CN115204260A - 预测模型的训练、预测方法、装置、电子设备及存储介质 - Google Patents

预测模型的训练、预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115204260A
CN115204260A CN202210688749.4A CN202210688749A CN115204260A CN 115204260 A CN115204260 A CN 115204260A CN 202210688749 A CN202210688749 A CN 202210688749A CN 115204260 A CN115204260 A CN 115204260A
Authority
CN
China
Prior art keywords
prediction model
data set
fault prediction
training
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.)
Pending
Application number
CN202210688749.4A
Other languages
English (en)
Inventor
徐鸿燕
戚广枫
李伊彤
单翀皞
李红梅
刘煜铖
刘明杰
王刘辉
龚孟荣
黄冬亮
王璐
刘大勇
易培文
肖长春
张栋梁
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.)
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group 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 China Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN202210688749.4A priority Critical patent/CN115204260A/zh
Publication of CN115204260A publication Critical patent/CN115204260A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种接触网的故障预测模型的训练、预测方法、装置、电子设备及存储介质。其中，所述接触网的故障预测模型训练方法包括：获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集；对所述样本数据集进行划分处理，得到第一数据集和第二数据集；根据预设算法对所述第一数据集进行训练，得到初始故障预测模型；采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型；所述目标故障预测模型用于预测所述接触网中至少一个组件发生故障的时间。

Description

预测模型的训练、预测方法、装置、电子设备及存储介质
技术领域
本申请涉及故障预测与健康管理领域，尤其涉及一种预测模型的训练、预测方法、装置、电子设备及存储介质。
背景技术
相关技术中，由于电力牵引功率大且清洁无污染，因此成为城市轨道交通列车牵引的首要选择。而接触网作为牵引供电系统重要的组成部分，由于设计以及服务对象的特殊性，导致故障发生概率较高。一旦接触网发生故障，将会影响列车的运行，甚至会打乱全区段运输秩序和计划，影响旅客的正常出行，给安全生产带来严重损失，因此对接触网进行故障预测以及健康的管理是十分必要的。
故障预测与健康管理(Prognostics and Health Management，PHM)是一项全面故障检测和预测及健康管理的技术。故障预测是指依照系统过去及现在的性能状态预测性地诊断系统或部件未来的健康状态及剩余寿命等。健康管理是根据诊断信息和使用要求对维修活动做出适当决策的能力。PHM的引用是为了清楚和预报故障在未来可能发生的时间，在系统完全发生故障之前人们就可根据当前系统或部件的健康状况做出何时进行维修或更换的决定，从而实现自助式保障。目前PHM技术己逐步应用于航空、军事等领域，成效显著，发展潜力巨大。
传统的接触网检测为动态检测和静态检测。动态检测是指利用接触网检测车等方法在运行中测量接触网的技术状态。静态检测是指在静止状态下用测量工具等方式测量接触网的技术状态。在传统的检测方法中只能判断接触网是健康状态即正常状态还是处于故障状态的这种二元状态，却不能判断其是否处于中间的状态，即在正常状态下预测何时会发生故障。而且在以往的动态检测中发现的疑似缺陷需要在现场复测后才能确认，车间必须安排人员、车辆，这样必然要浪费人力和物力，同时复测人员必须要在线路上进行复测带来很大风险隐患，并且动态检测缺陷公里数和实际缺陷点有一定的偏差，容易造成现场复测找不到真正的缺陷设备，在一定程度上也影响车间对动检缺陷的积极性。
相关技术中主要存在以下技术问题：(1)在相关技术的检测方法中只能判断接触网是健康状态即正常状态还是处于故障状态的这种二元状态，却不能判断其是否处于中间的状态，即在正常状态下预测何时会发生故障；(2)在相关技术的动态检测中发现的疑似缺陷需要在现场复测后才能确认，这样必然要浪费人力和物力，同时复测人员必须要在线路上进行复测带来很大风险隐患；(3)动态检测缺陷公里数和实际缺陷点有一定的偏差，容易造成现场复测难以找到缺陷设备。目前针对上述问题，尚未有有效解决方案。
发明内容
有鉴于此，本发明的主要目的在于提供一种预测模型的训练、预测方法、装置、电子设备及存储介质。
为达到上述目的，本发明的技术方案是这样实现的：
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种接触网的故障预测模型训练方法，包括：
获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集；
