用于训练模型的方法和装置

技术领域

本公开涉及计算机技术领域，具体涉及机器学习、智能检测、工业大数据技术领域，尤其涉及用于训练模型的方法和装置。

背景技术

轨道交通是人们生产生活中不可缺少的交通方式，检测轨道列车的故障可以避免列车在运行时发生事故。通常是采用人工对列车的部件进行定期检测，以对检测出的列车故障进行检修。

然而，现有的检测列车故障的方法存在检测效率低的问题。

发明内容

本公开提供了一种用于训练模型的方法、装置、电子设备以及计算机可读存储介质。

根据第一方面，提供了一种用于训练模型的方法，该方法包括：获取目标样本数据集、以及目标样本数据集中的目标样本数据的标签，其中，目标样本数据包括连续样本数据；提取目标样本数据的数据特征，包括：对第一预设时段内的连续样本数据进行统计计算，并将统计计算的结果确定为连续样本数据的数据特征；采用目标样本数据的数据特征、目标样本数据的标签，训练初始故障检测模型，并得到目标故障检测模型。

根据第二方面，提供了一种用于检测故障的方法，该方法包括：获取检测对象运行过程中的实时数据；采用实时数据的数据特征、以及目标故障检测模型确定检测对象的运行状态是否存在故障，其中，目标故障检测模型采用目标样本数据的数据特征、以及目标样本数据的标签训练得到，目标样本数据包括连续样本数据，连续样本数据的数据特征包括对第一预设时段内的连续样本数据进行统计计算的结果；响应于确定检测对象的运行状态存在故障，发出警报信息。

根据第三方面，提供了一种用于训练模型的装置，该装置包括：获取单元，被配置为获取目标样本数据集、以及目标样本数据集中的目标样本数据的标签，其中，目标样本数据包括连续样本数据；提取单元，被配置为提取目标样本数据的数据特征，包括：对第一预设时段内的连续样本数据进行统计计算，并将统计计算的结果确定为连续样本数据的数据特征；训练单元，被配置为采用目标样本数据的数据特征、目标样本数据的标签，训练初始故障检测模型，并得到目标故障检测模型。

根据第四方面，提供了一种用于检测故障的装置，该装置包括：第二获取单元，被配置为获取检测对象运行过程中的实时数据；预测单元，被配置为采用实时数据的数据特征、以及目标故障检测模型确定检测对象的运行状态是否存在故障，其中，目标故障检测模型采用目标样本数据的数据特征、以及目标样本数据的标签训练得到，目标样本数据包括连续样本数据，连续样本数据的数据特征包括对第一预设时段内的连续样本数据进行统计计算的结果；预警单元，被配置为响应于确定检测对象的运行状态存在故障，发出警报信息。

根据第五方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器：存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的用于训练模型的方法，或者实现如第二方面提供的用于训练模型的方法。

根据第六方面，本公开的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的用于训练模型的方法，或者实现如第二方面提供的用于训练模型的方法。

本公开提供的用于训练模型的方法、装置，获取目标样本数据集、以及目标样本数据集中的目标样本数据的标签，其中，目标样本数据包括连续样本数据；提取目标样本数据的数据特征，包括：对第一预设时段内的连续样本数据进行统计计算，并将统计计算的结果确定为连续样本数据的数据特征；采用目标样本数据的数据特征、目标样本数据的标签，训练初始故障检测模型，并得到目标故障检测模型，采用得到的目标故障检测模型检测设备故障，可以提高故障检测的效率以及准确率。

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，不构成对本申请的限定。其中：

图1是本申请的实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于训练模型的方法的一个实施例的流程图；

图3是根据本申请的用于训练模型的方法的另一个实施例的流程图；

图4是根据本申请的用于检测故障的方法的一个实施例的流程图；

图5是根据本申请的用于检测故障的方法中的一个示例的流程图；

图6是根据本申请的用于训练模型的装置的一个实施例的结构示意图；

图7是根据本申请的用于检测故障的装置的一个实施例的结构示意图；

图8是用来实现本申请实施例的用于训练模型的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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示出了可以应用本申请的用于验证系统的方法或用于验证系统的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装各种仿真类进程或者对系统进行测试的进程。终端设备101、102、103上还可以安装有各种客户端应用，例如，信息输入类应用、视频类应用、播放类应用、音频类应用、搜索类应用、购物类应用、金融类应用等。

