是，考虑到了多个数据测点序列对多个业务测点序列产生的影响，再通过多个目标训练序列和多个协变量训练序列，对目标模型进行训练，因此，在获得电机故障预测模型之后，不仅能够通过电机故障预测模型自动获得用于表征目标电机是否发生故障的故障预测数据，且能够保证电机故障预测模型具有一定的可靠性，从而保证故障预测数据的可靠性。
本申请实施例提供的故障预测方法、装置、电子设备及计算机可读存储介质具有与上述模型训练方法相同的有益效果，此处不作赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这将依据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。此外，在本申请每个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是每个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
此外，所述功能如果以软件功能模块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，本申请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)执行本申请每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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，还需要说明的是，在本申请的描述中，如“第一”、“第二”、“第三”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

Claims (12)

1.一种模型训练方法，其特征在于，包括：
根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列，所述多个历史测点序列在样本电机的历史运行阶段获取；
从所述多个历史测点序列中筛选出与所述多个业务测点序列具有数学相关性的多个数据测点序列；
从所述多个业务测点序列和所述多个数据测点序列组成的原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列；
通过所述多个目标训练序列和所述多个协变量训练序列，对目标模型进行训练，获得电机故障预测模型。
2.根据权利要求1所述的模型训练方法，其特征在于，所述根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列之前，所述模型训练方法还包括：
对所述多个历史测点序列中包括的每个历史测点序列进行数据清洗，所述数据清洗包括异常值处理、缺失值处理和卡定值处理中的至少一者。
3.根据权利要求1所述的模型训练方法，其特征在于，所述从所述多个业务测点序列和所述多个数据测点序列组成的原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列，包括：
根据目标电机故障的现象表征、目标电机故障发生过程中所述原始特征集中每个测点序列的数据变化，对所述原始特征集中包括的每个测点序列进行序列相关性检验，获得所述原始特征集中每个测点序列关于目标电机故障的相关性排序；
根据所述原始特征集中每个测点序列关于目标电机故障的相关性排序，从所述原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列。
4.根据权利要求1所述的模型训练方法，其特征在于，所述通过所述多个目标训练序列集和所述多个协变量训练序列集，对目标模型进行训练，获得电机故障预测模型之前，所述模型训练方法还包括：
判断所述多个目标训练序列中是否存在非稳态的目标训练序列；
若所述多个目标训练序列中存在非稳态的目标训练序列，则对所述非稳态的目标训练序列进行稳定性处理。
5.根据权利要求1所述的模型训练方法，其特征在于，所述通过所述多个目标训练序列集和所述多个协变量训练序列集，对目标模型进行训练，获得电机故障预测模型之前，所述模型训练方法还包括：
判断所述多个协变量训练序列中是否存在用于表征类别的协变量训练序列；
若所述多个协变量训练序列中用于表征类别的协变量训练序列，则对所述用于表征类别的协变量训练序列进行编码处理。
6.根据权利要求1所述的模型训练方法，其特征在于，所述通过所述多个目标训练序列和所述多个协变量训练序列，对目标模型进行训练，包括：
从所述多个目标训练序列中选取出第一训练数据采集时刻获取的多个目标训练数据，并输入训练数据集；
