CN114254790A - 一种设备状态预测方法及装置 - Google Patents
一种设备状态预测方法及装置 Download PDFInfo
- Publication number
- CN114254790A CN114254790A CN202011010325.XA CN202011010325A CN114254790A CN 114254790 A CN114254790 A CN 114254790A CN 202011010325 A CN202011010325 A CN 202011010325A CN 114254790 A CN114254790 A CN 114254790A
- Authority
- CN
- China
- Prior art keywords
- model training
- training data
- model
- data
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 225
- 238000005315 distribution function Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备状态预测方法、装置、计算机可读存储介质及电子设备,方法包括:获取目标设备对应的至少两个特征数据、至少两个参考设备分别对应的至少两个模型训练数据以及各个模型训练数据分别对应的设备状态标签,目标设备和参考设备的设备种类相同;根据各个特征数据,确定模型训练数据对应的误差权重;根据各个模型训练数据、各个模型训练数据分别对应的设备状态标签以及各个模型训练数据分别对应的误差权重进行模型训练,以确定设备状态预测模型,设备状态预测模型用于目标设备的设备状态预测。本发明的技术方案通过考虑模型训练数据的权重误差,将多个参考设备的数据迁移到目标设备上,从而提高了设备状态预测模型的精度。
Description
技术领域
本发明涉及能源技术领域,尤其涉及一种设备状态预测方法及装置。
背景技术
进行设备状态的自动监测,已经成为保障设备正常运行的一种重要技术手段。设备状态预测是根据设备运行数据预测设备故障的概率或设备的剩余使用寿命。
目前,对于难以获得设备状态标签的待预测设备,通过获取其他设备的历史运行数据以及历史运行数据对应的设备状态标签数据,从而获取大量的标注数据,之后基于机器学习方法建立这些历史运行数据与设备状态标签数据之间的映射关系,获得设备状态预测模型,基于设备状态预测模型,从而实现对待预测设备的设备状态预测。
但是,不同设备所产生的历史运行数据的数据分布有所差异,导致利用上述技术方案所得到的设备状态预测模型的精度相对较低。
发明内容
本发明提供了一种设备状态预测方法、装置、计算机可读存储介质及电子设备,可提高设备状态预测模型的精度。
第一方面,本发明提供了一种设备状态预测方法,包括:
获取目标设备对应的至少两个特征数据、至少两个参考设备分别对应的至少两个模型训练数据以及各个所述模型训练数据分别对应的设备状态标签,所述目标设备和所述参考设备的设备种类相同;
根据各个所述特征数据,确定所述模型训练数据对应的误差权重;
根据各个所述模型训练数据、各个所述模型训练数据分别对应的设备状态标签以及各个所述模型训练数据分别对应的误差权重进行模型训练,以确定设备状态预测模型,所述设备状态预测模型用于所述目标设备的设备状态预测。
第二方面,本发明提供了一种设备状态预测装置,包括:
获取模块,用于获取目标设备对应的至少两个特征数据、至少两个参考设备分别对应的至少两个模型训练数据以及各个所述模型训练数据分别对应的设备状态标签,所述目标设备和所述参考设备的设备种类相同;
权重确定模块,用于根据各个所述特征数据,确定所述模型训练数据对应的误差权重;
训练模块,用于根据各个所述模型训练数据、各个所述模型训练数据分别对应的设备状态标签以及各个所述模型训练数据分别对应的误差权重进行模型训练,以确定设备状态预测模型,所述设备状态预测模型用于所述目标设备的设备状态预测。
第三方面,本发明提供了一种计算机可读存储介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述处理器执行如第一方面中任一所述的方法。
