CN113532614A - 用于预测传感器数据的方法、处理器及称重*** - Google Patents

Abstract

本发明实施例提供一种用于预测传感器数据的方法、处理器、称重***及称重装置。方法包括：获取多个传感器的第一实际测量值；提供预测模型得到针对待预测传感器的第一预测值；在第一预测值与待预测传感器的第一实际测量值之间的差值大于预设阈值的情况下，预测待预测传感器的状态为异常状态；再次获取多个传感器的第二实际测量值，获取预测模型进行学习后得到的针对待预测传感器的第二预测值；在第二预测值与待预测传感器的第二实际测量值之间的差值大于预设阈值的情况下，预测待预测传感器的状态为异常状态；直到预测待预测传感器的状态为异常状态的次数达到预设次数阈值；确定待预测传感器发生故障，输出第二预测值作为待预测传感器的测量数据。

Description

用于预测传感器数据的方法、处理器及称重***

技术领域

本发明涉及计算机技术领域，具体地涉及一种用于预测传感器数据的方法、处理器、称重***及称重装置。

背景技术

混凝土技术的飞速发展对混凝土质量提出较高要求，混凝土质量已成为衡量混凝土搅拌站性能极其重要的指标之一。在实际使用过程中，传感器可能因各种原因发生故障，导致测量数据不准确。

现有技术中，在称重***因传感器输出失准异常时，无法进行正常称重。

发明内容

本发明实施例的目的是提供一种用于预测传感器数据的方法、处理器、称重***及称重装置。

为了实现上述目的，本发明第一方面提供一种用于预测传感器数据的方法，包括：

获取多个传感器的第一实际测量值；

针对传感器中的任意一个待预测传感器，将除待预测传感器的第一实际测量值之外的其他第一实际测量值输入至预测模型中，以得到针对待预测传感器的第一预测值；

在第一预测值与待预测传感器的第一实际测量值之间的差值大于预设阈值的情况下，预测待预测传感器的状态为异常状态；

再次获取多个传感器的第二实际测量值，其中第二实际测量值的产生时间晚于第一实际测量值的产生时间；

将除待预测传感器的第二实际测量值之外的其他第二实际测量值输入至预测模型中，以使预测模型对其他第二实际测量值进行学习；

获取预测模型进行学习后得到的针对待预测传感器的第二预测值；

在第二预测值与待预测传感器的第二实际测量值之间的差值大于预设阈值的情况下，预测待预测传感器的状态为异常状态；

在预测待预测传感器的状态为异常状态的次数未达到预设次数阈值的情况下，再次执行再次获取多个传感器的第二实际测量值的步骤，直到预测待预测传感器的状态为异常状态的次数达到预设次数阈值；

确定待预测传感器发生故障，并输出第二预测值作为待预测传感器的测量数据。

在本发明的一实施例中，预测模型通过以下公式(1)计算得到针对待预测传感器的预测值：

其中，f(X_n+1)为待预测传感器的预测值，a₁，a₂，...，a_n、β₁，β₂，...，β_n、δ₁，δ₂，...，δ_n均为因子参数，X₁，X₂，...，X_n分别为除待预测传感器之外的其他传感器的实际测量值；Y₁，Y₂，...，Y_n均为秤状态因子，Z为常数项，n为其他传感器的数量。

在本发明的一实施例中，预测模型为径向基神经网络，预测模型通过以下公式(2)计算得到针对待预测传感器的预测值：

其中，X′_j为待预测传感器的预测值，j＝(1，2，...，N)，N为传感器的数量，m为预测模型的隐层节点数量，W为预测模型的权值矩阵，W＝(W₀，W₁，...，W_m)^T，W₀＝1，H为径向基函数矩阵，H＝(H₀，H₁，...，H_m)^T，H₀＝b，b为预测模型的偏置值，i为隐层节点的序号，i＝(0，1，2，…，m)，ω_i为h的系数，T为矩阵W的转置符号。

在本发明的一实施例中，方法还包括：在确定待预测传感器发生故障之后，再次获取到最新的传感器的实际测量值时，将最新的实际测量值输入至预测模型时，预测模型不对最新的实际测量值进行学习。

