CN117851214A - 预测控制模型的测试方法及相关设备 - Google Patents
预测控制模型的测试方法及相关设备 Download PDFInfo
- Publication number
- CN117851214A CN117851214A CN202211218193.9A CN202211218193A CN117851214A CN 117851214 A CN117851214 A CN 117851214A CN 202211218193 A CN202211218193 A CN 202211218193A CN 117851214 A CN117851214 A CN 117851214A
- Authority
- CN
- China
- Prior art keywords
- state
- prediction
- value
- initial state
- control 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.)
- Pending
Links
- 238000010998 test method Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 11
- 238000010606 normalization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007667 floating Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000005538 encapsulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种预测控制模型的测试方法及相关设备;该方法包括:确定待预测对象的多个属性,为每个属性分别设置候选的多个取值;对于每个对象,在全部多个属性之间进行取值上的排列组合,得到为全部多个属性配置取值的多个取值组,将每个取值组作为该对象的一条初始状态;对于每个对象,为每条初始状态设置对应的标识,并为每条初始状态设置对应的正确状态;将全部对象的全部初始状态、全部初始状态各自对应的标识和对应的正确状态封装为一个待测数据表;将待测数据表输入预置的预测控制模型,基于指定的标识,得到与标识对应的至少一个预测状态,根据全部预测状态各自与对应的正确状态的差距,为预测控制模型自动生成测试结果。
Description
技术领域
本申请的实施例涉及数据测试的技术领域,尤其涉及一种预测控制模型的测试方法及相关设备。
背景技术
在相关的测试模型预测控制模型(MPC模型,Model Predictive Control模型)的方式中,需要将预测的多个对象各自的状态,以及各个状态所对应的多个取值逐个进行预测。
因此,在对模型预测模型进行测试时,每次测试都需要输入全部的待预测的状态数据,因此,在需要进行多次预测时,或者需要对多个待预测的状态数据进行预测时,需要重复输入待预测的状态数据,过程十分繁琐,尤其是在待预测的状态数据的数据量巨大时,每次重复输入也极其容易导致输入错误。
进而,在对模型预测模型的每次测试中,在模型预测模型预测结束后,还需要将预测结果与理想值一一进行比对,在多次测试,需要重复比对的过程,致使测试效率低下。
发明内容
有鉴于此,本申请的目的在于提出一种预测控制模型的测试方法及相关设备。
基于上述目的,本申请提供了预测控制模型的测试方法,包括:
对多个待预测的对象中的每一个,确定所述对象的多个属性,为每个属性分别设置候选的多个取值;
对于每个对象,在该对象的全部属性之间进行取值上的排列组合,得到多个取值组,将每个取值组作为该对象的一条初始状态,其中,每个取值组包括每个属性的一个取值;
对于所述每个对象,为每条所述初始状态设置对应的标识,并为每条所述初始状态设置预测的目标,并将所述目标作为该初始状态对应的正确状态;
确定全部对象的全部初始状态、所述全部初始状态各自对应的所述标识和所述全部初始状态各自对应的所述正确状态之间的对应关系;
将所述对应关系存储至预置的预测控制模型,将进行预测的初始状态对应的至少一个标识输入至所述预测控制模型,并预测出与所述至少一个标识各自对应的预测状态,根据全部预测状态各自与对应的所述正确状态的差距,为所述预测控制模型自动生成测试结果。
进一步地,所述对于每个对象,在该对象的全部属性之间进行取值上的排列组合,得到多个取值组,包括:
对于每个对象,对于该对象的每个属性,从所述多个取值中为该属性配置任一所述取值,将该对象的全部属性各自配置的任一所述取值组合为一个取值组;
对于所述每个对象,通过在所述多个属性之间,利用所述每个属性的所述多个取值进行搭配组合,得到多个所述取值组。
进一步地,将所述对应关系存储至预置的预测控制模型之前,还包括:
在预置的空的数据表中,输入所述全部对象各自的所述每条初始状态、与该初始状态对应的所述标识和与该初始状态对应的所述正确状态;