第四方面,本发明提供了一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种设备状态预测方法、装置、计算机可读存储介质及电子设备,该方法通过获取目标设备对应的多个特征数据、两个或多个参考设备分别对应的多个模型训练数据以及每个模型训练数据分别对应的设备状态标签,目标设备和参考设备的设备种类相同,以确保基于参考设备的数据进行数据挖掘所得到的信息的价值,然后,针对每个模型训练数据,根据各个特征数据,确定模型训练数据对应的误差权重,得到的误差权重指示了模型训练数据用于对目标设备对应的模型进行训练时所产生的误差的重要性,从而实现了将参考设备的模型训练数据迁移到目标设备上,之后,根据各个模型训练数据、各个模型训练数据分别对应的设备状态标签以及各个模型训练数据分别的误差权重进行模型训练,以确定设备状态预测模型,得到的设备状态预测模型考虑到参考设备的模型训练数据相对于目标设备的误差权重,从而确保了模型精度,当通过设备状态预测模型对目标设备进行设备状态预测时,能够确保预测出的设备状态的准确性。综上所述,通过本发明的技术方案,可提高设备状态预测模型的精度,后续基于设备状态预测模型对目标设备进行设备状态预测时,能够确保预测出的设备状态的准确性。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,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,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种设备状态预测方法的流程示意图;
图2为本发明一实施例提供的另一种设备状态预测方法的流程示意图;
图3为本发明一实施例提供的一种设备状态预测装置的结构示意图;
图4为本发明一实施例提供的一种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,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅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做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。
如图1所述,本发明实施例提供了一种设备状态预测方法,包括如下各个步骤:
步骤101,获取目标设备对应的至少两个特征数据、至少两个参考设备分别对应的至少两个模型训练数据以及各个所述模型训练数据分别对应的设备状态标签,所述目标设备和所述参考设备的设备种类相同。
具体地,可以根据接入网络的参考设备上安装的传感器,获取参考设备的运行数据,根据参考设备的运行数据,从而确定出参考设备对应的多个模型训练数据。需要说明的是,基于传感器采集的数据获取模型训练数据为现有技术,本实施例对此不作过多赘述。
具体地,可以根据接入网络的目标设备安装的传感器,获取目标设备的运行数据,根据目标设备的运行数据,从而确定出目标设备对应的多个特征数据。需要说明的是,基于传感器采集的数据获取特征数据为现有技术,本实施例对此不作过多赘述。
具体地,模型训练数据包括若干个特征以及每个特征分别对应在参考设备的一个或多个特征值,优选一个,其中,若干个特征为对设备状态具有影响的影响因素。模型训练数据和特征数据所对应的若干个特征相同,特征对应的特征值可能不同。这里,模型训练数据分别对应一个设备状态标签。需要说明的是,本发明实施例并不意图对参考设备的数量进行限定,具体需要结合实际场景确定。
在一个实施例中,设备状态标签包括但不限于设备故障信息或设备的剩余使用寿命。需要说明的是,本发明实施例并不意图对每个模型训练数据分别对应的设备状态标签的获取方法进行限定,也可以是人工标注,也可以是规则标注,还可以是聚类标注,上述标注方法均为现有技术,此处不做过多赘述。
需要说明的是,参考设备和目标设备的设备种类相同,从而确保能够对参考设备和目标设备进行数据关联的价值,进而确保后续确定出的设备状态预测模型的参考价值。比如,参考设备和目标设备均是燃气锅炉。
还需要说明的是,目标设备的特征数据没有设备状态标签,无法利用自身的数据完成模型训练,因此需要借助参考设备的模型训练数据,得到其对应的设备状态预测模型。
步骤102,根据各个所述特征数据,确定所述模型训练数据对应的误差权重。
在一个实施例中,具体可通过如下方法确定模型训练数据对应的误差权重:
从各个特征数据中确定出模型训练数据对应的替换数据;确定模型训练数据在其所属的参考设备对应的各个模型训练数据中的第一分布信息以及替换数据在各个特征数据中的第二分布信息;根据第一分布信息和第二分布信息,确定模型训练数据对应的权重误差。
为了能够确定出参考设备的模型训练数据对应的误差权重,了解参数设备和目标设备之间的数据关系,需要从目标设备的多个特征数据中找到模型训练数据对应的替换数据,这里,替换数据优选多个特征数据中与模型训练数据相同的数据,若多个特征数据中不存在和模型训练数据相同的数据,此时,替换数据可以为多个特征数据中和模型训练数据最相似的数据,作为一种可能的情况,当多个特征数据中存在2个或2个以上可替换模型训练数据的特征数据时,此时,可以随机选择一个可替换模型训练数据的特征数据作为替换数据。
