模型训练方法、故障预测方法、装置及电子设备

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。

结合第一方面，本申请实施例还提供了第一方面的第二种可选的实施方式，根据第一原始样本数据集构建第一特征样本数据集，包括：

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

针对多个第一采样时间点上的每个第一采样时间点，多次将第一采样时间点上所采集的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第一原始样本数据集。

结合第一方面，本申请实施例还提供了第一方面的第三种可选的实施方式，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，多个异常标签与多个第一采样时间点一一对应，针对多个异常标签中的每个异常标签，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，模型训练方法还包括：

根据第一目标数量条第一检测结果序列，确定出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，以在确定出目标时间点上所采集的样本数据存在异常时，判定需要对第一原始故障标签集进行扩充。

结合第一方面的第三种可选的实施方式，本申请实施例还提供了第一方面的第四种可选的实施方式，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，包括：

从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；

从第一目标检测结果序列集中，选取出与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；

根据第一原始样本数据集、第一特征样本数据集、第二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。

第二方面，本申请实施例提供对的故障预测方法包括：

根据第二原始样本数据集构建第二特征样本数据集，第二原始样本数据集用于表征待测联轴器的历史工况，且第二原始样本数据集中包括在多个第二采样时间点上，针对多个第而目标测点中每个第而目标测点所采集的样本数据；

分别通过第一目标数量个异常检测模型对第二原始样本数据集进行无监督学习，获得第一目标数量条第二检测结果序列；

在根据第一目标数量条第二检测结果序列判定需要对第二原始故障标签集进行扩充时，根据实际扩充的第二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二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二检测结果序列，并以此循环，直至根据新的第一目标数量条第二检测结果序列判定无需对第二原始故障标签集进行扩充时，将新的第一目标数量条第二检测结果序列作为第二目标检测结果序列集，以及将扩充之后的第二原始故障标签集作为第二目标故障标签集；

以上述第一方面，或第一方面的任意一种可选的实施方式所提供的联轴器故障预测模型为预测模块，基于第二原始样本数据集、第二特征样本数据集、第二目标检测结果序列集和第二目标故障标签集，获得针对待测联轴器的联轴器故障预测。

第三方面，本申请实施例提供的模型训练装置包括：

第一数据集构建模块，用于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；

第一序列获取模块，用于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；

第一序列集获取模块，用于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；

模型训练模块，用于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。

第四方面，本申请实施例提供的故障预测装置包括：

第二数据集构建模块，用于根据第二原始样本数据集构建第二特征样本数据集，第二原始样本数据集用于表征待测联轴器的历史工况，且第二原始样本数据集中包括在多个第二采样时间点上，针对多个第而目标测点中每个第而目标测点所采集的样本数据；

第二序列获取模块，用于分别通过第一目标数量个异常检测模型对第二原始样本数据集进行无监督学习，获得第一目标数量条第二检测结果序列；

第二序列集获取模块，用于在根据第一目标数量条第二检测结果序列判定需要对第二原始故障标签集进行扩充时，根据实际扩充的第二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二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二检测结果序列，并以此循环，直至根据新的第一目标数量条第二检测结果序列判定无需对第二原始故障标签集进行扩充时，将新的第一目标数量条第二检测结果序列作为第二目标检测结果序列集，以及将扩充之后的第二原始故障标签集作为第二目标故障标签集；

故障预测模块，用于以上述第一方面，或第一方面的任意一种可选的实施方式所提供的联轴器故障预测模型为预测模块，基于第二原始样本数据集、第二特征样本数据集、第二目标检测结果序列集和第二目标故障标签集，获得针对待测联轴器的联轴器故障预测。

第五方面，本申请实施例提供的电子设备包括控制器和存储器，存储器上存储有计算机程序，控制器用于执行计算机程序，以实现上述第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法，或实现上述第二方面所提供的故障预测方法。

第六方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被执行时，实现上述第一方面，或第一方面的任意一种可选的实施方式所提供的模型训练方法，或实现上述第二方面所提供的故障预测方法。