对所述样本数据集进行划分处理，得到第一数据集和第二数据集；
根据预设算法对所述第一数据集进行训练，得到初始故障预测模型；
采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型；所述目标故障预测模型用于预测所述接触网中至少一个组件发生故障的时间。
上述方案中，所述第一数据集是训练数据集；所述预设算法包括随机森林算法和粒子群算法；所述根据预设算法对所述第一数据集进行训练，得到初始故障预测模型，包括：
根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集；
根据所述目标特征子集确定第一故障预测模型；
根据所述粒子群算法对所述第一故障预测模型的参数进行更新，得到初始故障预测模型。
上述方案中，所述训练数据集包括至少一个数据特征；所述根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集，包括：
根据所述随机森林算法对所述训练数据集进行第一预设处理，得到所述至少一个数据特征中每个数据特征对应的重要性参数；
按照所述重要性参数对所述至少一个数据特征中每个数据特征进行排序，得到排序结果；
基于所述排序结果，确定所述目标特征子集。
上述方案中，所述根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集，包括：
根据所述随机森林算法对所述训练数据集进行第二预设处理，得到所述训练数据集对应的分类参数；
基于所述分类参数，确定所述目标特征子集。
上述方案中，所述根据所述目标特征子集确定第一故障预测模型，包括：
基于所述至少一个数据特征中每个数据特征对应的重要性参数，对所述目标特征子集中每个数据特征进行加权；
将加权后的所述目标特征子集中每个数据特征导入所述预设故障预测模型中，得到所述第一故障预测模型。
上述方案中，所述第二数据集是测试数据集；所述采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型，包括：
采用所述测试数据集对所述初始故障预测模型进行验证，得到目标故障预测模型。
上述方案中，所述获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集，包括：
获取所述接触网中每个组件的运行数据和运行状态；
根据预设方式对所述接触网中每个组件的运行数据和运行状态进行处理，得到所述样本数据集。
本申请实施例还提供一种故障预测方法，应用于接触网，所述接触网包括多个运行状态，所述多个运行状态包括故障运行状态，所述方法包括：
获取所述接触网中每个组件的当前运行数据；
基于所述当前运行数据和故障预测模型，在所述多个运行状态中确定与所述当前运行数据对应的第一运行状态；
基于所述第一运行状态与所述故障运行状态之间的间隔时间，预测所述接触网中至少一个组件发生故障的时间；
其中，所述故障预测模型基于本申请实施例提供的接触网的故障预测模型的训练方法训练得到。
本申请实施例还提供一种接触网的故障预测模型训练装置，包括：
第一获取模块，用于获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集；
划分模块，用于对所述样本数据集进行划分处理，得到第一数据集和第二数据集；
训练模块，用于根据预设算法对所述第一数据集进行训练，得到初始故障预测模型；
验证模块，用于采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型；所述目标故障预测模型用于预测所述接触网中至少一个组件发生故障的时间。
本申请实施例还提供一种故障预测装置，包括：
第二获取模块，用于获取所述接触网中每个组件的当前运行数据；
确定模块，用于基于所述当前运行数据和故障预测模型，在所述多个运行状态中确定与所述当前运行数据对应的第一运行状态；
预测模块，用于基于所述第一运行状态与所述故障运行状态之间的间隔时间，预测所述接触网中至少一个组件发生故障的时间；
其中，所述故障预测模型基于本申请实施例提供的接触网的故障预测模型的训练方法训练得到。
本申请实施例还提供一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的接触网的故障预测模型训练方法、或实现本申请实施例提供的故障预测方法。
本申请实施例还提供一种存储介质，所述存储介质存储有可执行指令，当所述可执行指令被至少一个处理器执行时，实现本申请实施例提供的接触网的故障预测模型训练方法、或实现本申请实施例提供的故障预测方法。
本申请提供了一种接触网的故障预测模型的训练、预测方法、装置、电子设备及存储介质。其中，所述接触网的故障预测模型训练方法包括：获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集；对所述样本数据集进行划分处理，得到第一数据集和第二数据集；根据预设算法对所述第一数据集进行训练，得到初始故障预测模型；采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型；所述目标故障预测模型用于预测所述接触网中至少一个组件发生故障的时间。本申请实施例中，通过获取所述接触网中每个组件的运行数据和运行状态，得到所述样本数据集；通过对所述样本数据集进行划分处理，得到第一数据集和第二数据集；利用所述第一数据集进行训练，得到初始故障预测模型；再利用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型，即利用所述接触网中每个组件的运行数据和运行状态组成的样本数据集训练并验证故障预测模型，建立所述接触网中每个组件对应的目标故障预测模型。如此，能够实现为所述接触网中每个组件建立训练好的目标故障预测模型，同时，利用训练好的目标故障预测模型能够预测所述接触网中每个组件的故障状态，从而在故障发生前进行检测、维修、更换设备，避免故障发生，保证所述接触网中的列车安全行驶，降低维护开销，节省人力物力。
