CN114861474B - 一种智能泵阀系统性能仿真处理方法及云计算服务系统 - Google Patents

一种智能泵阀系统性能仿真处理方法及云计算服务系统 Download PDF

Info

Publication number
CN114861474B
CN114861474B CN202210796911.4A CN202210796911A CN114861474B CN 114861474 B CN114861474 B CN 114861474B CN 202210796911 A CN202210796911 A CN 202210796911A CN 114861474 B CN114861474 B CN 114861474B
Authority
CN
China
Prior art keywords
simulation
performance simulation
template
defect
data
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
CN202210796911.4A
Other languages
English (en)
Other versions
CN114861474A (zh
Inventor
刘雪垠
宋冬梅
李柏林
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.)
Sichuan Machinery Research And Design Institute Group Co ltd
Southwest Jiaotong University
Original Assignee
Sichuan Machinery Research And Design Institute Group Co ltd
Southwest Jiaotong University
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 Sichuan Machinery Research And Design Institute Group Co ltd, Southwest Jiaotong University filed Critical Sichuan Machinery Research And Design Institute Group Co ltd
Priority to CN202210796911.4A priority Critical patent/CN114861474B/zh
Publication of CN114861474A publication Critical patent/CN114861474A/zh
Application granted granted Critical
Publication of CN114861474B publication Critical patent/CN114861474B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种智能泵阀系统性能仿真处理方法及云计算服务系统，通过基于性能仿真任务所对应的仿真任务特征对目标智能泵阀系统的智能泵阀元素进行性能仿真，获得目标智能泵阀系统的在线性能仿真数据，对目标智能泵阀系统的在线性能仿真数据进行系统运行缺陷预测，输出目标智能泵阀系统对应的系统运行缺陷分布，基于系统运行缺陷分布对目标智能泵阀系统进行运行程序预修复配置，从而以仿真数据为基础进行系统运行缺陷预测，并对目标智能泵阀系统进行运行程序预修复配置，可以尽可能减少目标智能泵阀系统在后续实际应用过程中的异常运行问题，提高后续目标智能泵阀系统的运行平稳性。