然后,确定模型训练数据在其所属的参考设备对应的各个模型训练数据中的第一分布信息。这里,第一分布信息指示了模型训练数据在其所属的参考设备对应的所有模型训练数据的分布情况,第一分布信息可以是分布概率,也可以是出现频率,此处不做具体限定。
然后,确定替换数据在各个特征数据中的第二分布信息。这里,第二分布信息指示了替换数据在目标设备的所有特征数据的分布情况,第二分布信息可以是分布概率,也可以是出现频率,此处不做具体限定。需要说明的是,第一分布信息和第二分布信息所包括的内容应当统一,比如,第一分布信息和第二分布信息可以都包括分布概率,也可以都包括出现频率,此处不做具体限定。
需要说明的是,本实施例并不意图对确定分布信息的方法进行限定,任何现有技术中用于确定数据分布的方法即可,比如,可以是参数估计方法,也可以是非参数估计方法,还可以是半参数估计方法。
在一个实施例中,第一分布信息为第一分布概率,第二分布信息为第二分布概率,具体可通过如下方式确定第一分布概率及第二分布概率:
基于模型训练数据在其所属的参考设备对应的第一非参数估计方法,确定模型训练数据在其所属的参考设备对应的各个模型训练数据中的第一分布概率;基于第二非参数估计方法,确定特征数据在各个特征数据中的第二分布概率。
非参数估计方法不受总体分布的限制,不假定总体分布的具体形式,尽量从数据或样本本身获得所需要的信息,通过估计而获得分布的结构,对于减少偏差、提高预测精度以及了解数据的动态结构具有极其重要的作用,尤其是数据分布很不规则时,非参数估计方法相对于参数估计来说,更为精准,因此本实施例中采用非参数估计方法确定分布概率。
考虑到参考设备和目标设备分别对应的数据分布可能存在差异,因此,为了确保得到的分布概率的准确性,通过第一非参数估计方法确定参考设备对应的各个模型训练数据的概率密度函数,基于概率密度分布函数从而确定出参考设备对应的每个模型训练数据的第一分布概率。通过第二非参数估计方法确定目标设备对应的各个特征数据的概率密度函数,基于概率密度分布函数从而确定出目标设备对应的每个特征数据的第二分布概率。
考虑到设备的数据量和数据分布会存在差异,若采用相同的非参数估计方法,则可能会降低估算出的数据分布的准确性,因此,需要结合每个参考设备以及目标设备的数据量以及数据分布,选择合适的非参数估计方法进行数据分布的估算。当每个参考设备分别对应的各个模型训练数据的数据量,和目标设备对应的各个特征数据的数据量的差异较小时,各个参考设备分别对应的第一非参数估计方法和目标设备对应的第二非参数估计方法相同,作为一种可能的情况,第一非参数估计方法和第二非参数估计方法均为核密度估计方法。
在一个实施例中,当第一分布信息为第一分布概率,第二分布信息为第二分布概率时,具体可通过如下方式确定模型训练数据对应的误差权重:
针对每个模型训练数据,确定模型训练数据对应的替换数据的第二分布概率和模型训练数据的第一分布概率的分布概率比值,将分布概率比值确定为确定模型训练数据对应的误差权重。
在一个实施例中,当第一分布信息为第一出现频率,第二分布信息为第二出现频率时,具体可通过如下方式确定模型训练数据对应的误差权重:
针对每个模型训练数据,确定模型训练数据对应的替换数据的第二出现频率和模型训练数据的第一出现频率的出现频率比值,将出现频率比值确定为确定模型训练数据对应的误差权重。
步骤103,根据各个所述模型训练数据、各个所述模型训练数据分别对应的设备状态标签以及各个所述模型训练数据分别对应的误差权重进行模型训练,以确定设备状态预测模型,所述设备状态预测模型用于所述目标设备的设备状态预测。
在一个实施例中,设备状态预测模型可以是神经网络模型,也可以是回归模型,此处不做限定,具体需要结合实际情况确定。
在一个实施例中,本实施例提供的设备状态预测方法应用于目标设备对应的边缘服务器或本地服务器,从而降低云端服务器的计算压力。
具体地,设备状态预测模型以多个模型训练数据以及每个模型训练数据分别对应的设备状态标签数据作为训练数据,通过每个模型训练数据分别对应的误差权重调整设备状态预测模型的模型参数,从而使得调整后的模型参数能够反映出目标设备的特征数据和设备状态之间的联系,确保设备状态预测模型的模型精度。
在一个实施例中,通过可通过如下实现方式确定设备状态预测模型:
A1、根据将模型训练数据代入待预测模型中的预测结果以及模型训练数据对应的设备状态标签,确定模型训练数据分别对应的第一误差,根据模型训练数据对应的第一误差以及误差权重,以确定模型训练数据对应的第二误差;
A2、判断是否满足迭代次数或者各个模型训练数据分别对应的第二误差是否满足预设条件,如果是,则将待预测模型确定为设备状态预测模型,如果否,则执行A3;
A3、根据各个模型训练数据分别对应的第二误差,对待预测模型中的模型参数进行调整,以确定调整后的模型参数,并将待预测模型中的模型参数替换为调整后的模型参数,执行A1。