本申请实施例提供的模型训练方法能够基于样本数据集（包括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），以及与样本数据集对应的故障标签集（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，避免了如现有技术般过分依赖于通过经验设定的阈值数据，因此，对环境改变的具有一定的适应能力，能够对联轴器的健康状况进行评估，而做到提前预警，又由于在模型训练方法的实施过程中，特征数据包括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，因此，特征数据较为全面、深层次，且第一目标故障标签集也因不断扩充，而规避了异常数据较少的问题，从而提高了联轴器故障预测模型的可靠性。

本申请实施例提供的故障预测方法、装置、电子设备及计算机可读存储介质具有与上述模型训练方法相同的有益效果，此处不作赘述。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种电子设备的示意性结构框图。

图2为本申请实施例提供的一种模型训练方法的步骤流程图。

图3为本申请实施例提供的一种模型训练方法的整体流程示意图。

图4为本申请实施例提供的一种模型训练装置的示意性结构框图。

图5为本申请实施例提供的一种故障预测方法的步骤流程图。

图6为本申请实施例提供的一种故障预测装置的示意性结构框图。

附图标记：100-电子设备；110-处理器；120-存储器；200-模型训练装置；210-第一数据集构建模块；220-第一序列获取模块；230-第一序列集获取模块；240-模型训练模块；300-故障预测装置；310-第二数据集构建模块；320-第二序列获取模块；330-序列集获取模块；340-故障预测模块。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。此外，应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

请参阅图1，为本申请实施例提供的一种电子设备100的示意性结构框图。本申请实施例中，电子设备100可以是终端设备，例如，电脑、个人数字助理（Personal DigitalAssistant，PAD）、移动上网设备(Mobile Internet Device，MID)等，还可以是服务器，本申请实施例对此不作具体限制。

在结构上，电子设备100可以包括处理器110和存储器120。

处理器110和存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。模型训练装置或故障预测装置包括至少一个可以软件或固件（Firmware）的形式存储在存储器120中或固化在电子设备100的操作系统（Operating System，OS）中的软件模块。处理器110用于执行存储器120中存储的可执行模块，例如，模型训练装置所包括的软件功能模块及计算机程序等，以实现模型训练方法，故障预测装置所包括的软件功能模块及计算机程序等，以实现故障预测方法。

处理器110可以在接收到执行指令后，执行计算机程序。其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图，此外，通用处理器可以是微处理器或者任何常规处理器等。

存储器120可以是，但不限于，随机存取存储器（Random Access Memory，RAM）、只读存储器（Read Only Memory，ROM）、可编程只读存储器（Programmable Read-OnlyMemory，PROM）、可擦可编程序只读存储器（Erasable Programmable Read-Only Memory，EPROM），以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM）。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。

应当理解，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。

请参阅图2，为本申请实施例提供的模型训练方法的流程示意图，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的模型训练方法不以图2及以下所示的顺序为限制，以下结合图2对模型训练方法的具体流程及步骤进行描述。

步骤S110，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。

对于第一原始样本数据集的获取，本申请实施例中，作为一种可选的实施方式，其可以通过步骤S001、步骤S002、步骤S003、步骤S004和步骤S005获取。

步骤S001，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。

本申请实施例中，可以根据样本联轴器所连接的第一电机的转速信息，并结合预设的第一界限转速和第二界限转速，从样本联轴器的历史运行阶段，也即，第一电机的历史运行阶段中划分出多个第一完整工况阶段。实际实施时，第一界限转速和第二界限转速可以根据第一电机的型号和使用场景确定，例如，第一电机在某使用场景下，正常工作时的转速维持在1000±200Rmp区间内，则可以确定第一界限转速为800Rmp，第二界限转速为1200Rmp，进一步地，在第一加速阶段，第一电机的转速为0~800Rmp，且转速处于增加状态，在第一稳定阶段，第一电机的转速为800Rmp ~1200Rmp，在第一降速阶段，第一电机的转速为0~800Rmp，且转速处于降低状态。

在确定出第一界限转速和第二界限转速，并进一步确定出第一加速阶段、第一稳定阶段和第一降速阶段各自对应的转速区间之后，便可以根据第一电机的转速信息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。