Description

一种智能泵阀系统性能仿真处理方法及云计算服务系统
技术领域
本申请涉及智能泵阀技术领域，具体而言，涉及一种智能泵阀系统性能仿真处理方法及云计算服务系统。
背景技术
智能机泵产品每年耗电量占总发电量的较大比例，其运行效率的提高对节能减排目标的实现有着重要的意义。工业生产中泵的设计和选型，由于系统在设计时无法预估的损失，以及实际生产中可能出现的特殊状况、产能扩大和工艺需求波动等原因，往往需要考虑其运行缺陷，以尽可能减少离心泵的最佳工况与管路系统的不匹配现象。智能泵阀系统在系统运行缺陷未修复的工况下运行不但效率显著下降，零部件的可靠性和使用寿命也显著降低。因此，从长周期运行和高效运行的理念出发，需要保证智能泵阀系统的运行稳定性。相关技术中，尚缺乏智能泵阀系统在实际应用过程之前的系统运行缺陷的预测流程，而是在实际应用过程中进行系统运行缺陷的状态监控，导致运行平稳性难以获得保证。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种智能泵阀系统性能仿真处理方法及云计算服务系统。
第一方面，本申请提供一种智能泵阀系统性能仿真处理方法，应用于云计算服务系统，所述方法包括：
响应针对目标智能泵阀系统的性能仿真任务，基于所述性能仿真任务所对应的仿真任务特征对所述目标智能泵阀系统的智能泵阀元素进行性能仿真，获得所述目标智能泵阀系统的在线性能仿真数据，所述仿真任务特征包括多个指定的性能仿真指标；
对所述目标智能泵阀系统的在线性能仿真数据进行系统运行缺陷预测，输出所述目标智能泵阀系统对应的系统运行缺陷分布；
基于所述系统运行缺陷分布对所述目标智能泵阀系统进行运行程序预修复配置。
在第一方面的一种可能的实施方式中，所述对所述目标智能泵阀系统的在线性能仿真数据进行系统运行缺陷预测，输出所述目标智能泵阀系统对应的系统运行缺陷分布的步骤，包括：
将所述目标智能泵阀系统的在线性能仿真数据输入到预先训练的系统运行缺陷预测模型中，获得所述目标智能泵阀系统对应的系统运行缺陷分布，其中，所述系统运行缺陷预测模型基于预先搜集的在线性能仿真训练数据以及对应的先验系统运行缺陷进行训练，并基于预先搜集的模板在线性能仿真数据序列和一种或多种非缺陷特征衍生模式进行模型效果验证后获得；
其中，所述方法还包括：
获取模板在线性能仿真数据序列与待进行模型效果验证的系统运行缺陷预测模型；
依据一种或多种非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第一目标数量的模板扩充性能仿真数据序列，其中，每种所述非缺陷特征衍生模式对应于至少一个所述模板扩充性能仿真数据序列；
基于所述系统运行缺陷预测模型对所述模板在线性能仿真数据序列以及所述第一目标数量的所述模板扩充性能仿真数据序列分别进行系统运行缺陷预测，输出每个所述模板扩充性能仿真数据序列对应的第一预测系统运行缺陷分布以及所述模板在线性能仿真数据序列对应的第二预测系统运行缺陷分布；
确定所述第一预测系统运行缺陷分布与所述第二预测系统运行缺陷分布的匹配度，依据所述匹配度确定所述系统运行缺陷预测模型的模型预测效果值；
依据所述模型预测效果值确定所述系统运行缺陷预测模型的可靠度，其中，所述模型预测效果值与所述可靠度正相关。
在第一方面的一种可能的实施方式中，所述依据一种或多种非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第一目标数量的模板扩充性能仿真数据序列，包括：
针对所述一种或多种非缺陷特征衍生模式中的每种非缺陷特征衍生模式执行下述步骤：
依据所述非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出所述非缺陷特征衍生模式对应的至少一个模板扩充性能仿真数据序列；
对每种所述非缺陷特征衍生模式对应的所述至少一个模板扩充性能仿真数据序列进行逻辑检测，依据逻辑检测结果确定第一目标数量的模板扩充性能仿真数据序列。
在第一方面的一种可能的实施方式中，所述非缺陷特征衍生模式的模式标签包括：随机非缺陷特征衍生模式；
当所述非缺陷特征衍生模式的模式标签为所述随机非缺陷特征衍生模式时，所述依据所述非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出所述非缺陷特征衍生模式对应的至少一个模板扩充性能仿真数据序列，包括：
对所述模板在线性能仿真数据序列进行以下至少一次操作，输出至少一个模板扩充性能仿真数据序列：
对所述模板在线性能仿真数据序列中每个所述模板在线性能仿真数据进行下述操作：
从所述模板在线性能仿真数据中选择至少一个目标仿真事件数据，对每个所述目标仿真事件数据进行非缺陷特征衍生扩充，输出扩充仿真事件数据；
将每个所述扩充仿真事件数据汇总输出为模板扩充性能仿真数据序列，其中，所述模板扩充性能仿真数据序列中每个所述扩充仿真事件数据与所述模板在线性能仿真数据序列中的每个所述模板在线性能仿真数据一一对应。
在第一方面的一种可能的实施方式中，所述非缺陷特征衍生模式的模式标签包括：关键成员非缺陷特征衍生模式；
当所述非缺陷特征衍生模式为所述关键成员非缺陷特征衍生模式时，所述依据所述非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出所述非缺陷特征衍生模式对应的至少一个模板扩充性能仿真数据序列，包括：
对所述模板在线性能仿真数据序列进行以下至少一次操作，输出至少一个模板扩充性能仿真数据序列：
对所述模板在线性能仿真数据序列中每个所述模板在线性能仿真数据进行下述操作：
获取所述模板在线性能仿真数据中的关键成员仿真事件数据与非关键成员仿真事件数据，从每个所述非关键成员仿真事件数据的仿真影响权重从大到小的排序信息选择靠前的至少一个目标仿真事件数据进行非缺陷特征衍生扩充，依据每个所述关键成员仿真事件数据的仿真要素描述对每个所述关键成员仿真事件数据进行非缺陷特征衍生扩充，输出扩充仿真事件数据；
将每个所述扩充仿真事件数据汇总输出为模板扩充性能仿真数据序列，其中，所述模板扩充性能仿真数据序列中每个所述扩充仿真事件数据与所述模板在线性能仿真数据序列中的每个所述模板在线性能仿真数据一一对应。
在第一方面的一种可能的实施方式中，所述从每个所述非关键成员仿真事件数据的仿真影响权重从大到小的排序信息选择靠前的至少一个目标仿真事件数据进行非缺陷特征衍生扩充之前，所述方法还包括：
对所述模板在线性能仿真数据进行仿真事件拆分，输出所述模板在线性能仿真数据的仿真事件拆分结果；
针对每个所述非关键成员仿真事件数据执行下述步骤：
将所述非关键成员仿真事件数据从所述模板在线性能仿真数据的仿真事件拆分结果中剔除，输出所述非关键成员仿真事件数据对应的候选性能仿真数据；
对每个所述候选性能仿真数据与所述模板在线性能仿真数据进行运行缺陷预测，输出每个所述候选性能仿真数据的预测系统运行缺陷分布与所述模板在线性能仿真数据的预测系统运行缺陷分布；
获取每个所述候选性能仿真数据的预测系统运行缺陷分布与所述模板在线性能仿真数据的预测系统运行缺陷分布之间的区别参数，依据所述区别参数确定所述候选性能仿真数据对应的非关键成员仿真事件数据的仿真影响权重，其中，所述区别参数与所述非关键成员仿真事件数据在所述模板在线性能仿真数据中的仿真影响权重正相关。
在第一方面的一种可能的实施方式中，所述依据一种或多种非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第一目标数量的模板扩充性能仿真数据序列之前，所述方法还包括：
获取等待评估的多种非缺陷特征衍生模式；
依据所述多种非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第二目标数量的扩充仿真事件数据序列，其中，每种非缺陷特征衍生模式对应于至少一个所述扩充仿真事件数据序列；
对每个所述扩充仿真事件数据序列与所述模板在线性能仿真数据序列分别进行仿真特征预测，输出每个所述扩充仿真事件数据序列与所述模板在线性能仿真数据序列分别对应的仿真特征预测信息；
针对每种所述非缺陷特征衍生模式进行下述操作：
确定所述非缺陷特征衍生模式对应的每个所述扩充仿真事件数据序列对应的目标区别参数，其中，所述目标区别参数是每个所述扩充仿真事件数据序列对应的预测信息与所述模板在线性能仿真数据序列对应的预测信息之间的区别参数；
将每个所述扩充仿真事件数据序列对应的所述目标区别参数的相加值，与所述非缺陷特征衍生模式对应的扩充仿真事件数据序列数量的比值，输出为每种非缺陷特征衍生模式的对应的非缺陷特征衍生评估值，从每种所述非缺陷特征衍生模式的非缺陷特征衍生评估值从大到小的排序信息选择靠前的一种或多种非缺陷特征衍生模式。
在第一方面的一种可能的实施方式中，每个所述模板扩充性能仿真数据序列的所述第一预测系统运行缺陷分布包括：
每个所述模板扩充性能仿真数据序列中的每个所述扩充仿真事件数据对应的预测系统运行缺陷分布；所述第二预测系统运行缺陷分布包括：所述模板在线性能仿真数据序列中每个所述模板在线性能仿真数据对应的预测系统运行缺陷分布；
当所述一种或多种非缺陷特征衍生模式为多种非缺陷特征衍生模式时，所述确定所述第一预测系统运行缺陷分布与所述第二预测系统运行缺陷分布的匹配度，依据所述匹配度确定所述系统运行缺陷预测模型的模型预测效果值，包括：
对每个所述模板在线性能仿真数据的预测系统运行缺陷分布，与每个所述模板在线性能仿真数据对应的所述扩充仿真事件数据的预测系统运行缺陷分布进行比对，输出所述预测系统运行缺陷分布相同系统运行缺陷的数量；
将所述预测系统运行缺陷分布相同系统运行缺陷的数量与所述第一目标数量的模板扩充性能仿真数据序列对应的全局系统运行缺陷数量的比值，输出为所述第一预测系统运行缺陷分布与所述第二预测系统运行缺陷分布的匹配度，将所述匹配度作为所述系统运行缺陷预测模型的模型预测效果值。
在第一方面的一种可能的实施方式中，所述将所述目标智能泵阀系统的在线性能仿真数据输入到预先训练的系统运行缺陷预测模型中，获得所述目标智能泵阀系统对应的系统运行缺陷分布的步骤，包括：
提取在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的仿真实况特征，所述在线性能仿真训练数据序列包括M个第一在线性能仿真训练数据，每个第一在线性能仿真训练数据携带对应的先验系统运行缺陷，所述M为大于1的整数；