并对输入的数据进行排列,将排列后的数据表作为待测数据表;
为所述待测数据表中的每列数据设置数据类型,以对所述对应关系进行封装。
进一步地,为所述待测数据表中的每列数据设置数据类型之前,还包括:
为所述待测数据表中的所述每个属性设置对应的取值范围;
对所述待测数据表中的每个取值,根据所述每个取值与对应的所述取值范围之间的比例关系,对所述每个取值进行归一化处理。
进一步地,预测出与所述至少一个标识各自对应的预测状态,还包括:
在所述待测数据表中,确定所述至少一个标识各自对应对应的初始状态;
利用所述预测控制模型对该初始状态进行预测,并得到与该初始状态对应的预测状态。
进一步地,预测出与所述至少一个标识各自对应的预测状态之后,还包括:
在所述待测数据表中,在所述至少一个标识各自对应的行中加入与该标识对应的预测状态,得到预测数据表。
进一步地,根据全部预测状态各自与对应的所述正确状态的差距,为所述预测控制模型自动生成测试结果,包括:
为每个所述正确状态设置各自的判断阈值;
响应于每条所述预测状态与对应的所述正确状态的差距均小于等于所述判断阈值,为所述预测控制模型自动生成合格的测试结果;
响应于任意所述预测状态与对应的所述正确状态的差距大于所述判断阈值,为所述预测控制模型自动生成不合格的测试结果。
基于同一发明构思,本申请还提供了一种预测控制模型的测试装置,包括:预处理模块、排列组合确定模块、序号和正确状态设置模块、对应关系确定模块和测试模块;
所述预处理模块,被配置为,对多个待预测的对象中的每一个,确定所述对象的多个属性,为每个属性分别设置候选的多个取值;
所述排列组合确定模块,被配置为,对于每个对象,在该对象的全部属性之间进行取值上的排列组合,得到多个取值组,将每个取值组作为该对象的一条初始状态,其中,每个取值组包括每个属性的一个取值;
所述标识和正确状态设置模块,被配置为,对于所述每个对象,为每条所述初始状态设置对应的标识,并为每条所述初始状态设置预测的目标,并将所述目标作为该初始状态对应的正确状态;
所述对应关系确定模块,被配置为,确定全部对象的全部初始状态、所述全部初始状态各自对应的所述标识和所述全部初始状态各自对应的所述正确状态之间的对应关系;
所述测试模块,被配置为,将所述对应关系存储至预置的预测控制模型,将进行预测的初始状态对应的至少一个标识输入至所述预测控制模型,并输出与所述至少一个标识各自对应的预测状态,根据全部预测状态各自与对应的所述正确状态的差距,为所述预测控制模型自动生成测试结果。
基于同一发明构思,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并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如上任意一项所述的预测控制模型的测试方法。
基于同一发明构思,本申请还提供了一种非暂态计算机可读存储介质,其中,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上述预测控制模型的测试方法。
从上面所述可以看出,本申请提供的预测控制模型的测试方法及相关设备,基于待预测的多个对象及其多个属性,通过排列组合的方式,来确定全部所需的各个初始状态,综合考虑了各个属性的不同取值,得到的初始状态覆盖了各个属性之间在取值上进行搭配的可能性。
进一步地,基于为各个初始状态设置的标识和正确状态,通过将各个初始状态、对应的标识和对应的正确状之间的对应关系存储至预测控制模型,使得预测控制模型可以具备多次测试和多次预测所需要的所有输入数据,基于此,可以实现在进行多次测试时,在每次测试中仅向预测控制模型输入标识,并且可以输入多个标识,预测控制模型即可自动按照标识从全部初始状态中自动调取与该标识对应的特定的初始状态,并对其进行预测,并自动生成对应各个标识的预测状态;基于此,可以实现令预测控制模型通过比对自动生成的测试结果;可以看出,通过在待测数据库中建立的标识、初始状态和正确状态之间的对应关系,可以实现自动测试预测控制模型,并自动输出测试结果。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关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申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的预测控制模型的测试方法的流程图;
图2为本申请实施例的预测控制模型的测试装置结构示意图;
图3为本申请实施例的电子设备结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请的实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请的实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
如背景技术部分所述,相关的预测控制模型的测试方法还难以满足实际生产中的需要。
