压力机预警方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及深度学习和计算机视觉技术领域，尤其涉及一种压力机预警方法、装置、电子设备及存储介质。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术，以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。

压力机在汽车制造领域中有着广泛的应用。相关技术中，在压力机运行过程中，由于外部环境的变化、操作不当以及零件老化等原因，可能会导致一些安全隐患事件的发生。

发明内容

本公开提供了一种压力机预警方法、装置、电子设备、存储介质及计算机程序产品。

根据本公开的第一方面，提供了一种压力机预警方法，包括：采集与参考时间信息对应的实际运行数据，其中，所述实际运行数据包括：压力机运行参数的多个候选参数值；从所述多个候选参数值中，确定目标参数值；以及根据所述参考时间信息和所述目标参数值，确定预测参数信息，其中，所述预测参数信息用于对所述压力机进行预警。

根据本公开的第二方面，提供了一种压力机预警装置，包括：采集模块，用于采集与参考时间信息对应的实际运行数据，其中，所述实际运行数据包括：压力机运行参数的多个候选参数值；第一确定模块，用于从所述多个候选参数值中，确定目标参数值；以及第二确定模块，用于根据所述参考时间信息和所述目标参数值，确定预测参数信息，其中，所述预测参数信息用于对所述压力机进行预警。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开第一方面实施例的压力机预警方法。

根据本公开的第四方面，提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开第一方面实施例的压力机预警方法。

根据本公开的第五方面，提出了一种计算机程序产品，包括计算机程序，当计算机程序由处理器执行时实现本公开第一方面实施例的压力机预警方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4a是本公开一实施例中初始序列预测模型的网络结构示意图；

图4b是本公开另一实施例中初始序列预测模型的网络结构示意图；

图4c是本公开另一实施例中初始序列预测模型的网络结构示意图；

图5是根据本公开第四实施例的示意图；

图6是根据本公开第五实施例的示意图；

图7示出了可以用来实施本公开的实施例的压力机预警方法的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本公开第一实施例的示意图。

需要说明的是，本实施例的压力机预警方法的执行主体为压力机预警装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

本公开实施例涉及人工智能技术领域，具体涉及深度学习和计算机视觉技术领域，。

其中，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

深度学习，是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

计算机视觉，是由计算机模拟人类的视觉过程，具有感受环境的能力和人类视觉功能的技术。是图像处理、人工智能和模式识别等技术的综合。主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，以用于实际检测、测量和控制。

相关技术中，在压力机运行过程中，由于外部环境的变化、操作不当以及零件老化等原因，可能会导致一些安全隐患事件的发生。因此，有必要对压力机未来一段时间内运行参数的情况进行预测。

由此，本公开实施例中提供的压力机预警方法，通过采集与参考时间信息对应的实际运行数据，其中，实际运行数据包括：压力机运行参数的多个候选参数值，并从多个候选参数值中，确定目标参数值，以及根据参考时间信息和目标参数值，确定预测参数信息，其中，预测参数信息用于对压力机进行预警，能够支持对压力机未来运行参数的情况进行有效预测，从而有效提升压力机预警效果。

如图1所示，该压力机预警方法，包括：

S101：采集与参考时间信息对应的实际运行数据，其中，实际运行数据包括：压力机运行参数的多个候选参数值。

其中，参考时间信息，可以用于描述压力机运行过程中已经过的一段时间，该参考时间信息可以用于对压力机未来运行参数的情况进行预测，参考时间信息比如，一分钟、一个小时、一个半小时等，对此不做限制。

其中，实际运行数据，是指压力机运行过程中实际所产生的运行数据；运行参数，是指压力机的运行数据中所涉及的一些参数，比如运行温度、加速度等；候选参数值，是指真实所测定的运行参数对应的参数值，具体例如温度值、加速度值、速度值等，当对一段时间内的运行参数的候选参数值进行测定时，会测定得到若干个候选参数值。

本公开实施例中，为了避免引入过多预测数据量，可以采集与参考时间信息对应的实际运行数据，例如，可以采集该参考时间信息指示的时长内的实际运行数据，以作为预测未来运行参数的情况的参考数据。

举例而言，采集1个小时内压力机的运行数据，如果运行数据是连续的，则可以基于一定的采样率从连续的运行数据中采样，并将采样所得运行数据作为实际运行数据，如果运行数据是离散的，则可以直接将采样所得运行数据作为实际运行数据。