附图说明
图1为本申请实施例提供的接触网的故障预测模型的训练方法的实现流程示意图；
图2为本申请实施例提供的接触网的故障预测模型的特征选择方法的基本流程示意图；
图3为本申请实施例提供的基于随机森林和支持向量机的接触网故障预测与健康管理的流程示意图；
图4为本申请实施例提供的故障预测方法的实现流程示意图；
图5为本申请实施例提供的接触网的故障预测模型的训练装置的组成结构示意图；
图6为本申请实施例提供的故障预测装置的组成结构示意图；
图7为本申请实施例提供的电子设备的一种硬件实体结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
相关技术中，主要是通过判断接触网运行参数是否超限来判断是否发生故障。随着国内轨道交通线网运行密度越来越高，运营部门应对故障检修的压力越来越大，迫切需要更新技术手段，实现对设备系统的“状态修”与“预测修”。
基于此，本申请实施例提供一种接触网的故障预测模型的训练方法或一种故障预测方法，应用于电子设备，该方法所实现的功能可以通过电子设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该电子设备至少包括处理器和存储介质。作为示例，该电子设备可以是移动电话、计算机、终端、信息收发设备、平板设备、个人数字助理等。
本申请实施例提供一种接触网的故障预测模型训练方法，图1为本申请实施例提供的接触网的故障预测模型的训练方法的实现流程示意图。如图1所示，所述方法包括以下步骤：
步骤101：获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集；
步骤102：对所述样本数据集进行划分处理，得到第一数据集和第二数据集；
步骤103：根据预设算法对所述第一数据集进行训练，得到初始故障预测模型；
步骤104：采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型；所述目标故障预测模型用于预测所述接触网中至少一个组件发生故障的时间。
在步骤101中，所述接触网中组件可以根据实际情况确定，在此不做限定。作为一种示例，所述接触网中组件可以包括接触悬挂组件、支持定位组件、绝缘组件和其他组件；其中，其他组件可以包括导线等。
所述运行数据可以根据实际情况确定，在此不做限定。作为一种示例，所述运行数据可以为拉出值、导高、接触力、硬点等可以反映接触网运行状态的数据。
所述运行数据的获取方法可以根据实际情况确定，在此不做限定。作为一种示例，所述运行数据的获取方法可以是利用传感器或者摄像机收集所述接触网中每个组件的运行数据，例如：可以通过摄像机拍摄图片确定拉出值和导高等；可以利用加速度传感器测得加速度并转换为接触力等。
所述运行状态的获取方法可以根据实际情况确定，在此不做限定。作为一种示例，所述运行状态的获取方法可以是按照预设时间间隔，对所述接触网的每个组件进行检修，得到至少一个检修结果；根据所述至少一个检修结果，确定所述接触网的每个组件的运行状态。例如，按照预设时间间隔，对所述接触网的每个组件进行检修，得到三个检修结果；其中，所述三个检修结果依次表征所述接触网的每个组件处于正常运行状态、良好运行状态和故障运行状态；根据所述三个检修结果，确定所述接触网的每个组件的三个运行状态。
所述接触网中每个组件的运行数据和运行状态的获取方法可以根据实际情况确定，在此不做限定。作为一种示例，所述接触网中每个组件的运行数据和运行状态的获取方法可以是在对所述接触网的每个组件进行检修的过程中，同时得到所述接触网中每个组件的运行数据和运行状态。
在一实施中，所述获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集，包括：
获取所述接触网中每个组件的运行数据和运行状态；
根据预设方式对所述接触网中每个组件的运行数据和运行状态进行处理，得到所述样本数据集。
本实施例中，所述预设方式可以根据实际情况确定，在此不做限定。作为一种示例，所述预设方式可以是对所述接触网中每个组件的运行数据和运行状态进行整理和清洗，去除无效、异常数据，保留有效数据，形成所述样本数据集。
所述对所述接触网中每个组件的运行数据和运行状态进行整理和清洗的方式可以根据实际情况确定，在此不做限定。作为一种示例，对数据类型的运行数据进行整理和清洗，可以是直接得到所述数据类型的运行数据的内容；对数据值类型的运行数据进行整理和清洗，可以是去除所述数据值类型的运行数据中存在误差、异常或无效的运行数据；对图像类型的运行数据进行整理和清洗，可以是增强或锐化所述图像类型的运行数据。
在步骤102中，对所述样本数据集进行划分处理，得到第一数据集和第二数据集可以是将所述样本数据集按照第一预设比例进行划分处理，得到第一数据集和第二数据集。所述第一预设比例可以根据实际情况确定，在此不做限定。作为一种示例，所述第一预设比例可以是7：3，将所述样本数据集按照7：3进行划分处理，得到第一数据集和第二数据集。
在步骤103中，所述初始故障预测模型可以根据实际情况进行确定，在此不做限定，作为一种示例，所述初始故障预测模型可以为基于随机森林和支持向量机(SupportVector Machine,SVM)的初始故障预测模型。
根据预设算法对所述第一数据集进行训练，得到初始故障预测模型可以理解为将所述第一数据集基于随机森林和支持向量机进行联合建模和训练。
在一实施中，所述第一数据集是训练数据集；所述预设算法包括随机森林算法和粒子群算法；所述根据预设算法对所述第一数据集进行训练，得到初始故障预测模型，包括：
根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集；
根据所述目标特征子集确定第一故障预测模型；
根据所述粒子群算法对所述第一故障预测模型的参数进行更新，得到初始故障预测模型。