申请人在实现本申请的过程中发现,相关的预测控制模型的测试方法存在的主要问题在于:在相关的测试模型预测控制模型(MPC模型,Model Predictive Control模型)的方式中,需要将预测的多个对象各自的状态,以及各个状态所对应的多个取值逐个进行预测。
因此,在对模型预测模型进行测试时,每次都需要将待测数据手动输入至待测试的模型预测模型,并且每在模型预测模型完成预测后,需要人工对预测结果进行比对来确定测试结果。
可以看出,相关的测试模型预测模型的方式,无法将多个对象的多个状态数据全部一次性地输入至模型预测模型,进而无法在测试中,自动输出各个状态数据对应的预测结果和测试结果,也就无法对其进行多个对象的多组状态数据下的自动测试。
基于此,本申请中的一个或多个实施例提供了预测控制模型的测试方法。
以下结合附图详细说明本申请的实施例。
参考图1,本申请一个实施例的预测控制模型的测试方法,包括以下步骤:
步骤S101、对多个待预测的对象中的每一个,确定所述对象的多个属性,为每个属性分别设置候选的多个取值。
在本申请的实施例中,对于测试模型预测模型,需要先确定该模型预测模型所预测的对象,以及各个对象所具备的属性;并进一步确定各个属性的取值。
其中,每个对象可以对应至少一个属性,每个属性均可以配置为不同的取值,也就是说,每个属性均可以从预置的多个取值中按照具体需求选取一个。
具体地,待预测的对象可以是车辆的发动机、电池、水箱、变速箱、车辆附件供电电机、变速箱曲轴等。
其中,对于水箱来说,其属性可以是水箱温度;对于变速箱来说,其属性可以是变速箱中的一个或者多个指定的齿轮的转速;对于车辆附件供电电机来说,其属性可以是电机的转速;对于变速箱曲轴来说,其对象可以是变速箱曲轴的转速等。
在本实施例中,将车辆的电池和发动机作为具体的示例,如下的表1所示,在本示例中,模型预测模型预测的对象有两个对象,分别为电池和发动机。
表1.电池和发动机的属性及取值表
进一步地,如表1所示,对于预测的对象之一的电池来说,将电池温度和电池电流作为电池的两个属性。
在一些其他实施例中,预测的对象可以具备多个属性,例如,也可以将电池电压、电池功率和阻抗等均作为电池的属性。
对于另一个预测对象发动机来说,将发动机温度和发动机转速作为发动机的两个属性。
在一些其他实施例中,发动机也可以具备多个属性,例如,也可以将发动机内部压力等作为发动机的属性。
进一步地,基于选定进行预测的对象,以及为各个对象各自确定的属性,可以对各个属性分别设置候选的多个取值。
具体地,在一些实施例中可以将每个属性全部可能出现的数值作为该属性对应的多个取值。
在本实施例中,可以根据具体的测试需求,从每个属性的全部可能出现的数值中,选取部分数值来作为该属性的多个取值。
以电池温度作为具体的示例,可以将电池所有可能出现的温度作为电池温度的多个取值,也可以从所有可能出现的温度中选择部分来作为电池温度的多个取值。
进一步地,分别为电池电流、发动机温度和发动机转速确定各自的多个取值。
可以看出,为每个属性所确定的多个取值可以作为候选,以用于各个对象进行预测时,从候选的多个取值中选择的用于预测的取值。
步骤S102、对于每个对象,在该对象的全部属性之间进行取值上的排列组合,得到多个取值组,将每个取值组作为该对象的一条初始状态,其中,每个取值组包括每个属性的一个取值。
在本申请的实施例中,对于各个待预测的对象,基于上述确定的各个对象的属性,以及各个属性的多个取值,可以进一步确定该对象的状态空间。
在其中一个实施例中,所述对于每个对象,在该对象的全部属性之间进行取值上的排列组合,得到多个取值组,包括:
对于每个对象,对于该对象的每个属性,从所述多个取值中为该属性配置任一所述取值,将该对象的全部属性各自配置的任一所述取值组合为一个取值组;
对于所述每个对象,通过在所述多个属性之间,利用所述每个属性的所述多个取值进行搭配组合,得到多个所述取值组。
具体地,在本实施例中,对于一个对象,为该对象的每个属性配置一个取值后,将各个属性所配置的取值组合为一个取值组时,该取值组可以作为该对象的一条取值组。
在具体的示例中,以表1中的电池为例,当其属性电池温度被配置为1,其属性电池电流被配置为14时,将电池温度1和电池电流14作为电池的一个取值组。
在本实施例中,一个取值组也可以作为该对象的一条初始状态。
进一步地,基于每个属性的全部多个取值,可以在各个属性之间,通过进行取值的排列组合,来得到关于该对象的多个取值组。
具体地,从每个属性的多个取值中选择一个取值,将得到的各个属性的取值进行组合,可以通过穷尽所有组合的可能性,来得到多种属性取值上的搭配方式,并将每种搭配方式作为一个取值组,也即一条初始状态,基于此,可以得到多个取值组,可以将全部取值组作为该对象的状态空间。
具体地,以表1中的电池为例,可以从电池温度的全部可能的取值中选取一个,并从电池电流的全部可能的取值中选取一个进行搭配组合,并穷尽电池温度取值与电池电流取值的全部组合方式,来得到电池的多个取值组,并将全部取值组作为电池的状态空间。