举例而言，采集1个半小时内压力机的运行温度的温度值(其中，运行温度即为一种运行参数，温度值为运行温度对应的一个参数值)，采样率是每半分钟采样一次，则可以每半分钟采样运行温度的一个温度值，共采样得到运行温度的180个温度值，则该180个温度值即可以被作为多个候选参数值。

举例而言，在采集与参考时间信息对应的实际运行数据时，可以将温度测量计、加速度计等设置在压力机的轴承位置处，而后，基于温度测量计采集运行温度的多个温度值，基于加速度计采集加速度的多个加速度值。

S102：从多个候选参数值中，确定目标参数值。

上述在采集与参考时间信息对应的实际运行数据之后，可以从实际运行数据所包含压力机运行参数的多个候选参数值之中确定目标参数值。

其中，目标参数值，是指基于压力机应用场景情况所选择的一个或者多个候选参数值。

本公开实施例中，可以基于压力机应用场景中的预警处理机制来确定选择规则，并基于选择规则从多个候选参数值中选择部分候选参数值作为目标参数值。

举例而言，如果预警处理机制是峰值预警机制，即在运行参数的参数值达到阈值时触发进行预警，则可以确定从多个候选参数值中，选择一个或者多个峰值参数值作为目标参数值；如果预警处理机制是有效值预警机制，即在运行参数的参数值为有效值时，触发进行预警判定，则可以确定从多个候选参数值中，选择一个或者多个有效参数值作为目标参数值；当然，选择规则可以根据压力机应用场景中的预警处理机制灵活设置，对此不做限制。

在本公开的一些实施例中，为了使得所选择目标参数值，能够有效地支持提升对压力机未来运行参数情况的预测准确度，使得所选择目标参数值能够有效适配于峰值预警机制以及适配个性化的压力机应用场景，在执行从多个候选参数值中，确定目标参数值的步骤时，可以是确定多个候选参数值之间的变化趋势信息，并根据变化趋势信息，从多个候选参数值中确定峰值参数值，并将峰值参数值作为目标参数值。

其中，变化趋势信息，用于描述多个候选参数值之间的大小变化情况。

举例而言，可以从参考时间信息中确定与每个候选参数值对应的采样时间点，而后，基于变化趋势信息和多个采样时间点拟合出多个候选参数值的波形曲线，并基于该波形曲线确定波峰参数值和/或波谷参数值，将波峰参数值和/或波谷参数值作为峰值参数值，其中，峰值参数值的数量可以是一个或者多个，对此不做限制。

在本公开的一些实施例中，为了使得所选择目标参数值，能够有效地支持提升对压力机未来运行参数情况的预测准确度，使得所选择目标参数值能够有效适配于有效值预警机制以及适配个性化的压力机应用场景，在执行从多个候选参数值中，确定目标参数值的步骤时，可以从多个候选参数值中，确定属于相同周期的部分候选参数值，并根据部分候选参数值，生成运行参数的有效参数值，并将运行参数的有效参数值作为目标参数值。

举例而言，可以确定多个候选参数值之间的周期变化规律，确定属于相同周期内部分候选参数值，而后，确定部分候选参数值的均方根值，将均方根值作为有效参数值，对此不做限制。

S103：根据参考时间信息和目标参数值，确定预测参数信息，其中，预测参数信息用于对压力机进行预警。

上述在采集与参考时间信息对应的实际运行数据，其中，实际运行数据包括：压力机运行参数的多个候选参数值，并从多个候选参数值中，确定目标参数值之后，可以结合参考时间信息和目标参数值，确定预测参数信息，以基于预测参数信息用于对压力机进行预警。

其中，预测参数信息，表示预测所得的压力机未来运行参数的情况信息，例如，未来运行参数的一个或多个预测参数值，以及该一个或多个预测参数值所对应的预测时间点，对此不做限制。

也即是说，本公开实施例中，支持对压力机未来运行参数的情况进行预测，并且，是基于从多个候选参数值中所选择目标参数值来进行预测，由于所选择目标参数值能够有效适配于压力机应用场景情况下的预警处理机制，从而预测所得预测参数信息，也能够有效适配于相应预警处理机制，同时还能够有效地减少预测所需数据量，降低压力机预警运算消耗，减少运算复杂度，当基于预测参数信息对压力机进行预警时，能够获得较优的预警效果，有效避免安全隐患事件的发生。

