[发明专利]模型训练方法、故障预测方法、装置及电子设备

权利要求书

1.一种模型训练方法，其特征在于，包括：

根据第一原始样本数据集构建第一特征样本数据集，所述第一原始样本数据集用于表征样本联轴器的历史工况，且所述第一原始样本数据集中包括在多个第一采样时间点上，针对多个第一目标测点中每个第一目标测点所采集的样本数据；

分别通过预设的第一目标数量个异常检测模型对所述第一原始样本数据集进行无监督学习，获得第一目标数量条第一检测结果序列；

在根据所述第一目标数量条第一检测结果序列判定需要对第一原始故障标签集进行扩充时，根据实际扩充的第一增量故障标签对所述第一目标数量个异常检测模型进行调整，以通过调整之后的异常检测模型对所述第一原始样本数据集进行无监督学习，重新获得第一目标数量条第一检测结果序列，并以此循环，直至根据新的第一目标数量条第一检测结果序列判定无需对所述第一原始故障标签集进行扩充时，将新的第一目标数量条第一检测结果序列作为第一目标检测结果序列集，以及将扩充之后的第一原始故障标签集作为第一目标故障标签集；

基于所述第一原始样本数据集、所述第一特征样本数据集、所述第一目标检测结果序列集和所述第一目标故障标签集对分类模型进行训练，获得联轴器故障预测模型；

所述根据所述第一原始样本数据集构建第一特征样本数据集，包括：

针对所述多个第一目标测点中的每个第一目标测点，获取所述第一目标测点在所述多个第一采样时间点上所采集样本数据的数据特征信息，所述数据特征信息包括特征值信息和变化情况表征信息；

针对所述多个第一采样时间点上的每个第一采样时间点，多次将所述第一采样时间点上所采集的所述多个第一目标测点中至少两个第一目标测点所对应的样本数据进行组合，获得多组组合样本数据；

将所述多个第一目标测点中，每个第一目标测点对应的数据特征信息和所述多个第一采样时间点中，每个第一采样时间点对应的组合样本数据共同作为所述第一特征样本数据集；

所述第一目标数量条第一检测结果序列中，每条第一检测结果序列包括多个异常标签，所述多个异常标签与所述多个第一采样时间点一一对应，针对所述多个异常标签中的每个异常标签，所述异常标签用于表征对应的第一采样时间点上所采集的样本数据是否异常，所述模型训练方法还包括：

根据所述第一目标数量条第一检测结果序列，确定出所述多个第一采样时间点中，对应采集的样本数据存在异常的目标时间点；

对所述目标时间点上所采集的样本数据进行二次确认，以在确定出所述目标时间点上所采集的样本数据存在异常时，判定需要对所述第一原始故障标签集进行扩充。

2.根据权利要求1所述的模型训练方法，其特征在于，所述模型训练方法还包括：

从所述样本联轴器的历史运行阶段中划分出第一完整工况阶段，所述第一完整工况阶段包括第一加速阶段、第一稳定阶段和第一降速阶段；

将所述第一加速阶段内，针对所述多个第一目标测点中每个第一目标测点所采集的样本数据，作为第一样本数据集；

将所述第一稳定阶段内，针对所述多个第一目标测点中每个第一目标测点所采集的样本数据，作为第二样本数据集；

将所述第一降速阶段内，针对所述多个第一目标测点中每个第一目标测点所采集的样本数据，作为第三样本数据集；

分别将所述第一样本数据集、所述第二样本数据集和所述第三样本数据集作为所述第一原始样本数据集。

3.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述第一原始样本数据集、所述第一特征样本数据集、所述第一目标检测结果序列集和所述第一目标故障标签集对分类模型进行训练，获得联轴器故障预测模型，包括：

从所述第一目标数量个异常检测模型中，确定出准确度排序靠前的第二目标数量个异常检测模型；

从所述第一目标检测结果序列集中，选取出与所述第二目标数量个异常检测模型一一对应的第二目标数量条第一检测结果序列，作为第二目标检测结果序列集；

根据所述第一原始样本数据集、所述第一特征样本数据集、所述第二目标检测结果序列集和所述第一目标故障标签集对分类模型进行训练，获得联轴器故障预测模型。