终端设备101、102、103可以是具有显示屏并且支持接收服务器消息的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、电子播放器、膝上型便携计算机和台式计算机等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种待验证的硬件模组或者电子设备，当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以通过终端设备101、102、103获取目标样本数据集、以及目标样本数据集中的目标样本数据的标签，其中，目标样本数据包括连续样本数据，提取目标样本数据的数据特征，包括：对连续样本数据进行统计计算，并将统计计算的结果确定为连续样本数据的数据特征，采用目标样本数据的数据特征、目标样本数据的标签训练初始故障检测模型，并得到目标故障检测模型。

需要说明的是，本公开的实施例所提供的用于验证系统的方法一般由服务器105执行，相应地，用于验证系统的装置一般设置于服务器105中。

应该理解，图1中的设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的设备、网络和服务器。

继续参考图2，示出了根据本公开的用于训练模型的方法的一个实施例的流程200。用于训练模型的方法，包括以下步骤：

步骤201，获取目标样本数据集、以及目标样本数据集中的目标样本数据的标签，其中，目标样本数据包括连续样本数据。

在本实施例中，用于训练模型的方法的执行主体(例如图1所示的服务器)可以通过有线或者无线的方式从终端设备或者云存储获取目标样本数据集，以及目标样本数据集中的目标样本数据的标签。其中，目标样本数据集中的目标样本数据可以是设备或者任何交通工具在正常运行/工作时的周围环境数据、或者运行参数数据，相应的，该目标样本数据的标签可以是设备或者交通工具不存在故障；目标样本数据可以是设备或者任何交通工具在发生故障时的周围环境数据、或者运行参数数据，相应的，该目标样本数据的标签可以是设备或者交通工具存在故障。

目标样本数据包括连续样本数据，例如，设备的用电量数据、设备所处环境的环境温度数据、交通工具的行驶速度数据、列车的主风管压力数据等连续变化的样本数据。

步骤202，提取目标样本数据的数据特征，包括：对第一预设时段内的连续样本数据进行统计计算，并将统计计算的结果确定为连续样本数据的数据特征。

在本实施例中，可以提取目标样本数据的数据特征，具体地，针对连续样本数据，可以对连续样本数据在第一预设时段内的最大值、最小值、均值、或者中值等统计数据进行计算，并将统计计算的结果确定为该连续样本数据的数据特征。例如，将预设时段内，列车主风管压力的最大值作为目标样本数据(具体为列车主风管压力)的数据特征。第一预设时段可以是任意的时段。

步骤203，采用目标样本数据的数据特征、目标样本数据的标签，训练初始故障检测模型，并得到目标故障检测模型。

在本实施例中，采用目标样本数据的数据特征以及目标样本数据的标签，训练初始故障检测模型，并得到训练完成的目标故障检测模型，使目标故障检测模型中包含数据特征与数据标签之间的映射关系，即，使目标故障检测模型可以基于数据特征得到数据标签。其中，初始故障检测模型可以是服务器本地存储的模型，也可以是服务器基于终端设备或者云存储空间获取到的任意初始模型。

本实施例提供的用于训练模型的方法，获取目标样本数据集、以及目标样本数据集中的目标样本数据的标签，其中，目标样本数据包括连续样本数据；提取目标样本数据的数据特征，包括：对连续样本数据进行统计计算，并将统计计算的结果确定为连续样本数据的数据特征；采用目标样本数据的数据特征、目标样本数据的标签，训练初始故障检测模型，并得到目标故障检测模型，采用得到的目标故障检测模型检测设备故障，可以提高故障检测的效率以及准确率。