步骤S002，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。

步骤S003，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。

步骤S004，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。

本申请实施例中，多个第一目标测点可以包括，但不限于通过传感器监测到的与样本联轴器存在关联的温度和振动幅度，以及第一电机（样本联轴器所连接的电机）的转子转速、三相电流和电压。

以将第一加速阶段内，多个第一采样时间点包括采样时间点1、采样时间点2……采样时间点N，这N个采样时间点为例，第一样本数据集中包括采样时间点1上，针对温度所采集的样本数据、针对振动幅度所采集的样本数据、针对第一电机的转子转速所采集的样本数据、针对第一电机的三相电流所采集的样本数据，针对第一电机的电压所采集的样本数据，同理，第一样本数据集中包括采样时间点2上，针对温度所采集的样本数据、针对振动幅度所采集的样本数据、针对第一电机的转子转速所采集的样本数据、针对第一电机的三相电流所采集的样本数据，针对第一电机的电压所采集的样本数据，以及包括采样时间点N上，针对温度所采集的样本数据、针对振动幅度所采集的样本数据、针对第一电机的转子转速所采集的样本数据、针对第一电机的三相电流所采集的样本数据，针对第一电机的电压所采集的样本数据。

第二样本数据集和第三样本数据集中包括的样本数据可以按照第一样本数据集中包括的样本数据类推，本申请实施例对此不作赘述。

此外，需要说明的是，本申请实施例中，在获得第一样本数据集、第二样本数据集和第三样本数据集之后，还可以分别对第一样本数据集、第二样本数据集和第三样本数据集中包括的样本数据进行数据清洗，而具体的清洗策略可以根据实际需求设定，本申请实施例对此不作具体限制。

步骤S005，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。

根据步骤S005，可以理解的是，本申请实施例中，可以分别以第一样本数据集、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，执行步骤S110、步骤S120、步骤S130和步骤S140，获得对应的联轴器故障预测模型。

在获取到第一原始样本数据集之后，便可以执行步骤S110，以根据第一原始样本数据集构建第一特征样本数据集，而对于步骤S110，本申请实施例中，作为一种可选的实施方式，其可以包括步骤S111、步骤S112和步骤S113。

步骤S111，针对多个第一目标测点中的每个第一目标测点，获取第一目标测点在多个第一采样时间点上所采集样本数据的数据特征信息，数据特征信息包括特征值信息和变化情况表征信息。

本申请实施例中，特征值信息可以包括，但不限于均值、方差、最大值和最小值。

步骤S112，针对多个第一采样时间点上的每个第一采样时间点，多次将第一采样时间点上所采集的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。

以多个第一目标测点包括温度、振动幅度、第一电机的转子转速、三相电流和电压为例，至少两个第一目标测点所对应的样本数据进行组合，获得的组合样本数据可以是温度和振动幅度进行组合获得的组合样本数据，也可以是温度、振动幅度和第一电机的转子转速进行组合获得的组合样本数据，还可以是第一电机的转子转速、三相电流和电压进行组合获得的组合样本数据，本申请实施例对此不作具体限制。

步骤S113，将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第一原始样本数据集。

步骤S120，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。

实际实施时，第一目标数量可以根据实际应用需求设定，本申请实施例对此不作具体限制。此外，本申请实施例中，第一目标数量个异常检测模块包括，但不限于孤立森林，以及通过Bootstrap方式构建不同模型。以第一目标数量的取值为K为例，K个异常检测模块具有对应的K个超参数，分别表征为λ

步骤S130，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。

本申请实施例中，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可以包括多个异常标签，而多个异常标签与多个第一采样时间点一一对应，且针对多个异常标签中的每个异常标签，该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。基于此，本申请实施例提供的模型训练方法在执行步骤S130之前，还可以包括步骤S006和步骤S007，用于判断是否需要对第一原始故障标签集进行扩充。

步骤S006，根据第一目标数量条第一检测结果序列，确定出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。

本申请实施例中，在获得第一目标数量条第一检测结果序列之后，可以使用Voting策略，确定出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。

