一种衡器称重传感器退化趋势预测方法及相关设备与流程

本申请涉及钢铁行业中衡器运行管理，尤其涉及一种衡器称重传感器退化趋势预测方法及相关设备。

背景技术：

1、目前，贸易衡器的计量准确性和良好运行状态直接影响着企业的成本核算及生产运行。设备潜在隐患、偏差的预防以及故障发现的及时性、故障处理时间等因素是计量管理的关键要素，如何提高贸易衡器的管理水平，为精细化生产提供更加可靠的计量服务，对设备管理提出了更高要求。称重传感器作为衡器的核心部件，它的性能的因素受温度、湿度、蠕变、偏载、超载、角差等方面影响。称重传感器实际上是一种将质量信号转变为可测量的电信号输出的装置。

2、然而，用传感器应先要考虑传感器所处的实际工作环境，这点对正确选用称重传感器至关重要，它关系到传感器能否正常工作以及它的安全和使用寿命，乃至整个衡器的可靠性和安全性，因此有必要提出一种衡器称重传感器退化趋势预测方法，以至少解决上述部分问题。

技术实现思路

1、在
技术实现要素：
部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本申请的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

2、第一方面，本申请实施例提供一种衡器称重传感器退化趋势预测方法，所述方法包括：

3、获取待测传感器的称重数据；

4、基于所述称重数据和机器学习模型获取预测曲线，其中，所述机器学习模型是基于通用退化路径模型和长短时记忆网络模型构建的；

5、基于所述预测曲线评估所述待测传感器的退化趋势。

6、在本发明的一个实施例中，获取待测传感器的衡器称重数据的步骤之前包括：

7、获取传感器码值数据和衡器称重数据；

8、采用数据滤波算法分别对所述传感器码值数据和所述衡器称重数据进行分级提取，得到传感器码值特征和衡器称重特征；

9、对所述传感器码值特征进行特征处理操作，得到空载数据，其中，所述特征处理操作包括清洗操作、聚合操作和链接操作中一种或多种；

10、对所述衡器称重数据进行所述特征处理操作，得到称重数据。

11、在本发明的一个实施例中，基于所述衡器称重数据和机器学习模型获取预测曲线的步骤之前包括：

12、对所述空载数据进行检验，生成检验结果；

13、若所述检验结果为检验通过，则根据所述空载数据、通用退化路径模型和长短时记忆网络模型构建机器学习模型。

14、在本发明的一个实施例中，对所述空载数据进行检验的步骤包括：

15、对所述空载数据进行数据检验，其中，所述数据检验包括q检验、单位根检验和kpss检验中一种或多种。

16、在本发明的一个实施例中，基于所述称重数据和机器学习模型获取预测曲线的步骤包括：

17、采用meta-learning模型对所述机器学习模型进行验证，生成验证结果；

18、若所述验证结果为验证成功，则将所述称重数据输入至所述机器学习模型中得到预测曲线；

19、若所述验证结果为验证失败，则获取待测传感器的称重数据，直至验证结果为验证成功。

20、在本发明的一个实施例中，基于所述预测曲线评估所述待测传感器的退化趋势的步骤包括：

21、获取传感器的误差值；

22、通过所述预测曲线得到对传感器误差的预测值；

23、根据预设公式对所述误差值和所述预测值进行计算，得到传感器的准确率。

24、在本发明的一个实施例中，所述预设公式为：

25、准确率＝∑(v1-v2)/∑(v2)*100％；

26、其中，v1为传感器误差的预测值，v2为传感器的误差值。

27、第二方面、本申请提出一种衡器称重传感器退化趋势预测，包括：所述系统包括：数据获取模块、模型构建模块和预测模块；

28、所述数据获取模块被配置为：获取待测传感器的称重数据；

29、所述模型构建模块被配置为：基于所述称重数据和机器学习模型获取预测曲线，其中，所述机器学习模型是基于通用退化路径模型和长短时记忆网络模型构建的；

30、所述预测模块被配置为：基于所述预测曲线评估所述待测传感器的退化趋势。

31、第三方面，一种电子设备，包括：存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器用于执行存储器中存储的计算机程序时实现如上述的第一方面任一项的一种衡器称重传感器退化趋势预测方法的步骤。

32、第四方面，本申请还提出一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现第一方面任一项的一种衡器称重传感器退化趋势预测方法的步骤。

33、综上，本申请实施例的一种衡器称重传感器退化趋势预测方法包括：获取待测传感器的称重数据；基于所述称重数据和机器学习模型获取预测曲线，其中，所述机器学习模型是基于通用退化路径模型和长短时记忆网络模型构建的；基于所述预测曲线评估所述待测传感器的退化趋势。本申请实施例提出的衡器称重传感器退化趋势预测方法，通过建立机器学习模型来对传感器的数据进行衰变预测得到预测曲线，观察预测曲线来判定传感器的衡量精度，达到提早发现提早预防的效果。

34、本申请提出的衡器称重传感器退化趋势预测方法，本申请的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本申请的研究和实践而为本领域的技术人员所理解。

1.一种衡器称重传感器退化趋势预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种衡器称重传感器退化趋势预测方法，其特征在于，获取待测传感器的衡器称重数据的步骤之前包括：

3.根据权利要求2所述的一种衡器称重传感器退化趋势预测方法，其特征在于，基于所述衡器称重数据和机器学习模型获取预测曲线的步骤之前包括：

4.根据权利要求3所述的一种衡器称重传感器退化趋势预测方法，其特征在于，对所述空载数据进行检验的步骤包括：

5.根据权利要求1所述的一种衡器称重传感器退化趋势预测方法，其特征在于，基于所述称重数据和机器学习模型获取预测曲线的步骤包括：

6.根据权利要求1所述的一种衡器称重传感器退化趋势预测方法，其特征在于，基于所述预测曲线评估所述待测传感器的退化趋势的步骤包括：

7.根据权利要求6所述的一种衡器称重传感器退化趋势预测方法，其特征在于，所述预设公式为：

8.一种衡器称重传感器退化趋势预测系统，其特征在于，所述系统包括：数据获取模块、模型构建模块和预测模块；

9.一种电子设备，包括：存储器和处理器，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述的一种衡器称重传感器退化趋势预测方法的步骤。

10.一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如权利要求1-7中任一项所述的一种衡器称重传感器退化趋势预测方法的步骤。