可选地，目标样本数据还包括离散样本数据；提取目标样本数据的数据特征，包括：对第二预设时段内的离散样本数据出现预设特征的频次进行统计，并将预设特征的频次统计结果确定为离散样本数据的数据特征。

在本实施例中，目标样本数据中还包括离散样本数据，例如，离散样本数据可以是设备在某一时段内/或者某一时间点的工作状态数据，设备所处环境的环境数据，交通工具所位于的地理位置数据，设备/交通工具运行时的时段数据(如，白天时段或者夜间时段等)等离散化的样本数据。

提取目标样本数据的数据特征包括：对离散样本数据在第二预设时段内出现预设特征的频次进行统计，并将预设特征的频次统计结果确定为离散样本数据的数据特征。其中，预设特征是与离散样本数据相关联的特征，例如，若离散样本数据是设备在某一时段内的工作状态数据，则预设特征可以是工作稳定、或者是工作状态异常；若离散样本数据是设备所处环境的环境数据，则预设特征可以是设备处于极限工作环境、或者是设备处于正常温度工作环境；若离散样本数据是交通工具所位于的地理位置数据，则预设特征可以是交通工具位于高架桥上、隧道内、山地地段等；若离散样本数据是交通工具运行时的时段数据，则预设特征可以是交通工具行驶时间是白天、夜晚或者通行高峰时段等。

具体地，可以将设备或者交通工具发生故障的前预设时段内，离散样本数据出现预设特征的次数，确定为离散样本数据的数据特征。例如，若离散样本数据为设备的输出电压状态数据，则可以将该预设时段内设备的输出电压出现波动的次数，确定为离散样本数据的数据特征；若离散样本数据是交通工具所位于的地理位置，则可以将该预设时段内交通工具位于高架桥上的次数(或者位于隧道内的次数、位于山地地段的次数)确定为离散样本数据的数据特征；若离散样本数据时交通工具运行时的时刻数据，则可以将该预设时段内交通工具行驶在夜晚时段的次数确定为离散样本数据的数据特征。

本实施例中，目标样本数据中还包括离散样本数据，在提取离散样本数据的数据特征时，将离散样本数据出现预设特征的频次统计结果确定为离散样本数据的数据特征，可以提高确定离散样本数据的数据特征的效率以及准确性。

进一步参考图3，其示出了用于训练模型的方法的另一个实施例的流程300。该用于训练模型的方法的流程300，包括以下步骤：

步骤301，获取样本数据集，其中，样本数据集中包括正样本数据与负样本数据，正样本数据的数据量小于负样本数据的数据量。

在本实施例中，用于训练模型的方法的执行主体(例如图1所示的服务器)可以通过有线或者无线的方式从终端设备或者云存储获取样本数据集，其中，样本数据集中包括正样本数据与负样本数据，用于训练模型的正样本数据是指标签表征“存在故障”的样本数据，用于训练模型的负样本数据是指标签表征“不存在故障”或者无标签的样本数据。

可以理解，由于设备或者交通工具在工作/运行过程中，出现故障的事件、相比于其处于正常工作状态的事件属于小概率事件，因此，在获取到的样本数据集中，正样本数据的数据量将远远小于负样本数据的数据量，样本数据集中的正样本数据属于稀有类别的样本数据，样本数据集中的负样本数据属于丰富类别的样本数据。

步骤302，对样本数据集进行样本均衡处理，并将样本均衡处理后的样本数据集，确定为目标样本数据集。

在本实施例中，可以对样本数据集进行样本均衡处理，增加稀有类别的正样本数据的数据量、或者减少丰富类别的负样本数据的数据量，使样本均衡处理后的样本数据集中的正样本数据的数据量与负样本数据的数据量呈现均匀状态，并将样本均衡处理后的样本数据集确定为目标样本数据集。具体地，可以对正样本数据进行过采样处理，或者对负样本数据进行欠采样处理以增加正样本数据，或者减少负样本数据。