本实施例中，通过采集与参考时间信息对应的实际运行数据，其中，实际运行数据包括：压力机运行参数的多个候选参数值，并从多个候选参数值中，确定目标参数值，以及根据参考时间信息和目标参数值，确定预测参数信息，其中，预测参数信息用于对压力机进行预警，能够支持对压力机未来运行参数的情况进行有效预测，从而有效提升压力机预警效果。

图2是根据本公开第二实施例的示意图。

如图2所示，该压力机预警方法，包括：

S201：采集与参考时间信息对应的实际运行数据，其中，实际运行数据包括：压力机运行参数的多个候选参数值。

S202：从多个候选参数值中，确定目标参数值。

针对S201-S202的描述说明可以具体参见上述实施例，在此不再赘述。

S203：根据多个目标参数值和参考时间信息，生成目标参数序列。

其中，序列是被排成一列的对象(或事件)，序列中每个元素之间具有一定的顺序关系，不同排序方式下，序列中的若干个元素能够表示出不同的上下文特征，本公开实施例中，依据参考时间信息对多个目标参数值排序得到的时间序列，可以被称为目标参数序列，在形成目标参数序列时，可以是基于参考时间信息来确定排序方式，对此不做限制。

本公开实施例中，可以从参考时间信息中确定与每个目标参数值对应的时间点，而后，根据多个时间点和每个时间点上的目标参数值形成目标参数序列，该目标参数序列能够携带多个目标参数值之间的分布特征。

S204：确定与目标参数序列对应的目标序列特征。

上述在根据多个目标参数值和参考时间信息，生成目标参数序列之后，可以对目标参数序列进行特征分析处理，以确定出目标参数序列所携带的多个目标参数值之间的分布特征，对此不做限制。

举例而言，可以将目标参数序列输入至特征分析模型中，并基于特征分析模型处理目标参数序列，以得到目标参数序列所携带的多个目标参数值之间的分布特征，作为目标序列特征，或者，也可以采用其他任意可能的方式实现确定与目标参数序列对应的目标序列特征，比如工程学方式、建模方式等，对此不做限制。

在本公开的一些实施例中，为了提升对目标参数序列的分布特征的分析准确性，使得分析所得目标序列特征具有更好的动态范围，更清晰地表示出多个目标参数值之间的分布特征，在执行确定与目标参数序列对应的目标序列特征的步骤时，可以是对目标参数序列进行频域变换，得到目标频域序列，并确定与目标频域序列对应的频域序列特征，并将频域序列特征作为目标序列特征。

其中，频域变换方式可以是小波变换，快速傅里叶变换(Fast FourierTransform，FFT)，希尔伯特-黄变换(Hilbert-Huang Transform，HHT)等中的任一种，对此不做限制。

其中，对目标参数序列进行频域变换所得频域序列，可以被称为目标频域序列。目标频域序列所携带的多个目标参数值之间在频域维度的分布特征，可以被称为频域序列特征。

举例而言，可以采用上述频域变换方式对目标参数序列进行频域变换，得到目标频域序列，该目标频域序列能够携带多个目标参数值之间在频域维度的分布特征，而后，可以对目标频域序列进行频域特征分析处理，并将分析所得频域序列特征作为目标序列特征。

S205：根据目标序列特征，确定预测参数信息，其中，预测参数信息用于对压力机进行预警。

也即是说，本公开实施例中，可以确定出多个目标参数值，并根据多个目标参数值和参考时间信息，生成目标参数序列，确定与目标参数序列对应的目标序列特征，以及根据目标序列特征，确定预测参数信息，由于对多个目标参数值之间在频域维度的分布特征进行识别，且频域序列特征具有更好的动态范围，更清晰地表示出多个目标参数值之间的分布特征，从而在基于目标序列特征，确定预测参数信息时，能够使得预测参数信息的预测效果更为准确，进一步提升压力机的预警准确度。

举例而言，在根据目标序列特征，确定预测参数信息时，可以是结合一些预测算法处理目标序列特征，以预测得到预测参数信息，或者，可以结合其他任意可能的方式实现根据目标序列特征，确定预测参数信息，比如建模的方法、工程学方法等，对此不做限制。