在本发明的一实施例中，方法还包括预测模型的训练步骤，训练步骤包括：

获取预设历史时间段内多个传感器在正常状态下获得的实际测量数据，作为样本数据；

将样本数据划分为多个训练数据集；

按照样本数据产生时间的顺序，依次将每个训练数据集输入至预测模型中，对预测模型进行训练；

在预测模型输出针对每个训练数据集的样本预测值后，根据训练数据集中的训练数据及样本预测值确定每个训练数据集的拟合优度；

在产生时间较早的训练数据集的拟合优度小于或等于产生时间较晚的训练数据集的拟合优度的情况下，将产生时间较晚的训练数据加入至预测模型的训练池；反之，则不将产生时间较晚的训练数据集加入至预测模型的训练池，以确保预测模型的训练池中的数据保持最新状态；

在确定预测模型的预测准确率达到预设准确阈值的情况下，确定预测模型训练完毕。

在本发明的一实施例中，方法还包括：

检测预测模型的学习数量上限是否达到预设数量阈值；

在已达到预设数量阈值的情况下，按照样本数据的产生时间顺序，从预测模型的训练池中剔除产生时间较早的训练数据集；

在未达到预设数量阈值的情况下，返回至按照样本数据的产生时间顺序，依次将每个训练数据集输入至预测模型中，对预测模型进行训练的步骤。

在本发明的一实施例中，预设数量阈值是根据传感器的数量、秤因子的数量以及常数项的数量确定的。

在本发明的一实施例中，根据以下公式(3)确定每个训练数据集的拟合优度：

其中，f(X_n+1)为待预测传感器的预测值，X₁，X₂，...，X_n分别为除待预测传感器之外的其他传感器的实际测量值，n为其他传感器的数量。

在本发明的一实施例中，方法还包括：在确定全部的传感器均处于正常状态的情况下，获取多个传感器的第一实际测量值。

在本发明的一实施例中，方法应用于称重***，称重***包括多个传感器；方法还包括：根据其他传感器的第二实际测量值及待预测传感器的测量数据确定称重***的输出数据。

在本发明的一实施例中，方法还包括：针对待预测传感器的故障发出故障提醒。

本发明第二方面提供一种处理器，被配置成执行上述的用于预测传感器数据的方法。

本发明第三方面提供一种称重***，称重***包括：

多个传感器，用于对物品进行测量得到对应的实际测量值；以及

上述的处理器。

本发明第四方面提供一种混凝土搅拌站称重装置，包括上述的称重***。

上述技术方案，使用的预测模型会不断地更新其学习数据，以使得其预测的精度始终维持在较高的范围，以保障应急生产功能的有效性。同时，在经过多次的重复验证，确定某个传感器发生了故障时，也可以使用预测模型得到的预测值来替代故障的传感器的测量值，以使得在应急状态下还能够准确地确定出待测重物品的重量。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1示意性示出了根据本发明实施例的用于预测传感器数据的方法的流程示意图；

图2示意性示出了根据本发明实施例的称重***的工作原理示意图；

图3示意性示出了根据本发明实施例的预测模型的训练流程示意图；

图4示意性示出了根据本发明实施例的动态迭代算法的工作流程示意图；

图5示意性示出了根据本发明实施例的称重***的结构框图；

图6示意性示出了根据本发明实施例的计算机设备的内部结构图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1示意性示出了根据本发明实施例的用于预测传感器数据的方法的流程示意图。如图1所示，在本发明一实施例中，提供了一种用于预测传感器数据的方法，包括以下步骤：