本实施例中，根据所述粒子群算法对所述第一故障预测模型的参数进行更新，得到初始故障预测模型可以为，利用粒子群(Particle Swarm Optimization，PSO)算法优化所述第一多核支持向量机模型的核参数，得到所述初始故障预测模型。
所述利用粒子群算法优化所述第一多核支持向量机模型的核参数包括如下步骤：(1)利用模糊惩罚参数(C)均值的聚类算法对所述目标特征子集进行聚类；(2)将所述目标特征子集按第二预设比例分为子训练数据集和子验证数据集；(3)设置各个单核核函数的初始参数，如核参数变化范围，惩罚参数的变化范围，随机设置一组参数值；(4)设置粒子群的初始参数，比如种群规模N，位置和速度等，以支持向量机模型算法所求得的交叉验证准确率作为粒子的适应度函数；(5)采用PSO算法更新单个粒子的速度和位置，产生新的粒子并计算其适应度值；(6)重复步骤(5)，直至达到最大迭代次数，历史迭代中，单个粒子的个体极值是全局最优解且满足C值最小时，其对应的参数组即为单核核函数的最优参数组；(7)将得到的多个单核核函数构成所述第一多核支持向量机，设置权重系数的取值范围，进行步骤(4)和步骤(5)，并重复步骤(6)直至达到最大迭代次数，历史迭代中，单个粒子的个体极值对应的参数组即为要求的权重系数，即可训练出所述第一多核支持向量机模型；(8)使用步骤(7)得到的所述第一多核支持向量机模型对所述子验证数据集进行预测，得到所述初始故障预测模型。
所述第二预设比例可以根据实际情况确定，在此不做限定。作为一种示例，所述第二预设比例可以是7：3，将所述目标特征子集按照7：3进行划分处理，得到子训练数据集和子验证数据集。其中，所述子训练数据集是为了训练所述第一多核支持向量机模型；所述子验证数据集，其作用是为了验证训练出的所述第一多核支持向量机模型，得到所述初始故障预测模型。
在一实施中，所述训练数据集包括至少一个数据特征；所述根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集，包括：
根据所述随机森林算法对所述训练数据集进行第一预设处理，得到所述至少一个数据特征中每个数据特征对应的重要性参数；
按照所述重要性参数对所述至少一个数据特征中每个数据特征进行排序，得到排序结果；
基于所述排序结果，确定所述目标特征子集。
本实施例中，所述至少一个数据特征可以根据实际情况进行确定，在此不做限定，作为一种示例，所述训练数据集可以包括D＝{(x1,y1),(x2,y2),…·,(xN,yN)}，对所述训练数据集进行M次有放回的自助抽样，得到样本子集记为DM；其中，可以采用自助法(Bootstrap)对所述训练数据集进行M次有放回的自助抽样。所述样本子集记为包括至少一个数据特征。
所述根据所述随机森林算法对所述训练数据集进行第一预设处理，得到所述至少一个数据特征中每个数据特征对应的重要性参数可以为：采用所述样本子集DM训练出决策树Tk，并采用所述决策树Tk对第i个决策时的袋外数据
Figure BDA0003698765100000101
进行预测，将所述袋外数据
Figure BDA0003698765100000102
被正确分类的个数记为
Figure BDA0003698765100000103
随机置换至少一个数据特征中第一数据特征Xj的值，得到新的袋外数据
Figure BDA0003698765100000111
用同样的方法重新建立决策树，得到置换后被正确分类的个数为
Figure BDA0003698765100000112
确定所述第一数据特征Xj的特征重要性分数为
Figure BDA0003698765100000113
其中，k代表决策树的个数，i代表第i课决策树，j代表数据特征中的第j个数据特征，N代表训练数据集中数据特征的个数，M代表对所述训练数据集进行自主抽样的次数。
在一些实施例中，在所述随机森林算法中采用K折交叉验证，提高所述特征重要性分数的可靠性。所述K折交叉验证具体包括如下步骤：将所述训练数据集划分为K部分，利用其中的K-1份作为训练集，剩余的一份作为测试集，最后取平均测试误差作为泛化误差。这样做的好处是，训练集的所有样本都必然会成为训练数据同时也必然有机会成为一次测试集。可以更好的利用训练集数据。其中，K越大，平均误差被视为泛化误差这个结果就越可靠，但相应的所花费的时间也是线性增长的。
所述按照所述重要性参数对所述至少一个数据特征中每个数据特征进行排序的方法可以根据实际情况进行确定，在此不做限定，作为一种示例，可以按照所述重要性参数对所述至少一个数据特征中每个数据特征进行降序排序，得到排序结果。
所述基于所述排序结果，确定所述目标特征子集可以为，基于所述排序结果删除排序在末尾的数据特征，得到所述目标特征子集。
在一些实施例中，所述基于所述排序结果，确定所述目标特征子集可以为，基于所述排序结果和预设的特征评价方式，确定所述目标特征子集。
所述预设的特征评价方式可以根据实际情况进行确定，在此不做限定，作为一种示例，图2为本申请实施例提供的接触网的故障预测模型的特征选择方法的基本流程示意图，如图2所示，所述预设的特征评价方式可以是包裹式(Wrapper)特征选择方法，按照搜索策略选择第一样本子集，根据所述随机森林算法确定所述第一样本子集中每个数据特征对应的重要性参数，按照所述重要性参数对所述第一样本子集中每个数据特征进行排序，得到第一排序结果；基于所述第一排序结果删除在所述第一样本子集中排序在末尾的数据特征，得到第二样本子集。对所述第二样本子集进行同样的特征评价方式后得到第三样本子集，依次类推，直至确定数据特征个数最少的样本子集为所述目标特征子集，即最优特征子集。所述预设的特征评价方式采用Wrapper特征选择方法，可以减少噪声数据带来的负面影响。其中，所述搜索策略可以根据实际情况进行确定，在此不做限定，作为一种示例，所述搜索策略可以是全局最优搜索策略、遗传算法(GA)/退火算法(SA)策略或前向/后向搜索策略。