在一些其他实施例中,也可以从得到的全部取值组中选取一部分作为该对象的状态空间,也就是说,选取一部分作为该对象的多条初始状态。
具体地,可以将属性互斥的取值组排除,例如,以发动机的两个属性为例,可以将取值组:发动机温度为10和发动机转速为5000排除,可以看出,当发动机温度为10时,发动机转速显然不可以为5000,并将该类情况作为属性互斥。
但在本实施例中,不将属性互斥的取值组排除,而是将全部取值组作为该对象的状态空间。
基于此,在对该对象进行预测后,当模型预测模型出现预测故障,进而输出错误的预测状态时,有可能输出属性互斥的取值组。
可以看出,通过对多个属性之间进行取值上的排列组合,可以得到多个取值组,并且全部的取值组足以覆盖待预测对象的全部工况,以适用于对该对象进行多次多种工况的预测。
步骤S103、对于所述每个对象,为每条所述初始状态设置对应的标识,并为每条所述初始状态设置预测的目标,并将所述目标作为该初始状态对应的正确状态。
在本申请的实施例中,基于上述为每个对象所确定的多条初始状态,对于每个对象,可以为该对象的每条初始状态设置各自的标识,其中,该标识可以是以序号、字母或者符号等表示,以代表该条初始状态中各个属性的取值。
具体地,如表1所示,以电池为例,例如分别为电池的各个属性设置不同的序号作为标识,并且为发动机的各个属性也设置了不同的序号作为标识。
在本实施例中,表1中所设置的序号仅仅是示例性的,在一些其他实施例中,为各条初始状态所设置的标识可以是数字,也可以是字母等;并且,设置的序号可以按照属性的取值的变化顺序进行设置,也可以根据具体情况,不按照取值的变化顺序进行设置。
进一步地,基于预设的预测条件下,可以为各个初始状态设置对应的正确状态。
具体地,以表1中的发动机为例,可以将预测条件设置为在平稳工况下发动机运行1小时,当基于发动机温度为48,发动机转速为1000的初始状态时,与该初始状态对应的正确状态应该是发动机在发动机温度为48,发动机转速为1000的情况下,以平稳工况运行1小时候所得到的实际的发动机的发动机温度和发动机转速,并将该实际的发动机的发动机温度和发动机转速作为正确状态。
可以看出,在预测条件已定的情况下,对于每条初始状态均设置有与其对应的序号和正确状态。
步骤S104、确定全部对象的全部初始状态、所述全部初始状态各自对应的所述标识和所述全部初始状态各自对应的所述正确状态之间的对应关系。
在本申请的实施例中,基于上述为各个对象确定的初始状态、标识和正确状态,可以将其输入至预先设置的空的数据表中进行封装,并在封装的过程中对全部对象各自额相关数据进行排列,从而得到待测数据表。
在本实施例中,在空的数据表中,对于全部对象中的每一个,可以将该对象的每条初始状态输入为数据表中的一行,并且将该对象的全部初始状态排为一列,作为初始状态列。
进一步地,在每条初始状态中,可以将表示各个属性的取值按照以下方式排列:
A-B-C
其中,A、B和C分别表示三个属性各自的取值,每个取值之间可以利用字符:“-”隔开,并且每条初始状态中,不同属性所对应的取值在排列顺序上保持一致,例如,如果其中一条初始状态所表示的取值各自对应的属性为:属性1-属性2-属性3,则可以认为其余的全部初始状态所表示出的取值,各自所对应的属性也同样保持了相同的顺序。
在一些其他实施例中,也可以将上述的一列的初始状态按照不同的属性分为多列,其中每列仅表示一个属性的各个取值,并作为该属性的属性列。
具体地,如表1所示,可以将电池的初始状态分为电池温度和电池电流两列,其中,一列仅表示电池温度的取值,并作为电池温度列,另一列仅表示电池电流的取值,并作为电池电流列。
进一步地,可以将发动机的初始状态分为发动机温度和发动机转速两列,其中,一列仅表示发动机温度的取值,并作为发动机温度列,另一列仅表示发动机转速的取值,并作为发动机转速列。
进一步地,在输入每条初始状态的同一行,输入与每个初始状态对应的标识,并将输入的全部标识排为一列,其中,如前述步骤所述,各个标识可以是以序号表示。
具体地,如表1所示,对于电池的每条初始状态,在该初始状态的同一行输入对应的序号,例如,对于初始状态电池温度1和电池电流15,可以在其同一行输入为其设置的序号12,并将电池的各个初始状态的序号输入为同一列。
进一步地,对于发动机的每条初始状态,在该初始状态的同一行输入对应的序号,例如,对于初始状态发动机温度42和发动机转速1000,可以在其同一行输入为其设置的序号13,并将发动机的各个初始状态的序号输入为同一列。
进一步地,在输入每条初始状态的同一行,输入与每个初始状态对应的正确状态,并将输入的全部正确状态排为一列。
在一些其他实施例中,与输入的初始状态相似,也可以将一列的正确状态按照不同的属性分为多列,其中每列仅表示一个属性的各个取值,并作为正确状态中该属性的属性列。
在另一些实施例中,由于各个初始状态已经覆盖该对象的各个属性在组合上的全部可能性,因此,在此所输入的正确状态其各个取值必然与某一初始状态的取值相同,基于此,所输入的正确状态也可以不是各个属性的具体取值,而是确定与该正确状态中取值相同的初始状态,并将该初始状态所对应的序号输入至数据表中。