基于所述每个第一在线性能仿真训练数据的仿真实况特征，对所述在线性能仿真训练数据序列进行分簇，确定N个训练数据分簇以及每个训练数据分簇的分簇簇心，所述每个训练数据分簇包括至少一个第一在线性能仿真训练数据，所述N为大于1且小于所述M的整数；
对于所述每个训练数据分簇，依据训练数据分簇的分簇簇心，对所述训练数据分簇中第一在线性能仿真训练数据的仿真实况节点进行聚合，确定所述训练数据分簇所对应的目标仿真训练数据序列；
基于所述每个训练数据分簇所对应的目标仿真训练数据序列以及所述在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的先验系统运行缺陷，对初始化系统运行缺陷预测模型进行模型权重信息的迭代优化，并输出模型权重信息收敛后的目标系统运行缺陷预测模型。
如此，提取在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的仿真实况特征，每个第一在线性能仿真训练数据携带对应的先验系统运行缺陷。然后，可基于每个第一在线性能仿真训练数据的仿真实况特征，对在线性能仿真训练数据序列进行分簇，确定N个训练数据分簇以及每个训练数据分簇的分簇簇心。而后，针对每个训练数据分簇，依据训练数据分簇的分簇簇心，对训练数据分簇中第一在线性能仿真训练数据的仿真实况节点进行聚合，确定训练数据分簇所对应的目标仿真训练数据序列。最后，可以基于每个训练数据分簇所对应的目标仿真训练数据序列以及在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的先验系统运行缺陷，对初始化系统运行缺陷预测模型进行模型权重信息的迭代优化，并输出模型权重信息收敛后的目标系统运行缺陷预测模型。如此，采用分簇算法可依据仿真实况特征将在线性能仿真训练数据序列划分为若干个训练数据分簇，即属于同一个训练数据分簇的在线性能仿真训练数据在仿真实况特征上更相近。从而分别依据每个训练数据分簇的分簇簇心，对训练数据分簇中所包括的在线性能仿真训练数据进行自适应的仿真实况节点聚合，进而提高模型训练的准确性。
在第一方面的一种可能的实施方式中，所述提取在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的仿真实况特征，包括：
获取所述在线性能仿真训练数据序列；
对于所述每个第一在线性能仿真训练数据，提取第一在线性能仿真训练数据的仿真调度特征以及仿真应用特征；
对于所述每个第一在线性能仿真训练数据，基于第一在线性能仿真训练数据的仿真调度特征以及仿真应用特征生成第一在线性能仿真训练数据的仿真实况特征。
在第一方面的一种可能的实施方式中，所述基于所述每个第一在线性能仿真训练数据的仿真实况特征，对所述在线性能仿真训练数据序列进行分簇，确定N个训练数据分簇以及每个训练数据分簇的分簇簇心，包括：
随机生成N个初始分簇簇心；
基于所述每个在线性能仿真训练数据的仿真实况特征以及所述N个初始分簇簇心，确定所述每个第一在线性能仿真训练数据与每个初始分簇簇心之间的聚合代价值；
基于所述每个第一在线性能仿真训练数据与所述每个初始分簇簇心之间的聚合代价值，将所述在线性能仿真训练数据序列划分为N个分簇实体；
确定所述N个分簇实体中每个分簇实体的分簇簇心，直至分簇簇心不再发生变化，基于每个分簇实体的分簇簇心确定所述N个训练数据分簇以及所述每个训练数据分簇的分簇簇心。
在第一方面的一种可能的实施方式中，所述提取在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的仿真实况特征，包括：
获取所述在线性能仿真训练数据序列；
对于所述每个第一在线性能仿真训练数据，获取第一在线性能仿真训练数据的仿真调度特征以及仿真应用特征；
对于所述每个第一在线性能仿真训练数据，基于第一在线性能仿真训练数据的仿真调度特征以及仿真应用特征生成第一在线性能仿真训练数据的仿真实况知识图谱；
对于所述每个第一在线性能仿真训练数据，将第一在线性能仿真训练数据的仿真实况知识图谱作为所述第一在线性能仿真训练数据的仿真实况特征。
在第一方面的一种可能的实施方式中，所述对于所述每个训练数据分簇，依据训练数据分簇的分簇簇心，对所述训练数据分簇中第一在线性能仿真训练数据的仿真实况节点进行聚合，确定所述训练数据分簇所对应的目标仿真训练数据序列，包括：
对于所述每个训练数据分簇，将训练数据分簇的分簇簇心所对应的仿真实况节点作为目标仿真实况节点，所述分簇簇心包括目标仿真调度特征以及目标仿真应用特征；
对于所述每个训练数据分簇，将训练数据分簇中每个第一在线性能仿真训练数据的仿真调度特征聚合至相对应的目标仿真实况节点，并将所述训练数据分簇中第一在线性能仿真训练数据的仿真应用特征聚合至相对应的目标仿真实况节点，确定所述训练数据分簇所对应的目标仿真训练数据序列，所述目标仿真训练数据序列包括至少一个第二在线性能仿真训练数据，所述第二在线性能仿真训练数据为经过仿真实况节点聚合后的第一在线性能仿真训练数据。
在第一方面的一种可能的实施方式中，所述对于所述每个训练数据分簇，依据训练数据分簇的分簇簇心，对所述训练数据分簇中第一在线性能仿真训练数据的仿真实况节点进行聚合，确定所述训练数据分簇所对应的目标仿真训练数据序列，包括：
对于所述每个训练数据分簇，将训练数据分簇的分簇簇心作为目标仿真实况节点，所述目标仿真实况节点包括目标仿真调度特征以及目标仿真应用特征；
对于所述每个训练数据分簇，若训练数据分簇满足分簇响应要求，则将训练数据分簇的分簇簇心作为目标仿真实况节点，所述目标仿真实况节点包括目标仿真调度特征以及目标仿真应用特征；
对于所述每个训练数据分簇，基于目标仿真实况节点生成目标仿真实况知识图谱；
对于所述每个训练数据分簇，基于所述目标仿真实况知识图谱生成K个目标单元仿真实况节点，每个目标单元仿真实况节点包括目标子仿真调度特征以及目标单元仿真应用特征；
对于所述每个训练数据分簇，基于所述K个目标单元仿真实况节点获取训练数据分簇所对应的目标仿真训练数据序列，所述目标仿真训练数据序列包括K个目标单元仿真训练数据序列，同一个目标单元仿真训练数据序列中的每个第二在线性能仿真训练数据均有相同的目标单元仿真实况节点；
其中，对于所述每个训练数据分簇，若训练数据分簇中第一在线性能仿真训练数据的数量大不小于目标数量阈值，则确定所述训练数据分簇满足分簇响应要求；或者
对于所述每个训练数据分簇，若训练数据分簇中存在第一在线性能仿真训练数据的仿真实况知识图谱覆盖于第一仿真实况知识图谱，或，存在第一在线性能仿真训练数据的仿真实况知识图谱被覆盖于第二仿真实况知识图谱，则确定所述训练数据分簇满足分簇响应要求。
在第一方面的一种可能的实施方式中，所述基于所述每个训练数据分簇所对应的目标仿真训练数据序列以及所述在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的先验系统运行缺陷，对初始化系统运行缺陷预测模型进行模型权重信息的迭代优化，并输出模型权重信息收敛后的目标系统运行缺陷预测模型，包括：
基于所述每个训练数据分簇所对应的目标仿真训练数据序列，生成模型学习数据序列；
依据所述模型学习数据序列中的每个第二在线性能仿真训练数据，基于所述初始化系统运行缺陷预测模型获取所述模型学习数据序列中每个第二在线性能仿真训练数据所对应的系统运行缺陷热力图；
基于所述模型学习数据序列中每个第二在线性能仿真训练数据所对应的系统运行缺陷热力图，以及与所述模型学习数据序列中每个第二在线性能仿真训练数据对应的第一在线性能仿真训练数据的先验系统运行缺陷，基于缺陷预测差异性评估函数对所述初始化系统运行缺陷预测模型进行模型权重信息的迭代优化。
在第一方面的一种可能的实施方式中，所述依据所述模型学习数据序列中的每个第二在线性能仿真训练数据，基于所述初始化系统运行缺陷预测模型获取所述模型学习数据序列中每个第二在线性能仿真训练数据所对应的系统运行缺陷热力图，包括：
对于所述模型学习数据序列中的每个第二在线性能仿真训练数据，依据第二在线性能仿真训练数据，基于所述初始化系统运行缺陷预测模型所包括的编码单元获取第一仿真编码变量分布；
对于所述模型学习数据序列中的每个第二在线性能仿真训练数据，依据第二在线性能仿真训练数据所对应的第一仿真编码变量分布，基于所述初始化系统运行缺陷预测模型所包括的T个残差向量编码单元获取第二仿真编码变量分布，所述T为大于或等于1的整数；
对于所述模型学习数据序列中的每个第二在线性能仿真训练数据，依据第二在线性能仿真训练数据所对应的第二仿真编码变量分布，基于所述初始化系统运行缺陷预测模型所包括的非线性映射单元获取目标仿真编码变量分布；
对于所述模型学习数据序列中的每个第二在线性能仿真训练数据，依据第二在线性能仿真训练数据所对应的目标仿真编码变量分布，基于所述初始化系统运行缺陷预测模型所包括的缺陷分类单元获取系统运行缺陷热力图。
第二方面，本申请实施例还提供一种云计算服务系统，所述云计算服务系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的智能泵阀系统性能仿真处理方法。
结合以上方面，通过基于性能仿真任务所对应的仿真任务特征对目标智能泵阀系统的智能泵阀元素进行性能仿真，获得目标智能泵阀系统的在线性能仿真数据，对目标智能泵阀系统的在线性能仿真数据进行系统运行缺陷预测，输出目标智能泵阀系统对应的系统运行缺陷分布，基于系统运行缺陷分布对目标智能泵阀系统进行运行程序预修复配置，从而以仿真数据为基础进行系统运行缺陷预测，并对目标智能泵阀系统进行运行程序预修复配置，可以尽可能减少目标智能泵阀系统在后续实际应用过程中的异常运行问题，提高后续目标智能泵阀系统的运行平稳性。
附图说明
图1示出了本申请实施例所提供的智能泵阀系统性能仿真处理系统的场景示意图；
图2为本申请实施例提供的智能泵阀系统性能仿真处理方法的流程示意图；
图3为本申请实施例提供的智能泵阀系统性能仿真处理方法的扩展流程示意图；
图4为本申请实施例提供的用于实现上述的智能泵阀系统性能仿真处理方法的云计算服务系统的结构示意框图。
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清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。
应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中移除一个或多个操作。
参照图1所示，图1示出了本申请实施例提供的智能泵阀系统性能仿真处理系统10的场景示意图。例如，智能泵阀系统性能仿真处理系统10可以包括云计算服务系统100以及与云计算服务系统100通信连接的多个目标智能泵阀系统200。