这里,各个模型训练数据分别对应的第二误差是否满足预设条件可以是各个模型训练数据分别对应的第二误差的均值是否小于阈值,也可以是各个模型训练数据分别对应的第二误差的标准方差是否小于阈值,此处不做具体限定。
具体地,预测结果可以理解为设备状态信息,第一误差为预测结果和设备状态标签之间的接近程度,举例来说,预测结果可以是故障或者不故障,当预测结果是故障,设备状态标签也是故障时,第一误差可以是0,否则为1。
通过以上技术方案可知,本实施例存在的有益效果是:通过确定多个参考设备分别对应的多个模型训练数据分别相对于目标设备的误差权重,从而将多个参考设备分别对应的多个模型训练数据迁移到目标设备上,后续,利用多个参考设备分别对应的多个模型训练数据、每个模型训练数据对应的设备状态标签以及每个模型训练数据对应的权重误差进行模型训练,得到用于预测目标设备的设备状态的设备状态预测模型,得到的设备状态预测模型由于综合考虑了模型训练数据对于目标设备的误差权重,从而具有相对较高的精度,后续基于设备状态预测模型进行目标设备的设备状态预测时,能够得到较为准确的目标设备的设备状态。
图1所示仅为本发明所述方法的基础实施例,在其基础上进行一定的优化和拓展,还能够得到所述方法的其他优选实施例。
如图2所示,为本发明所述设备状态预测方法的另一个具体实施例。本实施例在前述实施例的基础上,结合应用场景进行了更加具体的描述。所述方法具体包括以下步骤:
步骤201、获取目标设备对应的至少两个特征数据、至少两个参考设备分别对应的至少两个模型训练数据以及各个所述模型训练数据分别对应的设备状态标签,所述目标设备和所述参考设备的设备种类相同。
假设3个参考设备分别为锅炉A、锅炉B以及锅炉C,目标设备为锅炉D,锅炉A、锅炉B以及锅炉C分别对应有N个模型训练数据,每个模型训练数据分别对应有一个故障标签,故障标签可以是故障或者正常,锅炉D对应有n个特征数据,特征数据和模型训练数据分别对应的若干个特征相同,但是每个特征分别对应的特征值可能不同。
步骤202、基于所述模型训练数据在其所属的参考设备对应的第一非参数估计方法,确定所述模型训练数据在其所属的参考设备对应的各个所述模型训练数据中的第一分布概率。
假设锅炉A、锅炉B以及锅炉C分别对应的第一非参数估计方法均为核密度估计方法,针对锅炉A,基于核密度估计方法,确定锅炉A对应有N个模型训练数据的概率密度分布函数,针对锅炉A中的每个模型训练数据,基于锅炉A对应有N个模型训练数据的概率密度分布函数,确定该模型训练数据在锅炉A中的所有模型训练数据中的第一分布概率P1。锅炉B及锅炉C分别对应的每个模型训练数据的第一分布概率P1的计算方法和锅炉A相似,这里不做过多赘述。
步骤203、针对每个所述模型训练数据,从各个所述特征数据中确定出所述模型训练数据对应的替换数据;基于第二非参数估计方法,确定所述替换数据在各个所述特征数据中的第二分布概率。
针对锅炉A、锅炉B以及锅炉C分别对应的每个模型训练数据,从各个特征数据中确定该模型训练数据对应的替换数据;基于核密度估算方法,确定锅炉D对应的n个特征数据的概率密度分布函数;针对每个替换数据,基于锅炉D对应的n个特征数据的概率密度分布函数,确定该替换数据在锅炉D中的所有特征数据中的第二分布概率P2。
步骤204、针对每个所述模型训练数据,确定所述模型训练数据对应的替换数据的第二分布概率和所述模型训练数据的第一分布概率的分布概率比值;将所述分布概率比值确定为确定所述模型训练数据对应的误差权重。
针对每个模型训练数据,将模型训练数据对应的替换数据的第二分布概率P2,与模型训练数据的第一分布概率P1的比值P2/P1,将P2/P1确定为该模型训练数据对应的误差权重W。
步骤205、根据各个所述模型训练数据、各个所述模型训练数据分别对应的设备状态标签以及各个所述模型训练数据分别对应的误差权重进行模型训练,以确定设备状态预测模型,所述设备状态预测模型用于所述目标设备的设备状态预测。
具体地,以锅炉A、锅炉B以及锅炉C分别对应的N个模型训练数据以及每个模型训练数据分别对应的故障标签进行设备状态预测模型的训练,基于每个模型训练数据分别对应的误差权重W调整模型参数,最终得到设备状态预测模型。
基于与本发明方法实施例相同的构思,请参考图3,本发明实施例还提供了一种设备状态预测装置,包括:
获取模块301,用于获取目标设备对应的至少两个特征数据、至少两个参考设备分别对应的至少两个模型训练数据以及各个所述模型训练数据分别对应的设备状态标签,所述目标设备和所述参考设备的设备种类相同;
权重确定模块302,用于根据各个所述特征数据,确定所述模型训练数据对应的误差权重;
训练模块303,用于根据各个所述模型训练数据、各个所述模型训练数据分别对应的设备状态标签以及各个所述模型训练数据分别对应的误差权重进行模型训练,以确定设备状态预测模型,所述设备状态预测模型用于所述目标设备的设备状态预测。