可以看出,在本实施例中,输入序号列、输入初始状态列和输入正确状态列三个操作,在执行顺序上仅是示例性的,在此不做具体限定。
进一步地,基于上述在数据表中输入的各个属性的取值,还可以为各个属性设置取值范围。
具体地,例如,对于发动机转速,可以将该属性的取值范围设置为0至8000。
进一步地,在确定各个属性的取值范围后,可以对各个属性进行归一化处理。
具体地,对于每个取值,可以根据该取值与取值范围之间的比例关系来确定对应该取值的归一化结果,并具体可以采取如下所示的公式进行计算:
其中,Re表示归一化结果,X表示一个具体的取值,Range表示该取值所对应的属性的取值范围。
在具体的示例中,以发动机转速1000为例,如上所述发动机转速的取值范围为0-8000,跨度为8000,则发动机转速1000归一化结果为Re:
进一步地,基于确定的各个取值的归一化结果,可以为各个列设置相应的数据类型,以令模型预测模型在读取各个取值时,可以调用各个具体取值。
具体地,例如,对于序号列,可以将其数据类型设置为整数型。
进一步地,由于各个属性列中的数值可以是进行归一化处理之后的归一化结果,因此,对于各个属性列的数据类型可以均设置为浮点型,例如,对于电池温度列,可以将其数据类型设置为浮点型;对于电池电流列,可以将其数据类型设置为浮点型;对于发动机温度列,可以将其数据类型设置为浮点型;对于发动机转速列,可以将其数据类型设置为浮点型。
进一步地,基于上述步骤的处理,可以将处理后的整个数据表作为待测数据表。
可以看出,该待测数据表包含了各个对象的全部属性,也即,各个对象在各类工况下的所有可能取值。
步骤S105、将所述对应关系存储至预置的预测控制模型,将进行预测的初始状态对应的至少一个标识输入至所述预测控制模型,并预测出与所述至少一个标识各自对应的预测状态,根据全部预测状态各自与对应的所述正确状态的差距,为所述预测控制模型自动生成测试结果。
在本申请的实施例中,基于上述确定的待测数据表,可以将其输入至模型预测模型,并对各个对象在基于不同初始状态的情况下进行预测,并通过对得到的预测结果,也即预测状态,进行判断,并依据判断结果,来确定该模型预测模型是否出现问题,也即,得到关于该模型预测模型的测试结果。
在本实施例中,将待测数据表输入值模型预测模型后,可以根据具体的需求,对指定的对象基于指定的初始状态进行预测,并在每次进行预测时,可以输入与该指定的初始状态所对应的序号。
进一步地,在该模型预测模型进行预测后,可以得到在预定的预测条件下,该对象的预测状态。
具体地,以发动机作为对象为例,基于指定的初始状态,例如,发动机温度39,发动机转速1000。
在一些实施例中,在模型预测模型预测结束后,将输出预测状态。
具体地,以表1中的发动机作为对象为例,可以将预测条件设置为在平稳工况下发动机运行1小时,并将发动机温度为48和发动机转速为1000作为输入的指定的初始状态,模型预测模型将基于上述的设定和输入来对发动机进行预测,并输出预测状态。
在一些实施例中,可以将该预测状态加入至待测数据表中。
具体地,在输入的该指定的初始状态的同一行,加入与该指定的初始状态对应的预测状态,并将后续其他预测所得到的全部预测状态排为一列。
在一些其他实施例中,与输入的初始状态相似,也可以将一列的预测状态按照不同的属性分为多列,其中每列仅表示一个属性的各个取值,并作为预测状态中该属性的属性列。
在另一些实施例中,由于各个初始状态已经覆盖该对象的各个属性在组合上的全部可能性,因此,在此所加入的预测状态的各个取值有可能与某一初始状态的取值相同,基于此,所加入的预测状态也可以不是各个属性的具体取值,而是确定与该预测状态中取值相同的初始状态,并将该初始状态所对应的序号加入至数据表的预测状态列中。
在一些实施例中,在对对象进行预测时,还可以对多个对象同时进行预测,并同时输出多个指定对象各自的预测状态。
在具体的示例中,以电池作为预测的对象,以表1中对应电池的序号1作为指定的初始状态,同时,还以发动机作为预测的对象,并以表1中对应发动机的序号2作为指定的初始状态,此时,可以向模型预测模型输入:(1,2),以该序号表明对应应该输入的初始状态。
进一步地,经过模型预测模型的预测后,可以输出对应的预测状态,例如,电池温度为1和电池电流为14,以及,发动机温度为32和发动机转速为1000,以作为预测状态,并将该预测状态加入至上述的待测数据表中,以得到预测数据表。
在另一些实施例中,还可以将输出的预测数据以序号的形式输出,例如,输出(11,3),以该序号表明应该输出的具体取值,并将该序号加入至上述的待测数据表中,以得到预测数据表。
进一步地,当输出的预测状态不与任何初始状态相同时,则可以直接将预测状态的各个具体取值加入至待测数据表中,以得到预测数据表。
进一步地,基于MPC所输出的预测状态,可以根据与对应的正确状态的比对来判断模型预测模型是否出现问题,以完成对模型预测模型的测试。