本实施例中，云计算服务系统100用于为目标智能泵阀系统200提供云计算后台服务。例如，云计算服务系统100可以是上述应用程序的后台云计算服务系统。云计算服务系统100可以是一台云计算服务系统，也可以是由多台云计算服务系统组成的云计算服务系统集群，或者是一个云计算服务中心，可以提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务。可选地，云计算服务系统100同时为多个目标智能泵阀系统200提供后台服务。
可以理解，图1所示的智能泵阀系统性能仿真处理系统10仅为一种可行的示例，在其它可行的实施例中，该智能泵阀系统性能仿真处理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
图2示出了本申请实施例提供的智能泵阀系统性能仿真处理方法的流程示意图，该智能泵阀系统性能仿真处理方法可以由图1中所示的智能泵阀系统性能仿真处理系统10执行，具体而言可以是由云计算服务系统100执行，或者也可以是由其它具有任意计算处理能力的其它装置执行，应当理解，在其它实施例中，本实施例的智能泵阀系统性能仿真处理方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。该智能泵阀系统性能仿真处理方法的详细步骤介绍如下。
步骤S110，响应针对目标智能泵阀系统的性能仿真任务，基于所述性能仿真任务所对应的仿真任务特征对所述目标智能泵阀系统的智能泵阀元素进行性能仿真，获得所述目标智能泵阀系统的在线性能仿真数据。
本实施例中，目标智能泵阀系统200在进行正式部署运行之前，可以基于相关用户操作主动或被动发起性能仿真任务，以使得云计算服务系统100基于所述性能仿真任务所对应的仿真任务特征对所述目标智能泵阀系统的智能泵阀元素进行性能仿真。其中，所述仿真任务特征包括多个指定的性能仿真指标，性能仿真指标可以包括多种工况配置指标，如流量、扬程、转速、功率、效率和汽蚀余量等性能仿真指标。
步骤S120，对所述目标智能泵阀系统的在线性能仿真数据进行系统运行缺陷预测，输出所述目标智能泵阀系统对应的系统运行缺陷分布。
步骤S130，基于所述系统运行缺陷分布对所述目标智能泵阀系统进行运行程序预修复配置。
在获得系统运行缺陷分布后，即可从预先建立的预修复指令模板库中调取与系统运行缺陷分布中每个系统运行缺陷所对应的预修复指令模板，并加载到所述目标智能泵阀系统进行运行程序预修复配置。
基于以上步骤，本实施例通过基于性能仿真任务所对应的仿真任务特征对目标智能泵阀系统的智能泵阀元素进行性能仿真，获得目标智能泵阀系统的在线性能仿真数据，对目标智能泵阀系统的在线性能仿真数据进行系统运行缺陷预测，输出目标智能泵阀系统对应的系统运行缺陷分布，基于系统运行缺陷分布对目标智能泵阀系统进行运行程序预修复配置，从而以仿真数据为基础进行系统运行缺陷预测，并对目标智能泵阀系统进行运行程序预修复配置，可以尽可能减少目标智能泵阀系统在后续实际应用过程中的异常运行问题，提高后续目标智能泵阀系统的运行平稳性。
针对一些示例性的设计思路，对于步骤S120，可以将所述目标智能泵阀系统的在线性能仿真数据输入到预先训练的系统运行缺陷预测模型中，获得所述目标智能泵阀系统对应的系统运行缺陷分布，所述系统运行缺陷预测模型基于预先搜集的在线性能仿真训练数据以及对应的先验系统运行缺陷进行训练，并基于预先搜集的模板在线性能仿真数据序列和一种或多种非缺陷特征衍生模式进行模型效果验证后获得。
下面结合一种可能的实施例对系统运行缺陷预测模型训练的具体实现方式进行说明。
（1）提取在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的仿真实况特征，所述在线性能仿真训练数据序列包括M个第一在线性能仿真训练数据，每个第一在线性能仿真训练数据携带对应的先验系统运行缺陷，所述M为大于1的整数。
（2）基于所述每个第一在线性能仿真训练数据的仿真实况特征，对所述在线性能仿真训练数据序列进行分簇，确定N个训练数据分簇以及每个训练数据分簇的分簇簇心，所述每个训练数据分簇包括至少一个第一在线性能仿真训练数据，所述N为大于1且小于所述M的整数。
（3）对于所述每个训练数据分簇，依据训练数据分簇的分簇簇心，对所述训练数据分簇中第一在线性能仿真训练数据的仿真实况节点进行聚合，确定所述训练数据分簇所对应的目标仿真训练数据序列。
（4）基于所述每个训练数据分簇所对应的目标仿真训练数据序列以及所述在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的先验系统运行缺陷，对初始化系统运行缺陷预测模型进行模型权重信息的迭代优化，并输出模型权重信息收敛后的目标系统运行缺陷预测模型。
基于以上步骤，提取在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的仿真实况特征，每个第一在线性能仿真训练数据携带对应的先验系统运行缺陷。然后，可基于每个第一在线性能仿真训练数据的仿真实况特征，对在线性能仿真训练数据序列进行分簇，确定N个训练数据分簇以及每个训练数据分簇的分簇簇心。而后，针对每个训练数据分簇，依据训练数据分簇的分簇簇心，对训练数据分簇中第一在线性能仿真训练数据的仿真实况节点进行聚合，确定训练数据分簇所对应的目标仿真训练数据序列。最后，可以基于每个训练数据分簇所对应的目标仿真训练数据序列以及在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的先验系统运行缺陷，对初始化系统运行缺陷预测模型进行模型权重信息的迭代优化，并输出模型权重信息收敛后的目标系统运行缺陷预测模型。如此，采用分簇算法可依据仿真实况特征将在线性能仿真训练数据序列划分为若干个训练数据分簇，即属于同一个训练数据分簇的在线性能仿真训练数据在仿真实况特征上更相近。从而分别依据每个训练数据分簇的分簇簇心，对训练数据分簇中所包括的在线性能仿真训练数据进行自适应的仿真实况节点聚合，进而提高模型训练的准确性。
一些可能的实施方式中，提取在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的仿真实况特征，包括：获取所述在线性能仿真训练数据序列；对于所述每个第一在线性能仿真训练数据，提取第一在线性能仿真训练数据的仿真调度特征以及仿真应用特征；对于所述每个第一在线性能仿真训练数据，基于第一在线性能仿真训练数据的仿真调度特征以及仿真应用特征生成第一在线性能仿真训练数据的仿真实况特征。
一些可能的实施方式中，基于所述每个第一在线性能仿真训练数据的仿真实况特征，对所述在线性能仿真训练数据序列进行分簇，确定N个训练数据分簇以及每个训练数据分簇的分簇簇心，包括：随机生成N个初始分簇簇心；基于所述每个在线性能仿真训练数据的仿真实况特征以及所述N个初始分簇簇心，确定所述每个第一在线性能仿真训练数据与每个初始分簇簇心之间的聚合代价值；基于所述每个第一在线性能仿真训练数据与所述每个初始分簇簇心之间的聚合代价值，将所述在线性能仿真训练数据序列划分为N个分簇实体；确定所述N个分簇实体中每个分簇实体的分簇簇心，直至分簇簇心不再发生变化，基于每个分簇实体的分簇簇心确定所述N个训练数据分簇以及所述每个训练数据分簇的分簇簇心。
一些可能的实施方式中，提取在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的仿真实况特征，包括：获取所述在线性能仿真训练数据序列；对于所述每个第一在线性能仿真训练数据，获取第一在线性能仿真训练数据的仿真调度特征以及仿真应用特征；对于所述每个第一在线性能仿真训练数据，基于第一在线性能仿真训练数据的仿真调度特征以及仿真应用特征生成第一在线性能仿真训练数据的仿真实况知识图谱；对于所述每个第一在线性能仿真训练数据，将第一在线性能仿真训练数据的仿真实况知识图谱作为所述第一在线性能仿真训练数据的仿真实况特征。
一些可能的实施方式中，对于所述每个训练数据分簇，依据训练数据分簇的分簇簇心，对所述训练数据分簇中第一在线性能仿真训练数据的仿真实况节点进行聚合，确定所述训练数据分簇所对应的目标仿真训练数据序列，包括：对于所述每个训练数据分簇，将训练数据分簇的分簇簇心所对应的仿真实况节点作为目标仿真实况节点，所述分簇簇心包括目标仿真调度特征以及目标仿真应用特征；对于所述每个训练数据分簇，将训练数据分簇中每个第一在线性能仿真训练数据的仿真调度特征聚合至相对应的目标仿真实况节点，并将所述训练数据分簇中第一在线性能仿真训练数据的仿真应用特征聚合至相对应的目标仿真实况节点，确定所述训练数据分簇所对应的目标仿真训练数据序列，所述目标仿真训练数据序列包括至少一个第二在线性能仿真训练数据，所述第二在线性能仿真训练数据为经过仿真实况节点聚合后的第一在线性能仿真训练数据。
一些可能的实施方式中，对于所述每个训练数据分簇，依据训练数据分簇的分簇簇心，对所述训练数据分簇中第一在线性能仿真训练数据的仿真实况节点进行聚合，确定所述训练数据分簇所对应的目标仿真训练数据序列，包括：对于所述每个训练数据分簇，将训练数据分簇的分簇簇心作为目标仿真实况节点，所述目标仿真实况节点包括目标仿真调度特征以及目标仿真应用特征；对于所述每个训练数据分簇，若训练数据分簇满足分簇响应要求，则将训练数据分簇的分簇簇心作为目标仿真实况节点，所述目标仿真实况节点包括目标仿真调度特征以及目标仿真应用特征；对于所述每个训练数据分簇，基于目标仿真实况节点生成目标仿真实况知识图谱； 对于所述每个训练数据分簇，基于所述目标仿真实况知识图谱生成K个目标单元仿真实况节点，每个目标单元仿真实况节点包括目标子仿真调度特征以及目标单元仿真应用特征；对于所述每个训练数据分簇，基于所述K个目标单元仿真实况节点获取训练数据分簇所对应的目标仿真训练数据序列，所述目标仿真训练数据序列包括K个目标单元仿真训练数据序列，同一个目标单元仿真训练数据序列中的每个第二在线性能仿真训练数据均有相同的目标单元仿真实况节点；
其中，对于所述每个训练数据分簇，若训练数据分簇中第一在线性能仿真训练数据的数量大不小于目标数量阈值，则确定所述训练数据分簇满足分簇响应要求；或者对于所述每个训练数据分簇，若训练数据分簇中存在第一在线性能仿真训练数据的仿真实况知识图谱覆盖于第一仿真实况知识图谱，或，存在第一在线性能仿真训练数据的仿真实况知识图谱被覆盖于第二仿真实况知识图谱，则确定所述训练数据分簇满足分簇响应要求。