步骤303，获取目标样本数据集中的目标样本数据的标签，其中，目标样本数据包括连续样本数据；

在本实施例中，可以从终端设备、云存储或者样本数据集中，获取目标样本数据集中的目标样本数据的标签。其中，目标样本数据包括连续样本数据，例如，设备的用电量数据、设备的环境温度数据、交通工具的行驶速度数据、列车的主风管压力数据等连续变化的样本数据。

步骤304，提取目标样本数据的数据特征，包括：对连续样本数据进行统计计算，并将统计计算的结果确定为连续样本数据的数据特征。

步骤305，采用目标样本数据的数据特征、目标样本数据的标签，训练初始故障检测模型，并得到目标故障检测模型。

本实施例中对步骤304、步骤305的描述与步骤202、步骤203的描述一致，此处不再赘述。

本实施例提供的用于训练模型的方法，相比于图2描述的实施例，增加了获取样本数据集，并对样本数据集中的正样本数据以及负样本数据进行样本均衡的步骤，以使用样本均衡后的样本数据集对初始故障检测模型进行训练，可以提高训练完成的目标故障检测模型的检测准确性，以及使训练完成的目标故障检测模型具有更好的拟合能力和泛化能力。

可选地，对样本数据集进行样本均衡处理，并将样本均衡处理后的样本数据集，确定为目标样本数据集，包括：对负样本数据进行下采样处理；将正样本数据、以及下采样处理后的负样本数据所构建的集合确定为目标样本数据集。

在本实施例中，可以对丰富类别的负样本数据进行下采样(或者抽样)处理，并将样本数据集中全部的正样本数据、从样本数据集中的全部负样本数据中抽取的部分负样本数据所构建的集合，确定为目标样本数据集。

本实施例通过对全部负样本数据的下采样，以减少样本数据集中、丰富类别的负样本数据的数据量，可以提高对样本数据集进行样本均衡的效率。

可选地，对样本数据集进行样本均衡处理，并将样本均衡处理后的样本数据集，确定为目标样本数据集，包括：基于正样本数据合成新的正样本数据；将正样本数据、新合成的正样本数据、以及负样本数据所构建的集合确定为目标样本数据集。

在本实施例中，可以对稀有类别的正样本数据进行数据合成处理，并将样本数据集中全部的正样本数据、新合成的正样本数据、以及样本数据集中全部的负样本数据所构建的集合，确定为目标样本数据集。例如，可以采用人工少数类过采样法(Syntheticminoritye over-sampling technique，SMOTE)生成新的正样本数据。

本实施例通过对全部正样本数据的数据合成，以增加样本数据集中、稀缺类别的正样本数据的数据量，可以提高对样本数据集进行样本均衡的效率。

在上述结合图2和图3描述的实施例的一些可选的实现方式中，目标样本数据包括以下至少一项：列车风管压力、列车空簧压力、列车行驶速度、列车载客量、列车主风管中新风的温度、列车空压机运行状态、列车行驶时间、列车位置；目标样本数据的标签包括：列车风管存在故障、列车风管无故障；目标故障检测模型用于检测列车风管故障。

在本实施例中，目标样本数据中可以包括以下至少一项：列车风管压力、列车空簧压力、列车行驶速度、列车载客量、列车主风管中新风的温度、列车空压机运行状态、列车行驶时间、列车位置。其中，列车风管压力、列车空簧压力、列车行驶速度、列车载客量、列车主风管中新风的温度属于连续样本数据；列车空压机运行状态(预设特征可以是正常工作状态、或工作状态异常)、列车行驶时间(预设特征可以是白天时段、或夜间时段)、列车位置(预设特征可以是位于高架桥上、位于山地路段、或者位于坡道路段)属于离散样本数据。