具体地,首先,可以为各个正确状态设置各自的判断阈值,例如,对于发动机温度为30和发动机转速为1000所对应的正确状态,可以将其判断阈值设置为0.5和10;对于发动机温度为500和发动机转速为3000所对应的正确状态,可以将其判断阈值设置为10和50。
可以看出,对于不同的正确状态,可以根据具体的情况为其设置不同的判断阈值,以控制对预测状态进行判断时的细粒度。
进一步地,当该MPC输出的预测状态与对应的正确状态之间的差距,在各个属性上的取值均小于等于所设置的判断阈值时,可以认为该模型预测模型的测试结果为合格。
进一步地,当该MPC输出的预测状态与对应的正确状态之间的差距,在任意属性上的取值大于所设置的判断阈值时,可以认为该模型预测模型的测试结果为不合格。
在一些实施例中,当输入的初始状态为多个的情况下,可以在输出的各个预测状态与对应的正确状态之间的差距均小于等于所设置的判断阈值时,认为该模型预测模型的测试结果为合格,并将合格的测试结果输出。
进一步地,当输入的初始状态为多个的情况下,输出的任意预测状态与对应的正确状态之间的差距大于所设置的判断阈值时,认为该模型预测模型的测试结果为不合格,并将不合格的测试结果输出。
在一些实施例中,当输出的预测状态不与任何初始状态相同时,可以认为该模型预测模型在预测时出现问题,并输出该模型预测模型的测试结果为不合格,并将不合格的测试结果输出。
基于待预测的多个对象及其多个属性,通过排列组合的方式,来确定全部所需的各个初始状态,综合考虑了各个属性的不同取值,得到的初始状态覆盖了各个属性之间在取值上进行搭配的可能性。
进一步地,基于为各个初始状态设置的序号,通过将各个初始状态与对应的序号共同封装为一个待测数据表,使得预测控制模型可以自动按照序号从全部初始状态中自动调取与该序号对应的特定的初始状态,并对其进行预测。
进一步地,通过将各个正确状态与对应的序号共同封装为一个待测数据表,可以实现令预测控制模型按照状态数据与序号的对应关系,自动输出与该预测状态对应的正确状态,以自动生成预测控制模型的测试结果。
可以看出,通过在待测数据库中建立的序号、初始状态和正确状态之间的对应关系,可以实现将多个对象的多个属性一同输入至待测试的预测控制模型,来自动生成对该预测控制模型的测试结果。
需要说明的是,本申请的实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请的实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请的实施例还提供了一种预测控制模型的测试装置。
参考图2,所述预测控制模型的测试装置,包括:预处理模块201、排列组合确定模块202、标识和正确状态设置模块203、对应关系确定模块204和测试模块205;
所述预处理模块201,被配置为,对多个待预测的对象中的每一个,确定所述对象的多个属性,为每个属性分别设置候选的多个取值;
所述排列组合确定模块202,被配置为,对于每个对象,在该对象的全部属性之间进行取值上的排列组合,得到多个取值组,将每个取值组作为该对象的一条初始状态,其中,每个取值组包括每个属性的一个取值;
所述标识和正确状态设置模块203,被配置为,对于所述每个对象,为每条所述初始状态设置对应的标识,并为每条所述初始状态设置预测的目标,并将所述目标作为该初始状态对应的正确状态;
所述对应关系确定模块204,被配置为,确定全部对象的全部初始状态、所述全部初始状态各自对应的所述标识和所述全部初始状态各自对应的所述正确状态之间的对应关系;
所述测试模块205,被配置为,将所述对应关系存储至预置的预测控制模型,将进行预测的初始状态对应的至少一个标识输入至所述预测控制模型,并预测出与所述至少一个标识各自对应的预测状态,根据全部预测状态各自与对应的所述正确状态的差距,为所述预测控制模型自动生成测试结果。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请的实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的预测控制模型的测试方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请的实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并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如上任意一实施例所述的预测控制模型的测试方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备、动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本申请实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本申请实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的装置用于实现前述任一实施例中相应的