一种检测模型的更新方法、终端及计算机存储介质

技术领域

本申请属于模型更新技术领域，尤其涉及一种检测模型的更新方法、终端及计算机存储介质。

背景技术

设备检测主要是基于传感器的测量数据判断设备的状态是否符合设定条件，本质上是一个二分类问题。以核动力装置的故障检测为例，常用的故障检测方法主要有多元状态估计(Multivariate State Estimation Technique,MSET)、自联想核回归(Autoassociative Kernel Regression,AAKR)、主成分分析(Principal ComponentAnalysis,PCA)及其衍生算法等。这些算法均采用核动力装置的多维正常信号建立模型，然后再对核动力装置进行在线故障检测。但是，在长期的故障检测中，核动力装置会表现出明显的时变特性，即由于运行工况、环境、老化等因素的影响，核动力装置的运行参数会出现缓慢的变化。当采用上述确定性的模型对核动力装置进行故障检测时，核动力装置在正常运行过程中的缓慢变化会导致运行参数偏移出故障检测模型的统计边界，从而使故障检测模型失效产生误报警。

为了提高故障检测模型的自适应能力，在核动力装置长期的故障检测过程中，需要按照特定的机制对故障检测模型进行更新。常规的更新方法是采用移动窗(MovingWindow,MW)技术来实现故障检测模型的不断更新以适应采样数据的最新特性。MW基于一个特定长度的窗口，随着时间的推移不断将窗口向后移动以添加最新的采样数据，并且将旧数据排除在窗口之外。但是在通常情况下，核动力装置在大多数时候都是在稳定状态下运行，其运行参数的变化是十分缓慢的。传统MW更新方法在窗口的每次移动后都需要对故障检测模型进行更新，这样势必会增加故障检测模型的计算量，造成算力的浪费并影响故障检测模型的检测效率。

发明内容

针对上述技术问题，本申请提供一种检测模型的更新方法、终端及计算机存储介质，以消除检测模型不必要的更新，降低检测模型的计算量，并提高检测模型的检测效率。

本申请提供了一种检测模型的更新方法，包括：获取样本数据及检测模型；其中，所述样本数据包括按顺序排列的第一样本数据及第二样本数据；在所述第二样本数据满足第一预设条件时，采用所述第二样本数据对所述第一样本数据进行更新；根据所述第一样本数据的更新次数及所述检测模型的更新次数，确定目标样本数据；在所述第二样本数据与所述目标样本数据的关系满足第二预设条件时，根据更新后的第一样本数据对所述检测模型进行更新。

在一实施方式中，获取样本数据，包括：在样本数据集中建立移动窗；通过所述移动窗从所述样本数据集中确定所述第一样本数据及所述第二样本数据。

在一实施方式中，所述第二样本数据满足第一预设条件，包括：通过所述检测模型对所述第二样本数据进行检测，确定所述第二样本数据为正常样本数据。

在一实施方式中，采用所述第二样本数据对所述第一样本数据进行更新，包括：按照预设替代规则，使用所述第二样本数据替代同等数量的所述第一样本数据；其中，所述第一样本数据的数量大于或等于所述第二样本数据的数量。

在一实施方式中，所述根据所述第一样本数据及所述检测模型的更新次数，确定目标样本数据的步骤，包括：若所述第一样本数据的更新次数n与所述检测模型的更新次数m的差值等于1，则将所述第一样本数据在第n次更新时被所述第二样本数据替代的数据作为所述目标样本数据；若所述第一样本数据的更新次数n与所述检测模型的更新次数m的差值大于1，则将所述第一样本数据在第m+1次更新时被所述第二样本数据替代的数据作为所述目标样本数据。

在一实施方式中，所述第二样本数据与所述目标样本数据的关系满足第二预设条件，包括：对所述第二样本数据及所述目标样本数据进行聚类，根据聚类结果，确定所述第二样本数据与所述目标样本数据的偏差值；若所述第二样本数据与所述目标样本数据的偏差值大于预设值，则所述第二样本数据与所述目标样本数据的关系满足所述第二预设条件。

在一实施方式中，所述第二样本数据及所述目标样本数据都包括至少一个样本向量；根据聚类结果，确定所述第二样本数据与所述目标样本数据的偏差值，包括：根据所述聚类结果，确定所述第二样本数据与所述目标样本数据的中心向量；将所述第二样本数据与所述目标样本数据的中心向量的距离作为所述第二样本数据与所述目标样本数据的偏差值。

在一实施方式中，所述方法还包括：在所述第二样本数据与所述目标样本数据的关系不满足所述第二预设条件时，保持所述检测模型不变。

本申请还提供了一种终端，所述终端包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述检测模型的更新方法的步骤。