目标样本数据的标签可以包括：列车风管存在故障、或者列车风管无故障。例如，在某一时刻所采集的目标样本数据中包括：列车行驶速度为350千米/时、列车位置为位于高架桥上、列车空簧压力为3bar(压强单位)，在列车生成该组样本数据的时刻、或者生成该组样本数据的预设时段内，列车风管发生了故障，则可以为该组样本数据的标记为“存在故障”标签。

基于上述目标样本数据训练完成目标故障检测模型可以是用于检测列车风管故障的模型。

在上述结合图2和图3描述的实施例的一些可选的实现方式中，获取到的目标样本数据可以是无标签的数据，可以利用无标签的目标样本数据、并基于无监督模型训练方法对分类模型进行训练，使分类模型可以将无标签的目标样本数据进行分类，并基于人工经验对分类后的无标签的目标样本数据进行标记，以扩充用于训练初始模型的样本数据集。

继续参考图4，示出了根据本公开的用于训练模型的方法的一个实施例的流程400。用于检测故障的方法，包括以下步骤：

步骤401，获取检测对象运行过程中的实时数据。

在本实施例中，用于检测故障的方法的执行主体(例如图1所示的服务器)可以通过有线或者无线的方式从终端设备、业务服务器或者云存储获取检测对象在运行过程中的实时数据，例如，设备在运行过程中输出的电压、电流等数据，设备当前所位于的环境的温度、湿度等环境参数，列车在运行过程中的实时行驶速度、或者列车当前所行驶的位置、列车当前行驶过程中的载客数量等。

步骤402，采用实时数据的数据特征、以及目标故障检测模型确定检测对象的运行状态是否存在故障，其中，目标故障检测模型采用目标样本数据的数据特征、以及目标样本数据的标签训练得到，目标样本数据包括连续样本数据，连续样本数据的数据特征包括对第一预设时段内的连续样本数据进行统计计算的结果。

在本实施例中，可以采用实时数据的数据特征、以及目标故障检测模型确定检测对象的运行状态是否存在故障。具体地，可以将实时数据的数据特征输入目标故障检测模型，将目标故障检测模型输出的标签作为对检测对象的运行状态的预测结果。

目标故障检测模型的训练方法是：获取目标样本数据集、以及目标样本数据集中的目标样本数据的标签，其中，目标样本数据包括连续样本数据；提取目标样本数据的数据特征，包括：对连续样本数据进行统计计算，并将统计计算的结果确定为连续样本数据的数据特征；采用目标样本数据的数据特征、目标样本数据的标签，训练初始故障检测模型，并得到目标故障检测模型。目标故障检测模型还可以采用如图2或图3描述的实施例中的方法训练。

步骤403，响应于确定检测对象的运行状态存在故障，发出警报信息。

在本实施例中，若目标故障检测模型所预测的检测对象的运行状态是存在故障，则发出警报信息。

本实施例提供的用于检测故障的方法，获取检测对象运行过程中的实时数据，采用实时数据的数据特征、以及目标故障检测模型确定检测对象的运行状态是否存在故障，并在确定检测对象的运行状态存在故障后，发出警报信息，可以自动对检测对象是否发生故障进行检测，提高检测效率、以及降低人工运维成本。另外，可以利用目标故障检测模型，基于检测对象当前运行过程中的实时数据、对检测对象是否即将发生故障进行预警，可以避免事故发生以及提升系统的运行效率。

可选地，实时数据包括连续数据；用于检测故障的方法包括：对连续数据进行统计计算，对第三预设时段内的连续数据进行统计计算，并将统计计算的结果确定为连续数据的数据特征。

在本实施例中，可以对连续数据在第三预设时段内的最大值、最小值、均值、或者中值等统计数据进行计算，并将统计计算的结果确定为该连续数据的数据特征。例如，将预设时段内，列车主风管压力的最大值作为连续数据的数据特征。第三预设时段可以是任意时段。