从所述多个协变量训练序列中选取出第二训练数据采集时刻获取多个协变量训练数据，并输入训练数据集，所述第二训练数据采集时刻为晚于所述第一训练数据采集时刻，且与所述第一训练数据采集时刻相邻的训练数据采集时刻；
将所述训练数据集输入目标模型，对所述目标模型进行训练，并通过所述目标模型输出包括第一预测值期望序列和第一预测值方差序列的第一似然函数，所述目标模型为多层长短期记忆网络模型。
7.一种故障预测方法，其特征在于，包括：
获取多个目标预测数据和多个协变量预测序列，所述多个目标预测数据和所述多个协变量预测序列在目标电机的历史运行阶段获取；
将所述多个目标预测数据和所述多个协变量预测序列输入电机故障预测模型，获得用于表征所述目标电机是否发生故障的故障预测数据，所述电机故障预测模型通过权利要求1～6中任意一项所述的模型训练方法训练获得。
8.根据权利要求7所述的故障预测方法，其特征在于，所述将所述多个目标预测数据和所述多个协变量预测序列输入电机故障预测模型，获得用于表征所述目标电机是否发生故障的故障预测数据，包括：
将所述多个目标预测数据，输入首次预测输入集，所述多个目标预测数据于第一预测数据采集时刻获取；
从所述多个协变量预测序列中选取出第二预测数据采集时刻获取的多个第一协变量预测数据，并输入所述首次预测输入集，所述第二预测数据采集时刻为晚于所述第一预测数据采集时刻，且与所述第一预测数据采集时刻相邻的预测数据采集时刻；
将所述首次预测输入集输入所述电机故障预测模型，以通过所述电机故障预测模型输出包括第二预测值期望序列和第二预测值方差序列的第二似然函数；
针对所述电机故障预测模型每次输出的第二预测值期望序列，将所述第二预测值期望序列作为待输入预测值期望序列，并与从所述多个协变量预测序列中选取的于目标预测数据采集时刻获取的多个第二协变量预测数据进行组合，获得非首次预测输入集，并输入所述电机故障预测模型，以通过所述电机故障预测模型输出新的第二似然函数，所述目标预测数据采集时刻为获取所述待输入预测值期望序列时，输入所述电机故障预测模型的协变量预测数据所对应预测数据采集时刻的下一预测数据采集时刻。
9.一种模型训练装置，其特征在于，包括：
业务测点序列选取模块，用于根据电机故障原理，从多个历史测点序列中选取出与电机故障相关的多个业务测点序列，所述多个历史测点序列在样本电机的历史运行阶段获取；
数据测点序列选取模块，用于从所述多个历史测点序列中筛选出与所述多个业务测点序列具有数学相关性的多个数据测点序列；
序列划分模块，用于从所述多个业务测点序列和所述多个数据测点序列组成的原始特征集中选取出与目标电机故障的相关性排序靠前的多个目标训练序列，以及与目标电机故障的相关性排序靠后的多个协变量训练序列；
模型训练模块，用于通过所述多个目标训练序列和所述多个协变量训练序列，对目标模型进行训练，获得电机故障预测模型。
10.一种故障预测装置，其特征在于，包括：
预测数据获取模块，用于获取多个目标预测数据和多个协变量预测序列，所述多个目标预测数据和所述多个协变量预测序列在目标电机的历史运行阶段获取；
故障预测模块，用于将所述多个目标预测数据和所述多个协变量预测序列输入电机故障预测模型，获得用于表征所述目标电机是否发生故障的故障预测数据，所述电机故障预测模型通过权利要求1～6中任意一项所述的模型训练方法训练获得。
11.一种电子设备，其特征在于，包括控制器和存储器，所述存储器上存储有计算机程序，所述控制器用于执行所述计算机程序，以实现权利要求1～6中任意一项所述的模型训练方法，或实现权利要求7或8所述的故障预测方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时，实现权利要求1～6中任意一项所述的模型训练方法，或实现权利要求7或8所述的故障预测方法。
CN202111131295.2A 2021-09-26 2021-09-26 模型训练方法、故障预测方法、装置及电子设备 Active CN113837289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111131295.2A CN113837289B (zh) 2021-09-26 2021-09-26 模型训练方法、故障预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111131295.2A CN113837289B (zh) 2021-09-26 2021-09-26 模型训练方法、故障预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113837289A true CN113837289A (zh) 2021-12-24
CN113837289B CN113837289B (zh) 2024-03-19