预测控制模型的测试方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的预测控制模型的测试方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的预测控制模型的测试方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请的实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请的实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请的实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请的实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请的实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请的实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种预测控制模型的测试方法,其特征在于,包括:
对多个待预测的对象中的每一个,确定所述对象的多个属性,为每个属性分别设置候选的多个取值;
对于每个对象,在该对象的全部属性之间进行取值上的排列组合,得到多个取值组,将每个取值组作为该对象的一条初始状态,其中,每个取值组包括每个属性的一个取值;
对于所述每个对象,为每条所述初始状态设置对应的标识,并为每条所述初始状态设置预测的目标,并将所述目标作为该初始状态对应的正确状态;
确定全部对象的全部初始状态、所述全部初始状态各自对应的所述标识和所述全部初始状态各自对应的所述正确状态之间的对应关系;
将所述对应关系存储至预置的预测控制模型,将进行预测的初始状态对应的至少一个标识输入至所述预测控制模型,并预测出与所述至少一个标识各自对应的预测状态,根据全部预测状态各自与对应的所述正确状态的差距,为所述预测控制模型自动生成测试结果。
2.根据权利要求1所述的方法,其特征在于,所述对于每个对象,在该对象的全部属性之间进行取值上的排列组合,得到多个取值组,包括:
对于每个对象,对于该对象的每个属性,从所述多个取值中为该属性配置任一所述取值,将该对象的全部属性各自配置的任一所述取值组合为一个取值组;
对于所述每个对象,通过在所述多个属性之间,利用所述每个属性的所述多个取值进行搭配组合,得到多个所述取值组。
3.根据权利要求1所述的方法,其特征在于,所述将所述对应关系存储至预置的预测控制模型之前,还包括:
在预置的空的数据表中,输入所述全部对象各自的所述每条初始状态、与该初始状态对应的所述标识和与该初始状态对应的所述正确状态;
并对输入的数据进行排列,将排列后的数据表作为待测数据表;
为所述待测数据表中的每列数据设置数据类型,以对所述对应关系进行封装。
4.根据权利要求3所述的方法,其特征在于,所述为所述待测数据表中的每列数据设置数据类型之前,还包括:
为所述待测数据表中的所述每个属性设置对应的取值范围;
对所述待测数据表中的每个取值,根据所述每个取值与对应的所述取值范围之间的比例关系,对所述每个取值进行归一化处理。
5.根据权利要求3所述的方法,其特征在于,所述预测出与所述至少一个标识各自对应的预测状态,还包括:
在所述待测数据表中,确定所述至少一个标识各自对应对应的初始状态;
利用所述预测控制模型对该初始状态进行预测,并得到与该初始状态对应的预测状态。
6.根据权利要求5所述的方法,其特征在于,所述预测出与所述至少一个标识各自对应的预测状态之后,还包括:
在所述待测数据表中,在所述至少一个标识各自对应的行中加入与该标识对应的预测状态,得到预测数据表。
7.根据权利要求1所述的方法,其特征在于,所述根据全部预测状态各自与对应的所述正确状态的差距,为所述预测控制模型自动生成测试结果,包括:
为每个所述正确状态设置各自的判断阈值;
响应于每条所述预测状态与对应的所述正确状态的差距均小于等于所述判断阈值,为所述预测控制模型自动生成合格的测试结果;
响应于任意所述预测状态与对应的所述正确状态的差距大于所述判断阈值,为所述预测控制模型自动生成不合格的测试结果。
8.一种预测控制模型的测试装置,其特征在于,包括:预处理模块、排列组合确定模块、序号和正确状态设置模块、对应关系确定模块和测试模块;
所述预处理模块,被配置为,对多个待预测的对象中的每一个,确定所述对象的多个属性,为每个属性分别设置候选的多个取值;
所述排列组合确定模块,被配置为,对于每个对象,在该对象的全部属性之间进行取值上的排列组合,得到多个取值组,将每个取值组作为该对象的一条初始状态,其中,每个取值组包括每个属性的一个取值;
所述标识和正确状态设置模块,被配置为,对于所述每个对象,为每条所述初始状态设置对应的标识,并为每条所述初始状态设置预测的目标,并将所述目标作为该初始状态对应的正确状态;
