[发明专利]油温预测方法、装置、电子设备和存储介质

说明书

本发明提供一种油温预测方法、装置、电子设备和存储介质，所述方法包括：通过将运行数据输入至油温预测模型，得到油温预测模型输出的油温预测结果；其中，油温预测模型是基于样本运行数据，以及样本油温预测结果训练得到的；油温预测模型用于对回归模型输出的预测结果，以及循环神经网络模型输出的预测结果进行融合，进而确定油温预测结果。本发明结合回归模型和循环神经网络模型确定油温预测结果，从而可以避免传统单个机器学习模型带来的偏差，进而准确获取油温预测结果，鲁棒性较高。

技术领域

本发明涉及液压系统监测技术领域，尤其涉及一种油温预测方法、装置、电子设备和存储介质。

背景技术

液压油就是利用液体压力能的液压系统使用的液压介质，在液压系统中起着能量传递、抗磨、系统润滑、防腐、防锈、冷却等作用。若液压油温过高，会影响设备的正常运行，甚至引起设备热变形，进而导致设备部分失效。

目前，多采用机器学习模型预测液压油温，从而可以提前对液压油油温过高的情况加以控制，确保液压系统能够正常稳定地运行，但训练完成的机器学习模型往往存在较大误差，造成油温预测结果的准确度较低。

发明内容

本发明提供一种油温预测方法、装置、电子设备和存储介质，用以解决现有技术中油温预测结果准确度较低的缺陷。

本发明提供一种油温预测方法，包括：

确定待预测油温的作业机械对应的运行数据；

将所述运行数据输入至油温预测模型，得到所述油温预测模型输出的油温预测结果；

其中，所述油温预测模型是基于样本运行数据，以及样本油温预测结果训练得到的；所述油温预测模型用于对回归模型输出的预测结果，以及循环神经网络模型输出的预测结果进行融合，进而确定所述油温预测结果。

根据本发明提供的一种油温预测方法，所述将所述运行数据输入至油温预测模型，得到所述油温预测模型输出的油温预测结果，具体包括：

将所述运行数据输入至所述油温预测模型的回归模型层，得到所述回归模型层输出的回归模型预测结果；

将所述运行数据输入至所述油温预测模型的循环神经网络模型层，得到所述循环神经网络模型层输出的神经网络预测结果；

将所述回归模型预测结果和所述神经网络预测结果输入至所述油温预测模型的结果融合层，由所述结果融合层对所述回归模型预测结果和所述神经网络预测结果进行加权融合，得到所述结果融合层输出的油温预测结果。

根据本发明提供的一种油温预测方法，所述加权融合应用的权重是基于所述回归模型的评价指标和所述循环神经网络模型的评价指标确定的。

根据本发明提供的一种油温预测方法，所述样本运行数据是对各历史运行数据进行特征工程确定的；

其中，所述特征工程包括数据预处理、数据清洗、特征构建、特征提取以及特征选择中的至少一种。

根据本发明提供的一种油温预测方法，对各历史运行数据进行特征选择包括如下步骤：

确定各历史运行数据与液压油油温的皮尔逊相关系数；

若所述皮尔逊相关系数的绝对值大于阈值，则将对应的历史运行数据作为所述样本运行数据。

根据本发明提供的一种油温预测方法，在基于所述样本运行数据，以及所述样本油温预测结果对所述油温预测模型进行训练之后，还包括：

将测试运行数据输入所述油温预测模型，获取测试结果；

若所述测试结果满足预设条件，则所述油温预测模型完成训练。