在一实施中，所述根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集，包括：
根据所述随机森林算法对所述训练数据集进行第二预设处理，得到所述训练数据集对应的分类参数；
基于所述分类参数，确定所述目标特征子集。
本实施例中，所述分类参数可以根据实际情况进行确定，在此不做限定，作为一种示例，所述分类参数可以是分类准确率，所述分类准确率可以是总分类数中正确分类数所占的比例。
根据所述随机森林算法对所述训练数据集进行第二预设处理，得到所述训练数据集对应的分类参数可以为：确定所述样本子集中所述袋外数据被正确分类的个数和所述样本子集中数据特征的个数，确定所述样本子集中数据特征的个数中所述样本子集中所述袋外数据被正确分类的个数所占的比例，得到所述分类准确率。
所述基于所述分类参数，确定所述目标特征子集可以理解为确定所述分类参数最高的样本子集作为所述目标特征子集。
在一些实施例中，所述基于所述分类参数，确定所述目标特征子集可以为，基于所述分类参数和预设的特征评价方式，确定所述目标特征子集。
所述预设的特征评价方式可以根据实际情况进行确定，在此不做限定，作为一种示例，如图2所示，所述预设的特征评价方式可以是Wrapper特征选择方法，按照搜索策略选择第一样本子集，根据所述随机森林算法确定所述第一样本子集对应的第一分类准确率。基于所述第一排序结果删除在所述第一样本子集中排序在末尾的数据特征，得到第二样本子集，根据所述随机森林算法确定所述第二样本子集对应的第二分类准确率；其中，所述第二样本子集中每个数据特征对应的分类准确率可以是删除某些数据特征后剩余的数据特征的总数中正确分类数所占的比例。依次类推，直至确定分类准确率最高的样本子集为所述目标特征子集，如果数据特征Xj对分类结果有着重要的作用，分类准确率会明显降低，则可以使用前后分类准确率的差值来表示一个数据特征是否重要。如果删除某个数据特征后，分类准确率变化不大，则该数据特征可以删除，反之不能。由此得到数据特征个数最少且分类准确率最高的样本子集作为目标特征子集，即最优特征子集。
在一实施中，所述根据所述目标特征子集确定第一故障预测模型，包括：
基于所述至少一个数据特征中每个数据特征对应的重要性参数，对所述目标特征子集中每个数据特征进行加权；
将加权后的所述目标特征子集中每个数据特征导入所述预设故障预测模型中，得到所述第一故障预测模型。
本实施例中，将加权后的所述目标特征子集中每个数据特征导入所述预设故障预测模型中，得到所述第一故障预测模型可以为：使用重要性参数对所述目标特征子集进行加权，得到加权后的所述目标特征子集，将加权后的所述目标特征子集导入支持向量机分类器中，得到所述第一多核支持向量机模型。
所述第一多核支持向量机包括RBF核，多项式核及Sigmoid核；使用重要性参数对所述目标特征子集进行加权，首先得到特征加权后的的核函数，进而得到特征加权与多核核函数的组合。
在步骤104中：采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型可以为，采用所述第二数据集对所述初始故障预测模型进行验证，得到验证结果；判断所述验证结果是否满足预设条件；在所述验证结果满足所述预设条件的情况下，确定所述目标故障预测模型。
所述验证结果可以根据实际情况进行确定，在此不做限定，作为一种示例，所述验证结果可以是所述初始故障预测模型的预测准确率。所述预设条件可以根据实际情况进行确定，在此不做限定，作为一种示例，所述预设条件可以是所述初始故障预测模型的预测准确率满足预设阈值，在所述验证结果满足所述预设阈值的情况下，确定所述目标故障预测模型。
在一实施中，所述第二数据集是测试数据集；所述采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型，包括：
采用所述测试数据集对所述初始故障预测模型进行验证，得到目标故障预测模型。
本实施例中，采用所述测试数据集对所述初始故障预测模型进行验证，得到目标故障预测模型可以为，采用所述测试数据集对所述初始故障预测模型进行验证，得到验证结果；判断所述验证结果是否满足预设条件；其中，所述预设条件可以是所述初始故障预测模型的预测准确率满足预设阈值，在所述验证结果满足所述预设阈值的情况下，确定所述目标故障预测模型。
在一些实施例中，图3为本申请实施例提供的基于随机森林和支持向量机的接触网故障预测与健康管理的流程示意图，如图3所示，所述基于随机森林和支持向量机的接触网故障预测与健康管理的流程至少包括：
第一步：利用内部或外部传感器收集接触网各部件运行数据，并对采集的数据进行整理和清洗，去除无效、异常数据，保留有效数据，形成样本数据集。
第二步：将样本数据集按照7：3的比例分为训练数据集和测试数据集。
第三步：使用随机森林特征选择算法从训练数据集中筛选重要特征，得到最优特征子集并计算特征的置换重要性分数。
第四步：使用重要性分数对最优特征子集进行加权，将加权后的最优特征最优子集导入支持向量机分类器中，利用PSO算法优化多核支持向量机模型的核参数，得到预测模型。
第五步：将测试数据集导入第四步得到的预测模型中，验证预设模型准确性，并得到预测模型的预测准确率。
本申请提供了一种接触网的故障预测模型的训练、预测方法、装置、电子设备及存储介质。其中，所述接触网的故障预测模型训练方法包括：获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集；对所述样本数据集进行划分处理，得到第一数据集和第二数据集；根据预设算法对所述第一数据集进行训练，得到初始故障预测模型；采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型；所述目标故障预测模型用于预测所述接触网中至少一个组件发生故障的时间。本申请实施例中，通过获取所述接触网中每个组件的运行数据和运行状态，得到所述样本数据集；通过对所述样本数据集进行划分处理，得到第一数据集和第二数据集；利用所述第一数据集进行训练，得到初始故障预测模型；再利用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型，即利用所述接触网中每个组件的运行数据和运行状态组成的样本数据集训练并验证故障预测模型，建立所述接触网中每个组件对应的目标故障预测模型。如此，能够实现为所述接触网中每个组件建立训练好的目标故障预测模型，同时，利用训练好的目标故障预测模型能够预测所述接触网中每个组件的故障状态，从而在故障发生前进行检测、维修、更换设备，避免故障发生，保证所述接触网中的列车安全行驶，降低维护开销，节省人力物力。