本实施例中，能够支持对压力机未来运行参数的情况进行有效预测，从而有效提升压力机预警效果。通过确定出多个目标参数值，并根据多个目标参数值和参考时间信息，生成目标参数序列，确定与目标参数序列对应的目标序列特征，以及根据目标序列特征，确定预测参数信息，由于对多个目标参数值之间在频域维度的分布特征进行识别，且频域序列特征具有更好的动态范围，更清晰地表示出多个目标参数值之间的分布特征，从而在基于目标序列特征，确定预测参数信息时，能够使得预测参数信息的预测效果更为准确，进一步提升压力机的预警准确度。

图3是根据本公开第三实施例的示意图。

如图3所示，该压力机预警方法，包括：

S301：采集与参考时间信息对应的实际运行数据，其中，实际运行数据包括：压力机运行参数的多个候选参数值。

S302：从多个候选参数值中，确定目标参数值。

S303：根据多个目标参数值和参考时间信息，生成目标参数序列。

S304：确定与目标参数序列对应的目标序列特征。

针对S301-S304的描述说明可以具体参见上述实施例，在此不再赘述。

S305：根据目标序列特征，确定与预测时间信息对应的预测参数序列，其中，预测参数序列包括：压力机运行参数的至少一个预测参数值。

其中，预测时间信息，可以用于描述压力机未来运行过程中的一段时间，预测时间信息比如，一分钟、一个小时、一个半小时等，对此不做限制。

其中，预测得到的参数值，可以被称为预测参数值，该预测参数值，可以具体是指在预测时间信息指示的时长内的参数值，比如，预测参数值，是预测未来一分钟内运行参数的参数值，或者是预测未来一个小时内运行参数的参数值，对此不做限制。

其中，可以结合压力机应用场景设置预测时间信息，还可以对预测时间信息进行自适应调整，对此不做限制。

本公开实施例中，可以直接根据目标序列特征，确定与预测时间信息对应的预测参数序列，其中，预测所得若干个预测参数值构成的参数序列，可以被称为预测参数序列。

由于目标序列特征具有更好的动态范围，并且能够清晰地表示出多个目标参数值之间的分布特征，当基于目标序列特征预测与预测时间信息对应的预测参数序列，并基于预测参数序列表达压力机未来运行参数的情况，使得预测所得预测参数序列能够具有更优的参考价值，能够获得更为准确的预警效果。

压力机运行参数的至少一个预测参数值，可以例如未来一分钟内运行温度的预测值，未来一个小时内运行温度的预测值，或者例如未来一分钟内加速度的预测值，未来一个小时内加速度的预测值，预测参数值的数量可以是一个或者多个，对此不做限制。

本公开实施例中，如果目标参数值是峰值参数值，则预测参数值也可以是预测所得未来一段时间内运行参数的峰值，如果目标参数值是有效参数值，则预测参数值也可以是预测所得未来一段时间内运行参数的有效值，对此不做限制。

在本公开的一些实施例中，为了有效提升预测参数序列的预测效率和预测准确率，在执行根据目标序列特征，确定与预测时间信息对应的预测参数序列的步骤时，可以是将目标序列特征输入至目标序列预测模型之中，得到目标序列预测模型输出的参数序列，以及与输出的参数序列对应的时间信息，并将输出的参数序列作为预测参数序列，并将对应的时间信息作为预测时间信息，其中，目标序列预测模型已学习到目标序列特征和与预测时间信息对应的预测参数序列之间的映射关系。

其中，目标序列预测模型，可以是预先对人工智能模型训练得到，人工智能模型可以是神经网络模型，或者是机器学习模型，该人工智能模型可以是能够进行时间序列预测的神经网络模型，例如是样本卷积交换网络(Sample Convolution and InteractionNetworks，SCINet)模型，SCINet模型能够基于输入样本的卷积和交互预测与输入样本相关的未来信息。

本公开实施例中，可以预先对SCINet模型进行训练，使训练所得SCINet模型能够学习到目标序列特征和与预测时间信息对应的预测参数序列之间的映射关系，则训练所得SCINet模型，即可以被称为目标序列预测模型，针对目标序列预测模型的训练方法可以具体参见下述描述。

