【技术实现步骤摘要】
故障预测模型的训练方法、故障预测方法及装置
[0001]本申请涉及人工智能
,尤其涉及一种故障预测模型的训练方法、故障预测方法、装置、电子设备及存储介质。
技术介绍
[0002]故障预测,是指根据记录故障发生的异步事件序列,进行设备故障、服务、配件需求的预测,为主动服务提供技术支撑,从而降低设备的故障率,延长设备的使用寿命。相关技术中,故障预测模型的复杂度高,导致计算成本增加,无法实现快速的故障预测。
技术实现思路
[0003]为解决相关技术问题,本申请实施例提供一种故障预测模型的训练方法、故障预测方法、装置、电子设备及存储介质。
[0004]本申请实施例的技术方案是这样实现的:
[0005]本申请实施例提供了一种故障预测模型的训练方法,包括:
[0006]基于不同时刻的故障事件样本中每个故障事件样本的事件类型和事件发生时间,生成第一序列编码;
[0007]基于所述第一序列编码训练故障预测模型,直至达到设定的收敛条件;其中,
[0008]所述故障预测模型包括编码器和解码器;所述编码器用于基于线性归一化的注意力机制输出所述第一序列编码的隐状态;所述解码器用于基于所述第一序列编码的隐状态,对故障事件的事件类型和事件发生时间进行预测。
[0009]其中,在一实施例中,所述编码器至少包括注意力层和位置前馈网络层;其中,
[0010]所述位置前馈网络层用于基于所述注意力层馈入的所述第一序列编码的注意力值,输出所述第一序列编码的隐状态;
[00 ...
【技术保护点】
【技术特征摘要】
1.一种故障预测模型的训练方法,其特征在于,包括:基于不同时刻的故障事件样本中每个故障事件样本的事件类型和事件发生时间,生成第一序列编码;基于所述第一序列编码训练故障预测模型,直至达到设定的收敛条件;其中,所述故障预测模型包括编码器和解码器;所述编码器用于基于线性归一化的注意力机制输出所述第一序列编码的隐状态;所述解码器用于基于所述第一序列编码的隐状态,对故障事件的事件类型和事件发生时间进行预测。2.根据权利要求1所述的方法,其特征在于,所述编码器至少包括注意力层和位置前馈网络层;其中,所述位置前馈网络层用于基于所述注意力层馈入的所述第一序列编码的注意力值,输出所述第一序列编码的隐状态;所述注意力层包括线性归一化注意力层,用于使用第一共享存储器获取所述第一序列编码的线性归一化注意力分布,以及使用第二共享存储器获取所述第一序列编码的线性归一化注意力值。3.根据权利要求2所述的方法,其特征在于,所述编码器的注意力层还包括多头注意力层;其中,所述多头注意力层,用于基于所述线性归一化注意力层输出的所述第一序列编码的线性归一化注意力值,输出所述第一序列编码的多头线性归一化注意力值。4.根据权利要求1所述的方法,其特征在于,所述解码器用于基于第一条件强度函数,对故障事件的事件类型和事件发生时间进行预测;其中,所述第一条件强度函数表征为所述第一序列编码的隐状态的霍克斯过程。5.根据权利要求4所述的方法,其特征在于,所述方法还包括:基于所述第一条件强度函数建立用于训练故障预测模型的目标函数。6.根据权利要求1所述的方法,其特征在于,所述基于不同时刻的故障事件样本中每个故障事件样本的事件类型和事件发生时间,生成第一序列编码,包括:将每个时刻的故障事件样本对应的事件类型编码和事件发生时间编码相加,得到所述第一序列编码;其中,事件类型编码通过将事件类型的独热编码与设定的嵌入矩阵相乘得到;事件发生时间编码的每个维度对应一条正弦曲线或余弦曲线。7.一种故障预测方法,其特征在于,包括:基于不同历史时刻的故障事件中每个故障事件的事件类型和事件发生时间,生成第二序列编码;调用设定的故障预测模型对所述第二序列编码进行处理,得到预测的故障事件类型和对应的故障事件发生时间;其中,所述设定的故障预测模型基于权利要求1至6任一项所述的故障预测模型的训练方法训练得到。8.根据权利要求7所述的方法,其特征在于,所述基于不同历史时刻的故障事件中每个故障事件的事件类型和事件发生时间,生成第二序列编码,包括:将每个历史时刻的故障事件对应的事件类型编码和事件发生时间编码相加,得到所述
第二序列编码;其中,事件类型编码通过将事件类型的独热编码与设定的嵌入矩阵相乘得到;事件发生时间编码的每个维度对应一条正弦曲线或余弦曲线。...
【专利技术属性】
技术研发人员:宋志妍,王星,冯俊兰,邓超,
申请(专利权)人:中国移动通信集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。