本申请还提供了一种计算机存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述检测模型的更新方法的步骤。

本申请提供的一种检测模型的更新方法、终端及计算机存储介质，在确定第二样本数据与目标样本数据的关系满足第二预设条件时，执行根据更新后的第一样本数据对检测模型进行更新的操作，有效地消除了检测模型不必要的更新，降低了检测模型的计算量，提高了检测模型的检测效率。

附图说明

图1是本申请实施例一提供的检测模型更新方法的流程示意图；

图2是本申请实施例一提供的通过移动窗确定样本数据的效果示意图；

图3是本申请实施例一提供的电机故障检测结果示意图；

图4是本申请实施例一提供的轴封故障检测结果示意图；

图5是本申请实施例二提供的检测模型更新方法的具体流程示意图；

图6是本申请实施例三提供的终端的结构示意图。

具体实施方式

以下结合说明书附图及具体实施例对本申请技术方案做进一步的详细阐述。除非另有定义，本申请所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

图1是本申请实施例一提供的检测模型更新方法的流程示意图。如图1所示，本申请的检测模型的更新方法可以包括如下步骤：

步骤S101：获取样本数据及检测模型；其中，样本数据包括按顺序排列的第一样本数据及第二样本数据；

步骤S102：在第二样本数据满足第一预设条件时，采用第二样本数据对第一样本数据进行更新；

步骤S103：根据第一样本数据的更新次数及检测模型的更新次数，确定目标样本数据；

步骤S104：在第二样本数据与目标样本数据的关系满足第二预设条件时，根据更新后的第一样本数据对检测模型进行更新。

本申请实施例一提供的检测模型的更新方法，在确定第二样本数据与目标样本数据的关系满足第二预设条件时，执行根据更新后的第一样本数据对检测模型进行更新的操作，有效地消除了检测模型不必要的更新，降低了检测模型的计算量，提高了检测模型的检测效率。

在一实施方式中，步骤S101中获取样本数据，包括：

在样本数据集中选取按顺序排列的第一预设数量的正常样本数据作为第一样本数据；

在样本数据集中选取与第一样本数据按顺序排列的第二预设数量的样本数据作为第二样本数据。

可选地，传感器采集的数据构成样本数据集，样本数据集中的数据按照采集时间的先后顺序从左到右排列；t时刻从样本数据集中选取L个按顺序排列的正常样本数据[x

可选地，在样本数据集中建立移动窗；通过移动窗从样本数据集中确定第一样本数据及第二样本数据。

如图2(a)所示，在样本数据集中建立长度为L的移动窗，移动步长为s，移动方向为从样本数据集的左侧向右侧移动；将样本数据集中被移动窗选中的正常样本数据作为第一样本数据，如t时刻移动窗选中的L个正常样本数据[x

在一实施方式中，步骤S102中第二样本数据满足第一预设条件，包括：

通过检测模型对第二样本数据进行检测，确定第二样本数据为正常样本数据。

示例性地，t时刻获取的检测模型为M

在一实施方式中，步骤S102中采用第二样本数据对第一样本数据进行更新，包括：

按照预设替代规则，使用第二样本数据替代同等数量的第一样本数据；

其中，第一样本数据的数量大于或等于第二样本数据的数量。

示例性地，第一样本数据为[x

可选地，通过移动窗的移动，实现第二样本数据对第一样本数据的更新；如图2(a)所示，从t时刻到t+s时刻，移动窗向右移动一个步长，移动窗选中的第一样本数据从t时刻的[x

在一实施方式中，步骤S103包括：

若第一样本数据的更新次数n与检测模型的更新次数m的差值等于1，则将第一样本数据在第n次更新时被第二样本数据替代的数据作为目标样本数据；

若第一样本数据的更新次数n与检测模型的更新次数m的差值大于1，则将第一样本数据在第m+1次更新时被第二样本数据替代的数据作为目标样本数据。

如图2(b)所示，被移动窗选中的数据为第一样本数据，移动窗长度为L，移动步长为s；设在t时刻，对第一样本数据和检测模型都进行了第1次更新，在t+s时刻，使用第二样本数据X

在一实施方式中，步骤S104中第二样本数据与目标样本数据的关系满足第二预设条件，包括：

对第二样本数据及目标样本数据进行聚类，根据聚类结果，确定第二样本数据与目标样本数据的偏差值；

若第二样本数据与目标样本数据的偏差值大于预设值，则第二样本数据与目标样本数据的关系满足第二预设条件。

可选地，第二样本数据及目标样本数据都包括至少一个样本向量；

在一实施方式中，根据聚类结果，确定第二样本数据与目标样本数据的偏差值，包括：

根据聚类结果，确定第二样本数据与目标样本数据的中心向量；

将第二样本数据与目标样本数据的中心向量的距离作为第二样本数据与目标样本数据的偏差值。

可选地，对第二样本数据及目标样本数据进行K均值聚类，根据K均值聚类结果，确定第二样本数据与目标样本数据的中心向量；在第二样本数据与目标样本数据的中心向量的距离大于预设值时，根据更新后的第一样本数据对检测模型进行更新。

