设备运行状况预测模型的构建方法、装置及存储介质与流程

本技术涉及机器学习算法领域，具体而言，涉及一种设备运行状况预测模型的构建方法、装置及存储介质。

背景技术：

1、设备是人们日常生活和工作中的重要组成部分，其性能和寿命通常直接影响了人们的生活质量以及工作效率。

2、然而，人们在使用设备过程中，同常会遇到设备出现故障甚至报废等情况，这些情况的出现都给人们的生活和工作带来了麻烦。为了尽量减小这些情况为人们生活和工作所带来的麻烦，可以通过提前预测这些情况的出现，并根据预测结果提前采取相应的应对措施。

3、但是，目前对于设备运行状况的预测，其准确性还不够高。

技术实现思路

1、本技术实施例的目的在于提供一种设备运行状况预测模型的构建方法、装置及存储介质，通过综合设备自身的各项动静态数据以及运行环境数据来构建预测模型，以提高对设备运行状况预测的准确性。

2、第一方面，本技术提供了一种设备运行状况预测模型的构建方法，包括：获取设备历史运行状况数据及对应的影响因素数据；其中，所述影响因素数据包括所述设备的动静态数据和所述设备所处环境的环境数据；对所述影响因素数据和历史运行状况数据进行数据处理，以获得用于构建模型的数据集；以及根据所述数据集构建所述设备运行状况的预测模型。

3、上述设备运行状况预测模型的构建方法，通过全面地获取跟设备运行相关的各项数据以及对应的历史运行状况数据来构建用于预测设备运行状况的预测模型，实现了对设备运行状况的准确预测。并且，利用该预测模型对设备运行状况进行预测，能够全面地反映设备的退化特征和影响因素。并且，通过实时更新预测模型的参数，使得该预测模型能够适应设备的动态变化和新数据的加入，并对设备运行状况的在线预测。

4、结合第一方面，可选地，所述对所述影响因素数据和历史运行状况数据进行数据处理，包括：对所述影响因素数据进行清洗；和/或对所述影响因素数据进行归一化；和/或对所述影响因素数据进行降维。

5、上述设备运行状况预测模型的构建方法，通过对影响因素数据进行清洗、归一化和/或降维处理，消除了大部分由奇异样本数据对模型训练带来的不良影响，减少了算法的计算复杂度和存储需求，并且消除了大部分冗余信息，提高了最终所获得预测模型的泛化能力。

6、结合第一方面，可选地，所述对所述影响因素数据和历史运行状况数据进行数据处理，包括：对所述历史运行状况数据进行筛选；和/或对所述历史运行状况数据进行标准化；和/或对所述历史运行状况进行归类。

7、上述设备运行状况预测模型的构建方法，通过对历史运行状况数据进行筛选、标准化和/或归类，使得不同维度之间的特征数值之间具有了一定的比较性，以及使得模型训练过程中的寻优过程变得平缓。最终，提升了最终所获得预测模型的预测精度以及收敛速度。

8、结合第一方面，可选地，所述根据所述数据集构建所述设备运行状况的预测模型，包括：按照设定比例将所述数据集进行划分为训练集、验证集以及测试集；其中，所述设定比例根据所述数据集的数据量确定；根据所述训练集、验证集以及测试集构建所述预测模型。

9、上述设备运行状况预测模型的构建方法，通过对用于构建模型的数据集按预设比例划分为训练集、验证集以及测试集，提高了最终所获得预测模型的泛化能力以及预测精确度。

10、结合第一方面，可选地，其中，所述训练集包括训练输入变量集和训练输出变量集；所述根据所述训练集、验证集以及测试集构建所述预测模型，包括：利用核函数对所述训练输入变量集进行数据升维，以获得升维输入变量集；利用最小化结构风险法，根据所述升维输入变量集、所述训练输出变量集构建回归模型；以及根据所述回归模型构建所述预测模型。

11、上述设备运行状况预测模型的构建方法，通过利用核函数对训练输入变量集进行数据升维，并最小化结构风险法构建回归模型，提高了最终所获得的预测模型对大型数据集的处理速度、预测的准确度以及鲁棒性。并且，还提高了预测模型的提高模型表达能力和泛化能力，通过利用最小化结构风险法中引入的正则化项或惩罚项，平衡了模型对训练数据和未知数据的适应程度。