S306：将预测时间信息和至少一个预测参数值作为预测参数信息。

上述在根据目标序列特征，确定与预测时间信息对应的预测参数序列，可以将预测参数序列所包括的压力机运行参数的至少一个预测参数值，和预测时间信息共同作为预测参数信息。

本公开实施例中，还可以支持基于预测时间信息和至少一个预测参数值来对压力机进行预警，具体参见下述描述。

S307：获取与预测时间信息对应的参数阈值。

本公开实施例中，在不同的预测时间信息内，可以对应设置不同的参数阈值，参数阈值，是指确定压力机运行参数的情况达到预警条件的门限值。

举例而言，假设预测时间信息是未来一分钟，则确定未来一分钟内压力机运行温度的上限温度值是40摄氏度，则该上限温度值40摄氏度，即为与预测时间信息对应的参数阈值，对此不做限制。

S308：确定预测参数值和参数阈值之间的比对结果信息。

其中，比对结果信息，用于描述预测参数值和参数阈值之间比对结果。

上述获取与预测时间信息对应的参数阈值之后，还可以确定预测参数值和参数阈值之间的比对结果信息，比如，确定未来一分钟内压力机运行温度的预测参数值是39摄氏度，则可以确定39摄氏度和上限温度值是40摄氏度之间的比对结果信息，基于比对结果信息确定是否触发预警。

S309：根据比对结果信息，对压力机进行预警。

举例而言，如果过比对结果信息指示预测参数值大于或等于参数阈值，则可以触发对压力机进行预警，如果比对结果信息指示预测参数值小于参数阈值，则可以对下一个预测参数值和参数阈值之间的比对结果信息进行确定，直至遍历完毕所有预测参数值。

由于获取与预测时间信息对应的参数阈值，并确定预测参数值和参数阈值之间的比对结果信息，以及根据比对结果信息，对压力机进行预警，实现对压力机的运行过程进行及时地预警处理，以在预测到运行参数的参数值可能超过某个设定阈值时，提前介入压力机的运行过程，便于采取一些预防措施以减少故障损失，提升压力机运行稳健性。

另外，本公开实施例中能够在压力机运行过程中对其未来运行参数的情况进行预测，随着运行过程的推进，实际运行数据也在不断地动态更新，相应地，预测参数值也会随着动态更新，由此，本公开实施例中支持持续地对压力机的运行过程进行全面监测，以保障压力机的稳健运行。

本实施例中，能够支持对压力机未来运行参数的情况进行有效预测，从而有效提升压力机预警效果。通过确定出多个目标参数值，并根据多个目标参数值和参考时间信息，生成目标参数序列，确定与目标参数序列对应的目标序列特征，以及根据目标序列特征，确定预测参数信息，由于对多个目标参数值之间在频域维度的分布特征进行识别，且频域序列特征具有更好的动态范围，更清晰地表示出多个目标参数值之间的分布特征，从而在基于目标序列特征，确定预测参数信息时，能够使得预测参数信息的预测效果更为准确，进一步提升压力机的预警准确度。由于目标序列特征具有更好的动态范围，并且能够清晰地表示出多个目标参数值之间的分布特征，当基于目标序列特征预测与预测时间信息对应的预测参数序列，并基于预测参数序列表达压力机未来运行参数的情况，使得预测所得预测参数序列能够具有更优的参考价值，能够获得更为准确的预警效果。由于获取与预测时间信息对应的参数阈值，并确定预测参数值和参数阈值之间的比对结果信息，以及根据比对结果信息，对压力机进行预警，实现对压力机的运行过程进行及时地预警处理，以在预测到运行参数的参数值可能超过某个设定阈值时，提前介入压力机的运行过程，便于采取一些预防措施以减少故障损失，提升压力机运行稳健性。

在本公开的一些实施例中，还可以基于以下方式训练得到目标序列预测模型：获取压力机的样本序列特征，其中，样本序列特征，是从压力机的样本运行数据中确定样本参数值，并根据样本参数值和与样本运行数据对应的样本时间信息形成初始参数序列，以及对初始参数序列进行频域变换所得到的序列特征；确定与样本序列特征对应的标注时间信息，以及与标注时间信息对应的标注参数序列；将样本序列特征输入至初始序列预测模型之中，得到初始序列预测模型输出的样本参数序列，以及与样本参数序列对应的时间信息；确定样本序列特征、样本参数序列、样本时间信息，以及与样本参数序列对应的时间信息之间的初始损失信息；以及根据初始损失信息对初始序列预测模型进行迭代训练，直至基于迭代训练所得序列预测模型确定的损失信息满足损失条件，将迭代训练所得序列预测模型作为目标序列预测模型，实现对压力机运行参数的具有复杂时间动态的目标参数序列和预测参数序列之间进行人工智能建模，使得训练所得目标序列预测模型能够有效地学习到目标序列特征和与预测时间信息对应的预测参数序列之间的映射关系，有效提升目标序列预测模型的线上预测效果。

