[发明专利]一种用于故障预测神经网络模型的训练方法与设备

权利要求书

1.一种用于故障预测神经网络模型的训练方法，其特征在于，所述方法包括：

获取被监控点的历史指标数据集，其中，所述历史指标数据集由在不同历史时间点采集到的所述被监控点的监控指标数据组成；

基于预设周期，对所述历史指标数据集进行处理，以确定训练集及测试集；

基于所述训练集训练神经网络，直至所述神经网络输出的输出误差符合第一预设阈值，基于所述测试集测试所述神经网络，若准确率符合第二预设阈值，获得训练好的被监控点故障预测神经网络模型；

获取当前时间点的指标数据序列，其中，所述当前时间点的指标数据序列由当前时间点前的N个历史指标数据组成；

基于预设的预测时间长度T_f、预设周期T及采样数量N，确定迭代外推预测次数M，其中，所述M的计算公式如下：

M=T_f/T*N；

将所述当前时间点的指标数据序列输入所述训练好的被监控点故障预测神经网络模型，进行M次迭代外推预测，以获得M个被监控点的预测指标数据。

2.根据权利要求1所述的方法，其特征在于，所述基于预设周期，对所述历史指标数据集进行处理，以确定训练集及测试集包括：

基于预设周期，确定采样数量N；

遍历所述历史指标数据集中的历史指标数据，构建不同时间点的历史指标数据序列，其中，所述不同时间点的历史指标数据序列是由该时间点前的N个历史指标数据组成；

将不同时间点的历史指标数据确定为该时间点对应的历史指标数据序列的真值标注；

基于所述历史指标数据序列及所述真值标注，确定所述训练集及测试集，其中，所述训练集及测试集中的样本包括不同时间点的历史指标数据序列及对应的真值标注。

3.根据权利要求2所述的方法，其特征在于，在构建不同时间点的历史指标数据序列之前，所述方法还包括：

对所述历史指标数据集进行预处理，以消除异常历史指标数据的影响。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述神经网络是LSTM神经网络，所述LSTM神经网络的结构包括：

1个输入层；

2个LSTM隐含层；

1个全连接输出层。

5.根据权利要求1所述的方法，其特征在于，所述输出误差包括均方误差。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述M个被监控点的预测指标数据按时间顺序分别于第三预设阈值比较，确定第一个不符合的被监控点的预测指标数据对应的时间点为故障时间点。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

基于所述故障时间点及对应的预测指标数据，确定告警信息，并将所述告警信息上报。

8.一种用于故障预测神经网络模型的训练设备，其特征在于，所述设备包括：

第一装置，用于获取被监控点的历史指标数据集，其中，所述历史指标数据集是由在不同历史时间点采集到的所述被监控点的监控指标数据组成；

第二装置，用于基于预设周期及采样频率，对所述历史指标数据集进行处理，以确定训练集及测试集；

第三装置，用于基于所述训练集训练神经网络，直至所述神经网络输出的输出误差符合第一预设阈值，基于所述测试集测试所述神经网络，若准确率符合第二预设阈值，获得训练好的被监控点故障预测神经网络模型；

第五装置，用于获取当前时间点的指标数据序列，其中，所述当前时间点的指标数据序列由当前时间点前的N个历史指标数据组成；

第六装置，用于基于预设的预测时间长度T_f、预设周期T及采样数量N，确定迭代外推预测次数M，其中，所述M的计算公式如下：

M=T_f/T*N；

第七装置，用于将所述当前时间点的指标数据序列输入所述训练好的被监控点故障预测神经网络模型，进行M次迭代外推预测，以获得M个被监控点的预测指标数据。