Family

ID=78970238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111131295.2A Active CN113837289B (zh) 2021-09-26 2021-09-26 模型训练方法、故障预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113837289B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310562A (zh) * 2022-10-08 2022-11-08 深圳先进技术研究院 一种适用于极端状态的储能设备的故障预测模型生成方法
CN117368799A (zh) * 2023-12-07 2024-01-09 山西思极科技有限公司 一种电力系统输电线路短路故障的诊断方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109470946A (zh) * 2018-09-18 2019-03-15 中国电力科学研究院有限公司 一种发电设备故障检测方法及系统
CN109524139A (zh) * 2018-10-23 2019-03-26 中核核电运行管理有限公司 一种基于设备工况变化的实时设备性能监测方法
CN109523752A (zh) * 2018-11-28 2019-03-26 润电能源科学技术有限公司 一种设备故障预警方法、装置、电子设备和介质
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
US20200380336A1 (en) * 2019-06-03 2020-12-03 Dell Products L.P. Real-Time Predictive Maintenance of Hardware Components Using a Stacked Deep Learning Architecture on Time-Variant Parameters Combined with a Dense Neural Network Supplied with Exogeneous Static Outputs
CN112149301A (zh) * 2020-09-23 2020-12-29 创新奇智(上海)科技有限公司 模型训练方法、故障预测方法、装置及电子设备
CN112508243A (zh) * 2020-11-25 2021-03-16 国网浙江省电力有限公司信息通信分公司 电力信息系统多故障预测网络模型的训练方法及装置
CN112989522A (zh) * 2021-05-10 2021-06-18 创新奇智(成都)科技有限公司 模型训练方法、故障预测方法、装置及电子设备
CN113221453A (zh) * 2021-04-30 2021-08-06 华风数据(深圳)有限公司 风电机组齿轮箱输出轴故障监测预警方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN109470946A (zh) * 2018-09-18 2019-03-15 中国电力科学研究院有限公司 一种发电设备故障检测方法及系统
CN109524139A (zh) * 2018-10-23 2019-03-26 中核核电运行管理有限公司 一种基于设备工况变化的实时设备性能监测方法
CN109523752A (zh) * 2018-11-28 2019-03-26 润电能源科学技术有限公司 一种设备故障预警方法、装置、电子设备和介质
US20200380336A1 (en) * 2019-06-03 2020-12-03 Dell Products L.P. Real-Time Predictive Maintenance of Hardware Components Using a Stacked Deep Learning Architecture on Time-Variant Parameters Combined with a Dense Neural Network Supplied with Exogeneous Static Outputs
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN112149301A (zh) * 2020-09-23 2020-12-29 创新奇智(上海)科技有限公司 模型训练方法、故障预测方法、装置及电子设备
CN112508243A (zh) * 2020-11-25 2021-03-16 国网浙江省电力有限公司信息通信分公司 电力信息系统多故障预测网络模型的训练方法及装置
CN113221453A (zh) * 2021-04-30 2021-08-06 华风数据(深圳)有限公司 风电机组齿轮箱输出轴故障监测预警方法
CN112989522A (zh) * 2021-05-10 2021-06-18 创新奇智(成都)科技有限公司 模型训练方法、故障预测方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何群 等: "基于长短期记忆网络的风电机组齿轮箱故障预测", 《计量学报》, vol. 41, no. 10, pages 1284 - 1290 *
张洺棋: "机电设备维护无线检测系统研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, pages 021 - 7 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310562A (zh) * 2022-10-08 2022-11-08 深圳先进技术研究院 一种适用于极端状态的储能设备的故障预测模型生成方法
CN117368799A (zh) * 2023-12-07 2024-01-09 山西思极科技有限公司 一种电力系统输电线路短路故障的诊断方法
CN117368799B (zh) * 2023-12-07 2024-02-23 山西思极科技有限公司 一种电力系统输电线路短路故障的诊断方法

Also Published As

Publication number Publication date
CN113837289B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN113837289A (zh) 模型训练方法、故障预测方法、装置及电子设备
Ondel et al. Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis
CN112989522B (zh) 模型训练方法、故障预测方法、装置及电子设备
CN111191838B (zh) 一种集成人工智能算法的工业设备状态管控方法和装置
CN113076648B (zh) 减速器疲劳加速试验和剩余寿命预测方法及存储处理系统
CN110837852A (zh) 一种轧机齿轮箱的故障诊断方法、装置及终端设备
CN112231133B (zh) 一种数据修复处理方法、装置及电子设备
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
CN116167749B (zh) 一种基于深度学习的永磁同步电机故障诊断方法
CN110264055B (zh) 部件危害性评估方法、装置、设备及计算机可读存储介质
CN115248584A (zh) 一种汽车故障远程检测方法、系统、电子设备及存储介质
CN115858311A (zh) 运维监控的方法、装置、电子设备及可读存储介质
EP4174601A1 (en) System, apparatus and method for monitoring condition of an asset in technical installation
CN116502131A (zh) 基于迁移学习的轴承故障诊断模型训练方法及装置
CN116384680A (zh) 研发质量的可视化监测方法、装置、设备及可读存储介质
Waghmode A suggested framework for product life cycle cost analysis at product design stage
CN111061254B (zh) 一种phm系统性能的评价方法及系统
CN113065234B (zh) 一种智能电表的批次可靠性风险等级评估方法及系统
Yusuf et al. Fault classification improvement in industrial condition monitoring via Hidden Markov Models and Naïve Bayesian modeling
CN110874088B (zh) 基于多维向量模型的船舶关键设备系统的监测方法
Abid et al. Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available
CN113239619A (zh) 一种基于机器学习混合模型的专变用户异常用电行为检测方法
CN108537174B (zh) 时变工况条件下旋转机械运行状态在线监测方法及系统
Zainol et al. Detecting most influential parameters in high voltage induction motor failure using logistic regression analysis
CN115936679B (zh) 一种复杂系统的预测维修决策数字化方法和装置

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