一些可能的实施方式中，基于所述每个训练数据分簇所对应的目标仿真训练数据序列以及所述在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的先验系统运行缺陷，对初始化系统运行缺陷预测模型进行模型权重信息的迭代优化，并输出模型权重信息收敛后的目标系统运行缺陷预测模型，包括：基于所述每个训练数据分簇所对应的目标仿真训练数据序列，生成模型学习数据序列；依据所述模型学习数据序列中的每个第二在线性能仿真训练数据，基于所述初始化系统运行缺陷预测模型获取所述模型学习数据序列中每个第二在线性能仿真训练数据所对应的系统运行缺陷热力图；基于所述模型学习数据序列中每个第二在线性能仿真训练数据所对应的系统运行缺陷热力图，以及与所述模型学习数据序列中每个第二在线性能仿真训练数据对应的第一在线性能仿真训练数据的先验系统运行缺陷，基于缺陷预测差异性评估函数对所述初始化系统运行缺陷预测模型进行模型权重信息的迭代优化。
一些可能的实施方式中，依据所述模型学习数据序列中的每个第二在线性能仿真训练数据，基于所述初始化系统运行缺陷预测模型获取所述模型学习数据序列中每个第二在线性能仿真训练数据所对应的系统运行缺陷热力图，包括：对于所述模型学习数据序列中的每个第二在线性能仿真训练数据，依据第二在线性能仿真训练数据，基于所述初始化系统运行缺陷预测模型所包括的编码单元获取第一仿真编码变量分布；对于所述模型学习数据序列中的每个第二在线性能仿真训练数据，依据第二在线性能仿真训练数据所对应的第一仿真编码变量分布，基于所述初始化系统运行缺陷预测模型所包括的T个残差向量编码单元获取第二仿真编码变量分布，所述T为大于或等于1的整数；对于所述模型学习数据序列中的每个第二在线性能仿真训练数据，依据第二在线性能仿真训练数据所对应的第二仿真编码变量分布，基于所述初始化系统运行缺陷预测模型所包括的非线性映射单元获取目标仿真编码变量分布；对于所述模型学习数据序列中的每个第二在线性能仿真训练数据，依据第二在线性能仿真训练数据所对应的目标仿真编码变量分布，基于所述初始化系统运行缺陷预测模型所包括的缺陷分类单元获取系统运行缺陷热力图。
下面结合一种可能的实施例对模型效果验证的具体实现方式进行说明，参阅图3所示。
步骤S101中，获取模板在线性能仿真数据序列与待进行模型效果验证的系统运行缺陷预测模型。
步骤S102中，依据一种或多种非缺陷特征衍生模式对模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第一目标数量的模板扩充性能仿真数据序列。
每种非缺陷特征衍生模式对应于至少一个模板扩充性能仿真数据序列。
例如，非缺陷特征衍生模式的模式标签包括关键成员非缺陷特征衍生模式以及随机非缺陷特征衍生模式；随机非缺陷特征衍生模式：随机地从模板在线性能仿真数据中选择仿真事件数据进行非缺陷特征衍生扩充；关键成员非缺陷特征衍生模式：对模板在线性能仿真数据中的关键成员仿真事件数据与非关键成员仿真事件数据依据仿真事件数据的模式标签（关键成员仿真事件数据以及非关键成员仿真事件数据）分别采用不同的非缺陷特征衍生扩充。
例如，模板扩充性能仿真数据序列中每个扩充仿真事件数据与模板在线性能仿真数据序列中的模板在线性能仿真数据一一对应。
一些可能的实施方式中，当一种或多种非缺陷特征衍生模式为多种不同的非缺陷特征衍生模式时，第一目标数量可以设置为较大的数值（例如：50000及以上），利用大量的模板扩充性能仿真数据序列可以有效确定模型可靠度；当一种或多种非缺陷特征衍生模式为一种关键成员非缺陷特征衍生模式时，第一目标数量可以为不小于1的数值，可以基于模板扩充性能仿真数据序列中的每个扩充仿真事件数据对系统运行缺陷预测模型进行多次对抗（基于系统运行缺陷预测模型对扩充仿真事件数据进行多次系统运行缺陷预测），在模板在线性能仿真数据维度预测系统运行缺陷分布之间的差别确定模型可靠度。
一些可能的实施方式中，步骤S102可以通过步骤S1021至步骤S1022实现，以下具体说明。
步骤S1021中，针对一种或多种非缺陷特征衍生模式中的每种非缺陷特征衍生模式执行下述步骤：依据非缺陷特征衍生模式对模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出非缺陷特征衍生模式对应的至少一个模板扩充性能仿真数据序列。
例如，针对每种非缺陷特征衍生模式可以获取至少一个模板扩充性能仿真数据序列，每种非缺陷特征衍生模式对应的模板扩充性能仿真数据序列的数量可以是不同的。
一些可能的实施方式中，当非缺陷特征衍生模式的模式标签为随机非缺陷特征衍生模式时，步骤S1021的具体实现方式可以是：对模板在线性能仿真数据序列进行以下至少一次操作，输出至少一个模板扩充性能仿真数据序列：对模板在线性能仿真数据序列中每个模板在线性能仿真数据进行下述操作：从模板在线性能仿真数据中选择至少一个目标仿真事件数据，对每个目标仿真事件数据进行非缺陷特征衍生扩充，输出扩充仿真事件数据；将每个扩充仿真事件数据汇总输出为模板扩充性能仿真数据序列。
这里，模板扩充性能仿真数据序列中每个扩充仿真事件数据与模板在线性能仿真数据序列中的每个模板在线性能仿真数据一一对应。
例如，可以随机从模板在线性能仿真数据中选择至少一个的目标仿真事件数据，在不干扰到其他目标仿真事件数据的非缺陷特征衍生扩充的情况下，每个目标仿真事件数据的非缺陷特征衍生扩充可以并发进行。
例如，对每个目标仿真事件数据进行非缺陷特征衍生扩充，可以通过以下一种或多种方式实现。
一些可能的实施方式中，当非缺陷特征衍生模式为关键成员非缺陷特征衍生模式时，步骤S1021的具体实现方式可以是：对模板在线性能仿真数据序列进行以下至少一次操作，输出至少一个模板扩充性能仿真数据序列：对模板在线性能仿真数据序列中每个模板在线性能仿真数据进行下述操作：获取模板在线性能仿真数据中的关键成员仿真事件数据与非关键成员仿真事件数据，从每个非关键成员仿真事件数据的仿真影响权重从大到小的排序信息选择靠前的至少一个目标仿真事件数据进行非缺陷特征衍生扩充，以及依据每个关键成员仿真事件数据的仿真要素描述对每个关键成员仿真事件数据进行非缺陷特征衍生扩充，输出扩充仿真事件数据；将每个扩充仿真事件数据汇总输出为模板扩充性能仿真数据序列，模板扩充性能仿真数据序列中每个扩充仿真事件数据与模板在线性能仿真数据序列中的每个模板在线性能仿真数据一一对应。
例如，非关键成员仿真事件数据的仿真影响权重用于体现非关键成员仿真事件数据在模板在线性能仿真数据中的重要性。将非关键成员仿真事件数据从模板在线性能仿真数据中剔除，可以得到非关键成员仿真事件数据对应的候选性能仿真数据，如果候选性能仿真数据与模板在线性能仿真数据所表达的特征差别较大，则非关键成员仿真事件数据在模板在线性能仿真数据中的仿真影响权重。反之，仿真影响权重较低。将非关键成员仿真事件数据作为目标仿真事件数据，针对目标仿真事件数据的非缺陷特征衍生扩充可以参考前述实施例。
例如，从每个非关键成员仿真事件数据的仿真影响权重从大到小的排序信息选择靠前的目标仿真事件数据的数量，可以依据模板在线性能仿真数据中的非关键成员仿真事件数据的数量确定，非关键成员仿真事件数据的数量与选取的目标仿真事件数据的数量正相关。
一些可能的实施方式中，步骤S1021之前，可以通过步骤S201至步骤S203获取非关键成员仿真事件数据的仿真影响权重。
步骤S201中，对模板在线性能仿真数据进行仿真事件拆分，输出模板在线性能仿真数据的仿真事件拆分结果。
步骤S202中，针对每个非关键成员仿真事件数据执行下述步骤：将非关键成员仿真事件数据从模板在线性能仿真数据的仿真事件拆分结果中剔除，输出非关键成员仿真事件数据对应的候选性能仿真数据；对每个候选性能仿真数据与模板在线性能仿真数据进行运行缺陷预测，输出每个候选性能仿真数据的预测系统运行缺陷分布与模板在线性能仿真数据的预测系统运行缺陷分布。
基于待验证的系统运行缺陷预测模型对候选性能仿真数据、模板在线性能仿真数据分别进行识别，输出每个候选性能仿真数据与模板在线性能仿真数据分别对应的预测系统运行缺陷分布。
步骤S203中，获取每个候选性能仿真数据的预测系统运行缺陷分布与模板在线性能仿真数据的预测系统运行缺陷分布之间的区别参数，依据区别参数确定候选性能仿真数据对应的非关键成员仿真事件数据的仿真影响权重。
这里，区别参数与非关键成员仿真事件数据在模板在线性能仿真数据中的仿真影响权重正相关。
例如，预测系统运行缺陷分布包括系统运行缺陷的数量。预测系统运行缺陷分布之间的区别参数，是候选性能仿真数据与模板在线性能仿真数据对应的系统运行缺陷的数量之间的区别参数，利用区别参数表征仿真影响权重。对应地，区别参数越高，则说明候选性能仿真数据相较于模板在线性能仿真数据缺失的非关键成员仿真事件数据的重要性越高，缺失该关键成员仿真事件数据对模板在线性能仿真数据的含义的影响越大。假设，原始的模板在线性能仿真数据得到的预测系统运行缺陷分布为5个系统运行缺陷，候选性能仿真数据N（对应于非关键成员仿真事件数据n）的预测系统运行缺陷分布为4个系统运行缺陷，区别参数为1；候选性能仿真数据M（对应于非关键成员仿真事件数据m）的预测系统运行缺陷分布为3个关键成员仿真事件数据，区别参数为2；非关键成员仿真事件数据m的重要性高于非关键成员仿真事件数据n。对每个非关键成员仿真事件数据对应的区别参数进行从大到小排序，依据从大到小排序结果选取至少一个非关键成员仿真事件数据作为目标仿真事件数据，对目标仿真事件数据进行非缺陷特征衍生扩充。
步骤S1022中，对每种非缺陷特征衍生模式对应的至少一个模板扩充性能仿真数据序列进行逻辑检测，依据逻辑检测结果确定第一目标数量的模板扩充性能仿真数据序列。
一些可能的实施方式中，第一目标数量可以是预先设置的数量，当获取到第一目标数量的模板扩充性能仿真数据序列时，则执行步骤S103。若模板扩充性能仿真数据序列的数量小于第一目标数量，则继续对模板在线性能仿真数据序列进行非缺陷特征衍生扩充，获取模板扩充性能仿真数据序列。
一些可能的实施方式中，步骤S102之前，可以通过以下步骤S301A至步骤S304A获取用于系统运行缺陷预测模型的验证的一种或多种非缺陷特征衍生模式。
步骤S301A中，获取等待评估的多种非缺陷特征衍生模式。
例如，非缺陷特征衍生模式可以通过获取多种非缺陷特征衍生扩充，并对多种非缺陷特征衍生扩充进行随机组合得到，例如：获取多种非缺陷特征衍生扩充，从这些非缺陷特征衍生扩充中随机选取一种或多种非缺陷特征衍生扩充，并对非缺陷特征衍生扩充的处理顺序进行随机排序（当非缺陷特征衍生扩充仅一种时，无需排序），输出等待评估的多种非缺陷特征衍生模式，等待评估的多种非缺陷特征衍生模式的数量可以是30。