步骤101，获取多个传感器的第一实际测量值。

步骤102，针对传感器中的任意一个待预测传感器，将除待预测传感器的第一实际测量值之外的其他第一实际测量值输入至预测模型中，以得到针对待预测传感器的第一预测值。

步骤103，在第一预测值与待预测传感器的第一实际测量值之间的差值大于预设阈值的情况下，预测待预测传感器的状态为异常状态。

步骤104，再次获取多个传感器的第二实际测量值，其中第二实际测量值的产生时间晚于第一实际测量值的产生时间。

步骤105，将除待预测传感器的第二实际测量值之外的其他第二实际测量值输入至预测模型中，以使预测模型对其他第二实际测量值进行学习。

步骤106，获取预测模型进行学习后得到的针对待预测传感器的第二预测值。

步骤107，在第二预测值与待预测传感器的第二实际测量值之间的差值大于预设阈值的情况下，预测待预测传感器的状态为异常状态。

步骤108，判断预测待预测传感器的状态为异常状态的次数是否达到预设次数阈值，若是，则执行步骤109；若否，则执行步骤104。

步骤109，确定待预测传感器发生故障，并输出第二预测值作为待预测传感器的测量数据。

在本实施例中，上述用于预测传感器数据的方法应用于称重***，具体地，可以是混凝土搅拌站称重***。在称重***中包括有秤体，在秤体中包括多个传感器，从而可以实时识别出秤体内的物料重量。具体地，每个传感器都会对秤体内的需要测重的物料进行测量，即可得到针对每个传感器对应的实际测量值。为了便于描述，可以将第一次测量得到的测量值称之为第一实际测量值。针对全部的传感器，可以从中选出任意一个传感器作为待预测传感器，即表示可以通过其他传感器的测量数据对该传感器的测量值进行预测。例如，假设一共有10个传感器，分别为Q1、Q2、Q3、...、Q10，可以将这10个传感器中的任意一个传感器作为待预测传感器。假设Q1为待预测传感器，则可以通过其他9个传感器(Q2、Q3、...、Q10)的实际测量值来预测Q1的测量值。

具体地，针对全部传感器中的任意一个待预测传感器，可以将除待预测传感器的第一实际测量值之外的其他第一实际测量值输入至预测模型中，以通过预测模型得到针对待预测传感器的第一预测值。即，可以将其他传感器的实际测量值输入至训练完成的预测模型中，预测模型可以根据输入的其他传感器的实际测量值对该待预测传感器的测量值进行预测，从而得到该待预测传感器的预测值。可以将根据第一实际测量值预测得到的预测值称之为第一预测值。

进一步地，可以比对第一预测值与待预测传感器的第一实际测量值。具体地，可以计算出第一预测值与第一实际测量值之间的差值。若差值大于预设阈值，表明待预测传感器的实际测量值与其对应的预测值差距较大，可以预测该待预测传感器的状态为异常状态。其中，预设阈值是技术人员预先设定的，可以根据实际情况进行调整。例如，假设预设阈值设置为1.0，后续过程中，提高了对传感器的测量要求，即期望传感器的测量误差尽可能的小，则可以将预设阈值调整为0.5。继续获取传感器的实际测量值，可以称之为第二实际测量值。其中，第二实际测量值的产生时间晚于第一实际测量值的产生时间。例如，第一实际测量值是10分钟之前传感器测量得到的测量值，第二实际测量值则是5分钟之前传感器测量得到的测量值。同样地，可以将除待预测传感器的第二实际测量值之外的其他第二实际测量值均输入至预测模型中，再次通过预测模型得到针对待预测传感器的第二预测值。同时，预测模型可以对其他第二实际测量值进行学习，以更新预测模型的学习数据，使得预测模型学习的精度始终维持在较高的范围。

进一步地，同样可以比对第二预测值与待预测传感器的第二实际测量值。具体地，可以计算出第二预测值与第二实际测量值之间的差值。若差值大于预设阈值，表明待预测传感器的实际测量值与其对应的预测值差距较大，可以预测该待预测传感器的状态为异常状态。判断预测该待预测传感器的状态为异常状态的次数是否达到预设次数阈值，若是，则可以确定待预测传感器发生故障，可以将第二预测值作为待预测传感器的测量数据。即，在确定待预测传感器发生故障时，可以用预测值代替待预测传感器的实际测量值，从而实现称重***的应急生产功能。若预测该待预测传感器的状态为异常状态的次数未达到预设次数阈值，则需要继续对该待预测传感器是否异常进行继续判断。可以再次获取传感器的实际测量值，再次重复上述步骤，继续将预测值与待预测传感器的实际测量值进行对比，以确定传感器是否发生异常。