本实施例中，实时数据中包括连续数据，将连续数据的统计计算结果确定为连续数据的数据特征，可以提高确定连续数据的数据特征的效率以及准确性。

可选地，目标样本数据包括离散样本数据，离散样本数据的数据特征包括：对第二预设时段内的离散样本数据出现预设特征的频次的统计结果；实时数据包括离散数据；用于检测故障的方法包括：将第四预设时段内的离散数据出现预设特征的频次的统计结果，确定为离散数据的数据特征。

在本实施例中，目标样本数据包括离散样本数据，离散样本数据的数据特征包括将离散样本数据在第四预设时段内出现预设特征的频次的统计结果，确定为离散样本数据的数据特征；实时数据包括离散数据，用于检测故障的方法包括：对离散数据出现预设特征的频次进行统计，并将预设特征的频次统计结果确定为离散数据的数据特征。

具体地，可以将检测对象在预设时段内，离散数据出现预设特征的次数，确定为离散数据的数据特征。例如，若离散数据为设备的输出电压状态数据，则可以将该预设时段内设备的输出电压出现波动的次数，确定为离散数据的数据特征；若离散数据是交通工具所位于的地理位置，则可以将该预设时段内交通工具位于高架桥上的次数(或者位于隧道内的次数、位于山地地段的次数)确定为离散数据的数据特征；若离散数据是交通工具运行时的时刻数据，则可以将该预设时段内交通工具行驶在夜晚时段的次数确定为离散数据的数据特征。

本实施例中，实时数据中包括离散数据，将离散数据出现预设特征的频次统计结果确定为离散数据的数据特征，可以提高确定离散数据的数据特征的效率以及准确性。

可选地，检测对象包括列车，实时数据包括以下至少一项：列车的风管压力、列车的空簧压力、列车的当前行驶速度、列车的当前载客量、列车的主风管中新风的温度、列车的空压机运行状态、当前时间、列车的当前位置；检测对象的运行状态包括：列车的风管状态。

在本实施例中，检测对象包括列车，列车的实时数据包括以下至少一项：列车的风管压力、列车的空簧压力、列车的当前行驶速度、列车的当前载客量、列车的主风管中新风的温度、列车的空压机运行状态、当前时间、列车的当前位置。其中，列车的风管压力、列车的空簧压力、列车的当前行驶速度、列车的当前载客量、列车的主风管中新风的温度属于连续数据；列车的空压机运行状态、当前时间、列车的当前位置属于离散数据。基于目标故障检测模型确定出检测对象的运行状态是否存在故障包括：列车的风管是否存在故障。

例如，如图5所示，可以将目标故障检测模型部署于列车的运维系统中(检测模型部署)，服务器利用安装于列车上的各种传感器实时采集列车运行时所产生的数据，包括：列车的风管压力、列车的空簧压力、列车的当前行驶速度、列车的当前载客量、列车的主风管中新风的温度、列车的空压机运行状态、当前时间、列车的当前位置，并将在当前时间点所采集的上述实时数据、或者当前时间点之前预设时段内所采集的实时数据的数据特征输入目标故障检测模型，使目标故障检测模型基于上述数据特征对列车的主风管是否存在故障进行预测(故障实时预测)，若目标故障检测模型的输出/预测结果为“存在故障”(基于训练模型过程中所采用的样本数据、以及标签，目标故障检测模型的输出也可以是更具体的故障标签，例如“存在漏气”)，则发出警报信息(故障报警)。

本公开中的第一预设时段、第二预设时段、第三预设时段与第四预设时段，可以是相同的预设时段、也可以是不同的预设时段。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于训练模型的装置的一个实施例，该装置实施例与图2和图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于训练模型的装置600包括：获取单元601、提取单元602、训练单元603。其中，获取单元，被配置为获取目标样本数据集、以及目标样本数据集中的目标样本数据的标签，其中，目标样本数据包括连续样本数据；提取单元，被配置为提取目标样本数据的数据特征，包括：对第一预设时段内的连续样本数据进行统计计算，并将统计计算的结果确定为连续样本数据的数据特征；训练单元，被配置为采用目标样本数据的数据特征、目标样本数据的标签，训练初始故障检测模型，并得到目标故障检测模型。