本申请实施例又提供一种故障预测方法，应用于接触网，所述接触网包括多个运行状态，所述多个运行状态包括故障运行状态，图4为本申请实施例提供的故障预测方法的实现流程示意图。如图4所示，所述方法包括以下步骤：
步骤401：获取所述接触网中每个组件的当前运行数据；
步骤402：基于所述当前运行数据和故障预测模型，在所述多个运行状态中确定与所述当前运行数据对应的第一运行状态；
步骤403：基于所述第一运行状态与所述故障运行状态之间的间隔时间，预测所述接触网中至少一个组件发生故障的时间；
其中，所述故障预测模型基于本申请实施例提供的接触网的故障预测模型的训练方法训练得到。
这里，步骤401与前述的步骤101的获取和处理均相同，这里不做赘述。
在步骤402中，所述多个运行状态可以根据实际情况确定，在此不做限定。作为一种示例，所述多个运行状态可以是利用聚类算法对接触网每个组件全寿命周期的运行参数数据进行聚类，确定接触网每个组件从正常状态到故障状态所经历的所有状态。
在步骤403中，所述第一运行状态与所述故障运行状态之间的间隔时间可以根据实际情况确定，在此不做限定。作为一种示例，可以结合实际的检修报告确定各个状态的持续时间。根据所述当前运行数据和故障预测模型，确定所述接触网中每个组件对应的第一运行状态，然后根据当前第一运行状态与故障运行状态之间的间隔时间，确定何时会发生故障。
为了实现本申请实施例的方法，本申请实施例还提供一种接触网的故障预测模型的训练装置，设置在电子设备上。图5为本申请实施例提供的接触网的故障预测模型的训练装置的组成结构示意图，如图5所示，所述训练装置500包括：
第一获取模块501，用于获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集；
划分模块502，用于对所述样本数据集进行划分处理，得到第一数据集和第二数据集；
训练模块503，用于根据预设算法对所述第一数据集进行训练，得到初始故障预测模型；
验证模块504，用于采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型；所述目标故障预测模型用于预测所述接触网中至少一个组件发生故障的时间。
在一实施例中，所述第一数据集是训练数据集；所述预设算法包括随机森林算法和粒子群算法；所述训练模块503，还用于根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集；根据所述目标特征子集确定第一故障预测模型；根据所述粒子群算法对所述第一故障预测模型的参数进行更新，得到初始故障预测模型。
在一实施例中，所述训练数据集包括至少一个数据特征；所述训练模块503，还用于根据所述随机森林算法对所述训练数据集进行第一预设处理，得到所述至少一个数据特征中每个数据特征对应的重要性参数；按照所述重要性参数对所述至少一个数据特征中每个数据特征进行排序，得到第一排序结果；基于所述第一排序结果，确定所述目标特征子集。
在一实施例中，所述训练模块503，还用于根据所述随机森林算法对所述训练数据集进行第二预设处理，得到所述训练数据集对应的分类参数；基于所述分类参数，确定所述目标特征子集。
在一实施例中，所述训练模块503，还用于基于所述至少一个数据特征中每个数据特征对应的重要性参数，对所述目标特征子集中每个数据特征进行加权；将加权后的所述目标特征子集中每个数据特征导入所述预设故障预测模型中，得到所述第一故障预测模型。
在一实施例中，所述第二数据集是测试数据集；所述验证模块504，还用于采用所述测试数据集对所述初始故障预测模型进行验证，得到目标故障预测模型。
在一实施例中，所述第一获取模块501，还用于获取所述接触网中每个组件的运行数据和运行状态；根据预设方式对所述接触网中每个组件的运行数据和运行状态进行处理，得到所述样本数据集。
需要说明的是：上述实施例提供的接触网的故障预测模型的训练装置在进行接触网的故障预测模型的训练时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的接触网的故障预测模型的训练装置与接触网的故障预测模型的训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
为了实现本申请实施例的方法，本申请实施例还提供一种故障预测装置，设置在电子设备上。图6为本申请实施例提供的故障预测装置的组成结构示意图，如图6所示，所述预测装置600包括：
第二获取模块601，用于获取所述接触网中每个组件的当前运行数据；
确定模块602，用于基于所述当前运行数据和故障预测模型，在所述多个运行状态中确定与所述当前运行数据对应的第一运行状态；
预测模块603，用于基于所述第一运行状态与所述故障运行状态之间的间隔时间，预测所述接触网中至少一个组件发生故障的时间；
其中，所述故障预测模型基于本申请实施例提供的接触网的故障预测模型的训练方法训练得到。
需要说明的是：上述实施例提供的故障预测装置在进行故障预测时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的故障预测装置与故障预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供了一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例提供的接触网的故障预测模型的训练方法、或实现本申请实施例提供的故障预测方法中的步骤。