可以看出，在实际预测的过程中，并不会预测出传感器的状态为异常状态就立即确定传感器存在故障。而是会进行持续性地验证，即，不断地获取最新的传感器的实际测量值对待预测传感器进行预测。可以理解的是，在第一次的步骤循环过程中，即第一执行步骤108时，若预测待预测传感器的状态为异常状态的次数未达到预设次数阈值，则会执行步骤104。此时，获取到的传感器的实际测量值的产生时间也是晚于上述的第二实际测量值的。只是为了描述精简，此处不再将其命名为第三实际测量值、第四实际测量值等等。如果多次确定待预测传感器存在异常，即预测该待预测传感器的状态为异常状态的次数达到预设次数阈值，此时，则可以确定待预测传感器存在故障。之后，可以将最新得到的预测值确定为发生故障的待预测传感器的测量值，然后可以根据其他传感器的实际测量值与该待预测传感器的测量值，共同确定出待测重物品的重量。即，可以根据其他传感器的第二实际测量值及待预测传感器的测量数据确定出称重***的输出数据。

上述的用于预测传感器数据的方法，使用的预测模型会不断地更新其学习数据，以使得其预测的精度始终维持在较高的范围，以保障应急生产功能的有效性。同时，在经过多次的重复验证，确定某个传感器发生了故障时，也可以使用预测模型得到的预测值来替代故障的传感器的测量值，以使得在应急状态下还能够准确地确定出待测重物品的重量。

在一个实施例中，上述方法还包括：在确定所述待预测传感器发生故障之后，再次获取到最新的传感器的实际测量值时，将最新的实际测量值输入至预测模型时，预测模型不对最新的实际测量值进行学习。

在确定出待预测传感器发生故障之后，或者说，在全部的传感器中，确定有任意一个传感器发生故障后，再次获取到传感器新测量得到的实际测量值后，并将其输入至预测模型中，通过预测模型对任意一个传感器再次进行预测时，预测模型并不会对这些数据进行学习。如此，是为了避免预测模型学习到错误的数据，以保证预测模型得到的预测值与传感器在正常情况下正确的测量值接近。

在一个实施例中，上述方法还包括：在确定全部的传感器均处于正常状态的情况下，获取多个传感器的第一实际测量值。

在本方法实施之初，应当确保全部的传感器都是正常的。即，可以保证获取到的全部传感器一开始测量得到的第一实际测量值应当都是准确的。而在后续过程中，也会一直获取到传感器的实际测量值，也会对每个传感器进行预测，以检测出是否有传感器发生异常。也就是说，本方法中，是为了在称重***的运行中，及时发现出现异常的传感器，并使用预测值替代传感器的测量值，以使得称重***在应急状态下仍然能够正常使用，仍然能够提供较为准确的数据给用户。而并非是在传感器已经存在异常的情况下，再去找出具体是哪一个传感器存在异常。若一开始已经确定了传感器存在故障，则应当先修复该故障，再重新启动称重***。

同样地，在一个实施例中，上述方法还包括：针对待预测传感器的故障发出故障提醒。

即，若是通过上述的方法确定出了某个传感器发生了故障，则可以针对该传感器的故障情况发出对应的故障提醒，以使得可以及时处理该故障。而同时在等待故障被修复的期间，仍然可以使用预测值来替代传感器的测量值，使得称重***在应急状态下能够正常使用。

在一个实施例中，如图2所示，提供了一种称重***的工作原理示意图。称重***内有多个传感器，传感器获得了针对秤体内的物品的实际测量值后，数据采集器可以获取到传感器的测量数据，再传输至工控机等机械部件。称重***包括的每个传感器都会对正在称重的物品进行测量，以得到其对应的实际测量值。同时，针对其中任意一个待预测传感器，都可以通过预测模型得到其预测值，以实现在传感器发生故障的时候，能够用预测值替代该故障的传感器的测量值，以应对应急状态下的正常使用。预测模型采用了动态迭代的算法，以使得会及时对预测模型的训练数据进行更新迭代，即可对原有的预测模型进行补偿，使得预测模型的预测精度长期维持在较高的水平。

具体地，在一个实施例中，如图3所示，上述方法还包括预测模型的训练步骤，训练步骤包括：

步骤301，获取预设历史时间段内多个传感器在正常状态下获得的实际测量数据，作为样本数据。

步骤302，将样本数据划分为多个训练数据集。

步骤303，按照样本数据产生时间的顺序，依次将每个训练数据集输入至预测模型中，对预测模型进行训练。

步骤304，在预测模型输出针对每个训练数据集的样本预测值后，根据训练数据集中的训练数据及样本预测值确定每个训练数据集的拟合优度。

步骤305，若产生时间较早的训练数据集的拟合优度小于或等于产生时间较晚的训练数据集的拟合优度，则将产生时间较晚的训练数据加入至预测模型的训练池。

步骤306，若产生时间较早的训练数据集的拟合优度大于产生时间较晚的训练数据集的拟合优度，则不将产生时间较晚的训练数据集加入至预测模型的训练池，以确保预测模型的训练池中的数据保持最新状态。