步骤S302A中，依据多种非缺陷特征衍生模式对模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第二目标数量的扩充仿真事件数据序列。
这里，每种非缺陷特征衍生模式对应于至少一个扩充仿真事件数据序列。
例如，第二目标数量可以远小于前述实施例中的第一目标数量，例如：第二目标数量可以是300。假设，依据上述30种非缺陷特征衍生模式对模板在线性能仿真数据序列进行非缺陷特征衍生，输出300个扩充仿真事件数据序列，每个非缺陷特征衍生模式可以对应于至少一个扩充仿真事件数据序列，每个非缺陷特征衍生模式对应的扩充仿真事件数据序列数量可以是相同的也可以是不同的，或者所有非缺陷特征衍生模式对应的扩充仿真事件数据序列的数量相同。
步骤S303A中，对每个扩充仿真事件数据序列与模板在线性能仿真数据序列分别进行仿真特征预测，输出每个扩充仿真事件数据序列与模板在线性能仿真数据序列分别对应的仿真特征预测信息。
步骤S304A中，依据每个扩充仿真事件数据序列与模板在线性能仿真数据序列分别对应的仿真特征预测信息，输出每种非缺陷特征衍生模式的非缺陷特征衍生评估值，从每种非缺陷特征衍生模式的非缺陷特征衍生评估值从大到小的排序信息选择靠前的一种或多种非缺陷特征衍生模式。
例如，非缺陷特征衍生评估值越高，则非缺陷特征衍生模式对应的非缺陷特征衍生效果越高。
继续依据上述举例进行说明，对30种非缺陷特征衍生模式的非缺陷特征衍生评估值进行从大到小排序，输出从大到小排序结果，可以从从大到小排序的靠前序列中选取5种非缺陷特征衍生模式。
例如，步骤S304A中获取每种非缺陷特征衍生模式的非缺陷特征衍生评估值的具体实现方式可以是：针对每种非缺陷特征衍生模式进行下述操作：确定非缺陷特征衍生模式对应的每个扩充仿真事件数据序列对应的目标区别参数，将每个扩充仿真事件数据序列对应的目标区别参数的相加值，与非缺陷特征衍生模式对应的扩充仿真事件数据序列数量的比值，输出为每种非缺陷特征衍生模式的对应的非缺陷特征衍生评估值。
这里，目标区别参数是每个扩充仿真事件数据序列对应的预测信息与模板在线性能仿真数据序列对应的预测信息之间的区别参数。
例如，将非缺陷特征衍生评估值定义为K，则K= Sum（da（x'）- da（x））/T，T是非缺陷特征衍生模式对应的扩充仿真事件数据序列的数量，da（x'）是其中一个扩充仿真事件数据序列对应的预测置信度，da（x）是模板仿真事件数据序列对应的预测置信度，da（x'）- da（x）是目标区别参数，则Sum（da（x'）- da（x））是目标区别参数的相加值。
步骤S103中，基于系统运行缺陷预测模型对模板在线性能仿真数据序列以及第一目标数量的模板扩充性能仿真数据序列分别进行系统运行缺陷预测，输出每个模板扩充性能仿真数据序列对应的第一预测系统运行缺陷分布以及模板在线性能仿真数据序列对应的第二预测系统运行缺陷分布。
一些可能的实施方式中，步骤S103的具体实现方式可以是：基于系统运行缺陷预测模型对每个模板扩充性能仿真数据序列中的每个扩充仿真事件数据进行系统运行缺陷预测，输出每个扩充仿真事件数据对应的预测系统运行缺陷分布，将每个扩充仿真事件数据的预测系统运行缺陷分布组合得到每个模板扩充性能仿真数据序列的第一预测系统运行缺陷分布；基于系统运行缺陷预测模型对模板在线性能仿真数据序列中每个模板在线性能仿真数据进行系统运行缺陷预测，输出每个模板在线性能仿真数据对应的预测系统运行缺陷分布，将每个模板在线性能仿真数据的预测系统运行缺陷分布组合得到模板在线性能仿真数据序列的第二预测系统运行缺陷分布。
一些可能的实施方式中，当非缺陷特征衍生模式的模式标签为关键成员非缺陷特征衍生模式时，步骤S103的具体实现方式可以是：针对每个模板扩充性能仿真数据序列中的每个扩充仿真事件数据执行下述步骤：基于系统运行缺陷预测模型对扩充仿真事件数据进行多次系统运行缺陷预测；得到扩充仿真事件数据对应的多个预测系统运行缺陷分布，将扩充仿真事件数据的多个预测系统运行缺陷分布组合得到模板扩充性能仿真数据序列的第一预测系统运行缺陷分布；基于系统运行缺陷预测模型对模板在线性能仿真数据序列中每个模板在线性能仿真数据进行系统运行缺陷预测，输出每个模板在线性能仿真数据对应的预测系统运行缺陷分布，将每个模板在线性能仿真数据的预测系统运行缺陷分布组合得到模板在线性能仿真数据序列的第二预测系统运行缺陷分布。
步骤S104中，输出第一预测系统运行缺陷分布与第二预测系统运行缺陷分布的匹配度，依据匹配度确定系统运行缺陷预测模型的模型预测效果值。
一些可能的实施方式中，每个模板扩充性能仿真数据序列的第一预测系统运行缺陷分布包括：每个模板扩充性能仿真数据序列中的每个扩充仿真事件数据对应的预测系统运行缺陷分布；第二预测系统运行缺陷分布包括：模板在线性能仿真数据序列中每个模板在线性能仿真数据对应的预测系统运行缺陷分布。
当一种或多种非缺陷特征衍生模式为多种非缺陷特征衍生模式时，步骤S104可以通过步骤S301B至步骤S302B实现，以下具体说明。
步骤S301B中，对每个模板在线性能仿真数据的预测系统运行缺陷分布，与每个模板在线性能仿真数据对应的扩充仿真事件数据的预测系统运行缺陷分布进行比对，输出预测系统运行缺陷分布相同系统运行缺陷的数量。
步骤S302B中，将预测系统运行缺陷分布相同系统运行缺陷的数量与第一目标数量的模板扩充性能仿真数据序列对应的全局系统运行缺陷数量的比值，输出为第一预测系统运行缺陷分布与第二预测系统运行缺陷分布的匹配度，将匹配度作为系统运行缺陷预测模型的模型预测效果值。
每个模板扩充性能仿真数据序列的第一预测系统运行缺陷分布包括：每个模板扩充性能仿真数据序列中的每个扩充仿真事件数据对应的多个预测系统运行缺陷分布；第二预测系统运行缺陷分布包括：模板在线性能仿真数据序列中每个模板在线性能仿真数据对应的预测系统运行缺陷分布；
步骤S105中，依据模型预测效果值确定系统运行缺陷预测模型的可靠度。
这里，模型预测效果值与可靠度正相关。
例如，针对同一系统运行缺陷预测模型进行训练，输出不同版本号的优化的系统运行缺陷预测模型，输出不同版本号的系统运行缺陷预测模型的可靠度，从而对不同版本号的系统运行缺陷预测模型进行比较，输出可靠度最佳的系统运行缺陷预测模型。
基于以上步骤，本申请实施例通过依据一种或多种非缺陷特征衍生模式对样本文本序列进行非缺陷特征衍生，输出一种或多种包括扩充仿真事件数据的模板扩充性能仿真数据序列，基于系统运行缺陷预测模型对模板在线性能仿真数据序列以及一种或多种模板扩充性能仿真数据序列分别进行识别，输出系统运行缺陷预测模型对于模板在线性能仿真数据序列以及模板扩充性能仿真数据序列的预测信息的匹配度，依据该匹配度确定系统运行缺陷预测模型的可靠度。通过非缺陷特征衍生模式生成模板扩充性能仿真数据序列，可以扩展模板在线性能仿真数据量并且保证系统运行缺陷预测模型的可靠度验证效果。
图4示出了本申请实施例提供的用于实现上述的智能泵阀系统性能仿真处理方法的云计算服务系统100的硬件结构意图，如图4所示，云计算服务系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
其中，云计算服务系统100可以是单个云计算服务系统，也可以是云计算服务系统组。所述云计算服务系统组可以是集中式的，也可以是分布式的(例如，云计算服务系统100可以是分布式的系统)。一些可能的实施方式中，云计算服务系统100可以是本地的，也可以是远程的。例如，云计算服务系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，云计算服务系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一些可能的实施方式中，云计算服务系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以存储数据和/或指令。一些可能的实施方式中，机器可读存储介质120可以存储从外部终端获取的数据。一些可能的实施方式中，机器可读存储介质120可以存储云计算服务系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。一些可能的实施方式中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDRSDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。一些可能的实施方式中，机器可读存储介质120可以在云平台上实现。仅确定为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
在具体实现过程中，一个或多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的智能泵阀系统性能仿真处理方法，处理器110、机器可读存储介质120以及通信单元140结合总线130连接，处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述云计算服务系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上智能泵阀系统性能仿真处理方法。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本申请任意实施例所提供的智能泵阀系统性能仿真处理方法中的相关操作。
本申请实施例是参照根据本申请实施例的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其它变化。在权利要求中，“包括”一词不排除其它组成部分或步骤，“一”或“一个”不排除多个的情况。
以上所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。通常在附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，在附图中提供的本申请的实施例的详细描述并非旨在边界本申请的保护范围，而仅仅是表示本申请的选定实施例。因此，本申请的保护范围应以权利要求的保护范围为准。此外，基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例，都应属于本申请保护的范围。