在一个实施例中,所述权重确定模块302,包括:替换数据确定单元、分布信息确定单元及重要程度确定单元;其中,
所述替换数据确定单元,用于从各个所述特征数据中确定出所述模型训练数据对应的替换数据;
所述分布信息确定单元,用于确定所述模型训练数据在其所属的参考设备对应的各个所述模型训练数据中的第一分布信息以及所述替换数据在各个所述特征数据中的第二分布信息;
所述重要程度确定单元,用于根据所述模型训练数据的第一分布信息以及所述模型训练数据对应的替换数据的第二分布信息,确定所述模型训练数据对应的误差权重。
在一个实施例中,所述分布信息确定单元,包括:第一信息确定子单元以及第二信息确定子单元;其中,
所述第一信息确定子单元,用于基于所述模型训练数据在其所属的参考设备对应的第一非参数估计方法,确定所述模型训练数据在其所属的参考设备对应的各个所述模型训练数据中的第一分布概率,将所述第一分布概率确定为第一分布信息;
所述第二信息确定子单元,用于基于第二非参数估计方法,确定所述替换数据在各个所述特征数据中的第二分布概率,将所述第二分布概率确定为第二分布信息。
在一个实施例中,所述第一非参数估计方法和所述第二非参数估计方法均为核密度估计算法。
在一个实施例中,所述权重确定模块302,用于针对每个所述模型训练数据,确定所述模型训练数据对应的替换数据的第二分布概率和所述模型训练数据的第一分布概率的分布概率比值,将所述分布概率比值确定为确定所述模型训练数据对应的误差权重。
在一个实施例中,所述方法应用到所述目标设备对应的边缘服务器或本地服务器。
在一个实施例中,所述训练模块303,包括:训练单元、判断单元以及调整单元;其中,
所述训练单元,用于根据将所述模型训练数据代入待预测模型中的预测结果以及所述模型训练数据对应的设备状态标签,确定所述模型训练数据对应的第一误差,根据所述模型训练数据对应的第一误差以及误差权重,以确定所述模型训练数据对应的第二误差;
所述判断单元,用于判断是否满足迭代次数或者各个所述模型训练数据分别对应的第二误差是否满足预设条件,如果是,则将所述待预测模型确定为设备状态预测模型,如果否,则触发所述调整单元;
所述调整单元,用于根据各个所述模型训练数据分别对应的第二误差,对所述待预测模型中的模型参数进行调整,以确定调整后的模型参数,并将所述待预测模型中的模型参数替换为所述调整后的模型参数,触发所述训练单元。
图4是本发明实施例提供的一种电子设备的结构示意图。在硬件层面,该电子设备包括处理器401以及存储有执行指令的存储器402,在一个实施例中还包括内部总线403及网络接口404。其中,存储器402可能包含内存4021,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器4022(non-volatile memory),例如至少1个磁盘存储器等;处理器401、网络接口404和存储器402可以通过内部总线403相互连接,该内部总线403可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等;内部总线403可以分为地址总线、数据总线、控制总线等,为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。当然,该电子设备还可能包括其他业务所需要的硬件。当处理器401执行存储器402存储的执行指令时,处理器401执行本发明任意一个实施例中的方法,并至少用于执行如图1或图2所示的方法。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的执行指令到内存中然后运行,也可从其它设备上获取相应的执行指令,以在逻辑层面上形成一种设备状态预测装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本发明任一实施例中提供的一种设备状态预测方法。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质,包括执行指令,当电子设备的处理器执行执行指令时,所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图4所示的电子设备;执行指令是一种设备状态预测装置所对应计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种设备状态预测方法,其特征在于,包括:
获取目标设备对应的至少两个特征数据、至少两个参考设备分别对应的至少两个模型训练数据以及各个所述模型训练数据分别对应的设备状态标签,所述目标设备和所述参考设备的设备种类相同;