步骤307，在确定预测模型的预测准确率达到预设准确阈值的情况下，确定预测模型训练完毕。

在将预测模型投入至实际使用之前，可以先对预测模型进行训练，训练完毕后，再将该训练完毕的预测模型投入使用。具体地，可以从数据库中获取到预设历史时间段内的多个传感器在正常状态下获得的实际测量数据，并将这些实际测量数据作为样本数据。训练数据中，采用的都是传感器在正常状态所测量得到的准确数据，这是为了避免预测模型学习到了不准确的数据，会导致预测模型的预测准确率降低。

然后，可以将样本数据划分为多个训练数据集。可以将每个训练数据集看做是一个矩阵，矩阵中包含有多个数据。例如，训练数据集1为矩阵A，矩阵A＝[X_0，1，X_0，2，...，X_0，n]，其中，X表示的是传感器的实际测量值，X的第一个角标表示的是针对该传感器的第几次取值，第二个角标表示的是传感器的编号。例如，针对同一个测重物品P1，秤体内的10个传感器都进行了测量，则会得到针对物品P1的10个实际测量数据。若将第10号传感器作为待预测传感器，则会将1-10号传感器的实际测量数据均作为学习数据，并得到针对10号传感器的预测值。也就是说，每个传感器的实际测量值均会被取值多次，以对其他传感器的数据进行预测。因此，X_0，1表示的是1号传感器的实际测量值，且这是针对1号传感器的第一次取值。，X_2，5表示的是5号传感器的实际测量值，这是针对1号传感器的第3次取值。

可以按照样本数据产生时间的顺序，依次将每个训练数据集输入至预测模型中，以对预测模型进行训练。预测模型可以输出针对每个训练数据集对应的样本预测值。具体地，可以根据以下公式(1)计算得到针对待预测传感器的预测值：

其中，f(X_n+1)为待预测传感器的预测值，a₁，a₂，...，a_n、β₁，β₂，...，β_n、δ₁，δ₂，...，δ_n均为因子参数，X₁，X₂，...，X_n分别为除待预测传感器之外的其他传感器的实际测量值；Y₁，Y₂，...，Y_n均为秤状态因子，Z为常数项，n为其他传感器的数量。

在预测模型的训练过程中，实际就是确定a₁，a₂，...，a_n、β₁，β₂，...，β_n、δ₁，δ₂，...，δ_n的过程。也就是说，在训练过程中，一开始α、β、δ的值都是设定的初始默认值，训练过程即为确定这几个参数的过程。当求解出来的值越准确，最终计算出来的f(X_n+1)的值也越接近传感器的实际测量值。实际测量值的数量有n个，X为各个传感器的实际测量值，可以称之为因子，Y是已经确定的秤状态因子，α、β、δ属于X和Y的参数，即称之为因子参数。且，α、β、δ的未知项数均为n，加上常数项Z，因此，共有3n+1个未知数。故，至少需要3n+1个方程，才可以求解出α、β、δ。因此，应至少确保预测模型的训练池中的训练数据的数量为3n+1。在满足训练池中的数据量大于3n+1的情况下，训练数据越多，也会使得训练出来的预测模型预测准确率更高。

在另一个实施例中，预测模型可以是径向基神经网络。预测模型可以通过以下公式(2)计算得到针对待预测传感器的预测值：

其中，X′_j为待预测传感器的预测值，j＝(1，2，...，N)，N为传感器的数量，m为预测模型的隐层节点数量，W为预测模型的权值矩阵，W＝(W₀，W₁，...，W_m)^T，W₀＝1，H为径向基函数矩阵，H＝(H₀，H₁，...，H_m)^T，H₀＝b，b为预测模型的偏置值，i为隐层节点的序号，i＝(0，1，2，…，m)，ω_i为h的系数，T为矩阵W的转置符号。