Claims (9)

1.一种智能泵阀系统性能仿真处理方法，其特征在于，应用于云计算服务系统，所述方法包括：
响应针对目标智能泵阀系统的性能仿真任务，基于所述性能仿真任务所对应的仿真任务特征对所述目标智能泵阀系统的智能泵阀元素进行性能仿真，获得所述目标智能泵阀系统的在线性能仿真数据，所述仿真任务特征包括多个指定的性能仿真指标；
对所述目标智能泵阀系统的在线性能仿真数据进行系统运行缺陷预测，输出所述目标智能泵阀系统对应的系统运行缺陷分布；
基于所述系统运行缺陷分布对所述目标智能泵阀系统进行运行程序预修复配置；
所述对所述目标智能泵阀系统的在线性能仿真数据进行系统运行缺陷预测，输出所述目标智能泵阀系统对应的系统运行缺陷分布的步骤，包括：
将所述目标智能泵阀系统的在线性能仿真数据输入到预先训练的系统运行缺陷预测模型中，获得所述目标智能泵阀系统对应的系统运行缺陷分布，其中，所述系统运行缺陷预测模型基于预先搜集的在线性能仿真训练数据以及对应的先验系统运行缺陷进行训练，并基于预先搜集的模板在线性能仿真数据序列和一种或多种非缺陷特征衍生模式进行模型效果验证后获得；
其中，所述方法还包括：
获取模板在线性能仿真数据序列与待进行模型效果验证的系统运行缺陷预测模型；
依据一种或多种非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第一目标数量的模板扩充性能仿真数据序列，其中，每种所述非缺陷特征衍生模式对应于至少一个所述模板扩充性能仿真数据序列；
基于所述系统运行缺陷预测模型对所述模板在线性能仿真数据序列以及所述第一目标数量的所述模板扩充性能仿真数据序列分别进行系统运行缺陷预测，输出每个所述模板扩充性能仿真数据序列对应的第一预测系统运行缺陷分布以及所述模板在线性能仿真数据序列对应的第二预测系统运行缺陷分布；
确定所述第一预测系统运行缺陷分布与所述第二预测系统运行缺陷分布的匹配度，依据所述匹配度确定所述系统运行缺陷预测模型的模型预测效果值；
依据所述模型预测效果值确定所述系统运行缺陷预测模型的可靠度，其中，所述模型预测效果值与所述可靠度正相关。
2.根据权利要求1所述的智能泵阀系统性能仿真处理方法，其特征在于，所述依据一种或多种非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第一目标数量的模板扩充性能仿真数据序列，包括：
针对所述一种或多种非缺陷特征衍生模式中的每种非缺陷特征衍生模式执行下述步骤：
依据所述非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出所述非缺陷特征衍生模式对应的至少一个模板扩充性能仿真数据序列；
对每种所述非缺陷特征衍生模式对应的所述至少一个模板扩充性能仿真数据序列进行逻辑检测，依据逻辑检测结果确定第一目标数量的模板扩充性能仿真数据序列。
3.根据权利要求2所述的智能泵阀系统性能仿真处理方法，其特征在于，所述非缺陷特征衍生模式的模式标签包括：随机非缺陷特征衍生模式；
当所述非缺陷特征衍生模式的模式标签为所述随机非缺陷特征衍生模式时，所述依据所述非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出所述非缺陷特征衍生模式对应的至少一个模板扩充性能仿真数据序列，包括：
对所述模板在线性能仿真数据序列进行以下至少一次操作，输出至少一个模板扩充性能仿真数据序列：
对所述模板在线性能仿真数据序列中每个所述模板在线性能仿真数据进行下述操作：
从所述模板在线性能仿真数据中选择至少一个目标仿真事件数据，对每个所述目标仿真事件数据进行非缺陷特征衍生扩充，输出扩充仿真事件数据；
将每个所述扩充仿真事件数据汇总输出为模板扩充性能仿真数据序列，其中，所述模板扩充性能仿真数据序列中每个所述扩充仿真事件数据与所述模板在线性能仿真数据序列中的每个所述模板在线性能仿真数据一一对应。
4.根据权利要求2所述的智能泵阀系统性能仿真处理方法，其特征在于，所述非缺陷特征衍生模式的模式标签包括：关键成员非缺陷特征衍生模式；
当所述非缺陷特征衍生模式为所述关键成员非缺陷特征衍生模式时，所述依据所述非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出所述非缺陷特征衍生模式对应的至少一个模板扩充性能仿真数据序列，包括：
对所述模板在线性能仿真数据序列进行以下至少一次操作，输出至少一个模板扩充性能仿真数据序列：
对所述模板在线性能仿真数据序列中每个所述模板在线性能仿真数据进行下述操作：
获取所述模板在线性能仿真数据中的关键成员仿真事件数据与非关键成员仿真事件数据，从每个所述非关键成员仿真事件数据的仿真影响权重从大到小的排序信息选择靠前的至少一个目标仿真事件数据进行非缺陷特征衍生扩充，依据每个所述关键成员仿真事件数据的仿真要素描述对每个所述关键成员仿真事件数据进行非缺陷特征衍生扩充，输出扩充仿真事件数据；
将每个所述扩充仿真事件数据汇总输出为模板扩充性能仿真数据序列，其中，所述模板扩充性能仿真数据序列中每个所述扩充仿真事件数据与所述模板在线性能仿真数据序列中的每个所述模板在线性能仿真数据一一对应。
5.根据权利要求4所述的智能泵阀系统性能仿真处理方法，其特征在于，所述从每个所述非关键成员仿真事件数据的仿真影响权重从大到小的排序信息选择靠前的至少一个目标仿真事件数据进行非缺陷特征衍生扩充之前，所述方法还包括：
对所述模板在线性能仿真数据进行仿真事件拆分，输出所述模板在线性能仿真数据的仿真事件拆分结果；
针对每个所述非关键成员仿真事件数据执行下述步骤：
将所述非关键成员仿真事件数据从所述模板在线性能仿真数据的仿真事件拆分结果中剔除，输出所述非关键成员仿真事件数据对应的候选性能仿真数据；
对每个所述候选性能仿真数据与所述模板在线性能仿真数据进行运行缺陷预测，输出每个所述候选性能仿真数据的预测系统运行缺陷分布与所述模板在线性能仿真数据的预测系统运行缺陷分布；
获取每个所述候选性能仿真数据的预测系统运行缺陷分布与所述模板在线性能仿真数据的预测系统运行缺陷分布之间的区别参数，依据所述区别参数确定所述候选性能仿真数据对应的非关键成员仿真事件数据的仿真影响权重，其中，所述区别参数与所述非关键成员仿真事件数据在所述模板在线性能仿真数据中的仿真影响权重正相关。
6.根据权利要求1所述的智能泵阀系统性能仿真处理方法，其特征在于，所述依据一种或多种非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第一目标数量的模板扩充性能仿真数据序列之前，所述方法还包括：
获取等待评估的多种非缺陷特征衍生模式；
依据所述多种非缺陷特征衍生模式对所述模板在线性能仿真数据序列进行非缺陷特征衍生扩充，输出第二目标数量的扩充仿真事件数据序列，其中，每种非缺陷特征衍生模式对应于至少一个所述扩充仿真事件数据序列；
对每个所述扩充仿真事件数据序列与所述模板在线性能仿真数据序列分别进行仿真特征预测，输出每个所述扩充仿真事件数据序列与所述模板在线性能仿真数据序列分别对应的仿真特征预测信息；
针对每种所述非缺陷特征衍生模式进行下述操作：
确定所述非缺陷特征衍生模式对应的每个所述扩充仿真事件数据序列对应的目标区别参数，其中，所述目标区别参数是每个所述扩充仿真事件数据序列对应的预测信息与所述模板在线性能仿真数据序列对应的预测信息之间的区别参数；
将每个所述扩充仿真事件数据序列对应的所述目标区别参数的相加值，与所述非缺陷特征衍生模式对应的扩充仿真事件数据序列数量的比值，输出为每种非缺陷特征衍生模式的对应的非缺陷特征衍生评估值，从每种所述非缺陷特征衍生模式的非缺陷特征衍生评估值从大到小的排序信息选择靠前的一种或多种非缺陷特征衍生模式。
7.根据权利要求1所述的智能泵阀系统性能仿真处理方法，其特征在于，每个所述模板扩充性能仿真数据序列的所述第一预测系统运行缺陷分布包括：
每个所述模板扩充性能仿真数据序列中的每个扩充仿真事件数据对应的预测系统运行缺陷分布；所述第二预测系统运行缺陷分布包括：所述模板在线性能仿真数据序列中每个所述模板在线性能仿真数据对应的预测系统运行缺陷分布；
当所述一种或多种非缺陷特征衍生模式为多种非缺陷特征衍生模式时，所述确定所述第一预测系统运行缺陷分布与所述第二预测系统运行缺陷分布的匹配度，依据所述匹配度确定所述系统运行缺陷预测模型的模型预测效果值，包括：
对每个所述模板在线性能仿真数据的预测系统运行缺陷分布，与每个所述模板在线性能仿真数据对应的所述扩充仿真事件数据的预测系统运行缺陷分布进行比对，输出所述预测系统运行缺陷分布相同系统运行缺陷的数量；
将所述预测系统运行缺陷分布相同系统运行缺陷的数量与所述第一目标数量的模板扩充性能仿真数据序列对应的全局系统运行缺陷数量的比值，输出为所述第一预测系统运行缺陷分布与所述第二预测系统运行缺陷分布的匹配度，将所述匹配度作为所述系统运行缺陷预测模型的模型预测效果值。
8.根据权利要求1所述的智能泵阀系统性能仿真处理方法，其特征在于，所述系统运行缺陷预测模型的训练步骤包括：
提取在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的仿真实况特征，所述在线性能仿真训练数据序列包括M个第一在线性能仿真训练数据，每个第一在线性能仿真训练数据携带对应的先验系统运行缺陷，所述M为大于1的整数；
基于所述每个第一在线性能仿真训练数据的仿真实况特征，对所述在线性能仿真训练数据序列进行分簇，确定N个训练数据分簇以及每个训练数据分簇的分簇簇心，所述每个训练数据分簇包括至少一个第一在线性能仿真训练数据，所述N为大于1且小于所述M的整数；
对于所述每个训练数据分簇，依据训练数据分簇的分簇簇心，对所述训练数据分簇中第一在线性能仿真训练数据的仿真实况节点进行聚合，确定所述训练数据分簇所对应的目标仿真训练数据序列；
基于所述每个训练数据分簇所对应的目标仿真训练数据序列以及所述在线性能仿真训练数据序列中每个第一在线性能仿真训练数据的先验系统运行缺陷，对初始化系统运行缺陷预测模型进行模型权重信息的迭代优化，并输出模型权重信息收敛后的目标系统运行缺陷预测模型。
9.一种云计算服务系统，其特征在于，所述云计算服务系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序通过该处理器加载并执行以实现权利要求1-8中任意一项所述的智能泵阀系统性能仿真处理方法。
CN202210796911.4A 2022-07-08 2022-07-08 一种智能泵阀系统性能仿真处理方法及云计算服务系统 Active CN114861474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210796911.4A CN114861474B (zh) 2022-07-08 2022-07-08 一种智能泵阀系统性能仿真处理方法及云计算服务系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210796911.4A CN114861474B (zh) 2022-07-08 2022-07-08 一种智能泵阀系统性能仿真处理方法及云计算服务系统