根据各个所述特征数据,确定所述模型训练数据对应的误差权重;
根据各个所述模型训练数据、各个所述模型训练数据分别对应的设备状态标签以及各个所述模型训练数据分别对应的误差权重进行模型训练,以确定设备状态预测模型,所述设备状态预测模型用于所述目标设备的设备状态预测。
2.根据权利要求1所述的方法,其特征在于,所述根据各个所述特征数据,确定所述模型训练数据对应的误差权重,包括:
从各个所述特征数据中确定出所述模型训练数据对应的替换数据;
确定所述模型训练数据在其所属的参考设备对应的各个所述模型训练数据中的第一分布信息以及所述替换数据在各个所述特征数据中的第二分布信息;
根据所述模型训练数据的第一分布信息以及所述模型训练数据对应的替换数据的第二分布信息,确定所述模型训练数据对应的误差权重。
3.根据权利要求2所述的方法,其特征在于,所述确定所述模型训练数据在其所属的参考设备对应的各个所述模型训练数据中的第一分布信息以及所述替换数据在各个所述特征数据中的第二分布信息,包括:
基于所述模型训练数据在其所属的参考设备对应的第一非参数估计方法,确定所述模型训练数据在其所属的参考设备对应的各个所述模型训练数据中的第一分布概率,将所述第一分布概率确定为第一分布信息;
基于第二非参数估计方法,确定所述替换数据在各个所述特征数据中的第二分布概率,将所述第二分布概率确定为第二分布信息。
4.根据权利要求3所述的方法,其特征在于,所述第一非参数估计方法和所述第二非参数估计方法均为核密度估计算法。
5.根据权利要求3所述的方法,其特征在于,所述根据所述模型训练数据的第一分布信息以及所述模型训练数据对应的替换数据的第二分布信息,确定所述模型训练数据对应的误差权重,包括:
针对每个所述模型训练数据,确定所述模型训练数据对应的替换数据的第二分布概率和所述模型训练数据的第一分布概率的分布概率比值,将所述分布概率比值确定为确定所述模型训练数据对应的误差权重。
6.根据权利要求1所述的方法,其特征在于,所述方法应用到所述目标设备对应的边缘服务器或本地服务器上。
7.根据权利要求所述的方法,其特征在于,所述根据各个所述模型训练数据、各个所述模型训练数据分别对应的设备状态标签以及各个所述模型训练数据分别对应的误差权重进行模型训练,以确定设备状态预测模型,包括:
A1、根据将所述模型训练数据代入待预测模型中的预测结果以及所述模型训练数据对应的设备状态标签,确定所述模型训练数据对应的第一误差,根据所述模型训练数据对应的第一误差以及误差权重,以确定所述模型训练数据对应的第二误差;
A2、判断是否满足迭代次数或者各个所述模型训练数据分别对应的第二误差是否满足预设条件,如果是,则将所述待预测模型确定为设备状态预测模型,如果否,则执行A3;
A3、根据各个所述模型训练数据分别对应的第二误差,对所述待预测模型中的模型参数进行调整,以确定调整后的模型参数,并将所述待预测模型中的模型参数替换为所述调整后的模型参数,执行A1。
8.一种设备状态预测装置,其特征在于,包括:
获取模块,用于获取目标设备对应的至少两个特征数据、至少两个参考设备分别对应的至少两个模型训练数据以及各个所述模型训练数据分别对应的设备状态标签,所述目标设备和所述参考设备的设备种类相同;
权重确定模块,用于根据各个所述特征数据,确定所述模型训练数据对应的误差权重;
训练模块,用于根据各个所述模型训练数据、各个所述模型训练数据分别对应的设备状态标签以及各个所述模型训练数据分别对应的误差权重进行模型训练,以确定设备状态预测模型,所述设备状态预测模型用于所述目标设备的设备状态预测。
9.一种计算机可读存储介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述处理器执行如权利要求1至7中任一所述的方法。
10.一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如权利要求1至7中任一所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010325.XA CN114254790A (zh) | 2020-09-23 | 2020-09-23 | 一种设备状态预测方法及装置 |
JP2022564514A JP2023543100A (ja) | 2020-09-23 | 2021-06-21 | 予測方法、装置、可読媒体及び電子機器 |
EP21870883.2A EP4131094A4 (en) | 2020-09-23 | 2021-06-21 | PREDICTION METHOD AND APPARATUS, READABLE MEDIUM AND ELECTRONIC DEVICE |