对应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例提供的接触网的故障预测模型的训练方法、或实现本申请实施例提供的故障预测方法中的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，图7为本申请实施例提供的电子设备的一种硬件实体结构示意图，如图7所示，该电子设备700的硬件实体包括：处理器701和存储器703，可选地，所述电子设备700还可以包括通信接口702。
可以理解，存储器703可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器703旨在包括但不限于这些和任意其它适合类型的存储器。
上述本申请实施例揭示的方法可以应用于处理器701中，或者由处理器701实现。处理器701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701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701可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701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。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器703，处理器701读取存储器703中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行前述方法。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种接触网的故障预测模型训练方法，其特征在于，包括：
获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集；
对所述样本数据集进行划分处理，得到第一数据集和第二数据集；
根据预设算法对所述第一数据集进行训练，得到初始故障预测模型；
采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型；所述目标故障预测模型用于预测所述接触网中至少一个组件发生故障的时间。
2.根据权利要求1所述的方法，其特征在于，所述第一数据集是训练数据集；所述预设算法包括随机森林算法和粒子群算法；所述根据预设算法对所述第一数据集进行训练，得到初始故障预测模型，包括：
根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集；
根据所述目标特征子集确定第一故障预测模型；
根据所述粒子群算法对所述第一故障预测模型的参数进行更新，得到初始故障预测模型。
3.根据权利要求2所述的方法，其特征在于，所述训练数据集包括至少一个数据特征；所述根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集，包括：
根据所述随机森林算法对所述训练数据集进行第一预设处理，得到所述至少一个数据特征中每个数据特征对应的重要性参数；
按照所述重要性参数对所述至少一个数据特征中每个数据特征进行排序，得到排序结果；
基于所述排序结果，确定所述目标特征子集。
4.根据权利要求2所述的方法，其特征在于，所述根据所述随机森林算法对所述训练数据集进行训练，得到目标特征子集，包括：
根据所述随机森林算法对所述训练数据集进行第二预设处理，得到所述训练数据集对应的分类参数；
基于所述分类参数，确定所述目标特征子集。
5.根据权利要求3所述的方法，其特征在于，所述根据所述目标特征子集确定第一故障预测模型，包括：
基于所述至少一个数据特征中每个数据特征对应的重要性参数，对所述目标特征子集中每个数据特征进行加权；
将加权后的所述目标特征子集中每个数据特征导入所述预设故障预测模型中，得到所述第一故障预测模型。
6.根据权利要求1所述的方法，其特征在于，所述第二数据集是测试数据集；所述采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型，包括：
采用所述测试数据集对所述初始故障预测模型进行验证，得到目标故障预测模型。
7.根据权利要求1所述的方法，其特征在于，所述获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集，包括：
获取所述接触网中每个组件的运行数据和运行状态；
根据预设方式对所述接触网中每个组件的运行数据和运行状态进行处理，得到所述样本数据集。
8.一种故障预测方法，其特征在于，应用于接触网，所述接触网包括多个运行状态，所述多个运行状态包括故障运行状态，所述方法包括：
获取所述接触网中每个组件的当前运行数据；
基于所述当前运行数据和故障预测模型，在所述多个运行状态中确定与所述当前运行数据对应的第一运行状态；
基于所述第一运行状态与所述故障运行状态之间的间隔时间，预测所述接触网中至少一个组件发生故障的时间；
其中，所述故障预测模型基于如权利要求1至7任一项所述的方法训练得到。
9.一种接触网的故障预测模型训练装置，其特征在于，包括：
第一获取模块，用于获取所述接触网中每个组件的运行数据和运行状态组成的样本数据集；
划分模块，用于对所述样本数据集进行划分处理，得到第一数据集和第二数据集；
训练模块，用于根据预设算法对所述第一数据集进行训练，得到初始故障预测模型；
验证模块，用于采用所述第二数据集对所述初始故障预测模型进行验证，得到目标故障预测模型；所述目标故障预测模型用于预测所述接触网中至少一个组件发生故障的时间。
10.一种故障预测装置，其特征在于，包括：