Publications (2)

Publication Number Publication Date
CN114861474A CN114861474A (zh) 2022-08-05
CN114861474B true CN114861474B (zh) 2022-10-04

Family

ID=82626637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210796911.4A Active CN114861474B (zh) 2022-07-08 2022-07-08 一种智能泵阀系统性能仿真处理方法及云计算服务系统

Country Status (1)

Country Link
CN (1) CN114861474B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102460131A (zh) * 2009-05-13 2012-05-16 Cv控股有限责任公司 用于检查涂覆表面的放气方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102459693B (zh) * 2009-05-13 2015-11-25 Sio2医药产品公司 使用有机硅前体的pecvd涂层
CN101619850B (zh) * 2009-08-06 2011-04-13 杭州盘古自动化系统有限公司 基于热电系统负荷在线预测的调度方法与系统
US10474042B2 (en) * 2017-03-22 2019-11-12 Kla-Tencor Corporation Stochastically-aware metrology and fabrication
CN207830103U (zh) * 2018-01-15 2018-09-07 四川省机械研究设计院 一种潜污泵群远程监控系统
EP3644037A1 (de) * 2018-10-26 2020-04-29 Flender GmbH Verbessertes betriebsverfahren für getriebe
CN111258767B (zh) * 2020-01-22 2023-01-03 中国人民解放军国防科技大学 复杂系统仿真应用的云计算资源智能分配方法与装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102460131A (zh) * 2009-05-13 2012-05-16 Cv控股有限责任公司 用于检查涂覆表面的放气方法

Also Published As

Publication number Publication date
CN114861474A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN107103171B (zh) 机器学习模型的建模方法及装置
WO2023116111A1 (zh) 一种磁盘故障预测方法及装置
CN102567391B (zh) 一种分类预测混合模型的建立方法及装置
CN110298663B (zh) 基于序列宽深学习的欺诈交易检测方法
CN111080304B (zh) 一种可信关系识别方法、装置及设备
CN111325248A (zh) 降低贷前业务风险的方法及系统
CN105184368A (zh) 一种分布式极限学习机优化集成框架方法系统及方法
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN112884569A (zh) 一种信用评估模型的训练方法、装置及设备
CN117318033B (zh) 一种结合数据孪生的电网数据管理方法及系统
CN114861474B (zh) 一种智能泵阀系统性能仿真处理方法及云计算服务系统
CN116627773B (zh) 产销差统计平台系统的异常分析方法及系统
CN112905987B (zh) 账号识别方法、装置、服务器及存储介质
CN117592595A (zh) 一种配电网负荷预测模型建立、预测方法及装置
CN117458453A (zh) 电力系统暂态稳定性的预测方法、系统、设备及存储介质
CN112199287A (zh) 基于强化混合专家模型的跨项目软件缺陷预测方法
CN115544033B (zh) 查重向量库更新、数据查重方法、装置、设备和介质
CN113723593B (zh) 一种基于神经网络的切负荷预测方法及系统
CN116541792A (zh) 一种基于图神经网络节点分类进行团伙识别的方法
CN112579847A (zh) 生产数据的处理方法和装置、存储介质及电子设备
CN115907954A (zh) 账户的识别方法、装置、计算机设备和存储介质
CN111737319B (zh) 用户集群的预测方法、装置、计算机设备和存储介质
CN109657795B (zh) 一种基于属性选择的硬盘故障预测方法
Wang et al. Fault diagnosis of ship ballast water system based on support vector machine optimized by improved sparrow search algorithm
CN112712194A (zh) 一种用电成本智能优化分析的电量预测方法及装置

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