以第一目标数量的取值为5，5条第一检测结果序列分别表征为第一检测结果序列1、第一检测结果序列2、第一检测结果序列3、第一检测结果序列4和第一检测结果序列5，其中，第一检测结果序列1为异常检测模型1获得的检测结果序列，第一检测结果序列2为异常检测模型2获得的检测结果序列，第一检测结果序列3为异常检测模型3获得的检测结果序列，第一检测结果序列4为异常检测模型4获得的检测结果序列，第一检测结果序列5为异常检测模型5获得的检测结果序列，多个第一采样时间点包括T1、T2……T6为例，假设：

第一检测结果序列1为：100000；

第一检测结果序列2为：110000；

第一检测结果序列3为：110000；

第一检测结果序列4为：110000；

第一检测结果序列5为：000000；

以Voting策略中使用的异常判断阈值E为50%为例，根据5条第一检测结果序列可知第一采样时间点T1对应采集的样本数据存在异常的概率为80%，其大于50%，因此，判定第一采样时间点T1为目标时间点，同样，根据5条第一检测结果序列可知第一采样时间点T2对应采集的样本数据存在异常的概率为60%，其大于50%，因此，判定第一采样时间点T2为目标时间点。

步骤S007，对目标时间点上所采集的样本数据进行二次确认，以在确定出目标时间点上所采集的样本数据存在异常时，判定需要对第一原始故障标签集进行扩充。

对于步骤S007，实际实施时，其可以通过人工根据业务经验，对目标时间点上所采集的样本数据进行二次确认，也可以通过与预设标准数据进行对比，自动对目标时间点上所采集的样本数据进行二次确认，本申请实施例对此不作具体限制。

若通过步骤S006和步骤S007判定不需要对第一原始故障标签集进行扩充，则直接将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，以及将第一原始故障标签集作为第一目标故障标签集，若通过步骤S006和步骤S007判定需要对第一原始故障标签集进行扩充，则执行步骤S130。当然，在执行步骤S130之前，需要预先对第一原始故障标签集进行扩充，而对第一原始故障标签集进行扩充也就是在确定出目标时间点上所采集的样本数据存在异常时，为其添加故障标签，作为第一增量故障标签。

在执行步骤S130的过程中，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实际为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的超参数进行更新。

步骤S140，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。

实际实施时，可以通过分类监督学习训练分类模型，而分类模型的输入数据为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。此外，分类模型的训练过程中，可以按照二分类问题，优化目标为故障分类的AUC，分类模型的调参过程，可以使用K折交叉验证的方式进行。

进一步地，为提高联轴器故障预测模型的可靠性，对于步骤S140，本申请实施例中，作为一种可选的实施方式，其可以包括步骤S141、步骤S142和步骤S143。

步骤S141，从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。

同样，以第一目标数量的取值为5，5条第一检测结果序列分别表征为第一检测结果序列1、第一检测结果序列2、第一检测结果序列3、第一检测结果序列4和第一检测结果序列5，其中，第一检测结果序列1为异常检测模型1获得的检测结果序列，第一检测结果序列2为异常检测模型2获得的检测结果序列，第一检测结果序列3为异常检测模型3获得的检测结果序列，第一检测结果序列4为异常检测模型4获得的检测结果序列，第一检测结果序列5为异常检测模型5获得的检测结果序列，多个第一采样时间点包括T1、T2……T6为例，假设：

第一检测结果序列1为：100000；

第一检测结果序列2为：110000；

第一检测结果序列3为：110000；

第一检测结果序列4为：110000；

第一检测结果序列5为：000000；

目标时间点包括第一采样时间点T1和第一采样时间点T2，若对第一采样时间点T1上所采集的样本数据进行二次确认获得的确认结果为：第一采样时间点T1上所采集的样本数据存在异常，同时，对第一采样时间点T2上所采集的样本数据进行二次确认获得的确认结果为：第一采样时间点T2上所采集的样本数据存在异常，则说明对于第一采样时间点T1上所采集的样本数据，异常检测模型1、异常检测模型2、异常检测模型3和异常检测模型4预测正确，而异常检测模型5预测错误，对于第一采样时间点T2上所采集的样本数据，异常检测模型2、异常检测模型3和异常检测模型4预测正确，而异常检测模型1和异常检测模型5预测错误，则5个异常检测模型的准确度排序为：异常检测模型2=异常检测模型3=异常检测模型4>异常检测模型1>异常检测模型5。