第二获取模块，用于获取所述接触网中每个组件的当前运行数据；
确定模块，用于基于所述当前运行数据和故障预测模型，在所述多个运行状态中确定与所述当前运行数据对应的第一运行状态；
预测模块，用于基于所述第一运行状态与所述故障运行状态之间的间隔时间，预测所述接触网中至少一个组件发生故障的时间；
其中，所述故障预测模型基于如权利要求1至7任一项所述的方法训练得到。
11.一种电子设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至7任一项所述的接触网的故障预测模型训练方法、或实现权利要求8所述的故障预测方法。
12.一种存储介质，其特征在于，所述存储介质存储有可执行指令，当所述可执行指令被至少一个处理器执行时，实现权利要求1至7任一项所述的接触网的故障预测模型训练方法、或实现权利要求8所述的故障预测方法。
CN202210688749.4A 2022-06-16 2022-06-16 预测模型的训练、预测方法、装置、电子设备及存储介质 Pending CN115204260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210688749.4A CN115204260A (zh) 2022-06-16 2022-06-16 预测模型的训练、预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210688749.4A CN115204260A (zh) 2022-06-16 2022-06-16 预测模型的训练、预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115204260A true CN115204260A (zh) 2022-10-18

Family

ID=83575941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210688749.4A Pending CN115204260A (zh) 2022-06-16 2022-06-16 预测模型的训练、预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115204260A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115758527A (zh) * 2022-11-17 2023-03-07 中国矿业大学(北京) 支护参数预测模型的训练方法、确定方法、装置及设备
CN117828488A (zh) * 2024-03-05 2024-04-05 华北电力大学 一种基于随机森林与稳健回归的太阳辐射度预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115758527A (zh) * 2022-11-17 2023-03-07 中国矿业大学(北京) 支护参数预测模型的训练方法、确定方法、装置及设备
CN117828488A (zh) * 2024-03-05 2024-04-05 华北电力大学 一种基于随机森林与稳健回归的太阳辐射度预测方法
CN117828488B (zh) * 2024-03-05 2024-05-28 华北电力大学 一种基于随机森林与稳健回归的太阳辐射度预测方法

Similar Documents

Publication Publication Date Title
CN112092675B (zh) 一种电池热失控预警方法、系统及服务器
CN115204260A (zh) 预测模型的训练、预测方法、装置、电子设备及存储介质
CN110766059A (zh) 一种变压器故障的预测方法、装置和设备
CN109581871B (zh) 免疫对抗样本的工业控制系统入侵检测方法
CN111241154A (zh) 一种基于大数据的蓄电池故障预警方法及系统
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN115330275B (zh) 一种退役电池的梯次利用方法及装置
CN110362907B (zh) 基于ssd神经网络输电线路目标缺陷识别与诊断方法
CN113760670A (zh) 电缆接头异常预警方法、装置、电子设备和存储介质
CN115796708B (zh) 一种工程建设用的大数据智能质检方法、系统和介质
CN112327194B (zh) 一种锂电池容量跳水识别方法及装置
CN116737510B (zh) 一种基于数据分析的键盘智能监测方法及系统
CN115366683A (zh) 一种新能源汽车动力电池多维模型融合的故障诊断策略
CN115865649A (zh) 一种智能运维管理控制方法、系统和存储介质
CN114417948A (zh) 一种基于神经网络预测电池热失控的方法
CN112417763A (zh) 输电线路的缺陷诊断方法、装置、设备及存储介质
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN112836967B (zh) 新能源汽车电池安全风险评估系统
CN117007977B (zh) 一种储能电池健康状态诊断方法
CN117310500A (zh) 电池状态分类模型构建方法及电池状态分类方法
CN111736636A (zh) 一种基于知识图谱的水淹水车室预警方法及系统
CN116823042A (zh) 充电桩安全评估方法和系统
CN112256693A (zh) 一种预测线路故障停电和用户投诉的方法
CN113642198B (zh) 一种基于可靠性增长的独立运载系统设备可靠性评估方法

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