[发明专利]模型训练方法、故障预测方法、装置及电子设备

说明书

本申请涉及一种模型训练方法、故障预测方法、装置及电子设备。本申请实施例提供的模型训练方法包括：根据第一原始样本数据集构建第一特征样本数据集；分别通过预设的第一目标数量个异常检测模型对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；基于第一目标数量条第一检测结果序列获得第一目标检测结果序列集和第一目标故障标签集；基于第一原始样本数据集、第一特征样本数据集、第一目标检测结果序列集和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。本申请实施例提供的模型训练方法、故障预测方法、装置及电子设备能够保证联轴器故障预测模型的可靠性。

技术领域

本申请涉及工业设备及流程预测性维护技术领域，具体而言，涉及一种模型训练方法、故障预测方法、装置及电子设备。

背景技术

联轴器是工业传动装置的关键部件，通常采用鼓型齿式结构，由两个半联轴器组成，在传动过程中一起旋转，其主要作用是联结两端设置的两个旋转件，使工业传动装置在存在一定程度的轴向、角度偏差或端面位移时仍能正常的运作，若妥善的选择、安装及维护联轴器，可以减少工业传动装置大量的维修费用及停机时间。

传统的联轴器故障检测方法，以阈值式告警为主，由于联轴器属于高速旋转件，因此，直接在其主体安装传感器较为困难，所以，通常在其连接的电机轴承、齿轮箱轴承等位置安装传感器，以采集并监测温度、振动幅度、电流等工况数据是否达到或超过阈值数据，若工况数据达到或超过阈值数据，则进行告警。这种方法过分依赖于通过经验设定的阈值数据，因此，对环境改变的适应能力不足，更无法对联轴器的健康状况进行评估，而做到提前预警。

发明内容

本申请的目的在于，提供一种模型训练方法、故障预测方法、装置及电子设备，以解决上述问题。

本申请实施例提供的模型训练方法，包括：

根据第一原始样本数据集构建第一特征样本数据集，第一原始样本数据集用于表征样本联轴器的历史工况，且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；

基于第一原始样本数据集、第一特征样本数据集、第一目标检测结果序列集和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。

结合第一方面，本申请实施例还提供了第一方面的第一种可选的实施方式，模型训练方法还包括：

从样本联轴器的历史运行阶段中划分出第一完整工况阶段，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；

将第一加速阶段内，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，作为第一样本数据集；

将第一稳定阶段内，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，作为第二样本数据集；

将第一降速阶段内，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，作为第三样本数据集；

分别将第一样本数据集、第二样本数据集和第三样本数据集作为第一原始样本数据集。