若第一目标数量的取值为3，则确定出准确度排序靠前的3异常检测模型包括异常检测模型2、异常检测模型3和异常检测模型4。

步骤S142，从第一目标检测结果序列集中，选取出与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。

步骤S143，根据第一原始样本数据集、第一特征样本数据集、第二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。

请结合图3，为本申请实施例提供的一种模型训练方法的整体流程示意图，且根据图3，第一目标数量的取值为K，第二目标数量的取值为P，且P小于等于K。

此外，可以理解的是，在分类模型的训练过程中，由于第二目标检测结果序列集中包括P条第一检测结果序列，其在输入分类模型时是作为“表示特征”的，因此，第二目标检测结果序列实际上相当于一个P维的“表示特征序列”，这个P维的“表示特征序列”与第一原始样本数据集中包括的样本数据，以及第一特征样本数据集中包括的数据特征信息和组合样本数据组成新的整体特征集合，并结合第一目标故障标签集中包括的所有故障标签，来实现分类模型的训练。

基于与上述模型训练方法同样的发明构思，本申请实施例还提供了一种模型训练装置200。请参阅图4，本申请实施例提供的模型训练装置200包括第一数据集构建模块210、第一序列获取模块220、第一序列集获取模块230和模型训练模块240。

第一数据集构建模块210，用于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。

第一序列获取模块220，用于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。

第一序列集获取模块230，用于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。

模型训练模块240，用于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这种还可以包括工况划分模块、第一样本数据集获取模块、第二样本数据集获取模块、第三样本数据集获取模块和原始样本数据集获取模块。

工况划分模块，用于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。

第一样本数据集获取模块，用于将第一加速阶段内，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。

第二样本数据集获取模块，用于将第一稳定阶段内，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。

第三样本数据集获取模块，用于将第一降速阶段内，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。

原始样本数据集获取模块，用于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。

本申请实施例中，第一数据集构建模块210可以包括数据特征信息获取单元、组合样本数据获取单元和第一样本数据集构建单元。

数据特征信息获取单元，用于针对多个第一目标测点中的每个第一目标测点，获取第一目标测点在多个第一采样时间点上所采集样本数据的数据特征信息，数据特征信息包括特征值信息和变化情况表征信息。

组合样本数据获取单元，用于针对多个第一采样时间点上的每个第一采样时间点，多次将第一采样时间点上所采集的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。

第一样本数据集构建单元，用于将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第一原始样本数据集。

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，多个异常标签与多个第一采样时间点一一对应，针对多个异常标签中的每个异常标签，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，本申请实施例中，模型训练模块还可以包括异常数据确定模块和数据二次确认模块。

异常数据确定模块，用于根据第一目标数量条第一检测结果序列，确定出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。

数据二次确认模块，用于对目标时间点上所采集的样本数据进行二次确认，以在确定出目标时间点上所采集的样本数据存在异常时，判定需要对第一原始故障标签集进行扩充。

本申请实施例中，模型训练模块240可以包括异常检测模型确定单元、结果序列选取单元和模型训练单元。

异常检测模型确定单元，用于从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。

结果序列选取单元，用于从第一目标检测结果序列集中，选取出与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。

模型训练单元，用于根据第一原始样本数据集、第一特征样本数据集、第二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。

由于本申请实施例提供的模型训练装置200是基于与上述模型训练方法同样的发明构思实现的，因此，模型训练装置200中，每个软件模块的具体描述，均可参见模型训练方法实施例中对应步骤的相关描述，此处不作赘述。

请参阅图5，为本申请实施例提供的故障预测方法的流程示意图，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的故障预测方法不以图5及以下所示的顺序为限制，以下结合图5对故障预测方法的具体流程及步骤进行描述。