PCT/CN2021/101314 WO2022062502A1 (zh) | 2020-09-23 | 2021-06-21 | 预测方法、装置、可读介质及电子设备 |
US18/050,055 US20230070276A1 (en) | 2020-09-23 | 2022-10-27 | Prediction method and apparatus, readable medium and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011010325.XA CN114254790A (zh) | 2020-09-23 | 2020-09-23 | 一种设备状态预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114254790A true CN114254790A (zh) | 2022-03-29 |
Family
ID=80788664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011010325.XA Pending CN114254790A (zh) | 2020-09-23 | 2020-09-23 | 一种设备状态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114254790A (zh) |
-
2020
- 2020-09-23 CN CN202011010325.XA patent/CN114254790A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9710364B2 (en) | Method of detecting false test alarms using test step failure analysis | |
CN111090502B (zh) | 一种流数据任务调度方法和装置 | |
EP4131094A1 (en) | Prediction method and apparatus, readable medium, and electronic device | |
US20130173215A1 (en) | Adaptive trend-change detection and function fitting system and method | |
US9870314B1 (en) | Update testing by build introspection | |
CN115858311A (zh) | 运维监控的方法、装置、电子设备及可读存储介质 | |
CN117234859B (zh) | 一种性能事件监控方法、装置、设备和存储介质 | |
CN116360990B (zh) | 分布式计算任务合理性预判方法、系统、设备和存储介质 | |
CN112379913A (zh) | 基于风险识别的软件优化方法、装置、设备及存储介质 | |
CN114254790A (zh) | 一种设备状态预测方法及装置 | |
CN116502166A (zh) | 一种基于其他设备数据的预测方法、装置、设备和介质 | |
CN117806855A (zh) | 内存错误处理方法及装置 | |
CN112685390B (zh) | 数据库实例管理方法及装置、计算设备 | |
CN111611167B (zh) | 基于dsp的嵌入式软件测试方法与系统 | |
CN112380127B (zh) | 测试用例回归方法、装置、设备和存储介质 | |
CN114417653A (zh) | 基于不确定性的卫星组件电路板热可靠性分析方法 | |
JP2019125093A (ja) | 電子制御装置 | |
CN114416467A (zh) | 一种异常检测方法及装置 | |
CN114254792A (zh) | 一种烟气含氧量预测方法及装置 | |
CN114429235A (zh) | 一种设备故障预测方法、装置、可读介质及电子设备 | |
WO2023150967A1 (zh) | 设备失效率的确定方法、装置、计算机设备及存储介质 | |
CN111552623B (zh) | 一种确定页面内存消耗的方法及装置 | |
CN117170995B (zh) | 基于性能指标的干扰异常检测方法、装置、设备及介质 | |
CN112114972B (zh) | 数据倾斜的预测方法及装置 | |
US20230161655A1 (en) | Training and using a memory failure prediction model |
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 |