其中，初始序列预测模型的网络结构，可以参见SCINet模型的网络结构，如图4a、图4b、图4c所示，图4a是本公开一实施例中初始序列预测模型的网络结构示意图，图4b是本公开另一实施例中初始序列预测模型的网络结构示意图，图4c是本公开另一实施例中初始序列预测模型的网络结构示意图，其中，图4a中的SCI-Block模块，是指SCINet模型中的基本构成模块，该SCI-Block模块可以将输入数据和/或特征分割为两个子序列，而后，使用不同的卷积滤波器提取每个子序列的特征，以保留异构信息。为了补偿下采样过程中的信息损失，在每个SCI-Block模块中合并了两个卷积特征之间的交互学习。

在图4b中，包括多层SCI-Block模块，在每一层中，可以使用多个卷积滤波器从下采样的子序列或特征中提取具有参考价值的时间特征。多层SCI-Block模块形成一个SCINet子模型，在图4c中，可以将多个SCINet子模型堆叠，形成SCINet模型，以使得SCINet模型可以有效地对具有复杂时间动态的时间序列进行建模。

本公开实施例中，可以获取压力机的样本序列特征，其中，样本序列特征，是从压力机的样本运行数据中确定样本参数值，并根据样本参数值和与样本运行数据对应的样本时间信息形成初始参数序列，以及对初始参数序列进行频域变换所得到的序列特征，也即是说，样本序列特征，是基于压力机的样本运行数据分析得到，分析方法可以具体参见上述实施例中基于实际运行数据分析得到目标序列特征的过程，在此不再赘述。

其中，样本运行数据，是指用于对初始序列预测模型进行训练的运行数据；样本序列特征，是指用于对初始序列预测模型进行训练的序列特征；样本参数值，是指用于对初始序列预测模型进行训练的峰值参数值或者有效参数值；样本时间信息，是指用于对初始序列预测模型进行训练时作为参照的时间信息；标注时间信息和标注参数序列，均可以是用于确定迭代训练过程中序列预测模型是否满足收敛时机的参照信息。

由此，本公开实施例中，可以是将样本序列特征输入至初始序列预测模型之中，得到初始序列预测模型输出的样本参数序列，以及与样本参数序列对应的时间信息；确定样本序列特征、样本参数序列、样本时间信息，以及与样本参数序列对应的时间信息之间的初始损失信息，而后，基于初始损失信息对初始序列预测模型进行多轮迭代训练，初始损失信息，可以是基于损失函数对样本序列特征、样本参数序列、样本时间信息，以及与样本参数序列对应的时间信息处理得到，并在每轮迭代训练过程中，对初始损失信息进行更新，直至更新损失信息满足损失条件，将迭代训练所得序列预测模型作为目标序列预测模型，更新损失信息满足损失条件，可以例如是更新损失信息小于损失阈值，由此完成目标序列预测模型的训练。

需要说明的是，上述目标序列预测模型的训练过程可以是在线下完成，线上对压力机进行预警时，直接基于训练所得目标序列预测模型进行线上预警，构建所得目标序列预测模型，可以在线上压力机预警中，对压力机的温度和/或振动信号进行预警。在温度预警中，采集主电机的电流、速度以及温度作为实际运行数据，并进行预警分析。在振动信号预警中，可以对压力机中轴承的时域加速度的峰值、有效值，以及轴承对象值进行有效预测。可以较为广泛的应用于时间特征较为复杂的时序预测应用场景中。

本公开实施例中压力机预警，可以被视为压力机二级预警，相比于压力机出厂预设置的一级预警，压力机二级预警可以做到防患于未然，在预测到压力机的关键运行参数未来运行情况中可能会超过阈值时，提前介入压力机的工作，能够有效避免因为工况异常所导致的生产线的停滞，且在预测算法中，综合预测效果与时间复杂度等多方面因素，具有较强的综合优势。