步骤S210，根据第二原始样本数据集构建第二特征样本数据集，第二原始样本数据集用于表征待测联轴器的历史工况，且第二原始样本数据集中包括在多个第二采样时间点上，针对多个第而目标测点中每个第而目标测点所采集的样本数据。

步骤S220，分别通过第一目标数量个异常检测模型对第二原始样本数据集进行无监督学习，获得第一目标数量条第二检测结果序列。

步骤S230，在根据第一目标数量条第二检测结果序列判定需要对第二原始故障标签集进行扩充时，根据实际扩充的第二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二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二检测结果序列，并以此循环，直至根据新的第一目标数量条第二检测结果序列判定无需对第二原始故障标签集进行扩充时，将新的第一目标数量条第二检测结果序列作为第二目标检测结果序列集，以及将扩充之后的第二原始故障标签集作为第二目标故障标签集。

步骤S240，以上述联轴器故障预测模型为预测模块，基于第二原始样本数据集、第二特征样本数据集、第二目标检测结果序列集和第二目标故障标签集，获得针对待测联轴器的联轴器故障预测。

需要说明的是，本申请实施例提供的故障预测方法实质是基于与上述模型训练方法同样的发明构思实现的，因此，故障预测方法中每个步骤的具体描述，均可参见模型训练方法实施例中对应步骤的相关描述，此处不作赘述。

基于与上述故障预测方法同样的发明构思，本申请实施例还提供了一种故障预测装置300。请参阅图6，本申请实施例提供的故障预测装置300包括第二数据集构建模块310、第二序列获取模块320、序列集获取模块330和故障预测模块340。

第二数据集构建模块310，用于根据第二原始样本数据集构建第二特征样本数据集，第二原始样本数据集用于表征待测联轴器的历史工况，且第二原始样本数据集中包括在多个第二采样时间点上，针对多个第而目标测点中每个第而目标测点所采集的样本数据。

第二序列获取模块320，用于分别通过第一目标数量个异常检测模型对第二原始样本数据集进行无监督学习，获得第一目标数量条第二检测结果序列。

序列集获取模块330，用于在根据第一目标数量条第二检测结果序列判定需要对第二原始故障标签集进行扩充时，根据实际扩充的第二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二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二检测结果序列，并以此循环，直至根据新的第一目标数量条第二检测结果序列判定无需对第二原始故障标签集进行扩充时，将新的第一目标数量条第二检测结果序列作为第二目标检测结果序列集，以及将扩充之后的第二原始故障标签集作为第二目标故障标签集。

故障预测模块340，用于以上述联轴器故障预测模型为预测模块，基于第二原始样本数据集、第二特征样本数据集、第二目标检测结果序列集和第二目标故障标签集，获得针对待测联轴器的联轴器故障预测。

由于本申请实施例提供的故障预测装置300是基于与上述故障预测方法同样的发明构思实现的，因此，故障预测装置300中，每个软件模块的具体描述，均可参见故障预测方法实施例中对应步骤的相关描述，此处不作赘述。

此外，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被执行时，实现上述方法实施例所提供的模型训练方法或故障预测方法，具体可参见上述方法实施例，本申请实施例中对此不作赘述。

综上所述，本申请实施例提供的模型训练方法能够基于样本数据集（包括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），以及与样本数据集对应的故障标签集（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，避免了如现有技术般过分依赖于通过经验设定的阈值数据，因此，对环境改变的具有一定的适应能力，能够对联轴器的健康状况进行评估，而做到提前预警，又由于在模型训练方法的实施过程中，特征数据包括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，因此，特征数据较为全面、深层次，且第一目标故障标签集也因不断扩充，而规避了异常数据较少的问题，从而提高了联轴器故障预测模型的可靠性。

本申请实施例提供的故障预测方法、装置、电子设备及计算机可读存储介质具有与上述模型训练方法相同的有益效果，此处不作赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这将依据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。此外，在本申请每个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是每个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

此外，所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请每个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

此外，还需要说明的是，在本申请的描述中，如“第一”、“第二”、“第三”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。