进一步地，在预测模型输出针对每个训练数据集的样本预测值后，可以根据训练数据集中的训练数据及样本预测值确定每个训练数据集的拟合优度。具体地，可以根据以下公式(3)确定每个训练数据集的拟合优度：

其中，f(X_n+1)为待预测传感器的预测值，X₁，X₂，...，X_n分别为除待预测传感器之外的其他传感器的实际测量值，n为其他传感器的数量。

拟合优度R指回归线对观测值的拟合程度。度量拟合优度的统计量是可决系数(或称确定系数)R²。其中，R²最大值为1。R²的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R²的值越小，说明回归直线对观测值的拟合程度越差。因此，可以不断确定出每一组训练数据集的拟合优度。

并比对产生时间较早的训练数据集与产生时间较晚的训练数据集的拟合优度的大小。若产生时间较早的训练数据集的拟合优度小于或等于产生时间较晚的训练数据集的拟合优度，则表明产生时间较晚的训练数据集的拟合优度更高，数据更加准确，更适用于对预测模型进行训练。这种情况下，可以产生时间较晚的训练数据加入至所述预测模型的训练池。反之，若是产生时间较早的训练数据集的拟合优度大于产生时间较晚的训练数据集的拟合优度，则表明产生时间较早的训练数据集的拟合优度更高，而产生时间较晚的训练数据集的数据则没有那么准确。这种情况下，则无需将产生时间较晚的训练数据加入至所述预测模型的训练池。如此，以确保预测模型的训练池中的数据保持最新状态。

进一步地，在一个实施例中，方法还包括：检测预测模型的学习数量上限是否达到预设数量阈值；在已达到预设数量阈值的情况下，按照样本数据的产生时间顺序，从预测模型的训练池中剔除产生时间较早的训练数据集；在未达到预设数量阈值的情况下，返回至按照样本数据的产生时间顺序，依次将每个训练数据集输入至预测模型中，对预测模型进行训练的步骤。

在预测模型的训练过程中，会持续输入训练数据集至预测模型中，使得预测模型可以不断对输入的数据进行学习。但需要保证预测模型的训练池中的训练数据是最新的。因此，可以设定一个预设数量阈值，其中，预设数量阈值是根据所述传感器的数量、秤因子的数量以及常数项的数量确定的。即上述实施例中所提及的，可以根据α、β、δ的未知项数以及常数项的数量来确定预设数量阈值。可以检测预测模型的学习数量上限是否达到了预设数量阈值，若确定预测模型的学习上限已达到预设数量阈值，则可以按照样本数据的产生时间顺序，从预测模型的训练池中剔除产生时间较早的训练数据集；在未达到预设数量阈值的情况下，可以继续返回执行上述的按照样本数据的产生时间顺序，依次将每个训练数据集输入至预测模型中，对预测模型进行训练的步骤。这种动态更新学习数据的方法，其作用是可以保持预测模型学习的数据始终是最新的数据，也可以说是最靠近称重***当前状态的数据，因此能够保证预测模型得到的预测值能更贴近传感器的实际测量值。

如图4所示，提供了预测模型所采用的动态迭代算法的工作流程示意图。首先，传感器均处于正常状态，获取到正常状态下传感器测量得到的实际测量值。假设训练数据集为矩阵A＝[X_0，1，X_0，2，...，X_0，n]。设预测模型每次学习m_k(k∈N)组数据，其中，M＞m_k＞3n+1。K表示的是预测模学习数据的组数，M表示为预测模型的训练池中的数据量。首先，需要回归计算的组数。按照数学习惯计算方法，初始值默认为0。即，初始化k＝0，预测模型应学习mk组数据。然后，针对每组数据，预测模型都会得到一个对应的预测值，从而可以计算出每组数据的拟合优度R_k。R_k的计算公式为上述公式(3)，此处不再赘述。然后，可以取间隔时间t之后的一组数据输入至预测模型中。其中，时间间隔t可以是10-15mins。可以看出，此时的这组训练数据的产生时间是晚于之前那一组已经学习了的训练数据的产生时间的。每学习一组数据，k的数值增1，即k＝k+1。同样地，再次计算出这组数据对应的拟合优度R′_k。并比较R_k和R′_k的值。若R_k大于R′_k，则表示产生时间较晚的训练数据集数据并不准确，可以返回执行数据输入至预测模型进行学习和预测的步骤。若R_k小于或等于R′_k，则可以将本次学习的这组数据加入至预测模型的训练池中。可以确定的是，预测模型的训练池的数量M，应至少大于3n+1。此时，可以检测预测模型的训练池中的数据是否超过了M，若是，则可以按照先进先出的原则，将训练池中产生时间最早的训练数据进行剔除。若预测模型的训练池中的数据未超过M，则可以返回至执行数据输入至预测模型进行学习和预测的步骤。继续将这一组训练数据的拟合优度与其下一组的训练数据的拟合优度进行比较。以此方式，持续对预测模型进行训练。

