故障检测模型训练方法、装置、设备、介质和计算机产品与流程

本申请涉及大数据，特别是涉及一种故障检测模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、换流站在电力系统中用于实现直流与交流电之间的互相转换，是电力系统中的关键设施。换流站在进行工作时会产生大量热量，当换流站过热时可能会出现故障，所以，为了保证换流站的正常运行，需要通过阀冷设备对换流站进行冷却处理，以使换流站在正常温度范围内运行。因此，阀冷设备的正常运行在电力系统中尤为重要。

2、目前，采用人工智能模型进行阀冷设备的故障检测时，由于训练样本有限，导致训练得到的人工智能模型的预测精度也有限，这样，导致阀冷设备故障检测准确性较差。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高阀冷设备故障检测准确性较差的故障检测模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本申请提供了一种故障检测模型训练方法，包括：

3、获取多个训练样本，其中，每个所述训练样本由阀冷设备的声音频谱特征数据和所述声音频谱特征数据对应的真实标签组成；

4、根据所述多个训练样本的样本融合信息，对所述多个训练样本进行样本融合，得到多个融合样本，其中，所述样本融合信息用于表征所述声音频谱特征数据中不同频段的声音信息的重要程度；

5、根据由所述多个训练样本和所述多个融合样本，迭代训练得到故障检测模型。

6、第二方面，本申请还提供了一种故障检测模型训练装置，包括：

7、获取模块，用于获取多个训练样本，其中，每个所述训练样本由输入特征数据和所述输入特征数据对应的真实标签组成，所述输入特征数据包括阀冷设备的声音信号信息，所述真实标签包括所述阀冷设备的真实故障检测结果；

8、融合模块，用于对所述多个训练样本进行样本融合，得到多个融合样本；

9、训练模块，用于根据由所述多个训练样本和所述多个训练样本组成的多个整合样本，迭代训练得到故障检测模型，其中，一个所述整合样本包括一个所述训练样本或一个所述融合样本。

10、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

11、获取多个训练样本，其中，每个所述训练样本由阀冷设备的声音频谱特征数据和所述声音频谱特征数据对应的真实标签组成；

12、根据所述多个训练样本的样本融合信息，对所述多个训练样本进行样本融合，得到多个融合样本，其中，所述样本融合信息用于表征所述声音频谱特征数据中不同频段的声音信息的重要程度；

13、根据由所述多个训练样本和所述多个融合样本，迭代训练得到故障检测模型。

14、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

15、获取多个训练样本，其中，每个所述训练样本由阀冷设备的声音频谱特征数据和所述声音频谱特征数据对应的真实标签组成；

16、根据所述多个训练样本的样本融合信息，对所述多个训练样本进行样本融合，得到多个融合样本，其中，所述样本融合信息用于表征所述声音频谱特征数据中不同频段的声音信息的重要程度；

17、根据由所述多个训练样本和所述多个融合样本，迭代训练得到故障检测模型。

18、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

19、获取多个训练样本，其中，每个所述训练样本由阀冷设备的声音频谱特征数据和所述声音频谱特征数据对应的真实标签组成；

20、根据所述多个训练样本的样本融合信息，对所述多个训练样本进行样本融合，得到多个融合样本，其中，所述样本融合信息用于表征所述声音频谱特征数据中不同频段的声音信息的重要程度；

21、根据由所述多个训练样本和所述多个融合样本，迭代训练得到故障检测模型。

22、上述故障检测模型训练方法、装置、设备、介质和计算机程序产品，通过获取多个训练样本，其中，每个所述训练样本由阀冷设备的声音频谱特征数据和所述声音频谱特征数据对应的真实标签组成；根据所述多个训练样本的样本融合信息，对所述多个训练样本进行样本融合，得到多个融合样本，其中，所述样本融合信息用于表征所述声音频谱特征数据中不同频段的声音信息的重要程度；根据由所述多个训练样本和所述多个融合样本，迭代训练得到故障检测模型，如此，以样本融合信息作为样本融合依据，实现了训练样本的有效扩展，所以，可以提高故障检测模型的预测精度，进而，提高了阀冷设备故障检测准确性。

技术特征：

1.一种故障检测模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述获取多个训练样本，包括：

3.根据权利要求1所述的方法，其特征在于，在所述根据所述多个训练样本的样本融合信息，对所述多个训练样本进行样本融合，得到多个融合样本，所述方法还包括：

4.根据权利要求1所述的方法，其特征在于，每个所述融合样本由融合样本的声音频谱特征数据和所述声音频谱特征数据对应的真实标签组成；所述根据所述多个训练样本的样本融合信息，对所述多个训练样本进行样本融合，得到多个融合样本，包括：

5.根据权利要求4所述的方法，其特征在于，所述真实标签包括所述阀冷设备存在各预设故障类型的概率；所述根据所述训练样本组包含的各训练样本的融合频谱特征数据和真实标签，生成所述融合样本的真实标签，包括：

6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据由所述多个训练样本和所述多个融合样本，迭代训练得到故障检测模型，迭代训练得到故障检测模型，包括：

7.一种故障检测模型训练装置，其特征在于，所述故障检测模型训练装置包括：

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结本申请涉及一种故障检测模型训练方法、装置、设备、介质和计算机程序产品。所述方法包括：获取多个训练样本，其中，每个所述训练样本由阀冷设备的声音频谱特征数据和所述声音频谱特征数据对应的真实标签组成；根据所述多个训练样本的样本融合信息，对所述多个训练样本进行样本融合，得到多个融合样本，其中，所述样本融合信息用于表征所述声音频谱特征数据中不同频段的声音信息的重要程度；根据由所述多个训练样本和所述多个融合样本，迭代训练得到故障检测模型。采用本方法能够提高故障检测模型训练准确性。技术研发人员：焦石,谷裕,张健成,李舒维,邓健俊,赖桂森,杨学广,张朝辉,龙建华受保护的技术使用者：中国南方电网有限责任公司超高压输电公司广州局技术研发日：技术公布日：2024/7/29