图5是根据本公开第四实施例的示意图。

如图5所示，该压力机预警装置50，包括：

采集模块501，用于采集与参考时间信息对应的实际运行数据，其中，实际运行数据包括：压力机运行参数的多个候选参数值。

第一确定模块502，用于从多个候选参数值中，确定目标参数值。

第二确定模块503，用于根据参考时间信息和目标参数值，确定预测参数信息，其中，预测参数信息用于对压力机进行预警。

在本公开的一些实施例中，第一确定模块502，具体用于：

确定多个候选参数值之间的变化趋势信息；

根据变化趋势信息，从多个候选参数值中确定峰值参数值，并将峰值参数值作为目标参数值。

在本公开的一些实施例中，第一确定模块502，具体用于：

从多个候选参数值中，确定属于相同周期的部分候选参数值；

根据部分候选参数值，生成运行参数的有效参数值，并将运行参数的有效参数值作为目标参数值。

在本公开的一些实施例中，目标参数值的数量是多个；其中，第二确定模块503，具体用于：

根据多个目标参数值和参考时间信息，生成目标参数序列；

确定与目标参数序列对应的目标序列特征；以及

根据目标序列特征，确定预测参数信息。

在本公开的一些实施例中，第二确定模块503，还用于：

对目标参数序列进行频域变换，得到目标频域序列；

确定与目标频域序列对应的频域序列特征，并将频域序列特征作为目标序列特征。

在本公开的一些实施例中，第二确定模块503，还用于：

根据目标序列特征，确定与预测时间信息对应的预测参数序列，其中，预测参数序列包括：压力机运行参数的至少一个预测参数值；

将预测时间信息和至少一个预测参数值作为预测参数信息。

在本公开的一些实施例中，第二确定模块503，进一步用于：

将目标序列特征输入至目标序列预测模型之中，得到目标序列预测模型输出的参数序列，以及与输出的参数序列对应的时间信息；

将输出的参数序列作为预测参数序列，并将对应的时间信息作为预测时间信息；

其中，目标序列预测模型已学习到目标序列特征和与预测时间信息对应的预测参数序列之间的映射关系。

在本公开的一些实施例中，如图6所示，图6是根据本公开第五实施例的示意图，该压力机预警装置60，包括：采集模块601，第一确定模块602，第二确定模块603，该压力机预警装置60还包括：

获取模块604，用于获取压力机的样本序列特征，其中，样本序列特征，是从压力机的样本运行数据中确定样本参数值，并根据样本参数值和与样本运行数据对应的样本时间信息形成初始参数序列，以及对初始参数序列进行频域变换所得到的序列特征。

第三确定模块605，用于确定与样本序列特征对应的标注时间信息，以及与标注时间信息对应的标注参数序列。

处理模块606，用于将样本序列特征输入至初始序列预测模型之中，得到初始序列预测模型输出的样本参数序列，以及与样本参数序列对应的时间信息。

第四确定模块607，用于确定样本序列特征、样本参数序列、样本时间信息，以及与样本参数序列对应的时间信息之间的初始损失信息。

训练模块608，用于根据初始损失信息对初始序列预测模型进行迭代训练，直至基于迭代训练所得序列预测模型确定的损失信息满足损失条件，将迭代训练所得序列预测模型作为目标序列预测模型。

在本公开的一些实施例中，如图6所示，预测参数信息包括：预测时间信息和预测参数值；该压力机预警装置60，还包括：

预警模块609，用于获取与预测时间信息对应的参数阈值，并确定预测参数值和参数阈值之间的比对结果信息，以及根据比对结果信息，对压力机进行预警。

可以理解的是，本实施例附图6中的压力机预警装置60与上述实施例中的压力机预警装置50，采集模块601与上述实施例中的采集模块501，第一确定模块602与上述实施例中的第一确定模块502，第二确定模块603与上述实施例中的第二确定模块503，可以具有相同的功能和结构。

需要说明的是，前述对压力机预警方法的解释说明也适用于本实施例的压力机预警装置，在此不再赘述。

本实施例中，通过采集与参考时间信息对应的实际运行数据，其中，实际运行数据包括：压力机运行参数的多个候选参数值，并从多个候选参数值中，确定目标参数值，以及根据参考时间信息和目标参数值，确定预测参数信息，其中，预测参数信息用于对压力机进行预警，能够支持对压力机未来运行参数的情况进行有效预测，从而有效提升压力机预警效果。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的压力机预警方法的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如压力机预警方法。例如，在一些实施例中，压力机预警方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的压力机预警方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行压力机预警方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。