12、结合第一方面，可选地，其中，所述验证集包括验证输入变量集和验证输出变量集；所述根据所述训练集、验证集以及测试集构建所述预测模型，包括：将所述训练集输入初始模型训练，以获得训练模型；将所述验证输入变量集输入所述训练模型，以获得所述训练模型输出的预测变量集；以及判断所述预测变量集与所述验证输出变量集之间的第一误差是否小于第一预设值；若判定所述第一误差不小于第一预设值，则调整所述初始模型的初始模型参数以获得调整后初始模型，并根据所述调整后初始模型构建所述预测模型。

13、上述设备运行状况预测模型的构建方法，通过验证集对训练所获得的训练模型进行验证，并根据验证结果调整模型参数，进一步地提高了预测模型的预测精确度。

14、结合第一方面，可选地，所述调整所述初始模型的初始模型参数以获得调整后初始模型，包括：利用超参数优化法获取优化模型参数；以及根据所述优化模型参数构建所述调整后初始模型。

15、上述设备运行状况预测模型的构建方法，通过利用超参数优化法获取用于调整模型参数的优化模型参数，有效地避免了过度拟合的问题，进而更进一步地提高了预测模型的预测精确度。

16、结合第一方面，可选地，其中，所述测试集包括测试输入变量集和测试输出变量集；所述根据所述调整后初始模型构建所述预测模型，包括：根据所述调整后初始模型构建验证后训练模型；将所述测试输入变量集输入所述训练模型，以获得所述训练模型输出的预测变量集；以及判断所述预测变量集与所述验证输出变量集之间的第二误差是否小于第二预设值；若判定所述第二误差不小于第二预设值，则对所述数据集进行调整以获得调整后数据集，并根据所述调整后数据集构件所述预测模型。

17、上述设备运行状况预测模型的构建方法，通过使用测试集对模型的预测能力和分类能力等进行评估，可根据评估结果调整用于构建预测模型的数据集，进而进一步地提高了预测模型的预测精确度。

18、第二方面，本技术还提供了一种设备运行状况预测模型的构建装置，包括获取模块、处理模块和构建模块；其中，所述获取模块，用于获取设备历史运行状况数据及对应的影响因素数据；其中，所述影响因素数据包括所述设备的动静态数据和所述设备所处环境的环境数据；所述处理模块，用于对所述影响因素数据和历史运行状况数据进行数据处理，以获得用于构建模型的数据集；所述构建模块，用于根据所述数据集构建所述设备运行状况的预测模型。

19、上述设备运行状况预测模型的构建装置，具有与上述第一方面、或第一方面的任意一种可选地实施方式所提供的一种设备运行状况预测模型的构建方法相同的有益效果，此处不作赘述。

20、第三方面，本技术还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。

21、上述电子设备，具有与上述第一方面、或第一方面的任意一种可选地实施方式所提供的一种设备运行状况预测模型的构建方法相同的有益效果，此处不作赘述。

22、第四方面，本技术还提供了一种存储介质，所述存储介质包括计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上面描述的方法。

23、上述存储介质，具有与上述第一方面、或第一方面的任意一种可选地实施方式所提供的一种设备运行状况预测模型的构建方法相同的有益效果，此处不作赘述。

24、综上所述，本技术所提供的设备运行状况预测模型的构建方法、装置及存储介质，通过全面地获取跟设备运行相关的各项数据以及对应的历史运行状况数据来构建用于预测设备运行状况，实现了设备运行状况的在线精确预测。并且，在模型训练正式开始之前对影响因素数据和历史运行状况数据进行的数据处理以及数据划分、对训练输入变量集的升维、利用最小化结构风险法构建回归模型、以及利用验证集和测试集对模型的验证与评估，均进一步地提高了模型的预测精确度和泛化能力。尤其是将本技术所提供的设备运行状况预测模型的构建方法、装置及存储介质用于对隧道机电设备的寿命进行预测，提高了对隧道机电设备的寿命进行预测准确性，进而方便了用户根据该隧道机电设备的寿命采取相应的措施，最终提高了工作效率。