所述对应关系确定模块,被配置为,确定全部对象的全部初始状态、所述全部初始状态各自对应的所述标识和所述全部初始状态各自对应的所述正确状态之间的对应关系;
所述测试模块,被配置为,将所述对应关系存储至预置的预测控制模型,将进行预测的初始状态对应的至少一个标识输入至所述预测控制模型,并输出与所述至少一个标识各自对应的预测状态,根据全部预测状态各自与对应的所述正确状态的差距,为所述预测控制模型自动生成测试结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行根据权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211218193.9A CN117851214A (zh) | 2022-09-30 | 2022-09-30 | 预测控制模型的测试方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211218193.9A CN117851214A (zh) | 2022-09-30 | 2022-09-30 | 预测控制模型的测试方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117851214A true CN117851214A (zh) | 2024-04-09 |
Family
ID=90531673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211218193.9A Pending CN117851214A (zh) | 2022-09-30 | 2022-09-30 | 预测控制模型的测试方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117851214A (zh) |
-
2022
- 2022-09-30 CN CN202211218193.9A patent/CN117851214A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111124926B (zh) | 模糊测试方法、装置、电子设备及存储介质 | |
CN104166619A (zh) | 应用程序的性能测试方法及终端 | |
CN109615171B (zh) | 特征阈值确定方法及装置、问题对象确定方法及装置 | |
CN113391859B (zh) | 一种提升Pattern文件加载性能的加载方法、加载系统及测试机 | |
CN111240876A (zh) | 微服务的故障定位方法、装置、存储介质及终端 | |
CN104182268A (zh) | 仿真系统及其方法和包括所述仿真系统的计算机系统 | |
CN110032505A (zh) | 软件质量确定装置、软件质量确定方法和软件质量确定程序 | |
CN114140034B (zh) | 基于工况的质量监控方法及相关装置 | |
CN109558315A (zh) | 测试范围的确定方法、装置及设备 | |
CN104298589A (zh) | 一种性能测试方法和设备 | |
CN101017496A (zh) | 基于最佳匹配测试结果类型自动格式化数据的方法和装置 | |
CN117851214A (zh) | 预测控制模型的测试方法及相关设备 | |
CN112052070A (zh) | 应用容器化评估方法、装置、电子设备及存储介质 | |
US8838421B2 (en) | Method and circuit for calculating sensor modelling coefficients | |
CN111666316B (zh) | 一种隔离分布核构建方法、异常数据检测方法及装置 | |
CN117851213A (zh) | 预测控制模型的测试方法及相关设备 | |
CN110008112B (zh) | 模型训练方法和装置、业务测试方法和装置 | |
CN114942878A (zh) | 互联网应用的自动化性能测试方法及相关设备 | |
CN108269004B (zh) | 产品寿命分析方法及终端设备 | |
CN111737109A (zh) | 一种集群文件系统测试方法及装置 | |
CN113902121B (zh) | 一种电池劣化推测装置校验的方法、装置、设备及介质 | |
CN116091263B (zh) | 光伏电站的理论功率计算方法及相关设备 | |
CN112924854B (zh) | 任意波形格式生成方法、装置、测试设备和存储介质 | |
CN110489341B (zh) | 一种测试方法、装置、存储介质及电子设备 | |
CN117892564A (zh) | 多部件及多敏感应力分开加载的并行加速试验方法和装置 |
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 |