在一实施方式中，本申请的检测模型的更新方法还包括：

在第二样本数据与目标样本数据的关系不满足第二预设条件时，保持检测模型不变。

示例性地，目标样本数据X

以对核动力装置的主泵电机35天内正常运行数据进行故障检测为例，分别采用本申请的更新方法和传统MW更新方法对动态核主成分分析检测模型进行更新，故障检测结果如图3(a)和图3(b)所示；比较图3(a)和图3(b)可知，与采用传统MW更新方法更新的检测模型的误报警次数相比，采用本申请的更新方法更新的检测模型的误报警次数并未增多，但比较表1的数据可知，采用本申请的更新方法对检测模型进行更新的次数仅为采用传统MW更新方法对检测模型进行更新的次数的1/3，证明了本申请提供的检测模型的更新方法能够有效降低检测模型的更新次数，并且不影响检测模型的检测效果。

以对核动力装置的主泵轴封的异常数据进行故障检测为例，主泵轴封的异常信号如图4(a)所示，轴封水回流温度在5天时间内异常上升了14℃，接近报警值，经过维修人员的现场处置之后，温度数值恢复到正常状态。分别采用本申请的更新方法和传统MW更新方法对动态核主成分分析检测模型进行更新，故障检测结果如图4(b)、图4(c)所示。比较图4(b)和图4(c)可知，采用本申请的更新方法得到的检测模型和采用传统MW更新方法得到的检测模型都及时检测出了轴封的温度异常情况，但比较表1的数据可知，采用本申请的更新方法对检测模型进行更新的次数大幅小于采用传统MW更新方法对检测模型进行更新的次数，再次证明了本申请提供的检测模型的更新方法能够有效降低检测模型的更新次数，并且不影响检测模型的检测效果。

表1检测模型的更新次数

本申请实施例一提供的检测模型的更新方法，通过对第二样本数据及目标样本数据进行聚类，确定第二样本数据与目标样本数据的关系满足第二预设条件时，执行根据更新后的第一样本数据对检测模型进行更新的操作，有效地消除了检测模型不必要的更新，降低了检测模型的计算量，提高了检测模型的检测效率，并且能够保证检测模型的检测效果。

图5是本申请实施例二提供的检测模型更新方法的具体流程示意图。如图5所示，本申请的检测模型的更新方法可以包括如下步骤：

步骤S201：获取样本数据及检测模型；其中，样本数据包括按顺序排列的第一样本数据及第二样本数据；

步骤S202：判断第二样本数据是否满足第一预设条件；

若第二样本数据满足第一预设条件，则执行步骤S203：采用第二样本数据对第一样本数据进行更新；

若第二样本数据不满足第一预设条件，则执行步骤S204：展示故障提示信息；

步骤S205：判断故障是否解除；

若故障解除，则返回执行步骤S201；

若故障未解除，则继续执行步骤S205；

步骤S206：根据第一样本数据的更新次数及检测模型的更新次数，确定目标样本数据；

步骤S207：判断第二样本数据与目标样本数据的关系是否满足第二预设条件；

若第二样本数据与目标样本数据的关系满足第二预设条件，则执行步骤S208：根据更新后的第一样本数据对检测模型进行更新，并返回执行步骤S201；

若第二样本数据与目标样本数据的关系不满足第二预设条件，则执行步骤S209：保持检测模型不变，并返回执行步骤S201。

值得一提的是，若步骤S205的故障解除，则需根据故障解除后获取的正常样本数据重新建立检测模型，再执行上述步骤S201-步骤S209的检测模型更新过程。

本实施例的具体实现过程参考实施例一，此处不再赘述。

本申请实施例二提供的检测模型的更新方法，在使用检测模型进行故障检测的过程中，通过判断第二样本数据与目标样本数据的关系是否满足第二预设条件对检测模型进行必要的更新，既保证了检测模型的检测效果，又消除了检测模型不必要的更新，降低了检测模型的计算量，提高了检测模型的检测效率。

图6是本申请实施三提供的终端的结构示意图。本申请的终端包括：处理器110、存储器111以及存储在存储器111中并可在处理器110上运行的计算机程序112。处理器110执行计算机程序112时实现上述检测模型的更新方法实施例中的步骤。

终端可包括，但不仅限于，处理器110、存储器111。本领域技术人员可以理解，图6仅仅是终端的示例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。

处理器110可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数词信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器111可以是终端的内部存储单元，例如终端的硬盘或内存。存储器111也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数词(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器111还可以既包括终端的内部存储单元也包括外部存储设备。存储器111用于存储计算机程序以及终端所需的其他程序和数据。存储器111还可以用于暂时地存储已经输出或者将要输出的数据。

本申请还提供一种计算机存储介质，计算机存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述检测模型的更新方法实施例中的步骤。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

在本文中，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，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。