在训练一段时间后，可以对预测模型的预测准确率进行判断。具体地，可以将预测模型的预测值与该预测的传感器的实际测量值进行对比，判断其之间的差值是否处于预设差值范围内，若是，则表明预测模型的预测值准确；反之，则表明预测模型的预测值不准确。以此方式，通过多组数据对预测模型的预测准确率进行验证，直到预测模型的预测准确率达到预设准确阈值，则可以确定预测模型训练完毕。例如，可以使用100组数据对预测模型的预测准确率进行验证。假设，预测模型针对这100组数据中，有88组的预测值与其传感器的实际测量值之间的误差都处于预设差值范围(0，0.5)以内，则说明预测模型针对这88组数据的预测均是准确的。其预测准确率则为88％。

如此，通过动态迭代典型数据对原有***进行补偿，使预测模型的预测精度长期维持在较高的水平，有效实现应急生产功能，确保称重***运行的稳定性，也使得预测模型的预测准确率能够在长期内维持在较高的水平，进而确保应急生产的有效性。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述用于预测传感器数据的方法。

在一个实施例中，如图5所示，还提供了一种称重***，包括：

多个传感器501-1，501-2，...，501-n，用于对物品进行测量得到对应的实际测量值；以及

上述的处理器502，用于执行上述的任一项用于预测传感器数据的方法。

在一个实施例中，还提供了一种混凝土搅拌站称重装置，该装置包括上述的称重***，秤体等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于预测传感器数据的方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作***B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作***B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储传感器的实际测量数据等。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于预测传感器数据的方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述的用于预测传感器数据的方法的步骤。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有用于预测传感器数据的方法步骤的程序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种用于预测传感器数据的方法，其特征在于，所述方法包括：

获取多个传感器的第一实际测量值；

针对所述传感器中的任意一个待预测传感器，将除所述待预测传感器的第一实际测量值之外的其他第一实际测量值输入至预测模型中，以得到针对所述待预测传感器的第一预测值；

在所述第一预测值与所述待预测传感器的第一实际测量值之间的差值大于预设阈值的情况下，预测所述待预测传感器的状态为异常状态；

再次获取所述多个传感器的第二实际测量值，其中所述第二实际测量值的产生时间晚于所述第一实际测量值的产生时间；

将除所述待预测传感器的第二实际测量值之外的其他第二实际测量值输入至所述预测模型中，以使所述预测模型对所述其他第二实际测量值进行学习；

获取所述预测模型进行学习后得到的针对所述待预测传感器的第二预测值；

在所述第二预测值与所述待预测传感器的第二实际测量值之间的差值大于所述预设阈值的情况下，预测所述待预测传感器的状态为异常状态；

在预测所述待预测传感器的状态为异常状态的次数未达到预设次数阈值的情况下，再次执行所述再次获取所述多个传感器的第二实际测量值的步骤，直到预测所述待预测传感器的状态为异常状态的次数达到所述预设次数阈值；

确定所述待预测传感器发生故障，并输出所述第二预测值作为所述待预测传感器的测量数据。

2.根据权利要求1所述的用于预测传感器数据的方法，其特征在于，所述预测模型通过以下公式(1)计算得到针对所述待预测传感器的预测值：

其中，f(X_n+1)为所述待预测传感器的预测值，a₁，a₂，…，a_n、β₁，β₂，…，β_n、δ₁，δ₂，…，δ_n均为因子参数，X₁，X₂，…，X_n分别为除所述待预测传感器之外的其他传感器的实际测量值；Y₁，Y₂，…，Y_n均为秤状态因子，Z为常数项，n为其他传感器的数量。