在一些实施例中，目标样本数据还包括离散样本数据；提取单元，包括：提取模块，被配置为对第二预设时段内的离散样本数据出现预设特征的频次进行统计，并将预设特征的频次统计结果确定为离散样本数据的数据特征。

在一些实施例中，获取单元，包括：第一获取模块，被配置为获取样本数据集，其中，样本数据集中包括正样本数据与负样本数据，正样本数据的数据量小于负样本数据的数据量；确定模块，被配置为对样本数据集进行样本均衡处理，并将样本均衡处理后的样本数据集，确定为目标样本数据集。

在一些实施例中，确定模块，包括：下采样模块，被配置为对负样本数据进行下采样处理；第一确定子模块，被配置为将正样本数据、以及下采样处理后的负样本数据所构建的集合确定为目标样本数据集。

在一些实施例中，确定模块，包括：数据合成模块，被配置为基于正样本数据合成新的正样本数据；第二确定子模块，被配置为将正样本数据、新合成的正样本数据、以及负样本数据所构建的集合确定为目标样本数据集。

在一些实施例中，目标样本数据包括以下至少一项：列车风管压力、列车空簧压力、列车行驶速度、列车载客量、列车主风管中新风的温度、列车空压机运行状态、列车行驶时间、列车位置；目标样本数据的标签包括：列车风管存在故障、列车风管无故障；目标故障检测模型用于检测列车风管故障。

上述装置600中的各单元与参考图2和图3描述的方法中的步骤相对应。由此上文针对用于训练模型的方法描述的操作、特征及所能达到的技术效果同样适用于装置600及其中包含的单元，在此不再赘述。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于训练模型的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的用于检测故障的装置700包括：第二获取单元701、预测单元702、预警单元703。其中，第二获取单元，被配置为获取检测对象运行过程中的实时数据；预测单元，被配置为采用实时数据的数据特征、以及目标故障检测模型确定检测对象的运行状态是否存在故障，其中，目标故障检测模型采用目标样本数据的数据特征、以及目标样本数据的标签训练得到，目标样本数据包括连续样本数据，连续样本数据的数据特征包括对第一预设时段内的连续样本数据进行统计计算的结果；预警单元，被配置为响应于确定检测对象的运行状态存在故障，发出警报信息。

在一些实施例中，实时数据包括连续数据；装置包括：第一特征提取单元，被配置为对第三预设时段内的连续数据进行统计计算，并将统计计算的结果确定为连续数据的数据特征。

在一些实施例中，目标样本数据包括离散样本数据，离散样本数据的数据特征包括：对第二预设时段内的离散样本数据出现预设特征的频次的统计结果；实时数据包括离散数据；装置包括：第二特征提取单元，被配置为将第四预设时段内的离散数据出现预设特征的频次的统计结果，确定为离散数据的数据特征。

在一些实施例中，检测对象包括列车，实时数据包括以下至少一项：列车的风管压力、列车的空簧压力、列车的当前行驶速度、列车的当前载客量、列车的主风管中新风的温度、列车的空压机运行状态、当前时间、列车的当前位置；检测对象的运行状态包括：列车的风管状态。

上述装置700中的各单元与参考图4描述的方法中的步骤相对应。由此上文针对用于训练模型的方法描述的操作、特征及所能达到的技术效果同样适用于装置700及其中包含的单元，在此不再赘述。

根据本申请的实施例，本申请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8示出了可以用来实施本申请的实施例的示例电子设备800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/或者要求的本申请的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元805，例如网卡、调制解调器、无线通信收发机等。通信单元805允许设备800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801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801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801执行上文所描述的各个方法和处理，例如用于训练模型的方法。例如，在一些实施例中，用于训练模型的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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元805而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的用于训练模型的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于训练模型的方法。

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。

用于实施本申请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。

在本申请的上下文中，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)和互联网。

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。

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，本申请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，只要能够实现本申请公开的技术方案所期望的数据，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。