[发明专利]模型训练方法、设备异常诊断方法、电子设备及介质

权利要求书

1.一种模型训练方法，其特征在于，用于对一设备异常进行训练，所述模型训练方法包括：

获取待诊断设备的时序样本数据，包括待诊断设备的状态样本时序，和与所述状态样本时序对应的状态标签时序；

获取待诊断设备的一关联图谱信息；基于该关联图谱信息，根据所述状态样本时序，提取与该状态样本时序对应的关联状态样本时序；其中，所述关联状态样本时序包含待诊断设备的所述状态样本时序信息，和与该待诊断设备关联的其他设备的状态时序信息；

拼接待诊断设备的所述状态样本时序和所述关联状态样本时序，获得拼接后的状态样本时序；

利用所述拼接后的状态样本时序，和待诊断设备的所述状态标签时序，对设备异常诊断模型进行训练。

2.根据权利要求1所述的模型训练方法，其特征在于，所述基于该关联图谱信息，根据所述状态样本时序，提取与该状态样本时序对应的关联状态样本时序，包括：

基于所述关联图谱信息，通过一图卷积网络提取与待诊断设备所述状态样本时序对应的所述关联状态样本时序；所述图卷积网络包括：

其中，H为所述图卷积网络的隐藏输出层；O为所述图卷积网络的总输出层；σ为所述图卷积网络的激活函数；I为待诊断设备的所述状态样本时序；和分别为正则化后的所述关联图谱信息的邻接矩阵，和正则化后的所述关联图谱信息的度矩阵；W⁽¹⁾、W⁽²⁾为所述图卷积网络的参数。

3.根据权利要求1所述的模型训练方法，其特征在于：拼接待诊断设备的所述状态样本时序和所述关联状态样本时序，包括：

将所述状态样本时序与对应的所述关联状态样本时序于特征维度进行张量拼接。

4.根据权利要求1所述的模型训练方法，其特征在于，所述设备异常诊断模型包括时域卷积网络模型，则所述利用所述拼接后的状态样本时序，和待诊断设备的所述状态标签时序，对所述设备异常诊断模型进行训练，包括：

利用所述时域卷积网络模型处理所述拼接后的状态样本时序，以获得与所述拼接后的状态样本时序对应的预测结果；

根据所述拼接后的状态样本时序对应的预测结果和所述待诊断设备的所述状态标签时序，计算所述时域卷积网络模型的损失函数的函数值；

根据所述损失函数的函数值调整所述时域 卷积网络模型的参数，以实现对所述时域卷积网络模型的训练。

5.根据权利要求4所述的模型训练方法，其特征在于，所述计算所述时域卷积网络模型的损失函数的函数值，包括：于所述计算所述时域卷积网络模型的损失函数的函数值时，删除所述拼接后的状态样本时序对应的预测结果中的首段预测结果，且所述首段预测结果的删除长度与所述时域卷积网络模型中的状态时序长度相同。

6.根据权利要求1所述的模型训练方法，其特征在于，于所述获取待诊断设备的一关联图谱信息之前，所述模型训练方法还包括：构建待诊断设备的设备关联图谱信息，采用皮尔逊相关系数的算法对所述关联图谱信息进行优化。

7.一种设备异常诊断方法，其特征在于，包括：

获取待诊断设备的状态测试时序；

获取待诊断设备的关联图谱信息；基于该关联图谱信息，根据所述状态测试时序，提取与该状态测试时序对应的关联状态测试时序；

拼接待诊断设备的所述状态测试时序和所述关联状态测试时序，获得拼接后的状态测试时序；

根据权利要求1至6中任一项所述的所述模型训练方法获取一训练后的设备异常诊断模型；

利用所述训练后的设备异常诊断模型对所述拼接后的状态测试时序进行处理，以获得待诊断设备的异常诊断结果。

8.一种电子设备，其特征在于，包括：

存储器，用于存储一计算机程序；

处理器，与所述存储器通信连接，调用所述计算机程序时执行权利要求1至6中任一项所述模型训练方法，和/或权利要求7所述设备异常诊断方法；

显示器，与所述处理器和所述存储器通信连接，用于显示所述模型训练方法和/或所述设备异常诊断方法的相关交互界面。

9.一种计算机可读取存储介质，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中任一项所述模型训练方法，和/或权利要求7所述设备异常诊断方法。