3.根据权利要求1所述的用于预测传感器数据的方法，其特征在于，所述预测模型为径向基神经网络，所述预测模型通过以下公式(2)计算得到针对所述待预测传感器的预测值：

其中，X′_j为所述待预测传感器的预测值，j＝(1,2,…,N)，N为所述传感器的数量，m为所述预测模型的隐层节点数量，W为所述预测模型的权值矩阵，W＝(W₀,W₁,…,W_m)^T，W₀＝1，H为径向基函数矩阵，H＝(H₀,H₁,…,H_m)^T，H₀＝b，b为所述预测模型的偏置值，i为所述隐层节点的序号，i＝(0,1,2,…，m)，ω_i为h的系数，T为所述矩阵W的转置符号。

4.根据权利要求1所述的用于预测传感器数据的方法，其特征在于，所述方法还包括：

在确定所述待预测传感器发生故障之后，再次获取到最新的传感器的实际测量值时，将最新的实际测量值输入至所述预测模型时，所述预测模型不对所述最新的实际测量值进行学习。

5.根据权利要求1所述的用于预测传感器数据的方法，其特征在于，所述方法还包括所述预测模型的训练步骤，所述训练步骤包括：

获取预设历史时间段内多个传感器在正常状态下获得的实际测量数据，作为样本数据；

将所述样本数据划分为多个训练数据集；

按照所述样本数据产生时间的顺序，依次将每个训练数据集输入至所述预测模型中，对所述预测模型进行训练；

在所述预测模型输出针对每个训练数据集的样本预测值后，根据所述训练数据集中的训练数据及所述样本预测值确定每个训练数据集的拟合优度；

在所述产生时间较早的训练数据集的拟合优度小于或等于所述产生时间较晚的训练数据集的拟合优度的情况下，将所述产生时间较晚的训练数据加入至所述预测模型的训练池；反之，则不将所述产生时间较晚的训练数据集加入至所述预测模型的训练池，以确保所述预测模型的训练池中的数据保持最新状态；

在确定所述预测模型的预测准确率达到预设准确阈值的情况下，确定所述预测模型训练完毕。

6.根据权利要求5所述的用于预测传感器数据的方法，其特征在于，所述方法还包括：

检测所述预测模型的学习数量上限是否达到预设数量阈值；

在已达到所述预设数量阈值的情况下，按照所述样本数据的产生时间顺序，从所述预测模型的训练池中剔除产生时间较早的训练数据集；

在未达到所述预设数量阈值的情况下，返回至所述按照所述样本数据的产生时间顺序，依次将每个训练数据集输入至所述预测模型中，对所述预测模型进行训练的步骤。

7.根据权利要求6所述的用于预测传感器数据的方法，其特征在于，所述预设数量阈值是根据所述传感器的数量、秤因子的数量以及常数项的数量确定的。

8.根据权利要求5所述的用于预测传感器数据的方法，其特征在于，根据以下公式(3)确定每个训练数据集的拟合优度：

其中，f(X_n+1)为所述待预测传感器的预测值，X₁，X₂，…，X_n分别为除所述待预测传感器之外的其他传感器的实际测量值，n为其他传感器的数量。

9.根据权利要求1所述的用于预测传感器数据的方法，其特征在于，所述方法还包括：

在确定全部的传感器均处于正常状态的情况下，获取多个传感器的第一实际测量值。

10.根据权利要求1所述的用于预测传感器数据的方法，其特征在于，所述方法应用于称重***，所述称重***包括多个传感器；所述方法还包括：

根据其他传感器的第二实际测量值及所述待预测传感器的测量数据确定所述称重***的输出数据。

11.根据权利要求1所述的用于预测传感器数据的方法，其特征在于，所述方法还包括：

针对所述待预测传感器的故障发出故障提醒。

12.一种处理器，其特征在于，被配置成执行根据权利要求1至11中任意一项所述的用于预测传感器数据的方法。

13.一种称重***，其特征在于，所述称重***包括：

多个传感器，用于对物品进行测量得到对应的实际测量值；以及

根据权利要求12所述的处理器。

14.一种混凝土搅拌站称重装置，其特征在于，包括根据权利要求13所述的称重***。

Images